基于数据增强的有源配电网异常状态感知方法及系统

本发明涉及配电网异常状态感知及分类，尤其涉及一种基于数据增强的有源配电网异常状态感知方法及系统。

背景技术：

1、随着信息通讯技术的快速发展，微型同步相量测量单元、高级计量基础设施等量测装置被广泛部署在配电网中，为配电网的运行状态感知提供了坚实的数据基础。然而，随着大规模分布式电源接入配电网，使得配电网(该配电网为有源配电网)的结构愈加复杂、规模不断扩大，导致其运行数据规模庞大、故障机理复杂，这些问题使得传统的故障诊断方法难以从复杂数据中及时、准确地诊断故障，且诊断成本高昂。

2、为了解决上述有源配电网故障诊断、异常状态感知困难的问题，人工智能技术凭借其特征自学习和强非线性拟合等优点，被广泛用于有源配电网的故障诊断中。常见的故障诊断智能方法包括专家系统、人工神经网络、贝叶斯网络、模糊集理论、petri网和优化算法等。其中，专家系统通过总结专家知识建立知识库，具有强大的推理解释能力，但仅适用于简单故障处理；人工神经网络模拟人脑的神经元网络，通过样本学习调整神经元之间的映射关系，使输入和输出的函数关系逼近真实规律；贝叶斯网络利用先验概率和相关知识推理出故障发生的概率，以概率的形式展示诊断结果；模糊集理论通过隶属度来描述某个故障特征属于某种故障的程度，量化模糊的故障因果关系，从而便于推理计算；petri网(petri网是对离散并行系统的数学表示)基于模型或知识进行故障诊断，能够有效解决有源配电网的故障诊断问题，但在故障处理规模上存在限制；优化算法以假想故障为变量，以其与故障信号的匹配程度为适应度，通过迭代寻优搜索出适应度最高的假想故障。

3、在有源配电网结构及规模不断变化、数据规模爆发式增长的情况下，对故障数据的处理成本和分析结果极大依赖于方法的选择。然而，上述结合人工智能技术的故障诊断方法仅是采用单一模型或算法实现，其在数据处理及特征提取过程中，往往会忽略故障数据的时空特征，导致最终故障诊断精确度较低，除此之外，还存在对未知运行条件配电网的适应性差、对初始数据标签依赖性强的局限性，其均影响最终异常状态感知的准确性。因此，目前亟需一种具备自适应性的有源配电网故障感知与分类方法，来有效处理和挖掘不断变化的故障数据，实现有源配电网异常状态的精确智能感知。

技术实现思路

1、为解决上述现有技术的不足，本发明提供了一种基于数据增强的有源配电网异常状态感知方法及系统，通过采用基于动态聚类和数据增强的数据挖掘-增强框架，有效处理和挖掘不断变化的故障数据，并利用动态图注意力网络和领域自适应方法对有源配电网的复杂异常状态进行精确的定位和分类，实现有源配电网异常状态的精确智能感知和故障分类。

