CN113447766A - 一种高阻接地故障的检测方法、装置、设备和存储介质 - Google Patents

一种高阻接地故障的检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113447766A
CN113447766A CN202110943439.8A CN202110943439A CN113447766A CN 113447766 A CN113447766 A CN 113447766A CN 202110943439 A CN202110943439 A CN 202110943439A CN 113447766 A CN113447766 A CN 113447766A
Authority
CN
China
Prior art keywords
fault
fault detection
data
resistance
resistance grounding
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.)
Pending
Application number
CN202110943439.8A
Other languages
English (en)
Inventor
郑风雷
袁智勇
陈庆祺
白浩
刘贯科
潘姝慧
刘福堂
余文辉
张娟
顾衍璋
张驰
雷金勇
钟荣富
孙方坤
李旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CSG Electric Power Research Institute
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
CSG Electric Power Research Institute
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CSG Electric Power Research Institute, Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical CSG Electric Power Research Institute
Priority to CN202110943439.8A priority Critical patent/CN113447766A/zh
Publication of CN113447766A publication Critical patent/CN113447766A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • 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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Abstract

本申请公开了一种高阻接地故障的检测方法、装置、设备和存储介质，其中方法包括：获取配电网中待分析的高阻接地数据；将所述高阻接地数据输入至预设的故障检测模型，得到所述高阻接地数据对应的故障检测标记，其中，所述故障检测模型是通过高阻接地的训练样本对初始故障检测模型进行训练后得到的；根据所述故障检测标记、故障检测标记和故障检测结果的对应关系，得到所述高阻接地数据对应的故障检测结果。解决了现有配电网中的高阻接地故障检测方法准确率较低的技术问题。

Description

一种高阻接地故障的检测方法、装置、设备和存储介质
技术领域
本申请涉及配电网故障检测技术领域，尤其涉及一种高阻接地故障的检测方法、装置、设备和存储介质。
背景技术
现代社会对电能质量的要求越来越高，全世界范围都在尽可能减少配电网的停电时间和运行成本。配电网故障的检测是其中关键的一环，近几十年来在世界范围内进行了广泛研究。
高阻接地故障是配电网故障中的重点问题，由于高阻接地故障通常伴随着电弧，容易导致火灾或是人身事故，在配电网故障中，高阻接地故障是致死的主要原因之一，因此对其进行快速准确的检测有着重要意义。高阻接地故障通常由于线路与树木或地面接触导致，由于其接地介质电阻较大，发生故障后电流电压变化不大，故无法通过传统的过流保护装置检测。
现有对于高阻接地故障的检测方法为：先通过特征提取算法对电信号参数进行特征提取，随后使用阈值或分类器进行判定。但是现有高阻接地故障的检测方法常常出现漏判和误判，准确率较低。
因此，提供一种准确率较高的高阻接地故障的检测方法是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本申请提供了一种高阻接地故障的检测方法、装置、设备和存储介质，在对配电网中的高阻接地故障进行检测时，准确率较高，解决了现有配电网中的高阻接地故障检测方法准确率较低的技术问题。
本申请第一方面提供了一种高阻接地故障的检测方法，包括：
获取配电网中待分析的高阻接地数据；
将所述高阻接地数据输入至预设的故障检测模型，得到所述高阻接地数据对应的故障检测标记，其中，所述故障检测模型是通过高阻接地的训练样本对初始故障检测模型进行训练后得到的；
