基于多源數(shù)據(jù)融合與深度信念網(wǎng)絡(luò)的臺(tái)區(qū)停電故障預(yù)警方法研究

錢利宏，彭穗，郭曉燕，劉新苗，歐仲曦，趙紫輝，謝曼莎

(1. 南方電網(wǎng)廣東珠海供電局電網(wǎng)規(guī)劃中心，廣東 珠海 519000；2. 廣東電網(wǎng)有限責(zé)任公司電網(wǎng)規(guī)劃研究中心，廣東 廣州 510062；3. 廣東電網(wǎng)有限責(zé)任公司戰(zhàn)略規(guī)劃部，廣東 廣州 510062；4. 中國(guó)農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，北京 100083)

低壓配電臺(tái)區(qū)(以下簡(jiǎn)稱“臺(tái)區(qū)”)直接連接輸電系統(tǒng)和用戶，其安全性關(guān)系到整個(gè)電力系統(tǒng)的安全和用戶的切身利益，是電力系統(tǒng)中的關(guān)鍵一環(huán)。臺(tái)區(qū)因自身結(jié)構(gòu)復(fù)雜，外部環(huán)境復(fù)雜，干擾因素多[1-6]，且多數(shù)臺(tái)區(qū)缺乏停電預(yù)警功能，極易受各種因素影響而停電，因此對(duì)臺(tái)區(qū)進(jìn)行停電故障預(yù)警研究具有十分重要的現(xiàn)實(shí)意義。

現(xiàn)針對(duì)電網(wǎng)故障預(yù)警已有較多研究，但大多是針對(duì)高壓變壓器[5-8]。文獻(xiàn)[9]利用改進(jìn)標(biāo)準(zhǔn)模糊層次分析法進(jìn)行智能預(yù)警，但無(wú)法實(shí)現(xiàn)故障定位；文獻(xiàn)[10-11]同樣只能預(yù)警風(fēng)險(xiǎn)等級(jí)，無(wú)法定位故障位置,文獻(xiàn)[11]利用多種算法，提高算法的復(fù)雜性，但無(wú)法保證多數(shù)臺(tái)區(qū)都能滿足應(yīng)用條件；文獻(xiàn)[12]提取故障前后1個(gè)周期的三相電流，利用小波變換[13-14]提取故障電流的差分能量，進(jìn)一步利用人工神經(jīng)網(wǎng)絡(luò)診斷故障類型，但上述方法沒(méi)有體現(xiàn)預(yù)警功能；文獻(xiàn)[15]開(kāi)發(fā)基于大數(shù)據(jù)的低電壓準(zhǔn)實(shí)時(shí)監(jiān)測(cè)方法和預(yù)警系統(tǒng)，但沒(méi)有展開(kāi)描述具體的預(yù)警方法；文獻(xiàn)[16]分析配電網(wǎng)的故障定位技術(shù)和低電壓預(yù)警原理及可行性，但并沒(méi)有具體給出明確的預(yù)警結(jié)果。

