(12)發(fā)明專利申請

(10)申請公布號 CN 112016774 A(43)申請公布日 2020.12.01

(21)申請?zhí)?201910456118.8(22)申請日 2019.05.29

(71)申請人 中國電力科學研究院有限公司

地址 100192 北京市海淀區(qū)清河小營東路

15號

申請人 國家電網(wǎng)有限公司　

國網(wǎng)上海市電力公司(72)發(fā)明人 宋曉輝　高菲　盛萬興　孟曉麗　

陳振寧　劉雯靜　李勇匯　李雅潔　張瑜　李建芳　趙珊珊　(74)專利代理機構 北京安博達知識產(chǎn)權代理有

限公司 11271

代理人 徐國文(51)Int.Cl.

G06Q 10/06(2012.01)

權利要求書2頁 說明書7頁 附圖3頁

G06Q 50/06(2012.01)G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)

CN 112016774 A()發(fā)明名稱

一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識方法及系統(tǒng)(57)摘要

一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識方法及系統(tǒng)，本方案利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，并基于所述樣本集構建訓練集；基于所述訓練集，對條件生成對抗網(wǎng)絡進行訓練，得到增大后的樣本集；基于增大后的樣本集構建配電網(wǎng)狀態(tài)辨識模型，并基于樣本集對配網(wǎng)運行狀態(tài)進行辨識。本方案中通過條件生成網(wǎng)絡對實際樣本進行增強，從而擴大樣本數(shù)生成足夠的訓練樣本，進一步利用BP神經(jīng)網(wǎng)絡實現(xiàn)準確的狀態(tài)辨識分類，能夠提高配網(wǎng)運行狀態(tài)辨識的準確率和穩(wěn)定性，有效克服了實際數(shù)據(jù)噪聲對理想化仿真數(shù)據(jù)訓練模型的干擾，對于配網(wǎng)運行狀態(tài)的在線監(jiān)測辨識具有重要意義。

CN 112016774 A

權　利　要　求　書

1/2頁

1.一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識方法，其特征在于，包括：利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，并基于所述樣本集構建訓練集；

基于所述訓練集，對條件生成對抗網(wǎng)絡進行訓練，得到增大后的樣本集；基于增大后的樣本集構建配電網(wǎng)狀態(tài)辨識模型，并基于樣本集對配網(wǎng)運行狀態(tài)進行辨識。

2.如權利要求1所述的方法，其特征在于，所述利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，并基于所述樣本集構建訓練集，包括：

利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，提取所述樣本集中狀態(tài)信息的特征變量，并將所述樣本集中狀態(tài)標簽通過二進制進行表示；

將所述樣本信息的特征變量歸一化至設定區(qū)間內(nèi)，得到訓練集。3.如權利要求2所述的方法，其特征在于，所述基于所述訓練集，對條件生成對抗網(wǎng)絡進行訓練，得到增大后的樣本集，包括：

將條件生成網(wǎng)絡的生成器G進行隨機初始化，并設置所述生成器G循環(huán)次數(shù)；所述生成器G根據(jù)所述循環(huán)次數(shù)，以最小損失函數(shù)為目標函數(shù)，依次生成樣本集；基于所述生成樣本集，通過評估模型進行評估，篩選出幾何平均最大的生成樣本融合到原始樣本中，得到增大后的樣本集。

4.如權利要求3所述的方法，其特征在于，所述基于所述生成樣本集，通過評估模型進行評估，篩選出幾何平均最大的生成樣本融合到原始樣本中，得到增大后的樣本集，之前還包括：

將所述生成器G每次生成的樣本集，通過預先訓練的判別器D進行準確率判別。5.如權利要求4所述的方法，其特征在于，所述判別器D的訓練，包括：步驟一：將原始數(shù)據(jù)輸入所述判別器D中，得到所述原始數(shù)據(jù)屬于實際數(shù)據(jù)的概率；步驟二：以損失函數(shù)最大化為目標函數(shù)，更新所述生成器D參數(shù)；步驟三：以設定次數(shù)，重復所述步驟一和步驟二，得到訓練后的判別器D；所述原始數(shù)據(jù)，包括：原始樣本訓練集和樣本集。6.如權利要求4所述的方法，其特征在于，所述評估模型，如下式所示：

