一种基于深度学习与特征筛选的运行状态监测方法与流程

本发明涉及状态监测，具体为一种基于深度学习与特征筛选的运行状态监测方法。

背景技术：

1、数据采集与融合系统作为电网的重要组成部分直接面向终端用户，配网运行状态监视、控制、管理等相关的信息资源不断丰富与完善，提高数据准确性和管控穿透力。但仍存在如下问题：配电网运行状态的全方位评价体系与管控模式尚未健全；配电网运行状态现场侧监控能力尚且有限；配电自动化系统自身运行水平及其对配网管理支撑作用尚显不足。

2、因此，急需对此缺点进行改进，本发明则是针对现有的结构及不足予以研究改良，提供有一种基于深度学习与特征筛选的运行状态监测方法。

技术实现思路

1、本发明的目的在于提供一种基于深度学习与特征筛选的运行状态监测方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于深度学习与特征筛选的运行状态监测方法，包括运行状态监测方法包括以下步骤：

3、s1：针对数据采集与融合系统中的原始数据，选择目标测量中可以表征系统运行状态的特征，其中特征可以选择但不限于电流特征，原始数据从数据采集与融合系统中测量得出；

4、s2：对该系统运行状态表达特征与监测测量点所产生的特征进行差分，计算两两的皮尔逊相关系数，选取相关系数最高的n条数据作为筛选后的特征；

5、s3：经过特征重映射，将其转化为深度残差网络可以处理的格式，然后通过深度卷积神经网络进行训练，最终得到预测模型。

6、进一步的，所述s1中，针对原始数据对系统运行状态监测问题进行定义，其中，对于对于具有n种特征，时长为t的时序测量点fit，i∈{1,…,n}，t∈{1,…,t},对应的目标系统运行的状态st共有两种状态，分别可以表示为和

7、进一步的，所述s1中系统运行状态的辨识表示为特征测量到负荷状态的映射，具体为：

8、st＝f(fit),i∈{1,…,n}

9、在系统运行状态监测时，测量点的位置在待辨识系统的上游，测量点下游其他系统产生的特征为是与不同特征相关的干扰噪声，因此添加噪声项后修正为：

10、

11、表示运行状态检测问题的实质，在给定时间，给定测量特征中通过映射，得到指定负荷状态的问题即未系统运行状态监测问题。

12、进一步的，所述s2中，皮尔逊相关系数用来度量变量之间的线性相关程度，使用皮尔逊相关系数来度量特征时间序列fi与状态时间序列s的相关性，用以在含噪多维特征中筛选出与系统运行状态最相关的特征序列。

13、进一步的，所述对于时长为t的特定的特征序列fi与状态序列s，为求取两者间的皮尔逊相关系数，首先求取其均值，分别为：

14、

15、以及二者的协方差cov(fi,s)和标准差σs，分别为：

16、

17、最终求取得到两者间的皮尔逊相关系数：

18、

19、皮尔逊相关系数的结果由于只验证特征序列和状态序列间是否有相关关系，因此将得到的皮尔逊相关系数取绝对值，使用表示二者间的相关程度，该数值越趋于1，则越表示该特征与系统运行状态之间的相关度越高，提取与系统运行状态相关性最高的特征序列，即可完成特征筛选工作。

20、进一步的，所述s3中的特征重映射，由于卷积神经网络需要的输入为二维多通道矩阵，与测量形成的一维时间序列不符，因此对原始测量数据特征重映射为二维多通道矩阵。

21、进一步的，所述对于n维特征时间序列f＝{f1,f2,…,fn}，目标是将其重构为形状为n×lw的二维矩阵m，其中n为筛选出的特征数目，lw是选择的时间窗长度。

22、进一步的，所述二维矩阵表示的特征对应的时间点为tp，则特征重映射过程可用下式表示：

23、

24、为了提升特征的表达能力，也可以使用差分特征构建矩阵m：

25、

26、经过特征筛选与特征重映射后，特征从多维时间序列变换成为了可供卷积神经网络处理的类图像的矩阵特征。

27、进一步的，所述s3中深度卷积神经网络由卷积层，池化层，全连接层，输出层以及对应的激活函数组成，对于分类任务来说，卷积神经网络输入为二维多通道的矩阵，输出为一维向量，卷积层使用n表示输入的批量，cin表示通道数，h表示矩阵的行数，w表示矩阵的列数，对于一个输入维度为(n,cin,h,w)的四维矩阵而言，卷积层可以精确的表达为：

