CN109444667B - 基于卷积神经网络的配电网早期故障分类方法及装置 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的配电网早期故障分类方法及装置。将小波分解和卷积神经网络的相关理论和方法引入到配电网早期故障分类中，并验证方法的合理性。小波分解可以分离出波形的近似和细节，这些表征与早期故障息息相关。通过组合这些表征构成卷积神经网络的输入。卷积神经网络通过学习这些表征的组合，捕捉到其中关于早期故障的细节信息，即可进行早期故障的分类。该方法在需求数据量和准确性上大大优于传统检测。对配电网早期故障的分类及处理具有重要意义。

Description

基于卷积神经网络的配电网早期故障分类方法及装置

技术领域

本发明属于配网故障检测以及运维技术领域，更特别地，涉及一种基于小波分解和卷积神经网络的配电网早期故障检测方法及其装置。

背景技术

配电网直接面向用户，是保证供电质量、提高电网运行效率、创新用户服务的关键环节。由于故障数量太多，配网设备运维人员基本是“以抢代修”的方式实现对配网设备的管理。配网的供电可靠率涵盖了规划、运行、保护、设备运维等多个方面。在设备运维方面，目前的研究工作主要集中在故障后的处理方面，如故障定位、故障隔离和故障恢复等。但是随着国家和售电市场对供电可靠性要求的提高，配网的故障处理工作不仅要关注故障后的供电恢复还需关注故障前的设备预警，将故障处理的工作方式由“事后抢修巡检”转变成“事前预警主动处理”，在永久性故障发生之前将之消灭，大幅降低因设备故障导致停电事故发生的概率。

配电网设备在发生永久性故障之前往往会产生一些异常信号，这些异常信号被称为早期故障。早期故障往往表现为幅值小、持续时间短、重复发生，且往往伴随电弧，对绝缘和导体造成损坏。不同设备中引起早期故障的原因往往不同。在电缆中，绝缘老化是早期故障的主要原因。在架空线中，各种非电力因素如刮风、动物触线、树枝触线等往往会引起早期故障。在其他电力设备中，绝缘缺陷和接触不良也会引起早期故障。早期故障检测作为电力设备状态检测的一种方案，为配网运维提供了新的思路，使得缺陷设备能够被提前更换，提高供电可靠性。同时降低运维工作量，节约了成本。

传统早期故障检测方法往往根据特定场景提出一些判据，这并不适用于复杂多变的实际情况。且传统方法所需样本多，判断准确率差。小波变换作为一种时频域信号分析手段，能够在多分辨率下解析信号，并且能够表征时域以及频域下的局部特征。低频部分下，小波变换具有低时间分辨率和高频率分辨率；高频部分下，小波变换具有高时间分辨率和低频率分辨率。这些特征使得其可以用于探测波形中的瞬态变化。

配网中的早期故障，往往对应电压、电流波形中出现明显的瞬时变化，使用小波变换可以检测出这一变化进而识别故障。目前使用小波变换检测早期故障往往是先对电流波形进行小波变换，然后针对电流波形中的暂态数量进行一个大致的判断，最后根据一系列基于暂态均方根值的判定规则对故障类型进行最终判定。这种方法往往受干扰影响较大，且规则中阈值的确定需要大量的数据，实际配网运行中很难得到大量的早期故障数据。

卷积神经网络作为一种深层前馈神经网络，在图像识别领域被广泛使用。在权重恰当的情况下，分类结果可以达到很高的准确度。但是这一模型往往需要成千上万条数据来确定网络权重，这是该方法的一大局限性。由于故障数据的稀缺性，配网故障检测领域一般难以直接使用卷积神经网络。

发明内容

为了克服现有技术中存在的缺陷，本发明将小波变换与卷积神经网络相结合，充分利用两者在故障波形特征捕捉和分类精度上的优势，实现小样本下的故障辨识。

通过小波变换将配电网三相电压、电流原始波形进行分解，将分解得到的各个部分作为卷积神经网络的输入，利用卷积神经网络对各个部分进行学习，获得相应的网络权重。对于待判别的未知电压、电流波形，同样先进行小波变换，且使用与之前相同的小波基函数，将变换后得到的各个部分作为训练好的卷积神经网络的输入，经过一系列计算，网络最终将输出这一波形的种类。

