[发明专利]一种深度学习下的配电网可靠性指标优化方法

说明书

本发明涉及一种深度学习下的配电网可靠性指标优化方法，包括步骤：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；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。与现有技术相比，本发明具有能完整、科学、可靠的获取优化的深度学习下的配电网可靠性指标，且保证指标精确度、缩短计算时间等优点。

技术领域

本发明涉及配电网可靠性分析领域，尤其是涉及一种深度学习下的配电网可靠性指标优化方法。

背景技术

配电网是电力系统中不可或缺的一部分，现存的配电网可靠性分析的传统方法包括解析法、模拟法等，都是以配电网元件可靠性参数为基础计算配电网可靠性指标的，难以适用于所有类型的配电网结构，且无法兼顾结果精度与计算时间。人工智能算法的优势在于通过类比模拟法分析事件内部存在的客观规律、模糊参数、盲数的确定等方面，建立输入矢量与输出矢量之间的关系。近些年来，在国内外专家学者的不断尝试下，利用人工智能的方法对配电网系统元件与配电网系统的可靠性进行分析也取得了一定进展，在此基础上提出了模糊可靠性与人工神经网络等评估分析算法。电网结构日益复杂、数据量逐渐加大，与此同时人工智能也在快速发展、日益普及，其中深度学习算法也日趋成熟。然而如何提供一种更加精确化的电网可靠性指标优化方法仍是现如今要解决的重要问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种深度学习下的配电网可靠性指标优化方法。

本发明的目的可以通过以下技术方案来实现：

一种深度学习下的配电网可靠性指标优化方法，包括下列步骤：

S1：采集样本数据，构建训练样本和测试样本。

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。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。

S2：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。

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(System average interruption frequency index，系统平均停电频率指标)、SAIDI(System average interruption duration index，系统平均停电持续时间)、ASAI(Average service availability index，平均供电可用率指标)。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。

S3：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；

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；