一种基于深度学习的配网电气拓扑识别方法

    公开(公告)号:CN112381667A

    公开(公告)日:2021-02-19

    申请号:CN202011259811.5

    申请日:2020-11-12

    Abstract: 本发明公开了一种基于深度学习的配网电气拓扑识别方法,包括:S1:选取预设数量的台区,将每个台区内一定数量的用户作为数据采集对象,采集各用户对应的低压侧用电数据,作为配网拓扑识别数据集;S2:构建双通道一维卷积神经网络模型,包括特征提取模块、特征融合模块,其中特征提取模块中的两个通道各包括至少两个1DCNN+BN+ReLU结构的卷积层,多层叠加的结构可以更好地提取数据特征;特征融合模块包括一个1DCNN+BN+ReLU结构的卷积层,实现特征的深度融合;S3:使用双通道一维卷积神经网络模型对所述配网拓扑识别数据集进行训练,得到训练后的双通道一维卷积神经网络模型;S4:利用训练后的双通道一维卷积神经网络模型对配网拓扑识别数据集进行配网电气拓扑识别。

    一种基于深度学习的配网电气拓扑识别方法

    公开(公告)号:CN112381667B

    公开(公告)日:2023-02-03

    申请号:CN202011259811.5

    申请日:2020-11-12

    Abstract: 本发明公开了一种基于深度学习的配网电气拓扑识别方法,包括:S1:选取预设数量的台区,将每个台区内一定数量的用户作为数据采集对象,采集各用户对应的低压侧用电数据,作为配网拓扑识别数据集;S2:构建双通道一维卷积神经网络模型,包括特征提取模块、特征融合模块,其中特征提取模块中的两个通道各包括至少两个1DCNN+BN+ReLU结构的卷积层,多层叠加的结构可以更好地提取数据特征;特征融合模块包括一个1DCNN+BN+ReLU结构的卷积层,实现特征的深度融合;S3:使用双通道一维卷积神经网络模型对所述配网拓扑识别数据集进行训练,得到训练后的双通道一维卷积神经网络模型;S4:利用训练后的双通道一维卷积神经网络模型对配网拓扑识别数据集进行配网电气拓扑识别。

Patent Agency Ranking