【技术实现步骤摘要】
本专利技术涉及电力安全，尤其涉及一种可提高配网安全性的网格化故障监测方法。
技术介绍
1、电网网格化是指根据地理、网架现状、负荷分布和上级电源等时机情况，将复杂配电网划分成若干地理上和电气上均相对独立的供电网络，并以网络作为配电网规划、项目管理和用户接入的最小单位。通过网格化供电的形式，能清晰地掌握网格内的设备、资源、投资情况，使运行、规划、营销等业务管理责任到人，从而实现精准定位配网问题、提升配网建设改造和运营管理的有效性。
2、目前，配网网格化故障检测还存在以下不足：一是特征提取能力有限，传统的监测方法在复杂电网环境中提取关键特征的能力受到限制，难以适应电网状态的多样性和复杂性。二是数据处理效率低，配电网监测产生的大量数据需要高效处理，传统方法在大规模数据处理和实时性方面存在瓶颈，难以满足对电网状态快速响应的需求。三是对异常故障检测的准确性不足，一些传统方法在对电网异常故障检测的准确性上可能存在不足，尤其是对于迅速发生的、复杂的故障情况，监测系统可能表现出较低的灵敏度和准确性。
3、为此，我们设计出了一种可提高配网安全性的网格化故障监测方法来解决以上问题。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的配网网格化故障检测中电网环境中提取关键特征的能力较低，数据处理效率低，对异常故障检测的准确性不足的缺点，而提出的一种可提高配网安全性的网格化故障监测方法，该方法可以不仅提高特征提取能力和数据处理效率，还增强了对异常故障检测的准确性，通过实施网
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种可提高配网安全性的网格化故障监测方法，包括以下步骤：
4、步骤1，采集配网网格故障的监测数据，监测数据包括采集配网网格节点的电流数据、电压数据、功率数据、频率数据以及电压相角数据，配网网格设备的电流数据、电压数据、功率数据和温度数据；
5、步骤2，使用配网网格故障的监测数据作为训练样本，构建基于卷积神经网络的配网网格节点故障检测模型和配网网格设备故障检测模型；
6、步骤3，将配网网格节点故障检测模型和配网网格设备故障检测模型更新到配网网格的边缘计算终端中，在网格边缘计算终端对配网网格节点和设备的故障进行在线计算分析，对配网网格节点和设备进行故障监测。
7、进一步的，步骤1中，采集配网网格故障的监测数据采用如下公式表示：
8、（1）
9、（2）
10、式中，为采集的时刻配电网网格节点数据，为采集的配电网网格节点在时刻的电流数据，为采集的配电网网格节点在时刻的电压数据，为采集的配电网网格节点在时刻的功率数据，为采集的配电网网格节点在时刻的频率数据，为采集的配电网网格节点在时刻的电压相角数据；为采集的时刻配网网格设备数据，为采集的配电网网格设备在时刻的电流数据，为采集的配电网网格设备在时刻的电压数据，为采集的配电网网格设备在时刻的功率数据，为采集的配电网网格设备在时刻的温度数据。
11、进一步的，步骤2中，对配网网格故障的监测数据中的配网网格节点数据进行标记，作为训练样本，构建训练基于卷积神经网络的配网网格节点故障检测模型包括以下步骤：
12、步骤2.11，向卷积神经网络输入层输入训练样本，对训练样本进行卷积操作，卷积操作通过卷积核对输入的训练样本进行滑动操作，提取配网网格节点中的故障特征，如下式所示：
13、（3）
14、式中，表示卷积结果，为卷积核，，是矩阵的索引，表示矩阵的第行，表示矩阵的第列；m和n分别表示卷积核的行和列的索引，为配电网网格节点的输入数据，表示卷积核对应的元素，表示卷积核的行，表示卷积核的列；
15、步骤2.12，构建配网网格节点故障检测模型的激活函数，引入非线性变换，捕捉配网网格节点故障的抽象特征，如下式所示：
16、（4）
17、式中，表示配网网格节点故障检测模型的激活函数，表示捕捉的配网网格节点故障的抽象特征；
18、步骤2.13，进行池化操作，通过对配网网格节点故障特征进行采样，采用最大池化操作，如下式所示：
19、（5）
20、式中，为配网网格节点故障检测模型池化后的函数，为激活函数的行，为激活函数的列，m和n分别表示卷积核的行和列的索引；