根据所述故障检测标记、故障检测标记和故障检测结果的对应关系，得到所述高阻接地数据对应的故障检测结果。
可选地，所述故障检测模型的配置过程包括：
获取高阻接地故障的训练样本，其中，所述训练样本包括故障数据和干扰数据；
对所述训练样本添加故障数据对应的第一标记和干扰数据对应的第二标记；
将添加第一标记后的训练样本输入至初始故障检测模型，对所述初始故障检测模型进行训练，得到所述故障检测模型。
可选地，获取高阻接地故障的训练样本，其中，所述训练样本包括故障数据和干扰数据，具体包括：
通过模拟实验的方式，获取高阻接地故障时的故障数据和高阻未接地故障时的干扰数据。
可选地，通过模拟实验的方式，获取高阻接地故障时的故障数据和未高阻接地故障时的干扰数据，具体包括：
通过PSCAD软件搭建配电网仿真模型；
对所述配电网仿真模型进行高阻接地故障的实验模拟，得到高阻接地故障时的故障数据；
对所述配电网仿真模型进行配电网故障但未高阻接地故障的实验模拟，得到未高阻接地故障时的干扰数据。
可选地，所述初始故障检测模型是由神经网络搭建的。
可选地，所述神经网络中用于进行多特征提取的卷积层的输出表达式为：
Figure BDA0003215749940000021
式中，q为输入特征的集合，l为当前的层数，
Figure BDA0003215749940000022
为第l层的第j个输出，
Figure BDA0003215749940000023
为第l-1层的第i个输出，
Figure BDA0003215749940000024
为相应卷积核的权重矩阵；
Figure BDA0003215749940000025
为相应卷积核的偏置矩阵，f(·)为激活函数，*表示卷积运算。
可选地，所述神经网络中交叉记忆层对应的表达式为：
xl＝Hl([x0,x1,...,xl-1])；
其中xi为卷积层的输出，Hl为卷积层所做的非线性变换。
本申请第二方面提供了一种高阻接地故障的检测装置，包括：
获取单元，用于获取配电网中待分析的高阻接地数据；
检测单元，用于将所述高阻接地数据输入至预设的故障检测模型，得到所述高阻接地数据对应的故障检测标记，其中，所述故障检测模型是通过高阻接地的训练样本对初始故障检测模型进行训练后得到的；
确定单元，用于根据所述故障检测标记、故障检测标记和故障检测结果的对应关系，得到所述高阻接地数据对应的故障检测结果。
本申请第三方面提供了一种高阻接地故障的检测设备，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所述的高阻接地故障的检测方法。
本申请第四方面提供了一种存储介质，所述存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的高阻接地故障的检测方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种高阻接地故障的检测方法，首先获取配电网中待分析的高阻接地数据，接着将高阻接地数据输入至预设的故障检测模型，得到高阻接地数据对应的故障检测标记，其中，故障检测模型是通过高阻接地的训练样本对初始故障检测模型进行训练后得到的，然后根据故障检测标记、故障检测标记和故障检测结果的对应关系，得到高阻接地数据对应的故障检测结果。本申请中在进行配电网中高阻接地故障的检测时，去噪能力强，能够对强噪声下的故障数据进行准确检测，从而解决了现有配电网中的高阻接地故障检测方法准确率较低的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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。
图1为本申请实施例中一种高阻接地故障的检测方法的实施例的流程示意图；
图2为本申请实施例中初始检测模型的融合层的效果图；
图3为本申请实施例中初始检测模型的交叉记忆模块的效果图；
图4为本申请实施例中初始检测模型的全局平均池化的效果图；
图5为本申请实施例中搭建的配电网仿真模型的拓扑图；
图6为本申请实施例中的电容器投切时的训练样本；
图7为本申请实施例中的励磁涌流时的训练样本；
图8为本申请实施例中的小电阻接地系统高阻接地故障时的训练样本；
图9为本申请实施例中的消弧线圈接地系统高阻接地故障时的训练样本；
图10为本申请实施例中的不接地系统高阻接地故障时的训练样本；
图11为本申请实施例中的小电阻接地高阻接地故障时的训练样本；
图12为本申请实施例中的电容器投切波形时的波形示例；
图13为本申请实施例中的高阻接地故障时的波形示例一；
图14为本申请实施例中的高阻接地故障时的波形示例二；
图15为本申请实施例中的高阻接地故障时的波形示例三；
图16为本申请实施例中一种高阻接地故障的检测装置的结构示意图。
具体实施方式
本申请实施例提供了一种高阻接地故障的检测方法、装置、设备和存储介质，在对配电网中的高阻接地故障进行检测时，准确率较高，解决了现有配电网中的高阻接地故障检测方法准确率较低的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术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，都属于本申请保护的范围。
