CN109782124B - 一种基于梯度下降算法的主配用一体化故障定位方法及*** - Google Patents

Abstract

一种基于梯度下降算法的主配用一体化故障定位方法及***。在该故障定位方法中，基于梯度下降算法对实现主配用一体化网络模型的故障定位，同时基于上述方法，构建了由数据采集模块，分析模块以及准确率评估模块构成的故障定位***。本方法以一个IEEE标准33节点拓扑算例进行验证。算例通过模拟电网故障，通过数据采集模块统计各节点测量多维度数据并预处理，运用神经网络梯度下降算法思想，建立多层神经网络，选择合适的激励函数进行非线性激励，基于梯度下降算法对模型定位的准确度进行优化，在故障定位计算模块中给出故障支路定位结果。算例仿真表明，能够以较高的精确度对故障发生支路进行定位。该故障定位方法可以有效地定位电网故障发生支路，对电网的运行抢修提供有效的决策依据，减少经济损失。

Description

一种基于梯度下降算法的主配用一体化故障定位方法及***

技术领域

本发明属于电网自动化技术领域，具体涉及一种主配用一体化故障定位方法及***。

背景技术

由于我国电力***的各项措施还不是很完善，断路短路故障的发生很难完全避免。既然故障是不可避免的，而且对电力***元件的正常使用和人们的生活产生很大的负面影响，那么在故障后就应该快速有效地进行故障情况的分析，找出故障发生的原因、元件或地点，以保证电力***尽快恢复供电。

当前我国的电力***还比较薄弱，供电的可靠性不高，电力***的故障绝大多数都发生在输电线路上，而输电线路尤其是超高压远距离输电线路发生故障时，一般均需及时巡线找到故障地点并进行处理，以保证线路的安全供电。对于长线路，特别是经过山区的长线路，例如一些大型水电站的出线，一般经过较长的山区，而山区往往交通不便，如果进行人工巡线将要耗费大量的人力物力和时间，造成更多的经济损失。即使是交通方便的平原地区，遇到恶劣天气时发生故障，全线巡线也很艰苦。所以要采用有效的故障定位手段，较准确地查找故障相和故障点，缩小巡线范围，使运行人员能够迅速找到故障点消除故障。

长期以来，国内外学者对配电网故障自动定位技术进行了大量的理论和实验研究，许多故障定位方法被提出，按照其采用算法的不同大致分为2类：矩阵法和人工智能法。矩阵法具有建模直接，定位高效等优点，但是灵活度不强，容错率不高，易受逻辑矩阵中数值稳定性所制约。人工智能法在网络结构改变、上传的实时信息出现信息畸变或不完备等情况下依然能够准确地定位故障区段，主要有遗传算法、粗糙集理论、人工神经网络[9-13]等算法，但以人工智能为基础的定位方法存在模型构建相对复杂、定位效率不高等缺点

随着配网自动化***的发展，应用人工智能算法及相应数学工具的优势对输电线路以及与之相关的设备进行准确的故障定位和诊断是电力***技术发展的趋势，其中多层神经网络可以与直接潮流法相结合，运用较少的监测点信息如采集的电流电压相角等信息识别故障特征，建立特征联系，减少经济投入。它不仅可以减少和防止故障对电网***造成的影响，使***尽快恢复正常运行，减少经济损失，而且更重要的是对提高电力***供电的安全可靠性也有很大的帮助。

发明内容

为解决现有技术中故障定位技术方案存在的上述技术问题，本申请公开了一种主配用一体化故障定位方法及***。

为了便于理解本申请公开的技术方案，首先对本申请中出现的技术术语说明或定义如下：

主配用一体化(或者主配用)：主网配网用电***三者结合为一个***所控制与调度的模型。

“N-1”故障：N条馈线支路中有1条发生馈线故障的故障模式。

直接潮流法：直接运用牛顿拉夫逊或者PQ分解法的潮流计算方法。

Tensorflow平台：是当今最为流行的深度学习框架，是谷歌基于DistBelief进行研发的第二代人工智能学习***。该框架中所有数据均以Tensor(张量)形式流动，这也是Tensorflow的名称由来。本文通过此框架构建多层神经网络，实现主配用一体化***的故障定位。

为实现上述发明目的，本申请具体采用以下技术方案：

一种基于梯度下降算法的主配用一体化故障定位方法，其特征在于，所述故障定位方法包括以下步骤：

步骤1：基于主配用的故障历史数据，建立配网故障仿真模型；

步骤2：读取步骤1中配网故障仿真模型的数据，基于Tensorflow平台，搭建多层神经网络模型，基于梯度下降算法对多层神经网络模型进行训练，确定多层神经网络模型的参数；

