[发明专利]一种配网故障类型识别方法及系统

权利要求书

1.一种配网故障类型识别方法，其特征在于：包括，

利用LSTM结构建立深度网络模型辨识故障零序电流中的电弧特征以区分可靠接地故障与不可靠接地故障；

将所述可靠接地故障与所述不可靠接地故障作为分类目标、故障电阻有效值序列作为输入量，基于接地电阻稳态有效值构建神经网络分类模型；

利用所述神经网络分类模型识别接地故障类型。

2.根据权利要求1所述的配网故障类型识别方法，其特征在于：建立所述深度网络模型之前需采集各类型接地故障数据波形，构建样本数据集；

利用所述样本数据集分别对所述深度网络模型和所述神经网络分类模型进行训练；

直至所述深度网络模型和所述神经网络分类模型输出识别分类结果时，停止训练。

3.根据权利要求1或2所述的配网故障类型识别方法，其特征在于：构建所述深度网络模型包括，

定义所述LSTM的时间步长为10，则输入层特征规模为40；

利用所述LSTM网络与Softmax网络层组成分类输出层，输出数量为2；

所述输入层与所述分类输出层构成所述深度网络模型，且结合adam优化策略求解以二分类对数损失函数为目标的所述深度网络模型，如下，

其中，y_i：输入实例x_i的真实类别，p_i：分类器对输入实例x_i的输出类别为正的概率，N：故障样本数量。

4.根据权利要求3所述的配网故障类型识别方法，其特征在于：还包括，

定义保持的所述概率为0.8、网络训练的学习速度为0.001；

定义所述样本数据集的对数损失为每个样本对数损失的平均值，所述分类器的对数损失为0；

调整所述时间步长为20，将输入的所述样本数据集重构为400×20×20的张量并与所述LSTM结构的输入层相对应。

5.根据权利要求4所述的配网故障类型识别方法，其特征在于：训练所述深度网络模型包括，

将截取故障稳态期间的单位周波零序电流作为单个样本数据；

采集故障波形并对其进行标签分类，分别定义为所述可靠接地故障与所述不可靠接地故障；

随机选取所述样本数据集中的500组作为训练集，200组作为验证集；

利用所述训练集对所述深度网络模型进行损失优化计算，直至输入实例的输出类别为正的概率大于0.8时结束训练；

利用所述验证集验证所述深度网络模型的分类准确率，定义所述准确率为每一个随机样本所预测的结果与其实际类型相同的概率，如下，

其中，N_pos：正类样本被准确分类的数量，N_neg：负类样本被准确分类的数量。

6.根据权利要求5所述的配网故障类型识别方法，其特征在于：构建所述神经网络分类模型包括，

分别以输入层400、100、80、40、12和Num_class建立六层网络分类的并网络；

定义在所述可靠接地故障中Num_class＝5，在所述不可靠接地故障中Num_class＝3；

利用所述adam优化策略构建以损失函数为多分类对数损失函数目标函数的所述神经网络分类模型，如下，

其中，N：样本输入数量，M：待分类的类别数量，y_ij：对输入x_i是否分类准确(即j是否为x_i的真实类别)，p_ij：网络分类器(所述神经网络分类模型)对输入x_i的输出(即属于类别j的概率值)。