CN115684835A - 配电网故障诊断方法、装置、设备及存储介质 - Google Patents

Abstract

本发明电网故障诊断领域，尤其涉及一种配电网故障诊断方法、装置、设备及存储介质，该方法包括：对预处理后的配电网工作数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，并根据配电网工作数据特征向量建立配电网工作数据特征向量库；对配电网工作数据特征向量通过分类器进行分类，并对分类后的配电网工作数据特征向量进行聚类迭代，得到目标分类器和目标聚类中心；获取通过目标卷积神经网络提取的当前配电网工作数据；对当前配电网工作数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果，从而迅速准确找出电网故障缘由，避免造成长时间停电。

Description

配电网故障诊断方法、装置、设备及存储介质

技术领域

本发明涉及电网故障诊断领域，尤其涉及一种配电网故障诊断方法、装置、设备及存储介质。

背景技术

配电网是由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿器及一些附属设施等组成的，在电力网中起重要分配电能作用的网络，配电网突然发生故障，无法迅速找出电网故障缘由，造成大规模停电，因此，如何快速精确诊断出配电网的故障成为当前亟待解决的技术问题，目前传统的方式主要依赖于采集到的配电终端二遥(遥信和遥测)或三遥(遥信，遥测，遥控)信息进行系统监控，当配电网发生故障时，依靠配电终端上送的开关变位信号及其相关的故障信息进行故障诊断，定位故障问题，容易造成故障诊断不准确，造成长时间停电。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种电网故障诊断方法、装置、设备及存储介质，旨在解决现有技术中难以准确迅速找出配电网故障缘由，造成长时间停电的技术问题。

为实现上述目的，本发明提供一种电网故障诊断方法，所述电网故障诊断方法包括以下步骤：

获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜(配电柜)电流以及共箱式环网柜电流数据；

对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，并根据所述配电网工作数据特征向量建立配电网工作数据特征向量库；

