CN113945862A - 一种配电网高阻接地故障识别方法、装置及设备 - Google Patents

Abstract

本申请涉及一种配电网高阻接地故障识别方法、装置及设备，该识别方法包括：构建高阻接地故障仿真模型并获取高阻接地故障仿真模型在不同接地故障情况下的仿真故障数据；采用神经网络对仿真故障数据进行处理，构建高阻接地故障识别模型；采用高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别。该配电网高阻接地故障识别方法通过神经网络对不同接地故障的仿真故障数据进行处理构建用于识别高阻接地故障的高阻接地故障识别模型，采用该高阻接地故障识别模型识别输出的高阻接地故障结果准确，解决了现有采用分类器对高阻接地故障的数据分析，得到高阻接地故障的判定数据不准确的技术问题。

Description

一种配电网高阻接地故障识别方法、装置及设备

技术领域

本申请涉及配电网技术领域，尤其涉及一种配电网高阻接地故障识别方法、装置及设备。

背景技术

在配电网中高阻接地故障(High Impedance Fault，HIF)便是其中的重点问题。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。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，在配网故障中，高阻接地故障是致死的主要原因之一，对其进行快速准确的检测有着重要意义。

目前，对高阻接地故障的检测主要是通过特征提取算法对电流或是电压数据进行处理，随后使用阈值或是各类分类器进行判定，采用各类机器学习方法，训练分类器以完成高阻接地故障的判定，分类器中以卷积神经网络为主。电压电流数据一般来自高阻接地故障的仿真模型，一般使用电弧模型作为高阻接地故障的仿真模型，常用的电弧模型有Cassie模型、Mayr模型、控制论模型及Emanuel模型。

对高阻接地故障的判定数据采用卷积神经网络分析数据得到的，现有卷积神经网络适用于多维数据，但是目前高阻接地故障输入的数据为1维时序数据，采用卷积神经网络对高阻接地故障数据处理过程中存在梯度消失问题，并且现有卷积神经网络的识别算法采用ReLU作为激活函数，当其输入为负时，其输出为0，一阶导数也为0，神经元无法更新参数，对高阻接地故障输入数据的训练基本进入停滞，无法收敛，导致得到高阻接地故障的判定数据不准确。

发明内容

本申请实施例提供了一种配电网高阻接地故障识别方法、装置及设备，用于解决现有采用分类器对高阻接地故障的数据分析，得到高阻接地故障的判定数据不准确的技术问题。

为了实现上述目的，本申请实施例提供如下技术方案：

一种配电网高阻接地故障识别方法，包括以下步骤：

构建高阻接地故障仿真模型并获取所述高阻接地故障仿真模型在不同接地故障情况下的仿真故障数据；

采用神经网络对所述仿真故障数据进行处理，构建高阻接地故障识别模型；

采用所述高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别。

优选地，构建高阻接地故障仿真模型包括：采用电弧模型构建高阻接地故障仿真模型，所述电弧模型包括电感、与所述电感连接的第一时变电阻和第二时变电阻、与所述第一时变电阻连接的第一时变电源以及与所述第二时变电阻连接的第二时变电源，所述第一时变电源与所述第二时变电源连接后接地。

优选地，该配电网高阻接地故障识别方法包括：在谐振接地、小电阻接地、不接地、直接接地或大电阻接地故障下，通过所述高阻接地故障仿真模型获取配电网高阻接地故障的仿真故障数据；所述仿真故障数据包括谐振接地、小电阻接地、不接地、直接接地和大电阻接地的故障数据。

