[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

说明书

本发明公开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，步骤包括：1)利用XGBoost重要性排序模型对配电台区状态量进行排序，形成源域异常工况标签样本、目标域异常工况样本；2)建立冻结层网络和源域全连接分类器；3)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；4)实时采集运行工况数据，输入到迁移诊断模型中，得到配电台区异常工况诊断结果。本发明解决了单一配电台区中的工况信息难以训练出泛化能力强的诊断器、当前的异常诊断方法考虑的影响因素过于单一以及配电云主站的计算资源难以实现对每个配电台区建立异常工况迁移诊断模型等问题。

技术领域

本发明涉及配电台区异常诊断领域，具体是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。

背景技术

随着信息技术和物联网的飞速发展，电网提出配电物联网作为配电台区业务的解决方案。配电物联网技术采用“云管边端”架构，云中心负责数据深度挖掘和高级业务的处理，边缘计算终端负责数据采集和就地处理，满足实时业务的延时要求。

云边协同体系能将原有云计算模型的部分或全部计算任务迁移到网络边缘设备上，降低云计算中心带宽的压力，提高海量数据的处理效率。因此需要研究将配用电业务的云边协同技术，从而提高配用电边缘数据的处理效率，加强边缘计算终端的靠近数据端的优势。配电变压器作为配电网的核心设备，对其进行有效的运行状态评估与预测，对于建设坚强配电网、保障电力系统的安全平稳运行具有重要意义。

随着配电网向着信息化、智能化的配电物联网(D-IoT)方向发展，作为其基础元件和核心设备，智能终端吸引了大批制造商、IT企业、科研院所和国家政府部门的密切关注。从计算资源的角度，在终端侧增加了边缘计算的层级，实现感知数据的本地化处理，促进了“端”层的边缘计算与“云”层的大数据应用高效协同，提升了配电网整体计算能力，智能终端的开放式架构除了可以支撑未来配电业务的各种数据采集需求、降低设备改造成本、提高运维效率外，还可以助推配电网由被动管理向主动管理的模式变革。

由于智能配电网系统的集成度和复杂度越来越高，系统的安全运营和维护保障问题日益突出。对于可修复的复杂工程系统，及时恰当的设备维护是确保系统安全性、可靠性、可用性的重要手段之一。

近年来，随着物联网技术、信息技术和人工智能的快速发展，异常诊断逐渐成为领域研究热点。异常诊断通过对设备运行状态的实时监测，以及使用大数据分析模型识别异常与检测设备隐患，从而判定设备发展趋势和可能的异常模式，为主动运维提供决策支持，具有降低运维成本、提高运行效率、最大化生产利润的显著优势。

发明内容

本发明的目的是提供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，包括以下步骤：

1)分别获取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；