[发明专利]一种基于深度学习的配网优化精准分析方法及系统

权利要求书

1.一种基于深度学习的配网优化精准分析方法，其特征是，包括：

建立配网设备台账系统，利用该系统实现对变电站、配电线路及支线的容量、负载信息进行记录；

建立配网拓扑结构模型，根据配网设备台账系统中记录的配电网数据确定配电网设备之间的连接关系，实时的展示配电网的拓扑关系；

根据配网拓扑结构模型生成的配网拓扑数据，显示线路的负荷数据，对拓扑的支路和节点属性进行试算，根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小；

利用神经网络模型对负荷进行预测分析。

2.如权利要求1所述的一种基于深度学习的配网优化精准分析方法，其特征是，所述配网设备台账系统中，首先采集配网设备基本数据，包括设备的容量、负载信息、电压等级、投运时间、上次校验时间、装置生产厂家；

将所有的配网设备的基本数据均传输至设备台账数据库进行存储，以表中表的形式体现；

结合用户的具体需求确定权限，并将级别相同的用户归为一组，对该组设定相应的密码。

3.如权利要求1所述的一种基于深度学习的配网优化精准分析方法，其特征是，所述配网拓扑结构模型也可以实际运行的配网系统中设备之间的连接关系为基础，建立相应的拓扑关系。

4.如权利要求1所述的一种基于深度学习的配网优化精准分析方法，其特征是，根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小，具体步骤为：

首先评估设备运行状态：采集已知设备运行数据，提取特征参数作为输入参数，对于每种运行状态类型特征设定类型标签，存入信息库；

搭建神经网络模型，利用人工蜂群算法优化模型参数，首先，初始化蜂群算法的参数，然后，初始化待优化个体，即极端学习机的输入权值和阈值，最后，根据预设的适应度函数进行寻优，获得最佳的模型参数，并保存最佳模型参数；

基于最佳模型参数，采集待识别的设备运行数据，提取特征参数，将待识别的放电特征参数输入搭建好的神经网络模型，进行识别，根据识别结果评估设备运行状态；

其中，设备运行状态包括：正常状态、不正常状态和故障状态；

当识别出的设备运行状态为正常状态时，分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小，并通过潮流计算检验所提出的转供路径及可转供负荷的大小能否满足各种运行方式的要求，若不满足要求，则重新规划转供路径及可转供负荷的大小直至满足电网各种运行方式的要求。

5.如权利要求4所述的一种基于深度学习的配网优化精准分析方法，其特征是，蜂群算法优化极端学习机的输入权值及阈值的过程，其计算过程描述如下：

(1)根据输入节点个数和隐层节点个数确定每一个待优化个体的维数，应为(n+1)×m，其中n为输入节点个数，m为隐层节点个数；

(2)参数初始化，确定蜂群算法的参数，包括种群规模、最大迭代次数和终止条件；

(3)计算适应度值，计算每一个个体的适应度值，然后对适应度值排序，找出最优个体；

(4)优化算法迭代寻优，通过雇佣蜂和观望蜂的食物源采集学习过程，更新种群个体位置；如果没有达到终止条件，返回(3)继续寻优；否则，找到全局最优个体；

(5)寻优结束，保存最优个体值，即最优的输入权值和隐层阈值；

(6)将最优权阈值带入极端学习机中，求得最佳的输出权值矩阵，将计算得到的输出权值以及输入权值和隐层阈值作为最佳模型参数保存。