[发明专利]基于深度置信网络的配电网故障识别方法

说明书

本发明涉及一种基于深度置信网络的配电网故障识别方法，包括以下步骤：步骤S1:采集故障工况下主变低压母线三相电压、零序电压、主变低压侧三相电流的信号波形数据；步骤S2：分别对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行预处理，得到预处理后的波形数据；步骤S3:构建4个深度置信网络模型，对每个受限波尔兹曼机进行无监督训练,并利用误差反向传播原则微调所有层的参数，得到已训练的深度置信网络模型；步骤S4:将预处理后的波形数据输入至4个已训练的深度置信网络模型；并根据4个已训练的深度置信网络模型输出结果进行组合，并与预先设定的故障类型标签进行对照，完成配电网的故障识别。

技术领域

本发明涉及配电网领域，具体涉一种基于深度置信网络的配电网故障识别方法。

背景技术

配电网一旦发生故障，就会造成社会生产的巨大损失，给人们的生活带来极大的不便。但配电网发生故障在所难免，据统计，80％以上的故障起因于配电网。配电网故障类型种类繁多，主要有瞬时性故障和永久性故障，瞬间性故障均可利用重合闸实现故障的消除，从而恢复线路供电；但永久性故障不能自动恢复，其故障诊断策略一般是：检测出故障发生后，对故障类型进行识别，然后对故障区段进行快速准确的定位，选出故障线路，以人工维修的方式恢复。其中故障定位方法需根据不同的故障类型进行选择，寻找一种高效可靠的故障分类方法对准确的故障定位，快速修复故障线路，维持配电网安全运行以及提高供电可靠性具有重要的意义。

目前，故障分类方法的基本步骤是：获取故障暂态电气量并进行信号分解，结合数学方法进行特征提取、选择，并选择合适的模式识别方法进行故障分类。但基于此步骤的方法，所涉及的信号分解、提取特征量及模式识别方法，故障特征量都需要人工提取，易受人为因素干扰且需耗费大量时间，增加了结果的不确定性。深度置信网络可从原始输入数据中自动提取分类所需关键特征量，无需人工预先构造，更具智能性且适应性更强，在电力系统分类识别问题中有良好的应用前景。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度置信网络的配电网故障识别方法，以克服现有技术需要人工提取数据，易受人为因素干扰且需耗费大量时间，增加了结果的不确定性的问题。

为实现上述目的，本发明采用如下技术方案：

一种基于深度置信网络的配电网故障识别方法，包括以下步骤：

步骤S1:采集故障工况下主变低压母线三相电压、零序电压、主变低压侧三相电流的信号波形数据；

步骤S2：分别对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行预处理，得到预处理后的波形数据；

步骤S3:构建4个深度置信网络模型，对每个受限波尔兹曼机进行无监督训练,并利用误差反向传播原则微调所有层的参数，得到已训练的深度置信网络模型；

步骤S4:将预处理后的波形数据输入至4个已训练的深度置信网络模型；并根据4个已训练的深度置信网络模型输出结果进行组合，并与预先设定的故障类型标签进行对照，完成配电网的故障识别。

进一步的，所述步骤S1具体为：

步骤S11:建立一辐射式中压配电网模型；

步骤S12:根据辐射式中压配电网模型获取故障工况发生前后各1个工频周波的三相电压、零序电压、三相电流信号波形。

进一步的，所述步骤S2分别对对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行min-max标准化处理；

min-max标准化是对原始数据的线性变换，使结果值映射到[0，1]之间，转换函数如下：

进一步的，所述深度置信网络采用4层结构模型，模型由2个RBM和一个神经网络构成。