CN108154223B - 基于网络拓扑及长时序信息的配电网工况录波分类方法 - Google Patents

Abstract

本发明公开了一种基网络拓扑及长时序信息的配电网工况分类方法，所述方法包括：根据广域对时技术对各配电网监测点的工况录波的采集时间点对齐并截取出波形的公共区段，然后按不同配电网监测点的网络拓扑关系按顺序拼接；构建包含卷积层区域和长短时期记忆网络单元的多数据块输入深度神经网络框架，利用工况录波分类数据集对多数据块输入深度神经网络训练以获得最优多数据块输入深度神经网络工况分类器模型；将所述多个有效波形区域输入最优多数据块输入深度神经网络工况分类器模型以获得该工况录波的工况类型。

Description

基于网络拓扑及长时序信息的配电网工况录波分类方法

技术领域

本发明涉及电力技术领域，尤其涉及一种基于网络拓扑及长时序信息的配电网工况录波分类方法。

背景技术

配电网是电力***中的重要组成部分，随着智能电网的快速发展，分布式电源的大量的不确定接入，使得配电网故障信息越发复杂，故障的准确快速分析变得越发困难。为保障配电网高度智能化运行，需要对馈线运行数据进行实时监控、异常情况及时预警及故障快速发现处理，其中对馈线异常工况的识别是智能配电网的重要功能。传统的配电网工况分类一直采用仿真数据，仿真数据太过理想，处理起来简单。近几年，随着配电网线路监测***的出现，配电网实际运行中的电流电压数据被采集，并开始运用传统的提取特征方法结合一些机器学习方法对工况进行分类。如CN103136587A中公开了一种传统小波包提取仿真数据特征与支持向量机结合的配电网工况分类方法。CN103245881A中公开了一种基于潮流分布特征的配电网故障分析方法及装置。CN107340456A中公开了一种基于多特征分析的配电网工况智能识别方法。现有技术中的工况分类方法都只使用了单个检测设备短时的数据，这种录波数据造成了配电网网络拓扑及长时序信息的丢失，难以识别具有复杂波形的工况。同时，现有技术中使用人工提取特征的方法，并非端对端的学习训练，又进一步限制了其识别正确率的上限。

发明内容

本发明所要解决的技术问题之一是实现了对整合了配电网网络拓扑及长时序信息的录波数据进行工况分类。

本发明所要解决的另一技术问题是通过迁移学习的方式，实现了对大容量复杂模型的训练学习。

为了解决上述技术问题，本发明提供了一种基网络拓扑及长时序信息的配电网工况分类方法，所述配电网工况分类方法包括：对多个配电网监测点的工况录波进行波形拼接；对拼接后的波形进行预处理以获得多个有效波形区域；构建包含卷积层区域和长短时期记忆网络单元的多数据块输入深度神经网络框架，并根据该多数据块输入深度神经网络框架构建具有与其相同卷积层区域的单数据块输入深度神经网络框架；利用超参数生成器生成多个单数据块输入深度神经网络，使用工况录波分类数据集对该多个单数据块输入深度神经网络分别训练以获得最优单数据块输入深度神经网络模型，并从该最优单数据块输入深度神经网络模型中提取卷积层区域的结构及参数；利用该提取的卷积层区域的结构及参数初始化多数据块输入深度神经网络框架，利用超参数生成器生成多个多数据块输入深度神经网络，使用工况录波分类数据集对该多个多数据块输入深度神经网络分别训练以获得最优多数据块输入深度神经网络工况分类器模型；将所述多个有效波形区域输入最优多数据块输入深度神经网络工况分类器模型以获得该工况录波的工况类型。

在一个实施例中，所述波形拼接是指根据广域对时技术对各配电网监测点的工况录波的采集时间点对齐并截取出波形的公共区段，然后按不同配电网监测点的网络拓扑关系按顺序拼接。

在一个实施例中，所述卷积层区域包含卷积块，所述卷积块的结构可以为双层卷积层叠加结构，或者为多通道的且每一通道由双层卷积层叠加的结构构成，或者为多通道的且每一通道包含1至3层卷积层的结构构成。

