本发明专利技术涉及一种基于伏安特性曲线图像识别的配电网高阻故障辨识方法，包括步骤：获取配电网馈线的馈线数据；基于获取的所述馈线数据分别构建相对应的伏安特性曲线；将基于单条馈线的馈线数据构建的M条伏安特性曲线归一化处理为单馈线图像，并且将m个归一化后的单馈线图像排列形成为一张二维图像作为故障识别图像；根据预先构建的高阻故障识别模型对故障识别图像进行识别，并输出高阻故障识别结果。本发明专利技术利用配电网各馈线首端的数据构建伏安特性曲线图，作为配电网高阻故障的识别特征量，有效解决了特征量选取困难的问题，同时结合高阻故障原因类不平衡样本集有效提升了识别模型的泛化能力，使得对配电网高阻故障的辨识的精确度大大提高。识的精确度大大提高。识的精确度大大提高。
【技术实现步骤摘要】
配电网高阻故障辨识方法、装置和电子设备
[0001]本专利技术涉及一种输电线路故障辨识
，具体涉及一种基于伏安特性曲线图像识别的配电网高阻故障辨识方法、装置和电子设备。
技术介绍
[0002]配电网面广量大，运行环境复杂，易受自然灾害和外力因素的破坏而发生故障。同时，经济社会发展，对配电网的安全可靠运行要求越来越高。因此，快速、准确地检测出配电网络中发生的各类故障，识别故障类型和原因，对于配电网故障恢复和运维抢修决策，具有重要的意义。
[0003]现有的配电网高阻故障辨识研究主要集中于高阻故障的检测，在干扰项和正常情况的影响下检测高阻故障，结合阈值法或人工智能法对录波数据或仿真数据处理，提取其特征。主要涉及的在线监测方法有：
①
利用信号处理方法处理馈线录波信号，设定阈值作为检测高阻故障的依据；
②
利用人工智能方法提取预处理后的馈线录波信号特征，辨识高阻故障。仿真样本主要考虑干扰项、正常情况和普适性高阻故障。
[0004]上述方法主要针对于单一故障原因的高阻故障辨识，存在的不足有：
①
判断高阻故障的依据的选取存在主观性的影响，对于特征量选取的评价指标缺少客观合理性；
②
阈值法易受噪声的影响，使高阻故障辨识的效果下降；
③
实际录波数据有限，标签的准确度并不理想，利用该数据训练的故障分类器效果并不理想；
④
仿真获取故障样本并未考虑高阻故障的多种故障原因和他们之间的比例不平衡问题，训练出的模型对于实际工况并不具有好的适应能力。训练和测试分类模型的结果存疑。
[0005]因此，亟需专利技术一种结合能反映故障线路、相别、原因的特征选取方法、考虑实际情况中高阻故障原因比例不平衡的配电网高阻故障辨识方法。
技术实现思路
[0006]有鉴于此，本专利技术提供一种基于伏安特性曲线图像识别的配电网高阻故障辨识方法、装置和电子设备，利用配电网各馈线首端的数据构建伏安特性曲线图，作为配电网高阻故障的识别特征量，有效解决了特征量选取困难的问题，同时结合高阻故障原因类不平衡样本集有效提升了识别模型的泛化能力。
[0007]本专利技术的第一方面公开了一种基于伏安特性曲线图像识别的配电网高阻故障辨识方法，其包括以下步骤：
[0008]获取配电网馈线的馈线数据；
[0009]基于获取的馈线数据分别构建相对应的伏安特性曲线；
[0010]将基于单条馈线的馈线数据构建的M条伏安特性曲线归一化处理为单馈线图像，其中M≥2，并且将m个归一化后的单馈线图像排列形成为一张二维图像作为故障识别图像，其中m≥1；具体地，将归一化后地多个单馈线图像横向或纵向排列成为一张二维图像；
[0011]根据预先构建的高阻故障识别模型对故障识别图像进行识别，并输出高阻故障识
别结果。
