CN109239527A - 基于深度置信网络的配电网故障识别方法 - Google Patents

Abstract

本发明涉及一种基于深度置信网络的配电网故障识别方法，包括以下步骤：步骤S1:采集故障工况下主变低压母线三相电压、零序电压、主变低压侧三相电流的信号波形数据；步骤S2：分别对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行预处理，得到预处理后的波形数据；步骤S3:构建4个深度置信网络模型，对每个受限波尔兹曼机进行无监督训练,并利用误差反向传播原则微调所有层的参数，得到已训练的深度置信网络模型；步骤S4:将预处理后的波形数据输入至4个已训练的深度置信网络模型；并根据4个已训练的深度置信网络模型输出结果进行组合，并与预先设定的故障类型标签进行对照，完成配电网的故障识别。

Description

基于深度置信网络的配电网故障识别方法

技术领域

本发明涉及配电网领域，具体涉一种基于深度置信网络的配电网故障识别方法。

背景技术

配电网一旦发生故障，就会造成社会生产的巨大损失，给人们的生活带来极大的不便。但配电网发生故障在所难免，据统计，80％以上的故障起因于配电网。配电网故障类型种类繁多，主要有瞬时性故障和永久性故障，瞬间性故障均可利用重合闸实现故障的消除，从而恢复线路供电；但永久性故障不能自动恢复，其故障诊断策略一般是：检测出故障发生后，对故障类型进行识别，然后对故障区段进行快速准确的定位，选出故障线路，以人工维修的方式恢复。其中故障定位方法需根据不同的故障类型进行选择，寻找一种高效可靠的故障分类方法对准确的故障定位，快速修复故障线路，维持配电网安全运行以及提高供电可靠性具有重要的意义。

目前，故障分类方法的基本步骤是：获取故障暂态电气量并进行信号分解，结合数学方法进行特征提取、选择，并选择合适的模式识别方法进行故障分类。但基于此步骤的方法，所涉及的信号分解、提取特征量及模式识别方法，故障特征量都需要人工提取，易受人为因素干扰且需耗费大量时间，增加了结果的不确定性。深度置信网络可从原始输入数据中自动提取分类所需关键特征量，无需人工预先构造，更具智能性且适应性更强，在电力系统分类识别问题中有良好的应用前景。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度置信网络的配电网故障识别方法，以克服现有技术需要人工提取数据，易受人为因素干扰且需耗费大量时间，增加了结果的不确定性的问题。

为实现上述目的，本发明采用如下技术方案：

一种基于深度置信网络的配电网故障识别方法，包括以下步骤：

步骤S1:采集故障工况下主变低压母线三相电压、零序电压、主变低压侧三相电流的信号波形数据；

步骤S2：分别对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行预处理，得到预处理后的波形数据；

步骤S3:构建4个深度置信网络模型，对每个受限波尔兹曼机进行无监督训练,并利用误差反向传播原则微调所有层的参数，得到已训练的深度置信网络模型；

步骤S4:将预处理后的波形数据输入至4个已训练的深度置信网络模型；并根据4个已训练的深度置信网络模型输出结果进行组合，并与预先设定的故障类型标签进行对照，完成配电网的故障识别。

进一步的，所述步骤S1具体为：

步骤S11:建立一辐射式中压配电网模型；

步骤S12:根据辐射式中压配电网模型获取故障工况发生前后各1个工频周波的三相电压、零序电压、三相电流信号波形。

进一步的，所述步骤S2分别对对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行min-max标准化处理；

min-max标准化是对原始数据的线性变换，使结果值映射到[0，1]之间，转换函数如下：

进一步的，所述深度置信网络采用4层结构模型，模型由2个RBM和一个神经网络构成。

进一步的，所述步骤S3的无监督训练包括预训练与微调；所述预训练采用自底而上的无监督学习，单独训练每一个RBM，提取原始输入的特征信息；所述微调采用自顶而下的监督学习，在第2个RBM后添加神经网络，对整体模型进行微调，寻找最优参数，同时将RBM提取的特征向量输入至分类器。RBM模型包含一个可见层和一个隐藏层，均由二值随机单元构成，代表神经元的激活或未激活状态，同层的神经元之间无连接关系，不同层的神经元之间有双向连接权值，表示其连接强度。

