CN112083275A - 一种配网故障类型识别方法及系统 - Google Patents

Abstract

本发明公开了一种配网故障类型识别方法及系统，包括，利用LSTM结构建立深度网络模型辨识故障零序电流中的电弧特征以区分可靠接地故障与不可靠接地故障；将所述可靠接地故障与所述不可靠接地故障作为分类目标、故障电阻有效值序列作为输入量，基于接地电阻稳态有效值构建神经网络分类模型；利用所述神经网络分类模型识别接地故障类型。本发明通过深度网络对数据中的特征实现自动提取和辨识，且LSTM网络对可靠性接地故障和不可靠接地故障的分类性能较好，通过数据样本训练学习网络来对接接地故障辨识具有更高的方便性，无需人工提取特征，在此基础上，对各类型接地故障分类的多层神经网络分类模型能达到较高的识别准确率。

Description

一种配网故障类型识别方法及系统

技术领域

本发明涉及配电网接地故障识别技术领域，尤其涉及一种配网故障类型识别方法及系统。

背景技术

随着电力系统技术的不断发展以及设备升级，电力运行数据也逐渐形成有规律的积累。同时越来越多的监测装置如PMU实现了低成本化，能够在配电网中广泛使用，这意味着配电网中可用的数据将不断丰富，可用性不断提高。

在现今电网设备的自动化升级背景下，配电网配套监测设备成本不断降低，对配电网运行和故障信息的监测手段不断丰富和完善，依靠单一设备监测的方法已难以满足从统一、全局层面保障配网正常运行的需求。随着我国智能电网的建设，国家和用户对供电可靠性的要求越来越高，到2020年我国供电可靠率要达到99.82％，配网线路故障占用户停电故障的绝大多数，因此及时快速的定位并处理配网线路故障是实现上述目标的重要手段。从电网运行的信息中对故障原因进行辨识，对故障原因形成系统日志，通过分析其发生频率以及每次故障的严重程度等数据信息，针对故障情况进行线路维护和操作，能够提供给配电网安全维护和运行更加丰富的信息，是从引发电网事故的主要源头上建立起进一步防御，能够提高配电网运行可靠性目标的重要保证，对提高电网安全运行可靠性具有十分重要的意义。近年来基于暂态法的配网线路故障定位技术大大提高了对单相接地故障的适应性，但是仅能将故障定位至区间，给故障点排查带来了一定的难度。若能进一步根据故障监测波形对故障类型进行判断，为故障巡线工人提供更加丰富、详细的故障信息，可大大提高故障排查的效率。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种配网故障类型识别方法，能够对各种接地故障类型进行准确识别。

为解决上述技术问题，本发明提供如下技术方案：包括，利用LSTM结构建立深度网络模型辨识故障零序电流中的电弧特征以区分可靠接地故障与不可靠接地故障；将所述可靠接地故障与所述不可靠接地故障作为分类目标、故障电阻有效值序列作为输入量，基于接地电阻稳态有效值构建神经网络分类模型；利用所述神经网络分类模型识别接地故障类型。

作为本发明所述的一种配网故障类型识别方法的一种优选方案，其中：建立所述深度网络模型之前需采集各类型接地故障数据波形，构建样本数据集；利用所述样本数据集分别对所述深度网络模型和所述神经网络分类模型进行训练；直至所述深度网络模型和所述神经网络分类模型输出识别分类结果时，停止训练。

作为本发明所述的一种配网故障类型识别方法的一种优选方案，其中：构建所述深度网络模型包括，定义所述LSTM的时间步长为10，则输入层特征规模为40；利用所述LSTM网络与Softmax网络层组成分类输出层，输出数量为2；所述输入层与所述分类输出层构成所述深度网络模型，且结合adam优化策略求解以二分类对数损失函数为目标的所述深度网络模型，如下，

其中，y_i：输入实例x_i的真实类别，p_i：分类器对输入实例x_i的输出类别为正的概率，N：故障样本数量。

作为本发明所述的一种配网故障类型识别方法的一种优选方案，其中：还包括，定义保持的所述概率为0.8、网络训练的学习速度为0.001；定义所述样本数据集的对数损失为每个样本对数损失的平均值，所述分类器的对数损失为0；调整所述时间步长为20，将输入的所述样本数据集重构为400×20×20的张量并与所述LSTM结构的输入层相对应。