对所述配电网工作数据特征向量通过分类器进行分类，并对分类后的配电网工作数据特征向量进行聚类迭代，得到目标分类器和目标聚类中心；

获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果。

可选地，所述对所述配电网工作数据特征向量通过分类器进行分类，得到目标分类器，包括：

对所述配电网工作数据特征向量进行分类，得到分类结果；

对所述损失函数通过交叉熵损失、分类标签以及分类结果进行处理，得到分类损失；

将所述分类损失通过反向传播关系进行梯度回传，并对所述分类器参数进行更新；

返回执行所述对所述配电网工作数据特征向量进行分类，得到分类结果步骤，直至对所有配电网工作数据特征向量分类完成，得到目标分类器。

可选地，所述对配电网工作数据特征向量进行聚类迭代，得到目标聚类中心，包括：

随机抽取配电网工作数据特征向量库中的K个配电网工作数据特征向量作为初始聚类中心，其中K为大于1的整数；

计算所述电网工作数据特征向量库中剩下的所述配电网工作数据特征向量与所述初始聚类中心的距离；

根据所述每个配电网工作数据特征向量与所述初始聚类中心的距离，将所述配电网工作数据特征向量划分为K个簇；

计算所述K个簇的所有特征向量的均值，并将所述均值作为并将此均值作为新的聚类中心；

返回执行随机抽取配电网工作相关数据库中的K个配电网工作数据特征向量作为初始聚类中心步骤，直至所述新的聚类中心的位置不再发生变化，迭代停止，得到目标聚类中心。

可选地，所述对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，包括：

根据所述变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流生成预处理指标集；

取出预处理指标集的头部数据指标后放入精细指标集的末尾；

根据所述头部数据指标从取出头部数据指标后的指标集中选取第二数据指标，取出所述第二数据指标后放入所述精细指标集的末尾；

根据所述头部数据指标、所述第二数据指标和当前迭代次数从取出第二数据指标后的指标集中选取第三数据指标，取出所述第三数据指标后放入所述精细指标集的末尾；

确定取出第三数据指标后的指标集为预处理指标集，继续执行所述迭代处理，直至当前预处理指标集为空集；

将所述精细指标集和执行迭代处理前的预处理指标集拼接为目标数据集；

将所述目标数据集输入预先得到的卷积神经网络中，得到所述配电网工作数据特征向量。

可选地，所述根据所述变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据生成预处理指标集，包括：

根据所述变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据指标生成原始指标集；

从所述原始指标集中随机取出其中一个数据指标，确定该数据指标为基准指标，并将所述基准指标放入所述预处理指标集的末尾；

确定取出基准指标后的原始指标集中与该基准指标的关联度最低的数据指标为基准指标，继续执行所述迭代处理；

重复上述操作，直至所述原始指标集生成预处理指标集。

可选地，所述对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果，包括：

根据当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据得到当前的配电网特征向量；

通过所述目标聚类中心，计算各当前的配电网特征向量与各聚类中心的距离；

根据所述各当前的配电网特征向量与各聚类中心的距离，判断各当前的配电网特征向量所属于的类簇，并筛选出出现异常数据的当前的配电网特征向量类簇；

通过目标分类器，对判断出现异常数据的特征向量类簇进行分类，得到分类结果；

重复上述操作，直至完成对所有的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据故障检测，得到故障诊断结果。

可选地，所述获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据之前，还包括：

通过电压采集单元和电流采集单元采集高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

按照预设参数阈值剔除出所述压采集单元和电流采集单元采集高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据中异常数据，得到预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据。

此外，为实现上述目的，本发明还提出一种配电网故障诊断装置，所述配电网故障诊断装置包括：

获取模块，用于获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

处理模块，用于对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量；

分类聚类模块，用于对所述配电网工作数据特征向量通过分类器进行分类，并对分类后的配电网工作数据特征向量进行聚类迭代，得到目标分类器和目标聚类中心，并根据配电网工作数据特征向量建立配电网工作数据特征向量库；

所述获取模块，还用于获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

预测模块，用于对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果。

此外，为实现上述目的，本发明还提出一种配电网故障诊断设备，所述设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的配电网故障诊断程序，所述配电网故障诊断程序配置为实现如上文所述的配电网故障诊断方法。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有配电网故障诊断程序，所述配电网故障诊断程序被处理器执行时实现如上文所述的配电网故障诊断方法。

本发明其公开了一种配电网故障诊断方法、装置、设备及存储介质，该方法包括：获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，并根据所述配电网工作数据特征向量建立配电网工作数据特征向量库；对所述配电网工作数据特征向量通过分类器进行分类，并对分类后的配电网工作数据特征向量进行聚类迭代，得到目标分类器和目标聚类中心；获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果，通过上述方法进行聚类迭代，迅速准确找出电网故障缘由，避免造成长时间停电。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的配电网故障诊断设备结构示意图；

图2为本发明配电网故障诊断方法第一实施例的流程示意图；

图3为本发明配电网故障诊断方法第二实施例的流程示意图；

图4为本发明配电网故障诊断方法第三实施例的流程示意图；

图5为本发明配电网故障诊断装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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的一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的配电网故障诊断设备结构示意图。

如图1所示，该配电网故障诊断设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成配电网故障诊断设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及配电网故障诊断程序。

在图1所示的配电网故障诊断设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述配电网故障诊断设备通过处理器1001调用存储器1005中存储的配电网故障诊断程序，并执行本发明实施例提供的配电网故障诊断方法。

基于上述硬件结构，提出本发明配电网故障诊断方法的实施例。

参照图2，图2为本发明配电网故障诊断方法第一实施例的流程示意图，提出本发明配电网故障诊断方法第一实施例。

在第一实施例中，所述配电网故障诊断方法包括以下步骤：

步骤S10：获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据。

理解的是，本实施例的执行主体是为配电网故障诊断设备，该配电网故障诊断设备具有数据处理、数据通信及程序运行等功能。

在具体实现中，配电网故障诊断设备发送收集指令到电流传感器、电压传感器，以使电流传感器、电压传感器在接收到了收集指令后开始收集目标配电网的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据。从而使可以测得配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流。

