一种5G配电网馈线自动化自适应方法、装置及存储介质

摘要

本发明公开了一种5G配电网馈线自动化自适应方法、装置及存储介质，所述方法包括：获取5G配电网的实时运行数据和历史馈线自动化数据；其中，历史馈线自动化数据包括不同通信时延下不同馈线自动化方式对故障处理的历史数据；将实时运行数据输入到预设的时延依赖度计算模型中，得到当前时延依赖度；根据不同馈线自动化方式中故障最大处理时延和馈线自动化平均时延，计算每一馈线自动化方式的时延依赖度区间；将当前时延依赖度和时延依赖度区间进行比对，以调整5G配电网的馈线自动化方式。本发明能够使得对应不同的网络时延都能切换出最快故障处理的馈线自动化方式，实现5G通信偶发性时延带来的馈线自动化的自适应切换，从而保证配电网运行的安全性。

权利要求

1.一种5G配电网馈线自动化自适应方法，其特征在于，包括：

获取5G配电网的实时运行数据和历史馈线自动化数据；其中，所述历史馈线自动化数据包括不同通信时延下不同馈线自动化方式对故障处理的历史数据；

将所述实时运行数据输入到预设的时延依赖度计算模型中，得到所述时延依赖度计算模型输出的当前时延依赖度；其中，所述时延依赖度计算模型是根据所述历史馈线自动化数据进行训练得到的，所述时延依赖度计算模型包括改进的长短时记忆神经网络模型以及残差模块；

根据不同馈线自动化方式中故障最大处理时延和馈线自动化平均时延，计算每一馈线自动化方式的时延依赖度区间；

将所述当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式；

其中，所述时延依赖度计算模型的训练方法具体包括：

将所述历史馈线自动化数据作为输入数据，输入到改进的长短时记忆神经网络模型进行训练，得到所述改进的长短时记忆神经网络模型输出的初始时延依赖度；

将所述初始时延依赖度依次输入到改进数据池化层和残差模块，得到所述残差模块输出的时延依赖度；

根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行优化，得到训练好的时延依赖度计算模型。

2.如权利要求1所述的5G配电网馈线自动化自适应方法，其特征在于，所述改进的长短时记忆神经网络模型包括多层长短时记忆神经网络，每一层长短时记忆神经网络设有Nn个训练单元；其中， ，n表示第n层长短时记忆神经网络。

3.如权利要求2所述的5G配电网馈线自动化自适应方法，其特征在于，所述残差模块包括空洞卷积、激活函数和批量归一化函数；其中，所述空洞卷积中感受野的计算公式为：式中， 表示当前层的感受野， 表示下一层的感受野，m表示等效卷积核的大小，L表示从第一层到第 层步长的乘积。

4.如权利要求3所述的5G配电网馈线自动化自适应方法，其特征在于，所述根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行优化，得到训练好的时延依赖度计算模型，具体包括：根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行反向传播；

对所述改进的长短时记忆神经网络模型和所述残差模块中的参数进行迭代更新，直至满足预设的迭代条件，得到训练好的时延依赖度计算模型。

5.如权利要求4所述的5G配电网馈线自动化自适应方法，其特征在于，所述将所述当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式，具体包括：将所述当前时延依赖度和时延依赖度区间进行比对，得到所述当前时延依赖度落入的时延依赖度区间；

将与所述当前时延依赖度落入的时延依赖度区间所对应的馈线自动化方式调整为5G配电网当前的馈线自动化方式。

6.如权利要求5所述的5G配电网馈线自动化自适应方法，其特征在于，所述时延依赖度的计算公式为：式中，y为时延依赖度， 为故障最大处理时延， 为馈线自动化的平均时延。

