基于数据融合和改进麻雀算法的低压配电网故障预测方法技术

本发明专利技术公开了一种基于数据融合和改进麻雀算法的低压配电网故障预测方法，包括：从台区多源数据体系中获取不同系统数据，并对不同系统数据进行预处理，得到预处理后的不同系统数据；将所述预处理后的不同系统数据输入至预先设立的深度信念网络DBN模型中训练，预测得到不同系统数据的故障概率；所述训练是采用改进的麻雀算法ISSA优化DBN模型的初始权重，即通过精英反向学习策略搜索最优解，以免陷入局部最优；将所述不同系统数据的故障概率采用DS证据理论将不同系统数据的故障概率进行融合，得到故障预测的结果并输出。本发明专利技术通过利用改进的改进麻雀算法优化DBN模型初始权重，提高算法收敛速度，且融合多源数据，有效提高预测精确度。精确度。精确度。

【技术实现步骤摘要】
基于数据融合和改进麻雀算法的低压配电网故障预测方法


[0001]本专利技术属于电力系统故障预测
，具体涉及基于数据融合和改进麻雀算法的低压配电网故障预测方法。

技术介绍

[0002]随着社会经济的发展和人民生活水平的不断提高，配电网使用者对电网的安全性和可靠性的要求越来越高。配变台区运行状态的好坏直接关系到配电网的电能质量以及用户用电的可靠性，对人民生活水平和国民经济发展具有深刻的影响。随着人口数量的剧增，电荷负载不断加重，导致配电网中的数据量呈现海量增长趋势。大数据环境对电网结构造成对配电网故障诊断和预测的难度逐渐增大，配电网的安全问题日益突出，配电网安全事故频频发生。
[0003]现有故障预测方法大多数为针对高压变压器，针对低压配电台区的故障预测技术较少；且考虑因素仅为电力系统的相关运行数据，数据来源比较单一，没有充分利用电网大数据融合技术分析；现有台区故障预测技术只进行风险预警等级研究，无法判断故障发生概率和位置。本方法首先从多源数据体系获取数据，构建台区多源数据体系作为数据基础；其次利用DBN对带标签的历史故障数据完成模型训练，深度分析并特征提取；再将测试样本数据集输入已训练好的DBN模型进行故障预警及定位，最后考虑到所有数据来源于多个系统，引入DS证据理论对不同系统数据预测出的故障概率进行融合，得到最终预警结果。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于数据融合和改进麻雀算法的低压配电网故障预测方法，通过将气象因素和新能源体系相关数据作为数据体系纳入预测模型，融合多源数据，有效提高预测精确度。
[0005]为了达到上述目的，本专利技术采用以下技术方案：
[0006]本专利技术一方面提供了一种基于数据融合和改进麻雀算法的低压配电网故障预测方法，包括下述步骤：
[0007]从台区多源数据体系中获取多个不同系统数据，并对不同系统数据进行预处理，得到预处理后的不同系统数据；
[0008]将所述预处理后的不同系统数据输入至预先设立的深度信念网络DBN模型中训练，预测得到不同系统数据的故障概率；所述深度信念网络DBN模型包括多个RBM网络和BP神经网络；所述RBM网络用于无监督预训练；所述BP神经网络用于反向传播对RBM网络进行微调；
[0009]所述训练是采用改进的麻雀算法ISSA优化深度信念网络DBN模型的初始权重，即通过精英反向学习策略搜索最优解，利用RBM网络进行无监督预训练，使每层权重映射达到最优，同时利用BP神经网络将错误信息反向传播回每个RBM网络进行微调，直至满足精度要求，以免陷入局部最优；
[0010]采用DS证据理论将所述不同系统数据的故障概率进行融合，得到故障预测的结果并输出。
[0011]作为优选的技术方案，所述不同系统数据包括低压配电台区相关数据、气象数据和新能源体系相关数据。
[0012]作为优选的技术方案，所述预处理包括数据清洗、数据集成、数据变换和筛除离群样本数据；
