一种基于CNN和LightGBM的10kV馈线故障预测方法技术

本发明专利技术公开一种基于CNN和LightGBM的10kV馈线故障预测方法，主要步骤为：1)获取配电网原始数据，对配电网原始数据进行预处理；2)从配电网原始数据中提取特征，构建特征集f{f

A method of 10kV feeder fault prediction based on CNN and lightgbm

【技术实现步骤摘要】
一种基于CNN和LightGBM的10kV馈线故障预测方法
本专利技术涉及智能配电网领域，具体是一种基于CNN和LightGBM的10kV馈线故障预测方法。
技术介绍
随着现代社会工业化、信息化和智能化水平的不断提高，电能作为二次能源的重要组成部分，不仅在社会发展起着关键作用，也在人民生活中不可替代。电力系统集发电、输电、配电和用电五个环节于一体，网络结构复杂、运行环境多变，近年来分布式电源和充电桩等的接入，也给电力系统带来了不小的压力，电网任何环节发生故障都将对用户造成影响，轻则造成经济损失，重则威胁生命安全。配电网位于电力系统的末端，与用户紧密相连，直接向用户配电和供电，配电网的运行状态将直接影响用户的用电质量。统计结果表明，用户故障停电事件80％以上是由配电网故障导致的。及时准确的掌握配电网的运行状态，实现对配电网故障风险的计算和预测，可以减少配电网故障、提高配电网的供电可靠性和精益化运维水平，对于促进国民经济稳定发展、保障用户的用电质量及提升全社会满意度有着重要意义。以往，专家学者们对配电网故障风险预测方法的研究多聚焦于风险评估、历史数据分析，以及基于机理建模或智能算法的故障预测等。这些研究成果能在一定程度上预测配电网的故障风险，找出配电网的薄弱环节，提高配电网的供电可靠性，但仍然存在一些不足。配电网的风险评估需要建立风险指标，指标多依赖于专家经验和故障相关静态数据，且量化规则往往采用层次分析法、德菲尔法及模糊评价法等，这导致该法的客观性和实时性较差；配电网历史故障相关数据分析一般使用统计分析、关联分析及多维分析等方法，这些方法能够统计故障发生规律，挖掘故障原因的相关性和自相关性，但快速性、灵活性和可预测性不够；配电网结构复杂,基于机理建模对配电网进行故障预测十分困难，常见机理建模有电力设备的温升模型和油气分析模型等，相对于机理建模，基于数据处理技术运用智能算法对配电网进行故障预测则较为容易，比如回归算法、聚类算法、支持向量机和人工神经网络等，但目前这些算法往往是分别对配电网中单一连续时间变量及多元离散时间变量进行建模，缺乏对配电网时间序列特征和非时间序列特征的融合处理，也缺少对配电网时间序列变量的特征提取方法研究，且随着配电网数据的逐年累积，一些算法已不再适应大规模数据场景。
技术实现思路
本专利技术的目的是解决现有技术中存在的问题。为实现本专利技术目的而采用的技术方案是这样的，一种基于CNN和LightGBM的10kV馈线故障预测方法，主要包括以下步骤：1)获取配电网原始数据，并对配电网原始数据进行预处理。进一步，所述配电网原始数据包括气象数据和配电网信息数据。将配电网原始数据以馈线故障为标准，分为三类，分别表示不同类型馈线故障下xi年yi条馈线的原始数据。所述馈线故障包括运行因素引发的故障、设备故障引发的故障和天气因素引发的故障。进一步，对配电网原始数据进行预处理的步骤如下：1.1)利用临插补法对配电网原始数据进行补全。1.2)对配电网原始数据降噪。2)从配电网原始数据中提取特征，并构建特征集f{f1，f2…f15，f16，L}。L为标签，表示馈线是否发生故障。其中，元素f1、元素f2、元素f3、元素f4、元素f5、元素f6为固有属性特征。元素f7、元素f8、元素f9、元素f10、元素f11、元素f12、元素f13为统计分析特征。元素f14、元素f15、元素f16为卷积神经网络CNN提取的深度时序特征。进一步，配电网原始数据集特征参数包括固有属性特征、统计分析特征和深度时序特征。所述固有属性特征包括线路性质f1、线路长度f2、所属变电站f3、线路投运时间f4、线路设备数量f5和线路设备厂商f6。所述统计分析特征包括时间统计特征、气象统计特征和故障自相关性统计特征，其中时间统计特征包括夏季表征参数f7和周末表征参数f8。气象统计特征包括一天中气温的最大值f9、一天中气温最小值f10、湿度的最大值f11和风速最大值f12。故障的自相关特征包括馈线前一周发生故障的次数f13。进一步，获取深度时序特征的主要步骤如下：2.1)构建深度时序特征样本集，主要步骤如下：2.1.1)建立配电网馈线故障时序数据特征集F{A,V,T,H,W}。A为电流，V为电压，T为气温，H为湿度，W为风速。2.1.2)以滑动窗口方式构建三个深度时序特征样本集，滑动窗口步长分别为d1、d2和d3。2.2)将滑动窗口内前n天的深度时序特征样本集归一化，建立故障画像。所述故障画像包括不存在故障的正常画像和存在故障的异常画像。正常画像记为0，异常画像记为1。2.3)建立卷积神经网络CNN。所述卷积神经网络CNN包括输入层、若干隐含层和输出层。2.4)将三个深度时序特征样本集分别输入到卷积神经网络CNN中，对卷积神经网络CNN进行训练，得到故障画像类别预测概率P1、故障画像类别预测概率P2和故障画像类别预测概率P3。故障画像类别预测概率P1、故障画像类别预测概率P2和故障画像类别预测概率P3分别记为深度时序特征f14、深度时序特征f15和深度时序特征f16。3)利用LightGBM算法建立配电网故障预测模型。进一步，建立配电网故障预测模型的主要步骤如下：3.1)对特征集f进行样本均衡处理，并将均衡样本后的特征集f，将数据集划分为训练样本集和测试样本集，其中，馈线正常为负样本，馈线故障为正样本。对特征集f进行样本平衡处理的方法为：3.1.1)确定正样本和负样本的数量。3.1.2)利用上采样方法对数量少的样本进行随机采样，使正样本和负样本数据均衡。3.2)利用LightGBM算法建立配电网故障预测模型，并设置配电网故障预测模型参数，包括最大深度max_depth、叶子节点书num_leaves、步长learning_rate、迭代次数n_estimators和早停条件early_stopping_rounds。early_stopping_rounds表示连续n次迭代后配电网故障预测模型误差没有减小，提前终止训练。3.3)将训练样本集输入到配电网故障预测模型中，完成配电网故障预测模型的训练。3.4)将测试样本集输入到训练后的配电网故障预测模型中，输出配电网故障预测概率P。3.5)基于配电网故障预测概率P建立受试者工作特征曲线ROC，并计算特征曲线ROC和坐标轴所围成的面积AUC。判断AUC≥阈值ε是否成立，若成立，则结束迭代，若不成立，则重新设置配电网故障预测模型参数，并返回步骤3.3。进一步，获取受试者工作特征曲线ROC的主要步骤如下：3.5.1)建立坐标轴，其中横坐标为误报率FPR，纵坐标为查全率TPR。误报率FPR如下所示：式中，TP表示预测概率和真实值均为1。FP表示预测概率为0，真实值为1。FN表示预测概率为1，真实值为0。TN表示预测概率和真实值均为0。查全率TPR如下所示：3.5本文档来自技高网...