RBM基于能量模型，神经元的激活概率与能量状态成反比，其能量越低，激活概率越高。假设一个RBM的可见层含m个神经元，偏置为a_i(0≤i≤m)，隐藏层含n个神经元，偏置为b_j(0≤j≤n)，w_ij为可见层节点i与隐藏层节点j间的权值矩阵元素，其能量函数为：

可见层和隐藏层之间的联合概率分布为：

其中，是一个模拟物理系统的标准化常数，由所有可见层和隐藏层神经元之间的能量值相加得到。

RBM网络训练的目的就是在给定输入信号v的情况下，通过调节相应的参数，减小能量函数，使联合概率p(v,h)最大。对于一个输入信号v，计算每个隐藏层神经元h_j被激活的概率：

式中，激活函数为sigmoid函数σ(x)＝1/(1+e-x)。

由于是双向连接，可见层神经元同样能被隐藏层神经元激活，重构每个可见层神经元vi的状态：

可见层将值传递到隐藏层，再用隐藏层去重构可见层，通过多次调节参数θ＝(w_ij,a_i,b_j)，不断缩小可见层和重构层间的误差，当误差很低时，则可将隐藏层看作是可见层的另外一种表达，即达到了提取特征的目的；当隐藏层神经元数量小于可见层时，则实现了降低特征维度的效果。

在最后一个RBM后堆叠一个有监督的分类器，自顶而下反向传播错误信息至每一个RBM，并使用反向传播算法微调所有相关参数，使DBN模型的参数达到最优。预训练对原始输入的学习为分类器提供了原始输入更高层的抽象特征，减少了训练误差，提高了分类准确率。

进一步的，所述步骤S4具体为：

步骤S41:将预处理后的波形数据分别输入至已训练4个深度置信网络模型中，并得到输出结果；

步骤S42:4个深度置信网络模型的输出结果分别代表A、B、C、G是否发生故障，将输出结果依次排列成一维向量[A B C G]；

步骤S43:将得到一维向量[A B C G]与预设定故障类型标签进行对照，实现故障识别。

本发明与现有技术相比具有以下有益效果：

本发明基于深度置信网络可从原始输入数据中自动提取分类所需关键特征量，无需人工预先构造，更具智能性且适应性更强，能够更加高效的完成电网故障识别，且准确率高。

附图说明

图1为本发明方法的流程图；

图2为本发明一实施例中10kV配电网的软件仿真模型图；

图3为本发明一实施例中波形拼接示意图；

图4为本发明一实施例中设计的DBN结构图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图1，本发明提供一种基于深度置信网络的配电网故障识别方法，包括以下步骤：

步骤S1:采集故障工况下主变低压母线三相电压、零序电压、主变低压侧三相电流的信号波形数据；

步骤S2：分别对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行预处理，得到预处理后的波形数据；

步骤S3:构建4个深度置信网络模型，对每个受限波尔兹曼机进行无监督训练,并利用误差反向传播原则微调所有层的参数，得到已训练的深度置信网络模型；

步骤S4:将预处理后的波形数据输入至4个已训练的深度置信网络模型；并根据4个已训练的深度置信网络模型输出结果进行组合，并与预先设定的故障类型标签进行对照，完成配电网的故障识别。

在本发明一实施例中，利用PSCAD/EMTDC仿真软件搭建图2所示的10kV配电网模型，通过该模型获取主变低压母线三相电压、零序电压和主变低压侧三相电流的故障前后各一周波的信号波形数据。