本申请实施例第一方面提供了一种高阻接地故障的检测方法的实施例。
请参阅图1，本申请实施例中一种高阻接地故障的检测方法的实施例的流程示意图，包括：
步骤101、获取配电网中待分析的高阻接地数据。
可以理解的是，上述的高阻接地数据可以是实时数据，如此通过对实时地高阻接地故障进行检测，以及时发现配电网中的高阻接地故障。当然处于计算量的考虑，也可以设置高阻接地数据是定期获取的，这样通过定期检测的方式确保高阻接地的准确性。
具体地，对于高阻接地数据的获取可以是连接至配电网中，直接通过配电网获取，也可以是由人工上传或者其他业务系统发送的方式获取的。
步骤102、将高阻接地数据输入至预设的故障检测模型，得到高阻接地数据对应的故障检测标记，其中，故障检测模型是通过高阻接地的训练样本对初始故障检测模型进行训练后得到的。
可以理解的是，由于故障检测模型是通过高阻接地的训练样本对初始故障检测模型进行训练后得到的，此时的故障检测模型是故障检测标记和高阻接地数据的映射关系模型，因此在得到高阻接地数据后，将高阻接地数据输入至故障检测模型，便可得到该高阻接地数据对应的故障检测标记。
其中，故障检测模型的配置过程包括：
获取高阻接地故障的训练样本，其中，训练样本包括故障数据和干扰数据；
对训练样本添加故障数据对应的第一标记和干扰数据对应的第二标记；
将添加第一标记后的训练样本输入至初始故障检测模型，对初始故障检测模型进行训练，得到故障检测模型。
在一种实施方式中，获取高阻接地故障的训练样本，其中，训练样本包括故障数据和干扰数据，具体包括：
通过模拟实验的方式，获取高阻接地故障时的故障数据和高阻未接地故障时的干扰数据。
可以理解的是，在一种实施方式中，通过模拟实验的方式，获取高阻接地故障时的故障数据和未高阻接地故障时的干扰数据，具体包括：
通过PSCAD软件搭建配电网仿真模型；
对配电网仿真模型进行高阻接地故障的实验模拟，得到高阻接地故障时的故障数据；
对配电网仿真模型进行配电网故障但未高阻接地故障的实验模拟，得到未高阻接地故障时的干扰数据。
进一步地，初始故障检测模型是由神经网络搭建的。
其中，神经网络中用于进行多特征提取的卷积层的输出表达式为：
Figure BDA0003215749940000061
式中，q为输入特征的集合，l为当前的层数，
Figure BDA0003215749940000062
为第l层的第j个输出，
Figure BDA0003215749940000068
为第l-1层的第i个输出，
Figure BDA0003215749940000069
为相应卷积核的权重矩阵；
Figure BDA0003215749940000063
为相应卷积核的偏置矩阵，f(·)为激活函数，*表示卷积运算。
其中，神经网络中交叉记忆层对应的表达式为：
xl＝Hl([x0,x1,...,xl-1])；
式中，xi为卷积层的输出，Hl为卷积层所做的非线性变换。
为了便于理解，本实施例中对于故障检测模型的训练过程进行详细说明如下：
1)数据输入：以3个工频周期的零序电流作为输入样本。其中，输入样本的采样率为4kHz，每个输入样本均为240个点的时间序列。
2)多尺度特征提取：在卷积层中分别使用1×4、1×6、1×8卷积核的卷积特征提取器对输入样本进行卷积操作，随后在融合层将多个卷积特征提取器提取的特征融合，融合层的效果图如图2所示。
其中，卷积层的公式如下式所示：
Figure BDA0003215749940000064
式中，q为输入特征的集合，l为当前的层数，
Figure BDA0003215749940000065
为第l层的第j个输出，
Figure BDA0003215749940000066
为第l-1层的第i个输出，
Figure BDA00032157499400000610
为相应卷积核的权重矩阵；
Figure BDA0003215749940000067
为相应卷积核的偏置矩阵，f(·)为激活函数，*表示卷积运算。
3)交叉记忆模块：通过多通道交叉记忆模块并行提取特征(通道数可以在3～5)。其中交叉记忆模块均由12个交叉记忆层组成，使用的卷积核大小分别为1×4、1×6，随后使用融合层将多个通道提取的特征融合。卷积核为1×4的交叉记忆层首先对输入数据进行批量归一化，随后进行1×1的卷积操作对数据进行降维，再次批量归一化后，进行卷积操作以进一步提取特征。批量归一化层处理后的数据满足均值为0，方差为1的高斯分布，能够有效地避免数据在分布上的偏移，并远离激活函数的导数饱和区,其计算过程如下所示：
Figure BDA0003215749940000071
式中，x(k)为原始输入特征数值，E(x(k))表示输入特征数值期望值，Var(x(k))表示输入特征数值方差，
Figure BDA0003215749940000072
表示归一化后的特征。
交叉记忆的设计使得每一层都可以从前端所有层的输出中获得梯度，使特征的传递更加有效，使网络能够设计地更深。4层的交叉记忆模块的结构如图3所示，其表达式下所示：