具体地，本发明提出一种基于小波分解和卷积神经网络的配电网早期故障分类方法，包括以下步骤：

步骤S1：对配电网中的三相电压、电流信号进行采集，同时将三相电流求和得到中性点电流，对上述七个波形分别进行小波变换，每个波形经过变换后将被分解为近似系数和细节系数；

步骤S2：获取原始波形对应的矩阵；

步骤S3：构建卷积神经网络和其输入矩阵；

步骤S4：训练卷积神经网络；

步骤S5：利用卷积神经网络进行分类。

进一步地，

步骤S1具体包括：采用5层Meyer小波函数进行小波分解，分解结果为S＝a₅+d₁+d₂+…d_m，其中s为原始信号，a₅为小波分解得到的近似系数，d₁…d_m为小波分解得到的细节系数；且若原始波形长度为N，则a₅,d₁…d_m的长度均为N。

进一步地，

步骤S2具体包括：

长度为N的原始波形，经过小波变换，得到1层近似系数和m层细节系数，每层系数长度均为N，将这m+1层系数纵向拼接起来，即得到一个长为N、宽为m+1的矩阵，这个矩阵的每一行即为一层系数，其中第一层为近似系数，第2到m+1层为细节系数；每个长度为N的原始波形对应一个长为N、宽为m+1的矩阵。

进一步地，

步骤S3具体包括：

通过选择适合的网络架构、超参数，搭建起一个卷积神经网络；对于配电网中的一次异常事件，获取三相电压、三相电流以及中性点电流共7个波形，每个波形对应上述的一个矩阵；将这7个矩阵纵向拼接起来，构成一个长为N、宽为7m+7的矩阵，将最后得到的这个矩阵作为卷积神经网络的输入。

进一步地，

步骤S4中，对于训练集中的数据，输入卷积神经网络的是每个事件对应的矩阵，标签是每个事件对应的故障种类，卷积神经网络通过标签调整自身的权重，使得输入事件对应矩阵时，输出为这一事件的标签。

进一步地，

所述每个事件对应的故障种类包括早期故障和非早期故障。

进一步地，

对于配网中的一个未知事件，重复步骤S1到S3得到这个未知事件对应的矩阵；在步骤S5中，将这一矩阵输入训练好的卷积神经网络。

进一步地，

在步骤S5中通过计算，网络将输出所述未知事件的标签，即故障种类，若输出的标签为早期故障，则这一事件属于早期故障，反之则不是。

本发明还提出一种基于卷积神经网络的配电网早期故障分类装置，该装置包括：

信号采集模块：对配电网中的三相电压、电流信号进行采集，同时将三相电流求和得到中性点电流；

小波变换模块，与信号采集模块相连，对上述七个波形分别进行小波变换，每个波形经过变换后将被分解为近似系数和细节系数；

矩阵构建模块，获取原始波形对应的矩阵，构建卷积神经网络的输入矩阵；

卷积神经网络模块，通过构建和训练卷积神经网络，对配电网早期故障进行分类。

进一步地，

小波变换模块中，采用5层Meyer小波函数进行小波分解，分解结果为S＝a₅+d₁+d₂+…d_m，其中s为原始信号，a₅为小波分解得到的近似系数，d₁…d_m为小波分解得到的细节系数；且若原始波形长度为N，则a₅,d₁…d_m的长度均为N。

进一步地，

矩阵构建模块中获取原始波形对应的矩阵具体包括，

长度为N的原始波形，经过小波变换，得到1层近似系数和m层细节系数，每层系数长度均为N，将这m+1层系数纵向拼接起来，即得到一个长为N、宽为m+1的矩阵，这个矩阵的每一行即为一层系数，其中第一层为近似系数，第2到m+1层为细节系数；其中每个长度为N的原始波形对应一个长为N、宽为m+1的矩阵。

