CN114076872A

CN114076872A - 一种配电网故障原因分析方法

Info

Publication number: CN114076872A
Application number: CN202010813399.0A
Authority: CN
Inventors: 戴义波
Original assignee: Beijing Inhand Network Technology Co ltd
Current assignee: Beijing Inhand Network Technology Co ltd
Priority date: 2020-08-13
Filing date: 2020-08-13
Publication date: 2022-02-22

Abstract

本发明公开了一种配电网故障原因分析方法，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；将故障波形的特征压缩码输入模式分类模型得到模式标签；将模式标签与外部环境数据输入故障原因分类模型，最终得到故障原因。

Description

一种配电网故障原因分析方法

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原因分析方法。

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，其中对馈线异常工况的识别是智能配电网的重要功能。

随着配电网线路监测系统的出现，配电网实际运行中的电流电压数据被采集，并开始运用传统的提取特征方法结合一些机器学习方法对工况进行分类。如 CN103136587A中公开了一种传统小波包提取仿真数据特征与支持向量机结合的配电网工况分类方法。CN103245881A中公开了一种基于潮流分布特征的配电网故障分析方法及装置。CN107340456A中公开了一种基于多特征分析的配电网工况智能识别方法。但上述方法中采用人工提取录波特征时，在提取过程中会造成关键数据信息的丢失，导致录波分类不准确。并且提取特征与录波分类被分成了不能同步修正的两个过程，这种非端对端的训练方式限制了识别正确率上限。

如CN10810732A中，申请人在先提出的端对端的工况类型识别方法中不再采用人工对波形进行特征提取，然后使用提取的特征来识别工况的方案。而是对波形本身简单预处理后直接建模识别，机器学习模型自身带有特征提取和工况分类的功能，此种端对端训练模型的方法能进一步提升识别正确率。这种方法使用深度神经网络以实现直接将波形本身作为模型输入。然而深度神经网络的训练依赖于大量的原始暂态录波波形-故障类型数据组作为原始训练数据。而实际情况中，配电网中发生的故障类型的确认大部分情况下是需要人工现场处理时才能够得到的。这就导致大量的暂态录波波形是没有相对应匹配的故障类型的，这样的数据是难以用于神经网络模型训练的，从而导致深度神经网络模型的训练数据不足，训练效果不佳。由此可见本领域中需要一种能够基于大量无对应匹配的故障类型的暂态录波波形对深度神经网络模型进行训练，并利用得到故障分类器对暂态录波数据进行精准故障类型识别的方法。

发明内容

本发明所要解决的技术问题之一在原始暂态录波波形-故障类型数据组不足时，训练得到用于识别配电网故障类型的故障分类器。

基于上述本发明所要解决的的技术问题，本发明提供一种配电网故障原因分析方法，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；

将故障波形的特征压缩码输入模式分类模型得到模式标签；所示模式标签为一下六种模式标签中的一种；

模式1：波形中零序电流在同一方向至少出现连续三个脉冲，且零序电流和故障相电流的击穿脉冲相似；

模式2：波形中零序电流只存在工频分量；

模式3：波形中零序电流的每个半个周波有一个脉冲，且前后相邻的两个脉冲的方向相反；

模式4：波形中零序电流的每半个周波有多于一次脉冲；

模式5：波形中只存在一个零序电流脉冲，且该零序电流脉冲之后零序电流只有工频分量

模式6：波形中零序电流出现多次间歇性接地信号，且每次接地后在不超过三个周波时间内波形恢复正常状态。

将模式标签与外部环境数据输入故障原因分类模型，最终得到故障原因。

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，所述模式分类模型与故障原因分类模型均采用递归神经网络分类器、SVC分类器或softmax分类器。

在一个实施例中，所述故障原因分类模型输出的故障原因包括避雷器击穿、绝缘子闪络、线路放电、开关真空泡击穿、异物搭线和变压器损坏。

<关于波形压缩编码方法>

图1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。

如图2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3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。

