基于随机矩阵理论和深度学习技术融合的配电网故障高维判据构建及其智能诊断方法研究

It is difficult to design fault diagnosis criteria in a distribution network, caused by the statistical non-significance of electrical characteristics and the difficulty of massive data utilization. This proposal provides a new approach to fault diagnosis. Firstly, the random matrix theory, which is good at big data analytics, and deep learning, which is well in massive data modeling, are selected as the essential tools to handle high-dimensional dataset. Then, the big data mining framework is built as the theoretic foundations, and based on which, the methodology of feature extraction from high-dimensional fault datasets are studied. Finally, a data-driven and intelligent method is designing for the fault diagnosis in distribution networks. The research contents consist of four parts: 1) data acquisition and the basic analysis, 2) data modeling and analyzing, 3) fault diagnosis model and method, and 4) evaluation and optimization of the model. During our study, two models are constructed for the distribution network—operation model and fault diagnosis model. The former would gain insight into the operation of distribution systems from a novel view, which is beneficial to the deep application of Intelligent algorithm in power systems; the latter would promote the accuracy, the efficiency and the intelligence level of the fault diagnosis. Besides, in the context of the strategic construction target of the state grid, the proposal provides a solution to the core problem—how to systematically extract the hidden value of the data flow carried by the ubiquitous smart gird-Internet of things (SG-IoT).

配电网故障诊断面临故障电气特征不显著、海量数据难以利用等困境，致使故障诊断判据难以设计。针对上述现象，采用随机矩阵理论与深度学习技术作为基本工具，发挥其高维数据处理灵活严格与具备强大建模能力的优势，构建大数据挖掘理论框架基础上的配电网故障数据集的高维特征提取方法体系，形成数据驱动模式的配电网故障智能诊断方法，为故障诊断提供新的手段。课题从以下四方面开展研究：1) 故障的数据获取及其基本分析，2) 数据建模及其分析算法，3) 故障智能诊断模型及其方法，4) 模型的性能评估及其优化策略。课题将建立配电网运行的数据模型，为配电系统的运行分析提供全新的方式，更好推进智能算法在电力系统中的深度应用；建立配电网故障的诊断模型，提升配电网故障诊断的精准度、时效性与智能化。在三型两网的战略目标大背景下，课题研究也为如何系统性地萃取泛在电力物联网所承载的数据流其隐性价值这一问题提供了解决方式。

配电网故障诊断面临故障电气特征不显著、海量数据难以利用等困境，致使故障诊断判据难以设计。针对上述现象，采用随机矩阵理论与深度学习技术作为基本工具，发挥其高维数据处理灵活严格与具备强大建模能力的优势，构建大数据挖掘理论框架基础上的配电网故障数据集的高维特征提取方法体系，形成数据驱动模式的配电网故障智能诊断方法，为故障诊断提供新的手段。课题从以下四方面开展研究：1)故障的数据获取及其基本分析，2)数据建模及其分析算法，3)故障智能诊断模型及其方法，4)模型的性能评估及其优化策略。课题将建立配电网运行的数据模型，为配电系统的运行分析提供全新的方式，更好推进智能算法在电力系统中的深度应用；建立配电网故障的诊断模型，提升配电网故障诊断的精准度、时效性与智能化。在三型两网的战略目标大背景下，课题研究也为如何系统性地萃取泛在电力物联网所承载的数据流其隐性价值这一问题提供了解决方式。.项目取得以下成果：.1)建立起大数据挖掘理论框架，指导数据高维特征的提取，从而解决数据集高维特征提取方法体系这一科学问题:.2)形成一套系统性的数据驱动故障诊断方法，并应用于国网上海市电力公司科技项目“基于数据驱动的配网二次设备状态评估与故障研判“(负责人，利用异源故障录波数据研判配网拓扑故障/缺陷)，用实际场景验证了指标的有效性。诊断效果满足接地故障检测率>90%，接地故障误报率<15%。所提方法为配电系统运行分析提供了全新的视角，有助于推进智能算法在电力系统中的深层应用；.3)模型具备较好的自适应性、泛化能力和迁移能力，可在实践中通过自主学习从而实现模型演进与升级，最终训练误差<2%，测试误差<8%；.4)围绕本项目的研究发表高水平论文7篇(4篇trans，一作2篇；IEEE IoT一作1篇；最佳会议论文一作1篇；高被引中文1篇），出版专著1本，申请专利和开展学术交流若干。