其中，λ為幾何平均值，λλλλλλ123456為配網(wǎng)的運行狀態(tài)在原始模型下的分類辨識正確率之積。

7.如權利要求1所述的方法，其特征在于，所述基于增大后的樣本集構建配網(wǎng)狀態(tài)辨識模型，包括：

將增大后的樣本集的特征值在預設區(qū)間內(nèi)歸一化，并初始化BP神經(jīng)網(wǎng)絡；基于歸一化的特征值，對神經(jīng)網(wǎng)絡進行預設次數(shù)的訓練，得到網(wǎng)絡誤差，若所述網(wǎng)絡誤差小于目標誤差或訓練此時達到預設次數(shù)，得到配網(wǎng)狀態(tài)辨識模型；否則，繼續(xù)訓練，直到所述網(wǎng)絡誤差小于目標誤差或訓練此時達到預設次數(shù)。

8.一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識系統(tǒng)，其特征在于，所述系統(tǒng)，包括：訓練集構建模塊：利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，

2

CN 112016774 A

權　利　要　求　書

2/2頁

并基于所述樣本集構建訓練集；

樣本集增大模塊：基于所述訓練集，對條件生成對抗網(wǎng)絡進行訓練，得到增大后的樣本集；

辨識模塊：基于增大后的樣本集構建配電網(wǎng)狀態(tài)辨識模型，并基于樣本集對配網(wǎng)運行狀態(tài)進行辨識。

9.如權利要求8所述的系統(tǒng)，其特征在于，所述訓練集構建模塊，包括：特征變量提取子模塊：利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，提取所述樣本集中狀態(tài)信息的特征變量，并將所述樣本集中狀態(tài)標簽通過二進制進行表示；

歸一化子模塊：將所述樣本信息的特征變量歸一化至設定區(qū)間內(nèi)，得到訓練集。10.如權利要求9所述的系統(tǒng)，其特征在于，所述樣本集增大模塊，包括：初始化子模塊：將條件生成網(wǎng)絡的生成器G進行隨機初始化，并設置所述生成器G循環(huán)次數(shù)；

樣本集生成子模塊：用于將所述生成器G根據(jù)所述循環(huán)次數(shù)，以最小損失函數(shù)為目標函數(shù)，依次生成樣本集；并基于所述生成樣本集，通過評估模型進行評估，篩選出幾何平均最大的生成樣本融合到原始樣本中，得到增大后的樣本集。

11.如權利要求10所述的系統(tǒng)，其特征在于，所述樣本集生成子模塊：包括：準確率判別單元：將所述生成器G每次生成的樣本集，通過預先訓練的判別器D進行準確率判別。

12.如權利要求11所述的系統(tǒng)，其特征在于，所述準確率判別單元，包括：判別器D訓練子單元；

所述判別器D訓練子單元中對判別器D的訓練過程為：步驟一：將原始數(shù)據(jù)輸入所述判別器D中，得到所述原始數(shù)據(jù)屬于實際數(shù)據(jù)的概率；步驟二：以損失函數(shù)最大化為目標函數(shù)，更新所述生成器D參數(shù)；步驟三：以設定次數(shù)，重復所述步驟一和步驟二，得到訓練后的判別器D；所述原始數(shù)據(jù)，包括：原始樣本訓練集和樣本集。

3

CN 112016774 A

說　明　書

1/7頁

一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識方法及系統(tǒng)

技術領域

[0001]本發(fā)明涉及電力系統(tǒng)自動化領域，具體涉及一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識方法及系統(tǒng)。

背景技術

[0002]隨著社會的發(fā)展，電網(wǎng)間的連接越來越緊密、越來越復雜，與此同時用戶對電能質(zhì)量的要求也越來越高，非計劃情況下的任何一次故障停電都會造成不可估量的影響。因此，作為電網(wǎng)與用戶聯(lián)系的終端，對配網(wǎng)運行狀態(tài)進行實時在線監(jiān)測十分重要。隨著智能電網(wǎng)的發(fā)展，堅強電網(wǎng)的建設，配網(wǎng)運行的可靠性在不斷提高，運行時很大一部分時間都處于正常狀態(tài)，很少發(fā)生故障情況，通過采集實際得到的故障樣本較少。對于提高配網(wǎng)可靠性來說，應關注其故障狀態(tài)的辨識，海量的正常狀態(tài)樣本造成數(shù)據(jù)可用性不高。因此，小故障樣本下能夠快速準確的進行配網(wǎng)運行狀態(tài)在線辨識(尤其是故障狀態(tài)辨識)是一個極為重要的課題，但實際電網(wǎng)運行情況下，獲取的小故障樣本的數(shù)據(jù)單一且故障特征不明顯，導致無法根據(jù)現(xiàn)有的數(shù)據(jù)進行配網(wǎng)運行狀態(tài)的辨識。