在一个实施例中，所述卷积层区域中的卷积块之间设置有残量连接，所述残量连接是指将一个卷积块的输入和输出取和，并将取和结果作为输入传递至下一卷积块。

在一个实施例中，所述工况录波分类数据集包括训练数据集、验证数据集和测试数据集，所述训练数据集、验证数据集和测试数据集包含短路、接地、停电、复电、大负荷投入、大负荷切出和雷击中至少一种的工况数据。

根据本发明的另一方面，还提供了一种用于对深度神经网络工况分类器框架进行超参数机器训练的方法，所述方法包括：a.根据包含卷积层区域和长短时期记忆网络单元的多数据块输入深度神经网络框架，构建单数据块输入的深度神经网络框架；

b.将所述单数据块输入的深度神经网络框架输入超参数随机生成器；

c.利用超参数随机生成器生成超参数组合模型池；

d.利用测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过；

e.利用验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型，提取该最优超参数组合模型的卷积层结构和参数；

f.利用所提取的卷积层结构和参数对多数据块输入的深度神经网络框架进行初始化，并输入超参数随机生成器；

g.利用超参数随机生成器生成超参数组合模型池；

h.利用测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过；

i.利用验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型。

在一个实施例中，所述训练数据集、验证数据集和测试数据集，所述训练数据集、验证数据集和测试数据集包含短路、接地、停电、复电、大负荷投入、大负荷切出和雷击中至少一种的工况数据。

在一个实施例中，所述训练数据集、验证数据集和测试数据集针对短路、接地、停电、复电、大负荷投入、大负荷切出和雷击7中工况，每种工况选取5000个数据；其中训练数据集每种工况选取4200个，测试数据集和验证数据集每种工况分别选取400个数据。

在一个实施例中，所述最优超参数组合模型至少包括构成最优深度神经网络工况分类器模型的卷积块个数、每个卷积块内部的通道数、卷积核的长宽及数量、全连接层神经元数量。

在一个实施例中，对超参数组合模型进优化时采用的优化方法为批量Adam后向传输法。

以下对本发明的波形预处理、深度神经网络分类器框架及超参数的机器训练做出进一步的详细说明。

<波形拼接及预处理>：

图1为本发明的基于网络拓扑及长时序信息的配电网工况录波分类方法流程示意图，所述波形拼接是指根据广域对时技术对各监测点数据的采集时间点对齐并截取出波形的公共区段，然后按不同配电网监测点的网络拓扑关系按顺序拼接形成完整的各监测点同步数据。

所述按顺序拼接是指，以当前需判断的监测点录波数据为中心，依据网络拓扑结构将当前需判断监测点的前端监测点和后端监测点的录波拼接在该当前需判断的监测点录波数据的前后，而其他监测点的录波数据按照波形异常程度及网络拓扑结构排列在前端监测点或后端监测点附近。

波形预处理过程包括两个步骤。第一步，拼接波形中截取出多个有效波形区段。第二步，对所截取的波形区段进行降采样处理或插值处理，使波形数据转换为至预期频率。

在第一步的波形截取中，所述的有效波形区段定义为电流或电场中包含了除工作频率外的其他频率分量的异常区段。通过该波形截取可得到多个有效波形区段，该波形区段的数量与异常区段数量一致，但为了降低所需要的神经网络结构的复杂程度，本发明中也可事先设定多个有效波形区段的具体数量，例如本发明中设置为5个。本发明中可以使用三种所需提取波形区段的方法具体为二次差分法、滑动窗口傅里叶变换法和小波变换法。

所述的二次差分法是指令N(t)＝{n₁,n₂,…,n_k}为原始波形时序信号，提取波形的一次差分为N'(t)＝{n₂‐n₁,n₃‐n₂,…,n_k‐n_k‐1}，提取波形的二次差分则为，N"(t)＝{n₃‐2n₂+n₁,n₄‐2n₃+n₂,…,n_k‐2n_k‐1+n_K‐2}。

所述的滑动窗口傅里叶变换，是对整个波形以一个窗口的长度滑动，每次对窗口内的数据进行离散傅里叶变换，傅里叶变换定义为

其中x(i)为各频率点的系数。使用傅里叶能量熵，能够检测波形窗口中各时段内能量在不同频段分布的混乱程度。定义窗口内不同频率的能量E_i＝|x(i)|²,E＝∑E_i为窗口内信号的能量和。则窗口傅里叶能量熵FEE可以定义为，

