一种基于机器学习的配电系统智能管理方法与流程

本发明涉及电力系统管理，具体是指一种基于机器学习的配电系统智能管理方法。

背景技术：

1、配电系统智能管理方法是指利用先进的技术手段、算法和信息技术，对电力配电系统进行实时监测、分析和优化管理的一系列方法和流程。其目的是提高配电系统的运行效率、可靠性和安全性，同时降低维护成本和事故风险。但是一般配电系统智能管理方法存在对不同设备和状态的泛化能力弱，进而导致对配电系统设备状态的预测准确性低的问题；一般配电系统智能管理方法存在对关键异常特征关注少，对配电系统重要异常点捕捉能力差，进而导致异常监测的准确性差和监测效率低的问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于机器学习的配电系统智能管理方法，针对一般配电系统智能管理方法存在对不同设备和状态的泛化能力弱，进而导致对配电系统设备状态的预测准确性低的问题，本方案引入特征优化和偏差优化层，增强对特征独立性和相关性的捕捉，提高处理多样化设备和不可预知的运行环境的能力，进而提高对配电系统设备状态的预测准确性，加强对配电系统的管理；针对一般配电系统智能管理方法存在对关键异常特征关注少，对配电系统重要异常点捕捉能力差，进而导致异常监测的准确性差和监测效率低的问题，本方案通过考虑误差、置信度权重和变化率，设计异常监测损失函数，捕捉重要异常点，并更加注重关键异常特征，进而提高异常监测的准确性；通过设计动态学习率调整，应对配电系统不平衡数据，进行实现快速收敛，提高配电系统智能管理的效率，促进配电系统的稳定运行与管理。

2、本发明采取的技术方案如下：本发明提供的一种基于机器学习的配电系统智能管理方法，该方法包括以下步骤：

3、步骤s1：数据采集；

4、步骤s2：数据预处理；

5、步骤s3：建立配电系统异常监测模型；

6、步骤s4：配电系统智能管理。

7、进一步地，在步骤s1中，所述数据采集是采集历史配电系统管理数据；所述历史配电系统管理数据包括电压、电流、有功功率、无功功率、负载、运行时间、电网频率、气象条件和设备状态；所述设备状态包括运行正常、轻度异常、中度异常和严重异常；将设备状态作为数据标签。

8、进一步地，在步骤s2中，所述数据预处理是对采集的数据进行数据清洗、数据转换和数据集划分；所述数据清洗是处理缺失值、重复值和异常值；所述数据转换是将数据转换为向量形式，并进行归一化处理；所述数据集划分是将处理后的数据划分为测试集和训练集。

9、进一步地，在步骤s3中，所述建立配电系统异常监测模型具体包括以下步骤：

10、步骤s31：数据堆叠；通过堆叠的方法将输入分成窗口，每个窗口包含k个时间步的数据，生成新的输入；

11、步骤s32：模型架构设计；所建立的配电系统异常监测模型包括：因果卷积层，用于提取局部特征，并确保时间序列的因果关系；双向lstm层，使用双向lstm层来捕捉时间序列数据中双向的长依赖性特征，处理配电系统中跨多个时间步的异常监测任务；最终，两个层的输出在全连接层中被合并，输出配电系统的设备状态；表示为：；其中，youtput是模型的最终输出，用于预测配电系统的设备状态；fc是全连接层，产生最终的预测结果；concat是连接操作；ycnn是因果卷积层的输出；ylstm是双向lstm层的输出；

12、步骤s33：特征优化；在网络结构的每一层中引入偏差优化层，增强对特征独立性和相关性的捕捉，偏差优化层表示为：；；其中，是第k层的输出特征；μk是输入特征的均值；是输入特征的方差；αk是尺度调整参数；xk是输入特征；βk是偏移调整参数；γk是自适应调节因子；是逐元素乘积操作；

13、步骤s34：设计异常监测损失函数；定义运行异常包括；为捕捉包括电压突变和电流过载的异常点，设计了异常监测损失函数，表示为：；；其中，dl是异常监测损失函数；α1和α2都是权重参数，控制损失项的影响；n是时间步总数，t是当前时间步；是置信度权重；是真实标签；是预测标签；是变化率置信度权重；是真实标签变化率；是预测标签变化率；是时间加权因子；β是调节参数；是时间步t检测到的异常数量；是时间步t的总数据数量；

14、步骤s35：学习率调整；偏差优化层的学习率表示为：；；其中，和 分别是更新前和更新后的尺度调整参数；  是损失函数的梯度，是第k层的偏差优化层的学习率；是初始学习率；是t时间步的梯度，是变化量；

