一种配网单相接地故障区段定位方法及系统

技术领域

本发明涉及故障区段定位技术领域，具体为一种配网单相接地故障区段定位方法及系统。

背景技术

配电网配网一般指配电网电能网络共2个含义配电网是由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿器及一些附属设施等组成的，在电力网中起重要分配电能作用的网络配电网按电压等级来分类可分为高压配电网，中压配电网，低压配电网，在负载率较大的特大型城市，220KV电网也有配电功能，单相接地是电力系统短路故障的一种，故障发生在某一相与地之间，故障情况有：单相闪络、弧光接地、金属性接地，为了辅助配网单相接地故障区段定位，从而需要一种配网单相接地故障区段定位方法。

配网线路接地故障种类繁多，其中单相接地故障最为常见，传统的配网线路接地故障定位判断受技术限制，普遍采用全线停电、人工逐线排查的方式确定故障点，一方面耗费人力物力，进而造成了故障区段定位的工作量繁琐，另一方面易造成用户大面积停电，降低供电的可靠性。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统的配网线路接地故障定位判断受技术限制，普遍采用全线停电、人工逐线排查的方式确定故障点，一方面耗费人力物力，进而造成了故障区段定位的工作量繁琐，另一方面易造成用户大面积停电，降低供电的可靠性的问题。

为解决上述技术问题，本发明提供如下技术方案：一种配网单相接地故障区段定位方法，包括：

对目标区域的各地区进行区段划分；

对划分后各区段实时监测，收集实时数据，并识别单相接地故障；

对数据图像进行识别，对数据进行信息的检索与分类，并对单相接地故障时的实时数据基于LSTM模型的时间序列对数据进行分析及储存；

当出现单相接地故障时，对出现故障的地区进行定位；

对故障地辅助核实，发出故障提醒信号。

作为本发明所述的配网单相接地故障区段定位方法的一种优选方案，其中：区段划分的步骤为，

对目标区域划分为目标单元区域，并标记为N

对目标单元区域划分为子区域，并标记为S

对子区域内部电线杆标记为G

作为本发明所述的配网单相接地故障区段定位方法的一种优选方案，其中：所述单相接地故障的识别过程为，

电压监测：设ΔV

当ΔV

电流监测，ΔI

当ΔI

频率监测，Δf为系统频率，fn为正常频率；

当系统频率出现不稳定，∣Δf∣>0.05时，记录为频率异常；

谐波分析，当某一相的谐波含量超过5％时，记录为谐波异常；

故障识别，当电压异常和电流异常同时出现，并且持续时间超过10秒时，则判断为单相接地故障；

故障确认，当单相接地故障判断出现，并且在接下来的30秒内，没有任何相的电压和电流恢复到正常范围内，则确认为单相接地故障已发生。

作为本发明所述的配网单相接地故障区段定位方法的一种优选方案，其中：对所述数据图像进行识别的过程包括，

系统定期捕获仪表和监控设备的实时图像；

图像经过图像预处理步骤，优化图像质量；

将预处理后的图像数据输入到训练好的CNN模型中，得到转换后的识别结果；

对转换后的数值进行初步检查，以识别潜在的的异常值，当一个超出预期范围的电压值是由于设备故障导致的，则对异常值做标记并分离，归为异常值数据集，后续对异常值数据集进行复查；

将所有提取和转换后的数据组织成结构化的格式，并输入RPA抓取模块进行检索与分类。

作为本发明所述的配网单相接地故障区段定位方法的一种优选方案，其中：基于CNN模型的电流和电压图像数据识训练及识别过程包括：

将收集到的图像数据分为训练集和验证集，初始化模型的权重和偏置，输入图像数据，得到预测输出；

使用交叉熵损失函数计算模型的损失，利用梯度下降算法计算损失函数关于模型权重的梯度，通过反向传播来优化模型的权重，在每次迭代中，计算损失函数的梯度，并根据学习率更新权重；

损失函数使用交叉熵损失函数：

其中，y

更新模型权重以最小化损失：

其中，W

提取特征，识别图像中的数字和文字，将提取的特征转化为最终的识别结果转化为可编辑的文本格式，识别文本中的单位，将单位与其对应的数值分离，将文本形式的数值转换为数字格式，并从文本中提取时间戳、设备编号；

使用验证集来评估模型的性能，若模型在验证数据集上的性能不佳，则增加更多的训练数据。

作为本发明所述的配网单相接地故障区段定位方法的一种优选方案，其中：对数据进行信息的检索与分类的过程包括，

当数据的时间戳与上一次记录的时间戳相差超过预设的间隔时，则标记此数据为新数据，预设的间隔根据系统的实时监测能力和需求进行调整，对于新数据，处理步骤为，校验数据的完整性，确保所有必要的字段都存在；检查数据是否与已有数据重复；将新数据与历史数据进行对比；

