CN110082640B - 一种基于长短时记忆网络的配网单相接地故障辨识方法 - Google Patents

Abstract

本发明属于智能控制的技术领域，公开了一种基于长短时记忆网络的配网单相接地故障辨识方法，包括对单相接地故障进行含电弧故障类和不含电弧故障类的分类识别以及接地类型的分类识别，通过获取故障稳态期间连续多个周期的零序电流，以一个周期时间段的零序电流的波形作为一个样本点，对连续多个周期时间段的零序电流利用LSTM深度学习分类器进行含电弧故障类和不含电弧故障类的分类识别；含电弧故障类和不含电弧故障类的单相接地故障，分别通过利用连续多个周期故障相的瞬时电压和电流，计算连续多个周期时间段的单位周期接地过渡电阻，以一个周期时间段的单位周期接地过渡电阻的变化曲线作为一个样本点，对连续多个周期时间段的单位周期接地过渡电阻利用多层神经网络进行接地类型的分类识别，从而完成单相接地故障的辨识。

Description

一种基于长短时记忆网络的配网单相接地故障辨识方法

技术领域

本发明涉及配电网的技术领域，尤其涉及一种基于长短时记忆网络的配网单相接地故障辨识方法。

背景技术

我国中低压配网以架空线为主，线路的结构复杂，分支众多，易发生故障。据统计，电力系统在运行过程中，由配网故障造成的停电事故约占总停电事故的95％以上,其中70％的事故由单相接地故障或母线故障引发。为了实现配网系统故障的快速隔离，恢复配网系统的正常运行，需要准确快速地实现配电网的故障定位。目前故障定位主要依赖于人工巡线，故障类型辨识研究能够提供关键故障信息，给予方向性指导，实现故障的快速定位及故障处理。

单相接地故障点的判断一般都需要结合配电网的接地运行方式、接地点的弧光情况、接地点上下游的电气特征等信息进行综合判断。配电自动化系统主站具有强大的计算能力、海量存储能力、有完备的配电网图模数据和实时运行状态数据，因此配电网系统主站更适合从配电网全局高度，基于配电终端故障时的高频录波信息，进行多种算法的多判据融合，进行录波信息相关性解析，实现不同接地运行方式下、复杂配电网的单相接地故障选线与定位。

现有技术中，检测线路故障的方法通常采用如下方式：

基于单相接地故障发生后暂稳态的特征，给出了各种故障线路检测算法。

①基于稳态特征——零序电流群体比幅比相法

先进行零序电流比较，选出几个幅值较大的作为候选，然后在此基础上进行相位比较；如果某条线路方向与其它线路不同，则其为故障线路；如果所有零序电流同相位，则为母线装置。该方法被大多数选线装置所采用。该方法只能检测非瞬时接地故障，仅适用于中性点不接地系统，受过渡电阻影响大。

②基于稳态特征——零序无功功率方向法

利用中性点不接地系统故障线路零序电流相位滞后零序电压90°，而健全线路超前90°的特点，选择无功功率小于零(线路->母线)的线路为故障线路。该方法也是比较传统的方法，在欧洲应用较为广泛。该方法与“零序电流群体比幅比相法”的本质一样，仅适用于中性点不接地系统，且受过渡电阻影响大。

③基于暂态特征——零序无功功率方向法

计算馈线出线口，暂态信号持续时间内暂态无功功率Q的方向，Q<0表明暂态无功功率流向母线，为故障线路。

④基于暂态特征——电流相似性

计算馈线出线口，同一时刻不同线路之间暂态电流的相关性系数。相关系数接近于0的，为故障线路。稳态和暂态电流均可使用该方法选线，该方法也适用于故障点的定位。

但是，单相接地故障过程复杂，间歇性接地持续时间、消弧线圈补偿程度、过渡电阻等因素对故障电流的大小和方向影响较大，常常导致上述的某一种检测技术失效。实际工程施工过程中，常常由于工程造价原因、电力电子设备谐振原因，无法大面积的安装零序电流CT和零序电压PT装置，导致上述某一种算法失效。针对相关技术中对发生单相接地故障的线路进行辨识和定位的方法可靠性不高的技术问题，目前尚未提出有效的解决方案。

