一种基于卷积神经网络的配电网高阻接地故障识别方法技术

本发明专利技术涉及一种基于卷积神经网络的配电网高阻接地故障识别方法，首先获取配电网高阻接地故障以及多种暂态扰动下的主变低压侧三相电压和零序电压信号；然后利用局部特征尺度法分解信号，对各电压信号进行等频带宽的带通滤波，构造时频矩阵，得到分块时频谱图；最后采用卷积神经网络算法进行分类识别，判断是否发生高阻接地故障。

A high impedance grounding fault identification method for distribution network based on convolution neural network

The invention relates to a method for identifying high resistance grounding fault in distribution network based on convolution neural network. Firstly, the three-phase voltage and zero-sequence voltage signals of the low-voltage side of the main transformer under various transient disturbances are acquired, and then the signals are decomposed by local characteristic scale method, and the voltage signals are equally bandwidth. Band-pass filter is used to construct time-frequency matrix, and block time-frequency spectrum is obtained. Finally, convolution neural network algorithm is used to classify and identify the high resistance grounding fault.

【技术实现步骤摘要】
一种基于卷积神经网络的配电网高阻接地故障识别方法
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高阻接地故障识别方法。
技术介绍
配电网是作为电力系统的末端直接与用户相连起分配电能作用的网络，包括0.4-110kV各电压等级的电网。配电网是电力系统中与用户联系最为紧密的环节，其覆盖面广泛，相比于输电网故障几率高，据统计，电力系统有80％以上的故障发生于配电网。目前，配电网的规模不断扩大，对配电网安全、可靠、经济运行的重视程度也随之增大，对配电网馈线的安全性和可靠性的要求自然也就越来越高。配电网络靠近负荷中心，具有结构多样、等级复杂等特点，此外，我国的配电网自动化程度较低，面对日渐提高的电能要求，提升配电系统的可靠性对电力系统的安全、可靠、稳定、经济运行起着重要作用。配电网拓扑复杂、线路众多，当导线掉落接触到如碎石、沥青、树木、沙砾等高阻性表面时，线路与接触表面之间呈现高阻性，此时发生的故障被称为高阻接地故障(HighImpedanceFault，HIF)。当遭遇大风、雷击等恶劣天气时，高阻接地故障也会发生。相较于一般单相接地故障，高阻接地故障的过渡电阻很大，可以达到几百甚至几千，其发生时故障电流很小，不到负荷电流的10％，电压、电流的变化量很小，常规的过流继电器检测困难，无法动作切除故障部分，可靠性不高。单相接地故障往往伴随着燃弧现象，将产生电弧接地过电压，作用时间较长，如果系统设备长期处在故障状态下运行，尤其是系统中存在未被检测出的高阻接地故障时，极易使系统设备出现新的接地点，引发短路故障，扩大事故影响。有统计分析表明，相当多的相间故障均是由单相接地发展而来。HIF常会长期存在，一旦数值很小的故障电流不被切除而长时间存在将引起严重的危害：故障点燃弧产生的高温与易燃物接触极易引发火灾，威胁电气设备安全，且高阻接地故障多落于沙地、水泥地等，可能导致人身触电等安全事故，因此需要对其进行快速检测及识别分类，并采取相应措施。
技术实现思路
有鉴于此，本专利技术的目的是提出一种基于卷积神经网络的配电网高阻接地故障识别方法，采用分块时频谱图作为深度学习算法的输入，能够自主学习各类过电压的特征，实现配电网内部过电压的分类识别。本专利技术采用以下方案实现：一种基于卷积神经网络的配电网高阻接地故障识别方法，具体包括以下步骤：步骤S1：获取高阻接地故障以及其他暂态扰动情况所引起的暂态扰动信号；步骤S2：利用局部特征尺度分解方法分解步骤S1获取的信号；步骤S3：按照设定的频带对步骤S2分解后的信号进行带通滤波，构造时频矩阵；步骤S4：获取分块时频谱图；步骤S5：采用卷积神经网络算法对步骤S4获得的分块时频谱图进行分类识别，再利用BP算法训练CNN，通过训练完成的CNN实现配电网高阻接地故障的识别。进一步地，所述其他暂态扰动情况包括电容器投入、负荷投入、空载线路投入、以及单相接地故障。进一步地，所述步骤S1中，所述暂态扰动信号具体截取故障前的半个周波和故障后的一个半周波的母线三相电压和零序电压仿真波形。即截取多种暂态扰动下的主变低压侧三相电压和零序电压信号。进一步地，所述步骤S3中，设截取的波形信号经LCD带通滤波后分解为m个子频带，各个波形采样点数均为n，各个子频带波形的数据点为aij(i＝1,2,...,m；j＝1,2,...n)，构造时频矩阵为：进一步地，其特征在于：步骤S41：设输入波形被分解为m个频带，每个频带n个数据点，将时频矩阵中各个频带序列按时间进行L等分，得到L个区块，即时频块；每个时频块中含有P个数据点，其中P＝n/L，定义第m个频带的第L个时频能量块为：其中，表示第m个频带第L个时频块中第y个数据点的幅值，Δt表示两个数据点间的时间间隔，即采样周期；步骤S42：每个过电压信号的分块时频谱矩阵为：步骤S43：将4个过电压波形对应的分块时频谱按三相电压、零序电压的顺序从上至下拼接，即得到总的分块时频谱Etotal，作为过电压识别的特征量，其总的分块时频谱Etotal表达形式为：其中，分别表示母线三相电压以及零序电压的分块时频谱图。与现有技术相比，本专利技术有以下有益效果：1、本专利技术首次将卷积神经网络应用于配电网高阻接地故障的识别分类中。卷积神经网络不需要进行多个特征量的提取，可以自主学习各类分块时频谱图的特征，训练完成即可进行高阻接地故障识别，并且在识别正确率上高于常规的基于人为构造特征量的分类方法。2.本专利技术利用LCD时频分解结合带通滤波算法以解决LCD的模态混叠问题并可实现这些暂态和稳态信号在频带上的分离并滤去高频杂讯，增强信号可比性，提高识别成功率。3.本专利技术提出的方法具有良好的配电网故障类型识别性能、抗干扰能力和不同系统的样本兼容性，分类性能和适应性优秀。附图说明图1为本专利技术的算法流程示意图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。如图1所示，本实施例提供了一种基于卷积神经网络的配电网高阻接地故障识别方法，具体包括以下步骤：步骤S1：获取高阻接地故障以及其他暂态情况所引起的暂态扰动信号；步骤S2：利用局部特征尺度分解方法分解步骤S1获取的信号；步骤S3：按照设定的频带对步骤S2分解后的信号进行带通滤波，构造时频矩阵；步骤S4：获取分块时频谱图；步骤S5：采用卷积神经网络算法对步骤S4获得的分块时频谱图进行分类识别，再利用BP算法训练CNN，通过训练完成的CNN实现配电网高阻接地故障的识别。在本实施例中，所述其他暂态扰动情况包括电容器投入、负荷投入、空载线路投入、以及单相接地故障。在本实施例中，所述步骤S1中，所述暂态扰动信号具体截取故障前的半个周波和故障后的一个半周波的母线三相电压和零序电压仿真波形。即截取多种暂态扰动下的主变低压侧三相电压和零序电压信号。在本实施例中，所述步骤S3中，设截取的波形信号经LCD带通滤波后分解为m个子频带，各个波形采样点数均为n，各个子频带波形的数据点为aij(i＝1,2,...,m；j＝1,2,...n)，构造时频矩阵为：在本实施例中，其特征在于：步骤S41：设输入波形被分解为m个频带，每个频带n个数据点，将时频矩阵中各个频带序列按时间进行L等分，得到L个区块，即时频块；每个时频块中含有P个数据点，其中P＝n/L，定义第m个频带的第L个时频能量块为：其中，表示第m个频带第L个时频块中第y个数据点的幅值，Δt表示两个数据点间的时间间隔，即采样周期；步骤S42：每个过电压信号的分块时频谱矩阵为：步骤S43：将4个过电压波形对应的分块时频谱按三相电压、零序电压的顺序从上至下拼接，即得到总的分块时频谱Etotal，作为过电压识别的特征量，其总的分块时频谱Etotal表达形式为：其中，分别表示母线三相电压以及零序电压的分块时频谱图。特别的，由于配电网中还存在一些与高阻接地故障相似的暂态扰动工况，如电容器投入、负荷投入、空载线路投入等，采用本实施例的方法能够将高阻接地故障与这些正常暂态扰动工况区分开。在利用PSCAD/EMTDC搭建的10kV配电网仿真模型中，获取高阻接地故障以及其他暂态过程(电容器投入、负荷投入、空载线路投入、单相接地故障)的母线三相电压、零序电压，输入信号长度取故障前半周波和故障后一个半周波。之后，利用LCD带通滤波算法构建时频矩阵，再将本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的配电网高阻接地故障识别方法，其特征在于：包括以下步骤：步骤S1：获取高阻接地故障以及其他暂态扰动情况的暂态扰动信号；步骤S2：利用局部特征尺度分解方法分解步骤S1获取的信号；步骤S3：按照设定的频带对步骤S2分解后的信号进行带通滤波，构造时频矩阵；步骤S4：获取分块时频谱图；步骤S5：采用卷积神经网络算法对步骤S4获得的分块时频谱图进行分类识别，再利用BP算法训练CNN，通过训练完成的CNN实现配电网高阻接地故障的识别。

