CN110726898A - 一种配电网故障类型识别方法 - Google Patents

Abstract

本发明公开了一种配电网故障类型识别方法，其特征在于，所述方法包括：获取配电网故障波形；对所述故障波形进行压缩编码，所述压缩编码包括对所述故障波形进行相似性运算和阈值编码以得到故障波形的特征压缩码；将所述特征压缩码输入分类模型得到配电网故障波形的类型。

Description

一种配电网故障类型识别方法

技术领域

本发明涉及电力技术领域，尤其涉及一种配电网故障类型的分类方法。

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发现处理，其中对配电网故障类型的识别是智能配 电网的重要功能。传统的配电网故障类型识别或是采用专家库方式将故障录波信 息与数据库信息进行对比推断故障类型，或是通过提取故障录波的特征值根据神 经网络模型识别故障类型。

CN108089099A中公开了一种基于深度置信网络的配电网故障诊断方法，包 括：获取原始配电网监测数据；原始数据降噪和归一化建模；设置配电网故障诊 断模型超参数。用70％的采集数据作为训练样本训练模型；用剩余30％样本测 试训练好的故障诊断模型，输出的六个节点分别表示三相发生两种故障的概率， 若精度不满足要求则重新训练；用模型监测配电网运行状态，若发生故障则可获 取故障类型及线路。深度置信网络模型的输入节点数设置为10个，包括开关3 个、电压电流数据6个、频率1个。由此可见，现有技术中在使用对故障录波进 行特征提取时特征数目的设定是有限的，特征数量选取过多时将导致神经网络模 型的训练变得困难，而特征数目过少时将导致波形的有效信息丢失，从而导致分类识别的准确性降低。且该方法对故障分类的类型数量是有限的，无法更详细的 体现故障信息。

发明内容

本发明所要解决的技术问题是通过故障录波的原始波形进行处理，降低有效 信息的丢失，以提高故障分类识别的准确性，同时使故障分类的类型数量更丰富。

为解决上述技术问题，本发明提供了一种配电网故障类型识别方法，其特征 在于，所述方法包括：

获取配电网故障波形；

对所述故障波形进行压缩编码，所述压缩编码包括对所述故障波形进行相似 性运算和阈值编码以得到故障波形的特征压缩码；

将所述特征压缩码输入分类模型得到配电网故障波形的类型。

在一个实施例中，所述相似性运算包括对故障波形以预定步长提取多个波形 片段，将波形片段及多个波形范本输入相似性模型中得到对应该波形片段的相似 性序列，由多个相似性序列构成相似性矩阵。

在一个实施例中，所述相似性模型中包括深度神经网络，波形片段及波形范 本输入到深度神经网络中得到特征向量，所述特征向量输入相似性公式得到相似 值，该波形片段对应于不同波形范本的相似值构成相似性序列。

在一个实施例中，所述深度神经网络包括卷积层区域和全连接层区域，在卷 积层区域包括输入卷积层、卷积块和平均池化层。

在一个实施例中，对所述相似性矩阵进行阈值编码获得特征压缩编码。

在一个实施例中，所述分类模型是递归神经网络分类器、SVC分类器或 softmax分类器。

本发明还提供一种配电网故障类型识别装置，所述装置包括：处理器，适用 于现实各指令；以及存储设备，适用于存储多条指令，所述指令适用于由处理器 加载并执行；所述指令包括：

获取配电网故障波形；

对所述故障波形进行压缩编码，所述压缩编码包括对所述故障波形进行相似 性运算和阈值编码以得到故障波形的特征压缩码；

将所述特征压缩码输入分类模型得到配电网故障波形的类型。

在一个实施例中，所述相似性运算包括对故障波形以预定步长提取多个波形 片段，将波形片段及多个波形范本输入相似性模型中得到对应该波形片段的相似 性序列，由多个相似性序列构成相似性矩阵。

在一个实施例中，所述相似性模型中包括深度神经网络，波形片段及波形范 本输入到深度神经网络中得到特征向量，所述特征向量输入相似性公式得到相似 值，该波形片段对应于不同波形范本的相似值构成相似性序列。