当数据来源的设备编号与预设的关键设备编号列表匹配时，则优先处理设备编号与预设的关键设备编号列表匹配的数据，对于与预设的关键设备编号列表匹配的数据的，处理步骤为，高优先级地将与预设的关键设备编号列表匹配的数据推送到分析队列；若数据显示异常，立即触发报警；存储与预设的关键设备编号列表匹配的数据在一个关键设备数据专用的存储区域；

当数据中的电流和电压值超出预设的正常范围时，则将此数据标记为异常数据，对于被标记为异常的数据，则处理步骤为，触发报警，实时通知系统进行进一步的检查和处理；将异常数据与历史异常数据进行对比，以识别是否存在重复的问题；存储异常数据在一个异常数据专用的存储区域。

作为本发明所述的配网单相接地故障区段定位方法的一种优选方案，其中：基于LSTM模型的时间序列对数据进行分析的分析步骤为，

接收归一化后的时间序列数据；使用多个LSTM单元来捕捉数据中的时间依赖性；输出预测结果和异常检测结果；若预测结果与实际数据存在较大的偏差，系统会自动触发报警。

为解决上述技术问题，本发明还提供如下技术方案：一种配网单相接地故障区段定位系统，包括：

目标区域划分模块，用于对各地区进行区段划分，确保后续故障定位的准确性；

实时监测模块，用于对划分后的各区段进行实时监测，收集电压和电流数据；

OCR识别模块，用于对数据图像进行识别，对电流与电压变化数据进行识别；

RPA抓取模块，对OCR技术识别后的数据进行检索、分类和学习；

数据整合和存储模块，用于对RPA抓取模块抓取后数据进行整合和存储，用于后期RPA抓取模块对数据的提取并与现有数据进行比对，从而判断是否出现单相接地故障问题；

北斗故障定位模块，用于将信号传递给云服务器做处理，接收故障指示器与电压监测仪对故障的判断，将故障区段进行定位；

故障核实与提醒模块，对故障地进行辅助核实，并发出故障提醒信号；

5G通信模块，用于辅助北斗定位模块与上位进行连接，从而获得定位结果，用于通过系统总控对维修人员以短信的形式发送维修信息，并利用检声器记录的声音数据同步传送至维修人员，便于维修人员判断故障地故障情况。

一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现本发明中所述的方法的步骤。

本发明的有益效果：本发明提供的配网单相接地故障区段定位方法，通过利用OCR技术和RPA抓取技术，自动化地收集和分析数据，减少了人为错误和提高了数据处理的效率，利用北斗技术进行定位确保了在故障发生时，迅速并准确地找到故障地点，大幅缩短了故障处理时间，提升了定位速度、准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例提供的一种配网单相接地故障区段定位方法的整体流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的一个实施例，提供了一种配网单相接地故障区段定位方法，包括：

S1：对各地区进行区段划分。

应说明的是，对各地区进行区段划分，用于后续对故障区段进行定位时，方便及时找到故障点。

更进一步的，对目标区域划分为目标单元区域，并标记为(N

S2：对划分后各区段实时监测，收集实时数据，并识别单相接地故障。

应说明的是，对划分后各区段实时监测，用于及时了解到出现单相接地故障，通过收集实时监测的数据，来识别单相接地故障。

更进一步的，对电力系统正常运行状态缓慢变化所引起的电压偏差进行连续的监测和统计。

更进一步的，单相接地故障的识别过程为：

电压监测：设ΔV

当ΔV

电流监测：设ΔI

当ΔI

频率监测：设Δf为系统频率，fn为正常频率。

当系统频率出现不稳定，∣Δf∣>0.05时，记录为“频率异常”。

谐波分析：当某一相的谐波含量超过5％时，记录为“谐波异常”。

故障识别：当“电压异常”和“电流异常”同时出现，并且持续时间超过10秒时，则判断为“单相接地故障”。

故障确认：当“单相接地故障”判断出现，并且在接下来的30秒内，没有任何相的电压和电流恢复到正常范围内，则确认为“单相接地故障已发生”。

应说明的是，上述的阈值是基于实际的电网运行经验和数据分析，设定考虑了正常运行中可能出现的各种情况，确保在正常的变化范围内不会误报，同时在真正的异常情况下可以及时发出警报这些阈值设定确保了在出现故障时可以及时检测并采取措施，保证了电网的稳定性和安全性。

应说明的是，当第一相的电压偏差超过0.5时，有最大的概率95％，出现单相接地故障。若将第一相的电压偏差阈值设置得更低或更高，例如0.6，在历史的数据中，误报率会增加到15％。

当某一相的电流偏差超过0.5时，与单相接地故障相关的概率为92％。当这种偏差持续超过5秒时，这一概率上升到97％。若电流偏差阈值设置得更低，例如0.4，误报率会增加到12％，若持续时间阈值减少到3秒，误报率会增加到8％。