优选地，采用神经网络构建高阻接地故障识别模型包括：

用于接收输入数据的输入层；

采用卷积核大小为1×3、1×5、1×7构建密集连接神经网络的卷积层；

采用ELU函数作为激活函数构建密集连接神经网络的激活层；

采用双通道全连接块作为密集连接神经网络的连接层；

其中，所述高阻接地故障识别模型包括与所述连接层连接的过渡层、与所述过渡层连接的池化层以及与所述池化层连接的输出层。

优选地，所述双通道全连接块包括两个并行连接的单通道全连接块，所述单通道全连接块包括四个串行连接的全连接层，每个所述全连接层包括采用两个不同尺度卷积核大小。

优选地，采用所述高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别的步骤包括：

将所述仿真故障数据输入所述高阻接地故障识别模型的输入层中，所述高阻接地故障识别模型的卷积层对所述仿真故障数据进行卷积特征处理，得到一维序列数据；

通过所述高阻接地故障识别模型的激活层和连接层对所述一维序列数据进行并行提取特征，得到特征数据；

所述特征数据通过所述高阻接地故障识别模型的过渡层、池化层和输出层输出识别的高阻接地故障类型。

优先地，通过所述高阻接地故障识别模型的激活层和连接层对所述一维序列数据进行并行提取特征包括：采用卷积核大小分别为1×3和1×5的两条单通道全连接块并行对所述一维序列数据进行提取特征。

优选地，所述高阻接地故障识别模型的卷积层对所述仿真故障数据进行卷积特征处理，得到一维序列数据包括：采用卷积核大小分别为1×3、1×5、1×7并行对所述仿真故障数据进行特征提取处理，得到三组处理数据；对所述三组处理数据合并得到一维序列数据。

本申请还提供一种配电网高阻接地故障识别装置，包括数据获取模块、模型构建模块和识别输出模块；

所述数据获取模块，用于构建高阻接地故障仿真模型并获取所述高阻接地故障仿真模型在不同接地故障情况下的仿真故障数据；

所述模型构建模块，用于采用神经网络对所述仿真故障数据进行处理，构建高阻接地故障识别模型；

所述识别输出模块，用于采用所述高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别。

本申请还提供一种配电网高阻接地故障识别设备，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上述所述的配电网高阻接地故障识别方法。

从以上技术方案可以看出，本申请实施例具有以下优点：提供一种配电网高阻接地故障识别方法、装置及设备，该识别方法包括：构建高阻接地故障仿真模型并获取高阻接地故障仿真模型在不同接地故障情况下的仿真故障数据；采用神经网络对仿真故障数据进行处理，构建高阻接地故障识别模型；采用高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别。该配电网高阻接地故障识别方法通过神经网络对不同接地故障的仿真故障数据进行处理构建用于识别高阻接地故障的高阻接地故障识别模型，采用该高阻接地故障识别模型识别输出的高阻接地故障结果准确，解决了现有采用分类器对高阻接地故障的数据分析，得到高阻接地故障的判定数据不准确的技术问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本申请一实施例的配电网高阻接地故障识别方法的步骤流程图；

图2为本申请一实施例的配电网高阻接地故障识别方法中电弧模型的结构示意图；

图3为本申请一实施例的配电网高阻接地故障识别方法中高阻接地故障识别模型的神经网络图；

图4为现有技术的神经网络图；

图5a为本申请一实施例的高阻接地故障识别模型模拟湿土地的小电阻接地故障零序电流波形图；

图5b为本申请一实施例的高阻接地故障识别模型模拟干水泥路的小电阻接地故障零序电流波形图；

图5c为本申请一实施例的高阻接地故障识别模型模拟湿水泥路的小电阻接地故障零序电流波形图；

图5d为本申请一实施例的高阻接地故障识别模型模拟水泥杆塔的不接地故障零序电流波形图；

图5e为本申请一实施例的高阻接地故障识别模型模拟湿土地的不接地故障零序电流波形图；

图5f为本申请一实施例的高阻接地故障识别模型模拟干水泥路的消弧线圈接地故障零序电流波形图；

图5g为本申请另一实施例的高阻接地故障识别模型模拟湿土地的小电阻接地故障零序电流波形图；

图5h为本申请又一实施例的高阻接地故障识别模型模拟湿土地的小电阻接地故障零序电流波形图；

图6为本申请一实施例的所述配电网高阻接地故障识别方法应用于配电网的模型结构图；

图7为本申请一实施例的所述配电网高阻接地故障识别方法采用不同尺度卷积核处理仿真故障数据的准确率折线图；

图8为本申请一实施例的所述配电网高阻接地故障识别方法采用不同激活函数处理仿真故障数据的准确率折线图；

图9为本申请一实施例的所述配电网高阻接地故障识别方法采用不同通道全连接快处理仿真故障数据的准确率折线图；

图10为本申请一实施例的配电网高阻接地故障识别装置的框架图。

具体实施方式

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。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它实施例，都属于本申请保护的范围。