其中p_i＝E_i/E。

所述的小波变换是指，令

其中D_i(k)为信号经J阶小波分解重构得到的i阶频率分量系数。使用小波能量熵检测波形中各时段内信号能量在不同频段分布的混乱程度，达到提取异常区段的目的。定义在不同尺度i时间k上的信号能谱E_i(k)＝|D_i(k)|²,E_i＝∑E_i(k)为尺度i上所有时刻的能量和。则小波能量熵WEE可以定义为，

其中p_i＝E_i/E，

近似为信号的总能量。

在上述三种不同的波形提取方法中，使用波形的二次差分绝对值能够很好的识别出波形的突变点，该方法的计算量小，能够节约计算资源，因此可以在计算资源有限制时使用，但该方法不能计算出波形包含不同频率信息的丰富程度。使用窗口傅里叶能量熵能够很好的排除工频分量，得到其它不同频段能量的混乱程度，但窗口大小需固定，不能灵活得到每个时间的混乱信息，同时其快速算法计算量比较小，因此可以再在精度与计算量需要平衡的情况下使用。小波能量熵在检测所需区段上精度比窗口傅里叶能量熵高，但计算量也要大，可以在精度需求高的情况下使用。

本发明中对所截取的波形区段进行降采样处理或插值处理可以采用三次样条插值法，将波形频率变为700Hz。

<深度神经网络分类器>：

如图2所述为本发明的深度神经网络分类器框架示意结构，该深度神经网络分类器的输入端根据时序具有多个数据块输入，每个数据块均输入一个相同的卷积层区域，然后再输入共享权重的长短时期记忆网络单元(LSTM cell)，各LSTM cell之间按时序前后连接，最后输出到全连接层区域，然后通过softmax输出层输出工况类型。图3所示即为本发明的卷积层区域结构示意图，所述卷积层区域包括输入卷积层、卷积块、平均池化层，本发明中的卷积层中所涉及的卷积运算采用现有技术中公知的卷积运算方法，但本发明中在卷积运算中所使用的卷积核及相关参数是通过本发明的模型训练方法得到最优化深度神经网络模型而确定的。

如图4a至4b所示的是本发明卷积块具体结构，其中图4a中所示为两层卷积结构，由两层卷积层叠加构成。图4b中所示为多通道结构，且每一通道均有两层卷积层叠加构成。图4c中所示为另一多通道结构，每一通道由1至3层卷积层构成。上述卷积块中的卷积核的相关参数以及通道数量，又或每一通道的卷积层数均可根据模型训练方法得到最优化深度神经网络模型而确定。

本发明中还可以在卷积块的输入与输出之间增加残量连接，即将每一个卷积块的输入与该卷积块的输出取和作为该卷积块的输出值，则有F(x)+x＝H(x)，其中F(.)为卷积块函数，H(.)为下个模块的输入，x为上个模块的输出。又F(x)＝H(x)-x，残量x的增加有利于F(.)参数的训练。

<基于迁移学习的最优模型训练>：

从图2可知本发明的深度神经网络分类器结构复杂，容量巨大。如果使用随机初始化参数，然后再进行模型训练的方式，则在优化过程中很容易使训练过程陷入到局部最优点，从而很难训练得出较优的结果。因此本发明采用了迁移学习的方法来训练最优模型，即如图5所示，首先使用单数据块输入的深度神经网络作为模型框架进行模型训练，从所得到的最优深度神经网络模型中提取卷积层区域的结构和参数。而后，将卷积层区域的结构和参数作为固定超参数输入到如图2所示的本发明的深度神经网络分类器框架中，再对该深度神经网络分类器框架进行如图6所示的模型训练，由于该训练过程中的模型的卷积层区域的结构和参数均已固定，因此模型训练过程可以避免陷入局部最优状态，并且能够同时减少训练所消耗的计算量，提高训练速度。具体的，本发明的深度神经网络模型的训练步骤如下:

