CN117791597B - 基于机器学习的配电网故障自愈方法和系统 - Google Patents
基于机器学习的配电网故障自愈方法和系统 Download PDFInfo
- Publication number
- CN117791597B CN117791597B CN202410199486.XA CN202410199486A CN117791597B CN 117791597 B CN117791597 B CN 117791597B CN 202410199486 A CN202410199486 A CN 202410199486A CN 117791597 B CN117791597 B CN 117791597B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- data
- healing
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 69
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000011084 recovery Methods 0.000 claims description 23
- 238000012546 transfer Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000008113 selfheal Nutrition 0.000 description 2
- 241001529739 Prunella <angiosperm> Species 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了基于机器学习的配电网故障自愈方法和系统，涉及配电网故障自愈技术领域。通过训练好的配电网故障自愈模型输出复电方案，并根据复电方案自动对开关进行控制，大大减少了配电网故障自愈过程中的人工分析和干预，提升了配电网故障自愈的效率和可靠性，实现在设计和运行配电网自愈系统时，将机器学习与配电网故障自愈相结合，提高系统的自动化水平。在获取通过配电网故障自愈模型的训练数据时，对历史运行数据进行特征选择以及重要性排序，获取排在前N个的参数，大大减少了模型的计算规模，提高了故障处理的效率与准确度。
Description
技术领域
本发明涉及配电网故障自愈技术领域，尤其涉及基于机器学习的配电网故障自愈方法和系统。
背景技术
配电网自愈是指配电网的自我预防、自我恢复的能力，这种能力来源于对配电网重要参数的检测和有效的控制策略。当配电网发生故障时，通过主站系统和配电自动化开关实现故障线路的快速隔离，非故障线路的快速复电，从而减少停电范围、复电时间，提高供电可靠性。
现有配电网自愈的实现主要依赖于馈线终端单元（FTU）和配网主站系统。当馈线发生故障后，主站系统根据馈线出口开关跳闸信号、保护动作信号、配电终端上送的故障信号，进行故障诊断定位，自动执行故障隔离方案、故障上游恢复方案、故障下游最优恢复方案，自动完成故障区域定位、隔离及非故障区域负荷转供。在配电网自愈系统中，虽然大部分环节都是自动化的，但仍有一些环节需要人为参与，比如：
故障诊断和分析：虽然配电网自愈系统能够自动检测电网故障，但在某些情况下，故障诊断和分析可能需要人为的干预，例如，当系统无法准确识别故障类型或故障位置时，可能需要人工对故障数据进行深入分析和判断；
系统维护和升级：为了确保配电网自愈系统的正常运行，需要定期进行系统维护和升级工作，包括检查系统硬件和软件的状态、更新系统补丁、优化系统性能等，这些工作可能需要由专业的维护工程师来完成；
虽然人为参与在某些环节是必要的，但过多的干预可能会降低配电网自愈系统的效率和可靠性。目前机器学习发展已经越来越成熟，得益于机器学习在处理大量数据、预测和识别能力、自适应和学习能力以及减少人工干预方面的优势，将机器学习与配电网故障自愈相结合的研究很有必要。
发明内容
本发明提供基于机器学习的配电网故障自愈方法和系统，以实现在设计和运行配电网自愈系统时，将机器学习与配电网故障自愈相结合，提高系统的自动化水平。
基于机器学习的配电网故障自愈方法，包括如下步骤：
步骤S1，配电网数据收集：收集配电网的历史运行数据，包括配电网正常运行的电网状态信息和故障发生时的电网状态信息，以及相应的复电策略；