除非另有明确的规定和限定，本发明所述的术语“安装”、“相连”、“连接”以及所显示或讨论的“相互之间的耦合”或“直接耦合”或“通信连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通，也可以是通过一些接口，装置或单元的间接耦合或通信连接。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

本申请实施例提供了一种配电网高阻接地故障识别方法、装置及设备，用于解决了现有采用分类器对高阻接地故障的数据分析，得到高阻接地故障的判定数据不准确的技术问题。

图1为本申请一实施例的配电网高阻接地故障识别方法的步骤流程图。

如图1所示，本申请实施例提供了一种配电网高阻接地故障识别方法，包括以下步骤：

S1.构建高阻接地故障仿真模型并获取高阻接地故障仿真模型在不同接地故障情况下的仿真故障数据。

需要说明的是，在步骤S1中主要是构建高阻接地故障仿真模型，通过该高阻接地故障仿真模型进行模拟不同接地故障，得到不同接地故障下的仿真故障数据。

S2.采用神经网络对仿真故障数据进行处理，构建高阻接地故障识别模型。

需要说明的是，在步骤S2中主要是通过现有高阻接地故障的接地故障类型对应的仿真故障数据采用神经网络进行建模，得到高阻接地故障识别模型。

S3.采用高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别。

需要说明的是，在步骤S3中主要是将待识别数据输入步骤S2得到的高阻接地故障识别模型进行对高阻接地故障类型的识别，输出高阻接地故障类型。在本实施例中，高阻接地故障识别模型输出的结果可以是高阻接地故障类型，也可以是输出的结果并无高阻接地故障。

本申请提供的一种配电网高阻接地故障识别方法，包括：构建高阻接地故障仿真模型并获取高阻接地故障仿真模型在不同接地故障情况下的仿真故障数据；采用神经网络对仿真故障数据进行处理，构建高阻接地故障识别模型；采用高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别。该配电网高阻接地故障识别方法通过神经网络对不同接地故障的仿真故障数据进行处理构建用于识别高阻接地故障的高阻接地故障识别模型，采用该高阻接地故障识别模型识别输出的高阻接地故障结果准确，解决了现有采用分类器对高阻接地故障的数据分析，得到高阻接地故障的判定数据不准确的技术问题。

图2为本申请一实施例的配电网高阻接地故障识别方法中电弧模型的结构示意图。

如图2所示，在本申请的一个实施例中，构建高阻接地故障仿真模型包括：采用电弧模型构建高阻接地故障仿真模型，电弧模型包括电感Lf、与电感Lf连接的第一时变电阻Rp和第二时变电阻Rn、与第一时变电阻Rp连接的第一时变电源Vp以及与第二时变电阻Rn连接的第二时变电源Vn，第一时变电源Vp与第二时变电源Vn连接后接地。

在本申请实施例中，该配电网高阻接地故障识别方法包括：在谐振接地、小电阻接地、不接地、直接接地或大电阻接地故障下，通过高阻接地故障仿真模型获取配电网高阻接地故障的仿真故障数据；仿真故障数据包括谐振接地、小电阻接地、不接地、直接接地和大电阻接地的故障数据。

需要说明的是，仿真故障数据主要是在谐振接地、小电阻接地、不接地、直接接地或大电阻接地等故障下获取配电网中母线零序的电流数据。在本申请实施例中，采用时变电阻与时变电源，即电阻及电压源的值会随时间在一定范围内随机波动，以解决电弧电压与电阻的时变性问题；加入电感Lf，通过调节电感Lf大小可以控制该高阻接地故障仿真模型零休特征的大小及偏移情况。通过高阻接地故障仿真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的仿真以获取足量的仿真故障数据。其中，输入高阻接地故障识别模型的仿真故障数据指的是零序电流序列波形。

