[发明专利]一种基于RF-LSTM的配电网台风天气下薄弱环节识别方法

权利要求书

1.一种基于RF-LSTM的配电网台风天气下薄弱环节识别方法，其特征在于，包括以下步骤：

S1、采集并分析与配电网故障相关的多维数据，构建特征变量数据库；

S2、构建故障预测模型，并利用特征变量数据库中的数据对其进行训练；

S3、在台风天气前，对配电网的短时潮流进行预测，并将预测结果输入至训练好的故障预测模型，预测配电网台风天气前的短期故障概率；

S4、根据短期故障概率确定对应的薄弱等级，实现配电网台风天气下的薄弱环节识别。

2.根据权利要求1所述的基于RF-LSTM的配电网台风天气下薄弱环节识别方法，其特征在于，所述步骤S1中的多维数据包括设备数据、运行数据和气象数据；

所述步骤S1具体为：基于采集的多维数据和配电网历史运行数据的对应关系，通过层次分析法进行特征变量提取，并对特征变量涉及的多维数据和配电网历史运行数据进行处理分类、清洗和变换，进而构建特征变量数据库；

所述特征变量数据库存储了每组特征变量与对应故障概率，其中，特征向量包括设备因素变量、运行因素变量和气象因素变量。

3.根据权利要求2所述的基于RF-LSTM的配电网台风天气下薄弱环节识别方法，其特征在于，对多维数据和配电网历史运行数据进行标准化处理，并将其通过归一化方程进行[0,1]之间的尺度变换，尺度变换的公式具体为：

式中，x′_i(k)表示特征变量k的第i个数据经过变换后的结果，m为数据样本总数，n为特征变量类型总数。

4.根据权利要求1所述的基于RF-LSTM的配电网台风天气下薄弱环节识别方法，其特征在于，所述步骤S2中的故障预测模型为基于RF算法构建的配电网网架故障预测模型；

在所述配电网网架故障预测模型训练过程中，单条馈线的故障预测方法具体为：

A1、采用bootstarp重抽样方法随机从特征变量数据库中有放回的抽取p个样本，每个样本抽取q个特征变量，共进行x次抽取，得到对应x个训练集；

A2、根据x个训练集构建馈线对应的决策树分类器，进而构建随机森林；

A3、对随机森林中每个决策树分类器的馈线故障预测结果进行投票，得到最终的馈线故障预测结果；

其中，馈线故障预测结果为0～1之间的区间数，其用于表征周馈线故障发生概率。

5.根据权利要求1所述的基于RF-LSTM的配电网台风天气下薄弱环节识别方法，其特征在于，所述步骤S3中，通过LSTM神经网络对配电网的短时潮流进行预测，预测结果为配电网短期的电压和功率。

6.根据权利要求4所述的基于RF-LSTM的配电网台风天气下薄弱环节识别方法，其特征在于，所述LSTM神经网络的输入包括细胞状态C_t-1、隐层状态h_t-1和t时刻输入向量x_t，输出包括细胞状态C_t和隐层状态h_t，其中，隐层状态h_t还作为t时刻的输出；

所述LSTM神经网络包括遗忘门、输入门和输出门；

所述遗忘门用于读取隐层状态h_t-1和t时刻输入向量x_t，并确定每个细胞状态C_t-1中的数字的存留情况；

所述输入门用于决定新的信息加入到细胞状态C_t中的数量，并更新当前细胞状态C_t；

所述输出门用于确定t时刻的输出。