需要说明的是，在收集到预处理之前的配电网工作数据时，通过电压采集单元和电流采集单元采集高压10kv侧电流、低压0.4kv侧电流、高压10kv侧HXXG柜电流以及共箱式环网柜电流数据。

步骤S20：对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，并根据所述配电网工作数据特征向量建立配电网工作数据特征向量库。

在具体实施中，根据所述变压器容量、10kv侧电流、0.4kv侧电流、10kv侧HXXG柜电流以及共箱式环网柜电流生成预处理指标集；取出预处理指标集的头部数据指标后放入精细指标集的末尾；根据所述头部数据指标从取出头部数据指标后的指标集中选取第二数据指标，取出所述第二数据指标后放入所述精细指标集的末尾；根据所述头部数据指标、所述第二数据指标和当前迭代次数从取出第二数据指标后的指标集中选取第三数据指标，取出所述第三数据指标后放入所述精细指标集的末尾；确定取出第三数据指标后的指标集为预处理指标集，继续执行所述迭代处理，直至当前预处理指标集为空集；将所述精细指标集和执行迭代处理前的预处理指标集拼接为目标数据集；将所述目标数据集输入预先得到的卷积神经网络中，得到所述配电网工作相关数据特征向量，根据所述变压器容量、10kv侧电流、0.4kv侧电流、10kv侧HXXG柜电流以及共箱式环网柜电流数据指标生成原始指标集；从所述原始指标集中随机取出其中一个数据指标，确定该数据指标为基准指标，并将所述基准指标放入所述预处理指标集的末尾；确定取出基准指标后的原始指标集中与该基准指标的关联度最低的数据指标为基准指标，继续执行所述迭代处理；重复上述操作，直至所述原始指标集生成预处理指标集。

应理解的是，每次迭代均将基准指标放入预处理指标集的末尾，相当于将数据指标按照放入预处理指标集的顺序依序排列。具体实施时，设置指针指向该基准指标，将该基准指标作为预处理指标集的头部；初始的预处理指标集为空集，相当于将基准指标放入预处理指标集的末尾。后续指标根据各指标间的相关性进行排序。选取与基准指标关联度最低的数据指标作为预处理指标集的下一项数据指标，然后指针向尾部移动一次将下一项数据指标作为基准指标，同样地，选取与基准指标关联度最低的指标作为下一项数据指标,其中已经完成的排序的数据指标不参加关联度计算，重复上述步骤直到指针指向数据指标，此时原始指标集为空集，最终完成排列得到预处理指标集，通过卷积神经网络提取配电网工作数据特征向量。

步骤S30：对所述配电网工作数据特征向量通过分类器进行分类，并对分类后的配电网工作数据特征向量进行聚类迭代，得到目标分类器和目标聚类中心。

在具体实施中，对所述配电网工作数据特征向量进行Softmax分类，网络采用的损失函数为交叉熵损失函数，得到分类结果；对所述损失函数通过交叉熵损失、分类标签以及softmax分类结果进行处理，得到分类损失；将所述分类损失通过反向传播进行梯度回传，并对所述分类器参数进行更新；返回执行所述对所述配电网工作数据特征向量进行Softmax分类，得到分类结果步骤，直至对所有配电网工作数据特征向量分类完成，得到目标分类器，随机抽取所述配电网工作数据特征向量样本库中的K个电网工作数据特征向量作为初始聚类中心，其中K为大于1的整数；计算配电网工作数据特征向量库中剩下的所述配电网工作数据特征向量库每个电网工作数据特征向量与所述初始聚类中心的距离；根据所述每个电网工作数据特征向量与所述初始聚类中心的距离，将所述电网工作数据特征向量划分为K个簇；计算所述K个簇的所有特征向量的均值，并将所述均值作为并将此均值作为新的聚类中心；返回执行随机抽取所述配电网工作数据特征向量库中的K个电网工作数据特征向量作为初始聚类中心步骤，直至所述新的聚类中心的位置不再发生变化，迭代停止，得到目标聚类中心，为测试阶段训练好模型。