調(diào)研過(guò)程中發(fā)現(xiàn)，現(xiàn)有臺(tái)區(qū)預(yù)警研究中大多只進(jìn)行風(fēng)險(xiǎn)等級(jí)預(yù)警，且無(wú)法預(yù)警出故障發(fā)生的具體概率和位置，不能全面有效利用臺(tái)區(qū)信息。因此本研究采用機(jī)器學(xué)習(xí)算法和多源數(shù)據(jù)融合技術(shù)相結(jié)合的方法，利用機(jī)器學(xué)習(xí)深度訓(xùn)練停電故障相關(guān)的數(shù)據(jù)，提取故障特征，再融合多源數(shù)據(jù)的多個(gè)系統(tǒng)特征結(jié)果，得到綜合多個(gè)系統(tǒng)的預(yù)警與定位結(jié)果。深度信念網(wǎng)絡(luò)(deep belief network，DBN)具有強(qiáng)大的數(shù)據(jù)分類和特征提取功能，深度挖掘由臺(tái)區(qū)配電自動(dòng)化系統(tǒng)(distribution automation system，DAS)、用戶用電信息采集系統(tǒng)(power user electric energy data acquire system，PUEEDAS)和當(dāng)?shù)貧庀笙到y(tǒng)數(shù)據(jù)所構(gòu)成的多源數(shù)據(jù)，實(shí)現(xiàn)臺(tái)區(qū)緩慢性停電故障(例如設(shè)備老化、長(zhǎng)時(shí)間重過(guò)載，不包括突發(fā)性停電事故)全景感知。首先從臺(tái)區(qū)DAS、PUEEDAS和當(dāng)?shù)貧庀笙到y(tǒng)獲取數(shù)據(jù)，構(gòu)建臺(tái)區(qū)多源數(shù)據(jù)體系作為數(shù)據(jù)基礎(chǔ)；其次利用DBN對(duì)帶標(biāo)簽的歷史故障數(shù)據(jù)完成模型訓(xùn)練，深度分析并特征提?。辉賹y(cè)試樣本數(shù)據(jù)集輸入已訓(xùn)練好的DBN模型進(jìn)行停電故障預(yù)警及定位，通過(guò)觀察輸出標(biāo)簽對(duì)是否有停電故障發(fā)生進(jìn)行預(yù)警；最后考慮到所有數(shù)據(jù)來(lái)源于多個(gè)系統(tǒng)，引入Dempster-Shafer(DS)證據(jù)理論對(duì)不同系統(tǒng)數(shù)據(jù)預(yù)測(cè)出的停電故障概率進(jìn)行融合，得到最終預(yù)警結(jié)果。將線路和用戶分段后單獨(dú)應(yīng)用DBN-DS算法，不僅可以實(shí)現(xiàn)臺(tái)區(qū)停電故障預(yù)警，還能實(shí)現(xiàn)故障定位，提高檢修效率，減小停電損失。

1 臺(tái)區(qū)多源數(shù)據(jù)體系及深度信念網(wǎng)絡(luò)

DBN本質(zhì)是一個(gè)概率生成模型，通過(guò)建立樣本與標(biāo)簽之間的聯(lián)合概率分布，實(shí)現(xiàn)對(duì)訓(xùn)練樣本聯(lián)合分布的最大似然估計(jì)。DBN采用無(wú)監(jiān)督學(xué)習(xí)方式進(jìn)行預(yù)訓(xùn)練，再利用有監(jiān)督的反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)多層訓(xùn)練不適用問(wèn)題[7,17-19]。本文利用DBN的分類和特征提取功能，對(duì)臺(tái)區(qū)故障進(jìn)行分類和特征提取。

1.1 臺(tái)區(qū)多源數(shù)據(jù)體系

本文臺(tái)區(qū)多源數(shù)據(jù)體系如圖1所示，數(shù)據(jù)來(lái)源于臺(tái)區(qū)DAS、PUEEDAS和當(dāng)?shù)貧庀笙到y(tǒng)，包括變壓器/線路三相電壓、電流、三相功率、功率因數(shù)、三相正/反向功率，用戶三相電壓、電流、三相功率、功率因數(shù)，用戶電量，用戶歷史停電時(shí)間和停電次數(shù)，當(dāng)?shù)氐臏囟取穸?、光照?qiáng)度、日光照小時(shí)數(shù)、壓強(qiáng)等。以此多源數(shù)據(jù)構(gòu)成的樣本集合作為3個(gè)系統(tǒng)各自DBN算法的輸入向量，同時(shí)，每個(gè)向量的最后一個(gè)元素為故障類型標(biāo)簽。

圖1 臺(tái)區(qū)多源數(shù)據(jù)體系Fig.1 Multi-source data system of distribution station area

1.2 受限玻爾茲曼機(jī)(RBM)

