一种基于全维度和深度学习的有源配电网重过载预警方法技术

本发明专利技术公开了一种基于全维度和深度学习的有源配电网重过载预警方法，属于配电网优化技术领域，该方法通过收集配变台区的重过载历史全维度数据，并进行数据清洗及预处理，得到处理后的全维度数据；基于处理后的全维度数据利用CNN

【技术实现步骤摘要】
一种基于全维度和深度学习的有源配电网重过载预警方法


[0001]本专利技术涉及配电网优化
，特别涉及一种基于全维度和深度学习的有源配电网重过载预警方法。

技术介绍

[0002]随着地区经济持续发展，企业用电负荷相应快速增长，为满足地区用电需求，电力企业在配电网改造、升级、建设等方面不断增大投人，由于地区发展不均衡性、配网投资精准性、配网结构复杂性、突发事件偶然性等内外部原因，配电变压器时常发生重过载现象。变压器长期重过载运行会造成绝缘层加速老化，适用寿命下降、设备故障增加、严重者甚至造成事故，从而导致供电可靠性下降，客户投诉率上升，服务满意度下降。针对配变重过载情况，电力企业更多关注是对用电质量实时监测和事后评价，缺乏对未来事件有效预警机制，很难充分发挥事前引导作用。随着信息化快速发展，电力企业已完成企业资源计划ERP、生产管理系统PMS、气象用电信息采集、GIS地理等信息系统建设，实现了配变设备信息、运行信息、气象信息、地理信息等数据有效采集、存储，为配变重过载预警分析提供有效的数据基础。
[0003]现已有研究将基于机器学习的预测方法应用于配电变压器重过载预测。根据重过载事件判断依据，将重过载预测问题转化为预测台区负载状态、台区日最高负载、重过载事件发生概率；在先验经验的基础上，利用关联规则挖掘各类重过载事件的影响因素，通过建立机器学习模型实现预测；结合用户类型、气象因素和历史负荷的影响，提出基于逻辑回归的重过载中期预测方法等。
[0004]现有研究对特定的预测对象均取得较好的预测效果，但通过获取的重过载预测模型缺乏泛化能力，不能适应大规模配电网的快速分析，且电力状态预测过程中需要将负荷时序数据离散化为等级数据，导致了历史负荷数据信息丢失问题。