步骤3：采集主配用的实时数据，当配网发生故障后将采集的实时故障数据输入至步骤2确定参数的多层神经网络模型，输出故障定位结果。

本发明进一步包括以下优选方案：

在步骤1中，包括以下内容：

1.1采集主配用的故障历史数据，数据为主配电网内各节点的电压、电流、功率数据，包括***内的发电机出力数据，以及故障所在支路数据；

1.2对标故障定位的主配网***，建立IEEE标准33节点配网故障仿真模型；

1.3设置故障支路、负荷波动参数模型参数；其中，故障支路参数代表为每次故障所发生的支路所在位置编号，用one-hot编码表示；负荷波动参数为每次故障时，需要保证每次故障时负荷的大小是随机变化的，其为随机参数，每次模拟故障时通过随机参数产生随机负荷值；

1.4基于1.2中的配网故障仿真模型和1.3所设置的模型参数，模拟主配网***中的“N-1”故障，采集故障时各个监测节点的电流、电压、功率及相角信息及各发电机的出力数据。

在步骤2中，进一步包括以下内容：

2.1基于Tensorflow平台，搭建多层神经网络梯度下降算法网络模型即神经网络模型；

2.2设置多层神经网络梯度下降算法网络模型的神经元个数和模型参数；

2.3使用梯度下降算法训练数据，优化网络模型参数；

2.4判断网络模型的输出结果是否达到设定的准确度阈值，如果达到则进入2.5，否则返回2.3；

2.5确定神经多层神经网络梯度下降算法网络模型的各参数。

在2.1中，通过TensorFlow平台框架，搭建多层网络结构模型，包括数据输入层、神经网络层、训练优化层、与准确率评估层；

其中，所述数据输入层用于对样本数据集的输入；所述神经网络层用于根据样本数据集的故障定位计算；所述训练优化层用于对训练结果进行反馈，调整神经网络层中的参数；所述准确率评估层用于对故障定位准确率进行评估。

在2.2中，建立一个输入层为99个神经元，输出层为37个神经元的多层神经网络梯度下降算法网络，中间包括一个99个神经元的隐含层。

在2.3中，通过Gradient梯度下降算法，对模型中的权重值矩阵W与偏置值矩阵b进行修正优化，以达到提高故障定位准确率的目的。

在2.4中，所设定的准确度阈值为95％；

每次训练通过神经网络模型中准确率评估层进行准确率评估，满足准确度阈值要求则进入2.5继续训练。

本申请还公开了一种基于前述的故障定位方法的主配用一体化故障定位***，包括数据采集模块、主配用故障历史数据库、配网故障仿真模型搭建模块、配网故障仿真模型数据读取模块、多层神经网络模型生成模块，准确率评估模块；其特征在于：

所述配网故障仿真模型搭建模块读取主配用故障历史数据库中的故障历史数据，搭建配网故障仿真模型，根据读取的主配用故障历史数据形成多维数据集；

所述数据采集模块采集主配用一体化***中的实时故障数据，对于已汇集的数据集自动进行预处理，同时对于不完备数据与可疑数据进行移除；

所述配网故障仿真模型数据读取模块读取配网故障仿真模型中的多维数据集；

所述多层神经网络模型生成模块根据读取的多维数据集并基于Tensorflow平台，搭建多层神经网络模型；

对所搭建的多层神经网络模型进行训练，直到准确率评估模块判断多层神经网络模型达到设定精度，停止训练，确定多层神经网络模型；

配网发生故障后，所述数据采集模块将采集的主配用实时故障数据传输至多层神经网络模型，输出故障定位结果。

本发明进一步优选：

主配用故障历史数据库存储每个断面下故障支路编号数据(one-hot编码)、主配用一体化***内各个节点的电压、电流与功率数据，各发电机出力数据。

所述配电网故障仿真模型搭建模块用于搭建IEEE33节点标准配网故障仿真模型，并模拟电网***中的“N-1”故障。

所述故障仿真模型数据读取模块根据配网故障仿真模型，模拟出配网故障仿真模型的故障数据，对每条数据的支路标签进行one-hot处理，同时打乱数据标签顺序，最后在训练时读取配网故障仿真模型中的多维数据集。

所述多层神经网络模型生成模块根据读取的多维数据集，并基于Tensorflow平台，搭建多层神经网络模型；根据配电网故障仿真模型搭建模块构建拓扑的实际节点维度，进行故障仿真模型搭建，假设节点为n，则输入为3*n，隐藏层为3*n，输出为支路数量。

