配电网故障诊断方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术提供一种配电网故障诊断方法、装置、设备及可读存储介质。该方法包括：构建基础诊断网络，基础诊断网络包括卷积层、池化层、全连接层、激活函数、神经网络超参数以及softmax层；在基础诊断网络中增加残差结构模块、批标准化层、ShuffleNet模块以及注意力模块得到待训练诊断网络；对故障录波器收集到的故障电流信息进行预处理得到样本数据集；通过样本数据集对待训练诊断网络进行训练，得到配电网故障诊断网络，训练过程中，将FocalLoss作为目标函数进行监督训练；基于所述配电网故障诊断网络进行配电网故障诊断。通过本发明专利技术，既降低了计算量也提高了诊断精确度。算量也提高了诊断精确度。算量也提高了诊断精确度。

【技术实现步骤摘要】
配电网故障诊断方法、装置、设备及可读存储介质


[0001]本专利技术涉及机器学习
，尤其涉及一种配电网故障诊断方法、装置、设备及可读存储介质。

技术介绍

[0002]作为电力输送的最后阶段，配电网由多个分支组成并将电能输送到最终的消耗点。这些分支分散在广大农村和城市，容易受到不同来源引发的不同类型的故障的影响，例如恶劣的天气条件、植被生长和设备故障等，数据表明有80％的客户用电中断是由配电网故障引起的。电力中断的持续时间是电力公司最重要的可靠性指标之一，因此快速有效地诊断故障从而最大程度地减少停机时间是非常重要的。配电网的不均匀性，结构的不平衡、电路分支阻碍了输电网的故障诊断方法在配电网上的直接应用。
[0003]近年来，不同的故障诊断技术被探索和提出用来解决这些挑战，主要有专家系统、人工神经网络、解析模型等。专家系统利用专家的经验知识和相关的理论知识，建立规则库与电网故障进行逻辑匹配去诊断故障，符合人类的思维和认知过程，具有较强的推理和解释能力。但同时，专家系统需要实时地更新规则库，维护较为困难。人工神经网络可以通过样本训练，实现对网络参数的自动学习和调整，输入故障信息，输出所诊断的故障类型。但是这种方法需要大量样本数据训练网络，可实际很难得到大量完整的故障样本数据，并且当电网结构发生变化时，需要对网络重新进行训练学习。
[0004]Petri网采用加权有向图和矩阵运算对配电网故障进行诊断，用数学方法推导和分析电网元件、保护和断路器之间的逻辑关系。然而，现有的Petri网模型需要采用离线建模和在线调用的模式对全部故障元件单独建模，这种模式并不适合于全部网络。解析模型是基于保护故障假说和系统中断路器的预期状态建立的数学模型，将故障诊断问题转化为整数规划求解。但是传统的解析模型易造成多解和误解，在大型复杂系统中，很难对系统的机理进行分析和建模，变量维度增加，使得求解也愈发困难。
[0005]以上目前主流的配电网诊断方法大多通过人工进行特征提取，具有一定的主观性，只能表达故障信号的指定特征，而且由于配电网的不均匀性、结构的不平衡、电路分支，使得这些方法不便于移植到其他数据集上直接使用。

