[发明专利]一种深度学习下的配电网可靠性指标优化方法

权利要求书

1.一种深度学习下的配电网可靠性指标优化方法，其特征在于，该方法包括下列步骤：

1)采集样本数据，构建训练样本和测试样本；

2)确定深度信念网络结构，包括设置网络层数、节点个数和初始状态参数；

3)将训练样本输入深度信念网络，对深度信念网络模型进行优化；

4)将测试样本输入至优化后的深度信念网络模型，获取对应的配电网可靠性指标；

5)确定临界值，将步骤4)获取的配电网可靠性指标与已有精确结果进行比较，若相对误差大于或等于临界值，则调整网络层数和节点个数后，重复步骤3)～4)，若相对误差小于临界值，则完成深度学习下的配电网可靠性获取的优化。

2.根据权利要求1所述的一种深度学习下的配电网可靠性指标优化方法，其特征在于，训练样本矩阵的数据包括配电网的拓扑结构数据、线路参数、配电网元件可靠性参数和负荷类参数。

3.根据权利要求2所述的一种深度学习下的配电网可靠性指标优化方法，其特征在于，所述的线路参数包括各条线路长度、各条线路类型，所述的配电网元件可靠性参数包括线路故障率、线路平均故障修复时间、变压器故障率、变压器平均故障修复时间、断路器故障率、断路器平均故障修复时间、母线故障率、母线平均故障修复时间、分段开关故障率、分段开关故障修复时间，所述的负荷类参数包括负荷点总用户数。

4.根据权利要求3所述的一种深度学习下的配电网可靠性指标优化方法，其特征在于，步骤2)的具体内容为：

确定深度学习网络的结构，将隐含层设置为四层，其中各隐含层节点数最大值为m为样本配电网网架结构个数，n为单个样本输入数据的个数；将初始状态参数设为极小值，其中输出层的输出特征向量设置为Q＝3，输出特征向量包括三类配电网可靠性指标SAIFI、SAIDI、ASAI。

5.根据权利要求4所述的一种深度学习下的配电网可靠性指标优化方法，其特征在于，初始状态参数包括训练周期、学习率、激活函数、输入层节点数、输出层节点数、可见层的偏置向量、隐含层的偏置向量和权值。

6.根据权利要求5所述的一种深度学习下的配电网可靠性指标优化方法，其特征在于，步骤3)的具体内容为：

对训练样本获取关联矩阵后输入至深度信念网络中，逐步训练深度信念网络中的所有RBM，权值矩阵W、可见层的偏置向量a和隐含层的偏置向量b，参数的更新原则表达式为：

其中，ε为梯度下降法的学习率，<·>_recon为一次重构后可见层或隐含层的概率分布，v为可见层观测数据，h为隐含层数据；

将训练得到的参数输入到BP网络中进行反向优化训练，使权值矩阵W和偏置向量a、b参数再次更新，得到完整深度信念网络模型。

7.根据权利要求6所述的一种深度学习下的配电网可靠性指标优化方法，其特征在于，可见层的偏置向量a初始化选取公式为：

式中，p_i为第i个特征取值为1的样本所占样本总数的比例；

隐含层的偏置向量b初始化取0；

权值矩阵W中每个数值初始化为正态分布N(0,0.1)的随机数。

8.根据权利要求6所述的一种深度学习下的配电网可靠性指标优化方法，其特征在于，步骤3)在训练过程中，训练周期为每一层RBM迭代30次，整个深度学习网络迭代5000次。

9.根据权利要求6所述的一种深度学习下的配电网可靠性指标优化方法，其特征在于，选取ReLU函数作为激活函数。

10.根据权利要求1所述的一种深度学习下的配电网可靠性指标优化方法，其特征在于，步骤5)中，已有精确结果由商用可靠性计算软件CYME计算获取。