CN111160241B - 一种基于深度学习的配电网故障分类方法、系统和介质 - Google Patents
一种基于深度学习的配电网故障分类方法、系统和介质 Download PDFInfo
- Publication number
- CN111160241B CN111160241B CN201911381606.3A CN201911381606A CN111160241B CN 111160241 B CN111160241 B CN 111160241B CN 201911381606 A CN201911381606 A CN 201911381606A CN 111160241 B CN111160241 B CN 111160241B
- Authority
- CN
- China
- Prior art keywords
- fault
- waveform data
- target
- harmonic content
- original
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 103
- 238000013135 deep learning Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013145 classification model Methods 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims description 23
- 230000000750 progressive effect Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 18
- 230000009471 action Effects 0.000 description 10
- 230000035945 sensitivity Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及一种基于深度学习的配电网故障分类方法、系统和介质，包括获取多个原始故障波形数据组；对每个原始故障波形数据组分别进行处理，得到目标样本数据；将所有目标样本数据制作成数据集，并将数据集划分成训练集和测试集，构建深度学习网络模型，利用训练集对深度学习网络模型进行训练得到原始故障分类模型；利用测试集对原始故障分类模型进行参数调优得到优化故障分类模型；获取实时故障波形数据组，并对实时故障波形数据组进行处理，得到待测故障数据，利用优化故障分类模型对待测故障数据进行实时识别，得到故障实时分类结果。本发明利用深度学习的强分类优势对配电网中的故障进行快速可靠地识别与分类，识别效率高，分类准确率高。
Description
技术领域
本发明涉及电力系统继电保护技术领域，尤其涉及一种基于深度学习的配电网故障分类方法、系统和介质。
背景技术
随着越来越多的分布式可再生能源以高渗透率接入配电网，如风能、光伏等，使得配电网的结构愈发复杂，各种大功率机组、大功率电气设备等不断地投入直流配电网运行，增加了配电网短路电流带来的危害。而不同于交流系统，直流系统作为低惯性系统在发生故障后会迅速产生高额的短路电流，危害电网设备的安全，因此需要快速地对故障进行精确检测，以便及时采取相应的措施。而直流配电网存在众多的故障类型，其往往通过并网换流站接入交流大电网，因此不仅有直流侧接地故障和极间故障，交流侧故障也会通过换流器影响到直流系统的稳定。在检测出故障后，需要对故障类型进行精确辨识以确定保护的动作情况。为了保证保护的可靠动作，对故障的精确识别就显得尤为重要。
目前，直流配电网中所广泛使用的保护类型多是基于本地测量的保护，其保护基本参数需要通过仿真试验来进行整定，这就难以避免地存在参数精确性问题。同时，针对直流侧的保护方案，需要躲过交流侧的故障对直流侧带来的影响，其保护动作门槛值设置极为保守，因而对直流侧高阻故障的识别能力不足，保护的灵敏性有待加强。为了降低保护误动作给直流配电网带来的风险，亟需一种灵敏性更强的故障识别和故障分类方案。
随着人工智能的发展，机器学习开始广泛运用于多种场景。而其中具有代表性的深度学习神经网络因具有较强的特征识别能力而在分类问题上得以广泛应用，但是在电力系统上的应用还较少，目前也还没有一种有效的方法将深度学习应用到配电网的故障识别与分类上。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的配电网故障分类方法、系统和介质，能利用深度学习的强分类优势对配电网中的故障进行快速可靠地识别与分类，解决了现有技术中在对直流配电网故障进行识别时，门槛值设置过程复杂，保护灵敏性差的技术问题。
本发明解决上述技术问题的技术方案如下：
一种基于深度学习的配电网故障分类方法，包括以下步骤：
步骤1：获取直流配电网的多个原始故障波形数据组；
步骤2：对每个原始故障波形数据组分别进行处理，得到每个原始故障波形数据组一一对应的目标样本数据；
步骤3：将所有目标样本数据制作成数据集，并将所述数据集划分成训练集和测试集，构建深度学习网络模型，利用所述训练集对所述深度学习网络模型进行训练，得到原始故障分类模型；
步骤4：利用所述测试集对所述原始故障分类模型进行参数调优，得到优化故障分类模型；
步骤5：获取所述直流配电网的实时故障波形数据组，并按照所述步骤2的处理方法，对所述实时故障波形数据组进行处理，得到所述实时故障波形数据组对应的待测故障数据，利用所述优化故障分类模型对所述待测故障数据进行实时识别，得到所述直流配电网的故障实时分类结果。
本发明的有益效果是：通过获取直流配电网的原始故障波形数据组，再对原始故障波形数据组进行预处理，可以得到质量更高的目标样本数据，便于后续根据该质量更高的目标样本数据制作成数据集，作为深度学习网络的输入信号，基于深度学习方法，利用训练集对构建的深度学习网络模型进行初训练，得到能对直流配电网的故障实时检测与分类的原始故障分类模型；再利用测试集对原始故障分类模型进行参数调优，可以有效减小该原始故障分类模型的分类误差，得到故障识别与分类准确率更高的优化故障分类模型；通过获取直流配电网的实时故障波形数据组，并采取步骤2中同样的处理方法，得到待测故障数据输入到优化故障分类模型中，实现了对直流配电网的故障实时地、快速地和可靠地识别与分类，得到的故障实时分类结果以便及时采取相应的措施；
本发明利用深度学习的强分类优势对配电网中的故障进行快速可靠地识别与分类，解决了现有技术中在对直流配电网故障进行识别时，门槛值设置过程复杂，保护灵敏性差的技术问题，识别效率高，分类准确率高，有利于降低直流配电网根据故障进行的保护动作的误动作率。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步：所述步骤1的具体步骤包括：
步骤11：构建所述直流配电网的仿真模型，并设置所述仿真模型的故障场景；
步骤12：按照预设采样频率，根据所述仿真模型和所述故障场景，采集所述直流配电网的多个原始故障波形数据组；