所述准确率评估模块通过在代码中加入准确率检测器，实时监测多层神经网络模型输出故障定位结果的准确率，在每个训练周期内输出准确率值值，达到阈值则能够输出训练完毕的模型，未达到则继续训练。

本发明相对于现有技术，具有以下有益的技术效果：

1.以往定位技术中的矩阵法灵活度不强，容错率不高，易受逻辑矩阵中数值稳定性所制约，本文所建立的多层神经网络定位模型能够在网络结构改变的情况下，重新训练网络即可，不需要调整建模，所以灵活度更高。

2.本发明所提出的故障定位方法在上传的实时信息出现数据畸变或不完备的情况下，由于经过数据输入模块的对数据的预处理，同时由于网络的自我学习能力，能够有效的保证了故障定位的高容错率。

3.与传统的神经网络方法相比，基于TensorFlow平台构建的多层神经网络定位模型计算速度更快，相同训练周期下，准确率表现更佳。

附图说明

图1为本发明主配用一体化故障定位方法的流程示意图；

图2为本发明主配用一体化故障定位***的结构框图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步详细介绍。

如图1所示为本发明公开的一种基于梯度下降算法的主配用一体化故障定位方法的流程图，所述主配用一体化故障定位方法包括以下步骤。步骤1：基于主配用的故障历史数据，建立配网故障仿真模型；

在步骤1中，包括以下内容：

1.1采集主配用电的故障历史数据，数据为***内各节点的电压、电流、功率数据，包括***内的发电机出力数据，以及故障所在支路数据。

1.2对标故障定位的主配网***，建立IEEE标准33节点配网故障仿真模型以验证有效性，验证算例为配网建模，但是也可以进行拓展于主配用一体化***网络模型中；

1.3设置故障支路、负荷波动参数模型参数；其中，故障支路参数代表为每次故障所发生的支路所在位置编号，用one-hot编码表示。负荷波动参数为每次故障时，需要保证每次故障时负荷的大小是随机变化的，其为随机参数，每次模拟故障时通过随机参数产生随机负荷值。

1.4基于1.2中的配网故障仿真模型和1.3所设置的模型参数，模拟主配网***中的“N-1”故障，采集故障时各个监测节点的电流、电压、功率及相角信息及各发电机的出力数据。

步骤2：读取步骤1中配网故障仿真模型的数据，基于Tensorflow平台，搭建多层神经网络模型，基于梯度下降算法对多层神经网络模型进行训练，确定多层神经网络模型的参数；

在本申请实施例中，步骤2具体包括以下内容：

2.1基于Tensorflow平台，搭建多层神经网络梯度下降算法网络模型；

通过***的TensorFlow平台框架，搭建多层网络结构模型，其中主要包括数据输入层(用于对数据集的输入)，神经网络层(用于根据数据集的故障定位计算)，训练优化层(对训练结果进行反馈，调整神经网络层中的参数)与准确率评估层(最终的故障定位准确率评估)。

2.2设置多层神经网络梯度下降算法网络模型的神经元个数和模型参数；

建立一个输入层为99个神经元，输出层为37个神经元的多层神经网络梯度下降算法网络，中间包括一个99个神经元的隐含层。

2.3使用梯度下降算法训练数据，优化网络模型参数；

通过Gradient梯度下降算法，对模型中的权重值矩阵W与偏置值矩阵b进行修正优化，以达到提高故障定位准确率的目的。

2.4判断网络模型的输出结果是否达到设定的准确度阈值，如果达到则进入2.5，否则返回2.3；

其中，设置准确率阈值为95％，执行训练，，每次训练通过神经网络模型中准确率评估层进行准确率评估，在经过一定的训练周期后若达到阈值则停止训练，输出具体模型。

2.5确定神经多层神经网络梯度下降算法网络模型的各参数。

步骤3：采集主配用的实时数据，当配网发生故障后将采集的实时故障数据输入至步骤2确定参数的多层神经网络模型，输出故障定位结果。

本申请还公开了一种基于前述故障定位方法的主配用一体化故障定位***，如附图 2所示，包括数据采集模块、主配用故障历史数据库、配网故障仿真模型搭建模块、配网故障仿真模型数据读取模块、多层神经网络模型生成模块，准确率评估模块。

主配用故障历史数据库存储每个断面下故障支路编号数据(one-hot编码)、主配用一体化***内各个节点的电压、电流与功率数据，各发电机出力数据。

数据采集模块能够采集主配用***中的实时故障数据，并与多层神经网络模型进行通信交互。对于已汇集的数据集，能够自动进行预处理，防止大数据淹没小数据，使用标幺化处理数据，同时对于不完备数据与可疑数据进行移除，能够有效减少无效数据对模拟仿真的影响。

