计及时变拓扑时基于深度学习的电压暂降源定位方法

1.本发明属于电能质量分析技术领域，涉及一种计及时变拓扑时基于深度学习的电压暂降源定位方法。


背景技术：

2.相对于其他电能质量问题，电压暂降影响广泛。在微电子、半导体、生物医药光电技术、航天航空技术等高端生产制造行业，电压暂降会造成生产线上的产品报废，甚至有可能造成设备损坏，从而带来巨大的经济损失。
3.准确地追溯电压暂降源对划分责任和加快电力市场化进程均具有重要意义。然而，现有的基于数据驱动的电压暂降源定位方法多是在未考虑电网拓扑变化时定位电压暂降源，即很少考虑电网拓扑变化对电压暂降源定位结果的影响，没有将电网拓扑作为电压暂降源定位分析模型的输入。然而，在实际电网运行过程中，系统拓扑时时变的，而且历史数据库中难以包含所有拓扑的海量的历史数据来弥补新拓扑样本少的问题。因此，现有电压暂降源定位方法面对时变电网拓扑结构，电压暂降发生后的电气特征量将发生显著变化，从而导致现有方法难以实现精准的电压暂降源定位。
4.综上所述，目前基于数据驱动的电压暂降源定位方法仍存在如下难点问题亟待解决：
5.1.未考虑电网拓扑变化对电压暂降源定位结果的影响，导致数据驱动电压暂降源定位方法不可用。
6.2.未将电网拓扑变化作为数据驱动模型输入，模型的自适应性和泛化性能差。


技术实现要素：

7.本发明的目的是提供一种计及时变拓扑时基于深度学习的电压暂降源定位方法，解决了现有方法在面对时变电网拓扑结构时，模型不可用、自适应性差、定位准确率低、算法泛化性能差的问题。
8.本发明所采用的技术方案是，计及时变拓扑时基于深度学习的电压暂降源定位方法，具体包括如下步骤：
9.步骤1，采集不同运行工况下的母线电压数据，将该样本数据作为基础电网拓扑结构对应的样本数据；
10.步骤2，计算经步骤1采集到样本数据的电压均方根值，若该电压均方根值下降为额定值的90％～10％，则将该电压均方值对应的样本数据构成一组电压暂降数据样本；否则将该样本数据从经步骤1采集到的样本数据中踢除，获得预处理后的监测电压数据；
11.步骤3，对步骤2得到的数据进行样本标注，每一个样本的输入数据为步骤2中预处理后的监测节点三相电压幅值数据，输出数据为配电网中具体的电压暂降源所在线路序列；
12.步骤4，将经步骤3标注后的样本数据进行随机划分，其中80％作为训练样本数据
集，剩余20％作为测试样本数据集；
13.步骤5，搭建1d卷积深度学习模型作为基础模型；
14.步骤6，利用步骤4中的训练样本数据集去训练步骤5中搭建的模型，使用反向传播算法进行参数更新，使用adam优化器来进行训练，损失函数为交叉墒损失函数，得到训练后的基础模型最优神经网络参数；
15.步骤7，利用步骤4中的测试样本数据集对步骤6完成训练后所得到的模型进行测试，若未出现过拟合现象，则将该模型作为最后基础模型；否则，重新利用步骤4中的测试样本数据集对步骤6完成训练后所得到的模型进行测试，直至未出现过拟合现象；
16.步骤8，与步骤1中的基础电网拓扑相比较，一旦当基础电网拓扑在运行过程中因故障导致某一条或者多条支路发生变化，导致电网拓扑结构发生变化，冻结步骤6中含最优神经网络参数基础模型中的卷积层部分的权重值和参数值，全连接层不冻结；
17.步骤9，针对变化后的电网拓扑结构，利用步骤1中所述方法生成此时的样本数据，并按照步骤2的方法对该样本数据进行预处理后，按照步骤3的方法进行样本标注；
18.步骤10，按照步骤4的方法对步骤9中的样本数据进行训练集和测试集的划分；
19.步骤11，利用步骤10中的训练集，重新训练步骤8中其余未冻结部分的网络参数，获得在变化后电网拓扑结构时，所对应的1d卷积深度学习模型最优网络参数；