步骤S2，数据预处理：对所述历史运行数据进行预处理；
步骤S3，数据选择：通过将故障发生时的电网状态信息与正常运行的电网状态信息进行对比，获取预处理的数据中与故障相关的参数；
步骤S4，训练集获取：对与故障相关的参数进行重要性排序，获取排在前N个的参数，由所述排在前N个的参数对应的数据与所述相应的复电策略组成训练集；
步骤S5，模型构建与训练：构建配电网故障自愈模型，并采用所述训练集对配电网故障自愈模型进行训练，获取训练好的配电网故障自愈模型；所述配电网故障自愈模型的目标函数包括：恢复失电总负荷最多函数、系统有功损耗最小函数、开关操作次数最小函数、负荷转移最小函数；
步骤S6，故障识别与自愈：将待测的配电网运行数据输入所述配电网故障自愈模型，输出复电方案，系统根据复电方案自动对开关进行控制；
步骤S7，历史运行数据更新：将本次配电网故障自愈的相关数据保存至历史运行数据。
进一步的，所述步骤S1中，所述电网状态信息包括：电压和电流数据、功率和频率数据、电网拓扑结构信息、保护装置动作信息、设备状态信息、通信数据、气象和环境数据。
进一步的，所述步骤S2中，所述数据预处理包括：数据清洗、数据标准化、数据平衡、噪声和异常值处理。
进一步的，所述步骤S4中，对与故障相关的参数进行重要性排序，获取排在前N个的参数，具体为：
步骤S41，根据所述故障发生时的电网状态信息，获取故障发生时受到影响的参数；
步骤S42，统计所有受到影响的参数出现的概率，按照概率从大到小进行排序，获取排在前N个的参数。
进一步的，所述配电网故障自愈模型由RNN模型构成，输入层为1层，神经元数量为5个，隐藏层选择LSTM，层数为2层，每层的神经元数量为128个，输出层为1层，神经元数量为3个，激活函数为softmax函数。
进一步的，所述恢复失电总负荷最多函数公式为：
（1）
其中，F(L)为恢复失电总负荷函数，Lk为断电时连接第k条母线的载荷，yk代表分布状态改变系数，yk= 1代表失电已恢复，yk= 0 代表失电未恢复，J 表示母线总数。
进一步的，所述系统有功损耗最小函数公式为：
（2）
其中，是配电网供应电源恢复后的有功功率消耗，Ir为第r个支路工作电流振荡幅值，Rr为第r个支路电阻，h为配电网系统的支路总量。
进一步的，所述开关操作次数最小函数公式为：
（3）
其中，F(C,D)为开关操作次数函数，m表示在配电网中未拉开的隔离开关，n表示在配电网中已拉开的隔离开关，Ci为1表示隔离开关i在恢复中维持闭合状态，Ci为0则表示隔离开关i在故障恢复中开启，Dj为1表示反映联络控制开关j在恢复中由开启转化为关闭，Dj为0表示反映联络控制开关j在恢复中维持开启分布状态。
进一步的，所述负荷转移最小函数公式为：
（4）
其中，Qs为负荷转移函数，T为开启的分段控制开关下游的所有连接母线集，Qq为第q条母线转移的负荷量。
基于机器学习的配电网故障自愈系统，使用如上任一项所述的基于机器学习的配电网故障自愈方法，包括如下部分：
配电网数据收集模块：用于收集配电网的历史运行数据，包括配电网正常运行的电网状态信息和故障发生时的电网状态信息，以及相应的复电策略；
数据预处理模块：与所述配电网数据收集模块连接，用于对所述历史运行数据进行预处理；
数据选择模块：与所述数据预处理模块连接，用于通过将故障发生时的电网状态信息与正常运行的电网状态信息进行对比，获取预处理的数据中与故障相关的参数；
训练集获取模块：与所述数据选择模块连接，用于对与故障相关的参数进行重要性排序，获取排在前N个的参数，将所述排在前N个的参数对应的数据与所述相应的复电策略组成训练集；
模型构建与训练模块：与所述训练集获取模块连接，用于构建配电网故障自愈模型，并采用所述训练集对配电网故障自愈模型进行训练，获取训练好的配电网故障自愈模型；所述配电网故障自愈模型的目标函数包括：恢复失电总负荷最多函数、系统有功损耗最小函数、开关操作次数最小函数、负荷转移最小函数；
故障识别与自愈模块：与所述模型构建与训练模块连接，用于将待测的配电网数据输入所述配电网故障自愈模型，输出复电方案，系统根据复电方案自动对开关进行控制；
历史运行数据更新模块：与所述故障识别与自愈模块连接，用于将本次配电网故障自愈的相关数据保存至历史运行数据。
与现有技术相比较，本发明的有益效果在于：