技术实现思路

[0005]本专利技术实施例提供了一种基于全维度和深度学习的有源配电网重过载预警方法，至少在一定程度上解决重过载预测模型缺乏泛化能力，不能适应大规模配电网的快速分析的问题。
[0006]根据本专利技术实施例的一方面，提供了一种基于全维度和深度学习的有源配电网重过载预警方法，包括：收集配变台区的重过载历史全维度数据，并进行数据清洗及预处理，得到处理后的全维度数据；
[0007]基于处理后的全维度数据，利用CNN
‑
GRU混合网络模型构建有源配电网重过载预测模型，所述有源配电网重过载预测模型的输入为处理后的全维度数据，所述有源配电网重过载预测模型的输出为有源配电网重过载预测结果；
[0008]根据所述有源配电网重过载预测结果和预警等级及阈值得出预警状态。
[0009]可选地，还包括对所述有源配电网重过载预测模型进行模型评估。
[0010]可选地，所述配变台区的重过载历史全维度数据包括：与配变台区重过载相关的用户信息、电气设备信息、环境信息、用电负荷特征信息和电气设备运行状况信息。
[0011]可选地，所述预处理包括：对重过载历史全维度数据中的缺失项进行补齐；并将重过载历史全维度数据中的文本数据转换成数值型数据；将处理后的数据划分为训练数据、测试数据、验证数据。
[0012]可选地，采用tensorflow.keras.layer构建CNN
‑
GRU混合网络模型。
[0013]可选地，所述预警状态包括：预警等级、负载率、显示颜色以及配变状态。
[0014]根据本专利技术实施例的另一方面，还提供了一种基于全维度和深度学习的有源配电网重过载预警装置，包括：
[0015]数据手机模块，用于收集配变台区的重过载历史全维度数据，并进行数据清洗及预处理，得到处理后的全维度数据；
[0016]有源配电网重过载预测模型构建模块，用于基于处理后的全维度数据，利用CNN
‑
GRU混合网络模型构建有源配电网重过载预测模型，所述有源配电网重过载预测模型的输入为处理后的全维度数据，所述有源配电网重过载预测模型的输出为有源配电网重过载预测结果；
[0017]预警模块，用于根据所述有源配电网重过载预测结果和预警等级及阈值得出预警状态。
[0018]可选地，还包括模型评估模块，用于对所述有源配电网重过载预测模型进行模型评估。
[0019]根据本专利技术实施例的另一方面，还提供了一种基于全维度和深度学习的有源配电网重过载预警系统，所述基于全维度和深度学习的有源配电网重过载预警系统包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述任意一项所述的基于全维度和深度学习的有源配电网重过载预警方法。
[0020]根据本专利技术实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的基于全维度和深度学习的有源配电网重过载预警方法。
[0021]与现有的技术相比，本专利技术具有如下有益效果：
[0022]本专利技术实施例中，通过收集配变台区的重过载历史全维度数据，并进行数据清洗及预处理，得到处理后的全维度数据；基于处理后的全维度数据，利用CNN
‑
GRU混合网络模型构建有源配电网重过载预测模型，所述有源配电网重过载预测模型的输入为处理后的全维度数据，所述有源配电网重过载预测模型的输出为有源配电网重过载预测结果；根据所述有源配电网重过载预测结果和预警等级及阈值得出预警状态。可以根据预测结果制定重过载预防处置方法，为配变台区的设备维保提供全面有效的依据。减少了配电台区重过载事故发生的概率，减少经济损失，提高设备使用寿命，提升用户对于电网服务的满意度。
附图说明
[0023]为了更清楚地说明本专利技术的技术方案，下面将对实施例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专利技术的一个实施例，对于本领域普
通技术人员来说，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。
[0024]图1是根据本专利技术实施例的一种基于全维度和深度学习的有源配电网重过载预警方法的流程图；
[0025]图2是根据本专利技术实施例的CNN
‑
GRU预测模型结构示意图。
具体实施方式
[0026]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0027]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0028]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全维度和深度学习的有源配电网重过载预警方法，其特征在于，包括：收集配变台区的重过载历史全维度数据，并进行数据清洗及预处理，得到处理后的全维度数据；基于处理后的全维度数据，利用CNN
‑
GRU混合网络模型构建有源配电网重过载预测模型，所述有源配电网重过载预测模型的输入为处理后的全维度数据，所述有源配电网重过载预测模型的输出为有源配电网重过载预测结果；根据所述有源配电网重过载预测结果和预警等级及阈值得出预警状态。2.根据权利要求1所述的基于全维度和深度学习的有源配电网重过载预警方法，其特征在于，还包括对所述有源配电网重过载预测模型进行模型评估。3.根据权利要求1所述的基于全维度和深度学习的有源配电网重过载预警方法，其特征在于，所述配变台区的重过载历史全维度数据包括：与配变台区重过载相关的用户信息、电气设备信息、环境信息、用电负荷特征信息和电气设备运行状况信息。4.根据权利要求1所述的基于全维度和深度学习的有源配电网重过载预警方法，其特征在于，所述预处理包括：对重过载历史全维度数据中的缺失项进行补齐；并将重过载历史全维度数据中的文本数据转换成数值型数据；将处理后的数据划分为训练数据、测试数据、验证数据。5.根据权利要求1所述的基于全维度和深度学习的有源配电网重过载预警方法，其特征在于，采用tensorflow.keras.layer构建CNN
‑
GRU混合网络模型。6.根据权利要求1所述的基于全维度和深度学习的有源配电网重过载预警方法，...

【专利技术属性】
技术研发人员：李珊，刘鹏，黎蓓，黄维，胡刚，吴丽芳，俞小勇，陆新，张炜，邬蓉蓉，姚知洋，欧阳健娜，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：