本發(fā)明涉及一種預(yù)警方法，尤其涉及一種基于改進(jìn)transformer模型的配電網(wǎng)故障風(fēng)險(xiǎn)預(yù)警方法。

背景技術(shù)：

1、配電網(wǎng)作為電力系統(tǒng)的末端，承擔(dān)著將電能從高壓電網(wǎng)安全、可靠地傳輸?shù)阶罱K用戶的重要任務(wù)。隨著社會(huì)經(jīng)濟(jì)的發(fā)展和城市化進(jìn)程的加快，電力需求不斷增長，配電網(wǎng)的穩(wěn)定性和可靠性成為了電力行業(yè)和社會(huì)公眾關(guān)注的焦點(diǎn)。配電網(wǎng)的運(yùn)行狀況直接影響到用戶的用電質(zhì)量，因此，提高配電網(wǎng)的運(yùn)行可靠性和故障處理能力是電力行業(yè)研究的重要課題。

2、在新型電力系統(tǒng)的構(gòu)建過程中，隨著分布式電源、脈沖型負(fù)荷、電力電子設(shè)備高比例接入，以及電源、負(fù)荷、時(shí)空狀態(tài)不確定性的增加，使得傳統(tǒng)的監(jiān)測和維護(hù)方法難以滿足當(dāng)前的需求。當(dāng)前，配電網(wǎng)智能化故障監(jiān)測系統(tǒng)通常監(jiān)測局部放電、護(hù)層環(huán)流、故障行波等信息，這些監(jiān)測信息分散、分析結(jié)果可靠性差、數(shù)據(jù)綜合利用率低，難以智能化精準(zhǔn)化指導(dǎo)運(yùn)維人員快速開展故障處置工作。此外，隨著新型電力系統(tǒng)的建設(shè)，源荷雙側(cè)不確定性增強(qiáng)、運(yùn)行狀態(tài)頻繁變化、控制決策變量增多，使用傳統(tǒng)方法對(duì)電力運(yùn)行機(jī)理進(jìn)行分析難以精準(zhǔn)辨識(shí)及推演故障，無法充分挖掘配電網(wǎng)拓?fù)浣Y(jié)構(gòu)下的節(jié)點(diǎn)關(guān)系，以及物理空間下不同環(huán)境信息配電網(wǎng)絡(luò)中設(shè)備間饋線之間的相互影響，造成電網(wǎng)故障預(yù)警、辨識(shí)、定位排查困難。

3、目前，配電網(wǎng)主要依賴事后故障檢修來進(jìn)行維護(hù)，在停電等事故發(fā)生前，很難及時(shí)發(fā)現(xiàn)和控制風(fēng)險(xiǎn)。配電網(wǎng)中設(shè)備狀態(tài)及氣象因素是造成配電網(wǎng)故障的重要成因，而使用傳統(tǒng)方法難以為配電網(wǎng)安全事故的風(fēng)險(xiǎn)防控提供科學(xué)依據(jù)，無法充分挖掘日益增長的配電網(wǎng)海量運(yùn)維數(shù)據(jù)，對(duì)現(xiàn)場指導(dǎo)作用不強(qiáng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是提供一種基于改進(jìn)transformer模型的配電網(wǎng)故障風(fēng)險(xiǎn)預(yù)警方法，以提高故障辨識(shí)的精準(zhǔn)度，實(shí)現(xiàn)故障風(fēng)險(xiǎn)的事前預(yù)警，從而減少停電事故和運(yùn)維損失。

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

3、一種基于改進(jìn)transformer模型的配電網(wǎng)故障風(fēng)險(xiǎn)預(yù)警方法，其特征在于包括如下步驟：

4、(1)收集包括配電網(wǎng)的運(yùn)行狀態(tài)數(shù)據(jù)和歷史故障數(shù)據(jù)，對(duì)收集的數(shù)據(jù)進(jìn)行預(yù)處理，包括異常值處理和歸一化處理；

5、(2)配電網(wǎng)區(qū)域故障等級(jí)劃分，并將預(yù)處理后的數(shù)據(jù)點(diǎn)分配到不同的風(fēng)險(xiǎn)等級(jí)中；