技术实现思路

[0006]为解决上述技术问题，本专利技术提供一种配电网故障诊断方法、装置、设备及可读存储介质。
[0007]第一方面，本专利技术提供一种配电网故障诊断方法，所述配电网故障诊断方法包括：
[0008]构建基础诊断网络，基础诊断网络包括卷积层、池化层、全连接层、激活函数、神经网络超参数以及softmax层；
[0009]在基础诊断网络中增加残差结构模块、批标准化层、ShuffleNet模块以及注意力模块得到待训练诊断网络；
[0010]对故障录波器收集到的故障电流信息进行预处理得到样本数据集；
[0011]通过样本数据集对待训练诊断网络进行训练，得到配电网故障诊断网络，训练过程中，将Focal Loss作为目标函数进行监督训练；
[0012]基于所述配电网故障诊断网络进行配电网故障诊断。
[0013]可选的，所述对故障录波器收集到的故障电流信息进行预处理得到样本数据集的步骤包括：
[0014]将故障录波器收集到的故障电流信息导入MATLAB软件中，使用max函数及for循环得到样本数据集，其中，一故障电流信息表示如下：
[0015]x＝[Time I
a I
b I
c FT FR FIA LV FL][0016]其中，I
a
表示A相电流，I
b
表示B相电流，I
c
表示C相电流，FT表示故障类型，FR表示故障电阻，FIA表示故障初相角，LV表示负载大小，FL表示故障位置；
[0017]样本数据集表示如下：
[0018][0019]其中，1至n为故障电流信息1至n的标号。
[0020]可选的，残差结构模块基于卷积层数量进行简化。
[0021]可选的，所述批标准化层用于将任意神经元的输入值分布规范化为一个标准的正态分布。
[0022]可选的，所述ShuffleNet模块为ShuffleNet_V2，ShuffleNet_V2在通道维度上将输入特征分割为两个分支，其中一个分支保持不变并进行相同的映射，而另一个分支以相同的输出和输入通道连续进行三次卷积。
[0023]可选的，所述注意力模块包括通道注意力模块，通道注意力模块首先进行最大池化操作，得到池化结果M
c
，同时对每个通道进行平均池化操作，得到池化结果A
c
，假定输入特征的通道数由c表示，将M
c
和A
c
分别输入全连接层，输出M
c
'和A
c
'，求和后输入sigmoid函数进行规范归一化，sigmoid函数输出结果为通道注意力。
[0024]可选的，所述注意力模块还包括空间注意力模块，空间注意力模块首先对每个通道进行最大池化操作，得到池化结果M
s
，同时对每个通道进行平均池化操作，得到池化结果A
s
，输入特征的长度由s表示，拼接池化结果[M
s
,A
s
]，对[M
s
,A
s
]进行卷积核大小为[1,7,2]，卷积核个数为1的卷积操作，将卷积结果输入sigmoid函数进行规范归一化，sigmoid函数输出结果为空间注意力。
[0025]第二方面，本专利技术还提供一种配电网故障诊断装置，所述配电网故障诊断装置包括：
[0026]构建模块，用于构建基础诊断网络，基础诊断网络包括卷积层、池化层、全连接层、
激活函数、神经网络超参数以及softmax层；
[0027]优化模块，用于在基础诊断网络中增加残差结构模块、批标准化层、ShuffleNet模块以及注意力模块得到待训练诊断网络；
[0028]数据集构建模块，用于对故障录波器收集到的故障电流信息进行预处理得到样本数据集；
[0029]训练模块，用于通过样本数据集对待训练诊断网络进行训练，得到配电网故障诊断网络，训练过程中，将Focal Loss作为目标函数进行监督训练；
[0030]诊断模块，用于基于所述配电网故障诊断网络进行配电网故障诊断。
[0031]第三方面，本专利技术还提供一种配电网故障诊断设备，所述配电网故障诊断设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的配电网故障诊断程序，其中所述配电网故障诊断程序被所述处理器执行时，实现如上所述的配电网故障诊断方法的步骤。
[0032]第四方面，本专利技术还提供一种可读存储介质，所述可读存储介质上存储有配电网故障诊断程序，其中所述配电网故障诊断程序被处理器执行时，实现如上所述的配电网故障诊断方法的步骤。
[0033]本专利技术中，构建基础诊断网络，基础诊断网络包括卷积层、池化层、全连接层、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网故障诊断方法，其特征在于，所述配电网故障诊断方法包括：构建基础诊断网络，基础诊断网络包括卷积层、池化层、全连接层、激活函数、神经网络超参数以及softmax层；在基础诊断网络中增加残差结构模块、批标准化层、ShuffleNet模块以及注意力模块得到待训练诊断网络；对故障录波器收集到的故障电流信息进行预处理得到样本数据集；通过样本数据集对待训练诊断网络进行训练，得到配电网故障诊断网络，训练过程中，将Focal Loss作为目标函数进行监督训练；基于所述配电网故障诊断网络进行配电网故障诊断。2.如权利要求1所述的配电网故障诊断方法，其特征在于，所述对故障录波器收集到的故障电流信息进行预处理得到样本数据集的步骤包括：将故障录波器收集到的故障电流信息导入MATLAB软件中，使用max函数及for循环得到样本数据集，其中，一故障电流信息表示如下：x＝[Time I
a I
b I
c FT FR FIA LV FL]其中，I
a
表示A相电流，I
b
表示B相电流，I
c
表示C相电流，FT表示故障类型，FR表示故障电阻，FIA表示故障初相角，LV表示负载大小，FL表示故障位置；样本数据集表示如下：其中，1至n为故障电流信息1至n的标号。3.如权利要求1所述的配电网故障诊断方法，其特征在于，残差结构模块基于卷积层数量进行简化。4.如权利要求1所述的配电网故障诊断方法，其特征在于，所述批标准化层用于将任意神经元的输入值分布规范化为一个标准的正态分布。5.如权利要求1所述的配电网故障诊断方法，其特征在于，所述ShuffleNet模块为ShuffleNet_V2，ShuffleNet_V2在通道维度上将输入特征分割为两个分支，其中一个分支保持不变并进行相同的映射，而另一个分支以相同的输出和输入通道连续进行三次卷积。6.如权利要求1所述的配电网故障诊断方法，其特征在于，所述注意力模块包括通道注意力模块，通道注意力模块首先进行最大池化操作，得到池化结果M
c
，同时对每个通道进行平均池化操作，得到池化结果A
c
，假定输...

【专利技术属性】
技术研发人员：胡志坚，计青青，刘晓莉，
申请(专利权)人：武汉大学，
类型：发明
国别省市：