[发明专利]一种样本不均衡下的单向接地故障馈线识别方法

说明书

本发明提供一种样本不均衡下的单相接地故障馈线识别方法，针对配电网单相接地故障数据缺乏和不均衡问题，能够为数据驱动模型提供足量且均衡的训练数据资料，从而进行更为准确的单相接地故障馈线识别工作。利用条件式生成对抗网络半监督学习特性，通过生成器与判别器的博弈对抗训练，生成器生成数据分布特征与真实数据分布特征一致的单相接地故障样本，实现故障馈线波形数据与健全馈线波形数据平衡，增加训练集样本基础数量，进而提高数据驱动的故障馈线识别方法的识别准确率。

技术领域

本发明涉及一种样本不均衡下的单向接地故障馈线识别方法，针对配电网单相接地故障数据缺乏和不均衡的问题，属于配电网接地故障综合处理技术领域。

背景技术

配电网作为电力系统中最靠近用户终端的系统网络，在电力系统中起到至关重要的作用。随着电缆馈线逐渐增多，线路对地电容电流不断增大，系统易发生接地故障。由于雷电、鸟害、树木生长、设备故障等原因，配电网故障频频发生，其中，单相接地故障占总故障的80％左右。当配电网发生单相接地故障时，由于消弧线圈的投入使用削弱了故障电流特性，这增加了故障馈线检测的难度，若不能及时检测出故障馈线并将故障排除，可能会造成严重的经济损失，甚至产生人身伤亡等事故，因此，快速识别单相接地故障馈线对于配电网故障清除和供电恢复十分重要。

随着数据驱动技术在配电网单相接地故障选线中得到了广泛应用，申请号为CN201710419091.6的专利公开了一种基于配电网数据处理的单相接地故障定位方法，具体公开了通过配电终端、故障指示器、智能电表等设备获取配电网海量实时数据，建立基于Storm集群的配电网实时流数据分析平台，设计融合多种单相接地故障定位技术的流数据处理拓扑结构，根据不同单相接地故障定位技术的判据输出并存储结果，上述专利公开的技术方案能够解决配电网单相接地故障定位的问题，能够适应不同接地系统、不同类型接地故障的定位。然而，像上述方案利用数据驱动技术在故障馈线检测领域中，由于现场单相接地故障案例难以获取，加之故障馈线的样本远少于健全馈线的样本，数据样本类间不均衡现象明显。假设配电网具有N条馈线，当某条馈线发生单相接地故障时，故障馈线波形数量与健全馈线波形数量之比为1：N-1，故障馈线波形数据远远少于健全馈线波形数据。绝大多数用于配电网单相接地故障馈线识别的数据集存在着严重的样本类别不均衡问题，而使用样本非均衡数据集训练数据驱动识别模型时，会导致网络倾向于学习多数类样本特征，而对少数类样本的识别能力较弱，识别准确度较低，即数据驱动识别模型在识别输入馈线波形时倾向于简单的将样本判别为健全馈线，而不能正确识别出故障馈线，导致接地点故障情况进一步恶化。因此，现有的数据驱动故障选线方法在非平衡小样本场景下存在训练过拟合、现场应用效果不理想等问题，从而难以保障配电网供电的高可靠性。

发明内容

为了解决上述现有技术存在的问题，本发明提供了一种样本不均衡下基于条件式生成对抗网络的单相接地故障馈线识别方法，能够为数据驱动模型提供足量且均衡的训练数据资料，从而进行更为准确的单相接地故障馈线识别工作。

本发明的技术方案如下：

本发明提供一种样本不均衡下的单相接地故障馈线识别方法，其特征在于，具体包括如下步骤：

S1、现场单相接地故障案例筛选，采集出现故障的主站各馈线首段首半波零序电流信号，将故障信息缺失、噪声分量过高的零序电流数据挑选出来，构建原始数据库；

S2、将时序信号进行图像化，将原始数据库中的时序信号变换为时频谱灰度图，构建待增强样本训练集；

S3、构建基于条件式生成对抗网络CGAN模型；所述条件式生成对抗网络CGAN模型由生成器模型和判别器模型组成；

S4、将经过步骤S2获取的待增强样本训练集输入CGAN模型进行模型训练，通过生成器与判别器的循环博弈训练，获得训练好的CGAN模型，保存模型；