基于深度置信网络的配电网故障识别方法技术

本发明专利技术涉及一种基于深度置信网络的配电网故障识别方法，包括以下步骤：步骤S1:采集故障工况下主变低压母线三相电压、零序电压、主变低压侧三相电流的信号波形数据；步骤S2：分别对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行预处理，得到预处理后的波形数据；步骤S3:构建4个深度置信网络模型，对每个受限波尔兹曼机进行无监督训练,并利用误差反向传播原则微调所有层的参数，得到已训练的深度置信网络模型；步骤S4:将预处理后的波形数据输入至4个已训练的深度置信网络模型；并根据4个已训练的深度置信网络模型输出结果进行组合，并与预先设定的故障类型标签进行对照，完成配电网的故障识别。

【技术实现步骤摘要】
基于深度置信网络的配电网故障识别方法
本专利技术涉及配电网领域，具体涉一种基于深度置信网络的配电网故障识别方法。
技术介绍
配电网一旦发生故障，就会造成社会生产的巨大损失，给人们的生活带来极大的不便。但配电网发生故障在所难免，据统计，80％以上的故障起因于配电网。配电网故障类型种类繁多，主要有瞬时性故障和永久性故障，瞬间性故障均可利用重合闸实现故障的消除，从而恢复线路供电；但永久性故障不能自动恢复，其故障诊断策略一般是：检测出故障发生后，对故障类型进行识别，然后对故障区段进行快速准确的定位，选出故障线路，以人工维修的方式恢复。其中故障定位方法需根据不同的故障类型进行选择，寻找一种高效可靠的故障分类方法对准确的故障定位，快速修复故障线路，维持配电网安全运行以及提高供电可靠性具有重要的意义。目前，故障分类方法的基本步骤是：获取故障暂态电气量并进行信号分解，结合数学方法进行特征提取、选择，并选择合适的模式识别方法进行故障分类。但基于此步骤的方法，所涉及的信号分解、提取特征量及模式识别方法，故障特征量都需要人工提取，易受人为因素干扰且需耗费大量时间，增加了结果的不确定性。深度置信网络可从原始本文档来自技高网...

【技术保护点】
1.一种基于深度置信网络的配电网故障识别方法，其特征在于：包括以下步骤：步骤S1:采集故障工况下主变低压母线三相电压、零序电压、主变低压侧三相电流的信号波形数据；步骤S2：分别对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行预处理，得到预处理后的波形数据；步骤S3:构建4个深度置信网络模型，对每个受限波尔兹曼机进行无监督训练,并利用误差反向传播原则微调所有层的参数，得到已训练的深度置信网络模型；步骤S4:将预处理后的波形数据输入至4个已训练的深度置信网络模型；并根据4个已训练的深度置信网络模型输出结果进行组合，并与预先设定的故障类型标签进行对照，完成配电网的故障识别。

【技术特征摘要】
1.一种基于深度置信网络的配电网故障识别方法，其特征在于：包括以下步骤：步骤S1:采集故障工况下主变低压母线三相电压、零序电压、主变低压侧三相电流的信号波形数据；步骤S2：分别对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行预处理，得到预处理后的波形数据；步骤S3:构建4个深度置信网络模型，对每个受限波尔兹曼机进行无监督训练,并利用误差反向传播原则微调所有层的参数，得到已训练的深度置信网络模型；步骤S4:将预处理后的波形数据输入至4个已训练的深度置信网络模型；并根据4个已训练的深度置信网络模型输出结果进行组合，并与预先设定的故障类型标签进行对照，完成配电网的故障识别。2.根据权利要求1所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述步骤S1具体为：步骤S11:建立一辐射式中压配电网模型；步骤S12:根据辐射式中压配电网模型获取故障工况发生前后各1个工频周波的三相电压、零序电压、三相电流的信号波形。3.根据权利要求1所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述步骤S2分别对对主变低压母线...

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