发明内容

本发明提供了一种基于长短时记忆网络的配网单相接地故障辨识方法，解决了现有辨识方法可靠性不高，主要依靠人工巡线，反应速度慢等问题。

本发明可通过以下技术方案实现：

一种基于长短时记忆网络LSTM的配网单相接地故障辨识方法，包括对单相接地故障进行含电弧故障类和不含电弧故障类的分类识别以及接地类型的分类识别，

通过获取故障稳态期间连续多个周期的零序电流，以一个周期时间段的零序电流的波形作为一个样本点，对连续多个周期时间段的零序电流利用LSTM深度学习分类器进行含电弧故障类和不含电弧故障类的分类识别；

含电弧故障类和不含电弧故障类的单相接地故障，分别通过利用连续多个周期故障相的瞬时电压和电流，计算连续多个周期时间段的单位周期接地过渡电阻，以一个周期时间段的单位周期接地过渡电阻的变化曲线作为一个样本点，对连续多个周期时间段的单位周期接地过渡电阻利用多层神经网络进行接地类型的分类识别，从而完成单相接地故障的辨识。

进一步，对于含电弧故障类的单相接地故障，所述接地类型包括干土地接地、干沙地接地和树枝接地，对于不含电弧故障类的单相接地故障，所述接地类型包括湿土地接地、湿沙地接地、湿水泥地接地和水阻接地。

进一步，进行含电弧故障类和不含电弧故障类分类识别的方法包括以下步骤：

步骤一、采集故障点的上游或者下游的三相瞬时电压、电流数据，每个周期采集N个点，分别标记为(u₁,u₂...u_N)，(i₁,i₂...i_N)，计算故障稳态期间连续多个周期时间段的零序电流，对应的一个周期时间段的零序电流序列标记为(I₁,I₂...I_N)；

步骤二、利用如下方程式，对连续多个周期时间段的零序电流序列中的各个值进行归一化处理；

其中，x＝1.2...N

步骤三、对归一化处理后的连续多个周期的零序电流，利用LSTM深度学习分类器进行含电弧故障类和不含电弧故障类的分类识别。

进一步，所述LSTM深度学习分类器的时间步长设置为10，输入层的特征规模设置为40，其隐层神经网络的结构设置为30×10，引入Dropout层，其对应的keep_prob的参数值设置为0.8，输出层由一层LSTM网络和Softmax网络层组成，输出数量设置为2。

进一步，进行接地类型分类识别的方法包括以下步骤：

步骤Ⅰ、利用如下方程式，计算单位周期接地过渡电阻

其中，u_k是故障相的瞬时电压，i_k是故障相的瞬时电流；

步骤Ⅱ、将一个周期时间段的单位周期接地过渡电阻对应的序列标记为(R(1),R(2)...R(N))，将其对应的变化曲线作为一个样本点，利用多层神经网络对连续多个周期时间段的单位周期接地过渡电阻进行分类识别，完成单相接地故障的接地类型识别。

进一步，所述多层神经网络设置有六层，输入层的特征规模设置为400，其后层的特征规模依次设置为100、80、40、12，分类目标数量为NumClass，其中对于不含电弧故障类，NumClass设置为4，对于含电弧故障类，NumClass设置为3，前三层均引入Dropout层，其对应的keep_prob参数值设置为0.8，输出层由Softmax网络层组成。