其一，本发明通过训练好的配电网故障自愈模型输出复电方案，并根据复电方案自动对开关进行控制，大大减少了配电网故障自愈过程中的人工分析和干预，提升了配电网故障自愈的效率和可靠性；
其二，本发明在获取通过配电网故障自愈模型的训练数据时，先对历史运行数据进行特征选择，剔除了与故障无关的参数，再对与故障相关的参数进行重要性排序，获取排在前N个的参数，大大降低了模型的计算规模，提高了故障处理的效率与准确度；
其三，本发明确定了对配电网故障自愈模型影响较大的目标函数，包括：恢复失电总负荷最多函数、系统有功损耗最小函数、开关操作次数最小函数、负荷转移最小函数，并进行求解，输出对开关控制的复电方案，为自愈模型提供明确的优化方向，使得模型能够在发生故障时迅速、准确地做出决策，以实现电网的快速恢复和供电保障。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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它的附图。
图1为基于机器学习的配电网故障自愈方法流程示意图；
图2为基于机器学习的配电网故障自愈系统结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
下面结合附图对本发明的具体实施方式做出说明。
本发明提出了基于机器学习的配电网故障自愈系统和方法，通过训练好的配电网故障自愈模型输出复电方案，并根据复电方案自动对开关进行控制，大大减少了配电网故障自愈过程中的人工分析和干预，提升了配电网故障自愈的效率和可靠性，实现在设计和运行配电网自愈系统时，将机器学习与配电网故障自愈相结合，提高系统的自动化水平。
实施例1：如图1所示，本发明提出了基于机器学习的配电网故障自愈方法，包括如下步骤：
步骤S1，配电网数据收集：收集配电网的历史运行数据，包括配电网正常运行的电网状态信息和故障发生时的电网状态信息，以及相应的复电策略。
所述电网状态信息包括：电压和电流数据、功率和频率数据、电网拓扑结构信息、保护装置动作信息、设备状态信息、通信数据、气象和环境数据。
电压和电流数据：实时监测各节点的电压和电流值，可以判断电网是否出现过电压、欠电压、过电流等异常情况。这些异常通常是故障发生的前兆或直接表现。
功率和频率数据：监测电网的功率流和频率变化，有助于识别电网是否失去平衡或发生频率偏移。这对于诊断发电机故障、负荷不平衡等问题非常有用。
电网拓扑结构信息：了解电网的拓扑结构，包括开关状态、线路连接关系等，对于故障定位和隔离至关重要。在故障发生时，通过对比正常状态和故障状态下的拓扑结构，可以快速定位故障区域。
保护装置动作信息：电网中的保护装置（如断路器、继电器等）在故障发生时会自动动作，切断故障电流。收集这些保护装置的动作信息，可以了解故障的类型和位置。
设备状态信息：实时监测电网中设备的运行状态，如变压器、开关、电容器等的温度、负载率等参数，有助于及时发现设备故障或异常。
通信数据：通过通信系统收集的数据，可以实时监测电网的运行状态，包括开关位置、遥测数据等。这些数据对于故障诊断和自愈非常重要。
气象和环境数据：气象和环境因素（如风速、温度、湿度等）可能对电网运行产生影响，导致故障发生。收集这些数据有助于分析故障原因和预测未来可能的故障。
步骤S2，数据预处理：对所述历史运行数据进行预处理。
所述数据预处理包括：数据清洗、数据标准化、数据平衡、噪声和异常值处理。
数据清洗：历史故障数据中可能存在错误、异常或重复的数据，这些数据如果不进行清洗，可能会干扰后续的数据分析和模型训练。数据清洗包括去除重复数据、纠正错误数据、处理缺失值等，确保数据的准确性和一致性。
数据标准化：由于配电网故障数据可能来自不同的数据源或采集设备，数据的量纲和范围可能存在差异。数据标准化可以将数据转换到同一量纲和范围，消除不同特征之间的量纲影响，提高数据的可比性和模型的性能。
特征提取：原始的配电网故障数据可能包含大量的特征，但并不是所有特征都对故障分类和预测有重要作用。特征提取的目的是从原始数据中提取出对故障分类和预测有重要影响的特征，减少数据的维度，提高模型的效率和性能。
数据平衡：在实际应用中，配电网故障数据的分布可能不均衡，即某些故障类型的样本数量可能远多于其他类型。数据不平衡可能导致模型在训练时偏向多数类样本，从而影响模型的泛化性能。通过数据预处理，可以采用重采样、过采样或欠采样等方法来平衡数据分布，提高模型的性能。