在一个实施例中，所述深度神经网络包括卷积层区域和全连接层区域，在卷 积层区域包括输入卷积层、卷积块和平均池化层。

在一个实施例中，对所述相似性矩阵进行阈值编码获得特征压缩编码。

在一个实施例中，所述分类模型是递归神经网络分类器、SVC分类器或 softmax分类器。

<关于波形压缩编码方法>

如图1a所示为本发明的故障波形分类方法流程示意图，图1b所示为本发明 的压缩编码方法示意图，本发明的压缩编码包括相似性运算和阈值编码两个步 骤，具体过程如下：

首先对采样点为n，采集相电流数为c的故障波形矩阵，以s为步长多次截 取长度为p的波形片段，得到P₁至P_L共L个波形片段。

将上述L个波形片段依次输入到范本相似性模型中，对于波形片段P_i而言， 当波形片段P_i输入到范本相似性运算模块中后，波形片段P_i分别与波形范本f₁至波形范本f_d组合，上述d组波形分别输入相似性模型中进行相似性运算从而得 到长度为1，深度为d的相似性序列。当P₁至P_L共L个波形片段均完成相似性 运算后则得到长度为L，深度为d的相似性矩阵。

随后，对长度为L，深度为d的相似性矩阵进行阈值编码，所述阈值编码是 指将长度为L，深度为d的相似性矩阵分成长度为l的[L/l]个片段，然后对每个 片段拆分成d个长度为l，深度为1的相似性序列，取每个长度为l，深度为1 的相似性序列中的最小值并与阈值相比较，若大于阈值则输出0，若小于阈值则 输出1。当d个长度为l的相似性序列均完成阈值判断后，则可得到一个长度为 [L/l]，深度为d的特征压缩码，从而完成了对波形的压缩编码。

其中步长s为正整数，p为波形相似范本f_i的波形长度。

图2所示为本发明中所使用的波形相似性范本f_i的示例，本发明的波形相似 性范本f_i均提取自真实故障波形，可以是由技术人员人工挑选的，也可以是由其 他智能识别模型提取的。

<关于相似性运算及相似性模型>

如图3所示为本发明所进行的相似性运算流程，其包括将波形片段P_i与波 形相似范本f_i分别输入深度神经网络，波形片段P_i经深度神经网络运算后得到特 征向量A，波形相似范本f_i经深度神经网络运算后得到特征向量B。特征向量A 与特征向量B输入相似性公式后得到相似值，由d个相似值构成长度为1，深度 为d的相似性序列。

图4是相似性模型中所使用的深度神经网络的结构示意图，该深度神经网络 包括卷积层区域和全连接层区域，在卷积层区域包括输入卷积层、卷积块、平均 池化层，本发明中的卷积层中所涉及的卷积运算采用现有技术中公知的卷积运算 方法，但本发明中在卷积运算中所使用的卷积核及相关参数是通过本发明的相似 性模型训练得到的优化参数。时序波形时间间隔小的采样点相关性强，越大则越 弱，适宜用卷积层提取特征。在卷积层区域中通过设置多层卷积层以实现对局部 到全局的特征提取，以及抽象到具体的特征提取。卷积层区域后连接全连接区域， 该全连接区域内部含两层全连接层及tanh输出层。所述全连接层区域中的第一 全连接层的神经元个数同样是通过本发明的相似性模型训练得到的优化参数。

如图5a至5c所示的是本发明卷积块具体结构，其中图5a中所示为两层卷 积结构，由两层卷积层叠加构成。图5b中所示为多通道结构，且每一通道均有 两层卷积层叠加构成。图5c中所示为另一多通道结构，每一通道由1至3层卷 积层构成。上述卷积块中的卷积核的相关参数以及通道数量，又或每一通道的卷 积层数均可由超参数机器训练得到。

本发明中还可以在卷积块的输入与输出之间增加残量连接，即将每一个卷积 块的输入与该卷积块的输出取和作为该卷积块的输出值，则有F(x)+x＝H(x)，其 中F(.)为卷积块函数，H(.)为下个模块的输入，x为上个模块的输出。又 F(x)＝H(x)-x，残量x的增加有利于F(.)参数的训练。

所述相似性公式使用如下的两点间距离公式，即：

上述相似值数值越小，则说明波形相似性越高。

<关于相似性模型的训练>

图6中所示为本发明的相似性模型训练流程图，该训练的目的在于，根据所 提供训练数据集、验证数据集和测试数据集训练得到上述深度神经网络分类器中 所需的全部参数，并获得相似性模型的最优参数组合。该机器训练过程如下：

a.将相似性模型结构输入超参数随机生成器；

b.由超参数随机生成器形成超参数组合模型池；

c.利用测试数据集对超参数组合模型池中的每一个超参数组合模型进行测 试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型 池，如测试未通过，则利用训练数据集对该超参数组合模型进行优化，优化后再 次测试，直到该模型测试通过。