2、第一方面，本发明提供了一种基于数据增强的有源配电网异常状态感知方法。

3、一种基于数据增强的有源配电网异常状态感知方法，包括：

4、获取目标域有源配电网的每一节点数据，将所获取数据输入至分类模型中，输出异常检测及分类结果；所述模型的训练过程包括：

5、获取故障发生后有源配电网的每一节点数据，构建结构化的图数据；

6、通过基于动态时间规整的动态聚类，对图数据中的每一节点数据进行聚类，再利用自编码和标签修正规则对每一节点数据生成类别标签，构建数据集；

7、基于所构建的数据集，确定各异常类的不平衡信息，并通过条件生成对抗网络对少数类进行数据增强，获取样本分布调整后的有标注的平衡数据集；

8、以平衡数据集中的数据为源域数据，结合无标注的目标域数据，采用领域自适应方法，训练基于动态图注意力网络的分类模型。

9、第二方面，本发明提供了一种基于数据增强的有源配电网异常状态感知系统。

10、一种基于数据增强的有源配电网异常状态感知系统，包括：

11、数据获取模块，用于获取故障发生后有源配电网的每一节点数据，构建结构化的图数据；

12、数据标注模块，用于通过基于动态时间规整的动态聚类，对图数据中的每一节点数据进行聚类，再利用自编码和标签修正规则对每一节点数据生成类别标签，构建数据集；

13、平衡数据集构建模块，用于基于所构建的数据集，确定各异常类的不平衡信息，并通过条件生成对抗网络对少数类进行数据增强，获取样本分布调整后的有标注的平衡数据集；

14、模型训练模块，用于以平衡数据集中的数据为源域数据，结合无标注的目标域数据，采用领域自适应方法，训练基于动态图注意力网络的分类模型；

15、异常状态感知模块，用于获取目标域有源配电网的每一节点数据，将所获取数据输入至分类模型中，输出异常检测及分类结果。

16、以上一个或多个技术方案存在以下有益效果：

17、1、本发明提供了一种基于数据增强的有源配电网异常状态感知方法及系统，利用数据挖掘-增强框架、动态图注意力网络和领域自适应方法对有源配电网的复杂异常状态进行精确的定位和分类；本发明中，基于数据挖掘-增强框架对异常状态数据进行有效处理，通过动态图注意力网络对已知故障进行定位和分类，并利用领域自适应方法应对有源配电网的未知运行条件和频繁拓扑变化，能够针对性地解决有源配电网故障定位与分类准确度低、时间长的问题，有助于提高有源配电网的智能感知水平，以缩短异常状态辨识时间，减少停电损失。

18、2、本发明中，利用数据挖掘-增强框架、动态图注意力网络和领域自适应方法，对有源配电网的复杂异常状态进行精确的定位和分类；其中，数据挖掘-增强框架由动态聚类、数据增强两方面组成，通过动态聚类挖掘有源配电网节点数据中隐含的分布特征，对大量无标注数据进行初步聚类及分类，并通过自编码及标签修正规则生成数据标签，再利用数据增强，根据分类结果获取数据不平衡信息，生成足量且类别分布均衡的训练样本，为异常状态感知提供高质量的数据基础；构建基于动态图注意力网络的分类模型，该网络旨在强化节点间的动态依赖关系，捕获有源配电网运行数据的时空分布特征，提高模型异常状态感知的准确性；采用领域自适应方法，依托数据增强-挖掘框架提供的高质量数据，来训练动态图注意力网络，并通过全局和局部层面的领域迁移，提高对未知运行条件的感知能力和可分性。本发明通过上述方案，实现有源配电网异常状态的精确智能感知和故障分类。

技术特征：

1.一种基于数据增强的有源配电网异常状态感知方法，其特征是，包括：

2.如权利要求1所述的基于数据增强的有源配电网异常状态感知方法，其特征是，所述节点数据为节点的时序电压数据，所述电压数据包括电压的幅值和相位。

3.如权利要求1所述的基于数据增强的有源配电网异常状态感知方法，其特征是，标注图数据中每一节点数据的类别标签，包括：

4.如权利要求3所述的基于数据增强的有源配电网异常状态感知方法，其特征是，所述轮廓系数的计算，为：

5.如权利要求1所述的基于数据增强的有源配电网异常状态感知方法，其特征是，所述有标注的平衡数据集的获取，包括：

6.如权利要求5所述的基于数据增强的有源配电网异常状态感知方法，其特征是，还包括：

7.如权利要求1所述的基于数据增强的有源配电网异常状态感知方法，其特征是，所述动态图注意力网络包括基于动态注意力机制的注意力层、图嵌入层、特征聚合层和分类层；

8.如权利要求7所述的基于数据增强的有源配电网异常状态感知方法，其特征是，以有标注的平衡数据集作为动态图注意力网络的输入，首先通过基于动态注意力机制的注意力层，为输入的节点数据赋予注意力权重；然后基于三层gat层组成的图嵌入层进行节点数据中电压幅值和相位的特征提取；再通过特征聚合层整合节点数据中电压幅值和相位特征；最后基于多层感知器组成的分类层对各个节点的运行状态进行分类，输出各个节点的运行状态感知及分类结果。

9.如权利要求1所述的基于数据增强的有源配电网异常状态感知方法，其特征是，采用领域自适应方法训练基于动态图注意力网络的分类模型，包括预训练和微调两个过程，包括：

10.一种基于数据增强的有源配电网异常状态感知系统，其特征是，包括：

技术总结本发明公开一种基于数据增强的有源配电网异常状态感知方法及系统，涉及配电网异常状态感知及分类技术领域，方法包括：获取目标域有源配电网的每一节点数据，将所获取数据输入至分类模型中，输出异常检测及分类结果；其中，通过动态聚类挖掘有源配电网节点数据中隐含的分布特征，对大量无标注数据进行聚类，并通过自编码及标签修正规则生成数据标签，再利用数据增强生成类别分布均衡的训练样本，利用该训练样本集，采用领域自适应方法训练基于动态图注意力网络的分类模型，捕获有源配电网运行数据的时空分布特征，并通过领域迁移来提高对未知运行条件的感知能力和可分性。本发明能够实现有源配电网异常状态的精确智能感知和故障分类。技术研发人员：吕天光,徐英东,王邵瑞,艾芊,贺兴,杨跃平,蔡振华,林雯瑜,蒋雪冬,曾海斌受保护的技术使用者：山东大学技术研发日：技术公布日：2024/7/29