噪声和异常值处理：配电网故障数据中可能存在噪声和异常值，这些值可能是由于数据采集设备的误差、传输过程中的干扰等原因产生的。噪声和异常值可能会对模型的训练产生负面影响，因此需要通过预处理来识别和处理这些值，提高数据的质量和模型的稳定性。
对收集的配电网的历史故障数据进行预处理是为了确保数据的准确性、一致性、可比性和可靠性，为后续的故障分类、预测和自愈提供高质量的数据基础。
步骤S3，数据选择：通过将故障发生时的电网状态信息与正常运行的电网状态信息进行对比，获取预处理的数据中与故障相关的参数。
对于一条预处理过的历史运行数据，将配电网正常运行的电网状态信息和故障发生时的电网状态信息进行对比，若是某些参数的变化幅度超过了设置的阈值，则认为该参数的变化与故障发生有关，将其筛选出来，作为与故障相关的参数。
通过该步骤，可以获取历史运行数据中所有与故障相关的参数。
步骤S4，训练集获取：将与故障相关的参数进行重要性排序，获取排在前N个的参数，将所述排在前N个的参数对应的数据与所述相应的复电策略组成训练集。
对与故障相关的参数进行重要性排序，获取排在前N个的参数，具体为：
步骤S41，根据所述故障发生时的电网状态信息，获取故障发生时受到影响的参数；
步骤S42，统计所有受到影响的参数出现的概率，按照概率从大到小进行排序，获取排在前N个的参数。
具体来说，获取第一条历史数据中与故障相关的参数，参数包括E1，E2，E3，E4；获取第二条历史数据中与故障相关的参数，参数包括E1，E3，E5，E6；以此类推，直至获取最后一条历史数据中与故障相关的参数，参数包括E1，E6，E7，E8；对所有故障参数进行统计，E1出现次数为n1，E2出现次数为n2，……，E8出现次数为n8，计算E1出现的概率为P1=n1/(n1+n2+……+n8)，……，P8=n1/(n1+n2+……+n8)，则将P1、P2、……、P8按照从大到小的顺序进行排序：P1>P3>P5>P6>P8>P4>P2>P7，获取排在前N个的概率对应的参数，如N=5，则获取的参数为E1、E3、E5、E6、E8。则训练集的第一条数据为：E1、E3、此次故障的复电策略，训练集的第二条数据为：E1、E3、E5、E6、此次故障的复电策略，……以此类推，训练集的最后一条数据为：E1、E6、E8、此次故障的复电策略。
这里仅仅是指出少数的故障数量，实际应用中，受到故障影响的参数数量会大量增加，通过合理的设置N的值，实现在参数种类与训练效率之间进行平衡。
本发明在获取通过配电网故障自愈模型的训练数据时，先对历史运行数据进行特征选择，剔除了与故障无关的参数，再对与故障相关的参数进行重要性排序，获取排在前N个的参数，大大降低了模型的计算规模，提高了故障处理的效率与准确度。
步骤S5，模型构建与训练：构建配电网故障自愈模型，并采用所述训练集对配电网故障自愈模型进行训练，获取训练好的配电网故障自愈模型；所述配电网故障自愈模型的目标函数包括：恢复失电总负荷最多函数、系统有功损耗最小函数、开关操作次数最小函数、负荷转移最小函数。
所述配电网故障自愈模型由RNN模型构成，输入层负责接收电网状态数据，层数为1层，神经元数量为5个，每个神经元对应一个输入特征，如电压、电流、有功功率、无功功率和频率5个关键参数；
隐藏层负责捕获序列数据中的时间依赖性和模式，选择LSTM（长短期记忆）作为循环神经网络层，层数为2层，每层的神经元数量为128个；
输出层负责预测电网故障后的恢复策略，层数为1层，神经元数量为3个，每个神经元对应一个可能的恢复策略，输出预测的未来电网状态、故障类型、恢复策略，激活函数为softmax函数。
配电网故障自愈在实际中，就是产生在故障之后的网络重新二次构建，这个过程并不满足线性关系，它需要全方位思考载荷恢复量、控制开关操 控管理数目、网络束缚、用电户优先排列分布级别等影响因素，所以满足不同故障恢复要求下，需提供更多组合的可能性以达到故障恢复的最优选择，首先需要确定目标函数。
在配电网故障自愈时，要求供电恢复决策要达到尽量大范围恢复失电区域的用电户供电。所述恢复失电总负荷最多函数公式为：
（1）
其中，F(L)为恢复失电总负荷函数，Lk为断电时连接第k条母线的载荷，yk代表分布状态改变系数，yk= 1代表失电已恢复，yk= 0 代表失电未恢复，J 表示母线总数。
所述系统有功损耗最小函数公式为：
（2）