受限玻爾茲曼機(jī)(restricted Boltzmann machine，RBM)是一個(gè)基于能量的模型[5,20]，具有強(qiáng)大的無(wú)監(jiān)督學(xué)習(xí)能力，能提取樣本中的復(fù)雜規(guī)律，由可視層v和隱含層h構(gòu)成，可視層和隱含層的層間神經(jīng)元雙向全連接，層內(nèi)神經(jīng)元不連接，其結(jié)構(gòu)如圖2所示。圖2中，可視層即臺(tái)區(qū)數(shù)據(jù)輸入層，設(shè)可視層有n個(gè)神經(jīng)元，隱含層有m個(gè)神經(jīng)元；v為可視層對(duì)應(yīng)的神經(jīng)元值向量，v=[v1v2…vn]；h為隱含層對(duì)應(yīng)的神經(jīng)元值向量，h=[h1h2…h(huán)m]。W為可視層與隱含層任意2個(gè)神經(jīng)元間之間的連接強(qiáng)度矩陣，W=[Wij]n×m；a、b分別為v、h層內(nèi)神經(jīng)元相關(guān)的偏置向量，a=[a1a2…an]，b=[b1b2…bm]。

圖2 RBM網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure of RBM

在給定狀態(tài)(v,h)下，能量聯(lián)合分布

(1)

當(dāng)hj被激活時(shí)，其激活概率

(2)

由于可視層和隱含層是雙向連接的，當(dāng)hj被激活，vi也同樣被激活，其被激活的概率

(3)

RBM采用對(duì)比散度(contrastive divergence，CD)算法訓(xùn)練，CD算法是目前RBM最常用的訓(xùn)練算法。將帶標(biāo)簽的臺(tái)區(qū)多源數(shù)據(jù)以列表形式輸入RBM可視層，建立標(biāo)簽和數(shù)據(jù)特征類型之間的概率關(guān)系。設(shè)列表向量x輸入可視層，通過(guò)式(2)計(jì)算hj激活的概率，并取(0,1)之間的任一數(shù)μ為激活閾值，定義hj不小于μ時(shí)，hj被激活，hj=1,否則不被激活，hj=0，如式(4)、(5)所示。

P(hj|x)≥μ,hj=1;

(4)

P(hj|x)<μ,hj=0.

(5)

利用Gibbs抽樣[21]，從hj的概率分布中抽取一個(gè)樣本用于重構(gòu)可視層，根據(jù)式(3)計(jì)算vi被激活的概率；再用同樣的抽樣方法重新計(jì)算vi被激活的概率，并在此基礎(chǔ)上更新W、a和b。RBM的訓(xùn)練目標(biāo)就是獲得連接強(qiáng)度矩陣W和偏置相量a和b，使得隱含層能盡可能反映可視層特征，訓(xùn)練流程如圖3所示。

圖3 RBN訓(xùn)練流程Fig.3 Training flow chart of RBN

1.3 深度信念網(wǎng)絡(luò)(DBN)

DBN在結(jié)構(gòu)上是由多個(gè)RBM和1個(gè)BP神經(jīng)網(wǎng)絡(luò)組成，結(jié)構(gòu)如圖4所示。

圖4 DBN結(jié)構(gòu)Fig.4 DBN structure

圖中DBN分為預(yù)訓(xùn)練和微調(diào)2個(gè)部分，按自下而上的方式利用多層RBM進(jìn)行無(wú)監(jiān)督預(yù)訓(xùn)練，預(yù)訓(xùn)練過(guò)程中，每層W映射達(dá)到最優(yōu)，因此需利用BP神經(jīng)網(wǎng)絡(luò)將錯(cuò)誤信息自上而下傳播回每層RBM進(jìn)行微調(diào)，以免陷入局部最優(yōu)。本文即利用DBN的數(shù)據(jù)分類和特征提取功能，深度分析臺(tái)區(qū)歷史停電故障相關(guān)數(shù)據(jù)和停電標(biāo)簽之間的關(guān)系，對(duì)未來(lái)停電故障進(jìn)行預(yù)警。