7.一种5G配电网馈线自动化自适应装置，其特征在于，包括：

获取模块，用于获取5G配电网的实时运行数据和历史馈线自动化数据；其中，所述历史馈线自动化数据包括不同通信时延下不同馈线自动化方式对故障处理的历史数据；

第一计算模块，用于将所述实时运行数据输入到预设的时延依赖度计算模型中，得到所述时延依赖度计算模型输出的当前时延依赖度；其中，所述时延依赖度计算模型是根据所述历史馈线自动化数据进行训练得到的，所述时延依赖度计算模型包括改进的长短时记忆神经网络模型以及残差模块；

第二计算模块，用于根据不同馈线自动化方式中故障最大处理时延和馈线自动化平均时延，计算每一馈线自动化方式的时延依赖度区间；

调整模块，用于将所述当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式；

其中，所述时延依赖度计算模型的训练方法具体包括：

将所述历史馈线自动化数据作为输入数据，输入到改进的长短时记忆神经网络模型进行训练，得到所述改进的长短时记忆神经网络模型输出的初始时延依赖度；

将所述初始时延依赖度依次输入到改进数据池化层和残差模块，得到所述残差模块输出的时延依赖度；

根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行优化，得到训练好的时延依赖度计算模型。

8.一种5G配电网馈线自动化自适应装置，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，且所述计算机程序被配置为由所述处理器执行，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的5G配电网馈线自动化自适应方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，所述计算机可读存储介质所在设备执行所述计算机程序时，实现如权利要求1至6中任意一项所述的5G配电网馈线自动化自适应方法。

说明书

一种5G配电网馈线自动化自适应方法、装置及存储介质

技术领域

[0001] 本发明涉及馈线自动化技术领域，尤其涉及一种5G配电网馈线自动化自适应方法、装置及存储介质。

背景技术

[0002] 馈线自动化是一种重要的配电网故障自愈控制技术，通过检测故障、隔离故障、最后再恢复供电的方式来提升供电可靠性。智能分布式馈线自动化技术作为目前主流的馈线自动化模式，主要依靠配电终端之间采用相同的通信方式对等交换测控信息，从而实现控制决策完成配电网故障快速隔离、精准定位和自愈恢复。目前，智能分布式馈线自动化技术主要依靠光纤通信的方式实现信息交互，然而城市配电网光纤通道建设成本高，实施难度大。随着以5G通信技术为代表的新型通信技术的飞速发展与广泛应用可有效解决这一问题，5G通信技术具有组网方式灵活、传输距离远、安全性能高等特点，适用于智能分布式馈线自动化技术。

[0003] 然而，由于无线通信技术存在可靠性低的问题，容易受到外界环境的影响从而导致通信时延增大，难以满足配电终端之间通信交互高实时性的要求。因此，如何针对5G通信的不确定波动性时延，提出一种5G配电网馈线自动化自适应方法成为了目前亟需解决的问题。

发明内容

[0004] 本发明所要解决的技术问题在于，提供一种5G配电网馈线自动化自适应方法、装置及存储介质，基于5G配电网的实时运行数据以及不同通信时延下不同馈线自动化方式对故障处理的历史数据，通过LSTM深度学习历史数据，输出适用于实时网络时延的最快速配网故障响应的馈线自动化方式，使得对应不同的网络时延都能切换出最快故障处理的馈线自动化方式，实现5G通信偶发性时延带来的馈线自动化的自适应切换，从而保证配电网运行的安全性。

[0005] 为了实现上述目的，本发明实施例提供了一种5G配电网馈线自动化自适应方法，包括：

[0006] 获取5G配电网的实时运行数据和历史馈线自动化数据；其中，所述历史馈线自动化数据包括不同通信时延下不同馈线自动化方式对故障处理的历史数据；

[0007] 将所述实时运行数据输入到预设的时延依赖度计算模型中，得到所述时延依赖度计算模型输出的当前时延依赖度；其中，所述时延依赖度计算模型是根据所述历史馈线自动化数据进行训练得到的，所述时延依赖度计算模型包括改进的长短时记忆神经网络模型以及残差模块；