【技术特征摘要】
1.一种基于卷积神经网络的配电网高阻接地故障识别方法，其特征在于：包括以下步骤：步骤S1：获取高阻接地故障以及其他暂态扰动情况的暂态扰动信号；步骤S2：利用局部特征尺度分解方法分解步骤S1获取的信号；步骤S3：按照设定的频带对步骤S2分解后的信号进行带通滤波，构造时频矩阵；步骤S4：获取分块时频谱图；步骤S5：采用卷积神经网络算法对步骤S4获得的分块时频谱图进行分类识别，再利用BP算法训练CNN，通过训练完成的CNN实现配电网高阻接地故障的识别。2.根据权利要求1所述的一种基于卷积神经网络的配电网高阻接地故障识别方法，其特征在于：所述其他暂态扰动情况包括电容器投入、负荷投入、空载线路投入、以及单相接地故障。3.根据权利要求1所述的一种基于卷积神经网络的配电网高阻接地故障识别方法，其特征在于：所述步骤S1中，所述暂态扰动信号具体截取故障前的半个周波和故障后的一个半周波的母线三相电压和零序电压仿真波形。4.根据权利要求1所述的一种基于卷积神经网络的配电网高阻接地故障识别...

【专利技术属性】
技术研发人员：郭谋发，张君琦，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