基于卷积神经网络的配电网单相接地故障选线方法技术

本发明专利技术涉及一种基于卷积神经网络的配电网单相接地故障选线方法，包括：获取母线零序电压、各馈线零序电流信号；对各零序电流信号按照设定的分解尺度做连续小波变换；获取时间‑尺度小波系数灰阶图；采用经训练的卷积神经网络算法进行故障馈线识别。本发明专利技术提出的一种基于卷积神经网络的配电网单相接地故障选线方法，能够在发生单相接地故障时准确地识别各类故障工况下的故障馈线与非故障馈线。

Convolution neural network based single phase to ground fault location method for distribution network

The invention relates to a single phase grounding fault line selection method of distribution network based on convolution neural network, including obtaining the zero sequence voltage of the bus and the zero sequence current signal of each feeder, making the continuous wavelet transform according to the set decomposition scale of each zero sequence current signal, obtaining the gray scale map of the time scale small wave coefficient and using the trained volume. The integrated neural network algorithm is used to identify the fault feeder. A single phase grounding fault line selection method based on convolution neural network in distribution network is proposed, which can accurately identify fault feeder and non fault feeder in various fault conditions when single phase grounding fault occurs.

【技术实现步骤摘要】
基于卷积神经网络的配电网单相接地故障选线方法
本专利技术涉及配电网领域，特别是一种基于卷积神经网络的配电网单相接地故障选线方法。
技术介绍
随着国民生活水平的提高和社会经济建设的不断发展，人们对电力需求量日益增长，配电系统作为连接输电系统与用户的重要部分，它的安全稳定运行对用户的用电安全、用电可靠性和用电利益有着直接影响。配电网发生单相接地故障的几率高达80％，随着配电网结构的复杂化，电网中系统线路(包括电缆线路、缆-线混合线路)逐渐增多，导致系统对地分布电容增大，电容电流也增大，长时间带故障运行容易破坏系统薄弱环节处的绝缘，使故障扩大成两点或多点接地短路；金属性接地引起的单相过电压可能烧毁母线的电压互感器；弧光接地还可能导致全网络的过电压，因此必须及时准确地找到并切除故障馈线，防止故障进一步扩大。国内外对于单相接地故障馈线识别研究的核心步骤是特征量的提取。由于不同故障线路、不同故障位置、不同接地电阻、不同故障合闸角以及其他故障条件均会影响暂态零序电流的大小及形状，从而影响到故障选线的准确性。往往需要寻求多个特征量方可表征单相接地故障信号的特征模式，达到识别的目的，且应用于配电网单相接地故障馈线识别问题的分类算法主要都是采用较为成熟的机器学习算法，这些算法不具备自我学习的能力。深度学习算法可以从大量未标记数据中进行自我学习，防止出现过拟合或者陷入局部最优解的情况。最新的研究成果显示，深度学习算法在多个领域改善了分类识别的性能，其在电力系统分类识别问题中有良好的应用前景。
技术实现思路
本专利技术的目的在于提供一种基于卷积神经网络的配电网单相接地故障选线方法，以克服现有技术中存在的缺陷。为实现上述目的，本专利技术的技术方案是：一种基于卷积神经网络的配电网单相接地故障选线方法，按照如下步骤实现：步骤S1：获取母线零序电压、各馈线零序电流信号；步骤S2：根据预设的分解尺度对所述各零序电流信号做连续小波变换；步骤S3：根据所述步骤S2获取的时频矩阵，获取时间-尺度小波系数灰阶图；步骤S4：将所获取的时间-尺度小波系数灰阶图作为训练样本和测试样本，通过采用经训练的卷积神经网络算法进行故障馈线识别。在本专利技术一实施例中，在所述步骤S1中，建立一配电网单相接地故障模型，通过该配电网单相接地故障模型截取单相接地故障发生前1个周波到故障发生后的1个周波共2个工频周波的母线零序电压的仿真波形，以及故障发生后的0.5个工频周波的各馈线零序电流的仿真波形。在本专利技术一实施例中，在所述步骤S2中，将母线零序电压是否大于预设的阈值作为选线流程的启动条件，通过采用连续小波变换分解方法对各馈线零序电流信号进行波形分解。在本专利技术一实施例中，所述阈值为额定相电压的15％。在本专利技术一实施例中，在所述步骤S3中，记一馈线零序电流信号波形采样点数为m，经分解尺度为n的连续小波变换后，得到时间-尺度小波系数矩阵A为：在本专利技术一实施例中，选取db5为小波基函数，分解尺度为100，采样点数为100，得到图像样本大小为100×100的灰阶图。在本专利技术一实施例中，在所述步骤S4中，所述卷积神经网络算法采用12层卷积神经网络，包括：1个输入层、5个卷积层、4个池化层、1个全连接层和1个输出层；通过利用反向传播算法对所述卷积神经网络算法进行训练。在本专利技术一实施例中，所述卷积神经网络算法进行训练还包括如下步骤：步骤S41：初始化卷积神经网络结构，包括：每个卷积层的卷积核大小与数量、输出特征图数量、每个下采样层的采样窗口大小、下采样方式、下采样步长以及边界延拓方式，并设置每批迭代样本数量以及迭代上限次数；步骤S42：将所有时间-尺度小波系数灰阶图样本的图像大小调整为与输入层匹配的输入图像大小，并把所有样本分为训练集、测试集；步骤S43：初始化参数；将各层权值ω、偏置项b初始化为随机数；将超参数α、λ初始化为随机数，并设置随着训练次数增加时这两个参数的调整策略；步骤S44：建立各层之间的相关矩阵；步骤S45：开始训练网络，进行一次前向传播，按顺序计算每层的激活值，然后计算输出层实际输出值与给定类型值的误差值；步骤S46：将所述步骤S45得到的误差值进行反向传播，分别计算每层权值和偏置项的调整量，并判断是否需要进行超参数的更新；步骤S47：根据所述步骤S46得到的调整量，调整各层权值和偏置项；步骤S48：重复所述步骤S45～步骤S47，直到误差满足预设精度要求或达到迭代次数上限；步骤S49：训练结束，保存训练结束时的各项更新后的最新参数。在本专利技术一实施例中，通过采用所述卷积神经网络算法进行故障馈线与非故障馈线的分类识别。相较于现有技术，本专利技术具有以下有益效果：1、本专利技术利用连续小波变换获取时间-尺度小波系数灰阶图，可完备地提取零序电流信号的时频特征。2、本专利技术结合卷积神经网络算法进行单相接地故障馈线识别，不需要进行多个特征量的提取，卷积神经网络算法可以自主学习各类工况下单相接地故障零序电流的时频特征，也即各馈线零序电流信号的时间-尺度小波系数灰阶图的特征，训练完成即可进行故障选线，打破了故障馈线识别特征量提取困难的壁垒。3、本专利技术的适应性较强，实测波形和仿真波形均能取得良好的效果，能够较准确地识别不同故障线路、不同故障位置、不同接地电阻、不同故障合闸角以及两点接地、弧光接地、高阻接地、噪声干扰、互感器反接、网络结构变化、分布式电源接入等工况下的配电网单相接地故障类型。4、在考虑单相接地故障类型时，充分考虑不同单相接地故障工况，包括典型接地故障类型、特殊接地故障类型，以及抗噪性能、网络结构变化、分布式电源接入等类型，充分显示该算法良好的适应性。5、能够直接对单相接地故障各馈线零序电流仿真波形进行辨识，也可直接对现场录波装置记录的各馈线零序电流波形进行辨识，与工程实际紧密结合，可靠的反映电力系统实际运行中单相接地故障的各类情况。附图说明图1为本专利技术一实施例中基于卷积神经网络的配电网单相接地故障选线方法的流程图。具体实施方式下面结合本专利技术实施例中的附图对本专利技术实施例进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本专利技术提供一种基于卷积神经网络的配电网单相接地故障选线方法，如图1所示，包括如下步骤：步骤S1：母线零序电压、各馈线零序电流信号；步骤S2：对各零序电流信号按照设定的分解尺度做连续小波变换；步骤S3：获取时间-尺度小波系数灰阶图；步骤S4：采用经训练的卷积神经网络算法进行故障馈线识别。进一步的，在步骤S1中，建立一配电网单相接地故障模型，通过该配电网单相接地故障模型截取单相接地故障发生前1个周波到故障发生后的1个周波共2个工频周波的母线零序电压的仿真波形，以及故障发生后的0.5个工频周波的各馈线零序电流的仿真波形。进一步的，小波变换是一种非线性、非平稳的瞬时信号分析方法。该方法在时域、频域同时具有良好的局部化性质，使得它比傅里叶变换及短时傅里叶变换更为精确可靠，并使得具有奇异性、瞬时性的故障信号检测也变得更加准确。它的出现让我们有条件对暂态故障信号进行更为深入的分析，准确地从中提取有利于故障选线的特征，从而提高故障本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，按照如下步骤实现：步骤S1：获取母线零序电压、各馈线零序电流信号；步骤S2：根据预设的分解尺度对所述各零序电流信号做连续小波变换；步骤S3：根据所述步骤S2获取的时频矩阵，获取时间‑尺度小波系数灰阶图；步骤S4：将所获取的时间‑尺度小波系数灰阶图作为训练样本和测试样本，通过采用经训练的卷积神经网络算法进行故障馈线识别。

