[发明专利]配电网数字孪生体的运行状态预测方法及装置、训练方法

权利要求书

1.一种配电网数字孪生体的运行状态预测方法，其特征在于，包括：

获取配电设备的多项性能数据；

将配电设备的多项性能数据作为当前特征值并行输入数字孪生状态模型，得到多项性能数据对应的多个预测特征值，根据多个预测特征值得到配电设备运行状态的多个特征状态值；其中，所述数字孪生状态模型包括由多组长短期记忆网络单元组构成的长短期记忆网络矩阵，每一组长短期记忆网络单元组对应配电设备的一项性能数据，所述多组长短期记忆网络单元组分别用于测算多项性能数据对应的预测特征值；

根据所述配电设备运行状态的多个特征状态值，推测出对应所述配电设备的配电网数字孪生体的运行状态；

所述长短期记忆网络矩阵包括n×m个长短期记忆网络单元，配电设备的每一项性能数据对应一组滑动窗口为m的长短期记忆网络单元组，其中，n为配电设备的性能数据的项数，m为一组长短期记忆网络单元组中长短期记忆网络单元的个数；

所述长短期记忆网络单元包括输入门、输出门以及状态单元，所述状态单元用于将第一输入门信号与tanh函数激活的携带遗忘程度信息的第二输入门信号进行求和，得到状态更新信号；

所述长短期记忆网络单元的结构公式为：

；

其中，t为时刻，x_t为当前时刻的输入信号，y_t为当前时刻的输出信号，y_t-1为上一时刻的输出信号，i_t为第一输入门信号，z_t为第二输入门信号，c_t为当前时刻的状态更新信号，c_t-1为上一时刻的状态更新信号，o_t为输出门信号，W_z为z_t的输入权重矩阵，U_z为z_t的递归权重矩阵，U_i为i_t的递归权重矩阵，U_o为o_t的递归权重矩阵，b_z为z_t的偏置矩阵，b_i为i_t的偏置矩阵，b_o为o_t的偏置矩阵，σ()为sigmoid函数，g()为tanh函数，⊙表示点乘运算。

2.根据权利要求1所述的配电网数字孪生体的运行状态预测方法，其特征在于，所述根据多个预测特征值得到配电设备运行状态的多个特征状态值，包括：

将所述多组长短期记忆网络单元组测算的预测特征值，通过分类器映射到配电设备运行状态集的概率值，以最大概率准则确定配电设备运行状态的多个特征状态值。

3.根据权利要求2所述的配电网数字孪生体的运行状态预测方法，其特征在于，根据所述配电设备运行状态的多个特征状态值，推测出对应所述配电设备的配电网数字孪生体的运行状态，包括：

将所述配电设备运行状态的多个特征状态值进行逻辑运算，得到配电设备运行状态的整体状态值，根据整体状态值确定配电网数字孪生体的运行状态。

4.根据权利要求3所述的配电网数字孪生体的运行状态预测方法，其特征在于，所述配电设备运行状态集包括多个子集，多个子集分别对应不同的运行状态。

5.根据权利要求1所述的配电网数字孪生体的运行状态预测方法，其特征在于，所述获取配电设备的多项性能数据，包括：

获取配电变压器的以下性能数据：负载率、三相电压、三相电流、电压不平衡度、电流不平衡度、谐波、振动、温度和/或湿度；或者，

获取配电开关的以下性能数据：额度电压、额定电流、工作电压、振动、温度和/或湿度。

6.一种数字孪生状态模型的训练方法，所述数字孪生状态模型为权利要求1中所述的数字孪生状态模型，其特征在于，所述数字孪生状态模型的训练方法包括：

设置所述数字孪生状态模型的训练参数；

将样本数据集中的第一数据集作为训练数据集，将训练数据集组成n×m的样本矩阵，将该样本矩阵输入所述数字孪生状态模型进行训练；

将样本数据集中的第二数据集作为测试数据集，对训练后的参数进行验证。