一种配电网单相接地故障选线方法及系统技术方案

本发明专利技术公开了一种配电网单相接地故障选线方法及系统，所述方法包括：采集电网线路在不同故障场景下的电流数据，执行快速傅立叶变换以获得电流频谱数据；构建样本数据集，从样本数据集中随机选取一些样本数据进行标记并作为标记样本，剩余的样本数据作为未标记样本；将训练样本数据集X中的每个训练样本视为一个节点，构造KNN图，并计算对应的KNN图的加权邻接矩阵A；构建SGCNN模型，将训练样本数据集X和加权邻接矩阵A用作SGCNN模型的输入，然后利用训练样本数据集X对SGCNN模型进行训练，获取具有故障选线能力的训练后SGCNN模型，实现电网单相接地故障选线。本发明专利技术有效地实现了线路故障的自动特征提取和半监督分类。线路故障的自动特征提取和半监督分类。线路故障的自动特征提取和半监督分类。

【技术实现步骤摘要】
一种配电网单相接地故障选线方法及系统


[0001]本专利技术涉及配电网继电保护领域，具体涉及一种配电网单相接地故障选线方法及系统。

技术介绍

[0002]配电网侧发生单相接地故障时，正常相对地电压升高可能会产生弧光过电压，导致故障危害进一步加大。同时，大量电缆的使用给原先以架空线为主的电网带来了新的问题，进一步增大了故障点的电流，且不易熄弧，从而更容易引发故障扩大和过电压带来的其他连锁问题。随着电力系统自动化程度也越来越高，电力计量装置和电信息采集装置系统不断完善，为机器学习应用到电力系统故障诊断提供了数据基础。深度学习作为机器学习的分支，使自身的模型网络能够学习并得到分类任务中最具代表性的特征。前很多研究表明，深度学习的方法通过大量的训练样本，可以对故障特征较弱的复杂系统进行特征提取，实现故障的分类。从最本质的角度出发，故障选线就是一个多变量时间序列的分类问题。
[0003]目前存在的大多数选线技术在现场的选线精度并不理想，主要受中性点运行方式的多样性、线路结构的变化、接地故障种类以及故障信号微弱等影响，国内外学者提出了一些配电网单相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网单相接地故障选线方法，其特征在于，包括以下步骤：S1：振动数据的采集和预处理：采集电网线路在不同故障场景下的电流数据，并对电流数据执行快速傅立叶变换以获得电流频谱数据；S2：样本数据集的获取：根据电流频谱数据构建样本数据集；从样本数据集中随机选取一些样本数据进行标记并作为标记样本，剩余的样本数据作为未标记样本；所述标记样本和未标记样本形成训练样本数据集X；S3：构造KNN图：将训练样本数据集X中的每个训练样本视为一个节点，构造KNN图，并计算对应的KNN图的加权邻接矩阵A；S4：训练SGCNN模型：构建包含两个卷积层的SGCNN模型，将训练样本数据集X和加权邻接矩阵A用作SGCNN模型的输入，然后利用训练样本数据集X对SGCNN模型进行训练，根据训练结果调整SGCNN模型结构参数，获取具有故障选线能力的训练后SGCNN模型，实现电网单相接地故障选线。2.根据权利要求1所述的一种配电网单相接地故障选线方法，其特征在于，所述SGCNN模型包括两个具有激活功能的卷积层，在每个卷积层中，使用谱图卷积运算自适应地从输入的高维数据中提取可用特征数据。3.根据权利要求1所述的一种配电网单相接地故障选线方法，其特征在于，步骤S2中，所述根据电流频谱数据构建样本数据集包括：将电流频谱数据直接截取成一定数量的样本数据，作为样本数据集。4.根据权利要求1所述的一种配电网单相接地故障选线方法，其特征在于，步骤S2中，所述从样本数据集中随机选取一些样本数据进行标记并作为标记样本，剩余的样本数据作为未标记样本，具体为：设包含有标记样本和未标记样本的样本集记为其标记比为l
r
＝N1/N，其中x
i
为第i个样本，N为总样本数，N1为标记样本数。5.根据权利要求4所述的一种配电网单相接地故障选线方法，其特征在于，步骤S3中，所述将训练样本数据集X中的每个训练样本视为一个节点，构造KNN图，并计算对应的KNN图的加权邻接矩阵A，包括：将训练样本数据集X中的每个训练样本当作一个节点，利用欧氏距离判断所有节点之间的邻接关系构造KNN图，确定KNN图中所有节点之间的邻接关系，得到对应的邻接矩阵A。6.根据权利要求5所述的一种配电网单相接地故障选线方法，其特征在于，邻接矩阵A∈R
N
×
N
，邻接矩阵A的元素a
ij
和a
ji
表示节点x
i...

【专利技术属性】
技术研发人员：李琪林，严平，彭德中，刘刚，叶子阳，刘苏婕，张杰夫，
申请(专利权)人：国网四川省电力公司营销服务中心，
类型：发明
国别省市：