其中，原始故障波形数据组包括直流母线上的原始正极电压波形数据、原始负极电压波形数据、原始正极电流波形数据和原始负极电流波形数据。
进一步：所述步骤2的具体步骤包括：
步骤21：按照预设数据窗长，从每个原始故障波形数据组中分别截取每个原始故障波形数据组一一对应的目标故障波形数据组；
其中，目标故障波形数据组包括目标正极电压波形数据、目标负极电压波形数据、目标正极电流波形数据和目标负极电流波形数据；
步骤22：选取任一个目标故障波形数据组，按照预设谐波含量提取方法，从选取的目标故障波形数据组中的目标正极电压波形数据中分别提取多次谐波含量，得到选取的目标故障波形数据组中，与目标正极电压波形数据对应的正极电压谐波含量集合；
步骤23：在选取的目标故障波形数据组中，对正极电压谐波含量集合进行最大-最小归一化处理，得到与目标正极电压波形数据对应的处理正极电压谐波含量集合；
步骤24：在选取的目标故障波形数据组中，按照所述步骤22至所述步骤23的方法，得到与目标负极电压波形数据对应的处理负极电压谐波含量集合、与目标正极电流波形数据对应的处理正极电流谐波含量集合以及与目标负极电流波形数据对应的处理负极电流谐波含量集合；
步骤25：在选取的目标故障波形数据组中，按照预设拼接顺序，将处理正极电压谐波含量集合、处理负极电压谐波含量集合、处理正极电流谐波含量集合和处理负极电流谐波含量集合拼接在一起，得到选取的目标故障波形数据组对应的目标样本数据；
步骤26：遍历每个目标故障波形数据组，按照所述步骤22至所述步骤25的方法，得到每个目标故障波形数据组一一对应的目标样本数据。
进一步：所述预设谐波含量提取方法具体包括：
从选取的目标故障波形数据组的一个样本中提取k次谐波含量，得到与所述样本对应的k次样本谐波含量，其中，k＝1,2,3，…K；
将与所述样本对应的1至K次样本谐波含量进行集合，得到选取的目标故障波形数据组中，与所述样本对应的样本谐波含量集合；
其中，所述样本为目标正极电压波形数据或目标负极电压波形数据或目标正极电流波形数据或目标负极电流波形数据；对应的，所述k次样本谐波含量为k次正极电压谐波含量或k次负极电压谐波含量或k次正极电流谐波含量或k次负极电流谐波含量；对应的，所述样本谐波含量集合为正极电压谐波含量集合或负极电压谐波含量集合或正极电流谐波含量集合或负极电流谐波含量集合。
进一步：所述步骤3中，所述深度学习网络模型具体包括一层初始层RBM、多层渐进层RBM和一层前馈网络，还包括一层用于将输出结果转化为概率值的softmax分类器；
所述步骤3中，所述原始故障分类模型输出的概率值为：
其中，Mi为所述原始故障分类模型中第i个未经过softmax分类器的输出结果，Mi′为所述原始故障分类模型中第i个输出结果经过softmax分类器后转化得到的概率值，e为自然指数，n为所述原始故障分类模型输出的概率值总个数。
进一步：所述步骤4的具体步骤包括：
步骤41：将所述测试集输入所述原始故障分类模型中，计算所述原始故障分类模型在多个网络参数集合下的分类损失率；
所述分类损失率的计算公式为：
其中，e％为所述分类损失率，Yij为所述测试集对应的第j组预期输出结果中的第i个概率值，M′ij为所述测试集对应的第j组实际输出结果中的第i个概率值，m为所述测试集的数据总数；
步骤42：将所有所述分类损失率中的最小值所对应的网络参数集合确定为所述原始故障分类模型的最优网络参数集合，根据所述最优网络参数集合和所述原始故障分类模型得到所述优化故障分类模型。
进一步：所述网络参数集合包括RBM层数、RBM输出向量维数、迭代次数和学习率。
依据本发明的另一方面，提供了一种基于深度学习的配电网故障分类系统，包括数据获取模块、数据处理模块、模型获取模块、参数优化模块和故障分类模块；
所述数据获取模块，用于获取直流配电网的多个原始故障波形数据组；还用于获取所述直流配电网的实时故障波形数据组；
所述数据处理模块，用于对每个原始故障波形数据组分别进行处理，得到每个原始故障波形数据组一一对应的目标样本数据；还用于对所述实时故障波形数据组进行处理，得到所述实时故障波形数据组对应的待测故障数据；
所述模型获取模块，用于将所有目标样本数据制作成数据集，并将所述数据集划分成训练集和测试集，构建深度学习网络模型，利用所述训练集对所述深度学习网络模型进行训练，得到原始故障分类模型；
所述参数优化模块，用于利用所述测试集对所述原始故障分类模型进行参数调优，得到优化故障分类模型；
所述故障分类模块，用于利用所述优化故障分类模型对所述待测故障数据进行实时识别，得到所述直流配电网的故障实时分类结果。
本发明的有益效果是：利用深度学习的强分类优势对配电网中的故障进行快速可靠地识别与分类，解决了现有技术中在对直流配电网故障进行识别时，门槛值设置过程复杂，保护灵敏性差的技术问题，识别效率高，分类准确率高，有利于降低直流配电网根据故障进行的保护动作的误动作率。
依据本发明的另一方面，提供了一种基于深度学习的配电网故障分类系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本发明的一种基于深度学习的配电网故障分类方法中的步骤。
本发明的有益效果是：通过存储在存储器上的计算机程序，并运行在处理器上，实现本发明直流配电网的故障分类，利用深度学习的强分类优势对配电网中的故障进行快速可靠地识别与分类，解决了现有技术中在对直流配电网故障进行识别时，门槛值设置过程复杂，保护灵敏性差的技术问题，识别效率高，分类准确率高，有利于降低直流配电网根据故障进行的保护动作的误动作率。
依据本发明的另一方面，提供了一种计算机存储介质，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现本发明的一种基于深度学习的配电网故障分类方法中的步骤。
本发明的有益效果是：通过执行包含至少一个指令的计算机存储介质，实现本发明直流配电网的故障分类，利用深度学习的强分类优势对配电网中的故障进行快速可靠地识别与分类，解决了现有技术中在对直流配电网故障进行识别时，门槛值设置过程复杂，保护灵敏性差的技术问题，识别效率高，分类准确率高，有利于降低直流配电网根据故障进行的保护动作的误动作率。
附图说明
图1为本发明实施例一中一种基于深度学习的配电网故障分类方法的流程示意图；
图2为本发明实施例一中获取原始故障波形数据组的流程示意图；
图3为本发明实施例一中构建的直流配电网的仿真模型图；
图4为本发明实施例一中得到目标样本数据的流程示意图；
图5为本发明实施例一中其中一个原始故障波形数据组对应的目标样本数据的示意图；
图6为本发明实施例一中深度学习网络模型的训练过程的流程示意图；
图7为本发明实施例一中得到优化故障分类模型的流程示意图；
图8为本发明实施例二中一种基于深度学习的配电网故障分类系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
下面结合附图，对本发明进行说明。
实施例一、如图1所示，一种基于深度学习的配电网故障分类方法，包括以下步骤：
S1：获取直流配电网的多个原始故障波形数据组；