[0003]目前的配網(wǎng)運行狀態(tài)在線辨識方法主要基于仿真數(shù)據(jù)的機器學習方法，但是這種方法存在如下缺點：(1)機器學習算法需要大量訓練樣本進行學習來獲得較優(yōu)的學習效果，但實際中的故障樣本較少，訓練效果可能達不到理想效果；(2)目前，完全通過仿真獲取的大量數(shù)據(jù)樣本過于理想化，而實際電網(wǎng)中的數(shù)據(jù)包含較多噪聲，因此仿真數(shù)據(jù)訓練得到的模型應用在實際配網(wǎng)運行狀態(tài)的在線監(jiān)測時容易受到噪聲干擾達不到理想效果。如何克服這些缺點是基于機器學習方法的配網(wǎng)運行狀態(tài)在線辨識亟待解決的問題。

發(fā)明內(nèi)容

[0004]為了解決現(xiàn)有技術中所存在的由于配網(wǎng)故障數(shù)據(jù)量少且過于理想化，導致的無法實現(xiàn)運行狀態(tài)準確辨識的問題，本發(fā)明提供了一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識方法及系統(tǒng)。

[0005]本發(fā)明提供的技術方案是：

[0006]一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識方法，包括：[0007]利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，并基于所述樣本集構建訓練集；

[0008]基于所述訓練集，對條件生成對抗網(wǎng)絡進行訓練，得到增大后的樣本集；[0009]基于增大后的樣本集構建配電網(wǎng)狀態(tài)辨識模型，并基于樣本集對配網(wǎng)運行狀態(tài)進行辨識。

[0010]優(yōu)選的，所述利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，并基于所述樣本集構建訓練集，包括：[0011]利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，提取所述樣本集中狀態(tài)信息的特征變量，并將所述樣本集中狀態(tài)標簽通過二進制進行表示；

4

CN 112016774 A[0012]

說　明　書

2/7頁

將所述樣本信息的特征變量歸一化至設定區(qū)間內(nèi)，得到訓練集。

[0013]優(yōu)選的，所述基于所述訓練集，對條件生成對抗網(wǎng)絡進行訓練，得到增大后的樣本集，包括：

[0014]將條件生成網(wǎng)絡的生成器G進行隨機初始化，并設置所述生成器G循環(huán)次數(shù)；[0015]所述生成器G根據(jù)所述循環(huán)次數(shù)，以最小損失函數(shù)為目標函數(shù)，依次生成樣本集；[0016]基于所述生成樣本集，通過評估模型進行評估，篩選出幾何平均最大的生成樣本融合到原始樣本中，得到增大后的樣本集。[0017]優(yōu)選的，所述基于所述生成樣本集，通過評估模型進行評估，篩選出幾何平均最大的生成樣本融合到原始樣本中，得到增大后的樣本集，之前還包括：[0018]將所述生成器G每次生成的樣本集，通過預先訓練的判別器D進行準確率判別。[0019]優(yōu)選的，所述判別器D的訓練，包括：[0020]步驟一：將原始數(shù)據(jù)輸入所述判別器D中，得到所述原始數(shù)據(jù)屬于實際數(shù)據(jù)的概率；

[0021]步驟二：以損失函數(shù)最大化為目標函數(shù)，更新所述生成器D參數(shù)；[0022]步驟三：以設定次數(shù)，重復所述步驟一和步驟二，得到訓練后的判別器D；[0023]所述原始數(shù)據(jù)，包括：原始樣本訓練集和樣本集。[0024]優(yōu)選的，所述評估模型，如下式所示：

[0025]

