配电网区域故障预测模型构建方法及装置、电子设备制造方法及图纸

本申请提供了一种配电网区域故障预测模型构建方法及装置、电子设备，本申请属于故障识别技术领域，该方法包括：对配电网区域内历史运行数据进行预处理后进行故障风险等级划分确定初始故障特征；基于支持向量机模型

【技术实现步骤摘要】
配电网区域故障预测模型构建方法及装置、电子设备


[0001]本申请属于故障识别
，更具体地说，是涉及一种配电网区域故障预测模型构建方法及装置、电子设备。

技术介绍

[0002]目前，数据挖掘是指利用各种分析工具在大量数据中探索其规律和关系的过程。配电网故障预测往往需要分析多种故障影响因素，而数据挖掘技术可以很好地处理和分析大量配电网故障及其影响因素数据，并根据分析结果构建故障预测模型。
[0003]另外，传统的机器学习算法过分依赖于信号处理和专家经验提取故障特征，并且模型表达能力有限、泛化能力不足，在配电网故障预测领域的应用有一定的局限性。
[0004]因此，在电网故障预测领域，如何结合数据挖掘和智能算法以充分发挥各自的优势，同时实现配电网区域故障预测的准确预测成为本领域技术人员亟需解决的技术问题。

技术实现思路

[0005]本申请的目的在于提供一种配电网区域故障预测模型构建方法及装置、电子设备，以解决如何实现配电网区域故障预测的准确预测的技术问题。
[0006]本申请实施例的第一方面，提供了一种配电网区域故障预测模型构建方法，包括：
[0007]对配电网区域内历史运行数据进行预处理后进行故障风险等级划分确定初始故障特征；
[0008]基于支持向量机模型
‑
递归特征消除算法从所述初始故障特征中选取优化故障特征；
[0009]将所述优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型。
[0010]在一种可能的实现方式中，所述初始故障预测模型包括卷积层、池化层、全连接层和支持向量机分类器；其中，所述支持向量机分类器采用多类支持向量机。
[0011]在一种可能的实现方式中，将所述优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型包括：
[0012]将所述历史运行数据输入所述卷积层进行卷积处理；
[0013]将卷积转化后的特征输入所述池化层进行压缩；
[0014]将卷积池化后的特征图输入全连接层进行全局信息整合；
[0015]将整合后的信息输入所述支持向量机分类器进行特征多分类处理，确定目标故障预测模型。
[0016]在一种可能的实现方式中，还包括：基于目标函数和Adam优化算法对所述卷积神经网络的权重和偏置值进行更新；其中，所述目标函数为Loss函数。
[0017]在一种可能的实现方式中，还包括：基于网格搜索法进行寻优处理确定所述支持
向量机分类器的核函数和惩罚系数。
[0018]在一种可能的实现方式中，所述初始故障预测模型还包括批标准化层；所述批标准化层设置于所述卷积层和所述池化层之间。
[0019]在一种可能的实现方式中，所述对配电网区域内历史运行数据进行预处理，包括：
[0020]对配电网区域内历史运行数据进行数据清洗和数据变换，生成中间数据；
[0021]基于K
‑
Means聚类算法在所述中间数据中检测多维离群数据；
[0022]从所述中间数据中删除所述多维离群数据；
[0023]其中，所述数据清洗包括：删除历史运行数据中的无关数据、重复数据、平滑噪声数据，并筛掉与挖掘主题无关的数据以及处理缺失值和利用箱型图识别的异常值。
[0024]在一种可能的实现方式中，所述历史运行数据包括：配电网的运行数据、故障数据以及配电网所在地的气象数据；
[0025]所述配电网的运行数据包括架空线路长度、电缆长度、分支线数量、开关台数、配变数量、配变容量、月最大负荷和月平均负荷；
[0026]所述故障数据包括故障开始时间、故障停止时间和故障馈线；
[0027]所述气象数据包括月平均气温、月最高/低气温、月降水量等级、月雷暴日数等级和月大风日数等级；
[0028]所述初始故障特征包括：配变数量、配变容量、月最高气温、月最低气温、月平均气温和月大风日数等级。
[0029]本申请实施例的第二方面，提供了一种配电网区域故障预测模型构建，包括：
[0030]初始模块，用于对配电网区域内历史运行数据进行预处理后进行故障风险等级划分确定初始故障特征；