28、

29、其中*表示二维滑动点积操作符，i，j分别表示输出在矩阵中的位置，weight表示权重，一次完整的卷积操作，需要对输入的每个点周围分别进行运算，

30、对于池化层，采用的是全局平均池化，该池化层对每个通道进行计算，给定卷积核的尺寸(kh,kw)后，全局平均池化可以表示如下：

31、

32、其中，sw，sh分别指池化层在长与宽方向跨步的步长；

33、全连接层即为数据的线性关系，其中，令输入向量为x，输出向量为y，偏置值为b，参数矩阵为a，则线性层可以表示为：

34、y＝xat+b

35、激活函数为relu函数，函数可以表示为：

36、y＝max(0,x)。

37、本发明提供了一种基于深度学习与特征筛选的运行状态监测方法，具备以下有益效果：该一种基于深度学习与特征筛选的运行状态监测方法以提升配电网精益化管理为出发点，以实现配电网运行状态的管控与综合评价为目标，提出一种基于深度学习与特征筛选的运行状态监测方法，该方法可支撑配电网各业务环节闭环管控与协同发展，提升配电网精益化管理水平。

技术特征：

1.一种基于深度学习与特征筛选的运行状态监测方法，其特征在于：所述运行状态监测方法包括以下步骤：

2.根据权利要求1所述的一种基于深度学习与特征筛选的运行状态监测方法，其特征在于，所述s1中，针对原始数据对系统运行状态监测问题进行定义，其中，对于对于具有n种特征，时长为t的时序测量点fit，i∈{1,…,n}，t∈{1,…,t},对应的目标系统运行的状态st共有两种状态，分别可以表示为和

3.根据权利要求1所述的一种基于深度学习与特征筛选的运行状态监测方法，其特征在于，所述s1中系统运行状态的辨识表示为特征测量到负荷状态的映射，具体为：

4.根据权利要求3所述的一种基于深度学习与特征筛选的运行状态监测方法，其特征在于，所述s2中，皮尔逊相关系数用来度量变量之间的线性相关程度，使用皮尔逊相关系数来度量特征时间序列fi与状态时间序列s的相关性，用以在含噪多维特征中筛选出与系统运行状态最相关的特征序列。

5.根据权利要求4所述的一种基于深度学习与特征筛选的运行状态监测方法，其特征在于，所述对于时长为t的特定的特征序列fi与状态序列s，为求取两者间的皮尔逊相关系数，首先求取其均值，分别为：

6.根据权利要求1所述的一种基于深度学习与特征筛选的运行状态监测方法，其特征在于，所述s3中的特征重映射，由于卷积神经网络需要的输入为二维多通道矩阵，与测量形成的一维时间序列不符，因此对原始测量数据特征重映射为二维多通道矩阵。

7.根据权利要求6所述的一种基于深度学习与特征筛选的运行状态监测方法，其特征在于，所述对于n维特征时间序列f＝{f1,f2,…,fn}，目标是将其重构为形状为n×lw的二维矩阵m，其中n为筛选出的特征数目，lw是选择的时间窗长度。

8.根据权利要求7所述的一种基于深度学习与特征筛选的运行状态监测方法，其特征在于，所述二维矩阵表示的特征对应的时间点为tp，则特征重映射过程可用下式表示：

9.根据权利要求1所述的一种基于深度学习与特征筛选的运行状态监测方法，其特征在于，所述s3中深度卷积神经网络由卷积层，池化层，全连接层，输出层以及对应的激活函数组成，对于分类任务来说，卷积神经网络输入为二维多通道的矩阵，输出为一维向量，卷积层使用n表示输入的批量，cin表示通道数，h表示矩阵的行数，w表示矩阵的列数，对于一个输入维度为(n,cin,h,w)的四维矩阵而言，卷积层可以精确的表达为：

技术总结本发明公开了一种基于深度学习与特征筛选的运行状态监测方法，涉及状态监测技术领域，包括S1：针对数据采集与融合系统中的原始数据，选择目标测量中可以表征系统运行状态的特征；S2：对该系统运行状态表达特征与监测测量点所产生的特征进行差分，计算两两的皮尔逊相关系数，选取相关系数最高的n条数据作为筛选后的特征；S3：经过特征重映射，通过深度卷积神经网络进行训练，最终得到预测模型。该一种基于深度学习与特征筛选的运行状态监测方法以提升配电网精益化管理为出发点，以实现配电网运行状态的管控与综合评价为目标，该方法可支撑配电网各业务环节闭环管控与协同发展，提升配电网精益化管理水平。技术研发人员：王月茹,高生凯,李泽新,尹相国,牛明,周学生,龙星宇,程梓航,许磊,王毅,韩璐,傅乐,孙海英,邱晨,杨雷鹏,叶亮,谷凡超,王喆,王星海,李艾民,崔冬晓,王慧丽,苏荻,董革放,齐明辉,李晓雨,王前,赵伟,包长玉,吕文超,傅国庆,陈国圣,邓博文受保护的技术使用者：国网山东省电力公司淄博供电公司技术研发日：技术公布日：2024/10/17