[发明专利]一种基于深度神经网络的配电网故障精确定位方法

权利要求书

1.一种基于深度神经网络的配电网故障精确定位方法，其特性在于，包括：

采集配电网实时运行状态数据以及历史故障数据信息；

利用朴素贝叶斯算法对所述实时运行状态数据进行预处理，得到配电网异常数据信息；

根据深度神经网络构建配电网故障区域定位模型，并利用历史故障数据信息对所述模型进行训练；

基于训练后的故障区域定位模型，输入所述异常数据信息，得到配电网故障位置，完成配电网故障的精确定位。

2.如权利要求1所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述实时运行状态数据包括电流、电压、相角差、频率。

3.如权利要求1或2所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述预处理算法包括，

其中z_i表示电压，x表示电流，δ表示相角差，ε表示频率。

4.如权利要求3所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：预处理所述实时运行数据信息进一步包括替换前后均值、填充数据、直接删除样本。

5.如权利要求4所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述配电网异常数据信息包括，

电流水平低于由于短路而产生的电流水平；

电压低于正常电压值，或降幅5％以上；

实际承受的负荷超过了配电网所允许的最大值；

配电网温度整体上升。

6.如权利要求5所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述配电网异常数据所产生的的故障类型包括相间短路故障、单相接地故障和断线故障。

7.如权利要求6所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述配电网故障区域定位模型的目标函数包括，

其中，r_i表示第i个训练样本的标签，l(z_i,r)表示距离点，Δ(r,r_i)表示错误惩罚机制，A(z_i)表示电流解析树的集合，σ表示目标系数。

8.如权利要求7所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述目标系数优化包括，

σ＝argminJ(σ)

9.如权利要求8所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述错误惩罚机制包括，

其中，M(r)表示树r节点的集合，subtree(f)表示以f为节点的子树，k为固定值。