计及时变拓扑时基于深度学习的电压暂降源定位方法技术

本发明专利技术公开了一种计及时变拓扑时基于深度学习的电压暂降源定位方法，本发明专利技术解决现有方法在面对时变电网拓扑结构时，模型不可用、自适应性差、定位准确率低、算法泛化性能差的问题。通过采用基于1D卷积深度学习模型和迁移学习结合，对电能质量监测设备所采集到的有限个监测节点所对应的三相监测电压进行分析后，获得配电网中具体的电压暂降源所在线路。提高模型在拓扑变化时电压暂降源定位准确率，提高模型自适应能力和泛化性能。模型自适应能力和泛化性能。模型自适应能力和泛化性能。

【技术实现步骤摘要】
计及时变拓扑时基于深度学习的电压暂降源定位方法


[0001]本专利技术属于电能质量分析
，涉及一种计及时变拓扑时基于深度学习的电压暂降源定位方法。

技术介绍

[0002]相对于其他电能质量问题，电压暂降影响广泛。在微电子、半导体、生物医药光电技术、航天航空技术等高端生产制造行业，电压暂降会造成生产线上的产品报废，甚至有可能造成设备损坏，从而带来巨大的经济损失。
[0003]准确地追溯电压暂降源对划分责任和加快电力市场化进程均具有重要意义。然而，现有的基于数据驱动的电压暂降源定位方法多是在未考虑电网拓扑变化时定位电压暂降源，即很少考虑电网拓扑变化对电压暂降源定位结果的影响，没有将电网拓扑作为电压暂降源定位分析模型的输入。然而，在实际电网运行过程中，系统拓扑时时变的，而且历史数据库中难以包含所有拓扑的海量的历史数据来弥补新拓扑样本少的问题。因此，现有电压暂降源定位方法面对时变电网拓扑结构，电压暂降发生后的电气特征量将发生显著变化，从而导致现有方法难以实现精准的电压暂降源定位。
[0004]综上所述，目前基于数据驱动的电压暂降源定位方法仍存在如下难点问题亟待解决：
[0005]1.未考虑电网拓扑变化对电压暂降源定位结果的影响，导致数据驱动电压暂降源定位方法不可用。
[0006]2.未将电网拓扑变化作为数据驱动模型输入，模型的自适应性和泛化性能差。