图3为本申请一实施例的配电网高阻接地故障识别方法中高阻接地故障识别模型的神经网络图，图4为现有技术的神经网络图。

如图3所示，在本申请的一个实施例中，采用神经网络构建高阻接地故障识别模型包括：

用于接收输入数据的输入层Input；

采用卷积核conv大小为1×3、1×5、1×7构建密集连接神经网络的卷积层；

采用ELU函数作为激活函数构建密集连接神经网络的激活层；

采用双通道全连接块作为密集连接神经网络的连接层；

其中，高阻接地故障识别模型包括与连接层连接的过渡层、与过渡层连接的池化层以及与池化层连接的输出层。

在本申请实施例中，双通道全连接块包括两个并行连接的单通道全连接块，单通道全连接块包括四个串行连接的全连接层，每个全连接层包括采用两个不同尺度卷积核大小。

需要说明的是，如图3和图4所示，构建高阻接地故障识别模型的神经网络与现有的神经网络相比，将神经网络中卷积核的大小有n×n改为1×n，且现有神经网络采用单尺度conv(1×1)的卷积进行特征提取，本申请的神经网络采用多尺度卷积(conv(1×3)、conv(1×5)、conv(1×7))进行卷积操作，之后将操作后的多尺度特征结果进行合并，提高该高阻接地故障识别模型的性能。采用ELU函数替代现有神经网络的ReLU作为激活函数，改善该高阻接地故障识别模型的收敛性能。

在本申请实施例中，ELU函数可表示为：

其中超参数α一般取为1，当x小于0的部分ELU函数会出现饱和，且ELU在小于0的部分一直存在梯度，不会出现神经元“死亡”的问题，而现有神经网络采用的ReLU激活函数则会出现梯度消失问题。

在本申请实施例中，如图4所示，现有神经网络采用经激活函数处理后通过大小为1×1的卷积实现通道数调整，再次批量归一化后经过大小为3×3的卷积实现降维，形成1个全连接层，然后通过4个全连接层构成单通道全连接块。如图3所示，本申请该高阻接地故障识别模型的神经网络采用双通道全连接块，使用了1×3和1×5两种不同大小的卷积核并行提取特征，进一步缓解了该高阻接地故障识别模型的梯度消失问题，同时并行双通道再确保该高阻接地故障识别模型识别效率前提下，减少待优化的超参数，提高识别效率以及对仿真故障数据训练的速度。

在本申请的一个实施例中，采用高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别的步骤包括：

将仿真故障数据输入高阻接地故障识别模型的输入层中，高阻接地故障识别模型的卷积层对仿真故障数据进行卷积特征处理，得到一维序列数据；

通过高阻接地故障识别模型的激活层和连接层对一维序列数据进行并行提取特征，得到特征数据；

特征数据通过高阻接地故障识别模型的过渡层、池化层和输出层输出识别的高阻接地故障类型。

在本申请实施例中，通过高阻接地故障识别模型的激活层和连接层对一维序列数据进行并行提取特征包括：采用卷积核大小分别为1×3和1×5的两条单通道全连接块并行对一维序列数据进行提取特征。

需要说明的是，连接层的双通道全连接块使用了1×3和1×5两种不同大小的卷积核并行提取特征，进一步缓解了该高阻接地故障识别模型的梯度消失问题，即是使用了两个并行的全连接块以及一个过渡层，建立了一个轻量级的网络模型，可减少参数量考虑，提高该高阻接地故障识别模型的识别效率。

在本申请实施例中，高阻接地故障识别模型的卷积层对仿真故障数据进行卷积特征处理，得到一维序列数据包括：采用卷积核大小分别为1×3、1×5、1×7并行对仿真故障数据进行特征提取处理，得到三组处理数据；对三组处理数据合并得到一维序列数据。

需要说明的是，三组处理数据采用串行处理，得到一维序列数据。在本实施例中，串行和并行对数据处理是本领域现有技术，因此此处不做详述。

在本申请实施例中，通过构建高阻接地故障仿真模型得到模拟各类高阻接地故障的零序电流波形，如图5a、b、c、d、e、f、g、h所示。

需要说明的是，图5a为本申请一实施例的高阻接地故障识别模型模拟湿土地的小电阻接地故障零序电流波形图，图5b为本申请一实施例的高阻接地故障识别模型模拟干水泥路的小电阻接地故障零序电流波形图，图5c为本申请一实施例的高阻接地故障识别模型模拟湿水泥路的小电阻接地故障零序电流波形图，图5d为本申请一实施例的高阻接地故障识别模型模拟水泥杆塔的不接地故障零序电流波形图，图5e为本申请一实施例的高阻接地故障识别模型模拟湿土地的不接地故障零序电流波形图，图5f为本申请一实施例的高阻接地故障识别模型模拟干水泥路的消弧线圈接地故障零序电流波形图，图5g为本申请另一实施例的高阻接地故障识别模型模拟湿土地的小电阻接地故障零序电流波形图，图5h为本申请又一实施例的高阻接地故障识别模型模拟湿土地的小电阻接地故障零序电流波形图。