所述配网故障仿真模型搭建模块读取主配用故障历史数据库中的故障历史数据，搭建配网故障仿真模型，根据读取的主配用故障历史数据形成多维数据集；

基于IEEE标准33节点电网模型，模拟电网***中的“N-1”故障，运用直接潮流法，采集故障时各个监测节点的电流、电压、功率等信息。同时考虑各个负荷的波动影响，对相同故障情况模拟不同负荷的潮流并进行采集数据，扩展了数据的维度。并且根据需要能自动化地生成所需要的数据到指定目录下，储存为csv格式，同时打乱数据标签顺序，以备神经网络梯度下降算法网络训练学习使用。

所述数据采集模块采集主配用一体化***中的实时故障数据，对于已汇集的数据集自动进行预处理，同时对于不完备数据与可疑数据进行移除。

所述配网故障仿真模型数据读取模块模拟出配网故障仿真模型的故障数据，对每条数据的支路标签进行one-hot处理，同时打乱数据标签顺序，最后在训练时读取配网故障仿真模型中的多维数据集。对于已汇集的数据集，能够自动进行预处理，防止大数据淹没小数据，使用标幺化处理数据，同时对于不完备数据与可疑数据进行移除，能够有效减少无效数据对模拟仿真的影响。根据IEEE电网模拟仿真，每条支路故障在考虑负荷波动的情况下可以得到37*600＝22200条含有one-hot标签的数据。以f1—f99表示数据，f100—f166表示标签。所述多层神经网络模型生成模块根据读取的多维数据集并基于Tensorflow平台，搭建多层神经网络模型；

根据数据特性，基于谷歌tensorflow平台，构建一个输入99个神经元，输出37 个神经元的多层神经网络梯度下降算法网络，运用已有的模块，使用softmax非线性激励函数，交叉熵代价函数。最后采用的是传统的梯度下降优化算法。根据附图图1的逻辑图，具体的数据流动方式为：

1.数据进入input单元，通过非线性激励函数softmax进入layer层；

2.Input的标签数据和layer层的仿真数据进入loss模块进行计算损失值；

3.预测值与标签值对比，accuracy模块输出模型仿真准确率；

4.Train模块使用Grad(梯度下降)算法对数据进行训练；

5.训练完返回layer层调整weight、bias参数；

6.训练未达到准确率阈值则回到步骤4。

配网发生故障后，所述数据采集模块将采集的主配用实时故障数据传输至多层神经网络模型，输出故障定位结果。

准确率评估模块在搭建了多层神经网络模型后，需要进行一定的训练周期的训练才能达到阈值，那么为了评估模型的准确率，在代码中加入准确率检测器，实时监测模型的模拟准确率变化，并每一个epoch(训练周期)输出一轮准确率。使用准确率评估模块，能够在每个训练周期内输出准确值，达到阈值则能够输出训练完毕的模型，未达到则继续训练。在本申请的实施例中，所设定的准确度阈值为95％。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (12)

1.一种基于梯度下降算法的主配用一体化故障定位方法，其特征在于，所述故障定位方法包括以下步骤：

步骤1：基于主配用的故障历史数据，建立配网故障仿真模型；

1.1 采集主配用的故障历史数据，数据为主配电网内各节点的电压、电流、功率数据，包括***内的发电机出力数据，以及故障所在支路数据；

1.2 对标故障定位的主配网***，建立IEEE标准33节点配网故障仿真模型；

1.3设置故障支路参数、负荷波动参数模型参数；其中，故障支路参数代表为每次故障所发生的支路所在位置编号，对每条支路数据标签进行one-hot处理，同时打乱数据标签顺序；负荷波动参数为每次故障时，需要保证每次故障时负荷的大小是随机变化的，其为随机参数，每次模拟故障时通过随机参数产生随机负荷值；

1.4 基于1.2中的配网故障仿真模型和1.3所设置的模型参数，模拟主配网***中的“N-1”故障，对相同故障情况模拟不同负荷的潮流，采集故障时各个监测节点的电流、电压、功率及相角信息及各发电机的出力数据；

步骤2：读取步骤1中配网故障仿真模型的数据，基于Tensorflow平台，搭建多层神经网络模型，使用softmax非线性激励函数，基于梯度下降算法对多层神经网络模型进行训练，确定多层神经网络模型的参数；

