[发明专利]配电网故障诊断方法、装置、设备及可读存储介质

说明书

本发明提供一种配电网故障诊断方法、装置、设备及可读存储介质。该方法包括：构建基础诊断网络，基础诊断网络包括卷积层、池化层、全连接层、激活函数、神经网络超参数以及softmax层；在基础诊断网络中增加残差结构模块、批标准化层、ShuffleNet模块以及注意力模块得到待训练诊断网络；对故障录波器收集到的故障电流信息进行预处理得到样本数据集；通过样本数据集对待训练诊断网络进行训练，得到配电网故障诊断网络，训练过程中，将FocalLoss作为目标函数进行监督训练；基于所述配电网故障诊断网络进行配电网故障诊断。通过本发明，既降低了计算量也提高了诊断精确度。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种配电网故障诊断方法、装置、设备及可读存储介质。

背景技术

作为电力输送的最后阶段，配电网由多个分支组成并将电能输送到最终的消耗点。这些分支分散在广大农村和城市，容易受到不同来源引发的不同类型的故障的影响，例如恶劣的天气条件、植被生长和设备故障等，数据表明有80％的客户用电中断是由配电网故障引起的。电力中断的持续时间是电力公司最重要的可靠性指标之一，因此快速有效地诊断故障从而最大程度地减少停机时间是非常重要的。配电网的不均匀性，结构的不平衡、电路分支阻碍了输电网的故障诊断方法在配电网上的直接应用。

近年来，不同的故障诊断技术被探索和提出用来解决这些挑战，主要有专家系统、人工神经网络、解析模型等。专家系统利用专家的经验知识和相关的理论知识，建立规则库与电网故障进行逻辑匹配去诊断故障，符合人类的思维和认知过程，具有较强的推理和解释能力。但同时，专家系统需要实时地更新规则库，维护较为困难。人工神经网络可以通过样本训练，实现对网络参数的自动学习和调整，输入故障信息，输出所诊断的故障类型。但是这种方法需要大量样本数据训练网络，可实际很难得到大量完整的故障样本数据，并且当电网结构发生变化时，需要对网络重新进行训练学习。

Petri网采用加权有向图和矩阵运算对配电网故障进行诊断，用数学方法推导和分析电网元件、保护和断路器之间的逻辑关系。然而，现有的Petri网模型需要采用离线建模和在线调用的模式对全部故障元件单独建模，这种模式并不适合于全部网络。解析模型是基于保护故障假说和系统中断路器的预期状态建立的数学模型，将故障诊断问题转化为整数规划求解。但是传统的解析模型易造成多解和误解，在大型复杂系统中，很难对系统的机理进行分析和建模，变量维度增加，使得求解也愈发困难。

以上目前主流的配电网诊断方法大多通过人工进行特征提取，具有一定的主观性，只能表达故障信号的指定特征，而且由于配电网的不均匀性、结构的不平衡、电路分支，使得这些方法不便于移植到其他数据集上直接使用。

发明内容

为解决上述技术问题，本发明提供一种配电网故障诊断方法、装置、设备及可读存储介质。

第一方面，本发明提供一种配电网故障诊断方法，所述配电网故障诊断方法包括：

构建基础诊断网络，基础诊断网络包括卷积层、池化层、全连接层、激活函数、神经网络超参数以及softmax层；

在基础诊断网络中增加残差结构模块、批标准化层、ShuffleNet模块以及注意力模块得到待训练诊断网络；

对故障录波器收集到的故障电流信息进行预处理得到样本数据集；

通过样本数据集对待训练诊断网络进行训练，得到配电网故障诊断网络，训练过程中，将Focal Loss作为目标函数进行监督训练；

基于所述配电网故障诊断网络进行配电网故障诊断。

可选的，所述对故障录波器收集到的故障电流信息进行预处理得到样本数据集的步骤包括：

将故障录波器收集到的故障电流信息导入MATLAB软件中，使用max函数及for循环得到样本数据集，其中，一故障电流信息表示如下：