15、步骤s36：模型判定；模型选用基于训练集训练配电系统异常监测模型，当模型对损失收敛时，配电系统异常监测模型训练完成；预先设定预测界限，当训练完成的配电系统异常监测模型对测试集的预测正确率高于预测界限，配电系统异常监测模型建立完成；若达到最大训练次数或训练完成的配电系统异常监测模型对测试集的预测量不高于预测界限，则基于粒子群搜索算法优化模型初始参数，并重新划分数据集训练配电系统异常监测模型。

16、进一步地，在步骤s4中，所述配电系统智能管理是基于建立完成的配电系统异常监测模型，实时采集电压、电流、有功功率、无功功率、负载和运行时间，经预处理后输入至配电系统异常监测模型中，当模型输出设备状态属于运行异常时，给予预警处理，并通知管理人员。

17、采用上述方案本发明取得的有益效果如下：

18、（1）针对一般配电系统智能管理方法存在对不同设备和状态的泛化能力弱，进而导致对配电系统设备状态的预测准确性低的问题，本方案引入特征优化和偏差优化层，增强对特征独立性和相关性的捕捉，提高处理多样化设备和不可预知的运行环境的能力，进而提高对配电系统设备状态的预测准确性，加强对配电系统的管理。

19、（2）针对一般配电系统智能管理方法存在对关键异常特征关注少，对配电系统重要异常点捕捉能力差，进而导致异常监测的准确性差和监测效率低的问题，本方案通过考虑误差、置信度权重和变化率，设计异常监测损失函数，捕捉重要异常点，并更加注重关键异常特征，进而提高异常监测的准确性；通过设计动态学习率调整，应对配电系统不平衡数据，进行实现快速收敛，提高配电系统智能管理的效率，促进配电系统的稳定运行与管理。

技术特征：

1.一种基于机器学习的配电系统智能管理方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的一种基于机器学习的配电系统智能管理方法，其特征在于：在步骤s3中，所述建立配电系统异常监测模型还包括以下步骤：

3.根据权利要求2所述的一种基于机器学习的配电系统智能管理方法，其特征在于：在步骤s35中，所述学习率调整具体为偏差优化层的学习率表示为：；；其中，和 分别是更新前和更新后的尺度调整参数；  是损失函数的梯度；是第k层的偏差优化层的学习率；是初始学习率；是t时间步的梯度，是变化量。

4.根据权利要求3所述的一种基于机器学习的配电系统智能管理方法，其特征在于：在步骤s1中，所述历史配电系统管理数据包括电压、电流、有功功率、无功功率、负载、运行时间、电网频率、气象条件和设备状态；所述设备状态包括运行正常、轻度异常、中度异常和严重异常；将设备状态作为数据标签。

5.根据权利要求4所述的一种基于机器学习的配电系统智能管理方法，其特征在于：在步骤s4中，所述配电系统智能管理是基于建立完成的配电系统异常监测模型，实时采集电压、电流、有功功率、无功功率、负载和运行时间，经预处理后输入至配电系统异常监测模型中，当模型输出设备状态属于运行异常时，给予预警处理，并通知管理人员。

6.根据权利要求5所述的一种基于机器学习的配电系统智能管理方法，其特征在于：在步骤s2中，所述数据预处理是对采集的数据进行数据清洗、数据转换和数据集划分；所述数据清洗是处理缺失值、重复值和异常值；所述数据转换是将数据转换为向量形式，并进行归一化处理；所述数据集划分是将处理后的数据划分为测试集和训练集。

技术总结
本发明公开了一种基于机器学习的配电系统智能管理方法，方法包括数据采集、数据预处理、建立配电系统异常监测模型和配电系统智能管理。本发明属于电力系统管理技术领域，具体是指一种基于机器学习的配电系统智能管理方法，本方案引入特征优化和偏差优化层，增强对特征独立性和相关性的捕捉，提高处理多样化设备的能力，进而提高对配电系统设备状态的预测准确性，加强对配电系统的管理；设计异常监测损失函数，捕捉重要异常点，并更加注重关键异常特征，进而提高异常监测的准确性；通过设计动态学习率调整，应对配电系统不平衡数据，进行实现快速收敛，提高配电系统智能管理的效率，促进配电系统的稳定运行与管理。

技术研发人员：罗伟,罗智勇
受保护的技术使用者：北京普瑞斯玛电气技术有限公司
技术研发日：
技术公布日：2024/12/10