[0008] 根据不同馈线自动化方式中故障最大处理时延和馈线自动化平均时延，计算每一馈线自动化方式的时延依赖度区间；

[0009] 将所述当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式。

[0010] 作为上述方案的改进，所述时延依赖度计算模型的训练方法具体包括：

[0011] 将所述历史馈线自动化数据作为输入数据，输入到改进的长短时记忆神经网络模型进行训练，得到所述改进的长短时记忆神经网络模型输出的初始时延依赖度；

[0012] 将所述初始时延依赖度依次输入到改进数据池化层和残差模块，得到所述残差模块输出的时延依赖度；

[0013] 根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行优化，得到训练好的时延依赖度计算模型。

[0014] 作为上述方案的改进，所述改进的长短时记忆神经网络模型包括多层长短时记忆神经网络，每一层长短时记忆神经网络设有Nn个训练单元；其中， ，n表示第n层长短时记忆神经网络。

[0015] 作为上述方案的改进，所述残差模块包括空洞卷积、激活函数和批量归一化函数；其中，所述空洞卷积中感受野的计算公式为：

[0016]

[0017] 式中， 表示当前层的感受野， 表示下一层的感受野，m表示等效卷积核的大小，L表示从第一层到第 层步长的乘积。

[0018] 作为上述方案的改进，所述根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行优化，得到训练好的时延依赖度计算模型，具体包括：

[0019] 根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行反向传播；

[0020] 对所述改进的长短时记忆神经网络模型和所述残差模块中的参数进行迭代更新，直至满足预设的迭代条件，得到训练好的时延依赖度计算模型。

[0021] 作为上述方案的改进，所述将所述当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式，具体包括：

[0022] 将所述当前时延依赖度和时延依赖度区间进行比对，得到所述当前时延依赖度落入的时延依赖度区间；

[0023] 将与所述当前时延依赖度落入的时延依赖度区间所对应的馈线自动化方式调整为5G配电网当前的馈线自动化方式。

[0024] 作为上述方案的改进，所述时延依赖度的计算公式为：

[0025]

[0026] 式中，y为时延依赖度， 为故障最大处理时延， 为馈线自动化的平均时延。

[0027] 本发明实施例还提供了一种5G配电网馈线自动化自适应装置，包括：

[0028] 获取模块，用于获取5G配电网的实时运行数据和历史馈线自动化数据；其中，所述历史馈线自动化数据包括不同通信时延下不同馈线自动化方式对故障处理的历史数据；

[0029] 第一计算模块，用于将所述实时运行数据输入到预设的时延依赖度计算模型中，得到所述时延依赖度计算模型输出的当前时延依赖度；其中，所述时延依赖度计算模型是根据所述历史馈线自动化数据进行训练得到的，所述时延依赖度计算模型包括改进的长短时记忆神经网络模型以及残差模块；

[0030] 第二计算模块，用于根据不同馈线自动化方式中故障最大处理时延和馈线自动化平均时延，计算每一馈线自动化方式的时延依赖度区间；

[0031] 调整模块，用于将所述当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式。

[0032] 本发明实施例还提供了一种5G配电网馈线自动化自适应装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的5G配电网馈线自动化自适应方法。

[0033] 本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的5G配电网馈线自动化自适应方法。

[0034] 相对于现有技术，本发明实施例提供的一种5G配电网馈线自动化自适应方法、装置及存储介质的有益效果在于：通过获取5G配电网的实时运行数据和历史馈线自动化数据；其中，所述历史馈线自动化数据包括不同通信时延下不同馈线自动化方式对故障处理的历史数据；将所述实时运行数据输入到预设的时延依赖度计算模型中，得到所述时延依赖度计算模型输出的当前时延依赖度；其中，所述时延依赖度计算模型是根据所述历史馈线自动化数据进行训练得到的，所述时延依赖度计算模型包括改进的长短时记忆神经网络模型以及残差模块；根据不同馈线自动化方式中故障最大处理时延和馈线自动化平均时延，计算每一馈线自动化方式的时延依赖度区间；将所述当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式。本发明实施例基于5G配电网的实时运行数据以及不同通信时延下不同馈线自动化方式对故障处理的历史数据，通过LSTM深度学习历史数据，输出适用于实时网络时延的最快速配网故障响应的馈线自动化方式，使得对应不同的网络时延都能切换出最快故障处理的馈线自动化方式，实现5G通信偶发性时延带来的馈线自动化的自适应切换，从而保证配电网运行的安全性。