图6为本申请一实施例的所述配电网高阻接地故障识别方法应用于配电网的模型结构图，图7为本申请一实施例的所述配电网高阻接地故障识别方法采用不同尺度卷积核处理仿真故障数据的准确率折线图。

在本申请实施例中，如图6所示，若采用图6的配电网与图2的电弧弧形配合，通过改变电弧模型参数、故障点位置、故障相角及中性点接地方式，获取了500组仿真故障数据，其采样频率为4kHz。每组仿真故障数据均从故障开始前一周波开始记录，窗口周期为0.5s。设置了电容器投切、励磁涌流两类干扰，每类干扰的仿真故障数据各250组。考虑到实际数据存在大量的噪声，向训练数据中随机加入了信噪比为15dB-25dB大小的高斯白噪声。

需要说明的是，为了评价该高阻接地故障识别模型的改进效果，使用相同训练集与测试集，采用本申请的配电网高阻接地故障识别方法分别与卷积核大小为1×3、1×5和1×7进行了对比，使得输出识别的高阻接地故障准确度分别为99.5％、95.1％、95.5％和96.4％，本申请的配电网高阻接地故障识别方法面对测试集时，准确率也是最高的，比现有单尺度的神经网络至少高3.1％。训练过程准确率变化如图7所示。由图7可知，本申请的配电网高阻接地故障识别方法的训练集准确率上升速度快，在迭代较少次数时就已收敛，且稳定下来后的准确率明显高于现有的单尺度卷积。

图8为本申请一实施例的所述配电网高阻接地故障识别方法采用不同激活函数处理仿真故障数据的准确率折线图。

如图8所示，使用ELU、RELU以及LEAKY RELU作为激活函数的准确率分别为99.5％、97.5％和95.7％。采用神经网络对仿真故障数据作训练处理时，收敛速度和收敛效果的排序依次是ELU、RELU和LEAKY RELU，在面对测试的仿真故障数据时，ELU比RELU的准确率提高了2％，使得构建的该高阻接地故障识别模型性能得到改善。

图9为本申请一实施例的所述配电网高阻接地故障识别方法采用不同通道全连接快处理仿真故障数据的准确率折线图。

如图9所示，为验证该高阻接地故障识别模型中采用双通道全连接块的效果，将该高阻接地故障识别模型的双通道全连接块分别与单通道卷积核大小为1×3的全连接块和卷积核大小为1×5全连接块进行对比，准确率分别为99.5％、98.1％和97.3％。该高阻接地故障识别模型的双通道全连接块收敛速度比较快，12代就达到最好结果；而单通道卷积核大小为1×3的全连接块和卷积核大小为1×5全连接块收敛速度快，但17代以后，二者准确率基本一致。面对测试的仿真故障数据时，该高阻接地故障识别模型的双通道全连接块与单通道全连接块相比，双通道的训练或处理收敛速度明显较快，可以快速得到最优的模型。

实施例二：

图10为本申请一实施例的配电网高阻接地故障识别装置的框架图。

如图10所示，本申请还提供一种配电网高阻接地故障识别装置，包括数据获取模块10、模型构建模块20和识别输出模块30；

数据获取模块10，用于构建高阻接地故障仿真模型并获取高阻接地故障仿真模型在不同接地故障情况下的仿真故障数据；

模型构建模块20，用于采用神经网络对仿真故障数据进行处理，构建高阻接地故障识别模型；

识别输出模块30，用于采用高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别。

需要说明的是，实施例二装置中模块的内容对应于实施例一控制方法的步骤内容，且实施例一控制方法的步骤内容已在实施例一详细阐述了，在此实施例中不再对实施例二装置中的模块进行详细阐述。