a.根据包含卷积层区域和长短时期记忆网络单元的多数据块输入深度神经网络框架，构建单数据块输入的深度神经网络框架；

b.将所述单数据块输入的深度神经网络框架输入超参数随机生成器；

c.利用超参数随机生成器生成超参数组合模型池；

d.利用测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过；

e.利用验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型，提取该最优超参数组合模型的卷积层结构和参数；

f.利用所提取的卷积层结构和参数对多数据块输入的深度神经网络框架进行初始化，并输入超参数随机生成器；

g.利用超参数随机生成器生成超参数组合模型池；

h.利用测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过；

i.利用验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

1.本发明按一定顺序拼接了配电网络各检测设备采集的波形数据，将配电网络信息整个进入录波数据，使得本发明的工况录波分类结果体现出配电网的网络的拓扑信息。

2.本发明在深度神经网络结构中加入递归神经网络，实现对长时序信号的处理。

3.本发明使用了迁移学习的方式，对完整的深度神经网络分类器，进行分步学习，解决模型结构复杂容量大，难以学习的问题。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的基于网络拓扑及长时序信息的配电网工况录波分类方法流程示意图；

图2是本发明的深度神经网络框架示意图；

图3是本发明的卷积层区域结构示意图；

图4a-4c是本发明的卷积块结构示意图；

图5是本发明的单数据块输入深度神经网络模型训练流程示意图；

图6是本发明的多数据块输入深度神经网络模型训练流程示意图；

图7是本发明的一实施例的最优化深度神经网络模型示意图。

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，以下结合附图对本发明作进一步地详细说明。

图7是根据本发明一实施例的最优化深度神经网络模型示意图。下面结合图7对本方法进行说明。

本实施例中，首先根据广域对时技术对各监测点数据的采集时间点对齐并截取出波形的公共区段，然后对当前需判断的监测点数据，以当前需判断的监测点数据为中心，依据网络拓扑结构将该监测点的前端监测点和后端监测点的录波由远及近依次排列进行拼接，以形成完整的各监测点同步工况录波数据。

随后，利用二次差分法对各监测点同步工况录波数据进行处理，以截取出5个有效波形区段，随后利用三次样条插值法，将波形频率变为700Hz。

按如图5所示的对单数据块输入深度神经网络进行最优化训练，该单数据块输入深度神经网络的框架为包括卷积层区域和全连接层区域，在卷积层区域包括输入卷积层、卷积块、平均池化层。该全连接层区域内部含多个全连接层，除最后一层全连接层的神经元个数设置与工况类型个数相同外，其他全连接层的神经元数量以及全连接层的层数均为需进行优化训练的超参数。

本实施例对单数据块输入深度神经网络模型训练时所使用的训练数据集、验证数据集和测试数据集训共使用7种工况数据，分别为短路、接地、停电、复电、大负荷投入、大负荷切出和雷击，每种工况共5000个数据，共35000个数据。训练数据集每种使用4200个，测试和验证数据集分别每种使用400个数据。训练流程中的优化方法为批量Adam后向传输，当测试数据集正确率大于98％或训练超过10000轮时，训练停止，否则继续优化，多个超参数组合模型中验证数据集正确率最高的组合为最优超参数组合模型。

对该最优超参数组合模型提取其卷积层区域的结构和参数，所获得的卷积层结构和参数为输入卷积层中的卷积核的宽和长为6×5，个数为8。卷积块Ⅰ为单通道的双层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为8，第二卷积层的卷积核的宽和长为1×3，个数为16。卷积块Ⅱ设置为具有三通道的卷积层，其通道a为双层卷积层，其中第一卷积层的卷积核的宽和长为1×2，个数为16，第二卷积层的卷积核的宽和长为1×3，个数为32。通道b为双层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为32，第二卷积层的卷积核的宽和长为1×3，个数为32。通道c为三层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为16，第二卷积层的卷积核的宽和长为1×4，个数为16，第三卷积层的卷积核的宽和长为1×3，个数为32，将卷积块Ⅱ三个通道的结果取和输入卷积块Ⅲ。卷积块Ⅲ设置为具有8个通道的卷积层，其每个通道均有双层卷积层构成，其中第一卷积层的卷积核的宽和长为1×3，个数为32，第二卷积层的卷积核的宽和长为1×3，个数为64。在卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅲ之间设置了残量连接，即输入卷积层输出结果与卷积块Ⅰ输出结果取和输入卷积块Ⅱ，卷积块Ⅰ输出结果与卷积块Ⅱ输出结果取和输入卷积块Ⅲ，卷积块Ⅱ输出结果与卷积块Ⅲ输出结果取和输入平均池化层。通过设置残量连接可以加强卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅲ的参数训练。