作为本发明所述的一种配网故障类型识别方法的一种优选方案，其中：训练所述深度网络模型包括，将截取故障稳态期间的单位周波零序电流作为单个样本数据；采集故障波形并对其进行标签分类，分别定义为所述可靠接地故障与所述不可靠接地故障；随机选取所述样本数据集中的500组作为训练集，200组作为验证集；利用所述训练集对所述深度网络模型进行损失优化计算，直至输入实例的输出类别为正的概率大于0.8时结束训练；利用所述验证集验证所述深度网络模型的分类准确率，定义所述准确率为每一个随机样本所预测的结果与其实际类型相同的概率，如下，

其中，N_pos：正类样本被准确分类的数量，N_neg：负类样本被准确分类的数量。

作为本发明所述的一种配网故障类型识别方法的一种优选方案，其中：构建所述神经网络分类模型包括，分别以输入层400、100、80、40、12和Num_class建立六层网络分类的并网络；定义在所述可靠接地故障中Num_class＝5，在所述不可靠接地故障中Num_class＝3；利用所述adam优化策略构建以损失函数为多分类对数损失函数目标函数的所述神经网络分类模型，如下，

其中，N：样本输入数量，M：待分类的类别数量，y_ij：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：网络分类器(所述神经网络分类模型)对输入x_i的输出(即属于类别j的概率值)。

作为本发明所述的一种配网故障类型识别方法的一种优选方案，其中：所述神经网络分类模型基于所述接地电阻有效值进行构建，还包括，对所述样本数据集中的任一故障数据均结合故障相电压和故障电流计算所述接地电阻有效值，如下，

其中，u_k：所述故障相电压，i_k：所述故障电流，R_t：所述接地过渡电阻。

作为本发明所述的一种配网故障类型识别方法的一种优选方案，其中：训练所述神经网络分类模型还包括，将截取故障稳态期间的单位周波数据作为单个样本数据并标记其样本标签为多类别标签；随机抽取标记为所述多类别标签中80％的所述样本数据集作为所述训练集，剩余20％作为所述验证集；利用所述训练集训练所述神经网络分类模型，直至输出分类数量满足分类目标数量Num_class时停止训练；利用所述验证集验证训练结束的所述神经网络分类模型的正确率，如下，

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

作为本发明所述的一种配网故障类型识别方法的一种优选方案，其中：所述多类别标签包括，干沙地接地故障、干土地接地故障、树枝接地故障。

作为本发明所述的一种配网故障类型识别系统的一种优选方案，其中：包括，信息模块，用于采集各类接地故障数据波形信息以进行标签分类，形成所述样本数据集；运算模块连接于所述采集模块，其用于接收所述信息模块获取的数据信息并进行种类数量识别分类计算和模型准确率的验证运算，输出运算结果；数据库与所述信息模块和所述运算模块相连接，其用于存储接收的所有数据信息，为所述运算模块提供调配供应服务；分类模块连接于所述运算模块，其用于读取所述运算结果，分析、判断、识别出故障类型并进行分类。

本发明的有益效果：本发明通过深度网络对数据中的特征实现自动提取和辨识，且LSTM网络对可靠性接地故障和不可靠接地故障的分类性能较好，通过数据样本训练学习网络来对接接地故障辨识具有更高的方便性，无需人工提取特征，在此基础上，对各类型接地故障分类的多层神经网络分类模型能达到较高的识别准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的一种配网故障类型识别方法的流程示意图；

图2为本发明第一个实施例所述的一种配网故障类型识别方法的RNN网络结构示意图；

图3为本发明第一个实施例所述的一种配网故障类型识别方法的LSTM结构示意图；

图4为本发明第二个实施例所述的一种配网故障类型识别系统的模块结构分布示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

随着配电网的基础数据丰富，对配电网线路接地故障辨识具有非常丰富的应用前景，实现各类型故障辨识能够提升电网信息智能化程度，为故障的巡线或者针对性处理、进一步的预防都具有极大的意义，传统配电网的故障辨识只针对金属性接地故障、弧光接地过电压进行辨识，辨识对象较为单一，并没有针对多类型故障的辨识方法以供应用，因此需要一种较高准确度的各类型接地故障辨识方法。

