[发明专利]基于1D V-net深度学习模型的电压暂降分析方法

说明书

本发明公开了基于1D V‑net深度学习模型的电压暂降分析方法，能够直接从原始的监测数据中自主学习由电动机启动、变压器投切、单相短路、两相短路和三相短路原因引起的电压暂降特征信息，避免了繁琐手工特征提取过程。与RNN、LSTM、GRU等结构构成的单向循环网络结构相比较，本发明能够提高电压暂降扰动类型分类准确率和电压暂降起止时刻定位准确率。与RNN、LSTM、GRU等结构构成的双向循环网络结构相比较，本发明能够在降低模型参数的基础上，保障电压暂降扰动类型分类准确率和电压暂降起止时刻定位准确率。

技术领域

本发明属于电力系统中电能质量的测量与分析技术领域，具体涉及基于1D V-net深度学习模型的电压暂降分析方法。

背景技术

电能质量直接关系到电力系统的安全高效运行。近年来，电能质量中的电压暂降问题备受关注，已成为学术界及工业界亟待解决的问题。据统计，电力部门收到的电能质量问题投诉中，80％以上是由电压暂降引起的。电压暂降不仅给利益相关方带来了巨额的经济损失，还可能造成极大的社会影响，尤其是高端制造业造成的损失更大。因此，电压暂降已成为现代电网的重要问题。

电压暂降对电网可靠性产生了较高的负面影响，而对电压暂降的精准分析是在电压暂降事件发生后需要及时解决的主要问题。目前，关于电压暂降分析方法的研究均是通过推导机理或数学模型进行电压暂降分析。然而，随着分布式电源的大规模接入，电网运行环境的复杂性不断加剧，系统运行方式的多样性增强，通过模型机理分析必然会进行假设简化或舍弃系统参数，难以实现电压暂降的精准分析。

与物理模型不同，数据驱动方法通过数据透视事物的本质和关系。由于此类方法并不需要进行假设或简化，也不依赖于机理，依据的是反映系统真实情况的数据，并且可将历史和现在的数据进行综合分析，因此，数据驱动方法适合于解决电压暂降分析问题。然而，目前基于数据驱动的电压暂降分析方法仍存在如下难点问题亟待解决：

(1)RNN、LSTM、GRU等结构构成的单向循环网络，本质上是通过历史信息与当前时刻输入的信息来实现电压暂降分析，但在电压暂降信号的起止时刻，由于缺乏足够的历史信息支撑或者由于当前信号与历史信号关联性极小，甚至呈现反向关联，从而导致准确率低；

(2)RNN、LSTM、GRU等结构构成的双向循环网络结构，本质上是使用双向结构来获取未来时刻的依赖数据，从而确保信号起止时刻有足够的信息支撑，能够实现准确的电压暂降分析。然而，在使用双向结构时，模型参数将会成倍增加。

发明内容

本发明的目的是提供基于1D V-net深度学习模型的电压暂降分析方法，解决了现有分析方法中存在的单向循环网络定位准确率低、双向循环神经网络参数成倍增加问题。

本发明所采用的技术方案是，基于1D V-net深度学习模型的电压暂降分析方法，具体按照以下步骤实施：

步骤1、结合待检测的电力网络系统，对工况种类进行编号，在电力网络系统不同工况下，分别改变电力网络系统中短路容量、接地电阻、持续时间、起止时刻、负荷容量、线路阻抗，采集每种运行工况下的母线电压数据，作为每种工况下电压暂降样本数据；

步骤2、通过电压暂降样本数计算每种工况下的电压均方根值，若该电压均方根值下降为额定值的10％～90％，则将该电压及对应的工况形成一组电压暂降数据样本A，同时电压暂降的起止时刻进行标注，将该持续时间内的电压采样数据值标记为0，其余采样数据值标记为1；

步骤3、将所有的电压暂降数据样本按照工况种类编号进行标注，结合电压暂降的起止时刻，形成多组电压暂降数据样本B；

步骤4、将多组电压暂降数据样本B按照7：2：1划分为训练样本集：验证样本集：测试样本集；

步骤5、构建1D V-net深度学习模型的模型结构；

步骤6、采用训练样本集对1D V-net深度学习模型进行离线训练；