附图说明

[0035] 图1是本发明提供的一种5G配电网馈线自动化自适应方法的一个优选实施例的流程示意图；

[0036] 图2是本发明提供的一种5G配电网馈线自动化自适应装置的一个优选实施例的结构示意图；

[0037] 图3是本发明提供的一种5G配电网馈线自动化自适应装置的另一个优选实施例的结构示意图。

具体实施方式

[0038] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0039] 请参阅图1，图1是本发明提供的一种5G配电网馈线自动化自适应方法的一个优选实施例的流程示意图。所述5G配电网馈线自动化自适应方法，包括：

[0040] S1，获取5G配电网的实时运行数据和历史馈线自动化数据；其中，所述历史馈线自动化数据包括不同通信时延下不同馈线自动化方式对故障处理的历史数据；

[0041] S2，将所述实时运行数据输入到预设的时延依赖度计算模型中，得到所述时延依赖度计算模型输出的当前时延依赖度；其中，所述时延依赖度计算模型是根据所述历史馈线自动化数据进行训练得到的，所述时延依赖度计算模型包括改进的长短时记忆神经网络模型以及残差模块；

[0042] S3，根据不同馈线自动化方式中故障最大处理时延和馈线自动化平均时延，计算每一馈线自动化方式的时延依赖度区间；

[0043] S4，将所述当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式。

[0044] 具体的，本发明实施例获取5G配电网的实时运行数据和历史馈线自动化数据。其中，历史馈线自动化数据包括不同通信时延下不同馈线自动化方式对故障处理的历史数据。将实时运行数据输入到预设的时延依赖度计算模型中，得到时延依赖度计算模型输出的当前时延依赖度。其中，时延依赖度计算模型是根据历史馈线自动化数据进行训练得到的，时延依赖度计算模型包括改进的长短时记忆神经网络模型LSTM以及残差模块。根据不同馈线自动化方式中故障最大处理时延和馈线自动化平均时延，计算每一馈线自动化方式的时延依赖度区间。将当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式。

[0045] 需要说明的是，本发明实施例考虑到单层LSTM网络适应性弱，可能会出现过拟合和梯度消失等缺点，采用多层堆叠的LSTM从数据中提取不同深度的数据特征，将处理的数据进行融合分析，层层堆叠的LSTM对样本特征进行反复训练以削弱过拟合和梯度消失的弱点。由于网络层数的增加可能使模型在训练时产生严重过拟合问题导致分类效果不加，因此加入残差块来改进神经网络，将输出结果作为输入传送到一个改进数据池化层，利用改进数据池化层和残差模块来优化特征信息的提取，进一步提升训练性能。

[0046] 本发明实施例基于5G配电网的实时运行数据以及不同通信时延下不同馈线自动化方式对故障处理的历史数据，通过LSTM深度学习历史数据，输出适用于实时网络时延的最快速配网故障响应的馈线自动化方式，使得对应不同的网络时延都能切换出最快故障处理的馈线自动化方式，实现5G通信偶发性时延带来的馈线自动化的自适应切换，从而保证配电网运行的安全性。

[0047] 在另一个优选实施例中，所述时延依赖度计算模型的训练方法具体包括：

[0048] 将所述历史馈线自动化数据作为输入数据，输入到改进的长短时记忆神经网络模型进行训练，得到所述改进的长短时记忆神经网络模型输出的初始时延依赖度；

[0049] 将所述初始时延依赖度依次输入到改进数据池化层和残差模块，得到所述残差模块输出的时延依赖度；

[0050] 根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行优化，得到训练好的时延依赖度计算模型。

