[发明专利]一种基于小波和深度学习的配电网单相接地故障识别方法

说明书

本发明公开了一种基于小波和深度学习的配电网单相接地故障识别方法，利用大量不同类型的单相接地故障波形数据进行离散型小波变换，并将小波变换后得到的熵值作为故障特征值，将不同的特征值进行组合作为学习样本。之后搭建深度学习网络，将学习样本输入到深度学习网络进行学习。训练完成的深度学习模型对选定母线下选定时段的工况数据进行故障识别，确定是否发生故障；利用预先训练完成的决策树对确定发生故障的工况数据进行多工况类型辨别。本发明辅助调度人员对配电网单相接地进行快速定位，形成可操作结果，为提高调度人员故障处理效率、保障配电网运行稳定性提供基础。

技术领域

本发明属于配电网线路故障识别技术领域，更具体地，涉及基于小波算法和深度学习的神经网络结合的配电网单相接地故障识别研究方法。

背景技术

我国中压配电网广泛采用中性点非有效接地运行方式，主要包括中性点不接地方式和经消弧线圈接地方式。相对于高压输电网络，中压配电网发生故障的概率要高很多，尤其是单相接地故障多发，统计表明单相接地故障约占配电网故障总数的80％。中性点非有效接地运行方式的配电网发生单相接地故障时，不会形成短路回路，仅由系统的分布电容引起很小的接地故障电流，故又被称为小电流接地故障。由于系统三相之间的线电压基本保持不变，对负荷供电不会造成影响，理论上系统可以带故障运行一段时间。但由于接地时非故障相对地电压升高，特别是间歇性弧光接地故障时，会产生弧光过电压，严重危害系统绝缘和设备安全。同时，过电压可能导致接地故障转化为相间短路故障，使线路跳闸，造成用户停电。因此一种行之有效的单相接地故障确定方法就成为解决现有问题的重要手段。

发明内容

本发明旨在研究确定配电网发生单相接地时的故障类型问题，提供一种基于小波变换和深度学习结合的单相接地故障研判方法。

为了实现上述目标，本发明采用如下技术方案：一种基于小波变换和深度学习神经网络结合的判方法，包括：搭建金属性接地、高阻接地、过度电阻接地、间隔均匀电弧接地和间隔不均匀电弧接地配网故障模型，等间隔设置不同的故障初相角、故障位置以及不同的过度电阻；获得大量的故障波形数据。进一步地，采用二进制离散小波变换处理信号，对故障数据进行处理，提取故障特征对故障特征进行组合处理。

故障特征的具体组合方式为：小波频带能量和能量熵,小波频熵和熵权，小波包频带能量和能量熵,小波包频熵和熵权。不同的故障类型经小波变换后具有不同熵值。

进一步地，搭建深度学习模型，所述深度模型如图1所示，所示深度学习模型地训练方法如下：利用训练集数据对深度学习模型进行预训练,获取深度学习模型中卷积层和全连接层的参数；设定网络最大迭代次数、训练误差阈值、学习因子。基于以上设定,对深度网络进行训练,采取每次更新权值都只计算一个样本的方法，反复迭代。

进一步地，还包括对深度学习模型的结果进行验证的步骤，具体包括：

引入故障识别率作为识别评价指标，其计算方法如下：

Fault＝(C/T)*100％

式中：T为输入的已知故障测试样本集合；C为集合中被正确识别的样本个数；判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如以上技术方案所提供的基于小波和深度学习的单相接地故障判别方法的步骤。

本发明与现有产品相比的有益效果主要表现在以下方面：发明公开了一种基于小波和深度学习的单相接地故障识别方法，采用小波变换对故障电压、电流进行处理得到特征值。再利用深度学习的故障识别方法对故障特征值进行识别。本发明辅助调度人员对配电网单相接地故障可以精准识别，以形成可操作结果，提高调度人员故障处理效率，保障配电网运行稳定性。

附图说明