xl＝Hl([x0,x1,...,xl-1])；
其中，xi为卷积层的输出，Hl为卷积层所做的非线性变换。
4)参数降维层：由于交叉记忆结束后的输出通道个数很多，故使用1×1的卷积核来进行降维。参数降维层在批量归一化后进行1×1的卷积以减少参数数量。
5)全局平均池化：在经参数降维层进行降维处理后，再次使用批量归一化，随后进行全局平均，其输入为特征图，输出为每个特征图的平均值。其过程如图4所示。
6)故障判定：判定由交叉记忆层来实现，其激活函数为softmax，输入为全局平均池化后的值，输出该样本为高阻接地故障的概率值及为干扰的概率值，通过概率值的大小对比即可判定样本是否为高阻接地故障。交叉记忆层的实现过程如下所示：
Output＝activation(dot(input,kernel)+bias)；
式中，activation是按逐个元素计算的激活函数，dot为点积运算，kernel是由网络层创建的权值矩阵，bias是其创建的偏置向量。
softmax的计算过程如下所示：
Figure BDA0003215749940000081
式中，zi为第i个节点的输出值，C为输出节点的个数，即分类的类别个数。通过Softmax函数就可以将多分类的输出值转换为范围在[0,1]和为1的概率分布。
步骤103、根据故障检测标记、故障检测标记和故障检测结果的对应关系，得到高阻接地数据对应的故障检测结果。
可以理解的是，故障检测标记可以为1和0，当故障检测标记为1时，故障检测结果为高阻接地故障；当故障检测标记为0时，故障检测结果为干扰。
本实施例中，首先获取配电网中待分析的高阻接地数据，接着将高阻接地数据输入至预设的故障检测模型，得到高阻接地数据对应的故障检测标记，其中，故障检测模型是通过高阻接地的训练样本对初始故障检测模型进行训练后得到的，然后根据故障检测标记、故障检测标记和故障检测结果的对应关系，得到高阻接地数据对应的故障检测结果。本申请中在进行配电网中高阻接地故障的检测时，去噪能力强，能够对强噪声下的故障数据进行准确检测，从而解决了现有配电网中的高阻接地故障检测方法准确率较低的技术问题。
以上为本申请实施例提供的一种高阻接地故障的检测方法的实施例，以下为本申请实施例提供的一种高阻接地故障的检测方法的验证例。
请参阅图2，本申请实施例中一种高阻接地故障的检测方法的第二实施例的流程示意图，包括：
在PSCAD/EMTDC软件平台上搭建配电网仿真模型，实现高阻接地故障、电容器投切及励磁涌流的仿真。拓扑图如图5所示，通过中性点接地电阻rL及中性点接地电感L的大小改变模型的中性点接地方式，进行了谐振接地、小电阻接地、不接地、直接接地及大电阻接地等不同接地系统的仿真，通过改变故障及干扰的相关参数以获取足量的仿真数据。每组数据均从故障开始前一周波开始记录，窗口周期为0.5s，共获取了500组高阻接地故障数据，两类干扰数据各250组。
随机选取80％的数据作为训练集，20％的数据作为测试集。随后对分类好的数据样本进行分割，从故障前1周波开始，每3周波作为一个样本，样本重叠率为30％，实现样本增强。最终获取了4000组训练样本，1000组测试样本。考虑到实际数据存在大量的噪声，向训练样本中随机加入了信噪比为15dB-25dB大小的高斯白噪声。具体地，样本示例如图6至图11所示。
模型经过训练集训练后，验证集准确率达到100％。每种类别的误判样本极少，只有2-3个，整体识别准确率达到99.5％，说明本算法面对扰动时，具有较高的高阻接地故障辨识准确率。使用信噪比为10dB的数据对网络性能进行测试时，准确率也能够达到93.1％。
从某变电站获取了6组扰动及6组高阻接地故障录波数据，波形示例如图12至15所示。可以看出，不同高阻接地故障样本之间存在着较大差别，且实测数据噪声含量较大，对诊断模型性能提出了挑战。实测数据的采样频率为4kHz，从故障前一周波开始，获取了时间长度为0.25s-0.3s不等的录波数据。按照相同的处理方式，从故障开始前1周波开始，每3周波作为一个测试样本，样本重叠率为30％，最终获取了65组测试数据。最终的检测成功率为96.92％。
通过上述过程可以知道，与现有技术相比，本申请中的高阻接地故障检测方法具有如下优点：
1、在前端使用多尺度卷积核提取不同尺度的故障信息，避免了传统方法只采集短时域或者若干频率的信息局限性。
2、建立多通道交叉记忆模块使不同的特征更有效地获得传递，避免了单通道信息传递中的数据遗失风险。
3、参数降维则对多通道交叉记忆模块传递过来的海量信息进行降维，抽取部分信息分析，在保证训练准确度的前提下提高训练速度。
4、模型能够成功检测出发生在不同接地方式、不同接地介质下的高阻接地故障，且不受故障位置和故障相角的影响。使配电网能够准确的对故障做出反应，提高配电网的运行可靠性。
5、本申请抗噪能力强，能够对强噪声下高阻接地故障信号进行准确检测，且检测速度快，可以在故障发生的任意一个时间点进行检测，具有较强的工程应用价值。
本申请实施例第二方面提供了一种高阻接地故障的检测装置的实施例。
请参阅图16，本申请实施例中一种高阻接地故障的检测装置的结构示意图，包括：
获取单元1601，用于获取配电网中待分析的高阻接地数据；
