[发明专利]一种配电网单相接地故障选线方法及系统

说明书

本发明公开了一种配电网单相接地故障选线方法及系统，其中，方法包括以下步骤：获取各馈线的故障零序电流；对所述故障零序电流做连续小波变换，得到小波变换矩阵；将所述小波变换矩阵转换为颜色图像；根据预先训练好的残差网络模型和所述颜色图像进行故障馈线识别。本发明的目的在于提供一种配电网单相接地故障选线方法及系统，通过将RGB图像转换成可以代表不同典型特征的颜色图像，以此来区分相似线路的故障数据，从而准确的识别出具体故障线路。

技术领域

本发明涉及配电网技术领域，尤其涉及一种配电网单相接地故障选线方法及系统。

背景技术

我国在6-66KV的配电网主要采用了小电流接地的方式，又称为中性点非有效接地系统，主要包括中性点经高阻接地系统、中性点经消弧线圈接地系统、中性点不接地系统。

采用小电流接地方式的配电网发生单相接地故障时可带故障运行1-2小时，能够显著提高供电可靠性，但是非接地相对低电压升高倍，对配电绝缘的地方造成一定的影响，严重的可能会引发大规模的停电。对于小电流接地的配电网，单相接地故障是很频繁的，影响单相接地故障的原因也是多种多样的。例如，设备故障、树木原因、天气原因、动物因素、冰冻因素以及人为因素等，这对故障的选线带来了极大的不确定性，降低了供电系统运行的可靠性。

近几年来，以数据作为驱动解决故障类型辨识的方法被认为是现阶段最具有潜力的方法。随着科技的发展，电力系统自动化程度也越来越高，电力计量装置和电信息采集装置系统不断完善，为机器学习应用到电力系统故障诊断提供了数据基础。深度学习作为机器学习的分支，使自身的模型网络能够学习并得到分类任务中最具代表性的特征。目前很多研究表明，深度学习的方法通过大量的训练样本，可以对故障特征较弱的复杂系统进行特征提取，实现故障的分类。

而现目前进行配电网单相接地故障选线的主要方法是将故障零序电流转换成RGB图像，用RGB图像作为深度学习网络的输入来进行故障线路的预测，这种预测方法忽略了在配电网多出线的模型里，相似线路故障数据相差不大，导致生成的RGB图像的着色相似，从而使得深度网络的识别精度不高，因此不能准确的识别出具体故障线路。

发明内容

本发明的目的在于提供一种配电网单相接地故障选线方法及系统，通过将RGB图像转换成可以代表不同典型特征的颜色图像，以此来区分相似线路的故障数据，从而准确的识别出具体故障线路。

本发明通过下述技术方案实现：

在本申请的第一个方面中，提出了一种配电网单相接地故障选线方法，包括以下步骤：

S1：获取各馈线的故障零序电流；

S2：对所述故障零序电流做连续小波变换，得到小波变换矩阵；

S3：将所述小波变换矩阵转换为颜色图像；

S4：根据预先训练好的残差网络模型和所述颜色图像进行故障馈线识别。

优选地，所述S3包括以下子步骤：

S31：从所述小波变换矩阵中任意抽取三列数据构建三维数组；

S32：将所述三维数组投影到W2C矩阵中以构建十维数组；

S32：计算所述十维数组的协方差矩阵、所述协方差矩阵的特征值以及所述特征值所对应的特征向量；

S33：选择前四个所述特征值所对应的特征向量构建转换矩阵；

S34：对所述转换矩阵进行矩阵重塑，得到所述颜色图像。

优选地，所述残差网络模型为ResNet-50。

优选地，所述残差网络模型的卷积层输出特征为：