参照图1～图3，为本发明的第一个实施例，该实施例提供了一种配网故障类型识别方法，包括：

S1：利用LSTM结构建立深度网络模型辨识故障零序电流中的电弧特征以区分可靠接地故障与不可靠接地故障。其中需要说明的是：

建立深度网络模型之前需采集各类型接地故障数据波形，构建样本数据集；

利用样本数据集分别对深度网络模型和神经网络分类模型进行训练；

直至深度网络模型和神经网络分类模型输出识别分类结果时，停止训练。

进一步的，参照图2和图3，构建深度网络模型包括：

定义LSTM的时间步长为10，则输入层特征规模为40；

利用LSTM网络与Softmax网络层组成分类输出层，输出数量为2；

输入层与分类输出层构成深度网络模型，且结合adam优化策略求解以二分类对数损失函数为目标的深度网络模型，如下，

其中，y_i：输入实例x_i的真实类别，p_i：分类器对输入实例x_i的输出类别为正的概率，N：故障样本数量。

具体的，还包括：

定义保持的概率为0.8、网络训练的学习速度为0.001；

定义样本数据集的对数损失为每个样本对数损失的平均值，分类器的对数损失为0；

调整时间步长为20，将输入的样本数据集重构为400×20×20的张量并与LSTM结构的输入层相对应。

再进一步的是，训练深度网络模型包括：

将截取故障稳态期间的单位周波零序电流作为单个样本数据；

采集故障波形并对其进行标签分类，分别定义为可靠接地故障与不可靠接地故障；

随机选取样本数据集中的500组作为训练集，200组作为验证集；

利用训练集对深度网络模型进行损失优化计算，直至输入实例的输出类别为正的概率大于0.8时结束训练；

利用验证集验证深度网络模型的分类准确率，定义准确率为每一个随机样本所预测的结果与其实际类型相同的概率，如下，

其中，N_pos：正类样本被准确分类的数量，N_neg：负类样本被准确分类的数量。

S2：将可靠接地故障与不可靠接地故障作为分类目标、故障电阻有效值序列作为输入量，基于接地电阻稳态有效值构建神经网络分类模型。本步骤需要说明的是，构建神经网络分类模型包括：

分别以输入层400、100、80、40、12和Num_class建立六层网络分类的并网络；

定义在可靠接地故障中Num_class＝5，在不可靠接地故障中Num_class＝3；

利用adam优化策略构建以损失函数为多分类对数损失函数目标函数的神经网络分类模型，如下，

其中，N：样本输入数量，M：待分类的类别数量，y_ij：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：网络分类器(神经网络分类模型)对输入x_i的输出(即属于类别j的概率值)。

进一步的，神经网络分类模型基于接地电阻有效值进行构建，还包括：

对样本数据集中的任一故障数据均结合故障相电压和故障电流计算接地电阻有效值，如下，

其中，u_k：故障相电压，i_k：故障电流，R_t：接地过渡电阻。

再进一步的，训练神经网络分类模型还包括：

将截取故障稳态期间的单位周波数据作为单个样本数据并标记其样本标签为多类别标签；

随机抽取标记为多类别标签中80％的样本数据集作为训练集，剩余20％作为验证集；

利用训练集训练神经网络分类模型，直至输出分类数量满足分类目标数量Num_class时停止训练；

利用验证集验证训练结束的神经网络分类模型的正确率，如下，

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

具体的，多类别标签包括：

干沙地接地故障、干土地接地故障、树枝接地故障、湿土地接地故障、湿水泥地接地故障、湿沙地接地故障、水阻接地故障及金属性接地故障。

S3：利用神经网络分类模型识别接地故障类型。其中还需要说明的是：

深度网络模型判断故障电流是否存在电弧零休畸变以区分故障类型为可靠接地故障和不可靠接地故障；

神经网络分类模型利用可靠接地故障和不可靠接地故障为分类目标，结合接地电阻有效值分别对可靠接地故障和不可靠接地故障进行具体分类辨识；

根据样本输入数量和待分类的类别数量进行类别概率计算并判断计算的概率是否正确；

利用网络分类器对输入实例的输出结果(即属于真实类别的概率值)结合计算的概率，得到最终的分类结果(即待分类的真实类别数量及类别)。

较佳的是，LSTM结构(循环结构网络模型)相较于其他深度模型具有时序结构，能够将时间序列变量的前后输入值在时间维度上关联起来，相较于一般的DNN模型多了时间约束关系，更适合于对时间序列变量的处理，且电力系统本身具有明显的周期特征，接地故障波形是一个强时间序列，其前后输入具有极大的关联性，因此采用LSTM结构建立深度网络模型以辨识可靠性接地故障和不可靠性故障。

