一种基于深度卷积神经网络的配电网小电流接地故障成因智能辨识方法及系统

技术领域

本发明涉及智能配电网技术领域，特别涉及一种基于深度卷积神经网络的配电网小电流接地故障成因智能辨识方法及系统。

背景技术

据统计，超过70％的故障停电是由中压配电网引起的，其中单相接地故障占配电网故障总数的80％以上。为了避免故障扩大和减少人身伤害事故，新修订的国家电网《配电网技术导则》要求对小电流接地故障从“2h运行+选线选段”转变为躲过瞬时性故障时快速跳闸，这在一定程度上降低了对供电可靠性的要求。

配电网架空线路故障种类繁多，比如雷击引起设备击穿；台风刮倒杆塔；鸟类短接导线或是排便引起闪络；线路对走廊下树木放电；风筝、铁丝等异物缠绕在线路上等。当前配电网线路故障巡查主要采取“事后”方式，效率不高、准确性差且过分依赖巡查人员的主观经验，小电流接地故障的快速切除可能导致故障痕迹不明显，进一步增加了故障巡查的困难程度。

随着配电自动化系统建设的持续推进，录波型装置(配电终端、远传型故障指示器等)的广泛应用为配电网故障诊断提供了海量的录波数据。除此之外，配电线路的现场运维工作中积累了大量的故障资料，对历史故障条件及环境特征进行深入分析，有利于运维部门及时发现运维工作中的不足，制定有针对性地故障预防和隐患消除措施，可有效增强电网抵御自然灾害的能力、提高安全运行水平及供电可靠性。

公开号为CN108983042B的专利文献公开了一种基于KNN的配网接地故障原因识别方法，该方法首先通过整理已明确故障成因的接地故障零序电流波形，并逐个波形提取零序电流信号的自恢复性、过渡时间、零休时间、畸变程度、随机程度5项特征参量构成特征样本库；其次提取待分析故障成因的零序电流波形的对应特征参量；最后利用KNN算法计算待分析波形与特征样本库的欧式距离得到故障成因结果。

上述检测方法能够对小电流接地故障成因进行一定的辨识，但其需人工对零序电流波形进行特征参量分析，无法实现在线故障成因辨识，且未考虑线电流、相电压及零序电压的故障特征，存在一定局限性。

发明内容

本发明的第一方面的目的是提供一种基于深度卷积神经网络的配电网小电流接地故障成因智能辨识方法，用于解决现有小电流接地故障成因辨识技术的局限性问题。

本发明的第一方面的目的主要包括以下步骤：

S1：构建典型故障场景数据库训练集与测试集；

S2：构建深度卷积神经网络；

S3：利用典型故障场景数据库中的训练集数据对所构建神经网络进行训练优化；

S4：利用典型故障场景数据库测试集数据对优化后的神经网络进行测试，测试通过后建立小电流接地故障成因辨识卷积神经网络模型，进而实现配电网小电流接地故障成因智能辨识。

进一步的，步骤S1中训练集与测试集构建方法为：

通过现场实际接地故障及人工接地试验获得母线零序电压、相电压及故障线路出口零序电流、线电流数据，故障波形中故障前保留M个周波，故障后保留N个周波，M和N均为正整数，且N＞N,构建标准典型故障场景数据库，进而将各典型故障场景中的数据拆分成训练集与测试集。

故障包括但不限于导线对横担放电、避雷器击穿、绝缘子闪络、导线碰树、导线断线后电源侧坠落到草地、导线断线后负荷侧坠落到草地、导线断线后电源侧坠落到水面、导线断线后负荷侧坠落到水面；

进一步的，步骤S3中深度卷积神经网络的训练优化方法为：

(1)将典型故障场景数据库训练集数据传递到神经网络的输入层，通过卷积层特征映射，池化层参数合并简化，全连接层的参数特征组合后，经过神经网络输出层输出；

(2)将神经网络输出结果与输入数据的故障成因进行对比，若两者相差较大更新神经网络参数后重新迭代训练，直至输出结果与已知故障成因相符合。

进一步的，步骤S4中小电流接地故障成因辨识卷积神经网络模型建立方法为：

将典型故障场景数据库测试集数据传递到训练优化后的神经网络进行测试试验，比较神经网络输出故障成因与实际故障成因的差异，统计神经网络输出结果的正确率，当正确率满足实际应用要求时，封装该神经网络输入输出映射向量为小电流接地故障成因辨识卷积神经网络模型，若正确率不满足实际应用要求时，增加典型故障场景数据库训练集数据后返回步骤S3重新对神经网络进行优化训练。

本发明的第二方面的目的是提供一种基于深度卷积神经网络的配电网小电流接地故障成因智能辨识系统，所述系统包括：

检测单元，用于实时检测母线零序电压、相电压及故障线路出口零序电流、线电流数据，并可自动保存10周波数据，通过已有算法检测到故障发生且判别出故障线路后将母线零序电压、相电压及故障线路出口零序电流、线电流故障前2周波与故障后98周波合并得到待分析故障波形组。