当系统频率偏差超过0.05时，系统不稳定的概率为90％，若频率偏差阈值设置得更低，例如0.03，误报率会增加到10％。当谐波含量超过5％时，设备损坏的概率将达到最高的85％。

当“单相接地故障”判断出现并且在接下来的30秒内没有恢复时，与真实的单相接地故障的概率为99％，为最接近的阈值参数。

S3：对数据图像进行识别，对数据进行信息的检索与分类，并对单相接地故障时的实时数据基于LSTM模型的时间序列对数据进行分析及储存。

应说明的是，对单相接地故障时出现的问题数据进行收集与学习，用于后续装置自主修复学习。

利用OCR技术对数据图像进行识别，利用OCR技术对电流与电压变化数据进行识别，识别分析过程包括：

系统定期捕获仪表和监控设备的屏幕截图或实时图像。

图像经过去噪、增强对比度、二值化等图像预处理步骤，优化图像质量。

将预处理后的图像数据输入到训练好的CNN模型中，得到转换后的识别结果。

对转换后的数值进行初步检查，以识别潜在的的异常值或错误，当一个超出预期范围的电压值是由于设备故障导致的，则对异常值做标记并分离，归为异常值数据集，后续对异常值数据集进行复查。

将所有提取和转换后的数据组织成结构化的格式，并输入RPA抓取模块进行检索与分类。

更进一步的，基于CNN模型的电流和电压图像数据识训练及识别过程包括：

将收集到的图像数据分为训练集和验证集，初始化模型的权重和偏置，输入图像数据，得到预测输出。

使用交叉熵损失函数计算模型的损失，利用梯度下降算法计算损失函数关于模型权重的梯度，通过反向传播来优化模型的权重，在每次迭代中，计算损失函数的梯度，并根据学习率更新权重。

损失函数使用交叉熵损失函数：

其中，y

更新模型权重以最小化损失：

其中，W

提取特征，识别图像中的数字和文字，将提取的特征转化为最终的识别结果转化为可编辑的文本格式，识别文本中的单位，将单位与其对应的数值分离，将文本形式的数值转换为数字格式，并从文本中提取时间戳、设备编号。

使用验证集来评估模型的性能，若模型在验证数据集上的性能不佳，则增加更多的训练数据。

更进一步的，利用RPA抓取技术对数据进行信息的检索与分类，并基于LSTM模型的时间序列对数据进行分析，辅助装置进行自动控制与判断。

当利用OCR技术识别到新的电流和电压数据时，RPA抓取模块立即启动数据检索流程，对电流和电压的时间序列数据进行归一化处理。

应说明的是，数据检索流程包括：

当数据的时间戳与上一次记录的时间戳相差超过预设的间隔时，则标记此数据为“新数据”，预设的间隔根据系统的实时监测能力和需求进行调整，对于新数据，处理步骤为：

校验数据的完整性，确保所有必要的字段(如电流、电压、设备编号等)都存在；检查数据是否与已有数据重复；将新数据与历史数据进行对比，以识别存在的异常或趋势。

当数据来源的设备编号与预设的关键设备编号列表匹配时，则优先处理设备编号与预设的关键设备编号列表匹配的数据，对于与预设的关键设备编号列表匹配的数据的，处理步骤为：

高优先级地将与预设的关键设备编号列表匹配的数据推送到分析队列；若数据显示异常，立即触发报警；存储与预设的关键设备编号列表匹配的数据在一个关键设备数据专用的存储区域，以便快速访问和分析。

当数据中的电流和电压值超出预设的正常范围时，则将此数据标记为“异常数据”，对于被标记为异常的数据，则处理步骤为：

触发报警，实时通知系统进行进一步的检查和处理；将异常数据与历史异常数据进行对比，以识别是否存在持续的或重复的问题；存储异常数据在一个异常数据专用的存储区域，以便后续的深入分析和故障排查。

更进一步的，基于LSTM模型的时间序列对数据进行分析，分析步骤为：

接收归一化后的时间序列数据；使用多个LSTM单元来捕捉数据中的时间依赖性；输出预测结果和异常检测结果；若预测结果与实际数据存在较大的偏差，系统会自动触发报警。

应说明的是，LSTM模型训练步骤为:

收集大量的历史电流和电压时间序列数据；初始化模型的权重和偏置；输入对电流和电压的时间序列数据，通过LSTM层和输出层，得到预测输出；使用均方误差损失函数计算模型的损失；计算损失函数关于模型权重的梯度；使用随机梯度下降更新模型权重。