S2：对每个原始故障波形数据组分别进行处理，得到每个原始故障波形数据组一一对应的目标样本数据；
S3：将所有目标样本数据制作成数据集，并将所述数据集划分成训练集和测试集，构建深度学习网络模型，利用所述训练集对所述深度学习网络模型进行训练，得到原始故障分类模型；
S4：利用所述测试集对所述原始故障分类模型进行参数调优，得到优化故障分类模型；
S5：获取所述直流配电网的实时故障波形数据组，并按照S2的处理方法，对所述实时故障波形数据组进行处理，得到所述实时故障波形数据组对应的待测故障数据，利用所述优化故障分类模型对所述待测故障数据进行实时识别，得到所述直流配电网的故障实时分类结果。
本实施例利用深度学习的强分类优势对配电网中的故障进行快速可靠地识别与分类，解决了现有技术中在对直流配电网故障进行识别时，门槛值设置过程复杂，保护灵敏性差的技术问题，识别效率高，分类准确率高，有利于降低直流配电网根据故障进行的保护动作的误动作率。
优选地，如图2所示，S1的具体步骤包括：
S11：构建所述直流配电网的仿真模型，并设置所述仿真模型的故障场景；
S12：按照预设采样频率，根据所述仿真模型和所述故障场景，采集所述直流配电网的多个原始故障波形数据组；
其中，原始故障波形数据组包括直流母线上的原始正极电压波形数据、原始负极电压波形数据、原始正极电流波形数据和原始负极电流波形数据。
通过构建仿真模型，便于获取大量符合实际直流配电网的原始故障波形数据组，从而便于后续制作数据集，基于深度学习获取原始故障分类模型；由于直流配电网的故障类型包括极间短路、正极接地、负极接地和交流侧故障等，因此通过设置仿真模型的故障场景，便于获取不同故障类型下的原始故障波形数据，进而便于后续为不同故障类型下的原始故障波形数据设置对应的标签值，建立故障类型与标签值一一对应的关系，从而保证最终的优化故障分类模型能直接输出与故障类型对应的标签值所对应的输出结果，直观清晰地根据输出结果判定出故障类型，实现对直流配电网故障的精确分类；其中，故障场景既包括发生不同故障类型下的场景，还包括在同一种故障类型下，不同过渡电阻或不同距离或不同时刻下的场景，还包括正常运行下的场景；
同时，由于故障类型包括极间短路、正极接地、负极接地和交流侧故障等，而在不同故障场景下，直流母线上的原始正极电压波形数据、原始负极电压波形数据、原始正极电流波形数据和原始负极电流波形数据均会有不同程度的不同，因此在构建好仿真模型并设置仿真模型的故障场景后，需要按照预设采样频率采集直流母线上的原始正极电压波形数据、原始负极电压波形数据、原始正极电流波形数据和原始负极电流波形数据，便于后续根据上述波形数据提取到与故障类型相关的特征信息；其中，预设采样频率可根据实际情况选择和调整。
具体地，本实施例S11中，基于PSCAD/EMTDC仿真平台，搭建了如图3所示的±10kV双端直流配电网模型，即为本实施例的仿真模型；设置的故障场景有极间短路、正极接地、负极接地、交流侧故障和正常运行共五种类型。
具体地，本实施例S12中，整流侧换流站额定容量为100MVA，预设采样频率为50kHz；通过图3所示的仿真模型得到不同故障场景下的原始故障波形数据组共18000组，每各原始故障波形数据组中均包括一个原始正极电压波形数据、一个原始负极电压波形数据、一个原始正极电流波形数据和一个原始负极电流波形数据；其中，极间故障、正极接地故障、负极接地故障和交流侧故障所对应的原始故障波形数据组各有4000组，正常运行所对应的原始故障波形数据组有2000组。
优选地，如图4所示，S2的具体步骤包括：
S21：按照预设数据窗长，从每个原始故障波形数据组中分别截取每个原始故障波形数据组一一对应的目标故障波形数据组；
其中，目标故障波形数据组包括目标正极电压波形数据、目标负极电压波形数据、目标正极电流波形数据和目标负极电流波形数据；
S22：选取任一个目标故障波形数据组，按照预设谐波含量提取方法，从选取的目标故障波形数据组中的目标正极电压波形数据中分别提取多次谐波含量，得到选取的目标故障波形数据组中，与目标正极电压波形数据对应的正极电压谐波含量集合；
S23：在选取的目标故障波形数据组中，对正极电压谐波含量集合进行最大-最小归一化处理，得到与目标正极电压波形数据对应的处理正极电压谐波含量集合；
S24：在选取的目标故障波形数据组中，按照S22至S23的方法，得到与目标负极电压波形数据对应的处理负极电压谐波含量集合、与目标正极电流波形数据对应的处理正极电流谐波含量集合以及与目标负极电流波形数据对应的处理负极电流谐波含量集合；
S25：在选取的目标故障波形数据组中，按照预设拼接顺序，将处理正极电压谐波含量集合、处理负极电压谐波含量集合、处理正极电流谐波含量集合和处理负极电流谐波含量集合拼接在一起，得到选取的目标故障波形数据组对应的目标样本数据；
S26：遍历每个目标故障波形数据组，按照S22至S25的方法，得到每个目标故障波形数据组一一对应的目标样本数据。
具体地，所述预设谐波含量提取方法具体包括：
从选取的目标故障波形数据组的一个样本中提取k次谐波含量，得到与所述样本对应的k次样本谐波含量，其中，k＝1,2,3，…K；
将与所述样本对应的1至K次样本谐波含量进行集合，得到选取的目标故障波形数据组中，与所述样本对应的样本谐波含量集合；
其中，所述样本为目标正极电压波形数据或目标负极电压波形数据或目标正极电流波形数据或目标负极电流波形数据；对应的，所述k次样本谐波含量为k次正极电压谐波含量或k次负极电压谐波含量或k次正极电流谐波含量或k次负极电流谐波含量；对应的，所述样本谐波含量集合为正极电压谐波含量集合或负极电压谐波含量集合或正极电流谐波含量集合或负极电流谐波含量集合。
由于不同故障场景下的原始故障波形数据组中，并不是所有时刻下都发生故障，即只有发生故障时刻前后一段时间的波形数据才是判断故障类型的特征数据，因此按照预设数据窗长，从每个原始故障波形数据组截取一段数据，即目标故障波形数据组，一方面能有效减少数据运算量，有效提高故障识别效率，另一方面能排除一些与故障无关的信息或干扰信息，更能方便后续准确判断出故障类型；由于原始故障波形数据组中包括原始正极电压波形数据、原始负极电压波形数据、原始正极电流波形数据和原始负极电流波形数据，因此原始故障波形数据组中的每个波形数据均需要按照预设数据窗长截取，即得到的每个目标故障波形数据组中均包括目标正极电压波形数据、目标负极电压波形数据、目标正极电流波形数据和目标负极电流波形数据；
由于谐波是波形经过傅里叶变换后所得到的分量，是交流量中减去基波分量后所得到的量，在直流配电网中，目标故障波形数据组的每个波形中的谐波含量是产生故障的直接体现，因此通过提取谐波含量，更能获取与故障相关以及与故障类型相关的特征数据，便于后续基于深度学习训练得到识别准确率更高的原始故障分类模型，从而准确地判断是否故障以及发生何种故障；而通过分别提取多次谐波含量，进一步提高基于深度学习训练得到的原始故障分类模型的识别准确率；在对任一个目标故障波形数据组提取多次谐波含量之后，得到该目标故障波形数据组对应的谐波含量总集(包括正极电压谐波含量集合、负极电压谐波含量集合、正极电流谐波含量集合和负极电流谐波含量集合)，对谐波含量总集中的每个谐波含量集合分别进行最大-最小归一化处理，便于对所有谐波含量集合按照同一个标准进行分析，还便于后续将每个谐波含量总集中的所有谐波含量集合拼接在一起；而通过拼接得到的目标样本数据，就是制作数据集的样本，方便制作数据集和后续的训练过程；