[0013]所述数据清洗：是将数据样本中的不相关数据、冗余数据进行清除，同时处理有噪声影响的信息，并且对含有空值以及异常数据的情况进行处理；
[0014]所述数据集成：将多个数据样本源进行操作处理后，合并储存在一个统一的数据库中，方便后续对其调配使用；
[0015]所述数据变换：对数据样本进行归一化处理，消除数据样本中奇异样本数据对深度信念网络DBN模型训练及结果输出带来的不良影响；
[0016]所述筛除离群样本数据：采用基于K
‑
means的聚类算法，首先对每簇数据的质心进行计算，再分别计算每个数据元素最短的质心长度以及相对长度，并将临界值与相对长度比对，若数据项对应的相对长度大于临界值，则将该数据项视作离群样本并筛除。
[0017]作为优选的技术方案，所述RBM网络包括可视层和隐含层；可视层和隐含层的层间神经元双向全连接，层内神经元不连接，因此当隐含层被激活时，可视层也同样被激活。
[0018]作为优选的技术方案，所述采用改进的麻雀算法ISSA优化深度信念网络DBN模型的初始权重，即通过精英反向学习策略搜索最优解，利用RBM网络层进行无监督预训练，使每层权重映射达到最优，同时利用BP神经网络将错误信息反向传播回每个RBM网络进行微调，直至满足精度要求，以免陷入局部最优；具体为：
[0019]设x
i
(t)＝(x
i1
,x
i2
,
…
,x
id
)为麻雀种群中第t次迭代寻优的一个位置解，其位置反向解为f(x)为适应度函数；
[0020]当时，称x
i
(t)为此时的麻雀精英个体，记为N
pj
(t)，说明原位置解的搜索区域价值高，应加强对其周围领域的搜索；
[0021]当时，称x
i
(t)为麻雀种群第t次迭代寻优的普通个体，位置反向解的搜索价值要高于位置原解的搜索价值，应加强对其位置反解的搜索区域；其位置反向解见式为：
[0022][0023]式中：x
ij
为普通麻雀个体i在j维上的值；D为0～1的随机数；a
j
(t)为第t次迭代时麻雀个体i在j维上精英个体的最小值；b
j
(t)为第t次迭代时麻雀个体i在j维上精英个体的最大值。
[0024]最后，通过精英反向学习策略，在寻优迭代过程中以一定概率接收恶化解，对当前解与新解进行比较替换，提高其全局搜索能力，进而获取最优的故障特征信息。
[0025]作为优选的技术方案，所述采用DS证据理论将所述不同系统数据的故障概率进行融合，具体的：
[0026]设台区线路有I段，有J个用户，定义一个识别框架U，表示台区故障正常状态，共(I
+J+2)种情况，记每个系统DBN输出的故障概率集合为U
s
，则有：
[0027]U
s
＝{f
s
(F
1，s
)，f
s
(F
2，s
)，
…
，f
s
(F
I+1，s
)，f
s
(F
I+2，s
)，
…
，f
s
(F
I+J+1，s
)，f
s
(F
I+J+2，s
)，T}
[0028]其中，下标s＝1，2，3分别表示台区相关运行数据、所在地区气象数据和相关地区新能源体系相关数据；F
1，s
为第s个系统柱上变停电故障标签，f
s
(F
1，s
)为第s个系统DBN输出的柱上变停电故障概率；F
2，s
，
…
，F
I+1，s
为第s个系统线路1至线路I停电故障标签本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数据融合和改进麻雀算法的低压配电网故障预测方法，其特征在于，包括下述步骤：从台区多源数据体系中获取多个不同系统数据，并对不同系统数据进行预处理，得到预处理后的不同系统数据；将所述预处理后的不同系统数据输入至预先设立的深度信念网络DBN模型中训练，预测得到不同系统数据的故障概率；所述深度信念网络DBN模型包括多个RBM网络和BP神经网络；所述RBM网络用于无监督预训练；所述BP神经网络用于反向传播对RBM网络进行微调；所述训练是采用改进的麻雀算法ISSA优化深度信念网络DBN模型的初始权重，即通过精英反向学习策略搜索最优解，利用RBM网络进行无监督预训练，使每层权重映射达到最优，同时利用BP神经网络将错误信息反向传播回每个RBM网络进行微调，直至满足精度要求，以免陷入局部最优；采用DS证据理论将所述不同系统数据的故障概率进行融合，得到故障预测的结果并输出。