本发明有益的技术效果在于：

本发明通过故障点上游或者下游的样本数据，以一个周期时间段的零序电流序列的波形作为一个样本，对故障稳态期间连续多个周期时间段的零序电流序列的波形，利用LSTM深度学习分类器根据故障中电弧现象区分为含电弧故障类和不含电弧故障类，再对含电弧故障类和不含电弧故障类，分别构建结构相似的多层神经网络，以一个周期时间段的单位周期接地过渡电阻的变化曲线作为一个样本点，对连续多个周期时间段的单位周期接地过渡电阻利用多层神经网络进行接地类型的分类识别，从而完成对单相接地故障的辨识，整个过程的结构简单，计算快捷，将充分利用配网长时间运行数据，提高配电网的自动化水平，提高了配电网络对单相接地故障的反应速率和处理故障的能力。

附图说明

图1为本发明的总体流程示意图；

图2为本发明的采集故障数据的装置示意图；

图3为本发明的采用LSTM深度学习分类器对是否含电弧故障进行识别分类的准确率拟合变化曲线示意图。

具体实施方式

下面结合附图及较佳实施例详细说明本发明的具体实施方式。

如图1所示，本发明提供了一种基于长短时记忆网络的配网单相接地故障辨识方法，适用于中性点经消弧线圈接地的配电网系统单相接地故障辨识，主要包括对单相接地故障进行含电弧故障类和不含电弧故障类的分类识别以及接地类型的分类识别。

对于单相接地故障是否含电弧的分类识别，主要通过获取故障稳态期间连续多个周期时间段的零序电流，再以一个周期时间段的零序电流的波形作为一个样本点，对连续多个周期时间段的零序电流利用LSTM深度学习分类器进行含电弧故障类和不含电弧故障类的分类识别，以10KV配电线路的单相接地故障为例，利用如图2所示装置进行数据采集，具体如下：

步骤一、采集故障点的上游或者下游的三相瞬时电压、电流数据，每个周期采集N个点，分别标记为(u₁,u₂...u_N)，(i₁,i₂...i_N)，如N＝400即每个周期采集400个点，计算故障稳态期间连续多个周期时间段的零序电流，该零序电流由三相瞬时电流的基波的矢量和再除以三得到，对应的一个周期时间段的零序电流序列标记为(I₁,I₂...I_N)；

步骤二、由于是否含电弧的辨识，通过零序电流序列的波形进行形态特征辨识就可以得到，为了简化计算，获得其形态特征，可利用如下方程式，对连续多个周期时间段的零序电流序列中的各个值进行归一化处理；

其中，x＝1.2...N，I_min、I_max设置为每个周期的零序电流序列中的最小值和最大值；

步骤三、对归一化处理后的连续多个周期时间段的零序电流序列，以一个周期时间段的零序电流序列对应的波形作为一个样本点，利用LSTM深度学习分类器进行含电弧故障类和不含电弧故障类的分类识别。

随着随机森林、深度信念网络等深度网络模型越来越多地应用在电力系统中，长短时记忆网络模型LSTM，Long Short Term Memory是由循环神经网络改进得到，和其他结构相比较，长短时记忆网络在结构上建立不同时间段之间数据的依赖关系，并且在训练过程中更容易收敛，因此本发明采用LSTM深度学习分类器对是否含电弧故障进行识别分类。该LSTM深度学习分类器的时间步长设置为20，对于一个含有400个采样点的波形，则其输入层的特征规模应设置为40，其隐层神经网络的结构设置为30×10，引入Dropout层，其对应的keep_prob的参数值设置为0.8，输出层由一层LSTM网络和Softmax网络层组成，输出数量设置为2。

该网络训练的学习速度设置为0.001，网络求解最优方法为adam优化算法，所有样本的对数损失即为每个样本的对数损失的平均值，对于完美的分类器,其对数损失应为0。损失函数采用二分类对数损失函数binary_crossentropy，公式如下：

