[发明专利]一种面向时间尺度的配电变压器重过载判断方法

权利要求书

1.一种面向时间尺度的配电变压器重过载判断方法，其特征是，包括以下步骤：

步骤1：采样配电变压器原始负载运行数据并将其离散化为24点的时序数据；

步骤2：对时序数据进行基于LSTM-BP网络的特征提取；

步骤3：使用模糊C均值聚类算法对提取的特征进行聚类得到多个簇，每个簇代表某种重过载在时间尺度上的特征规律；

步骤4：据根据各配电变压器的重过载时间特征对配电变压器重过载情况进行判断；

所述步骤2的过程为：首先将时序数据集X输入到自编码网络中，设置输出维度为k，得到编码结果集，每个样本维度降到k维；然后将编码结果输入到解码网络中，还原为解码后的时序数据利用X和之间的均方差反向传导更新编码和解码网络的参数，直到迭代次数大于停止迭代设定值；

当模型训练好后，重新输入所有样本到编码网络，得到重过载时序数据特征，记为Y＝{y₁,y₂,…,y_i,…,y_n}，其中y_i＝{y_i1,y_i2,…,y_ik}；

所述自编码网络的编码过程为：

设一条输入样本为x＝{x₀,x₁,…,x_t,…x₂₃}到LSTM神经网络进行编码，其中LSTM神经元状态值c_t与输出值h_t更新步骤如下：

f_t＝σ(W_f*[h_t-1,x_t]+b_f)

i_t＝σ(W_i*[h_t-1,x_t]+b_i)

δ_t＝tanh(W_c*[h_t-1,x_t]+b_c)

c_t＝f_t*c_t-1+i_t*δ_t

o_t＝σ(W_o*[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(c_t)

其中σ代表Sigmoid激活函数；h_t-1为上一个单元的输出值；W_f,W_i,W_o,W_c分别代表合适的权重矩阵；b_f,b_i,b_o,b_c分别代表合适的阈值向量；

取序列的最后一个神经元的输出作输入序列的编码结果y＝h₂₃＝{y₁,y₂,…,y_j,…,y_k}；所述解码网络的解码过程为：

输入样本为y＝{y₁,y₂,…,y_j,…,y_k}，那么

输入层：

…

第l层隐藏层：

…

输出层：

其中，l的数值范围为2-4层，s_l为第l层隐藏层神经元的个数；为第l层隐藏层第i个神经元；f(·)为神经元的激活函数；为从l-1层第j个神经元与l层第i个神经元之间的连接权重；为第l层第i个神经元的偏置；为隐藏层最后一层第j个神经元与输出层第i个神经元之间的连接权重；为第输出层第i个神经元的偏置；

在步骤3中，将Y特征集使用模糊C均值算法进行聚类，挖掘配电变压器的典型规律；

对于聚类算法中的聚类数c是由聚类评价CHI指标决定的，CHI指标考虑不同类之间的分散性B和同类之间的紧凑型W，即：

其中，表示所有对象的均值向量，c_k表示第k个类簇的中心，w_k,j表示第i个对象对第k个类簇的隶属关系，K为类簇数，N为所有对象数；

特征集Y＝{y₁,y₂,L,y_j,L,y_n}，把这些数据划分成c类，那么对应c个类的类中心为C，每个样本j属于第i类的隶属度为u_ij，定义目标函数及其约束条件如下所示：

其中u_ij代表样本j属于第i类的隶属度，y_j代表第j个样本，c_i代表第i类中心，m代表隶属度因子；

使用拉格朗日乘数法将约束条件放到目标函数中，求目标函数的极值，最后化简得到：

在步骤3中，对提取的特征进行聚类的过程包括以下步骤：

(1)设定聚类数c的范围，c_min和c_max，依次带入模糊C均值算法中进行聚类：

1)确定分类个数c_min＝c＝c_max，指定隶属因子m；

2)随机初始化一个隶属度U＝{u_ij,i为类别数,j为样本数}，且

3)根据隶属度U计算类中心C,其中C＝{c_1,...,i,i为类别数}；

4)如果满足停止条件，结束循环，取各样本隶属度u_ij最大的作为该样本聚类结果，并计算CHI指标；

5)根据类中心C计算隶属度U，回到步骤3)；

(2)取CHI指标最大的聚类结果。