20.步骤12，利用步骤10中的测试样本数据集对步骤11完成训练后所得到的模型进行测试，若未出现过拟合现象，则将其部署到实际电网中，否则，重新利用步骤10中的测试样本数据集对步骤11完成训练后所得到的模型进行测试，直至未出现过拟合现象；
21.步骤13：将训练后所得到的最优模型部署到实际电网中，输入为实际监测到的全新数据，输出为电压暂降源定位结果。
22.本发明的特点还在于：
23.步骤1的具体过程为：
24.以ieee 39节点网络模型作为基础模型，使用matlab/simulink仿真软件进行建模生成仿真数据，共电压暂降源可能在的34条线路进行定位，选取4个监测节点，通过对所选取的4个监测节点的电压幅值进行分析，对电压暂降源可能在的线路进行定位，对所选取的节点的电压幅值进行采样，获取电压幅值采样数据，并对数据进行式(1)所示的归一化，获得预处理数据：
[0025][0026]
其中，x
*
为归一化后的数据输出，x
max
为输入的样本数据中的最大值，x
min
为输入的样本数据中的最小值。
[0027]
步骤3的具体过程为：
[0028]
对经步骤2处理后得到的数据进行人工样本标注，每一个样本的输入数据为步骤2中预处理后的4个监测节点三相电压幅值数据，输出数据为配电网中具体的电压暂降源所在线路序列，即ieee 39节点中的34条线路，使用数字1-34表示。
[0029]
步骤5的具体过程为：
[0030]
基于1d卷积深度学习模型包括卷积层、池化层和全连接层；
[0031]
x＝[x1，x2，...，x
t
，...，xs]
t
作为模型输入传递到输入层，其中，x为步骤2预处理后
的4个监测节点采集电压时间序列，s为时间序列长度，序列数据经一维卷积运算映射为卷积层：
[0032]acj
＝fr(x*w
cj
b)(2)；
[0033]fr
(z)＝max(z,0)(3)；
[0034]
其中，*表示一维卷积运算；a
cj
表示由卷积核w
cj
生成的第j个特征映射；卷积核w
cj
为一个权值矩阵；b为偏置；fr(z)为激活函数。
[0035]
步骤6的具体过程为：
[0036]
对步骤5构建的模型使用步骤4的训练数据进行训练，使用反向传播算法进行参数更新，使用adam优化器来进行训练，损失函数为交叉墒损失函数，输入数据为步骤2处理后的监测节点电压幅值样本数据，输出数据为步骤1中短路故障所在的线路编号1～34。
[0037]
本发明的有益效果是，本发明通过采用基于1d卷积深度学习模型和迁移学习结合，对电能质量监测设备所采集到的有限个监测节点所对应的三相监测电压进行分析后，获得配电网中具体的电压暂降源所在线路。提高模型在拓扑变化时电压暂降源定位准确率，提高模型自适应能力和泛化性能。
附图说明
[0038]
图1为本发明计及时变拓扑时基于深度学习的电压暂降源定位方法的总体流程步骤；
[0039]
图2为本发明计及时变拓扑时基于深度学习的电压暂降源定位方法中模型训练过程中世代数目与损失值之间的迭代更新图；
[0040]
图3为本发明计及时变拓扑时基于深度学习的电压暂降源定位方法模型训练过程中世代数目与准确率之间的迭代更新图。
具体实施方式
[0041]
下面结合附图和具体实施方式对本发明进行详细说明。
[0042]
本发明计及时变拓扑时基于深度学习的电压暂降源定位方法，如图1所示，具体步骤如下所示：
[0043]
步骤1，选择在正常运行状态下的电网拓扑作为一种基础电网拓扑。然后利用基础电网拓扑中已经安装有的电能质量监测设备或其他任何可监测电网节点电压的装置，分别对节点的三相电压的幅值进行采样。在系统发生单相短路、两相短路和三相短路时，分别改变系统短路容量、接地电阻、持续时间、起止时刻、负荷容量、线路阻抗，采集每种运行工况下的母线电压数据，作为基础电网拓扑结构对应的电压样本数据；