需要说明的是，在S22中，对选取的目标故障波形数据组中的目标正极电压波形数据分别提取多次谐波含量，是指分别提取目标正极电压波形数据的一次谐波含量、二次谐波含量、……和K次谐波含量，即得到目标正极电压波形数据对应的一次正极电压谐波含量、二次正极电压谐波含量、……和K次正极电压谐波含量，该目标正极电压波形数据的所有谐波含量(也称所有k次正极电压谐波含量，k取正整数，共K个)构成了目标正极电压波形数据的正极电压谐波含量集合；其中，k的数值视具体情况而定；
同理，在S24中，按照S22同样的方法，对选取的目标故障波形数据组中的一个样本分别提取多次谐波含量，此时，样本除了指目标正极电压波形数据，还可以指目标负极电压波形数据或目标正极电流波形数据或目标负极电流波形数据；分别提取多次谐波含量，则指分别提取样本的一次样本谐波含量、二次样本谐波含量、……和K次样本谐波含量，该样本的1至K次样本谐波含量进行集合，构成了该样本对应的样本谐波含量集合，即分别得到与目标负极电压波形数据对应的负极电压谐波含量集合，与目标正极电流波形数据对应的正极电流谐波含量集合，与目标负极电流波形数据对应的负极电流谐波含量集合。
具体地，本实施例S21中，预设数据窗长取1ms，对于故障类型下的故障场景所对应的原始故障波形数据组，以故障发生时刻为数据窗起始时刻，而对于正常运行下的故障场景所对应的原始故障波形数据组，数据窗起始时刻不作限定；预设采样频率为50kHz，即每个目标故障波形数据组中的每个波形数据共有50个采样点。
具体地，本实施例k分别取1、2、3……和7，即对每个目标故障波形数据组中的四种类型波形数据分别取1次至7次谐波含量，即对于每个目标故障波形数据组，其中的目标正极电压波形数据所对应的正极电压谐波含量集合包含7个谐波含量，同理，负极电压谐波含量集合、正极电流谐波含量集合和负极电流谐波含量集合均包含7个谐波含量；因此，每个目标故障波形数据组均对应28个谐波含量。
具体地，本实施例S23中，对正极电压谐波含量集合中的7个谐波含量分别进行最大-最小归一化处理，将数据映射至区间[0,1]，得到的处理正极电压谐波含量集合包含7个处理谐波含量；则在S24中，每个目标故障波形数据组也同样均对应28个处理谐波含量；其中，最大-最小归一化处理的公式具体为：
其中，在正极电压谐波含量集合的任一个谐波含量中，pmin和pmax分别为最小元素和最大元素，pt为在最大-最小归一化处理前的第t个元素，pt'为在最大-最小归一化处理后向量的第t个元素。
具体地，本实施例S25中，在选取的目标故障波形数据组中，共28个处理谐波含量(即处理正极电压谐波含量集合中包含1次至7次处理正极电压谐波含量，处理负极电压谐波含量集合中包含1次至7次处理负极电压谐波含量，处理正极电流谐波含量集合中包含1次至7次处理正极电流谐波含量，处理负极电流谐波含量集合中包含1次至7次处理负极电流谐波含量)，按照处理正极电压谐波含量1至7次→处理负极电压谐波含量1至7次→处理正极电流谐波含量1至7次→处理负极电流谐波含量1至7次的顺序拼接，得到一个包含有28个元素的行向量，则得到选取的目标故障波形数据组对应的目标样本数据是一个包含28个元素的数据，如图5所示；同理，在S26中，每个目标故障波形数据组均按照同样的方法拼接，每个目标样本数据均包含28个元素。
优选地，S3中，所述深度学习网络模型具体包括一层初始层RBM、多层渐进层RBM和一层前馈网络，还包括一层用于将输出结果转化为概率值的softmax分类器；
S3中，所述原始故障分类模型输出的概率值为：
其中，Mi为所述原始故障分类模型中第i个未经过softmax分类器的输出结果，Mi′为所述原始故障分类模型中第i个输出结果经过softmax分类器后转化得到的概率值，e为自然指数，n为所述原始故障分类模型输出的概率值总个数。
通过上述构成的深度学习网络模型，可以保证得到训练效果好、分类效果好的原始故障分类模型；通过softmax分类器可以将输出结果转变为概率值，更便于本实施例中的多种互斥的故障类型的区分，更便于直观地分析输出结果和掌握故障类型；其中，RBM是指受限玻尔兹曼机(Restricted Boltzmann Machine)，其原理和具体结构为现有技术，此处不再赘述；softmax分类器是以多项式分布为模型建模的，通过概率值将多种互斥的类别准确分类出来。
具体地，在本实施例S3中，将所有目标样本数据制作成数据集时，为每个目标样本数据设置标签值，具体情况设置情况如表1所示。
表1目标样本数据中设置的标签值与故障类型的对应关系
根据所有目标样本数据制作成数据集之后，按照分层抽样的原则随机取60％作为训练集，取剩下40％作为测试集。
具体地，在本实施例S3中，深度学习网络模型具体包括一层初始层RBM、多层渐进层RBM和一层前馈网络，每层RBM均由输入层和输出层组成；如图6所示，本实施例中基于深度学习网络模型的训练过程如下：
S31：初始层RBM接收输入层实际向量，根据输入层实际向量、权值、输入层状态偏置和输出层状态偏置计算初始层RBM的输出层实际向量、输入层重构向量和输出层重构向量；
具体地，初始层RBM接收输入层实际向量p，并通过权值wxy和状态偏置sy计算输出层实际向量q，再通过q反过来计算输入层重构向量p′，利用p′并通过权值wxy和状态偏置lx计算输出层重构向量q′；
利用权值和状态偏置进行实际向量与重构向量之间相互计算的公式如下：
其中，px为初始层RBM中第x个输入层实际向量，qy为初始层RBM中第y个输出层实际向量，wxy为第x个输入层实际向量与第y个输出层实际向量之间的权值，lx为初始层RBM中第x个输入层状态偏置，sy为初始层RBM中第y个输出层状态偏置，X为输入层向量维数，Y为输出层向量维数；
S32：根据输入层实际向量、输出层实际向量、输入层重构向量、输出层重构向量和预设学习率对权值计算权值变化量，根据权值变化量对权值进行更新；
权值变化量的计算公式如下：
Δwxy＝(pxqy-p′xq′y)×ε；
其中，Δwxy为第x个输入层实际向量与第y个输出层实际向量之间的权值变化量，ε为学习率，px为初始层RBM中第x个输入层重构向量，qy为初始层RBM中第y个输出层重构向量；
S33：根据预设迭代次数和更新的权值，完成初始层RBM的训练；
S34：将初始层RBM的输出层实际向量作为渐进层RBM的输入层实际向量，按照S31至S33中初始层RBM的训练方法，完成第一层渐进层RBM的训练；将第一层渐进层RBM的输出层实际向量作为第二层渐进层RBM的输入层实际向量，重复步骤S31至S33初始层RBM的训练方法，完成第二层渐进层RBM的训练；逐层递进，将前一层渐进层RBM的输出层实际向量作为后一层渐进层RBM的输入层实际向量，重复步骤S31至S33初始层RBM的训练方法，直至后一层渐进层RBM为最后一层渐进层RBM时，完成所有渐进层RBM的训练；