2 基于DS證據(jù)理論的多源數(shù)據(jù)融合

多源數(shù)據(jù)融合基于多種數(shù)據(jù)源，根據(jù)某個(gè)特定標(biāo)準(zhǔn)在空間或時(shí)間上進(jìn)行組合，獲得對(duì)被融合對(duì)象一致性描述[22]。多源數(shù)據(jù)融合在層級(jí)上分為數(shù)據(jù)層、特征層和融合層[23]，在結(jié)構(gòu)上分為集中式、分布式和混合式。常用的融合算法有DS證據(jù)理論[5,7,18]、神經(jīng)網(wǎng)絡(luò)[6,8-10]、模糊理論[4]和分類向量機(jī)[11]等。

DS證據(jù)理論是一種信息融合理論，能有效融合不確定性信息，被廣泛用于數(shù)據(jù)融合領(lǐng)域。本文采用分布式融合結(jié)構(gòu)，將該臺(tái)區(qū)所在的DAS數(shù)據(jù)、PUEEDAS數(shù)據(jù)和當(dāng)?shù)貧庀髷?shù)據(jù)預(yù)測(cè)出的停電故障概率進(jìn)行融合，獲得綜合性預(yù)警結(jié)果。

設(shè)臺(tái)區(qū)線路有I段，有J個(gè)用戶，定義一個(gè)識(shí)別框架U，表示臺(tái)區(qū)柱上變壓器(以下簡(jiǎn)稱“柱上變”)故障、線路1故障……線路I故障……用戶1故障……用戶J故障、正常狀態(tài)，共(I+J+2)種情況。記每個(gè)系統(tǒng)DBN輸出的故障概率集合為Us，有Us={fs(F1,s),fs(F2,s),…,fs(FI+1,s),fs(FI+2,s),…,fs(FI+J+1,s),fs(FI+J+2,s),t}，下標(biāo)s=1,2,3，分別表示DAS、PUEEDAS和當(dāng)?shù)貧庀笙到y(tǒng)；F1,s為第s個(gè)系統(tǒng)柱上變停電故障標(biāo)簽，fs(F1,s)為第s個(gè)系統(tǒng)DBN輸出的柱上變停電故障概率；F2,s,…,FI+1,s為第s個(gè)系統(tǒng)線路1至線路I停電故障標(biāo)簽，fs(F2,s),…,fs(FI+1,s)為相應(yīng)停電故障概率；FI+2,s,…,FI+J+1,s為第s個(gè)系統(tǒng)用戶1至用戶J停電故障標(biāo)簽，fs(FI+2,s),…,fs(FI+J+1,s)為相應(yīng)停電故障概率；FI+J+2,s為第s個(gè)系統(tǒng)正常狀態(tài)標(biāo)簽，fs(FI+J+2,s)為相應(yīng)正常狀態(tài)概率；t為表示當(dāng)前狀態(tài)離故障發(fā)生的時(shí)間的數(shù)值，t=0,1,2,…,24。則每個(gè)系統(tǒng)故障概率標(biāo)簽概率fs(Fi,s)滿足

(6)

同一時(shí)刻下，3個(gè)系統(tǒng)融合規(guī)則為

(7)

式中：Fg為3個(gè)系統(tǒng)融合后的停電故障標(biāo)簽，g∈[1,I+J+2]；f(Fg)為3個(gè)系統(tǒng)融合后的停電故障概率；K由式(8)計(jì)算所得。

(8)

3個(gè)系統(tǒng)Fg融合后的概率稱其為信度函數(shù)值，即fBEL(Fg)，在數(shù)值上等于f(Fg)；3個(gè)系統(tǒng)Fg融合后的上限估計(jì)稱為似然函數(shù)值，即fPL(Fg)。信度函數(shù)值和似然函數(shù)值分別用于計(jì)算信度區(qū)間的下限值和上限值，即[fBEL(Fg),fPL(Fg)]，其計(jì)算公式為：

fBEL(Fg)=f(Fg),

(9)

(10)

