【技术实现步骤摘要】
本专利技术属于市政管理与智慧交通领域，尤其涉及一种道路照明配电系统的故障诊断方法及装置。
技术介绍
1、配电系统是国家电力系统的重要组成部分，主要用于将高压电能转换为低压电能，以便供应给各种不同的用户设备和用电设施。随着配电系统的建设投入不断加大，系统结构日趋复杂、规模日渐庞大，用户对其可靠性的要求也日益提高，尤其是用于城市道路、广场、商业区、居民区等公共场所照明的配电系统。该配电系统是保障城市安全稳定和城市交通顺利运行的重要条件，必须具备良好的安全性和稳定性，能够迅速诊断识别故障，保证城市照明的长期稳定运行。
2、现有实际应用的配电系统故障诊断方法主要分为2类：阈值判断方法，模型特征分析。其中，阈值判断方法是一种简单的判断方法，主要通过对配电系统的各种参数进行监测和分析，当某个参数超出预设的阈值时，就判断为故障，并进行相应的处理，该方法简单易行、成本低，但仅适用于一些简单的故障场景，且不同场景不同时间点下的阈值设置繁琐困难，容易受到噪声和干扰的影响，出现误报警现象。模型特征分析主要通过对配电系统进行仿真分析建模，以实现故障诊断，该方法需要的参数过多，复杂度高，不便于实现。近年来，基于人工智能算法的故障诊断方法在多个领域都卓有成效，而在城市照明配电系统中的应用较少。因此，亟需一种方便快捷的，通过对历史数据的处理分析即可精准判断不同异常类型的配电系统故障诊断方法。
3、专利文献cn115659255a公开一种基于时频域建模与特征选择的路灯故障诊断方法，依据路灯运行数据为故障诊断模型训练提供数据支持；将路灯运
4、专利文献cn114757094a公开了一种智慧路灯寿命预测方法、系统、装置及介质，该方法包括：判断路灯自变量因数与光衰状态以及故障状态的相关性，选取具有相关性的路灯自变量因数组成自变量因素样本；对各自变量因素样本进行降维处理，得到训练样本；构建关于光衰状态的神经网络模型和故障状态的神经网络模型，使用训练样本对神经网络模型进行训练；将待预测的自变量因数输入至神经网络模型，获取智慧路灯寿命预测结果。
技术实现思路
1、为了解决现有技术存在的问题，本专利技术主要的是提供一种道路照明配电系统的故障诊断方法及装置，该方法可以有效提高道路照明配电系统的故障诊断的准确率。
2、为了实现本专利技术的第一个目的，提供了一种道路照明配电系统的故障诊断方法，包括以下步骤：
3、获取道路照明配电系统中配电箱a、b、c三相电流的历史电流数据，并以故障类型对历史电流数据进行标签标注，将历史电流数据和标签组成初始数据集；
4、根据时间点序列将所述初始数据集进行拆分，以构建基于时刻点-故障的数据集；
5、构建基于bp和knn的bp-knn混合神经网络，所述bp-knn混合神经网络包括特征提取模块，特征融合模块以及预测模块，所述特征提取模块用于提取输入的a、b、c三相电流数据并进行特征拓展，以生成对应的多阶电流变化特征，所述特征融合模块包括bp部分和knn部分，所述bp部分根据输入的多阶电流变化特征生成对应的高阶特征，所述knn部分根据输入的多阶电流变化特征生成对应的类别特征，将输出的高阶特征和类别特征进行融合，输出对应的电流融合特征和对应的权重系数，所述预测模块根据输入的电流融合特征和权重系数进行分析，以输出预测结果，所述预测结果包括故障类型和对应的时间段；
6、采用基于时刻点-故障的数据集对bp-knn混合神经网络进行训练，以获得用于道路照明故障诊断的配电系统故障诊断模型；
7、将当前道路照明配电系统的a、b、c三相电流数据输入至配电系统故障诊断模型，以获得当前道路照明配电系统存在的故障类型和发生的时间段。
8、本专利技术基于配电系统三相电流数据在同一时刻的日强周期性，采用时间序列拆分和特征扩展等方法提取时间序列中的依赖关系，并结合bp-knn混合神经网络进行故障诊断判断，从而提高了配电系统故障诊断算法的鲁棒性。
9、具体的，所述故障类型包括无故障，abc相单独短路，abc相组合短路，abc相单独外接电源，abc相组合外接电源，abc相单独线路改接，abc相组合线路改接，abc相单独断路，abc相组合断路以及abc相组合断路。
10、具体的，所述基于时刻点-故障的数据集通过将不同日期但同一时段的历史电流数据以日期顺序依次拼接进行构建。
11、具体的，构建基于时刻点-故障的数据集时还包括特征扩展和归一化。