步骤S40：获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据。

按照预设参数阈值剔除出所述压采集单元和电流采集单元采集10kv侧电流、0.4kv侧电流、10kv侧HXXG柜电流以及共箱式环网柜电流数据中异常数据，得到预处理后的配电网变压器容量、10kv侧电流、0.4kv侧电流、10kv侧HXXG柜电流以及共箱式环网柜电流数据。

步骤S50：获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据。

应理解的是，根据当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据得到当前的配电网特征向量；通过所述目标聚类中心，计算各当前的配电网特征向量与各聚类中心的距离；根据所述各当前的配电网特征向量与各聚类中心的距离，判断各当前的配电网特征向量所属于的类簇，并筛选出出现异常数据的当前的配电网特征向量类簇；通过目标分类器，对判断出现异常数据的特征向量类簇进行分类，得到分类结果；重复上述操作，直至完成对所有的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据故障检测，得到故障诊断结果。

需要说明的是，利用迭代好的目标聚类中心，对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据故障检测进行辅助判断类别，得到当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据故障检测聚类后所属的类簇。本步骤的主要目的是减少送入分类器配电网特征向量数量，分类器由全连接层组成，而全连接层参数量大、计算量大，而K均值聚类具有运算速度快，执行过程简单的优点，通过迭代好的聚类中心，计算各配电网特征向量与各聚类中心的距离，判断配电网特征向量所属于的类簇，只对判断含有异常数据的配电网特征向量类簇进行下一步的分类，大大减少了配电网特征向量输入到分类器进行分类，从而达到在不降低准确率的情况下实现快速检测。

在本实施例中，获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，并根据所述配电网工作数据特征向量建立配电网工作数据特征向量库；对所述配电网工作数据特征向量通过分类器进行分类，并对分类后的配电网工作数据特征向量进行聚类迭代，得到目标分类器和目标聚类中心；获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果，通过上述方法进行聚类迭代，迅速准确找出电网故障缘由，避免造成长时间停电。

参照图3，图3为本发明配电网故障诊断方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明配电网故障诊断方法的第二实施例。

在第二实施例中，所述步骤S30，包括：

步骤S301：对所述配电网工作数据特征向量进行分类，得到分类结果。

需要说明的是获取配电网中线路的多个预设节点中每个预设节点的故障数据，其中所述故障数据包括：变压器容量、10kv侧电流、0.4kv侧电流、10kv侧HXXG柜电流以及共箱式环网柜电流；对所述故障数据进行处理，获取故障特征数据，并根据所述故障特征数据、故障类型和故障位置标识建立故障标识与故障特征数据库，其中所述故障特征数据包括多个特征量；将所述故障标识与故障特征数据库中的数据按照故障类型分为训练集和测试集，并根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型；利用所述最优参数对应的Softmax回归模型根据电网的实时故障数据对故障类型和位置进行预测，以确定配电网单向接地故障选线。

步骤S302：对所述损失函数通过交叉熵损失、分类标签以及分类结果进行处理，得到分类损失。

在具体实施中，分类器将由特征提取得到的特征向量输入全连接层，通过Softmax得到概率向量，相应的那个概率值高即为预测的哪个类。

步骤S303：将所述分类损失通过反向传播关系进行梯度回传，并对所述分类器参数进行更新。

需要说明的是，需要说明的是，反向传播算法是目前用来训练人工神经网络(Artificial Neural Network，ANN)的最常用且最有效的算法，将，变压器容量、10kv侧电流、0.4kv侧电流、10kv侧HXXG柜电流以及共箱式环网柜电流输入到ANN的输入层，经过隐藏层，最后达到输出层并输出结果，这是ANN的前向传播过程；由于ANN的输出结果与实际结果有误差，则先计算估计值与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；在反向传播的过程中，根据误差调整各种参数的值；不断迭代上述过程，直至收敛。