【技术特征摘要】
1.一种基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，按照如下步骤实现：步骤S1：获取母线零序电压、各馈线零序电流信号；步骤S2：根据预设的分解尺度对所述各零序电流信号做连续小波变换；步骤S3：根据所述步骤S2获取的时频矩阵，获取时间-尺度小波系数灰阶图；步骤S4：将所获取的时间-尺度小波系数灰阶图作为训练样本和测试样本，通过采用经训练的卷积神经网络算法进行故障馈线识别。2.根据权利要求1所述的基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，在所述步骤S1中，建立一配电网单相接地故障模型，通过该配电网单相接地故障模型截取单相接地故障发生前1个周波到故障发生后的1个周波共2个工频周波的母线零序电压的仿真波形，以及故障发生后的0.5个工频周波的各馈线零序电流的仿真波形。3.根据权利要求1所述的基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，在所述步骤S2中，将母线零序电压是否大于预设的阈值作为选线流程的启动条件，通过采用连续小波变换分解方法对各馈线零序电流信号进行波形分解。4.根据权利要求3所述的基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，所述阈值为额定相电压的15％。5.根据权利要求1所述的基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，在所述步骤S3中，记一馈线零序电流信号波形采样点数为m，经分解尺度为n的连续小波变换后，得到时间-尺度小波系数矩阵A为：6.根据权利要求5所述的基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，选取db5为小波基函数，分解尺度为100，采样点数为100，得到图像样本大小为100×100的灰阶图。7.根据权利要求1所述的基于卷积...

【专利技术属性】
技术研发人员：郭谋发，曾晓丹，高伟，洪翠，杨耿杰，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35