基于深度学习的10kV馈线故障预测方法研究.pdf

中文摘要 摘 要 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，不仅在人民生活中不可替代，也在社会发展中起着关键作用。目 前，供电公司对配电网的日常无差别巡视和故障事后被动检修的运维管理方式已 不能进一步满足人们日益增长的对供电可靠性的要求。如何发现配电网潜在风险， 进行故障预测预警，以达到主动运维和减少故障发生的目的，成为了智能配电网 领域的研究热点和难点。近年来，智能电网技术快速发展，电网信息物理系统的 研究也不断深入，许多配电网信息管理系统已投入使用，这些系统在为配电网管 理带来便利的同时，也积累了大量的数据，形成了具有“5V”特征的配电网大数据， 如何将大数据技术应用于智能配电网领域，实现对配电网故障的有效预测，也成 为了故障预测技术的一大研究趋势。国内外专家学者们对这些问题进行了大量的 研究，取得了不少成果，但研究还不成熟，一些算法理论也存在着不足，离实际 工程应用尚有差距。因此，本文研究了基于深度学习的配电网故障预测方法，结 ① 合供电公司的实际需求预测了配电网 10kV 馈线的故障（气象因素故障 、设备因 ② ③ 素故障 和运行因素故障 ）概率，并提出了基于故障预测结果的馈线运检排序算 法。 首先，本文对配电网的故障原因、故障类别和故障数据来源进行了深入分析， 并对某供电公司的配电网信息管理系统进行了实地调研，获取了10kV 馈线故障预 测所需数据。然后根据配电网原始数据的缺陷和特点，采用了结巴（jieba ）分词、 负样本生成和样本均衡等有效手段来处理数据，并将处理后的数据进行了清洗， 以此来提高数据质量。 其次，本文对配电网馈线故障的固有属性特征、统计分析特征和深度时序特征 进行了研究，分析了各特征与馈线故障发生率的关系，确定了强相关性故障特征 变量。为了量化时序变量对配电网馈线的累积影响效应，本文根据不同时间步长 构建了基于时序数据的故障画像，并使用CNN 算法深度提取时序变量特征，基于 stacking 思想，CNN 网络的输出作为馈线故障特征向量的一部分输入故障预测模 型。从而进一步丰富故障特征，提升故障预测模型效果。 再次，本文结合配电网大数据背景和实际应用需求，提出了配电网10kV 馈线 故障预测方法。该方法采用具有大数据处理能力的 LightGBM 算法构建配电网馈 线故障预测模型，并采用网格有哪些信誉好的足球投注网站算法对预测模型中多个 LightGBM 子模型的参 数进行了优化。实验证明该模型的准确度较高，能有效预测配电网三类典型原因 故障的概率。同时，还将本文算法与随机森林算法的预测结果进行了对比分析， I 重庆大学硕士学位论文 也进行了深度时序特征加入与否的对比实验。结果表明，加入深度时序特征的 LightGBM 预测模型准确率更高，进一步证明了本文深度时序特征的有效性和使用 本文方法构建馈线故障预测模型的合理性。 最后，基于配电网馈线故障预测结果，考虑馈线所属供电区域、馈线重要用户 数、馈线天平均停电时户数和馈线-供电局路程等约束条件，以故障影响程度最小 化和运维价值最大化为目标，研究了配电网馈线运检排序算法。该方法使用熵权 法计算了其他约束条件对馈线运检优先级的影响权重，结合该权重设计了基于馈 线故障概率值的馈线运检优先级量化公式。实验结果证明，相对于单纯的故障概 率排序，本文设计的运检排序算法更加合理，更为贴近实际，可以为运维管理人 员的工作提供辅助建议。 关键字：10kV 馈线故障预测；配电网大数据；CNN ；LightGBM ；馈线运检排序 _____________________ ①气象因素故障是指主要由气象因素导致的馈线故障，其他因素为次要诱因。 ②设备因素故障是指主要由馈线设备自身因素导致的馈线故障，其他因素为次要诱因。 ③运行因素故障是指主要由馈线运行因素导致的馈线故障，其他因素为次要诱因。