其中，y_i表示输入实例x_i的真实类别，p_i表示LSTM深度学习分类器对输入实例x_i的输出类别为正的概率，Num表示故障样本数量。由于时间步长设置为20，将输入样本重构为400×20×20的张量，与LSTM结构的输入层相对应以700组故障稳态期间的波形样本数据为例，其训练标签为是否为不含电弧接地故障，即0-1分类标签。将700组样本数据中的200组作为故障验证数据，其余500组作为网络训练数据，其分类结果如表1所示。可利用如下方程式，计算识别分类的准确率，其准确率的变化曲线如图3所示：

其中，Npos表示正类样本被准确分类的数量，Nneg表示负类样本被准确分类的数量。

表1基于LSTM结构的网络分类结果

在完成是否含电弧故障分类后，就可以进行接地类型的识别分类，对于含电弧故障类和不含电弧故障类的单相接地故障，分别通过利用连续多个周期故障相的瞬时电压和电流，计算连续多个周期时间段的单位周期接地过渡电阻，一个周期时间段的单位周期接地过渡电阻的变化曲线作为一个样本点，对连续多个周期时间段的单位周期接地过渡电阻利用多层神经网络进行接地类型的分类识别，从而完成接地类型的辨识，具体如下：

步骤Ⅰ、从采集故障点的上游或者下游的三相瞬时电压、电流数据中选取故障相的瞬时电压和瞬时电流数据，同样一个周期时间段采集400个点，可利用如下方程式，计算单位周期接地过渡电阻

其中，u_k是故障相的瞬时电压，i_k是故障相的瞬时电流；

步骤Ⅱ、将一个周期时间段的单位周期接地过渡电阻对应的序列标记为(R(1),R(2)...R(N))，将其对应的变化曲线作为一个样本点，利用多层神经网络对连续多个周期时间段的单位周期接地过渡电阻进行分类识别，完成单相接地故障的接地类型识别。

该多层神经网络设置有六层，输入层的特征规模设置为400，其后层的特征规模依次设置为100、80、40、12，分类目标数量设置为NumClass，其中对于不含电弧故障类，接地类型的辨识包括四类，分别为湿土地接地、湿沙地接地、湿水泥地接地和水阻接地，因此NumClass设置为4，对于含电弧故障类，接地类型的辨识包括三类，分别为干土地接地、干沙地接地和树枝接地，因此NumClass设置为3，前三层均引入Dropout层，其对应的keep_prob参数值设置为0.8，输出层由Softmax网络层组成。

将该多层神经网络训练的学习速度设置0.001，网络求解最优方法采用adam优化算法，损失函数为多分类对数损失函数categorical_crossentropy，其公式如下：

式中，Num表示故障样本数量，M为待分类的类别数量，y_ij是表示对输入x_i是否分类准确，即j是否为x_i的真实类别，p_ij为多层神经网络对输入x_i的输出，即属于类别j的概率值。

以100组连续周期时间段的单位周期接地过渡电阻样本数据为例，从中随机抽取20％作为故障验证数据，其余作为网络训练数据。采用如下方程式，计算正确率评价分类器性能，其分类结果如表2所示，

其中，N_true,j表示第j类样本被准确分类的数量，Num_class表示所有样本类别的数量。

表2对具体各类型接地故障的神经网络分类

本发明通过故障点上游或者下游的样本数据，以一个周期时间段的零序电流序列的波形作为一个样本，对故障稳态期间连续多个周期时间段的零序电流序列的波形，利用LSTM深度学习分类器根据故障中电弧现象区分为含电弧故障类和不含电弧故障类，再对含电弧故障类和不含电弧故障类，分别构建结构相似的多层神经网络，以一个周期时间段的单位周期接地过渡电阻的变化曲线作为一个样本点，对连续多个周期时间段的单位周期接地过渡电阻利用多层神经网络进行接地类型的分类识别，从而完成对单相接地故障的辨识，整个过程的结构简单，计算快捷，准确率高，提高了配电网络对单相接地故障的反应速率和处理故障的能力。另外，鉴于单相接地故障的特点，均会使一段时间内的瞬时电流、电压发生变化，因此不管是否含电弧辨识还接地类型辨识，本发明均采用一个周期时间段的数据即零序电流序列或者单位周期接地过渡电阻对应的波形作为一个样本点，而非单一的数值，利用分类器对其在一段时间内的变化特征进行分类训练，提高分类准确率。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。

