CN114252739B - 配电网单相接地故障判别方法、系统、设备和存储介质 - Google Patents

Abstract

本发明公开了一种配电网单相接地故障判别方法、系统、设备和存储介质，包括对配电网中不同故障工况下的各馈线的零序电流进行采样；将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图；将变换后的GASF特征图分别打上标签；将打上标签的GASF特征图输入预先训练的配电网单相接地故障预测模型中，预测出不同标签的概率；选出概率最大的标签为馈线判定的最终结果。本发明提取故障后零序电流序列的特征信息，简单方便；且训练后的网络可以在相同工况下重复使用，不需要再次训练。

Description

配电网单相接地故障判别方法、系统、设备和存储介质

技术领域

本发明属于电力系统配电网技术领域，具体涉及一种配电网单相接地故障判别方法、系统、设备和存储介质。

背景技术

10kV配电网的中性点大部分采用经消弧线圈接地，即小电流接地系统。据统计，小电流接地系统发生单相接地故障的几率高达80％，此时系统可带故障继续运行1～2h，因为这时故障电流比较小，对系统供电影响不大。但是由于城市配电网不断发展，网架结构趋于复杂，电缆线路逐渐增多，运行方式变化趋多，导致系统电容电流增大，因此给消弧线圈的补偿增加了一定的困难。如果故障继续长时间运行，容易破坏系统绝缘，造成故障范围扩大为两相甚至多相短路接地。因此必须及时找到故障线路并切除，防止故障扩大。

中性点经消弧线圈接地系统，发生单相接地故障时，消弧线圈会补偿系统电容电流，使故障点接地电流减小，降低破坏作用。但是消弧线圈的补偿作用改变了故障电流的特性，使其特征减弱从而增大了配电网的故障选线难度。针对这一问题，国内外学者做了大量的研宄，提出了多种选线方法，但是仍然存在以下问题：

1)故障特征提取方面：现有傅里叶变换、小波变换、S变换等方法的基函数大多固定，导致特征表征能力不强，且在提取过程中，不具有自适应性，且容易得出没有实际物理意义的特征分量，不利于识别判据的构建。经验模态分算法虽然具备自适应特性，但其分解易产生模态混叠及端点效应的问题。

2)单一的选线方法不能适用各种故障工况和网络结构变化，由于在故障选线中实际提取出的故障特征与选线结果之间存在着复杂的非线性关系，不能用一个准确的数学模型来描述，所以可以运用神经网络来描述这个非线性关系。卷积神经网络技术广泛应用于计算机视觉、模型匹配与模式识别等领域，且在许多实际应用中取得了优异成绩，特别是图像识别上尤其突出。

发明内容

本发明的目的是提供一种配电网单相接地故障判别方法、系统、设备和存储介质，该方法利用卷积神经网络的配电网单相接地故障判别，当中性点经消弧线圈系统发生单相接地故障时，能够利用馈线零序电流信息判断的馈线是否故障。

本发明所采用的技术方案是，

一种配电网单相接地故障判别方法，包括：

对配电网中不同故障工况下的各馈线的零序电流进行采样；

将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图；将变换后的GASF特征图分别打上标签；

将打上标签的GASF特征图输入预先训练的配电网单相接地故障预测模型中，预测出不同标签的概率；

选出概率最大的标签为馈线判定的最终结果。

作为本发明的进一步改进，所述配电网单相接地故障预测模型的训练方法，包括以下步骤：

对配电网中不同故障工况下的各馈线的零序电流进行采样；

将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图；将变换后的GASF特征图分别打上标签；

将打上标签的GASF特征图分为训练集和测试集；

将训练集的输入和输出带入卷积神经网络进行网络迭代训练，得到卷积神经网络判别模型；将测试集的输入带入所述卷积神经网络判别模型，通过测试集的输出验证所述卷积神经网络判别模型的输出结果，验证合格，则卷积神经网络判别模型作为所述配电网单相接地故障预测模型。