[0051] 具体的，基于历史情况下曾有不同通信时延下的不同馈线自动化方式对故障的处理情况，为了选取实时通信时延下对故障处理最快速的馈线方式，以历史不同通信时延下的不同馈线自动化方式对故障处理的历史数据为训练样本，构建长短时记忆神经网络模型（LSTM）对样本进行训练。考虑到单层LSTM网络的适应性较弱，为防止训练过程出现过拟合和梯度消失等情况，本发明实施例采用多层堆叠的LSTM网络来解决单层LSTM网络适应性弱的问题，层层堆叠的LSTM对样本特征进行反复训练以削弱过拟合和梯度消失的弱点，将处理的数据进行融合分析。将历史馈线自动化数据作为输入数据，输入到改进的长短时记忆神经网络模型进行训练，得到改进的长短时记忆神经网络模型输出的初始时延依赖度。将初始时延依赖度依次输入到改进数据池化层和残差模块，得到残差模块输出的时延依赖度。根据预设的损失函数对改进的长短时记忆神经网络模型和残差模块进行优化，得到训练好的时延依赖度计算模型。

[0052] 典型的LSTM结构分为三层，包括输入层，输出层和隐藏层，输入层用于输入待训练特征序列集，输入和输出没有一一对应的关系。

[0053] 输入节点：此节点标记为 ，表现为普通神经元，接收上一个时刻点的隐藏节点的输出以及当前的输入作为输出。

[0054]

[0055] 其中，表示tanh激活函数，表示当前配电网时延的输入，表示上一阶段配电网时延依赖度输出， 和 分别表示输入节点引入配电网历史时延输入和上阶段输出的配电网时延依赖度权重， 表示输入节点的配电网时延输入偏差项。

[0056] 输入门：以 命名输入门，输入乘法门是LSTM模型的显著特征，与输入节点一样，门输入是前一个时间节点的隐藏节点的输出和当前输入。

[0057]

[0058] 其中，代表sigmoid函数激活，代表当前配电网时延输入，代表上一阶段配电网时延依赖度输出， 和 分别代表输入门配电网历史时延输入和上阶段输出的配电网时延依赖度权重， 代表输入门的配电网时延输入偏差项。

[0059] 忘记门：通过该方法，网络可以学习刷新内部状态的内容。

[0060]

[0061] 其中， 和 分别代表忘记门刷新的配电网时延输入和上阶段输出的配电网时延依赖度权重， 代表配电网时延刷新偏差项。

[0062] 输出门：起控制输出信息的作用，门的输入为上一个时刻的隐藏节点的输出以及当前的输入。

[0063]

[0064] 其中， 和 分别代表输出门的配电网时延输入和上阶段输出的配电网时延依赖度权重， 代表配电网时延依赖度输出偏差项。

[0065] 内部状态：每个存储器单元的核心是一个具有线性激活的节点，用线性激活节点c对单元进行索引，从而对单元的内部状态进行索引，并将内部状态命名为 ：

[0066]

[0067] 其中， 表示t时刻输入节点输入， 表示t时刻输入门输入， 表示t‑1时刻内部状态量， 表示t时刻内部状态刷新内容。

[0068] 将表示 的输出门乘以内部状态 的值，以产生由存储器单元输出的配电网网路时延依赖度 的值，并基于网络时延依赖度 分析选取出最快故障响应的馈线自动化切换方式。

[0069]

[0070] 其中， 代表逐项相乘。

[0071] 由于网络层数的增加可能使模型在训练时产生严重过拟合问题导致分类效果不加，于是加入残差块进行连接，通过增加池化层和残差块来改善特征信息丢失的问题。加入残差块来改进残差神经网络，将输出结果作为输入传送到一个改进数据池化层，利用改进数据池化层和残差块来优化特征信息的提取，进一步提升训练性能，使其分类效果更佳。

