【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; ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。