[发明专利]一种配电网高阻接地故障人工智能识别方法

说明书

本发明涉及一种配电网高阻接地故障人工智能识别方法。采集高阻接地故障、非故障零序电流信号，将高阻接地故障样本划分为训练集与测试集；分别对训练集样本与测试集样本进行间隔采样，获得待增强训练集与未增强测试集；搭建生成对抗网络GAN模型；使用待增强训练集与随机噪声向量训练生成对抗网络，经过循环对抗训练后生成器与判别器达到二者纳什均衡状态，保存模型参数；利用训练好的生成对抗网络定向生成属于少数类的高阻接地故障样本以扩充训练集；搭建深度卷积神经网络CNN故障识别模型；利用增强后的平衡训练集训练深度卷积神经网络模型，并使用未增强测试集进行测试。本发明能够实现在非均衡场景下对配电网高阻接地故障的准确识别。

技术领域

本发明涉及一种配电网高阻接地故障人工智能识别方法。

背景技术

配电网作为电力系统的终端环节，其供电可靠性直接影响着生产生活用电。随着配电网规模的不断增大，结构日趋复杂，配电线路发生单相高阻接地故障的次数与日俱增。高阻接地故障是指配电线路经由树枝、沙土、水泥等非理想导体接地，其故障电流微弱，故障特征受接地介质的影响具有随机性，因此传统的零序过电流保护装置难以进行有效识别。但如若不及时识别故障，切除故障线路，微弱的故障电流长时间存在将使得故障点温度升高，破坏设备的绝缘，造成电气设备的损坏，甚至引发更为严重的安全事故，例如山林火灾、人身触电等事故。因此，实现高阻接地故障的可靠识别对配电网的稳定运行及保障社会公共安全具有重大意义。

近年来，数据驱动方法被广泛应用于高阻接地故障识别领域。数据驱动识别方法能够有效应用于现场的前提是拥有数量充足且类别分布平衡的训练样本。然而，配电网高阻接地故障的现场实验成本高昂，多次实验甚至可能造成设备的绝缘损伤，降低配电网的供电稳定性。同时，与电容器投切、负荷投切等正常工况相比，高阻接地故障发生机率属于小概率事件，使得故障样本数量远低于非故障样本数量，导致训练集存在严重的样本类别非均衡问题。使用样本类别非均衡数据集训练数据驱动识别模型，将导致模型更加关注多数类样本特征，倾向于简单的将所有样本划分为多数类，而无法真正学习到如何区分故障与非故障样本特征，进而导致数据驱动的故障识别方法存在容易过拟合、模型泛化能力低、现场应用识别准确率低等问题，难以满足配电网的高可靠性供电要求。

针对实际高阻接地故障检测存在的数据集失衡问题，目前的主流解决思路是通过重新调整训练集的正负样本比例分布来降低或消除不平衡性，即对原始数据集进行欠采样或过采样操作。欠采样算法通过随机舍弃部分多数类样本，实现不同类别样本的数量平衡，但这可能导致潜在的有用信息丢失，降低数据驱动模型对故障特征的挖掘能力。相对应的，过采样算法则是通过增加少数类样本的数量实现数据集的类别平衡。其中，传统的随机过采样算法随机抽取部分少数类样本进行复制，虽然这种数据扩充方式能够降低正负样本的不平衡比例，但是并没有增加样本的多样性，可能导致数据驱动模型训练过拟合。在随机过采样算法的基础上，衍生出了经典的合成少数类过采样技术(synthetic minorityoversampling technique,SMOTE)。与随机过采样不同，SMOTE算法通过对部分少数类样本进行插值计算合成全新的样本。但是，该方法产生新样本的过程只考虑到了少数类的部分子集，并未兼顾数据的整体分布特性，对于模型的训练仍旧存在过拟合风险。

为提高数据驱动方法在非平衡场景下的识别准确率，本发明提出一种配电网高阻接地故障人工智能识别方法。生成对抗网络无需任何先验知识，基于零和博弈思想学习数据间的潜在特征分布规律并生成新的合成样本，能够克服传统过采样算法未考虑数据整体分布信息的缺陷。通过生成器和判别器的循环对抗训练，仅使用少量的现场数据样本就能够生成充足且可靠的高阻接地故障样本，而无需耗费大量的金钱和时间成本去筛选数据和标记数据。将生成的高质量故障样本用于扩充原始训练集，提升少数类样本数量，彻底解决训练集存在的类别非均衡问题。使用足量且均衡的训练数据样本训练数据驱动模型，提升模型对于数据深层特征的挖掘能力，提高模型在非平衡场景下对高阻接地故障的识别准确率。

发明内容