2.根据权利要求1所述基于数据融合和改进麻雀算法的低压配电网故障预测方法，其特征在于，所述不同系统数据包括低压配电台区相关数据、气象数据和新能源体系相关数据。3.根据权利要求1所述基于数据融合和改进麻雀算法的低压配电网故障预测方法，其特征在于，所述预处理包括数据清洗、数据集成、数据变换和筛除离群样本数据；所述数据清洗：是将数据样本中的不相关数据、冗余数据进行清除，同时处理有噪声影响的信息，并且对含有空值以及异常数据的情况进行处理；所述数据集成：将多个数据样本源进行操作处理后，合并储存在一个统一的数据库中，方便后续对其调配使用；所述数据变换：对数据样本进行归一化处理，消除数据样本中奇异样本数据对深度信念网络DBN模型训练及结果输出带来的不良影响；所述筛除离群样本数据：采用基于K
‑
means的聚类算法，首先对每簇数据的质心进行计算，再分别计算每个数据元素最短的质心长度以及相对长度，并将临界值与相对长度比对，若数据项对应的相对长度大于临界值，则将该数据项视作离群样本并筛除。4.根据权利要求1所述基于数据融合和改进麻雀算法的低压配电网故障预测方法，其特征在于，所述RBM网络包括可视层和隐含层；可视层和隐含层的层间神经元双向全连接，层内神经元不连接，因此当隐含层被激活时，可视层也同样被激活。5.根据权利要求1所述基于数据融合和改进麻雀算法的低压配电网故障预测方法，其特征在于，所述采用改进的麻雀算法ISSA优化深度信念网络DBN模型的初始权重，即通过精英反向学习策略搜索最优解，利用RBM网络层进行无监督预训练，使每层权重映射达到最优，同时利用BP神经网络将错误信息反向传播回每个RBM网络进行微调，直至满足精度要求，以免陷入局部最优；具体为：设x
i
(t)＝(x
i1
，x
i2
，
…
，x
id
)为麻雀种群中第t次迭代寻优的一个位置解，其位置反向解为f(x)为适应度函数；当时，称x
i
(t)为此时的麻雀精英个体，记为N
pj
(t)，说明原位置解
的搜索区域价值高，应加强对其周围领域的搜索；当时，称x
i
(t)为麻雀种群第t次迭代寻优的普通个体，位置反向解的搜索价值要高于位置原解的搜索价值，应加强对其位置反解的搜索区域；其位置反向解见式为：式中：x
ij
为普通麻雀个体i在j维上的值；D为0～1的随机数；a
j
(t)为第t次迭代时麻雀个体i在j维上精英个体的最小值；b
j
(t)为第t次迭代时麻雀个体i在j维上精英个体的最大值；最后，通过精英反向学习策略，在寻优迭代过程中以一定概率接收恶化解，对当前解与新解进行比较替换，提高其全局搜索能力，进而获取最优的故障特征信息。6.根据权利要求1所述基于数据融合和改进麻雀算法的低压配电网故障预测方法，其特征在于，所述采用DS证据理论将所述不同系统数据的故障概率进行融合，具体的：设台区线路有I段，有J个用户，定义一个识别框架U，表示台区故障正常状态，共(I+J+2)种情况，记每个系统DBN输出的故障概率集合为U
s
，则有：U
s
＝{f
s
(F
1，s
)，f
s
(F
2，s
)，
…
，f
s
(F
I+1，s
)，f
s
(F
I+2，s
)，
…
，f
s
(F
I+J+1，s
)，f

【专利技术属性】
技术研发人员：黄文栋，童家鹏，索智鑫，伍衡，董选昌，王嘉延，张雨，赵志轩，罗林欢，陆宏治，周文锴，王德辉，陈怡，许卓佳，阮启洋，顾绍元，邓仁杰，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：