进一步地，

矩阵构建模块中构建卷积神经网络的输入矩阵具体包括：

对于配电网中的一次异常事件，获取三相电压、三相电流以及中性点电流共7个波形，每个波形对应上述的一个矩阵；将这7个矩阵纵向拼接起来，构成一个长为N、宽为7m+7的矩阵，将最后得到的这个矩阵作为卷积神经网络的输入。

进一步地，

卷积神经网络模块中构建和训练卷积神经网络具体包括：

通过选择适合的网络架构、超参数，搭建起一个卷积神经网络；对于训练集中的数据，输入卷积神经网络的是每个事件对应的矩阵，标签是每个事件对应的故障种类，卷积神经网络通过标签调整自身的权重，使得输入事件对应矩阵时，输出为这一事件的标签。

进一步地，

所述每个事件对应的故障种类包括早期故障和非早期故障。

对于配网中的一个未知事件，得到这个未知事件对应的矩阵；将这一矩阵输入训练好的卷积神经网络，通过计算，网络将输出这个未知事件的标签，即故障种类。

进一步地，

若输出的标签为早期故障，则上述未知事件属于早期故障，反之则不是。

本发明将小波分解及卷积神经网络的相关理论和方法引入到配电网早期故障分类中，通过理论分析提出针对配电网早期故障的分类算法，并验证算法的合理性。小波分解将波形分解为近似部分和细节部分。将提取出的两部分波形，用于卷积神经网络进行学习，从而对早期故障进行分类。