S35：将最后一层渐进层RBM的输出层实际向量输入前馈网络中，按照预设标签值对前馈网络的输出层实际向量进行误差计算，并将误差反向传递至所有RBM，对RBM的权值进行最终调节。
优选地，如图7所示，S4的具体步骤包括：
S41：将所述测试集输入所述原始故障分类模型中，计算所述原始故障分类模型在多个网络参数集合下的分类损失率；
所述分类损失率的计算公式为：
其中，e％为所述分类损失率，Yij为所述测试集对应的第j组预期输出结果中的第i个概率值，M′ij为所述测试集对应的第j组实际输出结果中的第i个概率值，m为所述测试集的数据总数；
S42：将所有所述分类损失率中的最小值所对应的网络参数集合确定为所述原始故障分类模型的最优网络参数集合，根据所述最优网络参数集合和所述原始故障分类模型得到所述优化故障分类模型。
优选地，所述网络参数集合包括RBM层数、RBM输出向量维数、迭代次数和学习率。
通过计算不同网络参数集合下的原始故障分类模型的分类损失率，当分类损失率越小时，说明测试集输入该原始故障分类模型后，预期输出结果与实际输出结果之间的偏差越小，而预期输出结果就是测试集中预先标注好的标签值，则说明该原始故障分类模型的实际输出结果与真实结果非常接近；因此将分类损失率的最小值时对应的参数作为该原始故障分类模型的最优参数，在该最优参数下的原始故障分类模型可以视为最优化的故障分类模型，即优化故障分类模型，通过分类损失率来对模型的网络参数调优，可以保证得到分类效果最好的优化故障分类模型，对直流配电网的故障类型的分类准确率更高；其中，RBM层数包括初始层RBM的层数和渐进层RBM的层数，RBM输出向量维数包括初始层RBM的输出向量维数和渐进层RBM的输出向量维数。
具体地，本实施例在S41中，计算不同网络参数集合下的分类损失率，具体计算情况如表2所示。需要说明的是，表2中只列举了部分网络参数。
表2不同网络参数集合下的分类损失率
从表2中可以看出，最优网络参数集合包括：1层初始层RBM、3层渐进层RBM，初始层RBM的输出向量维数为50，渐进层RBM的输出向量维数为100，迭代次数为40，学习率为0.01，在上述最优网络参数集合下，对应的分类损失率为0.0013。
具体地，对于S5，采用S2中同样的方法对实时采集的实际直流配电网中的实时故障波形数据组进行处理(包括按照预设数据窗长截取数据、按照预设谐波含量提取方法提取1至7次谐波含量、最大-最小归一化处理以及按照预设拼接顺序进行拼接)，得到待测故障数据后，输入S42中得到的优化故障分类模型中，可得到5中输出结果，具体如下：
输出结果中若对应第1个标签值，则判定为直流侧极间短路故障；若对应第2个标签值，则判定为正极接地短路故障，若对应第3个标签值，则判定为负极接地故障；若对应第4个标签值，则判定为交流侧故障；若对应第5个标签值，则判定为正常运行(或无故障)。
具体地，本实施例S5中，分别实时采集4种故障类型(即不包括正常运行)下的实时故障波形数据，输入优化故障分类模型中，输出结果具体如表3所示。
表3四种故障类型下优化故障分类模型的输出结果
实施例二、如图8所示，一种基于深度学习的配电网故障分类系统，包括数据获取模块、数据处理模块、模型获取模块、参数优化模块和故障分类模块；
所述数据获取模块，用于获取直流配电网的多个原始故障波形数据组；还用于获取所述直流配电网的实时故障波形数据组；
所述数据处理模块，用于对每个原始故障波形数据组分别进行处理，得到每个原始故障波形数据组一一对应的目标样本数据；还用于对所述实时故障波形数据组进行处理，得到所述实时故障波形数据组对应的待测故障数据；
所述模型获取模块，用于将所有目标样本数据制作成数据集，并将所述数据集划分成训练集和测试集，构建深度学习网络模型，利用所述训练集对所述深度学习网络模型进行训练，得到原始故障分类模型；
所述参数优化模块，用于利用所述测试集对所述原始故障分类模型进行参数调优，得到优化故障分类模型；
所述故障分类模块，用于利用所述优化故障分类模型对所述待测故障数据进行实时识别，得到所述直流配电网的故障实时分类结果。
利用深度学习的强分类优势对配电网中的故障进行快速可靠地识别与分类，解决了现有技术中在对直流配电网故障进行识别时，门槛值设置过程复杂，保护灵敏性差的技术问题，识别效率高，分类准确率高，有利于降低直流配电网根据故障进行的保护动作的误动作率。
优选地，所述数据获取模块具体用于：
构建所述直流配电网的仿真模型，并设置所述仿真模型的故障场景；
按照预设采样频率，根据所述仿真模型和所述故障场景，采集所述直流配电网的多个原始故障波形数据组；
其中，原始故障波形数据组包括直流母线上的原始正极电压波形数据、原始负极电压波形数据、原始正极电流波形数据和原始负极电流波形数据。
本实施例中的数据获取模块通过构建仿真模型，便于获取大量符合实际直流配电网的原始故障波形数据组，从而便于后续制作数据集，基于深度学习获取原始故障分类模型；由于直流配电网的故障类型包括极间短路、正极接地、负极接地和交流侧故障等，因此通过设置仿真模型的故障场景，便于获取不同故障类型下的原始故障波形数据，进而便于后续为不同故障类型下的原始故障波形数据设置对应的标签值，建立故障类型与标签值一一对应的关系，从而保证最终的优化故障分类模型能直接输出与故障类型对应的标签值所对应的输出结果，直观清晰地根据输出结果判定出故障类型，实现对直流配电网故障的精确分类。
优选地，所述数据处理模块具体用于：
按照预设数据窗长，从每个原始故障波形数据组中分别截取每个原始故障波形数据组一一对应的目标故障波形数据组；
其中，目标故障波形数据组包括目标正极电压波形数据、目标负极电压波形数据、目标正极电流波形数据和目标负极电流波形数据；
选取任一个目标故障波形数据组，按照预设谐波含量提取方法，从选取的目标故障波形数据组中的目标正极电压波形数据中分别提取多次谐波含量，得到选取的目标故障波形数据组中，与目标正极电压波形数据对应的正极电压谐波含量集合；
在选取的目标故障波形数据组中，对正极电压谐波含量集合进行最大-最小归一化处理，得到与目标正极电压波形数据对应的处理正极电压谐波含量集合；
在选取的目标故障波形数据组中，分别得到与目标负极电压波形数据对应的处理负极电压谐波含量集合、与目标正极电流波形数据对应的处理正极电流谐波含量集合以及与目标负极电流波形数据对应的处理负极电流谐波含量集合；
在选取的目标故障波形数据组中，按照预设拼接顺序，将处理正极电压谐波含量集合、处理负极电压谐波含量集合、处理正极电流谐波含量集合和处理负极电流谐波含量集合拼接在一起，得到选取的目标故障波形数据组对应的目标样本数据；
遍历每个目标故障波形数据组，得到每个目标故障波形数据组一一对应的目标样本数据。