其中，λ為幾何平均值，λλλλλλ123456為配網(wǎng)的運行狀態(tài)在原始模型下的分類辨識正確率之積。

[0027]優(yōu)選的，所述基于增大后的樣本集構建配網(wǎng)狀態(tài)辨識模型，包括：[0028]將增大后的樣本集的特征值在預設區(qū)間內(nèi)歸一化，并初始化BP神經(jīng)網(wǎng)絡；[0029]基于歸一化的特征值，對神經(jīng)網(wǎng)絡進行預設次數(shù)的訓練，得到網(wǎng)絡誤差，若所述網(wǎng)絡誤差小于目標誤差或訓練此時達到預設次數(shù)，得到配網(wǎng)狀態(tài)辨識模型；否則，繼續(xù)訓練，直到所述網(wǎng)絡誤差小于目標誤差或訓練此時達到預設次數(shù)。[0030]一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識系統(tǒng)，所述系統(tǒng)，包括：[0031]訓練集構建模塊：利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，并基于所述樣本集構建訓練集；[0032]樣本集增大模塊：基于所述訓練集，對條件生成對抗網(wǎng)絡進行訓練，得到增大后的樣本集；

[0033]辨識模塊：基于增大后的樣本集構建配電網(wǎng)狀態(tài)辨識模型，并基于樣本集對配網(wǎng)運行狀態(tài)進行辨識。[0034]優(yōu)選的，所述訓練集構建模塊，包括：[0035]特征變量提取子模塊：利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，提取所述樣本集中狀態(tài)信息的特征變量，并將所述樣本集中狀態(tài)標簽通過二進制進行表示；

[0036]歸一化子模塊：將所述樣本信息的特征變量歸一化至設定區(qū)間內(nèi)，得到訓練集。[0037]優(yōu)選的，所述樣本集增大模塊，包括：

5

[0026]

CN 112016774 A[0038]

說　明　書

3/7頁

初始化子模塊：將條件生成網(wǎng)絡的生成器G進行隨機初始化，并設置所述生成器G

循環(huán)次數(shù)；

[0039]樣本集生成子模塊：用于將所述生成器G根據(jù)所述循環(huán)次數(shù)，以最小損失函數(shù)為目標函數(shù)，依次生成樣本集；并基于所述生成樣本集，通過評估模型進行評估，篩選出幾何平均最大的生成樣本融合到原始樣本中，得到增大后的樣本集。[0040]優(yōu)選的，所述樣本生成子模塊：包括：[0041]準確率判別單元：將所述生成器G每次生成的樣本集，通過預先訓練的判別器D進行準確率判別。[0042]優(yōu)選的，所述準確率判別單元，包括：判別器D訓練子單元；[0043]所述判別器D訓練子單元中對判別器D的訓練過程為：[0044]步驟一：將原始數(shù)據(jù)輸入所述判別器D中，得到所述原始數(shù)據(jù)屬于實際數(shù)據(jù)的概率；

[0045]步驟二：以損失函數(shù)最大化為目標函數(shù)，更新所述生成器D參數(shù)；[0046]步驟三：以設定次數(shù)，重復所述步驟一和步驟二，得到訓練后的判別器D；[0047]所述原始數(shù)據(jù)，包括：原始樣本訓練集和樣本集。[0048]與現(xiàn)有技術相比，本發(fā)明的有益效果為：[0049]本發(fā)明提供的技術方案，包括：利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，并基于所述樣本集構建訓練集；基于所述訓練集，對條件生成對抗網(wǎng)絡進行訓練，得到增大后的樣本集；基于增大后的樣本集構建配電網(wǎng)狀態(tài)辨識模型，并基于樣本集對配網(wǎng)運行狀態(tài)進行辨識。本方案中通過條件生成對抗網(wǎng)絡對實際樣本或時域仿真數(shù)據(jù)進行增強，通過非線性插值生成更真實的數(shù)據(jù)，根據(jù)類別信息提取出合成故障樣本融入到原始數(shù)據(jù)中形成足夠的訓練樣本，進而構建出穩(wěn)定的分類辨識模型，能夠提高配網(wǎng)運行狀態(tài)辨識的準確率，有效克服了實際數(shù)據(jù)噪聲對理想化仿真數(shù)據(jù)訓練模型的干擾，對于配網(wǎng)運行狀態(tài)的在線監(jiān)測辨識具有重要意義；本方案中直接通過實際樣本或少量時域仿真數(shù)據(jù)構建訓練樣本，有效克服了實際數(shù)據(jù)噪聲對理想化仿真數(shù)據(jù)訓練模型的干擾，克服了完全采用大量理想化仿真數(shù)據(jù)辨識而造成準確低的問題，對于配網(wǎng)運行狀態(tài)的在線監(jiān)測辨識具有重要意義。