[0031]选取模块，用于基于支持向量机模型
‑
递归特征消除算法从所述初始故障特征中选取优化故障特征；
[0032]模型训练模块，用于将所述优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型。
[0033]本申请实施例的第三方面，提供了一种电力系统，所述电力系统包括控制终端，所述控制终端包括存储器、处理器以及存储在所述存储器中并可在所述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的配电网区域故障预测模型构建方法的步骤。
[0034]本申请提供的配电网区域故障预测模型构建方法及装置、电子设备的有益效果在于：
[0035]1、结合了数据挖掘技术对原始数据进行了预处理，保证后续模型训练的精确度；
[0036]2、基于改进后的结合算法模型即支持向量机模型
‑
递归特征消除算法从初始故障特征中选取优化故障特征，不仅保留了原来算法的特点，并将每次迭代后属性去留的决定交给属性权重与模型性能同时决定，令模型性能具有绝对话语权，并且算法能够在模型性能下降时自动终结，不需给定最终保留的属性数量，减少人为因素对模型的影响，从而保证选出的故障特征变量更加合理可靠；
[0037]3、综合卷积神经网络和支持向量机构建初始故障预测模型，初始故障预测模型作为深度学习模型有强大的表达能力，将特征提取与分类识别融为一体，降低对信号处理技
术依赖的同时也满足了配电网大数据背景下海量、高维数据的分析需求；
[0038]4、构建目标故障预测模型过程中有机结合数据挖掘和智能算法，可以在初始故障特征选取、优化故障特征和目标故障预测模型确定过程中充分发挥各自的优势，从而实现基于目标故障预测模型进行配电网区域故障预测时提高预测准确度的有益效果。
附图说明
[0039]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]图1为本申请一实施例提供的配电网区域故障预测模型构建方法的流程示意图；
[0041]图2为本申请一实施例提供的支持向量机模型“一对一”法的算法结构示意图；
[0042]图3为本申请一实施例提供的对综合卷积神经网络和支持向量机构建的初始故障预测模型的训练流程示意图；
[0043]图4为本申请一实施例基于配电网区域内历史运行数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网区域故障预测模型构建方法，其特征在于，包括：对配电网区域内历史运行数据进行预处理后进行故障风险等级划分确定初始故障特征；基于支持向量机模型
‑
递归特征消除算法从所述初始故障特征中选取优化故障特征；将所述优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型。2.如权利要求1所述的配电网区域故障预测模型构建方法，其特征在于，所述初始故障预测模型包括卷积层、池化层、全连接层和支持向量机分类器；其中，所述支持向量机分类器采用多类支持向量机。3.如权利要求2所述的配电网区域故障预测模型构建方法，其特征在于，将所述优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型包括：将所述历史运行数据输入所述卷积层进行卷积处理；将卷积转化后的特征输入所述池化层进行压缩；将卷积池化后的特征图输入全连接层进行全局信息整合；将整合后的信息输入所述支持向量机分类器进行特征多分类处理，确定目标故障预测模型。4.如权利要求3所述的配电网区域故障预测模型构建方法，其特征在于，还包括：基于目标函数和Adam优化算法对所述卷积神经网络的权重和偏置值进行更新；其中，所述目标函数为Loss函数。5.如权利要求3所述的配电网区域故障预测模型构建方法，其特征在于，还包括：基于网格搜索法进行寻优处理确定所述支持向量机分类器的核函数和惩罚系数。6.如权利要求2至5任一项所述的配电网区域故障预测模型构建方法，其特征在于，所述初始故障预测模型还包括批标准化层；所述批标准化层设置于所述卷积层和所述池化层之间。7.如权利要求1所述的配电网区域故障预测模型构建方法，其特征...

【专利技术属性】
技术研发人员：马天祥，庞先海，关巍，朱斌，李丹，赵明伟，张姿姿，李小玉，
申请(专利权)人：国网河北能源技术服务有限公司国家电网有限公司，
类型：发明
国别省市：