以上融合過(guò)程也適用于2個(gè)系統(tǒng)間的融合，綜上，DS證據(jù)理論融合過(guò)程如圖5所示。

圖5 DS證據(jù)理論融合過(guò)程Fig.5 Fusion process of DS evidence theory

3 基于DBN-DS的臺(tái)區(qū)停電故障預(yù)警與定位模型

根據(jù)某臺(tái)區(qū)發(fā)展目標(biāo)，集成現(xiàn)有計(jì)量與配電運(yùn)維信息，利用低成本的物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)臺(tái)區(qū)停電故障預(yù)警及定位，實(shí)現(xiàn)臺(tái)區(qū)停電故障的精準(zhǔn)識(shí)別，提高檢修效率，減小停電損失。

本文針對(duì)臺(tái)區(qū)柱上變、線路和用戶構(gòu)建了基于DBN-DS的臺(tái)區(qū)停電預(yù)警模型，如圖6所示。此模型首先在數(shù)據(jù)層采用歸一化進(jìn)行預(yù)處理，其次在特征層采用DBN進(jìn)行特征提取，最后在融合層采用DS將DBN提取到的3個(gè)系統(tǒng)數(shù)據(jù)特征信息進(jìn)行融合，最終得到臺(tái)區(qū)停電故障預(yù)警及定位結(jié)果。

圖6 基于DBN-DS的臺(tái)區(qū)停電故障預(yù)警模型Fig.6 Early warning model of power failure in the station area based on DBN-DS

結(jié)合DBN提取特征信息和DS融合的流程，可得基于DBN-DS的臺(tái)區(qū)停電故障預(yù)警及定位算法流程，如圖7所示，其具體步驟為：

圖7 基于DBN-DS的臺(tái)區(qū)停電故障預(yù)警算法流程Fig.7 Flow chart of early warning algorithm for powerfailure in the station area based on DBN-DS

a)輸入3個(gè)系統(tǒng)數(shù)據(jù)。

b)分別對(duì)每個(gè)系統(tǒng)的數(shù)據(jù)進(jìn)行歸一化處理。當(dāng)不同特征數(shù)據(jù)融合時(shí)，因數(shù)據(jù)本身大小存在較大差異，可能出現(xiàn)小數(shù)據(jù)被大數(shù)據(jù)湮沒(méi)的情況，因而為了使每個(gè)數(shù)據(jù)在融合時(shí)被平等對(duì)待，應(yīng)先對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使處理后的數(shù)據(jù)均在[0,1]之內(nèi)。設(shè)Xmin和Xmax分別為數(shù)據(jù)集X中的最小、最大值，通過(guò)式(11)對(duì)原始值Xi進(jìn)行歸一化處理，X′i表示歸一化后的數(shù)據(jù)：

(11)

c)建立DBN模型，將3個(gè)系統(tǒng)歸一化處理后的數(shù)據(jù)分批次輸入到各自DBN模型中進(jìn)行逐層預(yù)訓(xùn)練和BP微調(diào)，直至3個(gè)系統(tǒng)數(shù)據(jù)訓(xùn)練滿足精度要求，將DBN模型及其參數(shù)輸出用于提取待預(yù)測(cè)數(shù)據(jù)的故障特征，計(jì)算得到故障概率。

d)將DBN提取的每個(gè)系統(tǒng)的故障預(yù)警及定位結(jié)果作為DS融合的輸入數(shù)據(jù)，將故障標(biāo)簽的概率值賦值給DS證據(jù)理論融合框架中對(duì)應(yīng)的故障標(biāo)簽，進(jìn)行DS證據(jù)理論融合，得到計(jì)及3個(gè)系統(tǒng)的綜合停電故障預(yù)警結(jié)果。