d.利用验证数据集对已训练超参数组合模型池中的每一超参数组合模型进 行验证，验证通过的超参数组合模型即为最优超参数组合模型。

上述优化过程具体使用adam优化器，通过最小化训练数据集的损失值来优 化参数。每组训练数据均包含一个范本波形、一个与范本波形相似的相似波形和 一个与范本波形不相似的不相似波形。所述相似波形和不相似波形均由技术人员 人工挑选的，也可以是由其他智能识别模型提取的。如图7a至7c所示的即为一 组训练数据中的范本波形、相似波形和不相似波形。将范本波形、相似波形和不 相似波形分别输入深度神经网络，相似波形通过深度神经网络得到特征向量a， 范本波形通过深度神经网络得到特征向量b，不相似波形通过深度神经网络得到 特征向量c。特征向量a与特征向量b通过相似性公式得到相似值n，特征向量b 与特征向量c通过相似性公式得到相似值m，将相似值n和相似值m输入损失函数获得损失值，所述损失函数使用triplet损失函数，即：

cost＝max(n+γ-m，0)

其中，γ为常数，且训练数据集在选择时应满足：相似波形与范本波形的电 流变化趋势相似性高，且相似长度的交并比大于α；不相似波形同范本波形的电 流变化趋势相似性低，且相似长度的交并比小于β。

<关于故障类型分类器>

本发明中得到故障波形的压缩编码后，可以使用训练好的递归神经网络得到 分类结果，也可以对压缩编码提取时序无关的特征然后输入至训练好的SVC或 softmax分类器。

与现有技术相比，本发明具有如下优点：

1.本发明对故障原始波形进行处理，有效完整的保留了原始波形的原始信 息，从而提高了故障波形分类的准确性。

2.本发明可以通过增加范本波形数量种类的方法提高对故障波形分类的详 细程度，从而是故障波形的分类更细致。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书 中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过 在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明 的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1a是本发明的故障分类方法流程示意图；

图1b是本发明的压缩编码方法示意图；

图2是本发明的波形相似范本示意图；

图3是本发明的相似性运算流程示意图；

图4是本发明的深度神经网络的结构示意图；

图5a至5c是本发明的卷积块结构示意图；

图6是本发明的相似性模型训练流程图；

图7a至7c是本发明的是本发明的一组训练数据中的范本波形、相似波形和 不相似波形示意图；

图8是本发明一实施例的故障波形实例示意图；

图9是本发明一实施例的最优深度神经网络示意图。

图10是本发明一实施例的波形分类器结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明作进 一步地详细说明。

图8是原始的故障波形图，在对原始故障波形采集16个周波，以采样点为 1312个，采集三相和零序4相电流，得到故障波形矩阵为1312×4矩阵。

以s＝3，p＝82截取故障波形片段P_i，则得到P₁至P₄₁₁共411个波形片段， 将上述411个波形片段依次输入到具有30个波形范本的范本相似性模型中，即 d＝30。所述范本相似性模型中的深度神经网络中的参数使用本发明的模型的训练 方法获得，在进行模型训练时，损失函数中的参数设置为γ＝0.4，α＝0.8，β＝0.7， 训练时使用的训练数据集包含30000组相似波形和不相似波形数据，测试数据集 包含1000组相似波形和不相似波形数据，验证数据集包含1000组相似波形和不 相似波形数据，通过训练获得的深度神经网络结构如图9所示。

输入卷积层中的卷积核的宽和长为6×5，个数为8。

卷积块Ⅰ为单通道的双层卷积层，其中第一卷积层的卷积核的宽和长为 6×3，个数为8，第二卷积层的卷积核的宽和长为3×3，个数为16。

卷积块Ⅱ设置为具有三通道的卷积层，其通道a为双层卷积层，其中第一卷 积层的卷积核的宽和长为1×5，个数为16，第二卷积层的卷积核的宽和长为1×5， 个数为32。通道b为双层卷积层，其中第一卷积层的卷积核的宽和长为1×5，个 数为16，第二卷积层的卷积核的宽和长为1×5，个数为32。通道c为三层卷积 层，其中第一卷积层的卷积核的宽和长为1×3，个数为16，第二卷积层的卷积核 的宽和长为1×4，个数为16，第三卷积层的卷积核的宽和长为1×3，个数为32， 将卷积块Ⅱ三个通道的结果取和输入卷积块Ⅲ。