本实施例通过数据处理模块按照预设数据窗长，从每个原始故障波形数据组截取一段数据，即目标故障波形数据组，一方面能有效减少数据运算量，有效提高故障识别效率，另一方面能排除一些与故障无关的信息或干扰信息，更能方便后续准确判断出故障类型；通过提取谐波含量，更能获取与故障相关以及与故障类型相关的特征数据，便于后续基于深度学习训练得到识别准确率更高的原始故障分类模型，从而准确地判断是否故障以及发生何种故障；而通过分别提取多次谐波含量，进一步提高基于深度学习训练得到的原始故障分类模型的识别准确率；通过最大-最小归一化处理，便于对所有谐波含量集合按照同一个标准进行分析，还便于后续将每个谐波含量总集中的所有谐波含量集合拼接在一起；而通过拼接得到的目标样本数据，就是制作数据集的样本，方便制作数据集和后续的训练过程。
优选地，所述参数优化模块具体用于：
将所述测试集输入所述原始故障分类模型中，计算所述原始故障分类模型在多个网络参数集合下的分类损失率；
将所有所述分类损失率中的最小值所对应的网络参数集合确定为所述原始故障分类模型的最优网络参数集合，根据所述最优网络参数集合和所述原始故障分类模型得到所述优化故障分类模型。
本实施例的参数优化模块通过计算不同网络参数集合下的原始故障分类模型的分类损失率，当分类损失率越小时，说明测试集输入该原始故障分类模型后，预期输出结果与实际输出结果之间的偏差越小，而预期输出结果就是测试集中预先标注好的标签值，则说明该原始故障分类模型的实际输出结果与真实结果非常接近；因此将分类损失率的最小值时对应的参数作为该原始故障分类模型的最优参数，在该最优参数下的原始故障分类模型可以视为最优化的故障分类模型，即优化故障分类模型，通过分类损失率来对模型的网络参数调优，可以保证得到分类效果最好的优化故障分类模型，对直流配电网的故障类型的分类准确率更高。
实施例三、基于实施例一和实施例二，本实施例还公开了一种基于深度学习的配电网故障分类系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如图1所示的S1至S5的具体步骤。
通过存储在存储器上的计算机程序，并运行在处理器上，实现本发明直流配电网的故障分类，利用深度学习的强分类优势对配电网中的故障进行快速可靠地识别与分类，识别效率高，分类准确率高，有利于降低直流配电网根据故障进行的保护动作的误动作率。
本实施例还提供一种计算机存储介质，所述计算机存储介质上存储有至少一个指令，所述指令被执行时实现所述S1至S5的具体步骤。
通过执行包含至少一个指令的计算机存储介质，实现本发明直流配电网的故障分类，利用深度学习的强分类优势对配电网中的故障进行快速可靠地识别与分类，识别效率高，分类准确率高，有利于降低直流配电网根据故障进行的保护动作的误动作率。
本实施例中S1至S5的未尽细节，详见实施例一以及图1至图7的具体描述内容，此处不再赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习的配电网故障分类方法，其特征在于，包括以下步骤：
步骤1：获取直流配电网的多个原始故障波形数据组；
步骤2：对每个原始故障波形数据组分别进行处理，得到每个原始故障波形数据组一一对应的目标样本数据；
步骤3：将所有目标样本数据制作成数据集，并将所述数据集划分成训练集和测试集，构建深度学习网络模型，利用所述训练集对所述深度学习网络模型进行训练，得到原始故障分类模型；
步骤4：利用所述测试集对所述原始故障分类模型进行参数调优，得到优化故障分类模型；
步骤5：获取所述直流配电网的实时故障波形数据组，并按照所述步骤2的处理方法，对所述实时故障波形数据组进行处理，得到所述实时故障波形数据组对应的待测故障数据，利用所述优化故障分类模型对所述待测故障数据进行实时识别，得到所述直流配电网的故障实时分类结果；
所述步骤2的具体步骤包括：
步骤21：按照预设数据窗长，从每个原始故障波形数据组中分别截取每个原始故障波形数据组一一对应的目标故障波形数据组；
其中，目标故障波形数据组包括目标正极电压波形数据、目标负极电压波形数据、目标正极电流波形数据和目标负极电流波形数据；
步骤22：选取任一个目标故障波形数据组，按照预设谐波含量提取方法，从选取的目标故障波形数据组中的目标正极电压波形数据中分别提取多次谐波含量，得到选取的目标故障波形数据组中，与目标正极电压波形数据对应的正极电压谐波含量集合；
步骤23：在选取的目标故障波形数据组中，对正极电压谐波含量集合进行最大-最小归一化处理，得到与目标正极电压波形数据对应的处理正极电压谐波含量集合；
步骤24：在选取的目标故障波形数据组中，按照所述步骤22至所述步骤23的方法，分别得到与目标负极电压波形数据对应的处理负极电压谐波含量集合、与目标正极电流波形数据对应的处理正极电流谐波含量集合以及与目标负极电流波形数据对应的处理负极电流谐波含量集合；
步骤25：在选取的目标故障波形数据组中，按照预设拼接顺序，将处理正极电压谐波含量集合、处理负极电压谐波含量集合、处理正极电流谐波含量集合和处理负极电流谐波含量集合拼接在一起，得到选取的目标故障波形数据组对应的目标样本数据；
步骤26：遍历每个目标故障波形数据组，按照所述步骤22至所述步骤25的方法，得到每个目标故障波形数据组一一对应的目标样本数据。
2.根据权利要求1所述的基于深度学习的配电网故障分类方法，其特征在于，所述步骤1的具体步骤包括：
步骤11：构建所述直流配电网的仿真模型，并设置所述仿真模型的故障场景；
步骤12：按照预设采样频率，根据所述仿真模型和所述故障场景，采集所述直流配电网的多个原始故障波形数据组；
其中，原始故障波形数据组包括直流母线上的原始正极电压波形数据、原始负极电压波形数据、原始正极电流波形数据和原始负极电流波形数据。
3.根据权利要求1所述的基于深度学习的配电网故障分类方法，其特征在于，所述预设谐波含量提取方法具体包括：
从选取的目标故障波形数据组的一个样本中提取k次谐波含量，得到与所述样本对应的k次样本谐波含量，其中，k＝1,2,3，…K；
将与所述样本对应的1至K次样本谐波含量进行集合，得到选取的目标故障波形数据组中，与所述样本对应的样本谐波含量集合；
其中，所述样本为目标正极电压波形数据或目标负极电压波形数据或目标正极电流波形数据或目标负极电流波形数据；对应的，所述k次样本谐波含量为k次正极电压谐波含量或k次负极电压谐波含量或k次正极电流谐波含量或k次负极电流谐波含量；对应的，所述样本谐波含量集合为正极电压谐波含量集合或负极电压谐波含量集合或正极电流谐波含量集合或负极电流谐波含量集合。
4.根据权利要求1所述的基于深度学习的配电网故障分类方法，其特征在于，所述步骤3中，所述深度学习网络模型具体包括一层初始层RBM、多层渐进层RBM和一层前馈网络，还包括一层用于将输出结果转化为概率值的softmax分类器；
所述步骤3中，所述原始故障分类模型输出的概率值为：
其中，Mi为所述原始故障分类模型中第i个未经过softmax分类器的输出结果，M′i为所述原始故障分类模型中第i个输出结果经过softmax分类器转化得到的概率值，e为自然指数，n为所述原始故障分类模型输出的概率值总个数。
5.根据权利要求4所述的基于深度学习的配电网故障分类方法，其特征在于，所述步骤4的具体步骤包括：
步骤41：将所述测试集输入所述原始故障分类模型中，计算所述原始故障分类模型在多个网络参数集合下的分类损失率；