均方误差损失函数为：

其中，M为均方误差，n为样本数量，x

更新模型权重以最小化损失：

其中：W

更进一步的，数据整合和存储模块对RPA抓取模块抓取后数据进行整合和存储，用于后期RPA抓取模块对数据的提取并与现有数据进行比对，判断是否出现单相接地故障问题。

S4：当出现单相接地故障时，对出现故障的地区进行定位。

应说明的是，将出现故障的地区进行定位，用于及时了解到单相接地故障位置，及时对故障地进行维修与处理。

更进一步的，利用北斗技术进行定位，具体步骤为：

当故障发生时，故障指示器与电压监测仪会发送相关的故障信号。

通过北斗技术，将相关的故障信号传递到云服务器进行处理。

云服务器根据接收到的信号，利用北斗技术精确地确定故障地点的位置。

应说明的是，利用北斗技术进行定位确保了在故障发生时，可以迅速并准确地找到故障地点，大幅缩短了故障处理时间。

S5：对故障地辅助核实，发出故障提醒信号。

更进一步的，利用检声器对声音进行记录并以数据信息的方式进行传输，当系统中或变压器内部发生了一相断线或单相接地故障时，变压器内部会有尖细的声音，利用检声器辅助记录声音，通过数据分析辅助判断是否为单相接地故障，并及时发出故障提醒信号。

更进一步的，对维修人员以短信的形式发送维修信息，提醒维修人员前往故障定位位置进行维修，并将利用检声器记录的声音数据同步传送至维修人员，便于维修人员判断故障地故障情况。

本实施例还提供一种配网单相接地故障区段定位系统，包括：

目标区域划分模块：用于对各地区进行区段划分，确保后续故障定位的准确性。

实时监测模块：用于对划分后的各区段进行实时监测，收集电压和电流数据。

OCR识别模块：用于对数据图像进行识别，对电流与电压变化数据进行识别。

RPA抓取模块：对OCR技术识别后的数据进行检索、分类和学习。

数据整合和存储模块：用于对RPA抓取模块抓取后数据进行整合和存储，用于后期RPA抓取模块对数据的提取并与现有数据进行比对，从而判断是否出现单相接地故障问题。

北斗故障定位模块：用于将信号传递给云服务器做处理，接收故障指示器与电压监测仪对故障的判断，将故障区段进行定位。

故障核实与提醒模块：对故障地进行辅助核实，并发出故障提醒信号。

5G通信模块：用于辅助北斗定位模块与上位进行连接，从而获得定位结果，用于通过系统总控对维修人员以短信的形式发送维修信息，并利用检声器记录的声音数据同步传送至维修人员，便于维修人员判断故障地故障情况。

本实施例还提供一种计算设备，包括，存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现一种配网单相接地故障区段定位方法。

本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的一种配网单相接地故障区段定位方法。

本实施例提出的存储介质与上述实施例提出的一种配网单相接地故障区段定位方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器、磁变存储器、铁电存储器、相变存储器、石墨烯存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器或动态随机存取存储器等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

实施例2

下面为本发明的一个实施例，提供了一种配网单相接地故障区段定位方法，为了验证本发明的有益效果，通过模拟对比实验进行科学论证。

在电力系统模拟器上，模拟一个单相接地故障。使用传统方法和本发明的方法来定位故障并记录所需的时间和准确性。

本发明方法的步骤为：

利用故障指示器与电压监测仪进行实时监测。

当故障发生时，故障指示器与电压监测仪发送故障信号。

利用北斗技术，将故障信号传递到云服务器。

云服务器利用OCR和RPA技术进行数据处理和分析，确定故障地点。

利用检声器记录故障地的声音，进一步确认故障。

记录定位故障所需的时间和准确性。

表1故障定位时间对比表：

表2.故障定位准确性对比表：

通过对比实验，可以明显看到我方方案与传统方法在这两个关键指标上的显著差异。

首先，从故障定位时间上看，本发明方案的平均定位时间为14.6分钟，而传统方法的平均定位时间为117.6分钟，在实际应用中，这种时间上的巨大节省意味着电力系统可以更快地恢复正常运行，从而大大减少了停电时间和相关的经济损失。

其次，从故障定位的准确性上看，本发明方案的平均准确率达到了97.8％，而传统方法的平均准确率仅为80％，本发明方案在定位故障时更为可靠和精确。在实际操作中，这可以大大减少因为误判导致的二次故障和不必要的维修工作，从而提高了维修团队的工作效率和系统的整体稳定性。

除了上述两个核心指标，本发明方案还具有其他优势。通过利用OCR技术和RPA抓取技术，本发明的方案可以自动化地收集和分析数据，从而减少了人为错误和提高了数据处理的效率。利用北斗技术进行定位确保了在故障发生时，可以迅速并准确地找到故障地点，大幅缩短了故障处理时间。

综上所述，本发明方案在配网单相接地故障区段定位上，无论是从定位速度、准确性，还是从自动化数据处理和精确定位的角度，都明显优于传统方法。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。