优选的，本实施例还需要说明的是，现有的一种配电网单相接地故障辨识方法主要是在同坐标系下计算A、B、C三相发生单相接地故障时零序电压随过度电阻变化的轨迹曲线，当单相接地故障时，检测故障零序电压矢量，在同坐标系中绘制故障零序电压矢量，并根据故障零序电压矢量的终点的位置与A、B、C三相发生单相接地故障时零序电压随过度电阻变化的轨迹曲线的相对位置判断单相接地故障的故障相，其解决的技术问题是不对称系统高阻接地故障辨识的难题，仅适用于中性点经各种接地方式下的小电流接地系统，针对单相接地故障相进行辨识；而本发明方法是利用LSTM结构网络模型及时间约束关系对故障零序电流中的电弧特征进行辨识，区分可靠接地故障与不可靠接地故障，在基于接地电阻有效值构建神经网络分类模型对可靠接地故障和不可靠接地故障进行具体的分类识别，经二次分类结果的正确概率判断以输出真实类别结果及数量，其主要解决的技术问题是对各类接地故障类型进行准确的识别分类，经验证，本发明方法对各类型接地故障分类能够达到较高的识别准确率。

优选的是，为了对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的配电网单相接地故障辨识方法与本发明方法进行测试对比，以科学论证的手段对比实验结果，以验证本发明方法所具有的真实效果；传统的配电网单相接地故障辨识方法应用有局限性、识别准确度较低、适用性不强、较为复杂，为验证本发明方法相较于传统的方法具有较高的识别准确度和全面的适用性，本实施例中将采用传统方法与本发明方法分别对各类接地故障的真实类别进行实时测量对比。

测试条件：(1)网络训练框架为Tensorflow1.10与TFLearn，编程语言为python3.6；

(2)故障类型设置为干土地接地、干沙地接地、树枝接地、湿沙地接地、湿土地接地、湿水泥地接地和水阻接地；

(3)开启自动化测试设备并运用MATLB仿真运行，根据实验结果得到仿真数据。

表1：各类接地故障分类结果数据表。

参照表1，能够直观的看出本发明方法相较于传统方法对各类接地故障的分类识别具有较高的准确度，在100组的波形样本测试中，本发明方法得到的分类准确度远远大于传统方法的分类准确度，其主要原因是与不同接地故障的分类性能、样本分布、网络结构及网络参数有所关联，而本发明方法利用时间约束关系进行可靠接地故障和不可靠接地故障的初步分类，在结合接地电阻有效值进行二次验证判断，输出真实的分类结果，在满足接地故障全面性应用的同时提高了识别准确度。

实施例2

参照图4，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种配网故障类型识别系统，包括：

信息模块100，用于采集各类接地故障数据波形信息以进行标签分类，形成样本数据集。

运算模块200连接于采集模块100，其用于接收信息模块100获取的数据信息并进行种类数量识别分类计算和模型准确率的验证运算，输出运算结果。

数据库300与信息模块100和运算模块200相连接，其用于存储接收的所有数据信息，为运算模块200提供调配供应服务。

分类模块400连接于运算模块200，其用于读取运算结果，分析、判断、识别出故障类型并进行分类。

优选的，还需要说明的是，运算模块200主要分为三个层次，包括控制层、运算层及存储层，控制层是运算模块200的指挥控制中心，由指令寄存器IR、指令译码器ID和操作控制器OC组成，控制层能够根据用户预先编好的程序，依次从存储器中取出各条指令，放在指令寄存器IR中，通过指令译码器分析确定，通知操作控制器OC进行操作，按照确定的时序向相应的部件发出微操作控制信号；运算层是运算模块200的核心，能够执行算术运算(如加减乘除及其附加运算)和逻辑运算(如移位、逻辑测试或两个值比较)，其连接于控制层，通过接受控制层的控制信号进行运算操作；存储层是运算模块200的数据库，能够存放数据(待处理及已经处理过的数据)。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种配网故障类型识别方法，其特征在于：包括，