其中，是配电网供应电源恢复后的有功功率消耗，Ir为第r条支路工作电流振荡幅值，Rr为第r条支路电阻，h为配电网系统的支路总量。
在配电网故障自愈时，恢复策略所需分段控制开关操控管理经济代价愈小，也就是操控管理分段控制开关数目愈少，操控管理花费的时间愈少，断电地区恢复供应电源的迅速性愈能获取支撑。所述开关操作次数最小函数公式为：
（3）
其中，F(C,D)为开关操作次数函数，m表示在配电网中未拉开的隔离开关，n表示在配电网中已拉开的隔离开关，Ci为1表示隔离开关i在恢复中维持闭合状态，Ci为0则表示隔离开关i在故障恢复中开启，Dj为1表示反映联络控制开关j在恢复中由开启转化为关闭，Dj为0表示反映联络控制开关j在恢复中维持开启分布状态。
在配电网故障自愈时，当断电地区临近的工作电源替补使用容积还不能恢复所有断电载荷的时候，需要把断电区段临近工作电源的一些载荷，转化给其他更远的供应电源区，以增长临近工作电源的替补使用容积来恢复非常多的断电载荷。在恢复全面处理中，期望对其他供应电源区的作用影响愈小愈好。所述负荷转移最小函数公式为：
（4）
其中，Qs为负荷转移函数，T为开启的分段控制开关下游的所有连接母线集，Qq为第q条母线转移的负荷量。
本发明确定了对配电网故障自愈模型影响较大的目标函数，包括：恢复失电总负荷最多函数、系统有功损耗最小函数、开关操作次数最小函数、负荷转移最小函数，并进行求解，输出对开关控制的复电方案，为自愈模型提供明确的优化方向，使得模型能够在发生故障时迅速、准确地做出决策，以实现电网的快速恢复和供电保障。
步骤S6，故障识别与自愈：将待测的配电网数据输入所述配电网故障自愈模型，输出复电方案，系统根据复电方案自动对开关进行控制；
本发明通过训练好的配电网故障自愈模型输出复电方案，并根据复电方案自动对开关进行控制，大大减少了配电网故障自愈过程中的人工分析和干预，提升了配电网故障自愈的效率和可靠性。
步骤S7，历史运行数据更新：将本次配电网故障自愈的相关数据保存至历史运行数据。
通过对历史运行数据进行补充，可以从数据分析与改进、模型优化、决策支持、故障预测与预防、合规性与审计等方面，提高配电网的可靠性、经济性和运行效率。
实施例2：如图2所示，本发明还提出基于机器学习的配电网故障自愈系统，使用如实施例1任一项所述的基于机器学习的配电网故障自愈方法，包括以下部分：
配电网数据收集模块：用于收集配电网的历史运行数据，包括配电网正常运行的电网状态信息和故障发生时的电网状态信息，以及相应的复电策略；
数据预处理模块：与所述配电网数据收集模块连接，用于对所述历史运行数据进行预处理；
数据选择模块：与所述数据预处理模块连接，用于通过将故障发生时的电网状态信息与正常运行的电网状态信息进行对比，获取预处理的数据中与故障相关的参数；
训练集获取模块：与所述数据选择模块连接，用于对与故障相关的参数进行重要性排序，获取排在前N个的参数，将所述排在前N个的参数对应的数据与所述相应的复电策略组成训练集；
模型构建与训练模块：与所述训练集获取模块连接，用于构建配电网故障自愈模型，并采用所述训练集对配电网故障自愈模型进行训练，获取训练好的配电网故障自愈模型；所述配电网故障自愈模型的目标函数包括：恢复失电总负荷最多函数、系统有功损耗最小函数、开关操作次数最小函数、负荷转移最小函数；
故障识别与自愈模块：与所述模型构建与训练模块连接，用于将待测的配电网数据输入所述配电网故障自愈模型，输出复电方案，系统根据复电方案自动对开关进行控制；
历史运行数据更新模块：与所述故障识别与自愈模块连接，用于将本次配电网故障自愈的相关数据保存至历史运行数据。
实施例3：一种电子设备，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如实施例1任一项所述的一种基于机器学习的配电网故障自愈方法的步骤。
实施例4：一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序指令，所述计算机程序指令使计算机执行如实施例1任一项所述的一种基于机器学习的配电网故障自愈方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (4)
1.一种基于机器学习的配电网故障自愈方法，其特征在于，包括如下步骤：
