[发明专利]一种基于半监督生成对抗网络的故障选线方法

说明书

本发明公开了一种基于半监督生成对抗网络的故障选线方法，包括如下步骤：S1.样本的采集以及数据预处理；S2.基于半监督深层对抗网络的故障选线模型构建；S3.半监督生成对抗网络模型的训练；S4.基于半监督生成对抗网络的故障选线模型的在线运行。本发明的方法能够仅使用少量有标签数据以及无标签数据进行训练，提取单相接地故障特征，即可获得较高的故障选线精度，解决了传统数据驱动故障选线方法在仅有少量样本的情况下训练困难的问题。

技术领域

本发明属于电力系统技术领域，具体涉及一种基于半监督生成对抗网络的故障选线方法。

背景技术

在小电流接地系统中，单相接地故障是最常发生的故障，约占故障总数的80％。小电流接地系统发生单相接地故障时，故障点与线路不产生低阻抗的故障回路，因此故障线路没有明显区别于其他线路的故障特征，难以选出故障线路。

传统的故障选线方法根据使用的故障信号类型不同，可分为三类。它们分别为稳态法、暂态法和注入信号法。进一步地，由于上述方法所需的设备成本较高、易受干扰等问题，实践中难以达到令人满意的效果。因此有部分方法尝试使用数据驱动模型解决故障选线问题。例如，中国专利《一种小电流接地系统单相接地故障选线方法》(公开号CN109581137)和中国专利《一种基于LSTM的单相接地故障选线方法及系统》(申请号CN202110307110.2)等分别提出了使用深度信念网络和长短期记忆网络等数据驱动模型进行故障选线。这些方法虽然效果较好且训练稳定，能够从大量有标签故障样本中提取深层特征，在一定程度上提高了故障选线结果的可靠性。但是，数据驱动模型需要大量的有标签数据进行模型训练，该方法在仅有少量样本的情况下存在训练困难的问题，这导致许多无足量历史数据的变电站无法应用这些方法。

有标签样本不足的问题主要有两个方面的因素造成。第一是电力系统绝大多数时间都处于正常运行状态，故障的概率较小；第二是标签标记的成本较大，甚至是不可能的。因此，利用无标签样本中隐含的故障特征提升故障选线模型的精度是一条具有极大应用前景的技术路线。

生成对抗网络(Generative Adversarial Network,GAN)是由Goodfellow等人于2014年提出的一种基于非合作博弈理论的无监督生成式模型。自从被提出以来，该模型广泛应用于图片生成、数据增强等领域。半监督生成对抗网络(Semi-Supervised GenerativeAdversarial Networks,半监督生成对抗网络)是生成对抗网络的一种改进模型，它能够利用较少的有标签样本和无标签样本进行训练，最终获得性能达到先进水平的分类器，半监督生成对抗网络能够缓解小样本应用场景下深度学习算法训练困难等问题。

发明内容

本发明的目的在于针对现有技术中的上述问题，提供一种基于半监督生成对抗网络的故障选线方法，该方法能够仅使用少量有标签数据以及无标签数据进行训练，提取单相接地故障特征，即可获得较高的故障选线精度，能够解决传统数据驱动故障选线方法在仅有少量样本的情况下训练困难的问题。

为实现上述发明目的，本发明采用了如下技术方案：

一种基于半监督生成对抗网络的故障选线方法，包括如下步骤：

S1.样本的采集以及数据预处理：

采集和存储从变电站上传到调度系统的历史数据，从中提取出故障选线相关的电气参数并生成样本；

所述样本分为有标签样本和无标签样本，样本中包含了各线路的电气参数，所述电气参数包括三相电流、有功功率、无功功率和功率因数；

采用min-max归一化对所有样本的各电气参数分别进行处理，并将归一化处理后的数据输入半监督生成对抗网络；

S2.基于半监督深层对抗网络的故障选线模型构建：