e)輸出融合后的預(yù)警結(jié)果，取對(duì)應(yīng)概率值最大的設(shè)備為故障設(shè)備。

4 算例分析

算例采用某10節(jié)點(diǎn)臺(tái)區(qū)，以臺(tái)區(qū)的DAS數(shù)據(jù)、PUEEDAS數(shù)據(jù)和某氣象網(wǎng)站氣象系統(tǒng)數(shù)據(jù)構(gòu)建臺(tái)區(qū)多源數(shù)據(jù)體系作為預(yù)警輸入數(shù)據(jù)，DBN訓(xùn)練標(biāo)簽為工作人員記錄的故障類型，如“線路1故障”等。臺(tái)區(qū)節(jié)點(diǎn)拓?fù)鋱D如圖8所示，圖中臺(tái)區(qū)有柱上變1個(gè)，線路10段，用戶10個(gè)，li表示第i段線路，gj表示第j個(gè)用戶，構(gòu)造第2部分所示的DS識(shí)別框架U，其中I=J=10，臺(tái)區(qū)的實(shí)際距離位置拓?fù)鋱D如圖9所示。選用2 000個(gè)故障樣本作為測(cè)試樣本，1 000個(gè)故障樣本作為訓(xùn)練樣本。DBN由5個(gè)RBM(4個(gè)隱含層)構(gòu)成，每層神經(jīng)元數(shù)為1 000→500→250→100→50→4，訓(xùn)練動(dòng)量為0.5，訓(xùn)練學(xué)習(xí)率為0.02，最大迭代次數(shù)為3 000，W、a、b初始化為0。

圖8 某臺(tái)區(qū)節(jié)點(diǎn)拓?fù)銯ig.8 Node topology of a low-voltage distribution station area

圖9 某臺(tái)區(qū)拓?fù)銯ig.9 Topology of a low-voltage distribution station area

本研究的故障類型標(biāo)簽為F1,F2,…,F11,F12,…,F21,F22,t，分別對(duì)應(yīng)柱上變故障、線路1至線路10故障、用戶1至用戶10故障和正常狀態(tài)，t表示當(dāng)前狀態(tài)離故障發(fā)生的時(shí)間，例如，若故障標(biāo)簽構(gòu)成的向量為(1,0,…,0,0,…，0,0,2)，則表示當(dāng)前狀態(tài)離柱上變發(fā)生故障2 h。

通過(guò)以上設(shè)置，訓(xùn)練DBN模型并應(yīng)用其對(duì)某柱上變臺(tái)區(qū)近1年里發(fā)生故障的DAS數(shù)據(jù)集d1、PUEEDAS數(shù)據(jù)集d2和當(dāng)?shù)貧庀髷?shù)據(jù)集d3進(jìn)行3次預(yù)測(cè)，得到的各設(shè)備停電故障概率見(jiàn)表1。分別取3次預(yù)測(cè)結(jié)果的平均值作為系統(tǒng)各設(shè)備停電故障概率值，見(jiàn)表2。

表1 不同故障類型的DBN概率分配Tab.1 Probability distribution of DBN for different fault types

表2 不同故障類型的DBN平均概率分配Tab.2 Average probability distribution of DBN for different fault types

雖然根據(jù)最大隸屬原則，在不同數(shù)據(jù)集情況下都可初步判斷此故障為柱上變故障，但無(wú)法獲得3種數(shù)據(jù)集情況下的綜合概率；因此需要通過(guò)DS證據(jù)理論融合技術(shù)對(duì)不同數(shù)據(jù)集情況下的DBN預(yù)測(cè)概率進(jìn)一步融合，選取不同系統(tǒng)數(shù)據(jù)預(yù)警結(jié)果，融合后的概率分配和信度區(qū)間見(jiàn)表3，表中區(qū)間下限表示概率分配值，“&”表示融合。

表3 不同融合方式融合后的概率信度區(qū)間Tab.3 Probability reliability intervals after fusion by different fusion methods

由表2和表3可知，柱上變故障概率由融合前的不到0.7增大至0.85，其他2種故障類型和正常狀態(tài)的概率減小至0.05左右，可更有力判斷故障為柱上變故障。由表3可知，不確定度隨著柱上變故障概率較大的數(shù)據(jù)集的融合而減小，數(shù)據(jù)集d1、d2、d3三者融合效果明顯好于兩兩融合效果，其次是d1、d2融合，d1、d3融合，最后是d2、d3融合，融合效果與不確定度大小呈反相關(guān)，與不確定度的物理意義吻合。

