基于深度学习的配电网故障风险预警方法及系统技术方案

本发明专利技术涉及电网故障预警技术领域，公开一种基于深度学习的配电网故障风险预警方法及系统，以提高故障预警的准确性。方法包括：筛选与配电网故障有关的初始特征信息并进行预处理；计算各初始特征的权重并剔除出低于权重阈值的初始特征得到目标特征信息；基于目标特征信息将电网数据与气象数据关联映射，构建数据集并生成相应的标签；以目标特征信息作为深度神经网络的输入，根据相应的标签进行深度神经网络的训练和验证；以基于历史数据对气象因素进行预测的LSTM网络得出目标特征信息中的气象因素，并将LSTM网络与深度神经网络级联得到基于深度神经网络的故障预警模型，然后根据基于深度神经网络的故障预警模型进行预警，得到预警结论。

【技术实现步骤摘要】
基于深度学习的配电网故障风险预警方法及系统
本专利技术涉及电网故障预警
，尤其涉及一种基于深度学习的配电网故障风险预警方法及系统。
技术介绍
配电网是电能输送的“最后一公里”，配电网的安全稳定运行关系到社会经济的发展，也关乎客户体验和供电企业的切身利益。据统计，约80％以上的用户停电事故都是配电网故障导致的。配网故障的原因主要分为内部因素和外部因素。外部因素为环境，如恶劣极端天气等；内部因素为运维状况，运行状态，如设备投运年限太长，设备运行超负荷等。因此，有效预警配电网运行过程中存在的故障风险，对保障电网安全稳定运行和供电可靠性显得尤为重要。以往大部分研究单一考虑气象因素或外部因素对配电网故障的影响，缺乏对引起配电网故障的内部和外部因素关联的探究。因此，亟需在已有的信息采集监测系统上，根据实测信息，结合电网实时运行工况，考虑配电网故障的内部和外部因素，运用大数据挖掘和深度学习对模型进行训练，建立配电网风险预警模型。本专利技术提出通过收集气象数据，将天气信息归类，有利于提高故障预警的准确率。采用时间递归神经网络(LSTM)预测天气情况用于配电网故障，并从运行状态、运维情况、时间维度、气象条件、地形地貌五个层面建立配电网风险预警模型。
技术实现思路
本专利技术目的在于公开一种基于深度学习的配电网故障风险预警方法及系统，以提高故障预警的准确性。为达上述目的，本专利技术公开一种基于深度学习的配电网故障风险预警方法，包括：筛选与配电网故障有关的初始特征信息并进行预处理；设定用于衡量各特征与配电网故障的权重阈值，以Relief算法计算各初始特征的权重，并剔除出低于所述权重阈值的初始特征得到目标特征信息，所述目标特征信息包括电网设备内部的电气量信息和外部非电气量的环境场景信息，且电气量信息至少包括运行状态和运维情况，所述非电气量信息包括时间维度、气象因素、地形地貌至少三个层面的特征因素；所述气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息；基于所述目标特征信息将电网数据与气象数据关联映射，构建数据集并生成相应的标签；以所述目标特征信息作为深度神经网络的输入，根据相应的标签进行深度神经网络的训练和验证；以训练好的基于历史数据对气象因素进行预测的LSTM网络得出所述目标特征信息中的气象因素，并将所述LSTM网络与训练好的深度神经网络级联得到基于深度神经网络的故障预警模型，然后根据所述基于深度神经网络的故障预警模型进行预警，得到预警结论。优选地于，所述预处理包括：补充缺失数据；以及将收集到的数据信息按规则进行数据转换；所述规则包括：将所有天气情况分为4种类型，用特征数值表示，以1表示晴/少云/多云；2表示薄雾+云/薄雾+碎云/薄雾+少云/薄雾/小雨；3表示轻雪/中雨+雷暴/中雨/大风；4表示暴雨/冰雹/雷雨/大雪/高温；将供电区域分为4类，以数值1-4分别表示市区、市中心、城镇、农村/山区；时间维度以数值1-4分别表示春、夏、秋、冬；并以数值1-2分别表示假期和工作日；并将故障情况分为故障与非故障两种情况，用数值做标签；故障为1，非故障为0；其中，所述预处理还包括将所有的数据进行归一化。优选地于，所述Relief算法的计算过程包括：对每个特征赋予权重值；设置权重阈值γ；从样本集D中选取一个样本Sk，其中，k＝1，2，…，m；然后从同类样本集搜索最邻近样本H(Sk，从不同类样本集中搜索最邻近样本M(Sk)，按下述计算公式更新特征的权重：式中，i＝1，2，…，N；N为故障特征总数，diff(i,Sk,H(Sk))表示样本Sk和样本H(Sk关于特征i的差异，diff(i,Sk,M(Sk))表示样本Sk和样本M(Sk)关于特征i的差异，Wi表示特征i的权重，m表示抽样次数；以上过程重复m次，最后得到各特征的平均权重W＝[W1,W2,…,WN]，剔除权重小于权重阈值的特征。优选地，所述气象因素还包括：温度、湿度和风速。所述运维情况包括设备投运年限。所述运行状态包括线路重过载、配电重过载及三相不平衡。为达上述目的，本专利技术还公开一种基于深度学习的配电网故障风险预警系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法相对应的步骤。本专利技术具有以下有益效果：将时间递归神经网络和深度神经网络级联，以训练好的基于历史数据对气象因素进行预测的LSTM网络得出所述目标特征信息中的气象因素，所得出的该气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息，并将该气象因素作为深度神经网络的输入之一，结合其他输入的筛选出的设备运行状态，运维情况、时间维度、地区地貌等层面的信息，可以准确得出配电网故障预警结论。下面将参照附图，对本专利技术作进一步详细的说明。附图说明构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术实施例的基于深度学习的配电网故障风险预警方法流程示意图。图2是本专利技术实施例的LSTM神经元结构图。图3是本专利技术实施例的级联神经网络损失收敛图。具体实施方式以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。实施例1本实施例公开一种基于深度学习的配电网故障风险预警方法，参照图1，具体包括：步骤1：数据预处理缺失数据补充：用0填补缺失信息。数据转换规则：收集到的数据中天气情况、供电区域、季节等为文字描述，故需要将其转换为数据类型才能作为神经网络输入。本专利技术中将所有天气情况分为4种类型，用特征数值表示。即1表示晴/少云/多云；2表示薄雾+云/薄雾+碎云/薄雾+少云/薄雾/小雨；3表示轻雪/中雨+雷暴/中雨/大风；4表示暴雨/冰雹/雷雨/大雪/高温。最后，将原始数据中的天气情况进行归类。此外，将供电区域分为4类，数值1-4分别表示市区、市中心、城镇、农村(山区)。时间维度层面主要用于表征用电负荷信息，以数值1-4分别表示春、夏、秋、冬，用数值1-2分别表示假期和工作日。将故障情况分为故障与非故障两种情况，用数值做标签。故障为1，非故障为0。天气情况类别说明如表1：归一化处理：为消除各输入的量纲影响，将所有的数据进行归一化，所有数据映射为[0,1]区间，有利于提高运算速度。式中，x'为特征x经过归一化的值，min(x)为样本数据中该特征的最小值，max(x)为样本数据该特征的最大值。2：故障特征选取获取2年全省的历史气象数据，分析可能与配电网故障相关的气象数据，筛选与配电网故障风险有关的因素。气象数据中包含了温度，湿度，风速，天气情况等因素。造成本文档来自技高网...