该方法相较于传统算法具有所需样本少、准确率高等特点。

附图说明

图1是本发明的早期故障分类方法流程图。

图2是本发明的早期故障分类装置示意图。

图3是本发明仿真实验的波形分解示意图。

图4是在图3的基础上形成的卷积神经网络输入矩阵示意图。

图5是本发明仿真实验的卷积神经网络结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

图1示出了本发明的早期故障分类方法流程图。

如图所示，本发明提出了一种基于卷积神经网络的配电网早期故障分类方法，包括以下步骤：

步骤S1：

对配电网中的三相电压、电流信号进行采集，同时将三相电流求和得到中性点电流，对上述波形分别进行小波变换，每个波形经过变换后将被分解为近似系数和细节系数。

具体地，该步骤中采用5层Meyer小波函数进行小波分解，分解结果为

S＝a₅+d₁+d₂+…d_m，

其中s为原始信号，a₅为小波分解得到的近似系数，d₁…d_m为小波分解得到的细节系数；且若原始波形长度为N，则a₅,d₁…d_m的长度均为N。

步骤S2：

对于每个波形分解后得到的近似系数和细节系数，它们的长度与原始波形相同。

这里假设原始波形长度为N，同时经过小波变换，我们将得到1层近似系数和m层细节系数，每层系数长度均为N。

将这m+1层系数纵向拼接起来，即得到一个长为N、宽为m+1的矩阵，这个矩阵的每一行即为一层系数，其中第一层为近似系数，第2到m+1层为细节系数。

每个长度为N的原始波形对应一个长为N、宽为m+1的矩阵。

步骤S3：

通过选择适合的网络架构、超参数，搭建起一个卷积神经网络。

在步骤S2中我们得到了一个长为N、宽为m+1的矩阵，这个矩阵对应一个长度为N的原始波形。

对于配电网中的一次异常事件，我们有三相电压、三相电流以及中性点电流共7个波形，每个波形对应上述的一个矩阵。

同样地，将这7个矩阵纵向拼接起来，构成一个长为N、宽为7m+7的矩阵。将最后得到的这个矩阵作为卷积神经网络的输入。

步骤S4：

训练卷积神经网络。

对于训练集中的数据，输入卷积神经网络的是每个事件对应的矩阵，标签是每个事件对应的故障种类。

故障种类包括早期故障以及其他非早期故障。

卷积神经网络通过标签调整自身的权重，使得输入事件对应矩阵时，输出为这一事件的标签。

步骤S5：

利用卷积神经网络进行故障分类。

对于配网中的一个未知事件，重复步骤S1到S3得到这个未知事件对应的矩阵，将这一矩阵输入训练好的卷积神经网络，通过计算，网络将输出这个未知事件的标签，即故障种类。

若输出的标签为早期故障，则这一事件属于早期故障，反之则不是。

图2示出了本发明的配电网早期故障分类装置的结构图。

如图所示，本发明提出了一种基于卷积神经网络的配电网早期故障分类装置，用以实现上述分类方法，包括：

信号采集模块：

对配电网中的三相电压、电流信号进行采集，同时将三相电流求和得到中性点电流。

小波变换模块：

与信号采集模块相连，对上述七个波形分别进行小波变换，每个波形经过变换后将被分解为近似系数和细节系数。

具体地，该模块中，采用5层Meyer小波函数进行小波分解，分解结果为

S＝a₅+d₁+d₂+…d_m，

其中s为原始信号，a₅为小波分解得到的近似系数，d₁…d_m为小波分解得到的细节系数；

若原始波形长度为N，则a₅,d₁…d_m的长度均为N。

矩阵构建模块：

获取原始波形对应的矩阵，构建卷积神经网络的输入矩阵。

长度为N的原始波形，经过小波变换，得到1层近似系数和m层细节系数，每层系数长度均为N。

将这m+1层系数纵向拼接起来，即得到一个长为N、宽为m+1的矩阵，这个矩阵的每一行即为一层系数，其中第一层为近似系数，第2到m+1层为细节系数。

其中每个长度为N的原始波形对应一个长为N、宽为m+1的矩阵。

对于配电网中的一次异常事件，获取三相电压、三相电流以及中性点电流共7个波形，每个波形对应上述的一个矩阵。

将这7个矩阵纵向拼接起来，构成一个长为N、宽为7m+7的矩阵，将最后得到的这个矩阵作为卷积神经网络的输入。

卷积神经网络模块：

构建和训练卷积神经网络，对配电网早期故障进行分类。

通过选择适合的网络架构、超参数，搭建起一个卷积神经网络。

对于训练集中的数据，输入卷积神经网络的是每个事件对应的矩阵，标签是每个事件对应的故障种类，卷积神经网络通过标签调整自身的权重，使得输入事件对应矩阵时，输出为这一事件的标签。

所述每个事件对应的故障种类包括早期故障和非早期故障。

对于配网中的一个未知事件，得到这个未知事件对应的矩阵；将这一矩阵输入故障分类模块中训练好的卷积神经网络，通过计算，网络将输出这个未知事件的标签，即故障种类。

若输出的标签为早期故障，则这一事件属于早期故障，反之则不是。

为验证本发明的有效性，进行以下仿真实验。

对于10kV中性点小电流接地配电网，其架空线路会不时出现一些故障或是扰动，这些故障或扰动会使得线路电压或电流波形出现异常，我们将这些引起波形异常的事件称为异常事件。

对于每起异常事件，往往记录有其对应的三相电压、三相电流，通过对三相电流求和可以得到中性点电流，这样就得到了7个波形(I_A,I_B,I_C,I_N,U_A,U_B,U_C)。我们将这7个波形分别进行小波分解。

图3给出的是某起异常事件中A相电流实际波形的小波分解示意图。

图中s为原始波形，a₅为小波分解得到的近似系数，d₁～d₅为小波分解得到的细节系数。这里采用的小波基函数为5层Meyer函数，根据小波变换的性质，有：

s＝a₅+d₁+d₂+d₃+d₄+d₅，

若原始波形长度为N，则a₅,d₁～d₅的长度均为N。

对于一个原始波形，其通过小波分解将产生a₅以及d₁～d₅共6个系数，且每个系数的长度与原始波形长度相同，这里假设为N。将这6个系数纵向拼接到一起，将构成一个6×N的矩阵，这个矩阵的每一行即为一层系数。

