CN108732465A - 一种基于小波变换和cnn的配电网故障定位方法 - Google Patents

Abstract

本发明涉及配电网故障定位技术领域，更具体地，涉及一种基于小波变换和CNN的配电网故障定位方法。利用小波变换多尺度分析对故障电流数据分解，在平行坐标系中按次序标定模极大值时刻，将各点依次连接形成折线图，最终处理为灰度图片作为CNN的输入，并利用CNN强大的特征提取能力，提取数据中隐藏的拓扑结构特征，实现机器自动识别行波波头。最终利用B型行波测距方法实现故障定位。本发明克服了小波变换高尺度时间分辨率不够，低尺度噪声干扰大，易误判行波波头的缺点，利用平行坐标系充分结合了小波变换和卷积神经网络的特点，实现了从高尺度到低尺度自动搜寻行波波头，具有抗干扰能力强，准确度高等特点。

Description

一种基于小波变换和CNN的配电网故障定位方法

技术领域

本发明涉及配电网故障定位技术领域，更具体地，涉及一种基于小波变换和CNN的配电网故障定位方法。

背景技术

配电网发生短路故障会危害系统的安全稳定运行，造成不必要的经济损失，快速准确的故障定位方法有利于故障排查，提高系统的运行可靠性。目前配电网故障定位从功能上主要分为故障区段定位和故障精确定位。故障区段定位主要是判断故障支路，不能完全满足故障的快速排查；故障精确定位方法目前主要是阻抗法和行波法，阻抗法受过渡电阻影响较大，定位不准确；而行波法不受过渡电阻、系统运行方式等因素的影响，是一种较为理想的定位方法，主要存在的难点是行波波头的捕捉。傅里叶变换无法同时表现信号的频域特征和时域特征，不适用于分析非平稳信号的时频局部化特性；小波变换很好的解决了这个问题，但其时域分辨率和频域分辨率负相关，信号高频部分，时间窗较大，时域分辨率高，频域分辨率低。故障行波信号和噪声都在高频段，这使得在高频段不易区分行波信号和噪声，不利于行波波头的捕捉；在低频部分噪声干扰小，但小波时域分辨率低，不能给出行波波头到达的准确时刻。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于小波变换和CNN的配电网故障定位方法，通过捕捉行波波头信号对配电网故障进行精确定位。

为解决上述技术问题，本发明采用的技术方案是：主要针对现有的配电网行波定位方法存在机器自动检测行波波头不准确，需要人工干预波头捕捉等不足，提出结合小波的多尺度分析，并利用CNN的特征提取能力自动识别行波波头。在小波变换的多尺度分析中，随着尺度的增加，噪声引起的小波变换系数模极大值迅速减小，而故障引起的小波变换系数模极大值得以显现出来，然而在高尺度下，小波变换的时域分辨率较低，会导致行波信号的偏移。行波信号以接近光速在线路上传播，以行波采集装置为1MHz采样率为例，信号每偏移一个点，会造成近300米的误差。CNN作为深度神经网络的一种，目前已在图像识别等领域取得很大成功。它包含多个交替放置的卷积层和池化层，随着层数的深入，特征提取越来越抽象，对位移、缩放以及扭曲的图像都有较好的识别能力。本发明将小波变换高尺度下的模极大值按次序标定在平行时间轴上(即采用平行坐标系)，然后依次连接各点形成一幅折线图。将此图片作为已训练完成CNN的输入，利用其在第一尺度标定行波波头时刻，最后利用B型行波测距法进行故障定位。

本发明的上述技术问题主要是通过下述两部分实现的：

第一部分，由于训练CNN需要大量数据，而在实际中较难获得，所以采用电力仿真软件(如Simulink)来获得大量故障数据。对于已训练好的CNN在以后的应用中无需再次训练。

步骤S1：利用电力仿真软件(如Simulink)搭建故障模型，通过设置不同的故障类型、故障距离、电压幅值、功角等，获取大量故障电流数据，并分为训练数据和测试数据；