附圖說明

[0050]圖1為本發(fā)明的一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識方法流程圖；[0051]圖2為本發(fā)明中對抗網(wǎng)絡訓練流程圖；

[0052]圖3為本發(fā)明中配網(wǎng)狀態(tài)辨識模型的構建流程圖。

具體實施方式

[0053]為了更好地理解本發(fā)明，下面結合說明書附圖和實例對本發(fā)明的內(nèi)容做進一步的說明。

[00]實施例1：

[0055]本實施例提供了一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識方法，方法流程圖如圖1所示，包括以下步驟：

6

CN 112016774 A[0056]

說　明　書

4/7頁

步驟1：利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集{x0,y0}，

其中，運行狀態(tài)包括正常狀態(tài)和故障狀態(tài)。樣本集中x0包含步驟2所述特征變量向量的所有信息，樣本集中y0是配網(wǎng)運行狀態(tài)的標簽：1表示正常狀態(tài)，2表示單相高阻接地故障，3表示單相低阻接地故障，4表示兩相接地故障，5表示兩相短路故障，6表示三相故障。[0057]通過時域仿真得到的仿真數(shù)據(jù)，較傳統(tǒng)仿真(例如，不考慮時域變化的線性仿真)得到的仿真數(shù)據(jù)，更貼近實際電網(wǎng)運行情況。[0058]步驟2：根據(jù)樣本集提取出特征變量向量得到{x1,y0}，并對特征向量進行歸一化至0-1之間得到{x,y0}，將狀態(tài)標簽y0用二進制數(shù)表示，形成訓練集{x,y}，即特征變量向量集。其中，y是y0的二進制數(shù)表示，即：正常狀態(tài)為000001，單相高阻接地故障為000010，單相低阻接地故障為000100，兩相接地故障為001000，兩相短路故障為010000，三相故障為100000。

[0059]步驟3：確定訓練參數(shù)，基于訓練集對條件生成對抗網(wǎng)絡(CGAN)進行訓練，對訓練集進行樣本增強，擴大樣本數(shù)生成計算集{X,y}。[0060]本步驟中，將實際樣本數(shù)據(jù)進行樣本增強，或者將少量通過時域仿真得到的數(shù)據(jù)進行樣本增強，以此構建得到的辨識模型準確率更高，克服了直接通過大量傳統(tǒng)仿真得到的仿真數(shù)據(jù)來構建辨識模型，辨識結果與現(xiàn)實工況偏差較大的問題。[0061]如圖2所示，所述訓練參數(shù)包括訓練輪數(shù)m、每輪判別器D訓練次數(shù)k、學習率η；對CGAN的判別器D和生成器G進行交替迭代訓練，并將生成數(shù)據(jù)輸入到原始樣本訓練得到的原始分類模型中從而獲得與實際分布最為相似的生成分布，這個過程包括以下步驟：[0062]步驟3.1：原始訓練樣本{x1,y}訓練BP神經(jīng)網(wǎng)絡，得到原始分類模型。CGAN的生成器G隨機初始化為

{x1,y}是根據(jù)最初的配網(wǎng)運行狀態(tài)樣本集{x0,y0}得到的，x1是根據(jù)x0提取出特征變量向量得到x1，y是y0的二進制數(shù)表示。也就是步驟2得到的訓練集{x,y}中的x是x1歸一化得到的，這里不進行歸一化操作，因為BP神經(jīng)網(wǎng)絡的訓練本身包括歸一化這一步驟。[00]步驟3.2：執(zhí)行循環(huán)i＝1到i＝m。[0065]i循環(huán)m次代表CGAN整體訓練m次，其中，每次訓練包括了k次的判別器D訓練和1次的生成器G訓練。[0066]步驟3.3：執(zhí)行循環(huán)j＝1到j＝k(即判別器D先訓練k次)。[0067]步驟3.4：輸入I為原始樣本訓練集{x,y}及i-1輪生成數(shù)據(jù){Gi-1(z),y}，輸出為判別輸入I屬于實際數(shù)據(jù)或是生成數(shù)據(jù)的概率Di,j(I)，對CGAN的判別器D進行第i輪、j次訓練得到