检测单元1602，用于将高阻接地数据输入至预设的故障检测模型，得到高阻接地数据对应的故障检测标记，其中，故障检测模型是通过高阻接地的训练样本对初始故障检测模型进行训练后得到的；
确定单元1603，用于根据故障检测标记、故障检测标记和故障检测结果的对应关系，得到高阻接地数据对应的故障检测结果。
进一步地，故障检测模型的配置过程包括：
获取高阻接地故障的训练样本，其中，训练样本包括故障数据和干扰数据；
对训练样本添加故障数据对应的第一标记和干扰数据对应的第二标记；
将添加第一标记后的训练样本输入至初始故障检测模型，对初始故障检测模型进行训练，得到故障检测模型。
进一步地，获取高阻接地故障的训练样本，其中，训练样本包括故障数据和干扰数据，具体包括：
通过模拟实验的方式，获取高阻接地故障时的故障数据和高阻未接地故障时的干扰数据。
具体地，通过模拟实验的方式，获取高阻接地故障时的故障数据和未高阻接地故障时的干扰数据，具体包括：
通过PSCAD软件搭建配电网仿真模型；
对配电网仿真模型进行高阻接地故障的实验模拟，得到高阻接地故障时的故障数据；
对配电网仿真模型进行配电网故障但未高阻接地故障的实验模拟，得到未高阻接地故障时的干扰数据。
可选地，初始故障检测模型是由神经网络搭建的。
具体地，神经网络中用于进行多特征提取的卷积层的输出表达式为：
Figure BDA0003215749940000111
式中，q为输入特征的集合，l为当前的层数，
Figure BDA0003215749940000112
为第l层的第j个输出，
Figure BDA0003215749940000113
为第l-1层的第i个输出，
Figure BDA0003215749940000114
为相应卷积核的权重矩阵；
Figure BDA0003215749940000115
为相应卷积核的偏置矩阵，f(·)为激活函数，*表示卷积运算。
具体地，神经网络中交叉记忆层对应的表达式为：
xl＝Hl([x0,x1,...,xl-1])；
其中xi为卷积层的输出，Hl为卷积层所做的非线性变换。
本实施例中，首先获取配电网中待分析的高阻接地数据，接着将高阻接地数据输入至预设的故障检测模型，得到高阻接地数据对应的故障检测标记，其中，故障检测模型是通过高阻接地的训练样本对初始故障检测模型进行训练后得到的，然后根据故障检测标记、故障检测标记和故障检测结果的对应关系，得到高阻接地数据对应的故障检测结果。本申请中在进行配电网中高阻接地故障的检测时，去噪能力强，能够对强噪声下的故障数据进行准确检测，从而解决了现有配电网中的高阻接地故障检测方法准确率较低的技术问题。
本申请实施例第三方面提供了一种高阻接地故障的检测设备的实施例。
一种高阻接地故障的检测设备，包括处理器以及存储器；存储器用于存储程序代码，并将程序代码传输给处理器；处理器用于根据程序代码中的指令执行第一方面的高阻接地故障的检测方法。
本申请实施例第四方面提供了一种存储介质的实施例。
一种存储介质，存储介质用于存储程序代码，程序代码用于执行第一方面的高阻接地故障的检测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个待安装电网网络，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种高阻接地故障的检测方法，其特征在于，包括：
获取配电网中待分析的高阻接地数据；
将所述高阻接地数据输入至预设的故障检测模型，得到所述高阻接地数据对应的故障检测标记，其中，所述故障检测模型是通过高阻接地的训练样本对初始故障检测模型进行训练后得到的；
根据所述故障检测标记、故障检测标记和故障检测结果的对应关系，得到所述高阻接地数据对应的故障检测结果。
2.根据权利要求1所述的高阻接地故障的检测方法，其特征在于，所述故障检测模型的配置过程包括：
获取高阻接地故障的训练样本，其中，所述训练样本包括故障数据和干扰数据；
对所述训练样本添加故障数据对应的第一标记和干扰数据对应的第二标记；
将添加第一标记后的训练样本输入至初始故障检测模型，对所述初始故障检测模型进行训练，得到所述故障检测模型。
3.根据权利要求2所述的高阻接地故障的检测方法，其特征在于，获取高阻接地故障的训练样本，其中，所述训练样本包括故障数据和干扰数据，具体包括：
通过模拟实验的方式，获取高阻接地故障时的故障数据和高阻未接地故障时的干扰数据。
4.根据权利要求3所述的高阻接地故障的检测方法，其特征在于，通过模拟实验的方式，获取高阻接地故障时的故障数据和未高阻接地故障时的干扰数据，具体包括：
通过PSCAD软件搭建配电网仿真模型；
对所述配电网仿真模型进行高阻接地故障的实验模拟，得到高阻接地故障时的故障数据；
对所述配电网仿真模型进行配电网故障但未高阻接地故障的实验模拟，得到未高阻接地故障时的干扰数据。
5.根据权利要求2所述的高阻接地故障的检测方法，其特征在于，所述初始故障检测模型是由神经网络搭建的。
6.根据权利要求5所述的高阻接地故障的检测方法，其特征在于，所述神经网络中用于进行多特征提取的卷积层的输出表达式为：
Figure FDA0003215749930000021
式中，q为输入特征的集合，l为当前的层数，