步骤S304：返回执行所述对所述配电网工作数据特征向量进行分类，得到分类结果步骤，直至对所有配电网工作数据特征向量分类完成，得到目标分类器。

在具体实施中，通过目标分类器对所述含有异常数据的电网工作数据特征向量类簇进行分类，得到分类结果之后还会根据预设映射关系将分类结果映射至原来数据集；重复执行计算所述特征向量与所述各目标聚类中心的距离，得到含有异常数据电网工作数据特征向量类簇，并通过目标分类器进行分类，得到最终分类结果，根据预设映射关系将最终分类结果返回至原数据集的操作直至完成所有的电网工作数据特征向量检测。

应当理解的是，将电网工作数据特征向量划分训练集和测试集,把从电网工作数据特征向量的第一条信号中提取的N*m条作为训练集，第二条信号中提取的N*m条，作为测试集，分别存放在N*m行、100列的矩阵中，记为训练矩阵和测试矩阵；从变量中划分出训练集和测试集对应的标签，分别存放在长度为N*m的数组中，训练集标签记为train_label，测试集标签记为test_label；将训练集和测试集分别分割为N*m*50段，每一段长度为5,分别存放在N*m*30行、20列的矩阵中，记为train_f和test_f；对train_f执行k-means聚类，设置聚类簇数为50，聚类后得到大小为50*10的矩阵，记为C1，将C1转置得到10*50的矩阵，记为C，对train_f和C计算欧氏距离，计算结果存放在N*m*20行、50列的矩阵中，记为train_sample_f；对test_f和C计算欧式距离，计算结果存放在N*m*20行、50列的矩阵中，记为test_sample_f；将训练集样本train_sample_f和测试集样本test_sample_f分别按照列优先的原则变维为N*m行、1000列的矩阵并归一化到[0,1]之间，记为train_sample和test_sample；train_sample即为构建好的测试集特征，test_sample即为构建好的测试集特征；对样本进行自动识别将训练集特征train_sample进行稀疏，把稀疏后的训练集特征以及对应的标签train_label全部输入到LR分类器中进行训练，LR分类器训练结束后，保留参数，再将测试集特征test_sample进行稀疏，把稀疏后的测试集特征以及对应的标签test_label输入到训练好的LR分类器进行测试；识别结果为判断电网工作数据特征向量所属个体的判断准确率；输出分类结果。

在本实施例中，获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，并根据所述配电网工作数据特征向量建立配电网工作数据特征向量库；对所述配电网工作数据特征向量进行分类，得到分类结果；对所述损失函数通过交叉熵损失、分类标签以及分类结果进行处理，得到分类损失；将所述分类损失通过反向传播关系进行梯度回传，并对所述分类器参数进行更新；返回执行所述对所述配电网工作数据特征向量进行分类，得到分类结果步骤，直至对所有配电网工作数据特征向量分类完成，得到目标分类器；获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果，从而完成对配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据生成的特征向量进行分类，从而实现对电流数据生成的特征向量进行分类，进而完成对有异常数据的特征向量分离，从而诊断出故障。

参照图4，图4为本发明电网故障诊断方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明电网故障诊断方法的第三实施例。

在第三实施例中，所述步骤S50，包括：

步骤S501：根据当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据得到当前的配电网特征向量。

在具体实施中，当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据得到当前的配电网特征向量，将通过特征提取模块得到的配电网工作数据特征向量通过预设聚类算法进行迭代，得到聚类中心，随机抽取所述配电网工作数据特征向量训练样本库中K个配电网工作数据特征向量作为初始聚类中心。