在本发明一实施例中，在步骤S2中，分别对三相电压、三相电流与零序电压进行标准化处理，并将A、B、C相的电压与电流波形，按图3所示分别进行拼接。

在本发明一实施例中，将预处理的数据输入至已训练完善的DBN模型中，模型结果如图3所示，利用该模型对输入波形进行特征提取和故障识别。具体包括如下步骤：

步骤S31：在可见层1输入经预处理的故障波形数据v₁；

步骤S32：随机初始化每个RBM的参数θ＝(w_ij,a_i,b_j)；

步骤S33：按公式(4)利用可见层1的输入v₁，计算隐藏层1所有单元的状态h_j；

步骤S34：按公式(5)利用h1重构可见层单元状态v_i’，同样地，利用v_i’计算隐藏层状态h_j’；

步骤S35：重复步骤S32-S34，直到重构误差或迭代次数达到预先设定的阈值，更新RBM1模型的参数θ＝(w_ij,a_i,b_j)；

步骤S36：将隐藏层1的数据作为可见层2的输入，按步骤S33-S35，寻找RBM2模型的最优参数；

步骤S37：将隐藏层2的输出作为神经网络的输入，使用反向传播算法调整所有RBM的权值；

步骤S38：将隐藏层2的输出作为特征向量，利用神经网络实现故障识别。

在本发明一实施例中，在所述步骤S4中，将预处理过的数据分别输入至已训练完善的4个深度置信网络模型中，4个模型的输出结果分别代表A、B、C、地是否发生故障，将输出结果依次排列成一维向量[A B C G]，并与预先设定的故障类型标签进行对照。其中，输出值为1代表该相发生故障，-1则代表该相不存在故障，通过4个输出结果直接的逻辑组合，实现故障识别。

实施例1：

在本实施例中，利用仿真软件搭建的10kV配电网软件仿真模型获取主变低压侧进线电流和母线电压等电量信号，分别对三相电压、三相电流与零序电压进行标准化，并将A、B、C相的电压与电流波形，按相对应进行拼接，经DBN自主提取故障特征量，最终完成配电网故障识别。其中，训练样本为1080个，测试样本为6480个。

配电网故障识别步骤为：

(1)获取输入数据

根据本发明提供的上述技术方案，截取故障发生前后各1个工频周波的母线三相电压、零序电压和主变低压侧三相电流的仿真波形。对各个波形分别做标准化处理，并将A、B、C相的电压与电流波形，按相对应进行拼接。拼接后的波形与标准化的零序电压波形分别作为DBN1～DBN4的输入数据。

(2)故障识别

根据本发明提供的上述技术方案，DBN1可见层1输入长度为1×800的波形数据；

采用4个DBN模型，分别用于判定A、B、C、地是否发生故障。所有DBN模型均采用4层结构，包含2个可见层，2个隐藏层，1层分类器(其中隐藏层2与可见层1为同一层)，采用节点数为800-100-100-2的结构，将隐藏层2的输出，作为神经网络的输入。将神经网络的输出排列成一维向量，对照设定的故障类型，获得故障识别结果。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种基于深度置信网络的配电网故障识别方法，其特征在于：包括以下步骤：

步骤S1:采集故障工况下主变低压母线三相电压、零序电压、主变低压侧三相电流的信号波形数据；

步骤S2：分别对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行预处理，得到预处理后的波形数据；

步骤S3:构建4个深度置信网络模型，对每个受限波尔兹曼机进行无监督训练,并利用误差反向传播原则微调所有层的参数，得到已训练的深度置信网络模型；

步骤S4:将预处理后的波形数据输入至4个已训练的深度置信网络模型；并根据4个已训练的深度置信网络模型输出结果进行组合，并与预先设定的故障类型标签进行对照，完成配电网的故障识别。

2.根据权利要求1所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述步骤S1具体为：

步骤S11:建立一辐射式中压配电网模型；

步骤S12:根据辐射式中压配电网模型获取故障工况发生前后各1个工频周波的三相电压、零序电压、三相电流的信号波形。

3.根据权利要求1所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述步骤S2分别对对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行min-max标准化处理。

4.根据权利要求1所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述深度置信网络采用4层结构模型，模型由2个RBM和一个神经网络构成。

5.根据权利要求4所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述步骤S3的无监督训练包括预训练与微调;所述预训练采用自底而上的无监督学习，单独训练每一个RBM，提取原始输入的特征信息；所述微调采用自顶而下的监督学习，在第2个RBM后添加神经网络，对整体模型进行微调，寻找最优参数，同时将RBM提取的特征向量输入至分类器。

6.根据权利要求1所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述步骤S4具体为：

步骤S41:将预处理后的波形数据分别输入至已训练4个深度置信网络模型中，并得到输出结果;

步骤S42:4个深度置信网络模型的输出结果分别代表A、B、C、G是否发生故障，将输出结果依次排列成一维向量[A B C G]；

步骤S43:将得到一维向量[A B C G]与预设定故障类型标签进行对照，实现故障识别。