步骤3：采集主配用的实时数据，当配网发生故障后将采集的实时故障数据输入至步骤2确定参数的多层神经网络模型，输出故障定位结果。

2.根据权利要求1所述的主配用一体化故障定位方法，其特征在于：

在步骤2中，进一步包括以下内容：

2.1 基于Tensorflow平台，搭建多层神经网络梯度下降算法网络模型即神经网络模型；

2.2 设置多层神经网络梯度下降算法网络模型的神经元个数和模型参数；

2.3 使用梯度下降算法训练数据，优化网络模型参数；

2.4 判断网络模型的输出结果是否达到设定的准确度阈值，如果达到则进入2.5，否则返回2.3；

2.5 确定神经多层神经网络梯度下降算法网络模型的各参数。

3.根据权利要求2所述的主配用一体化故障定位方法，其特征在于：

在2.1中，通过TensorFlow平台框架，搭建多层网络结构模型，包括数据输入层、神经网络层、训练优化层、与准确率评估层；

其中，所述数据输入层用于对样本数据集的输入；所述神经网络层用于根据样本数据集的故障定位计算；所述训练优化层用于对训练结果进行反馈，调整神经网络层中的参数；所述准确率评估层用于对故障定位准确率进行评估。

4.根据权利要求3所述的主配用一体化故障定位方法，其特征在于：

在2.2中，建立一个输入层为99个神经元，输出层为37个神经元的多层神经网络梯度下降算法网络，中间包括一个99个神经元的隐含层。

5.根据权利要求4所述的主配用一体化故障定位方法，其特征在于：

在2.3中，通过Gradient梯度下降算法，对模型中的权重值矩阵W与偏置值矩阵b进行修正优化，以达到提高故障定位准确率的目的。

6.根据权利要求5所述的主配用一体化故障定位方法，其特征在于：

在2.4中，所设定的准确度阈值为95%；

每次训练通过神经网络模型中准确率评估层进行准确率评估，满足准确度阈值要求则进入2.5继续训练。

7.一种基于权利要求1-6任一权利要求所述的故障定位方法的主配用一体化故障定位***，包括数据采集模块、主配用故障历史数据库、配网故障仿真模型搭建模块、配网故障仿真模型数据读取模块、多层神经网络模型生成模块，准确率评估模块；其特征在于：

所述配网故障仿真模型搭建模块读取主配用故障历史数据库中的故障历史数据，搭建配网故障仿真模型，根据读取的主配用故障历史数据形成多维数据集；

所述数据采集模块采集主配用一体化***中的实时故障数据，对于已汇集的数据集自动进行预处理，同时对于不完备数据与可疑数据进行移除；

所述配网故障仿真模型数据读取模块读取配网故障仿真模型中的多维数据集；

所述多层神经网络模型生成模块根据读取的多维数据集并基于Tensorflow平台，搭建多层神经网络模型；

对所搭建的多层神经网络模型进行训练，直到准确率评估模块判断多层神经网络模型达到设定精度，停止训练，确定多层神经网络模型；

配网发生故障后，所述数据采集模块将采集的主配用实时故障数据传输至多层神经网络模型，输出故障定位结果。

8.根据权利要求7所述的主配用一体化故障定位***，其特征在于：

主配用故障历史数据库存储每个断面下故障支路编号数据、主配用一体化***内各个节点的电压、电流与功率数据，各发电机出力数据。

9.根据权利要求7所述的主配用一体化故障定位***，其特征在于：

所述配电网故障仿真模型搭建模块用于搭建IEEE33节点标准配网故障仿真模型，并模拟电网***中的“N-1”故障。

10.根据权利要求7所述的主配用一体化故障定位***，其特征在于：

所述故障仿真模型数据读取模块根据配网故障仿真模型，模拟出配网故障仿真模型的故障数据，对每条数据的支路标签进行one-hot处理，同时打乱数据标签顺序，最后在训练时读取配网故障仿真模型中的多维数据集。

11.根据权利要求7所述的主配用一体化故障定位***，其特征在于：

所述多层神经网络模型生成模块根据读取的多维数据集，并基于Tensorflow平台，搭建多层神经网络模型；根据配电网故障仿真模型搭建模块构建拓扑的实际节点维度，进行故障仿真模型搭建，假设节点为n，则输入为3*n，隐藏层为3*n，输出为支路数量。

12.根据权利要求7所述的主配用一体化故障定位***，其特征在于：

所述准确率评估模块通过在代码中加入准确率检测器，实时监测多层神经网络模型输出故障定位结果的准确率，在每个训练周期内输出准确率值值，达到阈值则能够输出训练完毕的模型，未达到则继续训练。

Images