基于深度神经网络的配电网单相接地故障辨识方法技术

本发明专利技术涉及配电网单相接地故障辨识技术领域，具体涉及一种基于深度神经网络的配电网单相接地故障辨识方法，包括以下步骤：步骤一：接收信号，进行信号处理；步骤二：选取深度神经网络；步骤三：优化目标函数；步骤四：优化深度网络模型；步骤五：确定深度网络的超参数；步骤六：进行深度网络的训练测试，提供一种能够更迅速准确地进行配电网单相接地故障辨识的基于深度神经网络的配电网单相接地故障辨识方法。法。

【技术实现步骤摘要】
基于深度神经网络的配电网单相接地故障辨识方法


[0001]本专利技术涉及配电网单相接地故障辨识
，具体涉及一种基于深度神经网络的配电网单相接地故障辨识方法。

技术介绍

[0002]在我国，配电网中发生的单相接地故障约占各类故障总数的80％～90％，是出现概率最高的故障。过去发生此类故障时允许系统带故障运行一段时间。近年来，随着国民生活的电气化水平不断提高，配网规模随之扩大，此种条件下，配网发生对地故障后不能再按照惯例让其继续带故障运行，而应快速确定故障类型并排除故障以确保系统的安全。
[0003]一些专家学者也做了不少相关研究，如王建元，张峥撰写的：基于注入信号与小波能量的小电流接地故障选线研究[J].电测与仪表，提出了一种将注入法和小波能量法结合的方法，但是存在当过渡电阻较大时便会失效的情况；张小乐撰写的：基于小波神经网络的电力系统故障检测方法[J].电子世界，介绍了一种基于小波神经网络的电力系统故障检测方法，提高了神经网络的收敛速度，但仍不是很完善。