Claims (4)

1.一种基于长短时记忆网络的配网单相接地故障辨识方法，其特征在于：包括对单相接地故障进行含电弧故障类和不含电弧故障类的分类识别以及接地类型的分类识别，

通过获取故障稳态期间连续多个周期的零序电流，以一个周期时间段的零序电流的波形作为一个样本点，对连续多个周期时间段的零序电流利用LSTM深度学习分类器进行含电弧故障类和不含电弧故障类的分类识别；

含电弧故障类和不含电弧故障类的单相接地故障，分别通过利用连续多个周期故障相的瞬时电压和电流，计算连续多个周期时间段的单位周期接地过渡电阻，以一个周期时间段的单位周期接地过渡电阻的变化曲线作为一个样本点，对连续多个周期时间段的单位周期接地过渡电阻利用多层神经网络进行接地类型的分类识别，从而完成单相接地故障的辨识。

进行含电弧故障类和不含电弧故障类分类识别的方法包括以下步骤：

步骤一、采集故障点的上游或者下游的三相瞬时电压、电流数据，每个周期采集N个点，分别标记为u₁,u₂...u_N和i₁,i₂...i_N，计算故障稳态期间连续多个周期时间段的零序电流，对应的一个周期时间段的零序电流序列标记为I₁,I₂...I_N；

步骤二、利用如下方程式，对连续多个周期时间段的零序电流序列中的各个值进行归一化处理；

其中，x＝1.2...N，I_min、I_max设置为每个周期的零序电流序列中的最小值和最大值；

步骤三、对归一化处理后的连续多个周期时间段的零序电流，利用LSTM深度学习分类器进行含电弧故障类和不含电弧故障类的分类识别；

进行接地类型分类识别的方法包括以下步骤：

步骤Ⅰ、利用如下方程式，计算单位周期接地过渡电阻

其中，u_k是故障相的瞬时电压，i_k是故障相的瞬时电流；

步骤Ⅱ、将一个周期时间段的单位周期接地过渡电阻对应的序列标记为R(1),R(2)...R(N)，将其对应的变化曲线作为一个样本点，利用多层神经网络对连续多个周期时间段的单位周期接地过渡电阻进行分类识别，完成单相接地故障的接地类型识别。

2.根据权利要求1所述的基于长短时记忆网络的配网单相接地故障辨识方法，其特征在于：对于含电弧故障类的单相接地故障，所述接地类型包括干土地接地、干沙地接地和树枝接地，对于不含电弧故障类的单相接地故障，所述接地类型包括湿土地接地、湿沙地接地、湿水泥地接地和水阻接地。

3.根据权利要求1所述的基于长短时记忆网络的配网单相接地故障辨识方法，其特征在于：所述LSTM深度学习分类器的时间步长设置为10，输入层的特征规模设置为40，其隐层神经网络的结构设置为30×10，引入Dropout层，其对应的keep_prob的参数值设置为0.8，输出层由一层LSTM网络和Softmax网络层组成，输出数量设置为2。

4.根据权利要求1所述的基于长短时记忆网络的配网单相接地故障辨识方法，其特征在于：所述多层神经网络设置有六层，输入层的特征规模设置为400，其后层的特征规模依次设置为100、80、40、12，分类目标数量设置为NumClass，其中对于不含电弧故障类，NumClass设置为4，对于含电弧故障类，NumClass设置为3，前三层均引入Dropout层，其对应的keep_prob参数值设置为0.8，输出层由Softmax网络层组成。

Images