Figure FDA0003215749930000022
为第l层的第j个输出，
Figure FDA0003215749930000023
为第l-1层的第i个输出，
Figure FDA0003215749930000024
为相应卷积核的权重矩阵；
Figure FDA0003215749930000025
为相应卷积核的偏置矩阵，f(·)为激活函数，*表示卷积运算。
7.根据权利要求5所述的高阻接地故障的检测方法，其特征在于，所述神经网络中交叉记忆层对应的表达式为：
xl＝Hl([x0,x1,...,xl-1])；
其中xi为卷积层的输出，Hl为卷积层所做的非线性变换。
8.一种高阻接地故障的检测装置，其特征在于，包括：
获取单元，用于获取配电网中待分析的高阻接地数据；
检测单元，用于将所述高阻接地数据输入至预设的故障检测模型，得到所述高阻接地数据对应的故障检测标记，其中，所述故障检测模型是通过高阻接地的训练样本对初始故障检测模型进行训练后得到的；
确定单元，用于根据所述故障检测标记、故障检测标记和故障检测结果的对应关系，得到所述高阻接地数据对应的故障检测结果。
9.一种高阻接地故障的检测设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1至7中任一项所述的高阻接地故障的检测方法。
10.一种存储介质，其特征在于，所述存储介质用于存储程序代码，所述程序代码用于执行权利要求1至7中任一项所述的高阻接地故障的检测方法。
CN202110943439.8A 2021-08-17 2021-08-17 一种高阻接地故障的检测方法、装置、设备和存储介质 Pending CN113447766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110943439.8A CN113447766A (zh) 2021-08-17 2021-08-17 一种高阻接地故障的检测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110943439.8A CN113447766A (zh) 2021-08-17 2021-08-17 一种高阻接地故障的检测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN113447766A true CN113447766A (zh) 2021-09-28

Family

ID=77818537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110943439.8A Pending CN113447766A (zh) 2021-08-17 2021-08-17 一种高阻接地故障的检测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113447766A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113945862A (zh) * 2021-10-18 2022-01-18 广东电网有限责任公司东莞供电局 一种配电网高阻接地故障识别方法、装置及设备
CN114089218A (zh) * 2021-10-19 2022-02-25 广东电网有限责任公司东莞供电局 一种配电网高阻接地故障识别方法、装置、终端及介质
CN114113909A (zh) * 2021-12-03 2022-03-01 国网四川省电力公司营销服务中心 一种配电网单相接地故障选线方法及系统
CN116087692A (zh) * 2023-04-12 2023-05-09 国网四川省电力公司电力科学研究院 一种配电网树线放电故障识别方法、系统、终端及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510005A (zh) * 2018-04-08 2018-09-07 福州大学 一种基于卷积神经网络的配电网高阻接地故障识别方法
CN108959732B (zh) * 2018-06-15 2019-09-27 西安科技大学 一种基于卷积神经网络的输电线路故障类型识别方法
CN112016473A (zh) * 2020-08-31 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法
CN112051479A (zh) * 2019-06-06 2020-12-08 中国电力科学研究院有限公司 一种配电网运行状态识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510005A (zh) * 2018-04-08 2018-09-07 福州大学 一种基于卷积神经网络的配电网高阻接地故障识别方法
CN108959732B (zh) * 2018-06-15 2019-09-27 西安科技大学 一种基于卷积神经网络的输电线路故障类型识别方法