[0068][0069][0070][0063]

其中θd為判別器D的參數(shù)。

I為輸入，包括了原始樣本訓練集{x,y}及i-1輪生成數(shù)據(jù){Gi-1(z),y}。

Di,j(I)為輸出，代表判別器D判斷輸入I屬于真實/生成數(shù)據(jù)的概率。判別器D是神經(jīng)網(wǎng)絡，這個網(wǎng)絡可以用

表示，其中

為這個網(wǎng)絡此時

(進行第i輪、j次訓練時)的參數(shù)。

[0071]步驟3.5：判斷j循環(huán)是否完成，若是，結束j循環(huán)，保存第i輪訓練得到的判別器D：

7

CN 112016774 A

說　明　書

5/7頁

[0072]

步驟3.6：對生成器G進行1次訓練。輸入為Pz對應的隨機變量z及狀態(tài)標簽y的合成

[z,y]，輸出為和{x,y}維度一致的生成數(shù)據(jù){Gi(z),y}，對CGAN的生成器G進行第i輪訓練得

其中θg為生成器G的參數(shù)。

到

[0073]

Pz為先驗分布(也叫隱空間)，先驗分布一般可選高斯分布。[0074]步驟3.7：判斷i循環(huán)是否完成，若是，結束i循環(huán)，保存m輪訓練得到的m組生成數(shù)據(jù){Gi(z),y},i＝1,2,…,m。[0075]步驟3.8：將m組生成數(shù)據(jù)作為輸入，分別輸入到原始分類模型中進行評估。計算分類正確率的幾何平均

作為評估值，其中，λλ1到6分別為

配網(wǎng)6種運行狀態(tài)在原始分類模型下的分類辨識正確率。取出λ值最高的生成數(shù)據(jù)，將其中的故障樣本融合到原始數(shù)據(jù)中，從而達到對原始訓練集進行樣本增強的效果。對擴大后的數(shù)據(jù)反歸一化得到步驟3所述的計算集。[0076]另：步驟3.4所述判別器D的訓練以及步驟3.6所述生成器G的訓練目標如下：[0077](1)判別器D是為了區(qū)分實際數(shù)據(jù)和生成數(shù)據(jù)，其損失函數(shù)可以定義為：

其中，Px為數(shù)據(jù)集x的實際分布，Pz為先驗

分布(也叫隱空間)，z為先驗分布的隨機變量。因此判別器可通過最大化其損失函數(shù)進行訓練。[0078](2)生成器G目的是生成盡可能真實的數(shù)據(jù)，欺騙判別器D，其損失函數(shù)可定義為：

因此生成器訓練的目標函數(shù)為最小化其損失函數(shù)。

步驟4：確定訓練參數(shù)，基于樣本增強后的大樣本計算集對BP神經(jīng)網(wǎng)絡進行分類模型訓練，形成配網(wǎng)狀態(tài)辨識模型，構建流程圖如圖3所示。[0080]訓練參數(shù)包括：學習率ζ、學習目標誤差Egoal、最大迭代次數(shù)N；基于樣本增強后的計算集對BP神經(jīng)網(wǎng)進行分類模型訓練包括以下步驟：[0081]步驟4.1：對樣本增強后的計算集特征值X進行-1～1之間的歸一化，并初始化網(wǎng)絡。

[0082]步驟4.2：將計算集{X,y}中歸一化后的特征值作為輸入，狀態(tài)標簽y作為輸出，對神經(jīng)網(wǎng)絡進行訓練。[0083]步驟4.3：判斷網(wǎng)絡誤差e小于神經(jīng)網(wǎng)絡訓練的目標誤差Egoal或者學習次數(shù)大于預設的最大迭代次數(shù)N時，結束訓練。否則重新進行新一輪訓練直到滿足上述條件為止。得到步驟4所述的配網(wǎng)狀態(tài)辨識模型。[0084]步驟5：通過離線的數(shù)據(jù)增強訓練得到配網(wǎng)狀態(tài)辨識模型后，可以對配網(wǎng)運行狀態(tài)進行在線識別。[0085]實施例二：

[0086]本實施例提供了一種基于數(shù)據(jù)增強技術的配網(wǎng)運行狀態(tài)辨識系統(tǒng)，所述系統(tǒng)，包括：

8

[0079]