步骤S1，配电网数据收集：收集配电网的历史运行数据，包括配电网正常运行的电网状态信息和故障发生时的电网状态信息，以及相应的复电策略；
步骤S2，数据预处理：对所述历史运行数据进行预处理；
步骤S3，数据选择：通过将故障发生时的电网状态信息与正常运行的电网状态信息进行对比，获取预处理的数据中与故障相关的参数；
步骤S4，训练集获取：对与故障相关的参数进行重要性排序，获取排在前N个的参数，由所述排在前N个的参数对应的数据与所述相应的复电策略组成训练集；对与故障相关的参数进行重要性排序，获取排在前N个的参数，具体为：
步骤S41，根据所述故障发生时的电网状态信息，获取故障发生时受到影响的参数；
步骤S42，统计所有受到影响的参数出现的概率，按照概率从大到小进行排序，获取排在前N个的参数；
步骤S5，模型构建与训练：构建配电网故障自愈模型，并采用所述训练集对配电网故障自愈模型进行训练，获取训练好的配电网故障自愈模型；所述配电网故障自愈模型的目标函数包括：恢复失电总负荷最多函数、系统有功损耗最小函数、开关操作次数最小函数、负荷转移最小函数；
所述配电网故障自愈模型由RNN模型构成，输入层为1层，神经元数量为5个，隐藏层选择LSTM，层数为2层，每层的神经元数量为128个，输出层为1层，神经元数量为3个，激活函数为softmax函数；
所述恢复失电总负荷最多函数公式为：
(1)
其中，F(L)为恢复失电总负荷函数，Lk 为断电时连接第k条母线的载荷，yk代表分布状态改变系数，yk= 1代表失电已恢复，yk= 0 代表失电未恢复，J 表示母线总数；
所述系统有功损耗最小函数公式为：
(2)
其中，∆P 是配电网供应电源恢复后的有功功率消耗，Ir为第r个支路工作电流振荡幅值，Rr为第r个支路电阻，h为配电网系统的支路总量；
所述开关操作次数最小函数公式为：
(3)
其中，F(C,D)为开关操作次数函数，m表示在配电网中未拉开的隔离开关，n表示在配电网中已拉开的隔离开关，Ci为1表示隔离开关i在恢复中维持闭合状态，Ci为0则表示隔离开关i在故障恢复中开启，Dj为1表示反映联络控制开关j在恢复中由开启转化为关闭，Dj为0表示反映联络控制开关j在恢复中维持开启分布状态；
所述负荷转移最小函数公式为：
(4)
其中，Qs为负荷转移函数，T为开启的分段控制开关下游的所有连接母线集，Qq为第q条母线转移的负荷量；
步骤S6，故障识别与自愈：将待测的配电网运行数据输入所述配电网故障自愈模型，输出复电方案，系统根据复电方案自动对开关进行控制；
步骤S7，历史运行数据更新：将本次配电网故障自愈的相关数据保存至历史运行数据。
2.根据权利要求1所述的一种基于机器学习的配电网故障自愈方法，其特征在于，所述步骤S1中，所述电网状态信息包括：电压和电流数据、功率和频率数据、电网拓扑结构信息、保护装置动作信息、设备状态信息、通信数据、气象和环境数据。
3.根据权利要求1所述的一种基于机器学习的配电网故障自愈方法，其特征在于，所述步骤S2中，所述数据预处理包括：数据清洗、数据标准化、数据平衡、噪声和异常值处理。
4.一种基于机器学习的配电网故障自愈系统，使用如权利要求1至3任一项所述的基于机器学习的配电网故障自愈方法，其特征在于，包括如下部分：
配电网数据收集模块：用于收集配电网的历史运行数据，包括配电网正常运行的电网状态信息和故障发生时的电网状态信息，以及相应的复电策略；
数据预处理模块：与所述配电网数据收集模块连接，用于对所述历史运行数据进行预处理；
数据选择模块：与所述数据预处理模块连接，用于通过将故障发生时的电网状态信息与正常运行的电网状态信息进行对比，获取预处理的数据中与故障相关的参数；
训练集获取模块：与所述数据选择模块连接，用于对与故障相关的参数进行重要性排序，获取排在前N个的参数，将所述排在前N个的参数对应的数据与所述相应的复电策略组成训练集；
模型构建与训练模块：与所述训练集获取模块连接，用于构建配电网故障自愈模型，并采用所述训练集配电网故障自愈模型进行训练，获取训练好的配电网故障自愈模型；所述配电网故障自愈模型的目标函数包括：恢复失电总负荷最多函数、系统有功损耗最小函数、开关操作次数最小函数、负荷转移最小函数；
故障识别与自愈模块：与所述模型构建与训练模块连接，用于将待测的配电网数据输入所述配电网故障自愈模型，输出复电方案，系统根据复电方案自动对开关进行控制；