[0012]在上述实现过程中，先获取当前配电网馈线的馈线数据，然后将获取的当前馈线数据转化为伏安特性曲线图，基于相同馈线的当前馈线数据获得的伏安特性曲线图会通过归一化处理为单张(一张)馈线图像，即，单条馈线的伏安特性曲线生成后重叠显示在一张图像中。将多条馈线的单馈线图像以馈线顺序按列组合为一张新的故障识别图。然后，通过预先构建的高阻故障识别模型(也可称为配电网故障辨识分类器，或者为配电网故障辨识分类器的一部分)对所获取的单条或多条(大于一条)馈线的单馈线图像排列形成的故障识别图像进行识别，并且经识别后输出高阻故障识别结果。
[0013]在优选地实施例中，故障识别结果以故障标签字段的形式输出，所述故障标签字段包括故障线路、故障相别和/或高阻故障原因。
[0014]在优选地实施例中，基于相同馈线的馈线数据获得的伏安特性曲线图以不同的颜色区分。
[0015]进一步地，馈线数据包括馈线的三相电压和/或电流信号的暂态录波数据和馈线的零序电压和/或电流信号的暂态录波数据；所述基于获取的馈线数据构建相对应的伏安特性曲线，包括：将馈线的三相电压和/或电流信号的暂态录波数据构建为三相伏安特性曲线，以及将馈线的零序电压和/或电流信号的暂态录波数据构建为零序伏安特性曲线。
[0016]进一步地，所述将基于单条馈线的馈线数据构建的M条伏安特性曲线归一化处理为单馈线图像，包括：将基于单条馈线获取的三相伏安特性曲线和零序伏安特性曲线归一化处理为单馈线图像；将多条馈线的单馈线图像以馈线顺序按列组合为一张新的故障识别图像。
[0017]在优选的实施例中，获取的馈线数据为馈线首端的三相电压和电流信号的暂态录波数据和零序电压和电流信号的暂态录波数据，然后将获取的暂态录波数据分别转化为与各自相对应的伏安特性曲线，即三相伏安特性曲线和零序伏安特性曲线，并且将相同馈线的三相伏安特性曲线和零序伏安特性曲线归一化处理为单馈线图像。将多条馈线的单馈线图像以馈线顺序按列组合为一张新的故障识别图像。预先构建的高阻故障识别模型对经归一化处理后形成的故障识别图像进行识别并输出识别结果。在优选的实施例中，馈线的三相别(A、B、C相别)和零序的伏安特性曲线以不同颜色区分。
[0018]在本专利技术中，利用配电网各馈线首端的三相电压、电流和零序电压、电流为输入，构建形成伏安特性曲线图，作为配电网高阻故障的识别特征量，有效解决了特征量提取困难的问题。
[0019]进一步地，在获取配电网馈线数据之前，方法还包括：
[0020]构建原始识别模型；
[0021]获取馈线故障样本集；
[0022]将获得的馈线故障样本集输入原始识别模型进行迁移学习训练直至收敛，得到高阻故障识别模型。
[0023]进一步地，原始识别模型采用深度神经网络模型，包括但不限于CNN、AlexNet、VGG16等神经网络。在一个优选的实施例中，本专利技术的原始识别模型采用AlexNet网络架构，其输入层构造为伏安特性曲线图像构建层，输出层构造为故障识别结果输出层，其余层保留。即，在本专利技术的一个优选实施例中，伏安特性曲线图像构建层属于本专利技术的深度学习网
络模型的一部分(即，输入层)，其替代了常规AlexNet的输入层，以用于基于获取的馈线数据分别构建相应的伏安特性曲线并且将基于单条馈线的馈线数据构建的相应伏安特性曲线归一化处理为故障识别图像。在另外的实施例中，伏安特性曲线图像构建层也能够独立于所采用的网络神经模型设置，其主要取决于所采用的网络神经模型与伏安特性曲线图像构建层的适应性。
