[发明专利]一种采用全连接神经网络的配电网电压异常诊断方法

说明书

本发明公开一种采用全连接神经网络的配电网电压异常诊断方法，包括：1)、采集待诊断区域一段时间内配电网电压采样数据，进行处理，获得电压数据观测集；2)采用K‑means聚类算法将观测集中n个电压数据划分到3个集合中；3)为3个集合中的数据设设置标签；4)将三个集合中的数据分为训练集、测试集和验证集；5)搭建全连接深度神经网络，并采用训练集训练深度神经网络，最终获得训练好的神经网络模型；6)验证集输入训练好的经网络模型，识别验证集中各组数据所述的类别标签，完成配电网电压异常诊断。本发明将深度学习技术应用于电压异常值自动识别方向，相比于其他算法具有高效省力的特点。

技术领域

本发明属于电力电压异常检测领域，特别涉及一种采用全连接神经网络的配电网电压异常诊断方法。

背景技术

我国现在正处于全方位飞速发展的阶段，电能作为保证民生的重要基石其需求也日益增大，电网规模的扩大使其复杂程度成为了保证电网安全运行带来更加巨大的挑战。电压作为保障供电的基本条件，是评价电能质量的重要目标。在电网存储的数据中，存在许多某一时刻电压过高或过低的情况，电压异常的识别是制定异常治理方案的基础。随着深度学习技术的发展，越来越多的领域可以通过对数据进行分析学习来解决实际问题，在与配电网大数据的结合下，通过深度学习实现电网数据异常诊断也成为了一种新的方向。

目前深度学习在电力领域的研究有电压暂降源识别和电力系统静态稳定预测等。电压暂降源的识别是拟定暂降治，它能通过深度学习算法中的卷积神经网络捕捉电压暂降信号的时序特征和空间特征。基于在电网调度中心全国范围内采集细粒度量测数据，电力系统静态稳定预测中通过数据进行知识学习的深度神经网络方法得以实现。深度学习能够从电力系统的潮流轨迹信息中提取电压稳定运行的高维特征，这是基于神经网络的电力系统静态稳定预测方法的关键点，以此实现对于稳定态势的感知和预测。

现有的针对配电网问题典型算法存在诸多缺陷，如最早发展起来的专家系统在推理时需要在知识库内搜索匹配一定的规则集才能得出结论，耗时长且容错率较差。深度学习的出现取代了繁杂的计算过程，运行起来效率高、易实现，而且能够对数据进行特征抽取和学习，完成预测、识别等复杂行为，使最终结果更加精确。在智能电网的全面覆盖下，充足的电网数据可以被深度学习有效利用，神经网络能够提取数据特征，自动学习数据间的联系特性。基于这一特性，根据现有的实际配电网数据为基础，通过建立神经网络对聚类处理后的电压数据进行训练，构建能够自动提取电压异常信号特征参数的模型，按需求对数据进行处理及分类，实现对某地区日电压数据中异常值或多个地区同一时刻电压异常值的高精度自动识别。

发明内容

本发明的目的在于提供一种采用全连接神经网络的配电网电压异常诊断方法，将深度学习技术应用于电压异常值自动识别方向，相比于其他算法具有高效省力的特点。

为了实现上述目的，本发明采用如下技术方案：

一种采用全连接神经网络的配电网电压异常诊断方法，包括以下步骤：

1)、采集待诊断区域一段时间内配电网电压采样数据，作为原始数据；对原始数据进行处理，获得电压数据观测集；

2)采用K-means聚类算法将观测集中n个电压数据划分到3个集合中；

3)为3个集合中的数据设设置标签，分别为0、1、2；其中标签0代表日电压存在电压过高的情况，1代表存在电压过低的情况，2代表全天无异常情况，电压处于平稳趋势；

4)将三个集合中的数据分为训练集、测试集和验证集；

5)搭建全连接深度神经网络，并采用训练集训练深度神经网络，训练后用测试集检测准确率，反复调整神经网络训练，使准确率达到预设目标，最终获得训练好的神经网络模型；

6)验证集输入训练好的经网络模型，识别验证集中各组数据所述的类别标签，完成配电网电压异常诊断。