配电网故障类型判断方法

技术领域

本发明涉及电气设备故障检测领域，尤其是一种基于小波分解算法和深度置信神经网络的配电网故障类型判断方法。

背景技术

随着现代化大生产的发展和科学技术的进步，对电力的需求与日俱增，对电力设备的可靠性和稳定性也提出了更高的要求。电力设备大规模生产，电力设备的功能越来越完善，自动化程度也越来越高，为保证电力系统安全、经济、稳定运行，对于配电网的故障判断也越来越重要。目前对于配电网故障的判断主要依靠相关操作和设备维护人员的经验进行直观判断，虽然有些仪表数据可以在一定程度上反应配电网运行过程中的一些故障，但是在具体的故障类型确定方面仍会受到大量的主观因素影响，而导致故障类型判断的不准确。同时对于人工判断的方法也会由于相关人员的能力和经验的影响，导致准确度的大大降低。另外依靠人工进行判断，所耗费的时间较长，判断故障类型的时间一般大于排除故障所用的时间，这就给一些突发事件的处理带来了不便。

发明内容

为了解决上述技术问题，本发明提供了一种配电网故障类型判断方法，其特殊之处在于，包含以下步骤：

(1)在配电网的配电箱中安装剩余电流采集器；

(2)使配电网在正常状态下运行，使用剩余电流采集器采集配电网剩余电流信号；

(3)对采集到的配电网剩余电流信号进行小波降噪，得到降噪后剩余电流信号；

(4)提取降噪后剩余电流信号的特征值，并以提取得到的降噪后剩余电流信号特征值为元素，构建剩余电流信号的特征向量；

(5)使配电网在不同故障状态下运行，使用剩余电流采集器采集配电网剩余电流信号，并按步骤(3)～步骤(4)所述方法构建配电网在不同故障状态下的剩余电流信号的特征向量；

(6)进行深度置信神经网络的训练，所述深度置信神经网络包含输入层、输出层、可见层和隐含层，训练数据为步骤(2)～步骤(5)所获得的剩余电流信号的特征向量及其对应的配电网运行状态，其中输入层的输入值为步骤(2)～步骤(5)所获得的剩余电流信号的特征向量，输出层的输出值为剩余电流信号的特征向量及其对应的配电网运行状态；

(7)利用训练好的深度置信神经网络进行配电网故障类型判断，按照步骤(1)～步骤(2)的方法采集一组待判断配电网的剩余电流信号，并按步骤(3)～步骤(4)的方法获得其特征向量，将获得特征向量作为输入值输入训练好的深度置信神经网络，获得输出值，输出值所对应的运行状态即为配电网所处的故障类型。

进一步地，所述步骤(1)中剩余电流采集器为FLB-C15/RCM型剩余电流传感器。

进一步地，所述步骤(3)中对采集到的配电网剩余电流信号进行小波降噪的方法包括以下步骤：

(3.1)对配电网剩余电流信号采用塔式算法进行小波分解，得到相应的尺度系数和小波系数，其中

式中x

(3.2)对分解得到的小波系数，进行软阈值处理，得到估计小波系数，其中

式中D

(3.3)重构得到降噪后的剩余电流信号，其中

式中x

进一步地，所述步骤(4)中提取降噪后剩余电流信号的特征值包括但不限于均值、方差、均方值、偏度、峭度、时域信息熵、联合熵、瞬时幅值、瞬时相位和瞬时频率。

进一步地，所述步骤(5)中不同故障状态包括但不限于短路故障、断路故障、线缆故障和生物触电故障。

进一步地，所述步骤(6)中深度置信神经网络的能量函数为

式中n

其中ω

b’

c’

式中ω’

式中θ为深度置信神经网络的初始参数，S(θ)为sigmoid归一化函数。

本发明所提供的配电网故障类型判断方法，通过对剩余电流传感器所采集的剩余电流信号进行小波分解降噪，在最大程度保留剩余电流信号特征的前提下，降低了剩余电流信号的噪声，最大承德地提高了信号的准确度和可信性。同时提取了不同运行状态下剩余电流信号中的多组特征，并以此为元素构建特征向量，进行深度置信神经网络的训练。深度置信神经网络在高维度运算中有较高的运算速率及较高的正确率，以此作为配电网故障类型的判断算法，可以提高故障判断的准确度和速度。本发明所提供的配电网故障类型判断方法，在故障判断的过程中排除了人为主观因素的影响，避免了主观因素对故障判断的影响。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明配电网故障类型判断方法的流程图。

具体实施方式

为了加深对本发明的理解，下面将结合实施例和附图对本发明作进一步详述。

如图1所示，本实施例配电网故障类型判断方法，其步骤如下

(1)在配电网的配电箱中安装剩余电流采集器，所述剩余电流采集器为FLB-C15/RCM型剩余电流传感器；

(2)使配电网在正常状态下运行，使用剩余电流采集器采集配电网剩余电流信号；

(3)对采集到的配电网剩余电流信号进行小波降噪，得到降噪后剩余电流信号；

(4)提取降噪后剩余电流信号的特征值，并以提取得到的降噪后剩余电流信号特征值为元素，构建剩余电流信号的特征向量，噪后剩余电流信号的特征值分别为均值、方差、均方值、偏度、峭度、时域信息熵、联合熵、瞬时幅值、瞬时相位和瞬时频率；

(5)使配电网在不同故障状态下运行，使用剩余电流采集器采集配电网剩余电流信号，并按步骤(3)～步骤(4)所述方法构建配电网在不同故障状态下的剩余电流信号的特征向量，不同故障状态分别为短路故障、断路故障、线缆故障和生物触电故障；

(6)进行深度置信神经网络的训练，所述深度置信神经网络包含输入层、输出层、可见层和隐含层，训练数据为步骤(2)～步骤(5)所获得的剩余电流信号的特征向量及其对应的配电网运行状态，其中输入层的输入值为步骤(2)～步骤(5)所获得的剩余电流信号的特征向量，输出层的输出值为剩余电流信号的特征向量及其对应的配电网运行状态；

(7)利用训练好的深度置信神经网络进行配电网故障类型判断，按照步骤(1)～步骤(2)的方法采集一组待判断配电网的剩余电流信号，并按步骤(3)～步骤(4)的方法获得其特征向量，将获得特征向量作为输入值输入训练好的深度置信神经网络，获得输出值，输出值所对应的运行状态即为配电网所处的故障类型。

所述步骤(3)中对采集到的配电网剩余电流信号进行小波降噪的方法包括以下步骤：

(3.1)对配电网剩余电流信号采用塔式算法进行小波分解，得到相应的尺度系数和小波系数，其中

式中x

(3.2)对分解得到的小波系数，进行软阈值处理，得到估计小波系数，其中

式中D

(3.3)重构得到降噪后的剩余电流信号，其中

式中x

所述步骤(6)中深度置信神经网络的能量函数为

式中n

其中ω

b’

c’

式中ω’

式中θ为深度置信神经网络的初始参数，S(θ)为sigmoid归一化函数。

应用本实施例对配电网故障类型进行判断，短路故障的准确率为96％，断路故障的准确率为92％、线缆故障的准确率为95％和生物触电故障准确率可达到98％，因此可以说明应用本实施例对配电网故障类型进行判断的准确率较高。

以上仅为本发明的具体实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。