利用LSTM结构建立深度网络模型辨识故障零序电流中的电弧特征以区分可靠接地故障与不可靠接地故障；

将所述可靠接地故障与所述不可靠接地故障作为分类目标、故障电阻有效值序列作为输入量，基于接地电阻稳态有效值构建神经网络分类模型；

利用所述神经网络分类模型识别接地故障类型。

2.根据权利要求1所述的配网故障类型识别方法，其特征在于：建立所述深度网络模型之前需采集各类型接地故障数据波形，构建样本数据集；

利用所述样本数据集分别对所述深度网络模型和所述神经网络分类模型进行训练；

直至所述深度网络模型和所述神经网络分类模型输出识别分类结果时，停止训练。

3.根据权利要求1或2所述的配网故障类型识别方法，其特征在于：构建所述深度网络模型包括，

定义所述LSTM的时间步长为10，则输入层特征规模为40；

利用所述LSTM网络与Softmax网络层组成分类输出层，输出数量为2；

所述输入层与所述分类输出层构成所述深度网络模型，且结合adam优化策略求解以二分类对数损失函数为目标的所述深度网络模型，如下，

其中，y_i：输入实例x_i的真实类别，p_i：分类器对输入实例x_i的输出类别为正的概率，N：故障样本数量。

4.根据权利要求3所述的配网故障类型识别方法，其特征在于：还包括，

定义保持的所述概率为0.8、网络训练的学习速度为0.001；

定义所述样本数据集的对数损失为每个样本对数损失的平均值，所述分类器的对数损失为0；

调整所述时间步长为20，将输入的所述样本数据集重构为400×20×20的张量并与所述LSTM结构的输入层相对应。

5.根据权利要求4所述的配网故障类型识别方法，其特征在于：训练所述深度网络模型包括，

将截取故障稳态期间的单位周波零序电流作为单个样本数据；

采集故障波形并对其进行标签分类，分别定义为所述可靠接地故障与所述不可靠接地故障；

随机选取所述样本数据集中的500组作为训练集，200组作为验证集；

利用所述训练集对所述深度网络模型进行损失优化计算，直至输入实例的输出类别为正的概率大于0.8时结束训练；

利用所述验证集验证所述深度网络模型的分类准确率，定义所述准确率为每一个随机样本所预测的结果与其实际类型相同的概率，如下，

其中，N_pos：正类样本被准确分类的数量，N_neg：负类样本被准确分类的数量。

6.根据权利要求5所述的配网故障类型识别方法，其特征在于：构建所述神经网络分类模型包括，

分别以输入层400、100、80、40、12和Num_class建立六层网络分类的并网络；

定义在所述可靠接地故障中Num_class＝5，在所述不可靠接地故障中Num_class＝3；

利用所述adam优化策略构建以损失函数为多分类对数损失函数目标函数的所述神经网络分类模型，如下，

其中，N：样本输入数量，M：待分类的类别数量，y_ij：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：网络分类器(所述神经网络分类模型)对输入x_i的输出(即属于类别j的概率值)。

7.根据权利要求6所述的配网故障类型识别方法，其特征在于：所述神经网络分类模型基于所述接地电阻有效值进行构建，还包括，

对所述样本数据集中的任一故障数据均结合故障相电压和故障电流计算所述接地电阻有效值，如下，

其中，u_k：所述故障相电压，i_k：所述故障电流，R_t：所述接地过渡电阻。

8.根据权利要求7所述的配网故障类型识别方法，其特征在于：训练所述神经网络分类模型还包括，

将截取故障稳态期间的单位周波数据作为单个样本数据并标记其样本标签为多类别标签；

随机抽取标记为所述多类别标签中80％的所述样本数据集作为所述训练集，剩余20％作为所述验证集；

利用所述训练集训练所述神经网络分类模型，直至输出分类数量满足分类目标数量Num_class时停止训练；

利用所述验证集验证训练结束的所述神经网络分类模型的正确率，如下，

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

9.根据权利要求8所述的配网故障类型识别方法，其特征在于：所述多类别标签包括，

干沙地接地故障、干土地接地故障、树枝接地故障。

10.一种配网故障类型识别系统，其特征在于：包括，

信息模块(100)，用于采集各类接地故障数据波形信息以进行标签分类，形成所述样本数据集；

运算模块(200)连接于所述采集模块(100)，其用于接收所述信息模块(100)获取的数据信息并进行种类数量识别分类计算和模型准确率的验证运算，输出运算结果；

数据库(300)与所述信息模块(100)和所述运算模块(200)相连接，其用于存储接收的所有数据信息，为所述运算模块(200)提供调配供应服务；

分类模块(400)连接于所述运算模块(200)，其用于读取所述运算结果，分析、判断、识别出故障类型并进行分类。

Images