技术实现思路

[0007]本专利技术的目的是提供一种计及时变拓扑时基于深度学习的电压暂降源定位方法，解决了现有方法在面对时变电网拓扑结构时，模型不可用、自适应性差、定位准确率低、算法泛化性能差的问题。
[0008]本专利技术所采用的技术方案是，计及时变拓扑时基于深度学习的电压暂降源定位方法，具体包括如下步骤：
[0009]步骤1，采集不同运行工况下的母线电压数据，将该样本数据作为基础电网拓扑结构对应的样本数据；
[0010]步骤2，计算经步骤1采集到样本数据的电压均方根值，若该电压均方根值下降为额定值的90％～10％，则将该电压均方值对应的样本数据构成一组电压暂降数据样本；否则将该样本数据从经步骤1采集到的样本数据中踢除，获得预处理后的监测电压数据；
[0011]步骤3，对步骤2得到的数据进行样本标注，每一个样本的输入数据为步骤2中预处理后的监测节点三相电压幅值数据，输出数据为配电网中具体的电压暂降源所在线路序列；
[0012]步骤4，将经步骤3标注后的样本数据进行随机划分，其中80％作为训练样本数据
集，剩余20％作为测试样本数据集；
[0013]步骤5，搭建1D卷积深度学习模型作为基础模型；
[0014]步骤6，利用步骤4中的训练样本数据集去训练步骤5中搭建的模型，使用反向传播算法进行参数更新，使用Adam优化器来进行训练，损失函数为交叉墒损失函数，得到训练后的基础模型最优神经网络参数；
[0015]步骤7，利用步骤4中的测试样本数据集对步骤6完成训练后所得到的模型进行测试，若未出现过拟合现象，则将该模型作为最后基础模型；否则，重新利用步骤4中的测试样本数据集对步骤6完成训练后所得到的模型进行测试，直至未出现过拟合现象；
[0016]步骤8，与步骤1中的基础电网拓扑相比较，一旦当基础电网拓扑在运行过程中因故障导致某一条或者多条支路发生变化，导致电网拓扑结构发生变化，冻结步骤6中含最优神经网络参数基础模型中的卷积层部分的权重值和参数值，全连接层不冻结；
[0017]步骤9，针对变化后的电网拓扑结构，利用步骤1中所述方法生成此时的样本数据，并按照步骤2的方法对该样本数据进行预处理后，按照步骤3的方法进行样本标注；
[0018]步骤10，按照步骤4的方法对步骤9中的样本数据进行训练集和测试集的划分；
[0019]步骤11，利用步骤10中的训练集，重新训练步骤8中其余未冻结部分的网络参数，获得在变化后电网拓扑结构时，所对应的1D卷积深度学习模型最优网络参数；
[0020]步骤12，利用步骤10中的测试样本数据集对步骤11完成训练后所得到的模型进行测试，若未出现过拟合现象，则将其部署到实际电网中，否则，重新利用步骤10中的测试样本数据集对步骤11完成训练后所得到的模型进行测试，直至未出现过拟合现象；
[0021]步骤13：将训练后所得到的最优模型部署到实际电网中，输入为实际监测到的全新数据，输出为电压暂降源定位结果。
[0022]本专利技术的特点还在于：
[0023]步骤1的具体过程为：
[0024]以IEEE 39节点网络模型作为基础模型，使用Matlab/simulink仿真软件进行建模生成仿真数据，共电压暂降源可能在的34条线路进行定位，选取4个监测节点，通过对所选取的4个监测节点的电压幅值进行分析，对电压暂降源可能在的线路进行定位，对所选取的节点的电压幅值进行采样，获取电压幅值采样数据，并对数据进行式(1)所示的归一化，获得预处理数据：
[0025][0026]其中，x
*
为归一化后的数据输出，x
max
为输入的样本数据中的最大值，x
min
为输入的样本数据中的最小值。
[0027]步骤3的具体过程为：
[0028]对经步骤2处理后得到的数据进行人工样本标注，每一个样本的输入数据为步骤2中预处理后的4个监测节点三相电压幅值数据，输出数据为配电网中具体的电压暂降源所在线路序列，即IEEE 39节点中的34条线路，使用数字1
‑
34表示。
[0029]步骤5的具体过程为：
[0030]基于1D卷积深度学习模型包括卷积层、池化层和全连接层；
[0031]X＝[x1，x2，...，x
t
，...，x
s
]T
作为模型输入传递到输入层，其中，X为步骤2预处理后
的4个监测节点采集电压时间序列，s为时间序列长度，序列数据经一维卷积运算映射为卷积层：
[0032]a
cj
＝f
r
(X*W
Cj
+b)(2)；
[0033]f
r
(z)＝max(z,0)(3)；
[0034]其中，*表示一维卷积运算；a
cj
表示由卷积核W
Cj
生成的第j个特征映射；卷积核W
Cj
为一个权值矩阵；b为偏置；f
r
(z)为激活函数。
[0035]步骤6的具体过程为：
[0036]对步骤5构建的模型使用步骤4的训练数据进行训练，使用反向传播算法进行参数更新，使用Adam优化器来进行训练，损失函数为交叉墒损失函数，输入数据为步骤2处理后的监测节点电压幅值样本数据，输出数据为步骤1中短路故障所在的线路编号1～34。
[0037]本专利技术的有益效果是，本专利技术通过采用基于1D卷积深度学习模型和迁移学习结合，对电能质量监测设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.计及时变拓扑时基于深度学习的电压暂降源定位方法，其特征在于：具体包括如下步骤：步骤1，采集不同运行工况下的母线电压数据，将该样本数据作为基础电网拓扑结构对应的样本数据；步骤2，计算经步骤1采集到样本数据的电压均方根值，若该电压均方根值下降为额定值的90％～10％，则将该电压均方值对应的样本数据构成一组电压暂降数据样本；否则将该样本数据从经步骤1采集到的样本数据中踢除，获得预处理后的监测电压数据；步骤3，对步骤2得到的数据进行样本标注，每一个样本的输入数据为步骤2中预处理后的监测节点三相电压幅值数据，输出数据为配电网中具体的电压暂降源所在线路序列；步骤4，将经步骤3标注后的样本数据进行随机划分，其中80％作为训练样本数据集，剩余20％作为测试样本数据集；步骤5，搭建1D卷积深度学习模型作为基础模型；步骤6，利用步骤4中的训练样本数据集去训练步骤5中搭建的模型，使用反向传播算法进行参数更新，使用Adam优化器来进行训练，损失函数为交叉墒损失函数，得到训练后的基础模型最优神经网络参数；步骤7，利用步骤4中的测试样本数据集对步骤6完成训练后所得到的模型进行测试，若未出现过拟合现象，则将该模型作为最后基础模型；否则，重新利用步骤4中的测试样本数据集对步骤6完成训练后所得到的模型进行测试，直至未出现过拟合现象；步骤8，与步骤1中的基础电网拓扑相比较，一旦当基础电网拓扑在运行过程中因故障导致某一条或者多条支路发生变化，导致电网拓扑结构发生变化，冻结步骤6中含最优神经网络参数基础模型中的卷积层部分的权重值和参数值，全连接层不冻结；步骤9，针对变化后的电网拓扑结构，利用步骤1中所述方法生成此时的样本数据，并按照步骤2的方法对该样本数据进行预处理后，按照步骤3的方法进行样本标注；步骤10，按照步骤4的方法对步骤9中的样本数据进行训练集和测试集的划分；步骤11，利用步骤10中的训练集，重新训练步骤8中其余未冻结部分的网络参数，获得在变化后电网拓扑结构时，所对应的1D卷积深度学习模型最优网络参数；步骤12，利用步骤10中的测试样本数据集对步骤11完成训练后所得到的模型进行测试，若未出现过拟合现象，则将其部署到实际电网中，否则，重新利用步骤10中的测试样本数据集对步骤11完成训练后所得到的模型进行测试，直至未出现过拟合现象；步骤13：将训练后所得到的最优模型部署到实际电网中，输入为实际监测到的全新数据，输出为电压暂降源定位结果。2.根据步骤1所述的计及时变拓扑时基于深度学习的电压暂降源定位方法，其特征在于：所述...

【专利技术属性】
技术研发人员：邓亚平，贾颢，同向前，王璐，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：