作为本发明的进一步改进，所述对配电网中不同故障工况下的各馈线的零序电流进行采样的数据窗取从故障发生起1ms内的数据。

作为本发明的进一步改进，所述将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图，具体包括：

对配电网中各馈线进行编号：1,2，…,n；

按照数据窗采集各馈线的零序电流，将各馈线L_l的零序电流序列{x₁,x₂,...,x_k}先归一化至0到1之间，1≤i≤k，得到新的一维序列

再将一维序列映射到极坐标：

之后，进行GAF变换，获得各条馈线的GASF特征图fig₁,fig₂,…,fig_l,…,fig_n，l为馈线编号，l＝1,2,…,n：

作为本发明的进一步改进，所述将变换后的GASF特征图分别打上标签，如果馈线为健全馈线则标签为0，如果馈线为故障馈线则标签为1；训练集和测试集的输入为通过GAF变换后的GASF特征图，输出为标签0或者1。

作为本发明的进一步改进，所述将训练集的输入和输出带入卷积神经网络进行网络迭代训练，得到卷积神经网络判别模型；

将训练集的输入和输出代入一个多层卷积神经网络进行网络迭代训练，总体结构包括8层结构，包括输入层、输出层和隐层，6个隐层分别是2个卷积层、2个池化层、1个全连接层和一个分类层；最后一个池化层的输出送入全连接层，经过Softmax函数被分为两类；其中卷积层的激活函数为Relu函数，池化层采用最大池化方式；多层卷积神经网络包含输入层、卷积层、池化层、全连接层、分类层和输出层；

卷积层的计算公式为：

y^d＝f(x×k^d+b^d)

式中，k^d为第d层卷积核，b^d为第d层偏置，f为激活函数；

池化层对上层卷积后的结果进行下采样，计算公式为：

y^d+1＝down(y^d)

全连接层是对池化层的输出图像按顺序拼接，输出图像的个数为f，图片大小为m*n，则全连接层将其展开拼成一个f*m*n的一个一维向量，然后将这个一维向量输入层；

分类层使用Relu激活函数，对上层输出结果分类，最后输出层使用Softmax激活函数，输出分类结果，计算公式为

y^d+3＝f(y^d+2×k^d+3+b^d+3)

激活函数Relu为：

Relu(x)＝max(x,0)

激活函数Softmax为：

作为本发明的进一步改进，所述选出概率最大的标签为馈线判定的最终结果，具体包括：

根据预测出不同标签的概率，选出拥有最大概率的标签作为馈线判定的最终标签，即馈线是否故障；

其中，标签0代表健全馈线，标签1代表故障馈线；标签0的概率为P₀，标签1的概率为P₁，则输出标签判定方式为：

一种配电网单相接地故障判别系统，包括：

采样模块，用于对配电网中不同故障工况下的各馈线的零序电流进行采样；

变换模块，用于将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图；将变换后的GASF特征图分别打上标签；

预测模块，将打上标签的GASF特征图输入预先训练的配电网单相接地故障预测模型中，预测出不同标签的概率；

判定模块，选出概率最大的标签为馈线判定的最终结果。

一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述配电网单相接地故障判别方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述配电网单相接地故障判别方法的步骤。

本发明的有益效果是：

本发明利用卷积神经网络的配电网单相接地故障判别方法，提取故障后零序电流序列的特征，简单方便；且训练后的网络可以在相同工况下重复使用，不需要再次训练。通过将打上标签的GASF特征图输入预先训练的配电网单相接地故障预测模型中，预测出不同标签的概率；选出概率最大的标签为馈线判定的最终结果。该方法利用卷积神经网络的配电网单相接地故障判别，当中性点经消弧线圈系统发生单相接地故障时，能够利用馈线零序电流信息判断的馈线是否故障。

附图说明

在此描述的附图仅用于解释目的，而不意图以任何方式来限制本发明公开的范围。另外，图中的各部件的形状和比例尺寸等仅为示意性的，用于帮助对本发明的理解，并不是具体限定本发明各部件的形状和比例尺寸。在附图中：