21、步骤2.14，进行卷积神经网络全连接层操作，全连接层的权重为，全连接层的偏置为，卷积神经网络全连接层的输出如下式所示：
22、（6）
23、式中，函数表示将池化后的函数展平为向量；
24、步骤2.15，输出最终的配网网格节点故障检测模型，如下式所示：
25、 （7）
26、式中，为配网网格节点故障检测模型，取值为1时表示配网网格内存在的节点故障，取值为0时表示配网网格内不存在节点故障。
27、进一步的，在配网网格节点故障检测模型的训练构建过程中，通过最小化损失函数，度量配网网格节点故障检测模型的预测输出与实际标签之间的差异，如下式所示：
28、（8）
29、式中，表示配网网格节点故障检测模型的损失函数，表示配网网格节点故障检测模型和配网网格节点故障检测模型真实值之间的差值；
30、计算梯度和，并更新全连接层的权重，全连接层的偏置经过多次迭代不断调整配网网格节点故障检测模型参数，最小化损失函数，输出配网网格节点故障检测模型：。
31、进一步的，步骤2中，使用配网网格故障的监测数据作为训练样本，构建训练基于卷积神经网络的配网网格设备故障检测模型，包括以下步骤：
32、步骤2.21，向卷积神经网络输入层输入训练样本，对训练样本进行卷积操作，卷积操作通过卷积核对输入的训练样本进行滑动操作，提取配网网格设备中的故障特征，如下式所示：
33、（9）
34、式中，表示卷积结果，为卷积核，和是矩阵的索引，表示矩阵的第行，表示矩阵的第列；和分别表示卷积核的行和列的索引，为配网网格设备的输入数据，表示卷积核对应的元素，表示卷积核的行，表示卷积核的列；
35、步骤2.22，构建配网网格设备故障检测模型的激活函数，引入非线性变换，捕捉配网网格设备故障的抽象特征，如下式所示：
36、（10）
37、式中，表示配网网格设备故障检测模型的激活函数，表示捕捉的配网网格设备故障的抽象特征；
38、步骤2.23，进行池化操作，通过对配网网格设备故障特征进行采样，采用最大池化操作，如下式所示：
39、（11）
40、式中，为配网网格设备故障检测模型池化后的函数，为激活函本文档来自技高网...
【技术保护点】
1.一种可提高配网安全性的网格化故障监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种可提高配网安全性的网格化故障监测方法，其特征在于，步骤1中，采集配网网格故障的监测数据采用如下公式表示：
3.根据权利要求1所述的一种可提高配网安全性的网格化故障监测方法，其特征在于，步骤2中，对配网网格故障的监测数据中的配网网格节点数据进行标记，作为训练样本，构建训练基于卷积神经网络的配网网格节点故障检测模型包括以下步骤：
4.根据权利要求3所述的一种可提高配网安全性的网格化故障监测方法，其特征在于，在配网网格节点故障检测模型的训练构建过程中，通过最小化损失函数，度量配网网格节点故障检测模型的预测输出与实际标签之间的差异，如下式所示：
5.根据权利要求1所述的一种可提高配网安全性的网格化故障监测方法，其特征在于，步骤2中，使用配网网格故障的监测数据作为训练样本，构建训练基于卷积神经网络的配网网格设备故障检测模型，包括以下步骤：
【技术特征摘要】
1.一种可提高配网安全性的网格化故障监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种可提高配网安全性的网格化故障监测方法，其特征在于，步骤1中，采集配网网格故障的监测数据采用如下公式表示：
3.根据权利要求1所述的一种可提高配网安全性的网格化故障监测方法，其特征在于，步骤2中，对配网网格故障的监测数据中的配网网格节点数据进行标记，作为训练样本，构建训练基于卷积神经网络的配网网格节点故障检测模型包括以...
【专利技术属性】
技术研发人员：孙暕，王刚，穆景龙，高嵩，李天宁，丁以心，靳双源，路天峰，杨旭昕，曹飞译，娄展豪，叶德武，张大勇，
申请(专利权)人：国网辽宁省电力有限公司抚顺供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。