CN 112016774 A[0087]

說　明　書

6/7頁

訓練集構建模塊：利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本

集，并基于所述樣本集構建訓練集；[0088]樣本集增大模塊：基于所述訓練集，對條件生成對抗網(wǎng)絡進行訓練，得到增大后的樣本集；

[00]辨識模塊：基于增大后的樣本集構建配電網(wǎng)狀態(tài)辨識模型，并基于樣本集對配網(wǎng)運行狀態(tài)進行辨識。

[0090]所述訓練集構建模塊，包括：[0091]特征變量提取子模塊：利用實際電網(wǎng)運行情況或時域仿真方法生成配網(wǎng)運行狀態(tài)樣本集，提取所述樣本集中狀態(tài)信息的特征變量，并將所述樣本集中狀態(tài)標簽通過二進制進行表示；

[0092]歸一化子模塊：將所述樣本信息的特征變量歸一化至設定區(qū)間內(nèi)，得到訓練集。[0093]所述樣本集增大模塊，包括：[0094]初始化子模塊：將條件生成網(wǎng)絡的生成器G進行隨機初始化，并設置所述生成器G循環(huán)次數(shù)；

[0095]樣本集生成子模塊：用于將所述生成器G根據(jù)所述循環(huán)次數(shù)，以最小損失函數(shù)為目標函數(shù)，依次生成樣本集；并基于所述生成樣本集，通過評估模型進行評估，篩選出幾何平均最大的生成樣本融合到原始樣本中，得到增大后的樣本集。[0096]所述樣本集生成子模塊：包括：[0097]準確率判別單元：將所述生成器G每次生成的樣本集，通過預先訓練的判別器D進行準確率判別。

[0098]所述準確率判別單元，包括：判別器D訓練子單元；[0099]所述判別器D訓練子單元中對判別器D的訓練過程為：[0100]步驟一：將原始數(shù)據(jù)輸入所述判別器D中，得到所述原始數(shù)據(jù)屬于實際數(shù)據(jù)的概率；

[0101]步驟二：以損失函數(shù)最大化為目標函數(shù)，更新所述生成器D參數(shù)；[0102]步驟三：以設定次數(shù)，重復所述步驟一和步驟二，得到訓練后的判別器D；[0103]所述原始數(shù)據(jù)，包括：原始樣本訓練集和樣本集。[0104]所述篩選子模塊中的評估模型，如下式所示：

[0105]

其中，λ為幾何平均值，λλλλλλ123456為配網(wǎng)的運行狀態(tài)在原始模型下的分類辨識正確率之積。

[0107]所述辨識模塊，包括：[0108]歸一化子模塊：將增大后的樣本集的特征值在預設區(qū)間內(nèi)歸一化，并初始化BP神經(jīng)網(wǎng)絡；[0109]判斷子模塊：基于歸一化的特征值，對神經(jīng)網(wǎng)絡進行預設次數(shù)的訓練，得到網(wǎng)絡誤差，若所述網(wǎng)絡誤差小于目標誤差或訓練此時達到預設次數(shù)，得到配網(wǎng)狀態(tài)辨識模型；否則，繼續(xù)訓練，直到所述網(wǎng)絡誤差小于目標誤差或訓練此時達到預設次數(shù)。[0110]顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明

[0106]

9

CN 112016774 A

說　明　書

7/7頁

中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范圍。

[0111]本領域內(nèi)的技術人員應明白，本申請的實施例可提供為方法、系統(tǒng)、或計算機程序產(chǎn)品。因此，本申請可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本申請可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器、CD-ROM、光學存儲器等)上實施的計算機程序產(chǎn)品的形式。

[0112]本申請是參照根據(jù)本申請實施例的方法、設備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。[0113]這些計算機程序指令也可存儲在能引導計算機或其他可編程數(shù)據(jù)處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

[0114]這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設備上，使得在計算機或其他可編程設備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程設備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。[0115]以上僅為本發(fā)明的實施例而已，并不用于本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均包含在申請待批的本發(fā)明的權利要求范圍之內(nèi)。

10

CN 112016774 A

說　明　書　附　圖

1/3頁

圖1

11

CN 112016774 A

說　明　書　附　圖

圖2

12

2/3頁

CN 112016774 A

說　明　書　附　圖

3/3頁

圖3

13