图1为本发明一种利用卷积神经网络的配电网单相接地故障判别方法流程图；

图2为本发明卷积神经网络结构图；

图3为本发明实施例中10kV辐射状配电网图；

图4为本发明实施例馈线1发生接地故障，金属性接地时各馈线零序电流波形图；

图5为本发明实施例馈线1发生接故障，各馈线零序电流变换后的GASF特征图；

图6为本发明配电网单相接地故障判别系统结构示意图；

图7为本发明优选实施例电子设备结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，当元件被称为“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施例。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

结合图1，本发明一种配电网单相接地故障判别方法，包括：

对配电网中不同故障工况下的各馈线的零序电流进行采样；

将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图；将变换后的GASF特征图分别打上标签；

将打上标签的GASF特征图输入预先训练的配电网单相接地故障预测模型中，预测出不同标签的概率；

选出概率最大的标签为馈线判定的最终结果。

作为优选实施例，所述配电网单相接地故障预测模型的训练方法，包括以下步骤：

对配电网中不同故障工况下的各馈线的零序电流进行采样；

将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图；将变换后的GASF特征图分别打上标签；

将打上标签的GASF特征图分为训练集和测试集；

将训练集的输入和输出带入卷积神经网络进行网络迭代训练，得到卷积神经网络判别模型；将测试集的输入带入所述卷积神经网络判别模型，通过测试集的输出验证所述卷积神经网络判别模型的输出结果，验证合格，则卷积神经网络判别模型作为所述配电网单相接地故障预测模型。

本发明利用卷积神经网络的配电网单相接地故障判别方法，首先对配电网中各馈线的零序电流采样，再将各馈线的零序电流序列进行GAF变换，获得各条馈线零序电流的GASF特征图，再将变换后的GASF特征图分别打上标签，制作为训练集和测试集，用训练集训练卷积神经网络后，使用测试集进行故障判别；本发明提取故障后零序电流序列的特征信息，简单方便；且训练后的网络可以在相同工况下重复使用，不需要再次训练。

下面结合附图及具体实施方式对本发明进行详细说明。

本发明一种利用卷积神经网络的配电网单相接地故障判别方法，如图1所示，具体按照以下步骤实施：

步骤1、对配电网中不同故障工况下的各馈线的零序电流进行采样，将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图；

采样的数据窗取从故障发生起1ms内的数据；

步骤1具体过程为：对配电网中各馈线进行编号：1,2，…,n；按照数据窗采集各馈线的零序电流，将各馈线L_l(l＝1,2,…,n)的零序电流序列{x₁,x₂,...,x_k}(1≤i≤k)先归一化至0到1之间，得到新的一维序列

再将一维序列映射到极坐标：

之后，进行GAF变换，获得各条馈线的GASF特征图fig₁,fig₂,…,fig_l,…,fig_n，l为馈线编号，l＝1,2,…,n：

步骤2、将变换后的GASF特征图分别打上标签，制作为训练集A和测试集B；

步骤2具体过程为：将变换后的GASF特征图分别打上标签，如果馈线为健全馈线则标签为0，如果馈线为故障馈线则标签为1。训练集A和测试集B的输入为通过GAF变换后的GASF特征图，输出为标签0或者1。

步骤3、将训练集A代入卷积神经网络进行网络迭代训练；

步骤3具体过程为：将训练集A的输入和输出代入一个多层卷积神经网络进行网络迭代训练，总体结构包括8层结构，除去输入层和输出层，隐含层中还包含了6个隐层，分别是2个卷积层、2个池化层、1个全连接层和一个分类层。最后一个池化层的输出送入全连接层，经过Softmax函数被分为两类。其中卷积层的激活函数为Relu函数，池化层采用最大池化方式。多层卷积神经网络结构为：

步骤4、将测试集B代入卷积神经网络，得到馈线是否故障为预测结果；

步骤4具体过程为：将测试集B的输入代入上一步训练好的卷积神经网络中，通过网络预测出馈线每个标签的概率，选出拥有最大概率的标签作为馈线判定的最终标签，即馈线是否故障。