将上述卷积层区域的结构和参数代入到多数据块输入深度神经网络框架中。此时，该多数据块输入深度神经网络框架中卷积层区域的结构和参数变为固定参数。对该多数据块输入深度神经网络再次进行训练，所使用的数据集仍为前述的训练数据集、验证数据集和测试数据集训。通过训练所得到的最优深度神经网络模型中的LSTM cell的特征个数为16，全连接层结构为双层，其中第一层全连接层的神经元个数设置为12个，第二层全连接层的神经元个数与工况类型相同为7个。

将5组经过预处理的工况录波数据输入该最优深度神经网络模型，即可得到包含了网络拓扑和长时序信息的工况分类结构。

以上所述，仅为本发明的具体实施案例，本发明的保护范围并不局限于此，任何熟悉本技术的技术人员在本发明所述的技术规范内，对本发明的修改或替换，都应在本发明的保护范围之内。

Claims (6)

1.一种基于网络拓扑及长时序信息的配电网工况分类方法，其特征在于，所述配电网工况分类方法包括：

对多个配电网监测点的工况录波进行波形拼接；所述波形拼接是指根据广域对时技术对各监测点数据的采集时间点对齐并截取出波形的公共区段，然后按不同配电网监测点的网络拓扑关系按顺序拼接形成完整的各监测点同步数据；所述按顺序拼接是指以当前需判断的监测点录波数据为中心，依据网络拓扑结构将当前需判断监测点的前端监测点和后端监测点的录波拼接在该当前需判断的监测点录波数据的前后，而其他监测点的录波数据按照波形异常程度及网络拓扑结构排列在前端监测点或后端监测点附近；对拼接后的波形进行预处理以获得多个有效波形区域；

构建包含卷积层区域和长短时期记忆网络单元的多数据块输入深度神经网络框架，并根据该多数据块输入深度神经网络框架构建具有与其相同卷积层区域的单数据块输入深度神经网络框架；

利用超参数生成器生成多个单数据块输入深度神经网络模型，使用工况录波分类数据集对该多个单数据块输入深度神经网络模型分别训练以获得最优单数据块输入深度神经网络模型，并从该最优单数据块输入深度神经网络模型中提取卷积层区域的结构及参数；

利用该提取的卷积层区域的结构及参数初始化多数据块输入深度神经网络框架，利用超参数生成器生成多个多数据块输入深度神经网络模型，使用工况录波分类数据集对该多个多数据块输入深度神经网络模型分别训练以获得最优多数据块输入深度神经网络工况分类器模型；

将所述多个有效波形区域输入最优多数据块输入深度神经网络工况分类器模型以获得工况类型。

2.根据权利要求1所述的配电网工况分类方法，其特征在于，所述波形拼接是指根据广域对时技术对各配电网监测点的工况录波的采集时间点对齐并截取出波形的公共区段，然后按不同配电网监测点的网络拓扑关系按顺序拼接。

3.根据权利要求1所述的配电网工况分类方法，其特征在于，所述卷积层区域包含卷积块，所述卷积块的结构可以为双层卷积层叠加结构，或者为多通道的且每一通道由双层卷积层叠加的结构构成，或者为多通道的且每一通道包含1至3层卷积层的结构构成。

4.根据权利要求3所述的配电网工况分类方法，其特征在于，所述卷积层区域中的卷积块之间设置有残量连接，所述残量连接是指将一个卷积块的输入和输出取和，并将取和结果作为输入传递至下一卷积块。

5.根据权利要求1所述的配电网工况分类方法，其特征在于，所述工况录波分类数据集包括训练数据集、验证数据集和测试数据集，所述训练数据集、验证数据集和测试数据集包含短路、接地、停电、复电、大负荷投入、大负荷切出和雷击中至少一种的工况数据。

6.一种配电网工况分类装置，所述装置采用如权利要求1-5之一所述的配电网工况分类方法对配电网工况录波进行分类。

Images