[0072] 作为优选方案，所述改进的长短时记忆神经网络模型包括多层长短时记忆神经网络，每一层长短时记忆神经网络设有Nn个训练单元；其中， ，n表示第n层长短时记忆神经网络。

[0073] 具体的，本发明实施例考虑到单层LSTM网络的适应性较弱，为防止训练过程出现过拟合和梯度消失等情况，本发明实施例采用多层堆叠的LSTM网络来解决单层LSTM网络适应性弱的问题，层层堆叠的LSTM对样本特征进行反复训练以削弱过拟合和梯度消失的弱点，将处理的数据进行融合分析。其中，多层堆叠的LSTM的堆叠层数在2‑4层较为适宜，每一层长短时记忆神经网络设有Nn个训练单元；其中， ，n表示第n层长短时记忆神经网络。

[0074] 在又一个优选实施例中，所述残差模块包括空洞卷积、激活函数和批量归一化函数；其中，所述空洞卷积中感受野的计算公式为：

[0075]

[0076] 式中， 表示当前层的感受野， 表示下一层的感受野，m表示等效卷积核的大小，L表示从第一层到第 层步长的乘积。

[0077] 具体的，本发明实施例由于LSTM网络层数的增加可能使模型在训练时产生严重过拟合问题导致分类效果不加，因此加入残差块来改进神经网络，将输出结果作为输入传送到一个改进数据池化层，利用改进数据池化层和残差模块来优化特征信息的提取，进一步提升训练性能，使其分类效果更佳。残差模块包括空洞卷积、激活函数和批量归一化函数。空洞卷积通过在普通卷积中添加零填充来扩展卷积核感受野，能够使在不改变特征分辨率的前提下使卷积感受野更大，从而增加感知信息的范围。其中，空洞卷积中感受野的计算公式为：

[0078]

[0079] 式中， 表示当前层的感受野， 表示下一层的感受野，m表示等效卷积核的大小，L表示从第一层到第 层步长的乘积。

[0080] 在又一个优选实施例中，所述根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行优化，得到训练好的时延依赖度计算模型，具体包括：

[0081] 根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行反向传播；

[0082] 对所述改进的长短时记忆神经网络模型和所述残差模块中的参数进行迭代更新，直至满足预设的迭代条件，得到训练好的时延依赖度计算模型。

[0083] 在又一个优选实施例中，所述将所述当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式，具体包括：

[0084] 将所述当前时延依赖度和时延依赖度区间进行比对，得到所述当前时延依赖度落入的时延依赖度区间；

[0085] 将与所述当前时延依赖度落入的时延依赖度区间所对应的馈线自动化方式调整为5G配电网当前的馈线自动化方式。

[0086] 具体的，本发明实施例将当前时延依赖度和时延依赖度区间进行比对，得到当前时延依赖度落入的时延依赖度区间。将与当前时延依赖度落入的时延依赖度区间所对应的馈线自动化方式调整为5G配电网当前的馈线自动化方式。

[0087] 在又一个优选实施例中，所述时延依赖度的计算公式为：

[0088]

[0089] 式中，y为时延依赖度， 为故障最大处理时延， 为馈线自动化的平均时延。

[0090] 具体的，基于当前常用的馈线自动化方式可根据对通信的依赖程度不同而分为三大类，分别为交互式馈线自动化技术、询问式馈线自动化技术以及电压电流式馈线自动化技术。根据不同馈线自动化方式对通信时延的依赖程度划分出时延依赖度区间以便LSTM模型输出分类。其中，时延依赖度的计算公式为：

[0091]

[0092] 式中，y为时延依赖度， 为故障最大处理时延， 为馈线自动化的平均时延。

[0093] 按照时延依赖度可将三大馈线自动化方式的时延依赖度区间划分如下：

[0094] 电压电流式馈线自动化方式的时延依赖度区间[0 0.3]；~

[0095] 询问式馈线自动化方式的时延依赖度区间[0.3 0.6]；~

[0096] 交互式馈线自动化方式的时延依赖度区间[0.6 1]。~

[0097] 需要说明的是，本发明实施例还可以在时延依赖度计算模型的最终使用一层Softmax进行分类，根据分类结果得出针对不同网络时延下的最快故障响应馈线自动化方式，并根据结果切换合适的馈线方式以实现不同实时通信时延下对配电网故障的快速处理。