12、具体的，所述特征扩展针对每个时段a、b、c三相电流数据进行时间上的一阶求导和二阶求导，以扩充对应的电流数据特征。
13、具体的，所述归一化采用z-score算法，其表达式如下：
14、
15、其中，x表示原始数据，xn表示归一化后的数据，μ表示数据集的平均值，σ表示数据集的标准差，由于在不出现故障时abc三相电流的数值分布较均匀，此处采用z-score对输入特征进行归一化，以提高算法收敛速度。
16、具体的，所述预测模块包括输入层，隐藏层，输出层以及拼接在隐藏层输出端的k近邻算法输出值。
17、具体的，在训练时，采用交叉熵损失函数对bp-knn混合神经网络进行性能度量和采用梯度下降方法对bp-knn混合神经网络进行权重反向更新。
18、具体的，所述交叉熵损失函数的表达如下：
19、
20、其中，m表示故障的类型数量，yij为符号函数，即当电流数据i的真实故障类型为j时取1，否则为0，表示观测电流数据i属于故障类型j时单独knn的预测概率以及表示bp-knn混合神经网络的预测概率，α表示单独knn权重系数，β表示结合方法损失的权重系数。
21、为了实现本专利技术的第二个目的，提供了一种故障诊断装置，包括包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中采用上述的道路照明配电系统的故障诊断方法；
22、所述计算机处理器执行所述计算机程序时实现以下步骤：
23、将当前道路照明配电系统的a、b、c三相电流数据输入至配电系统故障诊断模型，以获得当前道路照明配电系统存在的故障类型和发生的时间段。
24、与现有技术相比，本专利技术的有益效果：
25、基于配电系统三相电流数据在同一时刻的日强周期性，采用时间序列拆分和特征扩展等方法提取时间序列中的依赖关系，并结合bp-knn混合神经网络进行故障诊断判断，提高了配电系统故障诊断算法本文档来自技高网...
【技术保护点】
1.一种道路照明配电系统的故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的道路照明配电系统的故障诊断方法，其特征在于，所述故障类型包括无故障，ABC相单独短路，ABC相组合短路，ABC相单独外接电源，ABC相组合外接电源，ABC相单独线路改接，ABC相组合线路改接，ABC相单独断路，ABC相组合断路以及ABC相组合断路。
3.根据权利要求1所述的道路照明配电系统的故障诊断方法，其特征在于，所述基于时刻点-故障的数据集通过将不同日期但同一时段的历史电流数据以日期顺序依次拼接进行构建。
4.根据权利要求1所述的道路照明配电系统的故障诊断方法，其特征在于，构建基于时刻点-故障的数据集时还包括特征扩展和归一化。
5.根据权利要求1或4所述的道路照明配电系统的故障诊断方法，其特征在于，所述特征扩展针对每个时段A、B、C三相电流数据进行时间上的一阶求导和二阶求导，以扩充对应的电流数据特征。
6.根据权利要求4所述的道路照明配电系统的故障诊断方法，其特征在于，所述归一化采用Z-score算法，其表达式如下：
<...【技术特征摘要】
1.一种道路照明配电系统的故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的道路照明配电系统的故障诊断方法，其特征在于，所述故障类型包括无故障，abc相单独短路，abc相组合短路，abc相单独外接电源，abc相组合外接电源，abc相单独线路改接，abc相组合线路改接，abc相单独断路，abc相组合断路以及abc相组合断路。
3.根据权利要求1所述的道路照明配电系统的故障诊断方法，其特征在于，所述基于时刻点-故障的数据集通过将不同日期但同一时段的历史电流数据以日期顺序依次拼接进行构建。
4.根据权利要求1所述的道路照明配电系统的故障诊断方法，其特征在于，构建基于时刻点-故障的数据集时还包括特征扩展和归一化。
5.根据权利要求1或4所述的道路照明配电系统的故障诊断方法，其特征在于，所述特征扩展针对每个时段a、b、c三相电流数据进行时间上的一阶求导和二阶求导，以扩充对应的电流数据特...
【专利技术属性】
技术研发人员：陈英飞，张震鹏，徐芬，何飞，王娟娟，
申请(专利权)人：杭州瑞琦信息技术有限公司，
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。