图4给出了拼接示意图。

以A相电流I_A为例，波形I_A经过小波变换得到的6层系数：a₅以及d₁～d₅，将按照a₅,d₁,d₂,d₃,d₄,d₅的顺序纵向拼接成一个矩阵，图4中已经表明了矩阵I_A的长为N、宽为6，而组成矩阵I_A的正是其分解得到的6层系数，其中每层系数为一个长为N、宽为1的矩阵。

对于一起异常事件中的每个波形，均生成上述长为N、宽为6的矩阵，由于一起事件中一共包含7个波形，所以需要将这些波形生成的矩阵进行纵向拼接。

图4同样给出了拼接示意图，对于一起事件对应的7个波形矩阵，按照I_A,I_B,I_C,I_N,U_A,U_B,U_C的顺序进行纵向拼接，由于每个波形矩阵的大小为6×N，所以最终得到的事件矩阵大小为42×N，这个事件矩阵即为卷积神经网络的输入矩阵。

搭建卷积神经网络，其中网络架构采用LeNet5，网络结构及参数设置如图5所示。该网络的输入为上述事件矩阵，这里原始波形长度为1312，则该事件矩阵的大小为42×1312，网络的输出为这一事件对应的标签。

这里标签指的是事件的种类，在本次训练中事件种类一共有以下五种：单相单周波早期故障、单相多周波早期故障、相间短路早期故障、暂态干扰以及永久性故障(这里分别将它们编号为1,2,3,4,5)。即卷积神经网络的输出结果为1-5中的一个数，这个数对应的就是这个事件的种类。

通过学习训练集中的事件，卷积神经网络将不断调整网络权重，使得输入事件矩阵时输出为该事件对应的种类，当输出结果的正确率足够高或达到迭代上限时，训练会停止，此时网络会记录下最好的结果对应的权重。

对于一个未知事件，我们同样拥有这个事件对应的三相电压、电流波形，重复上述步骤，我们将得到这个未知事件对应的事件矩阵。

将这个事件矩阵输入训练好的卷积神经网络，网络将输出这个未知事件的种类。

如果输出的种类属于早期故障，则判断这一未知事件为早期故障，反之这一未知事件就不属于早期故障。

用100个已知种类的配网实际异常事件训练该网络，将另外200个来自同一配网的实际异常事件进行测试，实验结果如表1所示。

表1

实验结果中，预测种类和实际种类重合的越多说明结果的准确率越高，可以看出本方法准确率非常高，且所需数据量较少。

申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (12)

1.一种基于卷积神经网络的配电网早期故障分类方法，其特征在于，

该方法包括以下步骤：

步骤S1：对配电网中的三相电压、电流信号进行采集，同时将三相电流求和得到中性点电流，对上述七个波形分别进行小波变换，每个波形经过变换后将被分解为近似系数和细节系数；

步骤S2：获取原始波形对应的矩阵；

步骤S3：构建卷积神经网络和其输入矩阵；

步骤S4：训练卷积神经网络；

步骤S5：利用卷积神经网络进行分类；

其中步骤S1具体包括：采用5层Meyer小波函数进行小波分解，分解结果为S＝a₅+d₁+d₂+…d_m，其中s为原始信号，a₅为小波分解得到的近似系数，d₁…d_m为小波分解得到的细节系数；且原始波形长度为N，a₅,d₁…d_m的长度均为N；

其中步骤S2具体包括：长度为N的原始波形，经过小波变换，得到1层近似系数和m层细节系数，每层系数长度均为N，将这m+1层系数纵向拼接起来，即得到一个长为N、宽为m+1的矩阵，这个矩阵的每一行即为一层系数，其中第一层为近似系数，第2到m+1层为细节系数；每个长度为N的原始波形对应一个长为N、宽为m+1的矩阵。

2.根据权利要求1所述的配电网早期故障分类方法，其特征在于：

步骤S3具体包括：通过选择适合的网络架构、超参数，搭建起一个卷积神经网络；对于配电网中的一次异常事件，获取三相电压、三相电流以及中性点电流共7个波形，每个波形对应上述的一个矩阵；将这7个矩阵纵向拼接起来，构成一个长为N、宽为7m+7的矩阵，将最后得到的这个矩阵作为卷积神经网络的输入。