所述分类损失率的计算公式为：
其中，e％为所述分类损失率，Yij为所述测试集对应的第j组预期输出结果中的第i个概率值，M′ij为所述测试集对应的第j组实际输出结果中的第i个概率值，m为所述测试集的数据总数；
步骤42：将所有所述分类损失率中的最小值所对应的网络参数集合确定为所述原始故障分类模型的最优网络参数集合，根据所述最优网络参数集合和所述原始故障分类模型得到所述优化故障分类模型。
6.根据权利要求5所述的基于深度学习的配电网故障分类方法，其特征在于，所述网络参数集合包括RBM层数、RBM输出向量维数、迭代次数和学习率。
7.一种基于深度学习的配电网故障分类系统，其特征在于，包括数据获取模块、数据处理模块、模型获取模块、参数优化模块和故障分类模块；
所述数据获取模块，用于获取直流配电网的多个原始故障波形数据组；还用于获取所述直流配电网的实时故障波形数据组；
所述数据处理模块，用于对每个原始故障波形数据组分别进行处理，得到每个原始故障波形数据组一一对应的目标样本数据；还用于对所述实时故障波形数据组进行处理，得到所述实时故障波形数据组对应的待测故障数据；
所述模型获取模块，用于将所有目标样本数据制作成数据集，并将所述数据集划分成训练集和测试集，构建深度学习网络模型，利用所述训练集对所述深度学习网络模型进行训练，得到原始故障分类模型；
所述参数优化模块，用于利用所述测试集对所述原始故障分类模型进行参数调优，得到优化故障分类模型；
所述故障分类模块，用于利用所述优化故障分类模型对所述待测故障数据进行实时识别，得到所述直流配电网的故障实时分类结果；
所述数据处理模块，具体用于根据步骤21：按照预设数据窗长，从每个原始故障波形数据组中分别截取每个原始故障波形数据组一一对应的目标故障波形数据组；其中，目标故障波形数据组包括目标正极电压波形数据、目标负极电压波形数据、目标正极电流波形数据和目标负极电流波形数据；根据步骤22：选取任一个目标故障波形数据组，按照预设谐波含量提取方法，从选取的目标故障波形数据组中的目标正极电压波形数据中分别提取多次谐波含量，得到选取的目标故障波形数据组中，与目标正极电压波形数据对应的正极电压谐波含量集合；根据步骤23：在选取的目标故障波形数据组中，对正极电压谐波含量集合进行最大-最小归一化处理，得到与目标正极电压波形数据对应的处理正极电压谐波含量集合；根据步骤24：在选取的目标故障波形数据组中，按照所述步骤22至所述步骤23的方法，分别得到与目标负极电压波形数据对应的处理负极电压谐波含量集合、与目标正极电流波形数据对应的处理正极电流谐波含量集合以及与目标负极电流波形数据对应的处理负极电流谐波含量集合；根据步骤25：在选取的目标故障波形数据组中，按照预设拼接顺序，将处理正极电压谐波含量集合、处理负极电压谐波含量集合、处理正极电流谐波含量集合和处理负极电流谐波含量集合拼接在一起，得到选取的目标故障波形数据组对应的目标样本数据；根据步骤26：遍历每个目标故障波形数据组，按照所述步骤22至所述步骤25的方法，得到每个目标故障波形数据组一一对应的目标样本数据。
8.一种基于深度学习的配电网故障分类系统，其特征在于，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求1至6任一项权利要求所述的方法步骤。
9.一种计算机存储介质，其特征在于，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现如权利要求1至6任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911381606.3A CN111160241B (zh) | 2019-12-27 | 2019-12-27 | 一种基于深度学习的配电网故障分类方法、系统和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911381606.3A CN111160241B (zh) | 2019-12-27 | 2019-12-27 | 一种基于深度学习的配电网故障分类方法、系统和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160241A CN111160241A (zh) | 2020-05-15 |
| CN111160241B true CN111160241B (zh) | 2022-08-12 |
Family
ID=70558796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911381606.3A Expired - Fee Related CN111160241B (zh) | 2019-12-27 | 2019-12-27 | 一种基于深度学习的配电网故障分类方法、系统和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160241B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111650923B (zh) * | 2020-05-28 | 2023-09-26 | 成都交大许继电气有限责任公司 | 一种可视化故障分析系统 |
| CN113466630B (zh) * | 2021-07-19 | 2023-10-24 | 广东电网有限责任公司广州供电局 | 一种基于rsspn模型的配电网故障原因分类方法 |
| CN113807007B (zh) * | 2021-08-25 | 2023-05-23 | 中国南方电网有限责任公司 | 一种电网短路故障判别方法及系统 |
| CN113848445A (zh) * | 2021-10-11 | 2021-12-28 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于Vce的SST中IGBT短路断路故障监测方法 |
| CN114169249A (zh) * | 2021-12-16 | 2022-03-11 | 福州大学 | 一种配电网高阻接地故障人工智能识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
| CN108562821A (zh) * | 2018-05-08 | 2018-09-21 | 中国电力科学研究院有限公司 | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 |
| CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
| CN110018395A (zh) * | 2019-04-24 | 2019-07-16 | 华中科技大学 | 一种hdvc线路的故障识别方法、系统、装置及存储介质 |