卷积块Ⅲ设置为具有三通道的卷积层，其通道a为双层卷积层，其中第一卷 积层的卷积核的宽和长为1×2，个数为32，第二卷积层的卷积核的宽和长为1×3， 个数为64。通道b为双层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个 数为32，第二卷积层的卷积核的宽和长为1×3，个数为64。通道c为三层卷积 层，其中第一卷积层的卷积核的宽和长为1×3，个数为32，第二卷积层的卷积核 的宽和长为1×3，个数为32，第三卷积层的卷积核的宽和长为1×3，个数为64， 将卷积块Ⅲ三个通道的结果取和输入卷积块Ⅳ。

本实施例中，在卷积块Ⅰ、卷积块Ⅱ和卷积块Ⅲ之间设置了残量连接，即输 入卷积层输出结果与卷积块Ⅰ输出结果取和输入卷积块Ⅱ，卷积块Ⅰ输出结果与 卷积块Ⅱ输出结果取和输入卷积块Ⅲ，卷积块Ⅱ输出结果与卷积块Ⅲ输出结果取 和输入平均池化层。通过设置残量连接可以加强卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅲ 参数训练。经平均池化层输出后进入两层全连接层，第一层全连接层的神经元个 数为24，第二层全连接层的的神经元个数为8。

通过上述深度神经网络获故障波形片段P₁至P₄₁₁转化为长度为411，深度为 30的相似性矩阵，该矩阵经过阈值编码获得长度为32，深度为30的特征压缩编 码。所述阈值设置为0.02。

所述特征压缩编码输入分类器获得波形故障类型结果，所述分类器具体为递 归神经网络。如图10所示为本实施例所使用的故障分类器结构示意图。将长度 为32，深度为30的特征压缩编码按时序分别输入32个长短时期记忆网络单元 (LSTM)，每个LSTM特征个数为12个。随后输入全连接层，所述全连接层的神 经元个数设置为13个，最后经过SOFTMAX函数输出故障波形类型。

以上所述，仅为本发明的具体实施案例，本发明的保护范围并不局限于此， 任何熟悉本技术的技术人员在本发明所述的技术规范内，对本发明的修改或替 换，都应在本发明的保护范围之内。

Claims (10)

1.一种配电网故障类型识别方法，其特征在于，所述方法包括：

获取配电网故障波形；

对所述故障波形进行压缩编码，所述压缩编码包括对所述故障波形进行相似性运算和阈值编码以得到故障波形的特征压缩码；

将所述特征压缩码输入分类模型得到配电网故障波形的类型。

2.根据权利要求1所述的配电网故障类型识别方法，其特征在于，所述相似性运算包括对故障波形以预定步长提取多个波形片段，将波形片段及多个波形范本输入相似性模型中得到对应该波形片段的相似性序列，由多个相似性序列构成相似性矩阵。

3.根据权利要求2所述的配电网故障类型识别方法，其特征在于，所述相似性模型中包括深度神经网络，波形片段及波形范本输入到深度神经网络中得到特征向量，所述特征向量输入相似性公式得到相似值，该波形片段对应于不同波形范本的相似值构成相似性序列。

4.根据权利要求3所述的配电网故障类型识别方法，其特征在于，所述深度神经网络包括卷积层区域和全连接层区域，在卷积层区域包括输入卷积层、卷积块和平均池化层。

5.根据权利要求1所述的配电网故障类型识别方法，其特征在于，所述分类模型是递归神经网络分类器、SVC分类器或softmax分类器。

6.一种配电网故障类型识别装置，所述装置包括：处理器，适用于现实各指令；以及存储设备，适用于存储多条指令，所述指令适用于由处理器加载并执行；所述指令包括：

获取配电网故障波形；

对所述故障波形进行压缩编码，所述压缩编码包括对所述故障波形进行相似性运算和阈值编码以得到故障波形的特征压缩码；

将所述特征压缩码输入分类模型得到配电网故障波形的类型。

7.根据权利要求6所述的配电网故障类型识别方法，其特征在于，所述相似性运算包括对故障波形以预定步长提取多个波形片段，将波形片段及多个波形范本输入相似性模型中得到对应该波形片段的相似性序列，由多个相似性序列构成相似性矩阵。

8.根据权利要求7所述的配电网故障类型识别方法，其特征在于，所述相似性模型中包括深度神经网络，波形片段及波形范本输入到深度神经网络中得到特征向量，所述特征向量输入相似性公式得到相似值，该波形片段对应于不同波形范本的相似值构成相似性序列。

9.根据权利要求8所述的配电网故障类型识别方法，其特征在于，所述深度神经网络包括卷积层区域和全连接层区域，在卷积层区域包括输入卷积层、卷积块和平均池化层。

10.根据权利要求6所述的配电网故障类型识别方法，其特征在于，所述分类模型是递归神经网络分类器、SVC分类器或softmax分类器。

Images