基于智能分析的配网线路频繁停电研判与根因识别系统的制作方法
- 国知局
- 2024-11-06 15:07:22
本发明涉及电网故障识别,尤其涉及基于智能分析的配网线路频繁停电研判与根因识别系统。
背景技术:
1、配网线路是电力网络中与居民生活相关性最大的电网,随着居民生活水平的不断提高,用户对供电可靠性的要求也越来越高。但是由于配网线路运行情况和网架结构复杂、线路和设备数量较多、广大地区线路情况监控和信息通道不可靠等问题,导致配网线路频繁停电,停电通常会造成巨大的经济损失,影响其他关键基础设施系统并严重破坏日常生活。因此对停电数据进行分析很有必要。
2、为了满足用户的用电需求,电力公司普遍构建了配网线路监测系统进行停电管理。但是现有停电预测系统大多基于静态分析模型进行停电分析,然而,随着配网线路规模的不断扩大以及各种新型用电设备的不断出现,电力负荷的特性和数据来源变得越来越复杂,简单的静态分析模型已经不能准确描述电力系统的特性。
3、为了解决上述问题,本发明提出基于智能分析的配网线路频繁停电研判与根因识别系统。
技术实现思路
1、本发明的目的在于提出基于智能分析的配网线路频繁停电研判与根因识别系统以解决背景技术中所提出的问题:
2、现有停电预测系统大多基于静态分析模型进行停电分析,然而,随着配网线路规模的不断扩大以及各种新型用电设备的不断出现,电力系统的电力特性和数据来源变得越来越复杂,简单的静态分析模型已经不能准确描述电力系统的特性。
3、为了实现上述目的,本发明采用了如下技术方案:
4、基于智能分析的配网线路频繁停电研判与根因识别系统,包括:采集处理模块:用于基于数据采集设备对配网线路的运行数据进行收集和预处理;
5、预测识别模块:用于根据采集的数据建立智能根因识别算法,并对停电事件的故障类型和原因进行分析;
6、决策优化模块:用于结合所述预测识别模块的根因识别结果,提供实时的决策支持;
7、可视化模块:用于为用户提供可视化界面;
8、所述预测识别模块包括:
9、根因分析单元:用于基于优化的lstm网络学习和识别配网线路出现频繁停电的模式和趋势,并与图神经网络相结合,对停电事件的根因进行分析;
10、模型训练单元:利用无标签数据对各模型进行自监督预训练,再进行模型的有监督优化调整;
11、停电预测单元:用于采用seq2seq模型框架对配网线路的潜在停电事件及原因进行预测;
12、停电预警单元:用于根据所述停电预测单元的预测结果进行停电预警。
13、优选地,所述采集处理模块的预处理操作包括数据清洗、数据格式化和时间序列处理操作。
14、优选地,所述根因分析单元中的优化的lstm网络分别搭建短期优化lstm模型、中期优化lstm模型和长期优化lstm模型处理不同时间尺度的特征,并在优化的lstm网络输出后引入注意力机制进行输出,再将输出值与图神经网络的输出值进行结合,通过全连接层进行最终的根因分类预测。
15、优选地,所述优化lstm模型采用嵌套式网络,将记忆单元优化为lstm网络,并将遗忘门、输入门与记忆单元进行耦合,具体如下:
16、输入门如下:
17、 it =σ( ωi ·[ ht-1, xt]+ bi)
18、其中, it为输入门的激活值; σ为激活函数; ωi为输入门权重; ht-1为上一时刻记忆单元的输出; xt为 t时刻记忆单元的输入; bi为输入门的偏置量;
19、遗忘门如下:
20、 ft =σ( ωf ·[ ct-1, ht-1, xt]+ bf)
21、其中, ft为遗忘门的激活值; ωf为遗忘门权重; ct-1为上一时刻记忆单元的状态; bf为遗忘门的偏置量;
22、输出门如下:
23、 ot =σ( ωo ·[ ct-1, ht-1, xt]+ bo)
24、其中, ot为输出门的激活值; ωo为遗忘门权重; bo为遗忘门的偏置量;
25、记忆单元如下:
26、 ct =ft ·ct-1+ it ·σ( ωc ·[ ht-1, xt]+ bc)
27、其中, ct为 t时刻记忆单元的状态; ωc为记忆单元权重; bc为记忆单元的偏置量;
28、其中,所述优化的lstm网络中的各项权重基于优化的粒子群算法进行寻优获得,所述优化的粒子群算法具体如下:
29、 ui,d,j+1 =αui,d,j +s1 r1( pi,d -vi,d,j)+ s2 r2( gi,d -vi,d,j)
30、
31、 vi,d,j+1 =vi,d,j +ui,d,j+1
32、其中, ui,d,j+1为第 i个粒子在第 d维第 j+1次迭代的位置变化率;α为惯性因子; r1、 r2为(0,1)间的随机数; pi,d为第 i个粒子 vi的个体最优值; gi,d为粒子群的全局最优值; vi,d,j为第 i个粒子在第 d维第 j次迭代的位置; vi,d,j+1为第 i个粒子在第 d维第 j+1次迭代的位置; s1、 s2为加速因子。
33、优选地,所述根因分析单元中引入的注意力机制具体如下;
34、对优化的lstm网络的输出 y,采用训练的注意力权重 λ进行加权,具体如下:
35、 y=λy=( ωλ ·y+ bλ)
36、其中, y为注意力权重输出; ωλ为注意力机制权重; bλ为注意力机制的偏置量。
37、优选地,所述图神经网络与gis相结合获得配网线路拓扑结构信息。
38、优选地,所述停电预测单元中的seq2seq模型采用优化的lstm网络作为编码器以及解码器组件,模型框架具体如下:
39、输入层:基于优化粒子群算法根据输入的停电事件相关数据动态调整输入序列的长度,作为seq2seq模型的输入;
40、编码层:输入的停电事件相关数据序列通过lstm编码层分析输入序列,将输入的停电事件相关数据信息编码为背景变量;
41、解码层:将编码层输出的背景变量通过lstm解码层解码,并生成输出序列;
42、输出层:输出序列的每一个时间步的输出对应一个dense层。
43、优选地,所述决策优化模块根据所述预测识别模块的分析结果推荐维护策略、优化设备配置,并制定预防性维护计划。
44、与现有技术相比,本发明提供了基于智能分析的配网线路频繁停电研判与根因识别系统,具备以下有益效果:
45、本发明引入了针对停电事件的智能根因识别算法,对不同数据源的多种数据进行综合建模分析,结合注意力机制提高对关键数据的关注程度,还结合图神经网络捕捉设备间的拓扑结构和相互影响,不仅仅能够检测故障发生的位置,还能对故障的类型和原因进行分类,从而帮助运维人员快速定位和解决问题;同时结合了数据分析和根因识别的结果,系统提供了综合的决策支持;实现了对配网系统实时监控的能力,能够在出现异常或潜在停电风险时立即发出警报。通过对停电事件进行准确的研判与识别,有助于提高电网管理的效率和可靠性,减少频繁停电对社会生活和生产造成的影响。
本文地址:https://www.jishuxx.com/zhuanli/20241106/325432.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。