CN112051479A (zh) * 2019-06-06 2020-12-08 中国电力科学研究院有限公司 一种配电网运行状态识别方法及系统
CN112016473A (zh) * 2020-08-31 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Y. ZHANG,ET AL.: "A CNN Based Transfer Learning Method for High Impedance Fault Detection", 《2020 IEEE POWER & ENERGY SOCIETY GENERAL MEETING (PESGM)》 *
刘炳南 等: "基于一维卷积神经网络的配电网高阻接地故障识别", 《电器与能效管理技术》 *
张君琦: "配电网高阻接地故障智能识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113945862A (zh) * 2021-10-18 2022-01-18 广东电网有限责任公司东莞供电局 一种配电网高阻接地故障识别方法、装置及设备
CN114089218A (zh) * 2021-10-19 2022-02-25 广东电网有限责任公司东莞供电局 一种配电网高阻接地故障识别方法、装置、终端及介质
CN114113909A (zh) * 2021-12-03 2022-03-01 国网四川省电力公司营销服务中心 一种配电网单相接地故障选线方法及系统
CN116087692A (zh) * 2023-04-12 2023-05-09 国网四川省电力公司电力科学研究院 一种配电网树线放电故障识别方法、系统、终端及介质
CN116087692B (zh) * 2023-04-12 2023-06-23 国网四川省电力公司电力科学研究院 一种配电网树线放电故障识别方法、系统、终端及介质

Similar Documents

Publication Publication Date Title
CN113447766A (zh) 一种高阻接地故障的检测方法、装置、设备和存储介质
Wang et al. ArcNet: Series AC arc fault detection based on raw current and convolutional neural network
CN110082640B (zh) 一种基于长短时记忆网络的配网单相接地故障辨识方法
CN110320434B (zh) 基于零序电流波形区间斜率曲线的高阻故障辨识方法及系统
WO2023216553A1 (zh) 一种配电网多重故障诊断方法及系统
CN108152676B (zh) 一种基于智能体的配电网故障定位方法及系统
CN113762412B (zh) 一种配电网单相接地故障识别方法、系统、终端及介质
CN110247420B (zh) 一种hvdc输电线路故障智能识别方法
Bahador et al. Modelling and detection of live tree‐related high impedance fault in distribution systems
CN116008731B (zh) 配电网高阻故障辨识方法、装置和电子设备
CN115932484B (zh) 输电线路故障辨识与故障测距方法、装置和电子设备
CN113850330A (zh) 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法
Moloi et al. High impedance fault classification and localization method for power distribution network
CN113945862A (zh) 一种配电网高阻接地故障识别方法、装置及设备
CN115343579B (zh) 一种电网故障分析方法、装置及电子设备
CN116540025A (zh) 一种基于迁移学习与残差网络的故障检测方法
CN116520068A (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN115963350A (zh) 一种直流配电网故障定位方法及装置
Lopes et al. High impedance fault location methods: review and harmonic selection-based analysis
CN114019296A (zh) 一种基于bp神经网络的配电线路接地故障辨识方法
CN114062845A (zh) 线路故障的检测方法、装置以及电子设备
CN114415056A (zh) 一种分布式电源孤岛故障的检测方法
CN114595746A (zh) 配电网故障原因的分类方法、装置、设备及存储介质
CN114186590A (zh) 一种基于小波和深度学习的配电网单相接地故障识别方法
CN114578182A (zh) 配电网故障定位方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210928