数据驱动的有源配电网异常状态感知方法及系统技术方案

本发明专利技术公开了一种数据驱动的有源配电网异常状态感知方法及系统，包括：获取配电网异常状态发生后的节点参数数据，将数据输入到训练好的配电网异常状态预测模型中，输出配电网异常状态预测结果；其中，配电网异常状态预测模型的训练过程包括：对配电网历史异常状态节点参数数据进行聚类，通过关联规则算法找出与配电网异常状态类型强相关的数据样本，形成用于进行训练的样本数据集；基于样本数据集对配电网异常状态预测模型进行训练。本发明专利技术采用三层数据挖掘结构，通过数据分类与关联规则提取，得到含有与对应异常状态类型强关联的数据样本，能够提高数据集的利用效率，提高异常状态预测精度，缩短计算时间，减小预测误差。减小预测误差。减小预测误差。

【技术实现步骤摘要】
数据驱动的有源配电网异常状态感知方法及系统


[0001]本专利技术涉及配电网异常状态分类与预测
，尤其涉及一种数据驱动的有源配电网异常状态感知方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着有源配电网智能实时监测的深入，监测与保护装置大量的安装在有源配电网中，通过这些装置采集电网运行状态数据，基于数据分析处理，判断有源配电网的运行状态是否正常。然而这样的诊断方案需要耗费大量的成本装设监测设备，同时存在诊断低精度的问题。
[0004]为了避免上述这些传统故障诊断方案的问题，人工智能依靠其自学习自趋优等优点，被用于有源配电网短路故障、断线故障或者过负荷等异常状态的诊断中。常见故障诊断方法有专家系统、模糊理论、人工神经网络、贝叶斯网络和Petri网等方法。基于专家系统的故障诊断方法利用有源配电网的运行状态等数据，结合专家的经验知识，建立了一个专家模型，对故障类型进行推断。基于模糊理论的诊断方法通过模糊控制实现对任意非线性连续函数的逼近模拟。基于人工神经网络的诊断方法模仿人类大脑或者自然神经网络，对已有的历史数据进行建模，完成相关参数的训练，从而获得问题的解集。基于Petri网络的诊断方法能对离散的动态有源配电网故障进行有效处理，无需复杂的信息库，但存在容错能力差的问题。
[0005]在有源配电网规模庞大，故障数据较多情况下，对故障数据的分析效果很大程度上依赖于算法的选择。并且，目前大多数结合人工智能的故障诊断方案往往只采用了单一的人工智能算法或模型，其诊断精确程度有待提高，且存在容错能力差、对专家经验依赖性强等的局限性。