[0044]
步骤1的具体过程为：
[0045]
以ieee39节点网络模型作为基础模型，使用matlab/simulink仿真软件进行建模生成仿真数据，共电压暂降源可能在的34条线路进行定位。本发明选取4个监测节点(bus3、bus8、bus24、bus38)。通过对所选取的4个监测节点的电压幅值进行分析，对电压暂降源可能在的线路进行定位。对所选取的节点的电压幅值进行采样，获取电压幅值采样数据。并对数据进行式(1)所示的归一化，获得预处理数据。
[0046][0047]
其中x
*
为归一化后的数据输出，x
max
为输入的样本数据中的最大值，x
min
为输入的样本数据中的最小值。
[0048]
步骤2：计算经步骤1采集到数据的电压均方根值，若该电压均方根值下降为额定值的90％～10％，则将其构成一组电压暂降数据样本；否则将其从经步骤1采集到的样本数据中踢除，获得预处理后的监测电压数据。
[0049]
步骤3：对步骤2得到的数据进行样本标注。每一个样本的输入数据为步骤2中预处理后的监测节点三相电压幅值数据，输出数据为配电网中具体的电压暂降源所在线路序列。
[0050]
步骤3的具体过程为：
[0051]
对步骤1和步骤2处理后得到的数据进行人工样本标注。每一个样本的输入数据为步骤2中预处理后的4个监测节点(bus3、bus8、bus24、bus38)三相电压幅值数据，输出数据为配电网中具体的电压暂降源所在线路序列，即ieee39节点中的34条线路，使用数字1-34表示。
[0052]
步骤4：将步骤3的样本数据进行随机划分，其中80％作为训练样本数据集，其余20％作为测试样本数据集。
[0053]
步骤5：搭建1d卷积深度学习模型作为基础模型。该1d卷积深度学习模型是用于处理步骤2中序列数据的一种特殊神经网络，由卷积层、池化层和全连接层组成。卷积层可以通过训练得到满足损失函数最小的一组最优卷积核，利用卷积核实现自动特征提取。池化层可以从卷积层中提取出最主要的特征，在时间维度上进行降维操作。卷积层与池化层的堆叠形成深度网络结构，通过逐层抽象提取高级序列特征。
[0054]
步骤5的具体过程为：
[0055]
本发明主要基于1d卷积深度学习模型实现，由卷积层、池化层和全连接层组成。卷积层可以通过训练得到满足损失函数最小的一组最优卷积核，利用卷积核实现自动特征提取。池化层可以从卷积层中提取出最主要的特征，在时间维度上进行降维操作。卷积层与池化层的堆叠形成深度网络结构，通过逐层抽象提取高级序列特征。
[0056]
x＝[x1，x2，...，x
t
，...，xs]
t
作为模型输入传递到输入层。其中，x为步骤2预处理后的4个监测节点(bus3、bus8、bus24、bus38)采集电压时间序列，s为时间序列长度。序列数据经一维卷积运算映射为卷积层：
[0057]acj
＝fr(x*w
cj
b)(3)
[0058]fr
(z)＝max(z,0)(4)
[0059]
其中，*表示一维卷积运算；a
cj
表示由卷积核w
cj
生成的第j个特征映射；卷积核w
cj
为一个权值矩阵；b为偏置；fr(z)为激活函数，用于对经卷积运算后的数据进行非线性化，这里采用relu激活函数，以加速模型收敛，增强模型的稀疏表示。
[0060]
池化运算用于捕捉卷积层序列特征的最有用信息，形成池化层。池化运算通常为最大池化，可将序列长度减半。当最后一次采用池化运算时，采用全局最大池化，捕获最有用全局时序信息，序列长度缩减为1。
[0061]
全连接层与传统神经网络结构一致，由多层隐含层组成。全连接层对全局时序特
征进一步抽象组合。
[0062]