步骤S2：对故障电流进行预处理及多尺度分析，分别得到第二尺度及以上尺度下的模极大值对应的时刻，形成模极大值折线图；对折线图根据故障距离和行波波速确定标签，形成训练集和测试集；

步骤S3：根据图片数据特点，确定CNN的网络结构和卷积核的大小，利用训练集进行训练，画出迭代过程中价值函数变化曲线，对网络结构及超参数进行调整，再次训练，重复以上过程，确定最优CNN；

步骤S4：利用测试集检测CNN泛化能力，若错误率为5％以下，则泛化能力强，说明选取的网络结构及参数优化较好；若错误率大于5％，则需要重复步骤S1至步骤S3。

第二部分，用训练完成的CNN网络分别检测线路两端行波波头，进而利用B型行波法完成行波测距，具体步骤如下：

步骤S5：获取故障线路两端故障相电流，对故障相电流预处理，执行步骤S2，得到CNN的输入，得到线路首端输入为in_m，末端输入in_n。

步骤S6：将输入in_m和in_n分别给CNN，根据CNN的输出对应确定行波波头到达线路首末端时刻t_m和t_n。

步骤S7：采用B型行波法测距，根据公式可计算出故障点距离线路首端距离l，其中L为线路总长，为行波波速，由线路分布参数确定，L₁为线路正序电感，H/km，C₁为线路正序电容，F/km。

在一个实施方式中，在步骤S2中，标签的具体确定方法如下：

S21：根据线路参数求出行波波速v；

S22：已知故障点距线路端点距离为l_m，则故障发生后行波波头到达线路端点所需时间为

S23：仿真模型中已知故障发生时刻为t_f，则行波波头到达时刻为t_m＝t_f+Vt；

S24：以1μs为单位，计算t_m偏离小波变换第二尺度模极大值时刻多少单位，即n取整数，一般|n|≤5；

S25：CNN采用softmax分类，设置独立分类数量以及对应的输出个数数量，每个独立分类数量对应一个索引号，对应的输出置为1，其余输出为0，形成一个标签以对CNN进行训练，在训练完成的CNN中，将输出最大的置为1，其余为0。

在一个实施方式中，在步骤S6中，由CNN输出的结果转化为时标的计算方法为t＝t⁽²⁾+n，t⁽²⁾为小波变换第二尺度的模极大值时刻。

本发明与现有技术相比，具有以下特点：本发明利用小波变换多尺度分析对故障电流数据分解，在平行坐标系中标定2尺度以上的模极大值时刻，形成CNN的输入，并利用CNN强大的学习能力，提取数据中隐藏的拓扑结构特征，实现机器自动识别行波波头。具有抗干扰能力强，准确度高等特点。

附图说明

图1为本发明实施例中配电网故障定位方法的流程图。

图2为本发明实施例中用以标定不同尺度模极大值时刻点的平行坐标系。

图3为本发明实施例中将平行坐标系处理后形成的灰度图片。

图4为本发明实施例中CNN的网络结构图。

具体实施方式

附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。

实施例1：

如图1所示，本发明提供一种基于小波变换和CNN的配电网故障定位方法，包括有：

步骤S1：利用电力仿真软件(如Simulink)搭建故障模型，通过设置不同的故障类型、故障距离、电压幅值、功角等，获取大量故障电流数据，并分为训练数据和测试数据；

步骤S2：对故障电流进行预处理及多尺度分析，分别得到第二尺度及以上尺度下的模极大值对应的时刻，形成模极大值折线图；对折线图根据故障距离和行波波速确定标签，形成训练集和测试集；

步骤S3：根据图片数据特点，确定CNN的网络结构和卷积核的大小，利用训练集进行训练，画出迭代过程中价值函数变化曲线，对网络结构及超参数进行调整，再次训练，重复以上过程，确定最优CNN；

