本發(fā)明涉及配電網(wǎng)，特別是涉及一種基于融合終端的低壓配電網(wǎng)運行狀態(tài)檢測方法。

背景技術(shù)：

1、當前低壓配電網(wǎng)的運行狀態(tài)檢測依賴于多項關鍵技術(shù)。其中，智能電表成為低壓配電網(wǎng)不可或缺的組成部分，通過數(shù)據(jù)采集、通信和監(jiān)測功能，獲取用戶用電信息及配電設備運行狀態(tài)。傳感器技術(shù)廣泛應用于電流、電壓、功率因數(shù)等電能參數(shù)以及設備溫度、濕度等物理量的檢測。數(shù)據(jù)通信技術(shù)實現(xiàn)了數(shù)據(jù)遠程傳輸與集中管理。數(shù)據(jù)分析與處理技術(shù)通過統(tǒng)計分析、模式識別和機器學習等方法，提取有用信息并判斷運行狀態(tài)。云計算與大數(shù)據(jù)技術(shù)應用于數(shù)據(jù)存儲、處理和分析，實現(xiàn)配電網(wǎng)數(shù)據(jù)的集中管理、實時監(jiān)測和遠程控制。這些技術(shù)的綜合應用提高了低壓配電網(wǎng)的安全性、穩(wěn)定性和運行效率。

技術(shù)實現(xiàn)思路

1、在
技術(shù)實現(xiàn)要素：
部分中引入了一系列簡化形式的概念，這將在具體實施方式部分中進一步詳細說明。本發(fā)明的發(fā)明內(nèi)容部分并不意味著要試圖限定出所要求保護的技術(shù)方案的關鍵特征和必要技術(shù)特征，更不意味著試圖確定所要求保護的技術(shù)方案的保護范圍。

2、由于傳統(tǒng)的低壓配電網(wǎng)缺乏有效的實時監(jiān)測手段，導致故障發(fā)生后難以及時準確地定位和處理，現(xiàn)有的配電網(wǎng)監(jiān)測方法可能無法全面反映配電網(wǎng)的運行狀況，導致運維工作難以精確開展，本發(fā)明提出一種基于融合終端的低壓配電網(wǎng)運行狀態(tài)檢測方法，上述方法包括：

3、s10：融合終端獲取低壓配電網(wǎng)的原始數(shù)據(jù)集；

4、s20：對所述原始數(shù)據(jù)集進行數(shù)據(jù)預處理，得到去噪補齊數(shù)據(jù)集；

5、s30：對所述去噪補齊數(shù)據(jù)集進行特征提取，獲取頻譜特征、時域特征、能量特征；

6、s40：對所述頻譜特征、時域特征、能量特征進行特征融合，得到融合特征向量，選取部分融合特征向量劃分為訓練集和測試集；

7、s50：構(gòu)建神經(jīng)網(wǎng)絡分類模型，通過所述訓練集對神經(jīng)網(wǎng)絡分類模型進行訓練，得到狀態(tài)分類模型，并通過所述測試集對狀態(tài)分類模型進行優(yōu)化，將所述融合特征向量輸入所述狀態(tài)分類模型進行分類；

8、s60：選取分類為異常狀態(tài)數(shù)據(jù)進行檢測，識別異常狀態(tài)類型；

9、s70：選取分類為正常狀態(tài)數(shù)據(jù)進行健康評估，通過計算健康關鍵指標和健康評估函數(shù)，綜合評價低壓配電網(wǎng)健康狀態(tài)；

10、所述原始數(shù)據(jù)集包括：電力信號、功率數(shù)據(jù)、供電數(shù)據(jù)；

11、所述電力信號包括：電流、電壓；

12、所述功率數(shù)據(jù)包括：變壓器額定有功功率、變壓器實際有功功率、三相負荷；

13、所述供電數(shù)據(jù)包括：供電半徑、供電總電量、售電總電量、供電總時間、電壓越限時間；

14、所述部分融合特征向量為從融合特征向量中隨機選取40%。

15、進一步地，所述s20，包括：

16、s21：將原始數(shù)據(jù)集中的缺失數(shù)據(jù)分為近期缺失數(shù)據(jù)和普通缺失數(shù)據(jù)，對所述近期缺失數(shù)據(jù)采取時間戳對齊插值補齊，對所述普通缺失數(shù)據(jù)采取拉格朗日插值補齊，得到補齊數(shù)據(jù)集；

17、s22：對所述補齊數(shù)據(jù)集進行數(shù)據(jù)去噪，對時域編碼信號采用移動平均濾波器進行去噪，對頻域編碼信號采用巴特沃斯低通濾波器進行去噪，得到去噪補齊數(shù)據(jù)集。

18、進一步地，所述s30，包括：

19、s31：通過快速傅里葉變換將所述去噪補齊數(shù)據(jù)集中的電力信號數(shù)據(jù)從時域轉(zhuǎn)換為頻域表示，得到不同頻率上的能量分布信息；

