[发明专利]主动配电系统故障诊断方法、系统、设备及存储介质

说明书

本发明公开了一种主动配电系统故障诊断方法与系统，由录波数据、仿真数据以及对应的负序、零序电流分量经过拼接、分类整理、标注以及归一化处理得到数据集；利用时序卷积核替代传统残差网络的图像卷积核构建基于时序卷积的残差网络模型，再采用数据集对残差网络模型进行训练得到训练后的残差网络模型，最后利用训练后的残差网络模型进行故障类型、故障线路以及故障位置判别；基于时序卷积的残差网络模型提升了特征通道横向感受野，最大程度地保留了各特征通道相关性、避免了特征信息损失，使主动配电系统故障数据中抽象、复杂特征得以被挖掘。

技术领域

本发明属于配电系统故障诊断技术领域，尤其涉及一种基于时序卷积残差网络的主动配电系统故障诊断方法、系统、设备及存储介质。

背景技术

配电系统直接面向负荷、实现电能分配，是电力系统的核心环节。为促进可再生能源消纳，推动能源结构转型，分布式电源(distributed generator，DG)大量接入输配电终端形成主动配电系统(active distribution system,ADS)，其可实现系统全方位的可观、可控，并将成为未来应对DG并网、实现双碳目标的重要技术措施。高比例的DG接入与传统配电网相比，网络结构逐步由单源辐射型向多源辐射型转变，且逆变类电源由于限流控制导致故障电流幅值与正常工况差异较小，将极大影响ADS的诊断可靠性与灵敏性。及时准确地进行故障诊断有助于ADS降低故障恢复决策难度，指导故障检修操作顺序，进而提升本地负荷用电可靠性，增强系统运行安全性。

配电系统故障诊断方案从原理上主要分为故障特征分析法、人工智能算法两大类。其中，故障特征分析法物理意义明确、可解释性强，但需专家经验、建模困难，诊断方案复杂度高；而人工智能算法无需复杂公式推导、依据数据学习建立诊断模型，虽可解释性差，但模型构建相对简单、预测结果精度高，近年来得到广泛关注。此外，现有故障诊断方案功能较为单一、配置不完备、智能化较低，无法同时自动化实现故障选型、故障选线及故障定位功能，且方案针对于传统配电系统，应用于ADS时选择性、灵敏性、可靠性难以保证，亟需构建配置完整、精度高、适应性强的ADS故障诊断方案。

发明内容

本发明的目的在于提供一种主动配电系统故障诊断方法、系统、设备及存储介质，以解决现有技术中无法同时自动实现故障选型、故障选线和故障定位功能，以及主动配网系统中故障选型、故障选线和故障定位功能识别精度低的问题。

本发明是通过如下的技术方案来解决上述技术问题的：一种主动配电系统故障诊断方法，包括以下步骤：

步骤1：获取不同场景下主动配电系统各配电分支测量点的原始电气量录波数据样本，和/或采用时域仿真法模拟主动配电系统的不同场景，获取仿真数据样本；

步骤2：根据所述录波数据样本和仿真数据样本计算各配电分支的负序、零序电流分量；

步骤3：将同一场景下的所述录波数据样本和/或仿真数据样本与对应的所述负序、零序电流分量进行拼接，得到一系列不同运行、异常、故障场景下的初始特征矩阵样本；

步骤4：根据故障类型、故障线路以及故障位置对所述初始特征矩阵样本进行分类整理和标注，得到带标注的故障类型、故障线路以及故障位置原始数据集；

步骤5：对所述故障类型、故障线路以及故障位置原始数据集进行归一化处理，得到故障类型、故障线路以及故障位置标准数据集；

步骤6：构建基于时序卷积的残差网络模型，采用所述故障类型、故障线路以及故障位置标准数据集对所述残差网络模型进行训练，得到训练后的残差网络模型；

步骤7：实时获取各配电分支测量点的电气量数据，并根据所述电气量数据计算负序、零序电流分量；

步骤8：对所述电气量数据以及负序、零序电流分量进行归一化处理后，采用所述步骤6中训练后的残差网络模型进行在线判别，得到故障类型、故障线路以及故障位置预测结果。