步骤S502：通过所述目标聚类中心，计算各当前的配电网特征向量与各聚类中心的距离。

需要说明的是，需要说明的是，计算剩下的所述配电网工作数据特征向量训练样本库每个配电网工作数据特征向量与所述初始聚类中心的距离，如马氏距离，欧氏距离等，本方法对此不作限制。

步骤S503：根据所述各当前的配电网特征向量与各聚类中心的距离，判断各当前的配电网特征向量所属于的类簇，并筛选出出现异常数据的当前的配电网特征向量类簇。

需要说明的是，K均值聚类算法，其中K为聚成的类数，预设聚类算法以K均值聚类算法进行说明，该聚类算法具有运算速度快，执行过程简单的优点。

步骤S504：通过目标分类器，对判断出现异常数据的特征向量类簇进行分类，得到分类结果；

在具体实施中，重新计算每个簇的所有特征向量的均值，并将此均值作为新的聚类中心，最后，对计算得到的簇和聚类中心不断操作同样的过程，直到聚类中心的位置不再发生变化，迭代停止，聚类完成，最终得到目标聚类中心，然后根据目标聚类中心得到分类结果。

步骤S505：重复上述操作，直至完成对所有的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据故障检测，得到故障诊断结果。

在具体实施中，重复通过目标分类器，对判断出现异常数据的特征向量类簇进行分类，得到分类结果，直至完成对所有的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据故障检测，得到故障诊断结果。

在本实施例中，获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，并根据所述配电网工作数据特征向量建立配电网工作数据特征向量库；对所述配电网工作数据特征向量通过分类器进行分类，并对分类后的配电网工作数据特征向量进行聚类迭代，得到目标分类器和目标聚类中心；获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；根据当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据得到当前的配电网特征向量；通过所述目标聚类中心，计算各当前的配电网特征向量与各聚类中心的距离；根据所述各当前的配电网特征向量与各聚类中心的距离，判断各当前的配电网特征向量所属于的类簇，并筛选出出现异常数据的当前的配电网特征向量类簇；通过目标分类器，对判断出现异常数据的特征向量类簇进行分类，得到分类结果；重复上述操作，直至完成对所有的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据故障检测，得到故障诊断结果，从而通过上述方法实现了建立配电网故障诊断模型，输入现在的电网数据，诊断得到电网的故障原因。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有配电网故障诊断程序，所述配电网故障诊断程序被处理器执行时实现如上文所述的配电网故障诊断方法的步骤。

由于本存储介质可以采用上述所有实施例的技术方案，因此至少具有上述实施例的技术方案所带来的有益效果，在此不再一一赘述。

参照图5，图5为本发明配电网故障诊断装置第一实施例的功能模块示意图。

本发明配电网故障诊断装置第一实施例中，该配电网故障诊断装置包括：

获取模块10，用于获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

处理模块20，用于对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量；

分类聚类模块30，用于对所述配电网工作数据特征向量通过分类器进行分类，并对分类后的配电网工作数据特征向量进行聚类迭代，得到目标分类器和目标聚类中心，并根据配电网工作数据特征向量建立配电网工作数据特征向量库；

所述获取模块10，还用于获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

预测模块40，用于对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果。

在本实施例中，获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，并根据所述配电网工作数据特征向量建立配电网工作数据特征向量库；对所述配电网工作数据特征向量通过分类器进行分类，并对分类后的配电网工作数据特征向量进行聚类迭代，得到目标分类器和目标聚类中心；获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果，通过上述方法进行聚类迭代，迅速准确找出电网故障缘由，避免造成长时间停电。