【技术保护点】
1.一种基于深度学习的配电网故障风险预警方法，其特征在于，包括：/n筛选与配电网故障有关的初始特征信息并进行预处理；/n设定用于衡量各特征与配电网故障的权重阈值，以Relief算法计算各初始特征的权重，并剔除出低于所述权重阈值的初始特征得到目标特征信息，所述目标特征信息包括电网设备内部的电气量信息和外部非电气量的环境场景信息，且电气量信息至少包括运行状态和运维情况，所述非电气量信息包括时间维度、气象因素、地形地貌至少三个层面的特征因素；所述气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息；/n基于所述目标特征信息将电网数据与气象数据关联映射，构建数据集并生成相应的标签；/n以所述目标特征信息作为深度神经网络的输入，根据相应的标签进行深度神经网络的训练和验证；/n以训练好的基于历史数据对气象因素进行预测的LSTM网络得出所述目标特征信息中的气象因素，并将所述LSTM网络与训练好的深度神经网络级联得到基于深度神经网络的故障预警模型，然后根据所述基于深度神经网络的故障预警模型进行预警，得到预警结论。/n

【技术特征摘要】
1.一种基于深度学习的配电网故障风险预警方法，其特征在于，包括：
筛选与配电网故障有关的初始特征信息并进行预处理；
设定用于衡量各特征与配电网故障的权重阈值，以Relief算法计算各初始特征的权重，并剔除出低于所述权重阈值的初始特征得到目标特征信息，所述目标特征信息包括电网设备内部的电气量信息和外部非电气量的环境场景信息，且电气量信息至少包括运行状态和运维情况，所述非电气量信息包括时间维度、气象因素、地形地貌至少三个层面的特征因素；所述气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息；
基于所述目标特征信息将电网数据与气象数据关联映射，构建数据集并生成相应的标签；
以所述目标特征信息作为深度神经网络的输入，根据相应的标签进行深度神经网络的训练和验证；
以训练好的基于历史数据对气象因素进行预测的LSTM网络得出所述目标特征信息中的气象因素，并将所述LSTM网络与训练好的深度神经网络级联得到基于深度神经网络的故障预警模型，然后根据所述基于深度神经网络的故障预警模型进行预警，得到预警结论。


2.根据权利要求1所述的基于深度学习的配电网故障风险预警方法，其特征在于，所述预处理包括：
补充缺失数据；以及
将收集到的数据信息按规则进行数据转换；所述规则包括：
将所有天气情况分为4种类型，用特征数值表示，以1表示晴/少云/多云；2表示薄雾+云/薄雾+碎云/薄雾+少云/薄雾/小雨；3表示轻雪/中雨+雷暴/中雨/大风；4表示暴雨/冰雹/雷雨/大雪/高温；
将供电区域分为4类，以数值1-4分别表示市区、市中心、城镇、农村/山区；
时间维度以数值1-4分别表示春、夏、秋、冬；并以数值1-2分别表示假期和工...

【专利技术属性】
技术研发人员：唐海国，张帝，任磊，朱吉然，邓威，游金梁，康童，周可慧，彭涛，齐飞，周恒逸，赵邈，张聪，李佳勇，张志丹，李红青，
申请(专利权)人：国网湖南省电力有限公司，国网湖南省电力有限公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：湖南;43