基于长短时记忆神经网络的配电网可靠性检测方法及系统

技术领域

本发明涉及电力电网领域，尤其是涉及一种基于长短时记忆神经网络的配电网可靠性检测方法及系统。

背景技术

电力系统可靠性是对按可接受的质量标准和所需数量不间断地向电力用户供应电力和电能量之能力的度量。配电系统可靠性是指供电点到用户，包括变电所、高低压线路及接户线在内的整个配电系统及设备按可接受标准及期望数量满足用户电力及电能量需求能力的度量。配电系统可靠性主要评估充裕度，它通过可靠性指标来体现。

目前现有的配电网可靠性评估方法大都以数理统计、概率论为基础，通过对配电网历史数据的收集来建立配电网可靠性评估模型。配电网可靠性评估方法中，一般包括模拟法、解析法及人工智能相关方法。在配电网可靠性评估方法中，模拟法通常采用蒙特卡洛(Monte Carlo)仿真法来模拟元件(设备)故障、老化的过程，计算仿真时段内配电网故障次数及影响范围来获得可靠性指标。相对模拟法计算时间较长，解析法更快速和准确的优点在实践中得到了更广泛的应用。解析法的过程是对各元件(设备)故障产生的影响进行分析，通过罗列故障影响事件来计算负荷点及系统的可靠性指标。在处理输入输出数据间的复杂关系、模拟事物运行机理等方面，人工智能算法具有明显的优势，这些优势被应用到了配电网可靠性评估过程中。已有相关的技术提出通过人工神经网络、支持向量机(SupportVectorMachine，SVM)等方法对影响配电网可靠性的因素进行分析，进而对配电网可靠性做出预测及评估。这些技术中虽然算法逐渐创新优化，但预测结果的精确度仍然有待提高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种精确度高的基于长短时记忆神经网络的配电网可靠性检测方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种基于长短时记忆神经网络的配电网可靠性检测方法，该方法基于待评估配电网的基础信息，利用于一经训练的基于长短时记忆神经网络的配电网模型进行迭代仿真，获得待评估配电网的可靠性指标；

所述基础信息包括配电网线路参数、配电网组件可靠性参数和负载类别参数；

所述配电网模型为双层LSTM网络模型，包括输入层、隐藏层、全连接Dense层和输出层。

进一步地，所述配电网模型的训练具体包括以下步骤：

1)获取配电网网架样本，将所述配电网网架样本分成训练数据集和测试数据集两部分；

2)构建配电网模型，配置初始参数；

3)配电网模型基于所述训练数据集进行学习，更新模型参数；

4)以所述测试数据集对步骤3)获得的配电网模型进行验证，判断预测精度是否满足设定要求，若是，则训练完成，若否，则返回步骤2)。

进一步地，所述预测精度采用均方根误差RMSE和平均绝对误差百分比MAPE方法表征。

进一步地，所述输入层的激活函数为tanh。

进一步地，所述全连接Dense层的激活函数为linear。

进一步地，所述可靠性指标包括系统平均停电持续时间、系统平均停电频率、用户平均停电持续时间指标和平均供电可用率。

进一步地，所述配电网模型的输入特征个数为209个。

进一步地，该方法还包括：

对获得待评估配电网的可靠性指标进行归一化及加权求和，获得可靠性综合评分值。

一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如所述基于长短时记忆神经网络的配电网可靠性检测方法的指令。

一种配电网可靠性检测计算机实现系统，包括：

一个或多个处理器；

存储器；和

被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如所述基于长短时记忆神经网络的配电网可靠性检测方法的指令。

与现有技术相比，本发明具有如下有益效果：

1、本发明通过经训练的基于长短时记忆神经网络的配电网模型进行迭代仿真，获得待评估配电网的可靠性指标，能够获得更精度高的检测结果。

2、本发明基础数据包括配电网线路参数、配电网组件可靠性参数和负载类别参数，无需对输入数据进行降维，保留了原始信息的完整性，有效提高精度。

3、本发明通过长短时记忆神经网络能够提取更深层的特征，且能够从海量、复杂的数据中提取特征信息，进而提高配电网可靠性评估的准确性。

4、本发明可对各可靠性指标进行归一化及加权求和，获得可靠性综合评分值，以更直观地获得评估结果。

附图说明

图1为LSTM记忆单元结构示意图

图2为本发明基于LSTM的配电网模型示意图；

图3为本发明的流程图；

图4为模型测试样本的SAIFI结果图；

图5为模型测试样本的SAIDI结果图；

图6为模型测试样本的CAIDI结果图；

图7为模型测试样本的ASAI结果图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明提供一种基于长短时记忆神经网络的配电网可靠性检测方法，如图3所示，该方法基于待评估配电网的基础信息，利用于一经训练的基于长短时记忆神经网络的配电网模型进行迭代仿真，获得待评估配电网的可靠性指标，所述基础信息包括配电网线路参数、配电网组件可靠性参数和负载类别参数等。

本发明采用的配电网模型为双层LSTM网络模型，如图2所示，包括输入层、隐藏层、全连接Dense层和输出层。其中，输入层的输入特征有209个，即其神经元数为209，激活函数为tanh；全连接Dense层激活函数为linear，用于连接隐藏层和输出层。输出的可靠性指标包括系统平均停电持续时间(SAIFI)、系统平均停电频率(SAIDI)、用户平均停电持续时间指标(CAIDI)和平均供电可用率(ASAI)。

LSTM添加了一个专门用于保存历史信息的记忆单元。LSTM的记忆单元的示意图如图1所示。历史信息通过三个门：输入门，遗忘门，输出门的控制进行更新。遗忘门f

f

i

g

o

st＝gt·it+s

其中：x

所述配电网模型的训练具体包括以下步骤：

1)获取配电网网架样本，将所述配电网网架样本分成训练数据集和测试数据集两部分，这样可以使模型在数据的评估上有好的评估效果，确保模型的泛化性能，防止过拟合；

2)基于pytho3.7构建配电网模型，配置初始参数，配置模型的优化器、损失函数、指标列表；

3)配电网模型基于所述训练数据集进行学习，更新模型参数；

4)以所述测试数据集对步骤3)获得的配电网模型进行验证，判断预测精度是否满足设定要求，若是，则训练完成，若否，则返回步骤2)，其中，预测精度采用均方根误差RMSE和平均绝对误差百分比MAPE方法表征。

在优选的实施方式中，该方法还包括：对获得待评估配电网的可靠性指标进行归一化及加权求和，获得可靠性综合评分值。

上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

实施例1

本实施例以十四节点的配电网为研究对象，借助成熟商用CYME软件获取数据样本，将手拉手、环网、多分段单联络、4乘6接线、辐射状等各种类型在内的上千个配电网网架样本分成训练数据集和测试数据集两部分，训练数据集有九百条数据，测试集有一百多条数据。本实施案例采用python语言编程，基于TensorFlow框架来实现的。

本实施例配电网模型训练中，设置每次训练包含的样本数batch_size为16，迭代次数num_epochs为100，学习率learning_rate为0.01，并为模型指定测试数据，输出每一次训练的记录。本实施例的测试样本结果如图4-图7所示，模型预测结果与实际计算结果均较为接近。

本实施例以分别基于Monte Carlo模型、PSO-BP神经网络模型以及LSTM三种模型对配电网可靠性进行评估，比较了3种模型的均方根误差RMSE、平均绝对误差百分比MAPE以及拟合优度R

表1 MAPE、RMSE和拟合优度R

将基于MonteCarlo模型、PSO-BP神经网络模型和LSTM三种模型的MAPE、RMSE和拟合优度R

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。