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。

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。

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。

<模式标签及模式分类器>

本发明中首先针对大量的没有对应故障原因信息标记的故障录波波形进行模式标签分类，将具有类似波形特征的故障录波波形进行归集，从而形成了足够多的模式分类器的训练数据。本发明中针对故障录波波形设置了六种模式标签，其每一种模式标签所对应的波形特征如下定义：

模式2：波形中零序电流只存在工频分量；

模式4：波形中零序电流的每半个周波有多于一次脉冲；

本发明的模式分类器可以使用递归神经网络得到输入的压缩编码的模式标签。例如图8所示的递归神经网络，该递归神经网络包括根据压缩编码的长度，将单位压缩编码输出对应个数的长短时期记忆网络单元，随后输入全连接层，所述全连接层的神经元个数对应于模式标签的个数设置为6个，最后经过 SOFTMAX函数输出输入波形的模式标签。

本发明中获得故障录波波形的模式标签后，将模式标签和外部环境数据输入故障原因分类模型，最终得到故障原因，所述外部环境数据包括降雨信息、风力信息、线路跳闸信息以及历史故障记录信息。故障原因分类模型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。本发明可以根据实际需求实现对避雷器击穿、绝缘子闪络、线路放电、开关真空泡击穿、异物搭线和变压器损坏等故障原因的判定。

本发明的发明点在于如下几个方面：

1.本发明对原始故障录波波形进行压缩编码，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.本发明通过对故障录波的进行模式分类，从而使得故障波形的分类更细致。

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1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是本发明的模式分类模型结构示意图；

图9是本发明一实施例的故障波形实例示意图；

图10是本发明一实施例的训练后的最优深度神经网络示意图；

图11是本发明一实施例的训练后的模式分类模型示意图。

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9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10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模式分类模型获得该故障录波的模式标签，所示模式标签为六种，具体的模式标签类型与对应的故障录波的波形特征的对应关系定义为：

模式2：波形中零序电流只存在工频分量；

模式4：波形中零序电流的每半个周波有多于一次脉冲；

即当故障录波的特征压缩编码输入模式分类模型后输出结果为上述六种模式标签中的一种。本实施例中所述模式分类模型具体为递归神经网络。如图11 所示为本实施例所使用的故障分类模型的结构示意图。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6个，最后经过SOFTMAX函数输出模式标签。

最后，将模式标签输入故障原因分类模型，同时向故障原因分类模型输入外部环境数据，并最终得到故障原因，所述外部环境数据包括降雨信息、风力信息、线路跳闸信息以及历史故障记录信息。本实施例中所述模式分类模型采用现有技术中常规的支持向量机模型，输入为模式标签和降雨信息、风力信息、线路跳闸信息以及历史故障记录信息。输出的故障原因包括避雷器击穿、绝缘子闪络、线路放电、开关真空泡击穿、异物搭线和变压器损坏。

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

1.一种配电网故障原因分析方法，其特征在于，所述方法包括：

获取配电网故障波形；

模式2：波形中零序电流只存在工频分量；

模式4：波形中零序电流的每半个周波有多于一次脉冲；

模式5：波形中只存在一个零序电流脉冲，且该零序电流脉冲之后零序电流只有工频分量；

模式6：波形中零序电流出现多次间歇性接地信号，且每次接地后在不超过三个周波时间内波形恢复正常状态；

2.根据权利要求1所述的配电网故障原因分析方法，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所述的配电网故障原因分析方法，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所述的配电网故障原因分析方法，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所述的配电网故障原因分析方法，所述模式分类模型与故障原因分类模型均采用递归神经网络分类器、SVC分类器或softmax分类器。

6.根据权利要求1所述的配电网故障原因分析方法，所述故障原因分类模型输出的故障原因包括避雷器击穿、绝缘子闪络、线路放电、开关真空泡击穿、异物搭线和变压器损坏。