20、s32：對所述能量分布信息進行頻譜分析，通過能量對應頻率提取頻譜特征；

21、s33：通過小波變換對所述去噪補齊數(shù)據(jù)集中的時間序列信號分解為不同尺度和頻率的小波系數(shù)，計算所述小波系數(shù)的均值、方差、偏度、峰度，得到時域特征；

22、s34：對所述去噪補齊數(shù)據(jù)集中的時域信號進行信號總能量計算，對所述去噪補齊數(shù)據(jù)集中的頻域信號進行頻譜密度積分，得到能量特征。

23、進一步地，所述s40，包括：

24、s41：對所述頻譜特征、時域特征、能量特征進行特征融合，得到融合特征向量；

25、s42：將所述部分融合特征向量按照8：2隨機劃分為訓練集和測試集。

26、進一步地，所述s50，包括：

27、s51：根據(jù)所述融合特征向量的維度確定所述神經(jīng)網(wǎng)絡分類模型的輸入層節(jié)點數(shù)；

28、s52：通過三層隱藏層，所述隱藏層采用全連接層，使用relu激活函數(shù)；

29、s53：輸出層使用sigmoid激活函數(shù)，將輸出結(jié)果分為異常狀態(tài)和正常狀態(tài)；

30、s54：將所述訓練集用于訓練所述神經(jīng)網(wǎng)絡分類模型，得到狀態(tài)分類模型；

31、s55：通過所述測試機對所述狀態(tài)分類模型進行優(yōu)化；

32、s56：將所述融合特征向量輸入狀態(tài)分類模型，得到異常狀態(tài)數(shù)據(jù)和正常狀態(tài)數(shù)據(jù)。

33、進一步地，所述s60，包括：

34、s61：根據(jù)低壓配電網(wǎng)特點定義三種異常狀態(tài)類型包括：電流突變、頻率偏移、電壓波動；

35、s62：對所述異常狀態(tài)數(shù)據(jù)及其鄰域數(shù)據(jù)采用局部異常因子計算局部密度，對鄰域數(shù)據(jù)局部密度與異常狀態(tài)數(shù)據(jù)局部密度的比值求平均值，得到所述異常狀態(tài)數(shù)據(jù)的lof值；

36、s63：根據(jù)所述異常狀態(tài)數(shù)據(jù)的lof值識別導致異常狀態(tài)的類型。

37、進一步地，所述s70，包括：

38、s71：根據(jù)低壓配電網(wǎng)特點定義五種關鍵指標包括：供電半徑、綜合線損率、變壓器負載率、用戶電壓合格率、三相負荷不平衡度；

39、s72：設定低壓配電線路的供電半徑約束條件；

40、s73：對低壓配電網(wǎng)進行綜合線損率求解；

41、s74：對低壓配電網(wǎng)進行變壓器負載率求解；

42、s75：對低壓配電網(wǎng)進行電壓合格率求解；

43、s76：對低壓配電網(wǎng)進行三相負荷不平衡度求解；

44、s77：通過拉格朗日最優(yōu)乘子法對所述五種關鍵指標進行權(quán)重計算，得到健康評估函數(shù)，根據(jù)所述健康評估函數(shù)對所述正常狀態(tài)數(shù)據(jù)進行低壓配電網(wǎng)健康綜合評價。

45、本發(fā)明的有益效果是：

46、1.本發(fā)明提供一種基于融合終端的低壓配電網(wǎng)運行狀態(tài)檢測方法，通過對采集到的原始數(shù)據(jù)集進行插值和去噪處理，有效去除噪聲和異常值，確保后續(xù)分析的準確性和可靠性，從而提升低壓配電網(wǎng)監(jiān)控和管理的精度。

47、2.本發(fā)明提供一種基于融合終端的低壓配電網(wǎng)運行狀態(tài)檢測方法，通過局部異常因子方法進行異常檢測，能夠準確識別電流突變和頻率偏移等異常狀態(tài)，能夠幫助及時發(fā)現(xiàn)和解決潛在問題，保障低壓配電網(wǎng)的穩(wěn)定運行。

48、3.本發(fā)明提供一種基于融合終端的低壓配電網(wǎng)運行狀態(tài)檢測方法，通過利用快速傅里葉變換和小波變換提取頻譜、時域和能量特征，并進行特征融合，提高了狀態(tài)分類的準確性和效率，從而為低壓配電網(wǎng)的智能管理提供了有力支持。

49、4.?本發(fā)明提供一種基于融合終端的低壓配電網(wǎng)運行狀態(tài)檢測方法，通過計算綜合線損率、變壓器負載和三相負荷不平衡度等關鍵指標，對配電網(wǎng)的健康狀態(tài)進行全面評估，管理人員可以更好地掌握配電網(wǎng)的運行狀態(tài)，提高管理決策的科學性和效率。