[发明专利]一种基于深度卷积神经网络的配电网故障定位方法

说明书

本发明公开了一种基于深度卷积神经网络的配电网故障定位方法，所述配电网故障定位方法包括：对各配电网监测终端的录波数据根据广域对时技术截取出波形的公共时间区段，并对所截取的公共时间区段波形进行预处理得到有效区域数据；随后对有效区域数据进行拼接处理。构建包含卷积层区域和全连接区域的深度卷积神经网络框架，所述卷积层区域包含卷积块。利用故障定位分类数据集对深度卷积神经网络模型进行超参数机器训练以获得最优深度卷积神经网络故障定位器模型。将各配电网监测终端的拼接后的有效区域数据输入最优深度卷积神经网络故障定位器模型以获得各配电网监测终端相对于故障点的相对位置。

技术领域

本发明涉及电力技术领域，尤其涉及一种基于深度卷积神经网络的配电网故障定位方法。

背景技术

配电网是电力系统中的重要组成部分，随着智能电网的快速发展，分布式电源的大量的不确定接入，使得配电网故障信息越发复杂，故障的准确快速分析变得越发困难。为保障配电网高度智能化运行，需要对馈线运行数据进行实时监控、异常情况及时预警及故障快速定位及处理。因此配电网络通常会加装线路故障指示器和馈线终端等装置，利用这些装置对配电网运行情况进行录波。目前现有技术中，针对故障定位的方法方一般均需要人工提取录波特征，再利用特征进行接地故障的识别及定位。如CN103728532中公开了利用配电自动化馈线终端采集零序电压3U0和零序电流3I0，对3U0和3I0进行一系列处理并提取特征，然后利用人工经验设定的故障判定规则结合多个配电自动化馈线终端来定位故障区段。CN104101812公开了一种小电流接地配电网的故障检测定位方法与系统，系统主站从配电网络多个点的录波中提取零序电压和零序电流的暂态信号，计算作为特征值和各个位置波形的相似性，根据单点特征值及相关性特征值判断故障疑似区域。由此可见现有技术的各种故障定位方法仍然是将波形特征提取与故障定位判断分为两个步骤，即配电网中的终端设备获取的配电网拓扑中的多位置原始波形，需先采取人工提取特征，再用特征进行故障定位，这种故障定位判断过程没有形成直接反馈的非端对端方案，因此故障定位识别的准确率无法持续提高。另一方面，现有技术中将故障工况细分为短路、接地、小电阻接地等故障类型，而后再对每一故障类型进行单独的故障定位判断，从而造成了功能冗余，没有利用到不同故障类型之间的共性辅助提高故障定位判定的准确性。

发明内容

本发明所要解决的技术问题之一是利用深度卷积神经网络实现配电网故障定位判定端对端输出，即原始录波数据经简单处理，直接输入深度卷积神经网络得到故障定位信息。

另一方面，本发明在训练深度卷积网络模型时，使用的训练数据集覆盖所有故障类型，因此实现了利用单一模型完成全部故障类型的故障定位，更易于提取监测点与故障点之间的相对位置关系共性。

为了解决上述技术问题，本发明提供了一种基于深度卷积神经网络的配电网故障定位方法，所述配电网故障定位方法包括：

对各配电网监测终端的录波数据根据广域对时技术截取出波形的公共时间区段，并对所截取的波形进行预处理得到有效区域数据；随后对有效区域数据进行拼接处理。

构建包含卷积层区域和全连接区域的深度卷积神经网络框架，所述卷积层区域包含卷积块；

使用超参数生成器生成多个深度卷积神经网络模型，利用故障定位分类数据集对所述多个深度卷积神经网络模型进行超参数机器训练以获得最优深度卷积神经网络故障定位器模型；

将各配电网监测终端的拼接后的有效区域数据输入最优深度卷积神经网络故障定位器模型以获得各配电网监测终端相对于故障点的相对位置。

在一个实施例中，所述波形预处理包括使用二次差分法、滑动窗口傅里叶变换法或小波变换法对波形进行处理。

在一个实施例中，所述卷积块的结构可以为双层卷积层叠加结构，或者为多通道的且每一通道由双层卷积层叠加的结构构成，或者为多通道的且每一通道包含1至3层卷积层的结构构成。