【技术实现步骤摘要】
一种台区停电故障预警方法和系统
[0001]本专利技术涉及低压配电区停电故障预警
，尤其涉及一种台区停电故障预警和系统。
技术介绍
[0002]低压配电台区作为配电系统中的一个关键环节，其安全性关系到整个配电系统的安全稳定运行和用户的切身利益。台区因自身结构复杂，主要设备工作环境复杂、干扰因素众多，故障频发。且多数台区缺乏有效的停电预警及定位功能，因此极易受各种因素影响而停电。据相关统计，在用户停电事件中，80％以上都是配电网系统发生故障引起的，配电网系统故障不仅会给用户带来停电损失，也会对上游的发输电系统造成不可估量的经济损失和安全危害，甚至对整个国民经济发展都会造成较大影响。因此，加强对台区故障停电预警及定位的研究具有重大的现实意义。
[0003]目前，针对配电台区的停电预警技术，主要是侧重于对大电网进行整体监测，对中高压电网的故障预警研究相对较多，较少涉及低压台区的停电故障预警。现有技术对于配电网故障预警诊断主要是对开关保护的动作信息进行判断与分析，从而找到故障元件。
[0004]但是，这类方法并...
【技术保护点】
【技术特征摘要】
1.一种台区停电故障预警方法，其特征在于，包括：获取多种台区数据并进行归一化，得到多种待预警数据；通过目标DBN模型对各种所述待预警数据分别进行设备故障预测，生成多个设备故障概率向量；采用全部所述设备故障概率向量进行数据融合，生成设备综合故障概率向量；计算所述设备综合故障概率向量内各个设备综合故障概率分别对应的信度函数值，选取最大的信度函数值所属的设备标签作为台区故障设备标签；基于所述台区故障设备标签对应的综合故障概率、停电系数和使用年限，计算所述台区故障设备标签对应的故障预警时间；采用所述台区故障设备标签和所述故障预警时间，生成预警信息并输出。2.根据权利要求1所述的台区停电故障预警方法，其特征在于，所述方法还包括：采用多层RBM网络结构和一层BP网络结构构建初始DBN模型；获取台区历史数据并进行归一化，得到历史训练数据；通过所述历史训练数据训练所述初始DBN模型，生成目标DBN模型。3.根据权利要求2所述的台区停电故障预警方法，其特征在于，所述通过历史训练数据训练所述初始DBN模型，生成DBN模型的步骤，包括：将所述历史训练数据输入至首层所述RBM网络结构；通过多层所述RBM网络结构生成目标神经元激活状态数据并输送至所述BP网络结构，并通过BP网络结构对各层所述RBM网络结构进行反向微调；若所述反向微调的次数未达到预设的迭代阈值，则跳转执行将所述历史训练数据输入至首层所述RBM网络结构的步骤；若所述反向微调的次数达到预设的迭代阈值，则采用当前时刻的多层所述RBM网络结构和所述BP网络结构，生成目标DBN模型。4.根据权利要求3所述的台区停电故障预警方法，其特征在于，所述RBM网络结构包括可视层和隐含层；所述通过多层所述RBM网络结构生成目标神经元激活状态数据并输送至所述BP网络结构，并通过BP网络结构对各层所述RBM网络结构进行反向微调的步骤，包括：从多层所述RBM网络结构选取首个可视层作为当前时刻的队首可视层；将所述历史训练数据输入到所述队首可视层；通过所述队首可视层计算关联的所述隐含层的中间神经元激活状态数据；从所述中间神经元激活状态数据中按照预设规则选取一个激活概率重构所述队首可视层，生成更新可视层；计算所述更新可视层关联的隐含层的神经元激活概率并重构，生成更新隐含层；将所述中间神经元激活状态数据作为新的历史训练数据，并从未选取的所述RBM网络结构中选取首个可视层作为当前时刻新的队首可视层；跳转执行所述将所述历史训练数据输入到所述队首可视层的步骤，直至全部所述RBM网络结构被选取。5.根据权利要求1所述的台区停电故障预警方法，其特征在于，所述采用全部所述设备故障概率向量进行数据融合，生成设备综合故障概率向量的步骤，包括：若所述设备故障概率向量不为空集时，将所述各个设备故障概率输入到融合函数中，
分别生成设备综合故障概率；采用全部所述设备综合故障概率生成设备综合故障概率向量；其中，所述融合函数为：式中：为T
l
时刻下融合后的k设备对应的设备故障状态标签，时刻下融合后的k设备对应的设备故障状态标签，和是的任意子集，的任意子集，的任意子集，为s系统在T
l
时刻下的k设备发生故障的概率，为T
l
时刻下的k设备对应的设备故障状态标签，取值为1表示故障状态，取值为0表示非故障状态，s＝1,2,3，分别表示配电自动化系统、用户用电信息采集系统和气象信息采集系统，k为设备的...
【专利技术属性】
技术研发人员：钱利宏，杨昆，郭晓燕，彭穗，娄源媛，刘新苗，赵紫辉，欧仲曦，顾延勋，
申请(专利权)人：广东电网有限责任公司珠海供电局，
类型：发明
国别省市：
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。