| CN110398663A (zh) * | 2019-07-03 | 2019-11-01 | 东南大学 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
| AU2019280259A1 (en) * | 2018-06-07 | 2021-01-07 | Federation University Australia | A method of estimating the location of a fault on an electrical distribution network and an associated system |
-
2019
- 2019-12-27 CN CN201911381606.3A patent/CN111160241B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
| CN108562821A (zh) * | 2018-05-08 | 2018-09-21 | 中国电力科学研究院有限公司 | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 |
| AU2019280259A1 (en) * | 2018-06-07 | 2021-01-07 | Federation University Australia | A method of estimating the location of a fault on an electrical distribution network and an associated system |
| CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
| CN110018395A (zh) * | 2019-04-24 | 2019-07-16 | 华中科技大学 | 一种hdvc线路的故障识别方法、系统、装置及存储介质 |
| CN110398663A (zh) * | 2019-07-03 | 2019-11-01 | 东南大学 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Wavelet-Multi Resolution Analysis Based ANN Architecture for Fault Detection and Localization in DC Microgrids;D. K. J. S. JAYAMAHA et al.;《IEEE Access》;20191003;145371-145384 * |
| 基于卷积深度置信网络的配电网故障分类方法;洪翠;《电力自动化设备》;20191130;64-70 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160241A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160241B (zh) | 一种基于深度学习的配电网故障分类方法、系统和介质 | |
| CN110398663B (zh) | 一种基于卷积神经网络的柔性直流电网故障识别方法 | |
| CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
| WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
| CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN109766952B (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
| CN110726898B (zh) | 一种配电网故障类型识别方法 | |
| CN108535572B (zh) | 基于基波零序特征的计量系统二次回路监测方法及装置 | |
| CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
| CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
| CN116432112A (zh) | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 | |
| CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
| CN114021433A (zh) | 一种电力系统的主导失稳模式识别模型的构建方法及应用 | |
| Damala et al. | A simple decision tree-based disturbance monitoring system for VSC-based HVDC transmission link integrating a DFIG wind farm | |
| CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
| CN113610119A (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| Ogar et al. | The use of artificial neural network for low latency of fault detection and localisation in transmission line | |
| CN112083275A (zh) | 一种配网故障类型识别方法及系统 | |
| Moreira et al. | Evaluation of pattern recognition algorithms for applications on power factor compensation | |
| CN112287953A (zh) | 一种用于gis绝缘缺陷类别识别的方法及系统 | |
| CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
| CN114740730A (zh) | 基于卷积神经网络的svg参数优化辨识方法 | |
| Lima et al. | A modified negative selection algorithm applied in the diagnosis of voltage disturbances in distribution electrical systems | |
| Kiliç et al. | A Robust Data-Driven Approach for Fault Detection in Photovoltaic Arrays |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220812 |