6、(3)構(gòu)建transformer模型，并對(duì)構(gòu)建的transformer模型進(jìn)行訓(xùn)練；

7、(4)將訓(xùn)練好的模型部署在配電網(wǎng)監(jiān)測系統(tǒng)中，設(shè)置預(yù)警閾值實(shí)現(xiàn)對(duì)配電網(wǎng)狀態(tài)的實(shí)時(shí)監(jiān)測預(yù)警；如果模型輸出超過預(yù)警閾值，則系統(tǒng)會(huì)發(fā)出預(yù)警，提示運(yùn)維人員進(jìn)行檢查或采取預(yù)防措施。

8、作為進(jìn)一步優(yōu)選，所述步驟(1)收集的數(shù)據(jù)包含電壓、電流、功率、負(fù)荷、溫度、濕度物理量。

9、作為進(jìn)一步優(yōu)選，所述步驟(1)中的異常值處理使用標(biāo)準(zhǔn)差方法，即如果|x-μ|>kσ，則x是異常值；其中μ是均值，σ是標(biāo)準(zhǔn)差，k是閾值常數(shù)，通常取值為3。

10、作為進(jìn)一步優(yōu)選，所述步驟(1)中歸一化處理的公式為：

11、x′＝(x-min(x))/(max(x)-min(x))，用于將特征值x縮放到[0,1]區(qū)間；

12、上式中，x代表原始數(shù)據(jù)中的一個(gè)特征值，min(x)代表在數(shù)據(jù)集中該特征值的最小值；max(x)代表在數(shù)據(jù)集中該特征值的最大值；x′代表歸一化后的特征值，即原始特征值x經(jīng)過歸一化處理后的結(jié)果。

13、作為進(jìn)一步優(yōu)選，所述步驟(2)具體包括：

14、2.1、以城區(qū)為劃分單位，對(duì)地區(qū)中故障發(fā)生的頻率、以及故障所導(dǎo)致停電時(shí)間的長短兩個(gè)風(fēng)險(xiǎn)要素進(jìn)行主要考慮，據(jù)此將配電網(wǎng)劃分為輕度、中度、重度和緊急四個(gè)配電網(wǎng)風(fēng)險(xiǎn)故障等級(jí)；

15、2.2、使用k-means聚類算法將預(yù)處理后的數(shù)據(jù)點(diǎn)分配到不同的風(fēng)險(xiǎn)等級(jí)中，完成數(shù)據(jù)集中配電網(wǎng)區(qū)域故障等級(jí)劃分，將數(shù)據(jù)打上標(biāo)簽。

16、作為進(jìn)一步優(yōu)選，所述k-means聚類算法公式為：

17、c(x)＝argmin1≤k≤k||x-μk||；

18、上式中，c(x)是點(diǎn)x的風(fēng)險(xiǎn)等級(jí)類別，x代表待分類的數(shù)據(jù)點(diǎn)，即預(yù)處理后的多維特征向量，包括電壓、電流、功率、負(fù)荷、溫度、濕度等物理量；μk是第k個(gè)簇所有點(diǎn)的中心位置，簇為數(shù)據(jù)集中的一組樣本點(diǎn)。

19、作為進(jìn)一步優(yōu)選，所述步驟(3)構(gòu)建transformer模型時(shí)，以預(yù)處理后的數(shù)據(jù)作為輸入，構(gòu)成一組輸入向量；輸入向量經(jīng)過神經(jīng)網(wǎng)絡(luò)的隱藏層分別得到q、k、v向量，通過自注意力機(jī)制來捕捉數(shù)據(jù)中的復(fù)雜關(guān)系；根據(jù)上述公式得到向量attention(q,k,v)，該向量經(jīng)過dropout層輸入到lstm單元，最終模型輸出預(yù)測；

20、其中q向量代表當(dāng)前處理的輸入序列中的一個(gè)元素；k向量與對(duì)應(yīng)的q向量一起工作，以確定輸入序列中每個(gè)元素與其他元素之間的關(guān)聯(lián)程度；v向量包含了輸入序列中每個(gè)信息點(diǎn)的實(shí)際內(nèi)容；是k向量維度的平方根，用于縮放點(diǎn)積的結(jié)果。