实施例三：

本申请还提供的一种配电网高阻接地故障识别设备，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上述的配电网高阻接地故障识别方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，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，所述单元的划分，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系统，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。

所述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，Random Access Memory)、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)

1.一种配电网高阻接地故障识别方法，其特征在于，包括以下步骤：

构建高阻接地故障仿真模型并获取所述高阻接地故障仿真模型在不同接地故障情况下的仿真故障数据；

采用神经网络对所述仿真故障数据进行处理，构建高阻接地故障识别模型；

采用所述高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别。

2.根据权利要求1所述的配电网高阻接地故障识别方法，其特征在于，构建高阻接地故障仿真模型包括：采用电弧模型构建高阻接地故障仿真模型，所述电弧模型包括电感、与所述电感连接的第一时变电阻和第二时变电阻、与所述第一时变电阻连接的第一时变电源以及与所述第二时变电阻连接的第二时变电源，所述第一时变电源与所述第二时变电源连接后接地。

3.根据权利要求1所述的配电网高阻接地故障识别方法，其特征在于，包括：在谐振接地、小电阻接地、不接地、直接接地或大电阻接地故障下，通过所述高阻接地故障仿真模型获取配电网高阻接地故障的仿真故障数据；所述仿真故障数据包括谐振接地、小电阻接地、不接地、直接接地和大电阻接地的故障数据。

4.根据权利要求1所述的配电网高阻接地故障识别方法，其特征在于，采用神经网络构建高阻接地故障识别模型包括：

用于接收输入数据的输入层；

采用卷积核大小为1×3、1×5、1×7构建密集连接神经网络的卷积层；

采用ELU函数作为激活函数构建密集连接神经网络的激活层；

采用双通道全连接块作为密集连接神经网络的连接层；

其中，所述高阻接地故障识别模型包括与所述连接层连接的过渡层、与所述过渡层连接的池化层以及与所述池化层连接的输出层。

5.根据权利要求4所述的配电网高阻接地故障识别方法，其特征在于，所述双通道全连接块包括两个并行连接的单通道全连接块，所述单通道全连接块包括四个串行连接的全连接层，每个所述全连接层包括采用两个不同尺度卷积核大小。

6.根据权利要求4所述的配电网高阻接地故障识别方法，其特征在于，采用所述高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别的步骤包括：

将所述仿真故障数据输入所述高阻接地故障识别模型的输入层中，所述高阻接地故障识别模型的卷积层对所述仿真故障数据进行卷积特征处理，得到一维序列数据；

通过所述高阻接地故障识别模型的激活层和连接层对所述一维序列数据进行并行提取特征，得到特征数据；

所述特征数据通过所述高阻接地故障识别模型的过渡层、池化层和输出层输出识别的高阻接地故障类型。

7.根据权利要求6所述的配电网高阻接地故障识别方法，其特征在于，通过所述高阻接地故障识别模型的激活层和连接层对所述一维序列数据进行并行提取特征包括：采用卷积核大小分别为1×3和1×5的两条单通道全连接块并行对所述一维序列数据进行提取特征。

8.根据权利要求6所述的配电网高阻接地故障识别方法，其特征在于，所述高阻接地故障识别模型的卷积层对所述仿真故障数据进行卷积特征处理，得到一维序列数据包括：采用卷积核大小分别为1×3、1×5、1×7并行对所述仿真故障数据进行特征提取处理，得到三组处理数据；对所述三组处理数据合并得到一维序列数据。

9.一种配电网高阻接地故障识别装置，其特征在于，包括数据获取模块、模型构建模块和识别输出模块；

所述数据获取模块，用于构建高阻接地故障仿真模型并获取所述高阻接地故障仿真模型在不同接地故障情况下的仿真故障数据；

所述模型构建模块，用于采用神经网络对所述仿真故障数据进行处理，构建高阻接地故障识别模型；

所述识别输出模块，用于采用所述高阻接地故障识别模型对待识别数据进行高阻接地故障类型识别。

10.一种配电网高阻接地故障识别设备，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如权利要求1-8任意一项所述的配电网高阻接地故障识别方法。

Images