其中，标签0(代表健全馈线)的概率为P₀，标签1(代表故障馈线)的概率为P₁，则输出标签判定方式为：

本发明利用卷积神经网络的配电网单相接地故障判别方法工作原理为：

1、卷积神经网络原理

卷积神经网络包含输入层、卷积层、池化层、全连接层、分类层和输出层。

卷积层的计算公式为：

y^d＝f(x×k^d+b^d)

式中，k^d为第d层卷积核，b^d为第d层偏置，f为激活函数。

池化层对上层卷积后的结果进行下采样，目的是为了降低特征图维度，计算公式为：

y^d+1＝down(y^d)

全连接层是对池化层的输出图像按顺序拼接，输出图像的个数为f，图片大小为m*n，则全连接层将其展开拼成一个f*m*n的一个一维向量，然后将这个一维向量输入层。

分类层使用Relu激活函数，对上层输出结果分类，最后输出层使用Softmax激活函数，输出分类结果，计算公式为

y^d+3＝f(y^d+2×k^d+3+b^d+3)

激活函数Relu为：

Relu(x)＝max(x,0)

激活函数Softmax为：

2、神经网络预测输出故障判定及方法

将需要判定的馈线数据变换为GASF特征图代入卷积神经网络，通过网络预测出馈线每个标签的概率，选出拥有最大概率的标签作为馈线判定的最终标签，即馈线是否故障。

其中，标签0(代表健全馈线)的概率为P₀，标签1(代表故障馈线)的概率为P₁，则输出标签判定方式为：

实施例

建立如图3的10kV辐射状配电网模型，共有4条馈线，其中，架空线和电缆线的参数如表1：

表1

图4为馈线l₁发生单相接地故障时馈线l₁、l₂、l₃、l₄的零序电流，通过图4(a)(b)(c)(d)对比可以看出，发生单相接地故障时，流过馈线l₁的零序电流方向与其它馈线零序电流方向存在明显差异，馈线l₁零序电流幅值与其它馈线零序电流幅值同样存在一定差异，因此，存在这些差异的零序电流序列变换为GASF特征图输入卷积神经网络中，就可以被识别，从而判断出馈线是否故障。

图5为零序电流序列变换后的GASF特征图。

表2为馈线1接地故障各馈线故障判别结果。

表2

表2为预测结果，输入需要预测馈线的零序电流GASF特征图后，由输出层预测出标签0(是健全馈线)和标签1(是故障馈线)的概率后，选出概率最大的标签为馈线判定的最终结果。

通过上述方式，本发明一种利用卷积神经网络的配电网单相接地故障判别方法，提取故障后零序电流序列的特征信息，简单方便；且训练后的网络可以在相同工况下重复使用，不需要再次训练。

以上所述，仅是发明的较佳实施例而已，并非对发明作任何形式上的限制，依据发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于发明技术方案的范围内。

如图6所示，本发明的另一目的在于提出一种配电网单相接地故障判别系统，包括：

采样模块，用于对配电网中不同故障工况下的各馈线的零序电流进行采样；

变换模块，用于将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图；将变换后的GASF特征图分别打上标签；

预测模块，将打上标签的GASF特征图输入预先训练的配电网单相接地故障预测模型中，预测出不同标签的概率；

判定模块，选出概率最大的标签为馈线判定的最终结果。

如图7所示，本发明第三个目的是提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述配电网单相接地故障判别方法的步骤。

本发明第四个目的是提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述配电网单相接地故障判别方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种配电网单相接地故障判别方法，其特征在于，包括：

对配电网中不同故障工况下的各馈线的零序电流进行采样；

将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图；将变换后的GASF特征图分别打上标签；

将打上标签的GASF特征图输入预先训练的配电网单相接地故障预测模型中，预测出不同标签的概率；

选出概率最大的标签为馈线判定的最终结果；

所述选出概率最大的标签为馈线判定的最终结果，具体包括：

根据预测出不同标签的概率，选出拥有最大概率的标签作为馈线判定的最终标签，即馈线是否故障；

其中，标签0代表健全馈线，标签1代表故障馈线；标签0的概率为P₀，标签1的概率为P₁，则输出标签判定方式为：

2.根据权利要求1所述的一种配电网单相接地故障判别方法，其特征在于，所述配电网单相接地故障预测模型的训练方法，包括以下步骤：

对配电网中不同故障工况下的各馈线的零序电流进行采样；

将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图；将变换后的GASF特征图分别打上标签；

将打上标签的GASF特征图分为训练集和测试集；

将训练集的输入和输出带入卷积神经网络进行网络迭代训练，得到卷积神经网络判别模型；将测试集的输入带入所述卷积神经网络判别模型，通过测试集的输出验证所述卷积神经网络判别模型的输出结果，验证合格，则卷积神经网络判别模型作为所述配电网单相接地故障预测模型。

