基于卷积神经网络的配电网故障检测方法技术

本发明专利技术提供了一种基于卷积神经网络的配电网故障检测方法，在故障类型、故障相位和故障位置三个问题上提供技术支持，包括如下步骤：S1，采集配电网故障数据集；S2，利用简化的希尔伯特‑黄变换对电流序列数据进行数据预处理；S3，初始化本专利设计的卷积神经网络；S4，利用预处理后数据对卷积神经网络进行训练；S5，利用测试集对故障检测方法进行测试。本发明专利技术利用卷积神经网络和简化后的希尔伯特‑黄变换，能够对配电网故障类型、相位和位置进行准确的判断，同时相较于利用循环神经网络进行故障判断的方法，速度得到极大提升。

Distribution Network Fault Detection Method Based on Convolutional Neural Network

【技术实现步骤摘要】
基于卷积神经网络的配电网故障检测方法
本专利技术属于深度学习
，具体地，涉及一种基于卷积神经网络的配电网故障检测方法，利用卷积神经网络和简化的希尔伯特-黄变换进行配电网故障检测。
技术介绍
在当今社会，电力作为主要能源，在日常的工作生活中起着至关重要的作用，随着城市化建设的发展，用电区域和用电设备也快速增加，因此有必要建设起合理可靠的配电网。2016年提起了对于电力建设的计划，强调智能电网应该成为未来电网发展的趋势，并且对于城镇和乡村的智能电网的建设，规划也会给予相应的资金支持。从中可以看出智能电网的建设受到政府的关注程度以及政府改造电网的决心。同时，历史上也有多起因为电力瘫痪而发生的巨大灾害事件，发生在2008年的雪灾造成湖南省电力瘫痪，瘫痪时间长达两周，严重威胁了人民的生命和财产安全。因此，建立可靠有效的智能配电网将直接影响着用户侧的用电质量，因此建设起可靠安全的配电网势在必行。通过对常见配电网故障的分析，在所有的配电网故障的类型中，单相接地故障最常发生，大概有80％的故障均为单相接地故障。同时，如果配电网故障未能及时发现，将会使得故障长期存在于配电网当中，并最终引发更为严重的故障。因此对于配电网故障的检测必须及时有效。同时，传统的电网保护装置虽然也能够完成故障检测的任务，但是往往将故障检测、故障类型判断以及故障位置这三个任务割裂开来，尤其是故障位置检测，通常采用的做法是地毯式搜查或者逐级排查来查询故障位置，这种做法往往消耗大量的人力物力且效率低下，使得不能在第一时间将故障区域隔离，因此建立起新的配电网涵盖故障类型判断、故障相位判断和故障位置判断的故障检测方法势在必行。由于电网故障可以由各种因素引发，常见的引发条件包括负载故障、恶劣天气或者人为操作等，这些复杂因素使得故障发生时的条件千变万化，同时在实际环境中，通过电器设备获取的电信号会受到噪声干扰，使得获取电气量的设备获得的信号存在误差，所以很难建立一个准确的数学模型来对电网故障进行描述和检测。随着人工智能技术的发展，电网故障的智能化检测得到了广泛应用，其中包括专家系统、人工神经网络、贝叶斯网络、Petri网和深度学习等方法。但是随着电网规模的扩大，故障情形日渐复杂，需要根据专家知识和经验构建的规则也越来越复杂，导致整个系统非常臃肿，耗时较长而无法满足现实场景的需求。在利用深度学习对配电网故障进行检测的方法中，循环神经网络在印度电网和典型的电网算例上，取得了一定的效果。与其它采用决策树或随机森林的方法相比，在准确率上取得了极大的进步，但是仍无法满足快速、准确的故障判断要求。目前没有发现同本专利技术类似技术的说明或报道，也尚未收集到国内外类似的资料。
技术实现思路
针对现有技术中存在的上述不足，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故障检测方法，该方法能够快速有效地对配电网常见的单相接地、两相接地、两相短路和三相短路故障进行检测，给出故障类型、故障相位和故障位置的判断，该方法与传统算法相比识别精度和效率更高，与其它基于循环神经网络的故障检测方法相比，训练和推断速度大大加快，同时准确率也有所提升。本专利技术是通过以下技术方案实现的。一种基于卷积神经网络的配电网故障检测方法，包括：S1，采集三相电流信号数据构成配电网故障数据集，生成训练样本和测试样本；其中，配电网故障数据集中的每一组数据均设置有故障信息标签；S2，利用简化的希尔伯特-黄变换对配电网故障数据集进行数据预处理，得到训练样本和测试样本的数据分量；S3，设置卷积神经网络初始化参数。S4，将训练样本数据分量的瞬时频率和瞬时幅度输入卷积神经网络，对卷积神经网络进行训练，得到故障检测网络模型；S5，将测试样本数据分量的瞬时频率和瞬时幅度输入故障检测网络模型中，得到对测试样本的故障信息判断结果并与测试样本的故障信息标签比对，得到关于故障信息的准确率以及误差。优选地，所述S1中，通过电力系统全数字实时仿真装置进行配电网故障数据集的采集和生成；所述配电网故障数据集按照三比一的比例形成训练样本和测试样本。优选地，所述S2，包括如下步骤：S2-1，找出三相电流信号数据的电流信号中全部的极值点，并采用三次样条插值法，分别获得极大值点的包络线emax(t)和极小值点的包络线emin(t)；利用emax(t)和emin(t)获得均值包络线m1(t)m1(t)＝(emax(t)+emin(t))/2利用s(t)和m1(t)做差，得到第一层原始信号的分解量h1(t)h1(t)＝s(t)-m1(t)其中，s(t)为原始的电流数据；S2-2，重复S2-1，直至获取3层分量；S2-3，对得到的3层分量进行希尔伯特变化，获取分量瞬时频率和瞬时幅度。优选地，所述S3中，设置卷积神经网络初始化参数，采用均值为0、方差为0.05的正态分布初始化。优选地，所述S3中，卷积神经网络包括：由5层卷积层和2层最大池化层构成的五部分以及3层全连接层；其中，第一部分为两层卷积层，分别采用16通道的2x7和1x7的卷积核；第二部分为池化窗口大小为1x2的池化层；第三部分为两层卷积层，分别采用32通道的2x7和1x7的卷积核；第四部分为池化窗口大小为1x2的池化层；第五部分为1层卷积层，采用8通道的1x1的卷积核；第一层全连层的输入为第五层卷积的特征图的展开和三相电流信号数据分量的统计特征的拼接。优选地，所述S4中，对卷积神经网络进行训练，包括如下步骤：S4-1，从训练集中随机选取样本Xi进行训练，训练样本数据分量瞬时频率和瞬时幅度将会被输入第一部分的两层卷积层，得到第一部分的特征图F2；同时计算训练样本数据分量瞬时频率和瞬时幅度的统计特征；S4-2，对特征图F2进行池化操作，经过第二部分的池化层，得到第二部分的特征图F3；S4-3，将特征图F3输入第三部分的两层卷积层，得到第三部分的特征图F5；S4-4，对特征图F5进行池化操作，经过池化窗口大小为1x2的池化层，得到第二部分的特征图F6；S4-5，将特征图F6输入第五部分的卷积层，得到第三部分的特征图F7；S4-6，对特征图F7进行展开，并与S4-1中得到的统计特征连接在一起，将连接后得到的特征送入全连接层部分；S4-7，采用反向传播和Adam梯度下降算法更新网络参数，降低卷积神经网络的误差值；通过梯度下降算法进行N次迭代训练之后，停止训练并保存模型，即得到故障检测网络模型。优选地，所述统计特征包括：三相电流信号的最大值、最小值、标准差、均值、斜度和能量。优选地，故障信息包括故障类型、故障相位以及故障位置。优选地，所述S5中，通过故障检测网络模型对故障信息进行判断，采用不同类型的loss函数对每一种故障信息进行判断；其中：对故障类型的判断属于多分类问题，采用多类别交叉熵损失函数；对故障相位的判断属于多标签问题，采用二分类交叉熵损失函数；对故障位置的判断属于回归问题，采用均方误差作为损失函数；得到关于故障信息的准确率以及误差包括：故障类型和故障相位的准确率以及故障位置的误差。与传统故障检测算法相比，本专利技术具有如下有益效果：1、本专利技术提供的基于卷积神经网络的配电网故障检测方法，无需具有对配电网故障的专家知识，无论是简化的希尔伯特-黄变换还是卷积神经网络结构，都可对配电网故障进行自适应的故本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的配电网故障检测方法，其特征在于，包括：S1，采集三相电流信号数据构成配电网故障数据集，生成训练样本和测试样本；其中，配电网故障数据集中的每一组数据均设置有故障信息标签；S2，利用简化的希尔伯特‑黄变换对配电网故障数据集进行数据预处理，得到训练样本和测试样本的数据分量；S3，设置卷积神经网络初始化参数。S4，将训练样本数据分量的瞬时频率和瞬时幅度输入卷积神经网络，对卷积神经网络进行训练，得到故障检测网络模型；S5，将测试样本数据分量的瞬时频率和瞬时幅度输入故障检测网络模型中，得到对测试样本的故障信息判断结果并与测试样本的故障信息标签比对，得到关于故障信息的准确率以及误差。