历史运行数据更新模块：与所述故障识别与自愈模块连接，用于将本次配电网故障自愈的相关数据保存至历史运行数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199486.XA CN117791597B (zh) | 2024-02-23 | 2024-02-23 | 基于机器学习的配电网故障自愈方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199486.XA CN117791597B (zh) | 2024-02-23 | 2024-02-23 | 基于机器学习的配电网故障自愈方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117791597A CN117791597A (zh) | 2024-03-29 |
| CN117791597B true CN117791597B (zh) | 2024-05-28 |
Family
ID=90387450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410199486.XA Active CN117791597B (zh) | 2024-02-23 | 2024-02-23 | 基于机器学习的配电网故障自愈方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117791597B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118332474B (zh) * | 2024-06-11 | 2024-09-27 | 国网山东省电力公司金乡县供电公司 | 一种电网设备有损预警方法及系统 |
| CN118826297B (zh) * | 2024-09-14 | 2024-12-20 | 成飞电气科技有限公司 | 一种一二次融合环网箱的自愈方法、设备、介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115495986A (zh) * | 2022-09-24 | 2022-12-20 | 国网浙江省电力有限公司经济技术研究院 | 一种配电网自愈分布式网络重构方法 |
| CN115800274A (zh) * | 2023-02-08 | 2023-03-14 | 国网天津市电力公司电力科学研究院 | 一种5g配电网馈线自动化自适应方法、装置及存储介质 |
| CN116975766A (zh) * | 2023-08-01 | 2023-10-31 | 广东电网有限责任公司 | 一种基于机器学习的配电网故障自愈方法和系统 |
| CN116990633A (zh) * | 2023-06-25 | 2023-11-03 | 浙江华电器材检测研究院有限公司 | 一种基于多特征量的故障研判方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8918225B2 (en) * | 2012-02-16 | 2014-12-23 | Spyros J. Lazaris | Renewable energy-based electricity grid infrastructure and method of grid infrastructure automation and operation |
-
2024
- 2024-02-23 CN CN202410199486.XA patent/CN117791597B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115495986A (zh) * | 2022-09-24 | 2022-12-20 | 国网浙江省电力有限公司经济技术研究院 | 一种配电网自愈分布式网络重构方法 |
| CN115800274A (zh) * | 2023-02-08 | 2023-03-14 | 国网天津市电力公司电力科学研究院 | 一种5g配电网馈线自动化自适应方法、装置及存储介质 |
| CN116990633A (zh) * | 2023-06-25 | 2023-11-03 | 浙江华电器材检测研究院有限公司 | 一种基于多特征量的故障研判方法 |