技术实现思路

[0006]为了解决上述问题，本专利技术提出了一种数据驱动的有源配电网异常状态感知方法及系统，使用三层数据挖掘对有源配电网异常状态进行分类和预测，可以针对性地解决异常状态分类与预测精度低、时间长的问题。
[0007]为了实现上述目的，在一些实施方式中，采用如下技术方案：一种数据驱动的有源配电网异常状态感知方法，包括：获取配电网异常状态发生后的节点参数数据，将所述数据输入到训练好的配电网异常状态预测模型中，输出配电网异常状态预测结果；其中，所述配电网异常状态预测模型的训练过程包括：对配电网历史异常状态节点参数数据进行聚类，通过关联规则算法找出与配电网异常状态类型强相关的数据样本，形成用于训练的样本数据集；基于所述样本数据集进行所述配电网异常状态预测模型的训
练。
[0008]作为进一步地方案，所述对配电网历史异常状态节点参数数据进行聚类，具体过程包括：基于欧氏距离对数据样本进行分类；通过判别函数判断数据样本聚类是否完成；计算误差平方和，通过SSE
‑
K曲线图确定参考的聚类个数，基于所述参考的聚类个数，确定最终的聚类个数。
[0009]作为进一步地方案，在对配电网历史异常状态节点参数数据进行聚类之后，还包括：对聚类后的数据样本进行自编码，形成第一样本数据集，第一样本数据集中的元素为向量，每一个向量由TV和F
i
构成；其中，TV ={N0C1, N0C2,. . .,N0C
a
}为自编码后的数据，C取值范围为[1, K]，a为进行数据采集的节点编号；F
i
为异常状态类型的值；所述自编码后的数据至少包含数据所在的节点位置信息和数据所属的聚类类别信息。
[0010]作为进一步地方案，所述通过关联规则算法找出与配电网异常状态类型强相关的数据样本，形成用于进行训练的样本数据集，具体包括：将第一样本数据集中每一个向量的两类元素TV与F
i
合并为一类元素，组成新的数据集M：{Z1，Z2，
…
，Z
i
}，其中Z
i
表示一个自编码后的数据与对应异常状态类型组成的新矢量；i为新矢量的个数；用频繁项集的支持度和可信度量化所述新矢量中两个或多个元素之间的联系，将满足支持度和可信度要求的非0矢量提取出来，形成第二样本数据集，所述第二样本数据集用于进行配电网异常状态预测模型的训练。
[0011]作为进一步地方案，所述的基于所述样本数据集对所述配电网异常状态预测模型进行训练，具体包括：基于得到的样本数据集，采用随机梯度下降算法进行回归训练，得到配电网异常状态预测模型的最优参数解。
[0012]作为进一步地方案，所述配电网异常状态预测模型具体为：其中，w为预测模型函数的权重矢量，b表示预测模型函数的截距，w
T
（CV
j
）表示矢量w与矢量CV
j
的数量积；矢量CV
j
为训练样本。
[0013]作为进一步地方案，还包括：通过优化目标函数来衡量所述配电网异常状态预测模型的拟合度，所述优化目标函数具体为：其中，L（F
i
,f（CV
j
））表示损失函数，α为超参数，为设定值； R（w）为正则项；n为样本数据集总量，F
i
为异常状态类型的值。
[0014]在另一些实施方式中，采用如下技术方案：一种数据驱动的有源配电网异常状态感知系统，包括：
数据获取模块，用于获取配电网异常状态发生后的节点参数数据；异常状态预测模块，用于将所述数据输入到训练好的配电网异常状态预测模型中，输出配电网异常状态预测结果；其中，所述配电网短路异常状态模型的训练过程包括：对配电网历史故障节点参数数据进行聚类，通过关联规则算法找出与配电网短路异常状态强相关的数据样本，形成用于进行训练的样本数据集；基于所述样本数据集对所述配电网异常状态预测模型进行训练。
[0015]与现有技术相比，本专利技术的有益效果是：（1）本专利技术含分布式电源的配电网异常状态预测采用三层数据挖掘结构，通过数据分类与关联规则提取，得到含有与对应故障类型强相关的数据样本，能够提高数据集的利用效率；通过三层数据挖掘结构可以提高异常状态的预测精度，缩短计算时间，减小预测误差。
[0016]（2）本专利技术提出了自编码简化数据格式的方法，通过设置不同异常状态类型标签，有效避免了数据关联性不清晰、不明确的问题，从而使与异常状态类型有强相关的数据能被精准的提取出来，增强了数据集的有效性。
附图说明
[0017]图1为本专利技术实施例中第一层数据挖掘过程的流程图；图2为本专利技术实施例中第三层数据挖掘过程的流程图；图3为本专利技术实施例中误差平方和SSE与参考K值的曲线示意图。
具体实施方式
[0018]应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本专利技术使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0019]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的有源配电网异常状态感知方法，其特征在于，包括：获取配电网异常状态发生后的节点参数数据，将所述数据输入到训练好的配电网异常状态预测模型中，输出配电网异常状态预测结果；其中，所述配电网异常状态预测模型的训练过程包括：对配电网历史异常状态节点参数数据进行聚类，通过关联规则算法找出与配电网异常状态类型强相关的数据样本，形成用于训练的样本数据集；基于所述样本数据集进行所述配电网异常状态预测模型的训练。2.如权利要求1所述的一种数据驱动的有源配电网异常状态感知方法，其特征在于，所述对配电网历史异常状态节点参数数据进行聚类，具体过程包括：基于欧氏距离对数据样本进行分类；通过判别函数判断数据样本聚类是否完成；计算误差平方和，通过SSE
‑
K曲线图确定参考的聚类个数，基于所述参考的聚类个数，确定最终的聚类个数。3.如权利要求1所述的一种数据驱动的有源配电网异常状态感知方法，其特征在于，在对配电网历史异常状态节点参数数据进行聚类之后，还包括：对聚类后的数据样本进行自编码，形成第一样本数据集，第一样本数据集中的元素为向量，每一个向量由TV和F
i
构成；其中，TV ={N0C1, N0C2,. . .,N0C
a
}为自编码后的数据，C取值范围为[1, K]，a为进行数据采集的节点编号；F
i
为异常状态类型的值；所述自编码后的数据至少包含数据所在的节点位置信息和数据所属的聚类类别信息。4.如权利要求3所述的一种数据驱动的有源配电网异常状态感知方法，其特征在于，所述通过关联规则算法找出与配电网异常状态类型强相关的数据样本，形成用于进行训练的样本数据集，具体包括：将第一样本数据集中每一个向量的两类元素TV与F
i
合并为一类元素，组成新的数据集M：{Z1，Z2，
…
，Z
i
}，其中Z
i
表示...

【专利技术属性】
技术研发人员：吕天光，王邵瑞，陈建，李文博，孙东磊，艾芊，
申请(专利权)人：山东大学，
类型：发明
国别省市：