技术实现思路

[0004]本专利技术要解决的技术问题是：克服现有技术的不足，提供一种能够更迅速准确地进行配电网单相接地故障辨识的基于深度神经网络的配电网单相接地故障辨识方法。
[0005]本专利技术为解决其技术问题所采用的技术方案为：基于深度神经网络的配电网单相接地故障辨识方法，包括以下步骤：
[0006]步骤一：接收信号，进行信号处理；
[0007]步骤二：选取深度神经网络；
[0008]步骤三：优化目标函数；
[0009]步骤四：优化深度网络模型；
[0010]步骤五：确定深度网络的超参数；
[0011]步骤六：进行深度网络的训练测试。
[0012]所述步骤一包括以下子步骤：
[0013]1‑
1：进行离散小波变换；
[0014]1‑
2：对信号进行单支重构；
[0015]1‑
3：进行无量纲化处理，得到单支重构系数各层的频熵值。
[0016]所述步骤1
‑
1中的计算公式如下：
[0017][0018]式中τ为平移因子，a为伸缩因子，t为采样时间，m为小波分解的层数，n为自然数，ψ(t)为母小波，f(t)为待分析信号，Wf(m,n)为小波分变换系数。
[0019]单支重构系数各层的频熵值，其数学定义式如下：
[0020][0021]式中：q
j,k
为无量纲化处理结果，N
j
为第j层信号细节系数的数据长度；
[0022]基于小波频熵的数学定义，可得小波熵权的数学定义式：
[0023][0024]式中m为小波分解的层数；max(E
fej
)为重构信号第j层频熵的最大值。
[0025]选取的深度神经网络各层的神经元仅与相邻神经元全连接，同层内的神经元间没有连接。
[0026]所述步骤三中用表示训练样本的标记值，用y
i
表示深度网络的预测值，用两者的方差来表示接近程度。单个样本的误差表示为：
[0027][0028]y
i
＝[f(Z
·
f(W
·
f(V
·
X)))]；
[0029]式中n为输出层的神经元个数，E
n
代表单个样本与标记之间的接近程度，它是权值参数V，W，Z的函数，X为输入向量。
[0030]所述步骤四中选取样本误差E
n
为目标函数，采用梯度下降，反向传播算法来优化E
n
的参数。
[0031]所述步骤五中Sigmoid系列函数不仅能引入非线性且其函数的输出特性较为接近人脑神经元的工作状态，选取Log
‑
sigmoid函数作为激活函数。
[0032]选用的深度网络隐藏层个数为3层；
[0033]基于小波和小波包特征量的网络输入节点个数分别为22和16；
[0034]输出节点为6个，每个输出节点对应一种故障，输出值最大的那个节点代表当次输入样本的辨识结果。
[0035]所述步骤六中对采集的故障信号提取小波特征量和小波包特征量，并进行组合后作为样本对网络进行训练。四种组合分别为：小波频带能量和能量熵，小波频熵和熵权，小波包频带能量和能量熵，小波包频熵和熵权。四个组合同时也是深度网络的输入节点的变量名。
[0036]与现有技术相比，本专利技术具有以下有益效果：
[0037]本专利技术提供一种基于深度神经网络的配电网单相接地故障辨识方法，能够更迅速准确地进行配电网单相接地故障辨识，并在所采集的故障信号中加入噪声进行辨识测试。比传统神经网络更加准确、高效、优越，也具有更强的抗干扰能力。
附图说明
[0038]图1是深度网络结构图。
[0039]图2是小波频带能量和能量熵训练中间状态展示图。
[0040]图3是各类故障的辨识错误率以及待提高率示意图。
[0041]图4是各类故障辨识总错误率以及总待提高率示意图。
[0042]图5是深度网络和传统神经网络辨识结果比较示意图。
[0043]图6是添加噪声后的辨识结果比较示意图。
具体实施方式
[0044]下面结合附图对本专利技术实施例做进一步描述：
[0045]实施例
[0046]如图1至图6所示，基于深度神经网络的配电网单相接地故障辨识方法包括以下步骤：
[0047]步骤一：接收信号，进行信号处理；小波变换将伸缩和平移母小波所得函数与待分析信号做积分，实现对信号的多尺度分析，本专利技术采用二进制离散小波变换处理信号。
[0048]所述步骤一包括以下子步骤：
[0049]1‑
1：为了便于计算机在有限计算量内完成小波变换，首先需进行离散小波变换；所述步骤1
‑
1中的计算公式如下：
[0050][0051]式中τ为平移因子，a为伸缩因子，t为采样时间，m为小波分解的层数，n为自然数，ψ(t)为母小波，f(t)为待分析信号，Wf(m,n)为小波分变换系数。
[0052]当a＝2,τ＝1时，即为二进制离散小波变换，公式如下：
[0053][0054]本专利技术选取db4小波作为小波基函数，以20kHz的采样频率提取配电网故障后零序电压信号，对各类故障的零序电压进行10层小波分解。
[0055]1‑
2：对信号进行单支重构；
[0056]1‑
3：进行无量纲化处理，得到单支重构系数各层的频熵值。
[0057]所述步骤1
‑
2中，待分析信号经小波分解后，利用小波分解系数，对信号进行单支重构，再对其系数进行无量纲化处理，可算得单支重构系数各层的频熵值，其数学定义式如下：
[0058][0059]式中：q
j,k
为无量纲化处理结果，N
j...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的配电网单相接地故障辨识方法，其特征在于，包括以下步骤：步骤一：接收信号，进行信号处理；步骤二：选取深度神经网络；步骤三：优化目标函数；步骤四：优化深度网络模型；步骤五：确定深度网络的超参数；步骤六：进行深度网络的训练测试。2.根据权利要求1所述的基于深度神经网络的配电网单相接地故障辨识方法，其特征在于，所述步骤一包括以下子步骤：1
‑
1：进行离散小波变换；1
‑
2：对信号进行单支重构；1
‑
3：进行无量纲化处理，得到单支重构系数各层的频熵值。3.根据权利要求2所述的基于深度神经网络的配电网单相接地故障辨识方法，其特征在于，所述步骤1
‑
1中的计算公式如下：式中τ为平移因子，a为伸缩因子，t为采样时间，m为小波分解的层数，n为自然数，ψ(t)为母小波，f(t)为待分析信号，Wf(m,n)为小波分变换系数。4.根据权利要求3所述的基于深度神经网络的配电网单相接地故障辨识方法，其特征在于，单支重构系数各层的频熵值，其数学定义式如下：式中：q
j,k
为无量纲化处理结果，N
j
为第j层信号细节系数的数据长度；基于小波频熵的数学定义，可得小波熵权的数学定义式：式中m为小波分解的层数；max(E
fej
)为重构信号第j层频熵的最大值。5.根据权利要求3所述的基于深度神经网络的配电网单相接地故障辨识方法，其特征在于，选取的深度神经网络各层的神经元仅与相邻神经元全连接，同层内的神...

【专利技术属性】
技术研发人员：陈义刚，魏丰收，王磊，韩强，马汉杰，魏庆森，石倩倩，朱晓辉，薛强中，逯明，李欣，刘炎，任春瑜，毕耜田，杨文强，毕磊，
申请(专利权)人：淄博齐林电力工程有限公司，
类型：发明
国别省市：