[发明专利]一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法

权利要求书

1.一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法，其特征在于，包括以下步骤：

1)分别获取所述源域和目标域的配电台区状态量。

2)建立XGBoost重要性排序模型，并利用XGBoost重要性排序模型对配电台区状态量进行排序，从而形成源域异常工况标签样本、目标域异常工况样本；

3)建立冻结层网络和源域全连接分类器；

4)云中心将源域异常工况标签样本输入到冻结层网络和源域全连接分类器中，对冻结层网络结构参数和源域全连接分类器的权重参数进行有监督训练，并将训练后的参数下发至边缘节点；

5)边缘节点重构冻结层网络和独立的目标域全连接分类器，并将目标域异常工况样本输入到重构后的冻结层网络、目标域全连接分类器中，得到目标域的冻结层网络特征分布和分类器结果分布，并上传到云中心；

6)云中心利用梯度下降算法对冻结层网络进行优化，从而最小化源域异常工况样本和目标域异常工况样本差异；

7)重复步骤4)至步骤7)Tmax次，得到最优冻结层网络；所述最优冻结层网络即为迁移诊断模型；

8)实时采集运行工况数据，并输入到迁移诊断模型中，得到配电台区异常工况诊断结果。

2.根据权利要求1所述的一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法，其特征在于，所述配电台区状态量包括环境数据、电气数据、统计数据和参变数据；

所述环境数据包括配电台区所处区域的气象参考特征；

所述电气数据包括配电台区运行时的量测特征；

所述参变数据包括配电台区及其综合设备的额定特征；

所述统计数据由电气数据、参变数据实时计算得到。

3.根据权利要求2所述的一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法，其特征在于，源域包括与目标域配电台区相似的多个配电台区；

与目标域配电台区相似的判断标准包括：目标域配电台与源域配电台投运年份相差不超过h1年、设备类型和型号相同、月台区用电负荷总量相差不超过h2％，供电半径相差不超过h3％；h1、h2、h3为常数。

4.根据权利要求1所述的一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法，其特征在于，所述边缘节点为含有目标域配电台区状态量的节点；所述边缘节点和云中心通过网络进行数据交互。

5.根据权利要求1所述的一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法，其特征在于，XGBoost重要性排序模型如下所示：

式中，N是树的总数量；是基学习器；序号m＝1,…,N；t是决策树上的节点；ΔGini(t)是t节点上的基尼系数的变化值；Vim(X_j)表示状态量X_j对异常工况的影响程度。

6.根据权利要求1所述的一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法，其特征在于，冻结层网络为卷积神经网络；

冻结层网络的卷积运算和激活函数运算公式如下所示：

式中，和是第l层的第j个特征状态量、第l-1层的第i个特征状态量；是第l-1层的第i个特征状态量和第l层的第j个特征状态量之间的卷积核权重矩阵；是第l层的第j个特征状态量所对应的偏置项；f(x)是激活函数。

7.根据权利要求1所述的一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法，其特征在于，冻结层网络的最大池化计算公式如下所示：

式中，是池化计算中第l层的特征状态量，m×m是池化核覆盖的局部区域；max(x)是池化函数。是池化计算中第l-1层的特征状态量。