21、作為進(jìn)一步優(yōu)選，對(duì)構(gòu)建的transformer模型進(jìn)行訓(xùn)練時(shí)，以電壓、電流、功率、負(fù)荷、溫度、濕度等物理量作為模型的輸入，配電網(wǎng)區(qū)域故障等級(jí)作為模型的輸出，對(duì)構(gòu)建的transformer模型進(jìn)行訓(xùn)練；

22、在訓(xùn)練階段，采用均方誤差mse(mean-square?error)作為損失函數(shù)，以量化模型預(yù)測的準(zhǔn)確性，并通過梯度下降優(yōu)化算法來調(diào)整模型參數(shù)，以最小化預(yù)測誤差；所述均方誤差mse的計(jì)算公式為：

23、其中yi表示某個(gè)時(shí)間點(diǎn)或某個(gè)區(qū)域的實(shí)際故障風(fēng)險(xiǎn)等級(jí)真實(shí)值；表示模型預(yù)測的故障風(fēng)險(xiǎn)等級(jí)的模型預(yù)測值。

24、作為進(jìn)一步優(yōu)選，所述預(yù)警閾值的設(shè)置公式為：閾值＝μ+kσ；

25、其中，μ表示數(shù)據(jù)集的均值，即所有數(shù)據(jù)點(diǎn)的平均值；σ表示數(shù)據(jù)集的標(biāo)準(zhǔn)差；k為常數(shù)，用于確定閾值距離均值的標(biāo)準(zhǔn)差倍數(shù)，通常k＝2或3。

26、本發(fā)明的有益效果為：

27、1、本發(fā)明通過采用改進(jìn)的transformer深度學(xué)習(xí)模型，能夠更準(zhǔn)確地從大量運(yùn)行數(shù)據(jù)中辨識(shí)出故障模式和風(fēng)險(xiǎn)因素。這種模型利用自注意力機(jī)制和長期記憶能力，有效捕捉配電網(wǎng)中的復(fù)雜依賴關(guān)系和長期趨勢，從而提高故障預(yù)測的準(zhǔn)確性。

28、2、通過深度分析歷史故障數(shù)據(jù)和實(shí)時(shí)監(jiān)測數(shù)據(jù)，本發(fā)明能夠預(yù)測潛在的故障風(fēng)險(xiǎn)，并提前發(fā)出預(yù)警。這改變了傳統(tǒng)的事后維修模式，實(shí)現(xiàn)了基于數(shù)據(jù)驅(qū)動(dòng)的事前風(fēng)險(xiǎn)防控，減少了停電事故的發(fā)生。

29、3、本發(fā)明能夠減少停電時(shí)間和提高故障處理速度，直接提升了配電網(wǎng)的運(yùn)行效率。同時(shí)，準(zhǔn)確的故障預(yù)警和定位能力也增強(qiáng)了系統(tǒng)的可靠性，確保了電力供應(yīng)的穩(wěn)定性。

30、4、本發(fā)明通過將先進(jìn)的深度學(xué)習(xí)技術(shù)應(yīng)用于配電網(wǎng)的故障風(fēng)險(xiǎn)預(yù)警和管理中，顯著提升了電力系統(tǒng)的智能化水平。這為電力行業(yè)實(shí)現(xiàn)數(shù)字化、智能化轉(zhuǎn)型提供了強(qiáng)有力的技術(shù)支持。

31、本發(fā)明的技術(shù)方案通過一系列創(chuàng)新的方法和改進(jìn)措施，有效地解決了配電網(wǎng)故障風(fēng)險(xiǎn)預(yù)警和處理中的技術(shù)問題，帶來了提高故障辨識(shí)精準(zhǔn)度、實(shí)現(xiàn)事前風(fēng)險(xiǎn)防控、優(yōu)化運(yùn)維流程、提升配電網(wǎng)運(yùn)行效率和可靠性、降低運(yùn)維成本、增強(qiáng)系統(tǒng)的泛化能力、提升電力系統(tǒng)的智能化水平以及具有廣泛的推廣應(yīng)用價(jià)值等多方面的有益效果。