本发明中，使用卷积层个数2，第一个卷积核数量为512，第二个卷积层卷积核数量为34，全连接层中神经元个数为64。学习率为0.0001，无额外学习率衰减设定。
[0063]
步骤6：利用步骤4中的训练样本数据集去训练步骤5中所述模型结构，使用反向传播算法进行参数更新，使用adam优化器来进行训练，损失函数为交叉墒损失函数，得到训练后的基础模型最优神经网络参数。
[0064]
步骤6的具体过程为：
[0065]
对步骤5的模型使用步骤4的训练数据进行训练，使用反向传播算法进行参数更新，使用adam优化器来进行训练，损失函数为交叉墒损失函数。输入数据为步骤2处理后的监测节点电压幅值样本数据，输出数据为步骤1中短路故障所在的线路编号1～34。
[0066]
在整个模型的训练过程中，需要改变超参数值来调整模型，获取最优模型。其中可以调节卷积网络层数，神经元数量，激活函数类型，学习率。
[0067]
步骤7：利用步骤4中的测试样本数据集对步骤6完成训练后所得到的模型进行测试，若未出现过拟合现象，则将其作为最后基础模型。否则，重新利用步骤4中的测试样本数据集对步骤6完成训练后所得到的模型进行测试，直至未出现过拟合现象。
[0068]
步骤8：与步骤1中的基础电网拓扑相比较，一旦当基础电网拓扑在运行过程中因故障或其他原因导致某一条或者多条支路发生变化，导致电网拓扑结构发生变化，冻结步骤6中含最优神经网络参数基础模型中的卷积层部分的权重值和参数值，全连接层不冻结。
[0069]
步骤8的具体过程为：
[0070]
使用迁移学习对基础拓扑下的电压暂降源特征迁移到电网拓扑发生变化后的特征。模型迁移的参数主要包括神经网络层数、神经元个数、冻结层个数。
[0071]
步骤9：针对变化后的电网拓扑结构，同样利用步骤1中所述方法生成此时的样本数据，并按照步骤2的方法对该样本数据进行预处理后，进一步按照步骤3的方法进行样本标注。
[0072]
步骤10：按照步骤4的方法对步骤9中的样本数据进行训练集和测试集的划分。
[0073]
步骤11：利用步骤10中的训练集，重新训练步骤8中其余未冻结部分的网络参数，获得在变化后电网拓扑结构时，其所对应的1d卷积深度学习模型最优网络参数。
[0074]
步骤12：利用步骤10中的测试样本数据集对步骤11完成训练后所得到的模型进行测试，若未出现过拟合现象，则将其部署到实际电网中。否则，重新利用步骤10中的测试样本数据集对步骤11完成训练后所得到的模型进行测试，直至未出现过拟合现象。
[0075]
步骤13：将训练后所得到的最优模型部署到实际电网中，输入为实际监测到的全新数据，输出为电压暂降源定位结果。
[0076]
步骤13的具体过程为：
[0077]
将步骤11所获得的1d卷积深度学习模型最优网络参数，作为基础模型部署在实际电网中。一旦当电网拓扑结构发生变化，利用少量新拓扑历史数据对基础网络进行离线微调。若此时微调后模型测试准确率满足要求，则在线采集拓扑变化后的实时电压量测数据，输入4个监测节点(bus3、bus8、bus24、bus38)到微调后的模型，输出为电网中具体电压暂降源所在线路编号1～34。
[0078]
下面针对附图进行解释说明：
[0079]
图1所示为本发明的总体流程步骤，包括离线训练和在线定位两个阶段。
[0080]
图2为在ieee39节点系统中，分别断0条支路、1条支路、3条支路、5条支路时，模型训练过程中世代数目与损失值之间的迭代更新图，随着迭代次数的增加，模型损失值逐渐下降。
[0081]
图3为在ieee39节点系统中，分别断0条支路、1条支路、3条支路、5条支路时，模型训练过程中世代数目与准确率之间的迭代更新图，随着迭代次数的增加，模型准确率提高，达到99.3％。