更換數(shù)據(jù)集，重復(fù)以上實(shí)驗(yàn)，當(dāng)數(shù)據(jù)集d4、d5和d6分別為某臺(tái)區(qū)線路故障時(shí)近1年來(lái)發(fā)生故障時(shí)的DAS數(shù)據(jù)、PUEEDAS數(shù)據(jù)和當(dāng)?shù)貧庀笙到y(tǒng)數(shù)據(jù)，數(shù)據(jù)集d7、d8和d9為某臺(tái)區(qū)用戶故障時(shí)近1年來(lái)發(fā)生故障時(shí)的DAS數(shù)據(jù)、PUEEDAS數(shù)據(jù)和當(dāng)?shù)貧庀笙到y(tǒng)數(shù)據(jù)，數(shù)據(jù)集d10、d11和d12為某臺(tái)區(qū)正常狀態(tài)下的DAS數(shù)據(jù)、PUEEDAS數(shù)據(jù)和當(dāng)?shù)貧庀笙到y(tǒng)數(shù)據(jù)，得到融合后的概率分配和信度區(qū)間見(jiàn)表4。由表4可知，當(dāng)選取的融合數(shù)據(jù)集不同時(shí)，得到的預(yù)警結(jié)果概率不同，每種故障的預(yù)警結(jié)果與其故障類型標(biāo)簽對(duì)應(yīng)，由于融合后臺(tái)區(qū)某設(shè)備的故障概率只有1個(gè)，取信度區(qū)間下限值為某設(shè)備綜合故障概率，得到的綜合預(yù)警概率分別為0.855 7、0.851 7、0.846 8和0.835 2。

表4 t=2時(shí)不同數(shù)據(jù)集融合后的信度區(qū)間Tab.4 Reliability intervals after fusion of different datasets when t=2

同理，分別采用3個(gè)系統(tǒng)t=1和t=3時(shí)柱上變故障概率、線路1故障概率、用戶1故障概率和正常狀態(tài)下的樣本數(shù)據(jù)集作為DBN的輸入數(shù)據(jù)進(jìn)行預(yù)警，重復(fù)以上步驟，分別得到不同數(shù)據(jù)集融合后的信度區(qū)間(見(jiàn)表5、表6)。由表4、表5和表6對(duì)比可知，t越大，表示預(yù)警故障發(fā)生時(shí)間離當(dāng)前時(shí)間越遠(yuǎn)，則故障發(fā)生可信度越小，這與常識(shí)吻合，從一定意義上驗(yàn)證了此算法的正確性。

表5 t=1時(shí)不同數(shù)據(jù)集融合后的信度區(qū)間Tab.5 Reliability intervals after fusion of different datasets when t=1

表6 t=3時(shí)不同數(shù)據(jù)集融合后的信度區(qū)間Tab.6 Reliability intervals after fusion of different datasets when t=3

5 結(jié)束語(yǔ)

為解決低壓配電臺(tái)區(qū)緩慢性故障引起的頻繁重復(fù)停電問(wèn)題，本文結(jié)合臺(tái)區(qū)DAS、PUEEDAS和當(dāng)?shù)貧庀笙到y(tǒng)數(shù)據(jù)構(gòu)建了臺(tái)區(qū)多源數(shù)據(jù)體系，提出基于多源數(shù)據(jù)融合、深度信念網(wǎng)絡(luò)的臺(tái)區(qū)停電故障預(yù)警與定位方法，建立了基于DBN-DS的臺(tái)區(qū)停電故障預(yù)警模型，實(shí)現(xiàn)臺(tái)區(qū)停電故障預(yù)警及定位。以某臺(tái)區(qū)為例，詳細(xì)驗(yàn)證分析了算法預(yù)警結(jié)果，給出了不同融合方式和不同數(shù)據(jù)集下變壓器、各段線路、各個(gè)用戶故障以及正常狀態(tài)下的融合預(yù)警結(jié)果。算例分析表明此算法能較準(zhǔn)確預(yù)警停電故障并定位，有效提高檢修效率，減小停電損失，為低壓配電臺(tái)區(qū)停電故障預(yù)警的后續(xù)研究提供了新路徑。