[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

说明书

本发明公开了一种基于深度神经网络的配电网故障精确定位方法，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。本发明能保证配电网故障的定位精度，节省人力物力，提高供电安全性、可靠性及经济性。

技术领域

本发明涉及故障定位的技术领域，尤其涉及一种基于深度神经网络的配电网故障精确定位方法。

背景技术

配电网作为电力系统中的最后一个环节，影响着供电的安全性、可靠性和经济性，在配电网发生故障时，对故障的准确快速定位有着极其重要的意义，由于配电网与输电网的结构差异，传统的应用于输电网的故障定位方法并非全部适用于配电网，这对配电网的故障定位提出了更高的挑战。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：无法对配电网故障位置实现精确定位，供电安全性、可靠性及经济性低。

为解决上述技术问题，本发明提供如下技术方案：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。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：所述实时运行状态数据包括电流、电压、相角差、频率。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：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。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：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。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：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。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：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。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：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。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：所述目标系数优化包括，

σ＝argminJ(σ)