摘 要

随着智能电网建设的发展与电力体制改革的深入，对配电系统自动化有了更高的要求。作为配电二次设备，FTU在故障监测与定位上发挥着重要作用，保证FTU的健康运行十分必要，这就要求可以对FTU的健康状态进行准确有效的评估。本文针对FTU的结构与功能，设计了一种基于卷积神经网络的FTU健康状态评估的方法，可以投入实际应用。

本文分析了国内外FTU的评估方法的发展现状，比较了几种可用于状态评估的方法的优点与不足，再结合FTU的运行环境与结构特点，对FTU的健康状态评估方法进行了深入研究。本设计理论上以健康指数理论为根本，以10个影响FTU运行状态的典型因素为指标，对FTU的运行状态进行综合打分并分类，符合相关标准的要求。

本文对深度学习的发展进行充分研究，并详述了CNN的网络结构、算法原理与学习步骤，在此基础上本设计提出了一种基于CNN的FTU健康状态评估方法。利用FTU的状态评估指标制定数据样本集，按照4:1的比例分为训练集与验证集，用训练集对CNN模型进行训练，不断调整CNN的网络基本参数，最终得到了一个满足设计要求的CNN模型，用验证集进行验证，最大精确度可以达到94.66%，证明本设计的可行性与泛化性。

关键词：卷积神经网络；FTU；状态评估；健康指数；配电网；馈线自动化

Abstract

With the development of smart grid construction and the deepening of power system reform, there are higher requirements for the automation of distribution system. As a secondary power distribution device, FTU plays an important role in fault monitoring and positioning, and it is necessary to ensure the healthy operation of FTU. This requires accurate and effective assessment of the health status of FTU. Aiming at the structure and function of FTU, this thesis designs a method of FTU health evaluation based on convolution neural network, which can be put into practical application.

This thesis analyzes the development status of FTU assessment methods at home and abroad, compares the advantages and disadvantages of several methods that can be used for condition assessment, and combines the operating environment and structural characteristics of FTU to conduct an in-depth study of FTU health assessment methods. The design theory is based on the health index theory and takes 10 typical factors that affect the FTU operating status as indicators to comprehensively score and classify the FTU operating status to meet the requirements of relevant standards.

This thesis fully studies the development of deep learning, and details the CNN network structure, algorithm principle and learning steps. On this basis, this design proposes a CNN-based FTU health assessment method. Use the FTU state assessment indicators to develop a data sample set, which is divided into a training set and a verification set according to a 4: 1 ratio. The training set is used to train the CNN model, and the basic parameters of the CNN network are constantly adjusted. The CNN model is verified with a verification set, and the maximum accuracy can reach 94.66%, proving the feasibility and generalization of this design.

Key Words：Convolution Neural Network; FTU; condition assessment; health index; distribution network; feeder automation

目 录

第1章 绪论 1

1.1 选题背景与研究意义 1

1.2 国内外研究现状与分析 1

1.2.1 国内外馈线自动化研究现状 1

1.2.2 国内外FTU健康状态评估方法研究现状 2

1.3 研究内容及安排 3

第2章 FTU的健康状态评估 4

2.1 FTU的结构与功能 4

2.1.1 FTU的结构 4

2.1.2 FTU的功能 4

2.2 健康指数理论 5

2.2.1 健康指数 5

2.2.2 FTU的健康状态评估指标 5

2.3 本章小结 6

第3章 神经网络理论 8

3.1 深度学习发展概述 8

3.2 卷积神经网络理论 8

3.2.1 CNN算法原理 8

3.2.2 CNN的学习步骤 10

3.3本章小结 12

第4章CNN网络模型搭建与训练 13

4.1 数据初始化 13

4.2 CNN网络模型结构 14

4.3 CNN的训练过程 15

4.3.1 迭代次数对结果的影响 15

4.3.2 批处理数对结果的影响 15

4.3.3 学习率对结果的影响 16

4.3.4 正则化系数对结果的影响 17

4.4 CNN的训练结果 17

4.5 本章小结 18

第5章 总结与展望 19

5.1 总结 19

5.2 展望 19

参考文献 20

附录A 22

致谢 24

第1章 绪论

1.1选题背景与研究意义

配电自动化是电网向智能化、自动化发展的趋势下形成的结果，是智能电网建设中的重中之重，对电网的稳定性和快速恢复都起着重要的作用，对提高供电可靠性、经济性起着至关重要的作用^[1]。

配电网自动化是指将现代电子通信、网络通信和计算机等方面的技术结合起来，将配电网与时刻、用户、结构和位置等方面有关的信息进行整合，进行系统化管理，使配电网能够正常运行，非正常运行状态下则进行监测、控制和保护^[2]。近年来，建设配电自动化网络依然是各个供电公司的工作重点，也是当前以及未来智能电网建设中的重要一环。

东亚一些国家和地区的配电自动化建设取得了一定的成就，如新加坡、日本基本全面实现了中压配电网层面的自动化；截止到2003年初，韩国已在各地投运近200套配电网自动化系统，实现了58%的覆盖率。欧美发达国家的配电自动化也一直在不断发展，逐步实现了配电网监控、调控、故障隔离与恢复等方面的功能^[2]。