[0024]在上述实现过程中，在进行实时高阻故障识别之前，先构建原始识别模型，再获取馈线故障样本集，然后将获得的馈线故障样本集输入原始识别模型(预训练的AlexNet网络模型)进行迁移学习训练直至收敛，得到最终的配电网故障辨识分类器。具体地，在获取馈线故障样本集和待训练的原始识别模型后，将故障样本集随机抽取70％作为训练样本集，剩余作为测试样本集，训练故障样本数据进行归一化后，将其作为目标域数据输入给预训练的神经网络模型进行训练，设置最大训练次数并且判断是否收敛，在收本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于伏安特性曲线图像识别的配电网高阻故障辨识方法，其特征在于，包括以下步骤：获取配电网馈线的馈线数据；基于获取的所述馈线数据构建相对应的伏安特性曲线；将基于单条馈线的馈线数据构建的M条伏安特性曲线归一化处理为单馈线图像，其中M≥2，并且将m个归一化后的单馈线图像排列形成为一张二维图像作为故障识别图像，其中m≥1；根据预先构建的高阻故障识别模型对故障识别图像进行识别，并输出高阻故障识别结果。2.根据权利要求1所述的基于伏安特性曲线图像识别的配电网高阻故障辨识方法，其特征在于，所述馈线数据包括馈线的三相电压和/或电流信号的暂态录波数据和馈线的零序电压和/或电流信号的暂态录波数据；其中，所述基于获取的馈线数据构建相对应的伏安特性曲线，包括：将馈线的三相电压和/或电流信号的暂态录波数据构建为三相伏安特性曲线，以及将馈线的零序电压和/或电流信号的暂态录波数据构建为零序伏安特性曲线；其中，所述将基于单条馈线的馈线数据构建的M条伏安特性曲线归一化处理为单馈线图像，包括：将基于单条馈线获取的三相伏安特性曲线和零序伏安特性曲线归一化处理为单馈线图像。3.根据权利要求1或2所述的基于伏安特性曲线图像识别的配电网高阻故障辨识方法，其特征在于，在获取配电网馈线数据之前，所述方法还包括：构建原始识别模型；获取馈线故障样本集；将获得的所述馈线故障样本集输入所述原始识别模型进行迁移学习训练直至收敛，得到所述高阻故障识别模型；其中，所述获取馈线故障样本集，包括：获取用作样本的故障样本数据；基于获取的故障样本数据构建相应的伏安特性曲线，并做归一化处理；将基于单条馈线的故障样本数据构建的相应伏安特性曲线归一化处理为单馈线故障图像样本；将m个归一化后的单馈线故障图像样本按列排列形成为一张二维图像作为馈线故障样本，其中m≥1；获取多个所述馈线故障样本以形成馈线故障样本集。4.根据权利要求3所述基于伏安特性曲线图像识别的配电网高阻故障辨识方法，其特征在于，所述故障样本集为基于不同高阻故障原因产生的类不平衡样本集，其中所述高阻故障原因包括触树类故障、动物类故障和/或砂石类故障；其中，所述故障样本数据通过根据实际配电网参数构建的仿真样本获取，包括：根据实际配电网的高阻故障录波数据统计配电网中高阻故障不同原因、相别、类型、距离和相角间的概率分布；根据实际配电网的高阻故障录波数据构建与不同高阻故障原因相对应的仿真样本，与不同高阻故障原因相对应的仿真样本分别满足高阻故障不同原因、故
障相别、类型、距离和相角间的概率分布；基于所述仿真样本产生与故障原因相对应的故障样本数据。5.根据权利要求3所述的基于伏安特性曲线图像识别的配电网高阻故障辨识方法，其特征在于，所述故障样本数据包括馈线样本的三相电压和/或电...
【专利技术属性】
技术研发人员：王建，张博，尹栋，欧阳金鑫，熊小伏，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
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。