分析单元，将检测单元得到的待分析故障波形组经小电流接地故障成因辨识卷积神经网络模型映射计算后输出故障成因结果。

本发明的第三方面的目的是提供一种计算机装置，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前所述的小电流接地故障成因辨识卷积神经网络模型：根据母线零序电压、相电压及故障线路出口零序电流、线电流波形组，通过小电流接地故障成因辨识卷积神经网络模型映射相量计算，输出故障成因结果。

本发明的第四方面的目的是提供一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如前所述的小电流接地故障成因辨识卷积神经网络模型：根据母线零序电压、相电压及故障线路出口零序电流、线电流波形组，通过小电流接地故障成因辨识卷积神经网络模型映射相量计算，输出故障成因结果。

本发明的有益结果是：

当检测到配电线路发生小电流接地故障后，本发明可实现自动在线辨识故障成因，指导巡线人员的查找重点，增加巡查的针对性，对制定合理的故障消除方案，提高故障查找和修复效率，减少停电时间具有重要意义。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

附图1为小电流接地故障成因辨识卷积神经网络模型构建流程图；

附图2为ResNet-18卷积神经网络层间结构示意图；

附图3为α＝0.01时训练的准确率和误差曲线；

附图4为α＝0.001时训练的准确率和误差曲线；

附图5为α＝0.00001时训练的准确率和误差曲线；

附图6为α＝0.0000001时训练的准确率和误差曲线。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

如附图1所示，本发明提出一种基于深度卷积神经网络的配电网小电流接地故障成因智能辨识方法，包括以下步骤：

S1：构建典型故障场景数据库训练集与测试集；

S2：构建深度卷积神经网络；

S3：利用典型故障场景数据库中的训练集数据对所构建神经网络进行训练优化；

S4：利用典型故障场景数据库测试集数据对优化后的神经网络进行测试，测试通过后建立小电流接地故障成因辨识卷积神经网络模型，进而实现配电网小电流接地故障成因智能辨识。

其中，步骤S1中训练集与测试集构建方法为：

通过现场实际接地故障及人工接地试验获得母线零序电压、相电压及故障线路出口零序电流、线电流数据，故障包括但不限于导线对横担放电、避雷器击穿、绝缘子闪络、导线碰树、导线断线后电源侧坠落到草地、导线断线后负荷侧坠落到草地、导线断线后电源侧坠落到水面、导线断线后负荷侧坠落到水面等，本实施例中，故障波形中故障前保留2个周波，故障后保留98个周波，构建标准典型故障场景数据库，进而将各典型故障场景中的数据拆分成训练集与测试集。

步骤S3中深度卷积神经网络的训练优化方法为：

(1)将典型故障场景数据库训练集数据传递到神经网络的输入层，通过卷积层特征映射，池化层参数合并简化，全连接层的参数特征组合后，经过神经网络输出层输出；

(2)将神经网络输出结果与输入数据的故障成因进行对比，若两者相差较大更新神经网络参数后重新迭代训练，直至输出结果与已知故障成因相符合。

步骤S4中小电流接地故障成因辨识卷积神经网络模型建立方法为：

将典型故障场景数据库测试集数据传递到训练优化后的神经网络进行测试试验，比较神经网络输出故障成因与实际故障成因的差异，统计神经网络输出结果的正确率，当正确率满足实际应用要求时，封装该神经网络输入输出映射向量为小电流接地故障成因辨识卷积神经网络模型，若正确率不满足实际应用要求时，增加典型故障场景数据库训练集数据后返回步骤S3重新对神经网络进行优化训练。

基于上述方法的设计思想，本发明还公开了一种基于深度卷积神经网络的配电网小电流接地故障成因智能辨识系统，该系统包括：

检测单元，用于实时检测母线零序电压、相电压及故障线路出口零序电流、线电流数据，并可自动保存10周波数据，通过已有算法检测到故障发生且判别出故障线路后将母线零序电压、相电压及故障线路出口零序电流、线电流故障前2周波与故障后98周波合并得到待分析故障波形组。

分析单元，将检测单元得到的待分析故障波形组经小电流接地故障成因辨识卷积神经网络模型映射计算后输出故障成因结果。

具体实施例

附图2为本发明的一种深度神经网络结构图，其中包括17层卷积层与1层全连接层，由于Adam优化算法实现简单，计算高效，对内存需求少；能够自动调整学习率，本发明采用Adam优化算法完成训练过程。将母线零序电压、相电压及故障线路出口零序电流、线电流数据传递到ResNet神经网络输入层，经过计算后其损失函数为

经过训练集数据的不断迭代，神经网络输出结果与已定结果完全一致，而后利用测试集数据对映像向量测试后，故障辨识准确率达95％以上，基本满足现场应用需求，封装输入输出映射向量为小电流接地故障成因辨识卷积神经网络模型。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。

最后说明的是，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，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。