步骤S4：利用测试集检测CNN泛化能力，若错误率为5％以下，则泛化能力强，说明选取的网络结构及参数优化较好；若错误率大于5％，则需要重复步骤S1至步骤S3；

步骤S5：获取故障线路两端故障相电流，对故障相电流预处理，执行步骤S2，得到CNN的输入，得到线路首端输入为in_m，末端输入in_n；

步骤S6：将输入in_m和in_n分别给CNN，根据CNN的输出对应确定行波波头到达线路首末端时刻t_m和t_n；

步骤S7：采用B型行波法测距，根据公式可计算出故障点距离线路首端距离l，其中L为线路总长，为行波波速，由线路分布参数确定，L₁为线路正序电感，H/km，C₁为线路正序电容，F/km。

在步骤S2中，对故障电流进行预处理。利用小波变换对其进行多尺度分析，分别得到第二尺度及以上尺度下的模极大值对应的时刻。将时间轴按一定间隔依次平行排列，形成平行坐标系，并按从左到右的顺序将高到低尺度的模极大值时刻点标在时间轴上，依次用直线连接各点，去掉时间轴，形成一幅折线图，最终保存为一张100*100像素的黑底白线的灰度图片。对应于每一张图片，根据故障距离和行波波速确定标签，形成训练集和测试集。

本实施例中，训练数据共94500组(每一组包括线路两端的故障相数据)，用以生成训练数据的仿真模型参数列表如下：

训练样本参数(设置线路全长为20km)

参数类型	参数值	取值数量
			频率	48.5,48.7,48.9,50.1,50.3,50.5	6
故障位置	1/10,2/10,3/10,4/10,5/10,6/10,7/10,8/10,9/10	9
			故障类型	AG,BG,CG,AB,BC,AC,ABG,BCG,ACG,ABC	10
过渡电阻	0,10,30,60,100,150,200	7
			电压	10.5,10.2,10,9.8,9.5	5
相位角	30,10,0,-10,-30	5

测试数据共5400组，用以生成测试数据的仿真模型参数列表如下：

测试样本参数(线路全长20km)

获取线路两端m、n端故障相电流I_m和I_n。要求电流采样率为1MHz及以上。对电流I_m采用db3小波分析，得到5个尺度的分析结果，利用模极大值法分别求取2～5尺度的极大值，在平行坐标系中按次序连接形成100*100的灰度图片pic_m，标定模极大值时刻的平行坐标系示例如图2所示，最终形成的100*100像素的灰度图片示例如图3所示。将第2尺度的模极大值赋给t_2m存入内存中。对电流I_n进行同样的处理，得到pic_n和t_2n。最终得到的训练样本为94500张图片，测试样本为5400张图片。为每一张图片打上标签，以方便CNN进行训练和测试。

在步骤S2中，标签的具体确定方法如下：

S21：根据线路参数求出行波波速v；

S22：已知故障点距线路端点距离为l_m，则故障发生后行波波头到达线路端点所需时间为

S23：仿真模型中已知故障发生时刻为t_f，则行波波头到达时刻为t_m＝t_f+Vt；

S24：以1μs为单位，计算t_m偏离小波变换第二尺度模极大值时刻多少单位，即n取整数，一般|n|≤5；

S25：CNN采用softmax分类，设置独立分类数量以及对应的输出个数数量，每个独立分类数量对应一个索引号，对应的输出置为1，其余输出为0，形成一个标签以对CNN进行训练，在训练完成的CNN中，将输出最大的置为1，其余为0。

步骤S25的具体实施方式为：

本发明有11种独立分类，设置输出个数为11，对应索引号为1,2,…,11，每个索引号对应一个分类。n与索引号对应关系为：

根据n的值将对应的输出置为1，其余输出为0，形成一个标签以对CNN进行训练。在训练完成的CNN中，将输出最大的置为1，其余为0。

在步骤S3中，根据图片数据特点，确定CNN的网络结构和卷积核的大小，利用训练集进行训练。

CNN包括输入层、卷积层、池化层、输出层，其结构如图4所示。隐层包括多个交替放置的卷积层和池化层，可根据需要设计CNN的网络深度。CNN的卷积层用以提取输入数据的局部特征，每个卷积层包含多个特征矩阵，每个特征矩阵形成一个特征平面，每个平面对应的卷积核不一样，保证特征提取充分。卷积层计算方法如下式：

