【技术实现步骤摘要】
一种配网故障类型识别方法及系统
本专利技术涉及配电网接地故障识别
，尤其涉及一种配网故障类型识别方法及系统。
技术介绍
随着电力系统技术的不断发展以及设备升级，电力运行数据也逐渐形成有规律的积累。同时越来越多的监测装置如PMU实现了低成本化，能够在配电网中广泛使用，这意味着配电网中可用的数据将不断丰富，可用性不断提高。在现今电网设备的自动化升级背景下，配电网配套监测设备成本不断降低，对配电网运行和故障信息的监测手段不断丰富和完善，依靠单一设备监测的方法已难以满足从统一、全局层面保障配网正常运行的需求。随着我国智能电网的建设，国家和用户对供电可靠性的要求越来越高，到2020年我国供电可靠率要达到99.82％，配网线路故障占用户停电故障的绝大多数，因此及时快速的定位并处理配网线路故障是实现上述目标的重要手段。从电网运行的信息中对故障原因进行辨识，对故障原因形成系统日志，通过分析其发生频率以及每次故障的严重程度等数据信息，针对故障情况进行线路维护和操作，能够提供给配电网安全维护和运行更加丰富的信息，是从引发电网事故的...
【技术保护点】
1.一种配网故障类型识别方法，其特征在于：包括，/n利用LSTM结构建立深度网络模型辨识故障零序电流中的电弧特征以区分可靠接地故障与不可靠接地故障；/n将所述可靠接地故障与所述不可靠接地故障作为分类目标、故障电阻有效值序列作为输入量，基于接地电阻稳态有效值构建神经网络分类模型；/n利用所述神经网络分类模型识别接地故障类型。/n
【技术特征摘要】
1.一种配网故障类型识别方法，其特征在于：包括，
利用LSTM结构建立深度网络模型辨识故障零序电流中的电弧特征以区分可靠接地故障与不可靠接地故障；
将所述可靠接地故障与所述不可靠接地故障作为分类目标、故障电阻有效值序列作为输入量，基于接地电阻稳态有效值构建神经网络分类模型；
利用所述神经网络分类模型识别接地故障类型。
2.根据权利要求1所述的配网故障类型识别方法，其特征在于：建立所述深度网络模型之前需采集各类型接地故障数据波形，构建样本数据集；
利用所述样本数据集分别对所述深度网络模型和所述神经网络分类模型进行训练；
直至所述深度网络模型和所述神经网络分类模型输出识别分类结果时，停止训练。
3.根据权利要求1或2所述的配网故障类型识别方法，其特征在于：构建所述深度网络模型包括，
定义所述LSTM的时间步长为10，则输入层特征规模为40；
利用所述LSTM网络与Softmax网络层组成分类输出层，输出数量为2；
所述输入层与所述分类输出层构成所述深度网络模型，且结合adam优化策略求解以二分类对数损失函数为目标的所述深度网络模型，如下，
其中，yi：输入实例xi的真实类别，pi：分类器对输入实例xi的输出类别为正的概率，N：故障样本数量。
4.根据权利要求3所述的配网故障类型识别方法，其特征在于：还包括，
定义保持的所述概率为0.8、网络训练的学习速度为0.001；
定义所述样本数据集的对数损失为每个样本对数损失的平均值，所述分类器的对数损失为0；
调整所述时间步长为20，将输入的所述样本数据集重构为400×20×20的张量并与所述LSTM结构的输入层相对应。
5.根据权利要求4所述的配网故障类型识别方法，其特征在于：训练所述深度网络模型包括，
将截取故障稳态期间的单位周波零序电流作为单个样本数据；
采集故障波形并对其进行标签分类，分别定义为所述可靠接地故障与所述不可靠接地故障；
随机选取所述样本数据集中的500组作为训练集，200组作为验证集；
利用所述训练集对所述深度网络模型进行损失优化计算，直至输入实例的输出类别为正的概率大于0.8时结束训练；
利用所述验证集验证所述深度网络模型的分类准确率，定义所述准确率为每一个随机样本所预测的结果与其实际类型相同的概率，如下，
其中，Npos：正类样本被准确分类的数量，Nneg：负类样本被准确分类的数量。
6.根据权利要求5所述的配网故障...
【专利技术属性】
技术研发人员：方健，王红斌，杨帆，莫文雄，王勇，覃煜，顾春晖，张敏，何嘉兴，尹旷，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。