[0098] Softmax函数计算：

[0099]

[0100] 其中，K是输出的总数，分母是归一化，由所有输出节点上的指数之和组成，确保输出总和为1，Softmax函数又称归一化指数函数，是用来将多分类的结果用概率的形式展现出来。其中， 是第k个节点的输出值，分母求和的K为输出节点的个数， 是从第一个输出节点开始求和。输出符号是为了醒目易于判别。

[0101] 当 时，系统调整选用电压电流式馈线自动化技术进行馈线切换；

[0102] 当 时，系统调整选用询问式馈线自动化技术进行馈线切换；

[0103] 当 时，系统调整选用交互式馈线自动化技术进行馈线切换。

[0104] 本发明实施例通过多层堆叠的LSTM长短时记忆神经网络模型对数据进行学习训练，并通过添加改进数据池和空洞卷积残差块来优化特征信息的提取，最后通过Softmax函数进行数据归一化分类处理，对实时的配电网通信时延采集输入并按照训练学习的结果，得到当下网络时延最快速处理故障的馈线自动化方式，部署相应的馈线自动化策略，由于本方法针对实时的网络时延进行检测，所以当无线通信网络的网络时延发生变化时，能够根据变化后的实时通信时延计算学习出当下最适宜的馈线方式，从而进行馈线方式的实时调整切换。针对实时通信时延的馈线切换方式能够消除通信时延不确定性问题对馈线自动化技术带来的影响。

[0105] 相应地，本发明还提供一种5G配电网馈线自动化自适应装置，能够实现上述实施例中的5G配电网馈线自动化自适应方法的所有流程。

[0106] 请参阅图2，图2是本发明提供的一种5G配电网馈线自动化自适应装置的一个优选实施例的结构示意图。所述5G配电网馈线自动化自适应装置，包括：

[0107] 获取模块201，用于获取5G配电网的实时运行数据和历史馈线自动化数据；其中，所述历史馈线自动化数据包括不同通信时延下不同馈线自动化方式对故障处理的历史数据；

[0108] 第一计算模块202，用于将所述实时运行数据输入到预设的时延依赖度计算模型中，得到所述时延依赖度计算模型输出的当前时延依赖度；其中，所述时延依赖度计算模型是根据所述历史馈线自动化数据进行训练得到的，所述时延依赖度计算模型包括改进的长短时记忆神经网络模型以及残差模块；

[0109] 第二计算模块203，用于根据不同馈线自动化方式中故障最大处理时延和馈线自动化平均时延，计算每一馈线自动化方式的时延依赖度区间；

[0110] 调整模块204，用于将所述当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式。

[0111] 优选地，所述时延依赖度计算模型的训练方法具体包括：

[0112] 将所述历史馈线自动化数据作为输入数据，输入到改进的长短时记忆神经网络模型进行训练，得到所述改进的长短时记忆神经网络模型输出的初始时延依赖度；

[0113] 将所述初始时延依赖度依次输入到改进数据池化层和残差模块，得到所述残差模块输出的时延依赖度；

[0114] 根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行优化，得到训练好的时延依赖度计算模型。

[0115] 优选地，所述改进的长短时记忆神经网络模型包括多层长短时记忆神经网络，每一层长短时记忆神经网络设有Nn个训练单元；其中， ，n表示第n层长短时记忆神经网络。

[0116] 优选地，所述残差模块包括空洞卷积、激活函数和批量归一化函数；其中，所述空洞卷积中感受野的计算公式为：

[0117]

[0118] 式中， 表示当前层的感受野， 表示下一层的感受野，m表示等效卷积核的大小，L表示从第一层到第 层步长的乘积。

[0119] 优选地，所述根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行优化，得到训练好的时延依赖度计算模型，具体包括：