3.根据权利要求2所述的一种配电网单相接地故障判别方法，其特征在于，所述对配电网中不同故障工况下的各馈线的零序电流进行采样的数据窗取从故障发生起1ms内的数据。

4.根据权利要求2所述的一种配电网单相接地故障判别方法，其特征在于，所述将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图，具体包括：

对配电网中各馈线进行编号：1,2，…,n；

按照数据窗采集各馈线的零序电流，将各馈线L_l的零序电流序列{x₁,x₂,...,x_k}先归一化至0到1之间，1≤i≤k，得到新的一维序列

再将一维序列映射到极坐标：

之后，进行GAF变换，获得各条馈线的GASF特征图fig₁,fig₂,…,fig_l,…,fig_n，l为馈线编号，l＝1,2,…,n：

5.根据权利要求2所述的一种配电网单相接地故障判别方法，其特征在于，所述将变换后的GASF特征图分别打上标签，如果馈线为健全馈线则标签为0，如果馈线为故障馈线则标签为1；训练集和测试集的输入为通过GAF变换后的GASF特征图，输出为标签0或者1。

6.根据权利要求2所述的一种配电网单相接地故障判别方法，其特征在于，所述将训练集的输入和输出带入卷积神经网络进行网络迭代训练，得到卷积神经网络判别模型；

将训练集的输入和输出代入一个多层卷积神经网络进行网络迭代训练，总体结构包括8层结构，包括输入层、输出层和隐层，6个隐层分别是2个卷积层、2个池化层、1个全连接层和一个分类层；最后一个池化层的输出送入全连接层，经过Softmax函数被分为两类；其中卷积层的激活函数为Relu函数，池化层采用最大池化方式；多层卷积神经网络包含输入层、卷积层、池化层、全连接层、分类层和输出层；

卷积层的计算公式为：

y^d＝f(x×k^d+b^d)

式中，k^d为第d层卷积核，b^d为第d层偏置，f为激活函数；

池化层对上层卷积后的结果进行下采样，计算公式为：

y^d+1＝down(y^d)

全连接层是对池化层的输出图像按顺序拼接，输出图像的个数为f，图片大小为m*n，则全连接层将其展开拼成一个f*m*n的一个一维向量，然后将这个一维向量输入层；

分类层使用Relu激活函数，对上层输出结果分类，最后输出层使用Softmax激活函数，输出分类结果，计算公式为

y^d+3＝f(y^d+2×k^d+3+b^d+3)

激活函数Relu为：

Relu(x)＝max(x,0)

激活函数Softmax为：

7.一种配电网单相接地故障判别系统，其特征在于，包括：

采样模块，用于对配电网中不同故障工况下的各馈线的零序电流进行采样；

变换模块，用于将各馈线的零序电流进行GAF变换，获得各条馈线零序电流的GASF特征图；将变换后的GASF特征图分别打上标签；

预测模块，将打上标签的GASF特征图输入预先训练的配电网单相接地故障预测模型中，预测出不同标签的概率；

判定模块，选出概率最大的标签为馈线判定的最终结果；

所述选出概率最大的标签为馈线判定的最终结果，具体包括：

根据预测出不同标签的概率，选出拥有最大概率的标签作为馈线判定的最终标签，即馈线是否故障；

其中，标签0代表健全馈线，标签1代表故障馈线；标签0的概率为P₀，标签1的概率为P₁，则输出标签判定方式为：

8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-6任一项所述配电网单相接地故障判别方法的步骤。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一项所述配电网单相接地故障判别方法的步骤。