式中，l表示网络层数，K表示卷积核，B表示偏置，表示l层输出，表示l层输入。

CNN的池化层用来对上一层的数据进行缩放以减少数据维度，也可以用来防止过拟合，一般采用均值池化方法，其计算方法如下式：

式中，k表示池化层核的维数。

根据确定的网络结构，利用训练样本对网络进行训练，使测试样本的错误率趋于零。保存好训练完成的卷积神经网络。

在故障后取配电网故障线路故障相两侧的电流数据，经过处理后形成图片输入训练完成的CNN中,由CNN输出的结果转化为时标的计算方法为t＝t⁽²⁾+n，t⁽²⁾为小波变换第二尺度的模极大值时刻。由此可得行波波头达到两侧的时间t_m、t_n。

同时，根据故障定位公式可计算出故障点距离线路m端距离l。L为线路总长度，v为线路上行波传播波速，可由线路分布参数计算得出，这些数据均从系统线路台账中查找。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种基于小波变换和CNN的配电网故障定位方法，其特征在于，包括以下几个步骤：

步骤S1：利用电力仿真软件(如Simulink)搭建故障模型，通过设置不同的故障类型、故障距离、电压幅值、功角等，获取大量故障电流数据，并分为训练数据和测试数据；

步骤S2：对故障电流进行预处理及多尺度分析，分别得到第二尺度及以上尺度下的模极大值对应的时刻，形成模极大值折线图；对折线图根据故障距离和行波波速确定标签，形成训练集和测试集；

步骤S3：根据图片数据特点，确定CNN的网络结构和卷积核的大小，利用训练集进行训练，画出迭代过程中价值函数变化曲线，对网络结构及超参数进行调整，再次训练，重复以上过程，确定最优CNN；

步骤S4：利用测试集检测CNN泛化能力，若错误率为5％以下，则泛化能力强，说明选取的网络结构及参数优化较好；若错误率大于5％，则需要重复步骤S1至步骤S3；

步骤S5：获取故障线路两端故障相电流，对故障相电流预处理，执行步骤S2，得到CNN的输入，得到线路首端输入为in_m，末端输入in_n；

步骤S6：将输入in_m和in_n分别给CNN，根据CNN的输出对应确定行波波头到达线路首末端时刻t_m和t_n；

步骤S7：采用B型行波法测距，根据公式可计算出故障点距离线路首端距离l，其中L为线路总长，为行波波速，由线路分布参数确定，L₁为线路正序电感，H/km，C₁为线路正序电容，F/km。

2.根据权利要求1所述的基于小波变换和CNN的配电网故障定位方法，其特征在于，所述的步骤S2中，标签的具体确定方法如下：

S21：根据线路参数求出行波波速v；

S22：已知故障点距线路端点距离为l_m，则故障发生后行波波头到达线路端点所需时间为

S23：仿真模型中已知故障发生时刻为t_f，则行波波头到达时刻为t_m＝t_f+Vt；

S24：以1μs为单位，计算t_m偏离小波变换第二尺度模极大值时刻多少单位，即n取整数，一般|n|≤5；

S25：CNN采用softmax分类，设置独立分类数量以及对应的输出个数数量，每个独立分类数量对应一个索引号，对应的输出置为1，其余输出为0，形成一个标签以对CNN进行训练，在训练完成的CNN中，将输出最大的置为1，其余为0。

3.根据权利要求1所述的基于小波变换和CNN的配电网故障定位方法，其特征在于，所述的步骤S6中，由CNN输出的结果转化为时标的计算方法为t＝t⁽²⁾+n，t⁽²⁾为小波变换第二尺度的模极大值时刻。