基于深度学习的城市内涝配电网故障预警方法及系统技术方案

一种基于深度学习的城市内涝配电网故障预警方法及系统

【技术实现步骤摘要】
基于深度学习的城市内涝配电网故障预警方法及系统


[0001]本申请属于配电网故障预警
，尤其涉及一种基于深度学习的配电网故障预警方法，以提高内涝灾害下配电网的故障预警准确性
。

技术介绍

[0002]配电网是城市基础设施中重要的组成部分，是由架空线路
、
电缆
、
杆塔
、
配电变压器
、
隔离开关
、
无功补偿器及一些附属设施等组成的，在电力网中起重要分配电能作用的网络
。
配电网具有电压等级多，网络结构复杂，设备类型多样，作业点多面广，安全环境相对较差等特点，因此配电网的安全风险因素也相对较多
。
另外，由于配电网的功能是为各类用户提供电力能源，这就对配网的安全可靠运行提出更高要求，而近年来频繁发生的城市内涝对城市配电网的正常运行造成了严重影响，造成了巨大的经济损失
。
因此，在城市内涝条件下，如何对配电网进行故障预警，保障电力供应的稳定性和安全性，成为了亟待解决的研究重点
>。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的城市内涝配电网故障预警方法，其特征在于，所述预警方法包括以下步骤：步骤1：基于城市地理信息，构建内涝模型；步骤2：根据设备老化程度，建立设备老化模型；步骤3：将内涝模型
、
设备老化模型与电网数据关联映射，构建数据集并生成相应的标签；步骤4：基于深度神经网络模型构建故障预警模型，将步骤3所得到的数据集和相应的标签作为输入样本，训练和验证所述故障预警模型；步骤5：将实时的设备老化数据集和城市内涝模型数据输入到训练后的故障预警模型中，根据所述故障预警模型进行故障预警
。2.
根据权利要求1所述的一种基于深度学习的城市内涝配电网故障预警方法，其特征在于：在步骤1中，通过分析降雨量
、
城市建筑物分布
、
绿化率与配电设备地理位置相关数据，来构建城市的内涝模型，获得配电设备所处子汇水区的内涝深度
。3.
根据权利要求2所述的一种基于深度学习的城市内涝配电网故障预警方法，其特征在于：将获取的城市建筑物
、
水资源及绿化率数据转化为
shapefile
格式文件，利用地图制作软件
ArcMap
中的“创建
Tin”工具依据城市表面的高度实现不规则三角网区域
Tin
的划分，每个三角形的顶点都包含该点的高度信息；将土地利用文件与
Tin
三角形进行相交运算，并计算每个三角形对应的不透水面积占比；导出
Tin
三角形文件，并根据不同三角形节点的高程信息实现汇水区的划分：水从三角形三个节点的最低点流出，当最低点的相邻点中有高度更低的点，积水继续流出至相邻点中的最低点，直至该点周围没有更低点
。4.
根据权利要求3所述的一种基于深度学习的城市内涝配电网故障预警方法，其特征在于：汇水区
i
的积水量计算公式为：
Q
i
＝
(Q
fi
‑
Q
pi
‑
Q
di
)+(Q
i_in
‑
Q
i_out
)Q
fi
为降雨量，由待预警区域的暴雨强度公式求解得到；
Q
pi
＝
(1
‑
δ
)Q
fi
为下渗雨量，
δ
由汇水区的不透水面积占比确定；
Q
di
为排水雨量，在实际应用时设置为恒定值；
(Q
i_in
‑
Q
i_out
)
为汇流量，
Q
i_in
是从周边汇水区流进汇水区
i
的水量，
Q
i_out
是从汇水区
i
流向周边的水量
。5.
根据权利要求4所述的一种基于深度学习的城市内涝配电网故障预警方法，其特征在于：汇流量
(Q
i_in
‑
Q
i_out
)
的计算为下式：其中
A
为汇水区出水口处水流的垂直剖面积，
α
为坡地常数，
S
为汇水区平均坡度；求解不同暴雨强度下每个汇水区的积水量，进而确定配电网设备所处位置的内涝深度
。6.
根据权利要求1或5所述的一种基于深度学习的城市内涝配电网故障预警方法，其特
征在于：在步骤2中，设备的老化概率会受到运行时间的影响，设备在运行时间
t
内的故障概率为下式：其中，
η
为设备的平均寿命；
k
为形状参数，描述设备的变化趋势，相关参数根据设备的历史寿命情况进行确定
。7.
根据权利要求1所述的一种基于深度学习的城市内涝...

【专利技术属性】
技术研发人员：姚德贵，周宁，宋伟，李丰君，刘金，李更丰，孙思源，别朝红，李文轩，董轩，尚德，徐铭铭，冯光，陈明，尚博文，牛荣泽，谢芮芮，朱全胜，郭剑黎，彭磊，郭祥富，
申请(专利权)人：西安交通大学国网河南省电力公司，
类型：发明
国别省市：