【技术特征摘要】
1.一种基于卷积神经网络的配电网故障检测方法，其特征在于，包括：S1，采集三相电流信号数据构成配电网故障数据集，生成训练样本和测试样本；其中，配电网故障数据集中的每一组数据均设置有故障信息标签；S2，利用简化的希尔伯特-黄变换对配电网故障数据集进行数据预处理，得到训练样本和测试样本的数据分量；S3，设置卷积神经网络初始化参数。S4，将训练样本数据分量的瞬时频率和瞬时幅度输入卷积神经网络，对卷积神经网络进行训练，得到故障检测网络模型；S5，将测试样本数据分量的瞬时频率和瞬时幅度输入故障检测网络模型中，得到对测试样本的故障信息判断结果并与测试样本的故障信息标签比对，得到关于故障信息的准确率以及误差。2.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述S1中，通过电力系统全数字实时仿真装置进行配电网故障数据集的采集和生成；所述配电网故障数据集按照三比一的比例形成训练样本和测试样本。3.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述S2，包括如下步骤：S2-1，找出三相电流信号数据的电流信号中全部的极值点，并采用三次样条插值法，分别获得极大值点的包络线emax(t)和极小值点的包络线emin(t)；利用emax(t)和emin(t)获得均值包络线m1(t)m1(t)＝(emax(t)+emin(t))/2利用s(t)和m1(t)做差，得到第一层原始信号的分解量h1(t)h1(t)＝s(t)-m1(t)其中，s(t)为原始的电流数据；S2-2，重复S2-1，直至获取3层分量；S2-3，对得到的3层分量进行希尔伯特变化，获取分量瞬时频率和瞬时幅度。4.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述S3中，设置卷积神经网络初始化参数，采用均值为0、方差为0.05的正态分布初始化。5.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述S3中，卷积神经网络包括：由5层卷积层和2层最大池化层构成的五部分以及3层全连接层；其中，第一部分为两层卷积层，分别采用16通道的2x7和1x7的卷积核；第二部分为池化窗口大小为1x2的池化层；第三部分为...

【专利技术属性】
技术研发人员：贺光辉，张硕，蒋剑飞，绳伟光，景乃锋，金晶，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31