【技术保护点】
1.一种基于CNN和LightGBM的10kV馈线故障预测方法，其特征在于，主要包括以下步骤：/n1)获取配电网原始数据，并对配电网原始数据进行预处理；/n2)从配电网原始数据中提取特征，并构建特征集f{f

【技术特征摘要】
1.一种基于CNN和LightGBM的10kV馈线故障预测方法，其特征在于，主要包括以下步骤：
1)获取配电网原始数据，并对配电网原始数据进行预处理；
2)从配电网原始数据中提取特征，并构建特征集f{f1，f2…f15，f16，L}；L为标签，表示馈线是否发生故障；其中，元素f1、元素f2、元素f3、元素f4、元素f5、元素f6为固有属性特征；元素f7、元素f8、元素f9、元素f10、元素f11、元素f12、元素f13为统计分析特征；元素f14、元素f15、元素f16为卷积神经网络CNN提取的深度时序特征；
3)利用LightGBM算法建立配电网故障预测模型。
4)将配电网10kV馈线实时数据输入到配电网故障预测模型中，得到馈线故障预测结果。


2.根据权利要求1所述的一种基于CNN和LightGBM的10kV馈线故障预测方法，其特征在于：所述配电网原始数据包括气象数据和配电网信息数据；配电网原始数据以馈线故障为标准，分为三类，分别表示不同类型馈线故障下xi年yi条馈线的原始数据；所述馈线故障包括运行因素引发的故障、设备故障引发的故障和天气因素引发的故障。


3.根据权利要求1或2所述的一种基于CNN和LightGBM的10kV馈线故障预测方法，其特征在于，对配电网原始数据进行样本均衡处理的步骤如下：
1)利用临插补法对配电网原始数据进行补全；
2)对配电网原始数据降噪。


4.根据权利要求1所述的一种基于CNN和LightGBM的10kV馈线故障预测方法，其特征在于：配电网原始数据集特征参数包括固有属性特征、统计分析特征和深度时序特征；
所述固有属性特征包括线路性质f1、线路长度f2、所属变电站f3、线路投运时间f4、线路设备数量f5和线路设备厂商f6；
所述统计分析特征包括时间统计特征、气象统计特征和故障自相关性统计特征，其中时间统计特征包括夏季表征参数f7和周末表征参数f8；气象统计特征包括一天中气温的最大值f9、一天中气温最小值f10、湿度的最大值f11和风速最大值f12；故障的自相关特征包括馈线前一周发生故障的次数f13。


5.根据权利要求4所述的一种基于CNN和LightGBM的10kV馈线故障预测方法，其特征在于，获取深度时序特征的主要步骤如下：
1)构建深度时序特征样本集，主要步骤如下：
1.1)建立配电网馈线故障时序数据特征集F{A,V,T,H,W}；A为电流，V为电压，T为气温，H为湿度，W为风速；
1.2)以滑动窗口方式构建三个深度时序特征样本集，滑动窗口步长分别为d1、d2和d3；
2)将滑动窗口内前n天的深度时序特征样本集归一化，建立故障画像；所述故障画像包括不存在故障的正常画像和存在故障的异常画像；正常画像记为0，异常画像记为1；
3)建立卷积神经网络CNN；所述卷积神经网络CNN包括输入层、若干隐含层和输出层；...

【专利技术属性】
技术研发人员：黄虎，冯德伦，范敏，杨青，刘亚玲，苑吉河，张曦，彭港，贾世韬，
申请(专利权)人：国网重庆市电力公司南岸供电分公司，重庆大学，国家电网有限公司，
类型：发明
国别省市：重庆;50