| CN116975766A (zh) * | 2023-08-01 | 2023-10-31 | 广东电网有限责任公司 | 一种基于机器学习的配电网故障自愈方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于启发式规则和人工免疫的智能配电网自愈》;刘凯等;《武汉大学学报(工学版)》;20160401;第218-222页 * |
| 基于CMDB的信息系统故障根因定位技术的研究;闫颖;何云瑞;陈亮;王宁;李扬;郑思远;;通信电源技术;20200210(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117791597A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117791597B (zh) | 基于机器学习的配电网故障自愈方法和系统 | |
| Haque et al. | Application of neural networks in power systems; a review | |
| CN111047082A (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| Souhe et al. | Fault detection, classification and location in power distribution smart grid using smart meters data | |
| CN115271263B (zh) | 基于改进关联规则的电力设备缺陷预警方法、系统及介质 | |
| CN117728585B (zh) | 一种分布式光伏电站状态预测方法及系统 | |
| CN112485597A (zh) | 基于多源数据的电力系统输电线路故障诊断方法及系统 | |
| AU2023297073A1 (en) | Method and device for forecasting upcoming faults in power systems | |
| CN101609987A (zh) | 主站自动电压控制与厂站电压无功控制的联合协调方法 | |
| CN117335385A (zh) | 配网多重故障状况下的智能负荷转供方法及系统 | |
| CN111044846A (zh) | 一种复杂有源配电网容错性在线故障定位的概率评估方法 | |
| CN113746073A (zh) | 一种主站与终端协同自适应的配电网故障处理方法及系统 | |
| CN118940150A (zh) | 基于多源电力信息整合的智能故障定位方法及系统 | |
| CN113964816A (zh) | 一种配网馈线故障自愈率的分析方法 | |
| CN118054377A (zh) | 一种智能断路器及其自适应保护方法 | |
| CN111751655B (zh) | 配电线路的故障自愈方法、装置、计算机设备和存储介质 | |
| CN114839858A (zh) | 安控通信故障监控方法、系统、设备及存储介质 | |
| CN114254772A (zh) | 一种基于svm的配电网装置设备故障分析方法 | |
| Dong et al. | GIS-integrated analytical model for fault diagnosis of power distribution network | |
| CN114448091B (zh) | 基于互操作决策的配电网智能终端行为系统及配电网 | |
| CN115357462A (zh) | 基于深度学习的电力调度异常数据快速检测方法 | |
| CN119090369B (zh) | 一种基于机器学习的配电系统智能管理方法 | |
| CN117452200A (zh) | 一种智能高压开关故障诊断方法及装置 | |
| CN118868063A (zh) | 配电网网架结构的优化分析方法及装置、电子设备 | |
| CN113890020A (zh) | 一种frtu和fi的混合优化配置方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |