本發(fā)明涉及電網(wǎng)故障識別，尤其涉及基于智能分析的配網(wǎng)線路頻繁停電研判與根因識別系統(tǒng)。

背景技術(shù)：

1、配網(wǎng)線路是電力網(wǎng)絡(luò)中與居民生活相關(guān)性最大的電網(wǎng)，隨著居民生活水平的不斷提高，用戶對供電可靠性的要求也越來越高。但是由于配網(wǎng)線路運(yùn)行情況和網(wǎng)架結(jié)構(gòu)復(fù)雜、線路和設(shè)備數(shù)量較多、廣大地區(qū)線路情況監(jiān)控和信息通道不可靠等問題，導(dǎo)致配網(wǎng)線路頻繁停電，停電通常會造成巨大的經(jīng)濟(jì)損失，影響其他關(guān)鍵基礎(chǔ)設(shè)施系統(tǒng)并嚴(yán)重破壞日常生活。因此對停電數(shù)據(jù)進(jìn)行分析很有必要。

2、為了滿足用戶的用電需求，電力公司普遍構(gòu)建了配網(wǎng)線路監(jiān)測系統(tǒng)進(jìn)行停電管理。但是現(xiàn)有停電預(yù)測系統(tǒng)大多基于靜態(tài)分析模型進(jìn)行停電分析，然而，隨著配網(wǎng)線路規(guī)模的不斷擴(kuò)大以及各種新型用電設(shè)備的不斷出現(xiàn)，電力負(fù)荷的特性和數(shù)據(jù)來源變得越來越復(fù)雜，簡單的靜態(tài)分析模型已經(jīng)不能準(zhǔn)確描述電力系統(tǒng)的特性。

3、為了解決上述問題，本發(fā)明提出基于智能分析的配網(wǎng)線路頻繁停電研判與根因識別系統(tǒng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提出基于智能分析的配網(wǎng)線路頻繁停電研判與根因識別系統(tǒng)以解決背景技術(shù)中所提出的問題：

2、現(xiàn)有停電預(yù)測系統(tǒng)大多基于靜態(tài)分析模型進(jìn)行停電分析，然而，隨著配網(wǎng)線路規(guī)模的不斷擴(kuò)大以及各種新型用電設(shè)備的不斷出現(xiàn)，電力系統(tǒng)的電力特性和數(shù)據(jù)來源變得越來越復(fù)雜，簡單的靜態(tài)分析模型已經(jīng)不能準(zhǔn)確描述電力系統(tǒng)的特性。

3、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

4、基于智能分析的配網(wǎng)線路頻繁停電研判與根因識別系統(tǒng)，包括：采集處理模塊：用于基于數(shù)據(jù)采集設(shè)備對配網(wǎng)線路的運(yùn)行數(shù)據(jù)進(jìn)行收集和預(yù)處理；

5、預(yù)測識別模塊：用于根據(jù)采集的數(shù)據(jù)建立智能根因識別算法，并對停電事件的故障類型和原因進(jìn)行分析；

6、決策優(yōu)化模塊：用于結(jié)合所述預(yù)測識別模塊的根因識別結(jié)果，提供實(shí)時(shí)的決策支持；

7、可視化模塊：用于為用戶提供可視化界面；

8、所述預(yù)測識別模塊包括：

9、根因分析單元：用于基于優(yōu)化的lstm網(wǎng)絡(luò)學(xué)習(xí)和識別配網(wǎng)線路出現(xiàn)頻繁停電的模式和趨勢，并與圖神經(jīng)網(wǎng)絡(luò)相結(jié)合，對停電事件的根因進(jìn)行分析；

10、模型訓(xùn)練單元：利用無標(biāo)簽數(shù)據(jù)對各模型進(jìn)行自監(jiān)督預(yù)訓(xùn)練，再進(jìn)行模型的有監(jiān)督優(yōu)化調(diào)整；

11、停電預(yù)測單元：用于采用seq2seq模型框架對配網(wǎng)線路的潛在停電事件及原因進(jìn)行預(yù)測；

12、停電預(yù)警單元：用于根據(jù)所述停電預(yù)測單元的預(yù)測結(jié)果進(jìn)行停電預(yù)警。

13、優(yōu)選地，所述采集處理模塊的預(yù)處理操作包括數(shù)據(jù)清洗、數(shù)據(jù)格式化和時(shí)間序列處理操作。

14、優(yōu)選地，所述根因分析單元中的優(yōu)化的lstm網(wǎng)絡(luò)分別搭建短期優(yōu)化lstm模型、中期優(yōu)化lstm模型和長期優(yōu)化lstm模型處理不同時(shí)間尺度的特征，并在優(yōu)化的lstm網(wǎng)絡(luò)輸出后引入注意力機(jī)制進(jìn)行輸出，再將輸出值與圖神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行結(jié)合，通過全連接層進(jìn)行最終的根因分類預(yù)測。

15、優(yōu)選地，所述優(yōu)化lstm模型采用嵌套式網(wǎng)絡(luò)，將記憶單元優(yōu)化為lstm網(wǎng)絡(luò)，并將遺忘門、輸入門與記憶單元進(jìn)行耦合，具體如下：

16、輸入門如下：

17、 it =σ( ωi ·[ ht-1, xt]+ bi)

18、其中， it為輸入門的激活值； σ為激活函數(shù)； ωi為輸入門權(quán)重； ht-1為上一時(shí)刻記憶單元的輸出； xt為 t時(shí)刻記憶單元的輸入； bi為輸入門的偏置量；

19、遺忘門如下：

20、 ft =σ( ωf ·[ ct-1, ht-1, xt]+ bf)

21、其中， ft為遺忘門的激活值； ωf為遺忘門權(quán)重； ct-1為上一時(shí)刻記憶單元的狀態(tài)； bf為遺忘門的偏置量；

22、輸出門如下：

23、 ot =σ( ωo ·[ ct-1, ht-1, xt]+ bo)

24、其中， ot為輸出門的激活值； ωo為遺忘門權(quán)重； bo為遺忘門的偏置量；

25、記憶單元如下：

26、 ct =ft ·ct-1+ it ·σ( ωc ·[ ht-1, xt]+ bc)

27、其中， ct為 t時(shí)刻記憶單元的狀態(tài)； ωc為記憶單元權(quán)重； bc為記憶單元的偏置量；

28、其中，所述優(yōu)化的lstm網(wǎng)絡(luò)中的各項(xiàng)權(quán)重基于優(yōu)化的粒子群算法進(jìn)行尋優(yōu)獲得，所述優(yōu)化的粒子群算法具體如下：

29、 ui,d,j+1 =αui,d,j +s1 r1( pi,d -vi,d,j)+ s2 r2( gi,d -vi,d,j)

30、

31、 vi,d,j+1 =vi,d,j +ui,d,j+1

32、其中， ui,d,j+1為第 i個(gè)粒子在第 d維第 j+1次迭代的位置變化率；α為慣性因子； r1、 r2為(0,1)間的隨機(jī)數(shù)； pi,d為第 i個(gè)粒子 vi的個(gè)體最優(yōu)值； gi,d為粒子群的全局最優(yōu)值； vi,d,j為第 i個(gè)粒子在第 d維第 j次迭代的位置； vi,d,j+1為第 i個(gè)粒子在第 d維第 j+1次迭代的位置； s1、 s2為加速因子。

33、優(yōu)選地，所述根因分析單元中引入的注意力機(jī)制具體如下；

34、對優(yōu)化的lstm網(wǎng)絡(luò)的輸出 y，采用訓(xùn)練的注意力權(quán)重 λ進(jìn)行加權(quán)，具體如下：

35、 y=λy=( ωλ ·y+ bλ)

36、其中， y為注意力權(quán)重輸出； ωλ為注意力機(jī)制權(quán)重； bλ為注意力機(jī)制的偏置量。

37、優(yōu)選地，所述圖神經(jīng)網(wǎng)絡(luò)與gis相結(jié)合獲得配網(wǎng)線路拓?fù)浣Y(jié)構(gòu)信息。

38、優(yōu)選地，所述停電預(yù)測單元中的seq2seq模型采用優(yōu)化的lstm網(wǎng)絡(luò)作為編碼器以及解碼器組件，模型框架具體如下：

39、輸入層：基于優(yōu)化粒子群算法根據(jù)輸入的停電事件相關(guān)數(shù)據(jù)動(dòng)態(tài)調(diào)整輸入序列的長度，作為seq2seq模型的輸入；

40、編碼層：輸入的停電事件相關(guān)數(shù)據(jù)序列通過lstm編碼層分析輸入序列，將輸入的停電事件相關(guān)數(shù)據(jù)信息編碼為背景變量；

41、解碼層：將編碼層輸出的背景變量通過lstm解碼層解碼，并生成輸出序列；

42、輸出層：輸出序列的每一個(gè)時(shí)間步的輸出對應(yīng)一個(gè)dense層。

43、優(yōu)選地，所述決策優(yōu)化模塊根據(jù)所述預(yù)測識別模塊的分析結(jié)果推薦維護(hù)策略、優(yōu)化設(shè)備配置，并制定預(yù)防性維護(hù)計(jì)劃。

44、與現(xiàn)有技術(shù)相比，本發(fā)明提供了基于智能分析的配網(wǎng)線路頻繁停電研判與根因識別系統(tǒng)，具備以下有益效果：

45、本發(fā)明引入了針對停電事件的智能根因識別算法，對不同數(shù)據(jù)源的多種數(shù)據(jù)進(jìn)行綜合建模分析，結(jié)合注意力機(jī)制提高對關(guān)鍵數(shù)據(jù)的關(guān)注程度，還結(jié)合圖神經(jīng)網(wǎng)絡(luò)捕捉設(shè)備間的拓?fù)浣Y(jié)構(gòu)和相互影響，不僅僅能夠檢測故障發(fā)生的位置，還能對故障的類型和原因進(jìn)行分類，從而幫助運(yùn)維人員快速定位和解決問題；同時(shí)結(jié)合了數(shù)據(jù)分析和根因識別的結(jié)果，系統(tǒng)提供了綜合的決策支持；實(shí)現(xiàn)了對配網(wǎng)系統(tǒng)實(shí)時(shí)監(jiān)控的能力，能夠在出現(xiàn)異?；驖撛谕ｋ婏L(fēng)險(xiǎn)時(shí)立即發(fā)出警報(bào)。通過對停電事件進(jìn)行準(zhǔn)確的研判與識別，有助于提高電網(wǎng)管理的效率和可靠性，減少頻繁停電對社會生活和生產(chǎn)造成的影響。