[0120] 根据预设的损失函数对所述改进的长短时记忆神经网络模型和所述残差模块进行反向传播；

[0121] 对所述改进的长短时记忆神经网络模型和所述残差模块中的参数进行迭代更新，直至满足预设的迭代条件，得到训练好的时延依赖度计算模型。

[0122] 优选地，所述调整模块204具体用于：

[0123] 将所述当前时延依赖度和时延依赖度区间进行比对，得到所述当前时延依赖度落入的时延依赖度区间；

[0124] 将与所述当前时延依赖度落入的时延依赖度区间所对应的馈线自动化方式调整为5G配电网当前的馈线自动化方式。

[0125] 优选地，所述时延依赖度的计算公式为：

[0126]

[0127] 式中，y为时延依赖度， 为故障最大处理时延， 为馈线自动化的平均时延。

[0128] 在具体实施当中，本发明实施例提供的5G配电网馈线自动化自适应装置的工作原理、控制流程及实现的技术效果，与上述实施例中的5G配电网馈线自动化自适应方法对应相同，在此不再赘述。

[0129] 请参阅图3，图3是本发明提供的一种5G配电网馈线自动化自适应装置的另一个优选实施例的结构示意图。所述5G配电网馈线自动化自适应装置包括处理器301、存储器302以及存储在所述存储器302中且被配置为由所述处理器301执行的计算机程序，所述处理器301执行所述计算机程序时实现上述任一实施例所述的5G配电网馈线自动化自适应方法。

[0130] 优选地，所述计算机程序可以被分割成一个或多个模块/单元（如计算机程序1、计算机程序2、……），所述一个或者多个模块/单元被存储在所述存储器302中，并由所述处理器301执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述5G配电网馈线自动化自适应装置中的执行过程。

[0131] 所述处理器301可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、现场可编程门阵列（Field‑Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器301也可以是任何常规的处理器，所述处理器301是所述5G配电网馈线自动化自适应装置的控制中心，利用各种接口和线路连接所述5G配电网馈线自动化自适应装置的各个部分。

[0132] 所述存储器302主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器302可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡和闪存卡（Flash Card）等，或所述存储器302也可以是其他易失性固态存储器件。

[0133] 需要说明的是，上述5G配电网馈线自动化自适应装置可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3的结构示意图仅仅是上述5G配电网馈线自动化自适应装置的示例，并不构成对上述5G配电网馈线自动化自适应装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

[0134] 本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的5G配电网馈线自动化自适应方法。

[0135] 本发明实施例提供了一种5G配电网馈线自动化自适应方法、装置及存储介质，通过获取5G配电网的实时运行数据和历史馈线自动化数据；其中，所述历史馈线自动化数据包括不同通信时延下不同馈线自动化方式对故障处理的历史数据；将所述实时运行数据输入到预设的时延依赖度计算模型中，得到所述时延依赖度计算模型输出的当前时延依赖度；其中，所述时延依赖度计算模型是根据所述历史馈线自动化数据进行训练得到的，所述时延依赖度计算模型包括改进的长短时记忆神经网络模型以及残差模块；根据不同馈线自动化方式中故障最大处理时延和馈线自动化平均时延，计算每一馈线自动化方式的时延依赖度区间；将所述当前时延依赖度和时延依赖度区间进行比对，根据比对结果调整5G配电网的馈线自动化方式。本发明实施例基于5G配电网的实时运行数据以及不同通信时延下不同馈线自动化方式对故障处理的历史数据，通过LSTM深度学习历史数据，输出适用于实时网络时延的最快速配网故障响应的馈线自动化方式，使得对应不同的网络时延都能切换出最快故障处理的馈线自动化方式，实现5G通信偶发性时延带来的馈线自动化的自适应切换，从而保证配电网运行的安全性。

[0136] 需说明的是，以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的系统实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

[0137] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。