3.根据权利要求2所述的配电网早期故障分类方法，其特征在于：

步骤S4中，对于训练集中的数据，输入卷积神经网络的是每个事件对应的矩阵，标签是每个事件对应的故障种类，卷积神经网络通过标签调整自身的权重，使得输入事件对应矩阵时，输出为这一事件的标签。

4.根据权利要求3的配电网早期故障分类方法，其特征在于：

所述每个事件对应的故障种类包括早期故障和非早期故障。

5.根据权利要求4的配电网早期故障分类方法，其特征在于，

对于配网中的一个未知事件，重复步骤S1到S3得到这个未知事件对应的矩阵；在步骤S5中，将这一矩阵输入训练好的卷积神经网络。

6.根据权利要求5的配电网早期故障分类方法，其特征在于，

在步骤S5中通过计算，网络将输出所述未知事件的标签，即故障种类，若输出的标签为早期故障，则这一事件属于早期故障，反之则不是。

7.一种基于卷积神经网络的配电网早期故障分类装置，其特征在于，

该装置包括：

信号采集模块：对配电网中的三相电压、电流信号进行采集，同时将三相电流求和得到中性点电流；

小波变换模块，与信号采集模块相连，对上述七个波形分别进行小波变换，每个波形经过变换后将被分解为近似系数和细节系数；

矩阵构建模块，获取原始波形对应的矩阵，并构建卷积神经网络的输入矩阵；

卷积神经网络模块，通过构建和训练卷积神经网络，对配电网早期故障进行分类；

小波变换模块中，采用5层Meyer小波函数进行小波分解，分解结果为S＝a₅+d₁+d₂+…d_m，其中s为原始信号，a₅为小波分解得到的近似系数，d₁…d_m为小波分解得到的细节系数；且原始波形长度为N，a₅,d₁…d_m的长度均为N；

矩阵构建模块中获取原始波形对应的矩阵具体包括，

长度为N的原始波形，经过小波变换，得到1层近似系数和m层细节系数，每层系数长度均为N，将这m+1层系数纵向拼接起来，即得到一个长为N、宽为m+1的矩阵，这个矩阵的每一行即为一层系数，其中第一层为近似系数，第2到m+1层为细节系数；其中每个长度为N的原始波形对应一个长为N、宽为m+1的矩阵。

8.根据权利要求7所述的配电网早期故障分类装置，其特征在于，

矩阵构建模块中构建卷积神经网络的输入矩阵具体包括：

对于配电网中的一次异常事件，获取三相电压、三相电流以及中性点电流共7个波形，每个波形对应上述的一个矩阵；将这7个矩阵纵向拼接起来，构成一个长为N、宽为7m+7的矩阵，将最后得到的这个矩阵作为卷积神经网络的输入。

9.根据权利要求8所述的配电网早期故障分类装置，其特征在于，

卷积神经网络模块中构建和训练卷积神经网络具体包括：

通过选择适合的网络架构、超参数，搭建起一个卷积神经网络；对于训练集中的数据，输入卷积神经网络的是每个事件对应的矩阵，标签是每个事件对应的故障种类，卷积神经网络通过标签调整自身的权重，使得输入事件对应矩阵时，输出为这一事件的标签。

10.根据权利要求9的配电网早期故障分类装置，其特征在于：

所述每个事件对应的故障种类包括早期故障和非早期故障。

11.根据权利要求10的配电网早期故障分类装置，其特征在于：

对于配网中的一个未知事件，得到这个未知事件对应的矩阵；将这一矩阵输入训练好的卷积神经网络，通过计算，网络将输出这个未知事件的标签，即故障种类。

12.根据权利要求11的配电网早期故障分类装置，其特征在于：

若输出的标签为早期故障，则上述未知事件属于早期故障，反之则不是。

Images