在一实施例中，所述分类聚类模块30，还用于对所述配电网工作数据特征向量通过分类器进行分类，得到目标分类器，包括：

对所述配电网工作数据特征向量进行分类，得到分类结果；

对所述损失函数通过交叉熵损失、分类标签以及分类结果进行处理，得到分类损失；

将所述分类损失通过反向传播关系进行梯度回传，并对所述分类器参数进行更新；

返回执行所述对所述配电网工作数据特征向量进行分类，得到分类结果步骤，直至对所有配电网工作数据特征向量分类完成，得到目标分类器。

在一实施例中，所述分类聚类模块30，还用于对配电网工作数据特征向量进行聚类迭代，得到目标聚类中心，包括：

随机抽取配电网工作数据特征向量库中的K个配电网工作数据特征向量作为初始聚类中心，其中K为大于1的整数；

计算所述电网工作数据特征向量库中剩下的所述配电网工作数据特征向量与所述初始聚类中心的距离；

根据所述每个配电网工作数据特征向量与所述初始聚类中心的距离，将所述配电网工作数据特征向量划分为K个簇；

计算所述K个簇的所有特征向量的均值，并将所述均值作为并将此均值作为新的聚类中心；

返回执行随机抽取配电网工作相关数据库中的K个配电网工作数据特征向量作为初始聚类中心步骤，直至所述新的聚类中心的位置不再发生变化，迭代停止，得到目标聚类中心。

在一实施例中，所述处理模块20，还用于对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，包括：

根据所述变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流生成预处理指标集；

取出预处理指标集的头部数据指标后放入精细指标集的末尾；

根据所述头部数据指标从取出头部数据指标后的指标集中选取第二数据指标，取出所述第二数据指标后放入所述精细指标集的末尾；

根据所述头部数据指标、所述第二数据指标和当前迭代次数从取出第二数据指标后的指标集中选取第三数据指标，取出所述第三数据指标后放入所述精细指标集的末尾；

确定取出第三数据指标后的指标集为预处理指标集，继续执行所述迭代处理，直至当前预处理指标集为空集；

将所述精细指标集和执行迭代处理前的预处理指标集拼接为目标数据集；

将所述目标数据集输入预先得到的卷积神经网络中，得到所述配电网工作数据特征向量。

在一实施例中，所述处理模块20，还用于所述根据所述变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据生成预处理指标集，包括：

根据所述变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据指标生成原始指标集；

从所述原始指标集中随机取出其中一个数据指标，确定该数据指标为基准指标，并将所述基准指标放入所述预处理指标集的末尾；

确定取出基准指标后的原始指标集中与该基准指标的关联度最低的数据指标为基准指标，继续执行所述迭代处理；

重复上述操作，直至所述原始指标集生成预处理指标集。

在一实施例中，所述预测模块40，还用于所述对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果，包括：

根据当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据得到当前的配电网特征向量；

通过所述目标聚类中心，计算各当前的配电网特征向量与各聚类中心的距离；

根据所述各当前的配电网特征向量与各聚类中心的距离，判断各当前的配电网特征向量所属于的类簇，并筛选出出现异常数据的当前的配电网特征向量类簇；

通过目标分类器，对判断出现异常数据的特征向量类簇进行分类，得到分类结果；

重复上述操作，直至完成对所有的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据故障检测，得到故障诊断结果。

在一实施例中，所述获取模块10，还用于获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据之前，还包括：

通过电压采集单元和电流采集单元采集高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

按照预设参数阈值剔除出所述压采集单元和电流采集单元采集高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据中异常数据，得到预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据。

本发明所述配电网故障诊断装置的其他实施例或具体实现方式可参照上述各方法实施例，因此至少具有上述实施例的技术方案所带来的所有有益效果，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种配电网故障诊断方法，其特征在于，所述方法包括以下步骤：

获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，并根据所述配电网工作数据特征向量建立配电网工作数据特征向量库；

对所述配电网工作数据特征向量通过分类器进行分类，并对分类后的配电网工作数据特征向量进行聚类迭代，得到目标分类器和目标聚类中心；

获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果。

2.如权利要求1所述的方法，其特征在于，所述对所述配电网工作数据特征向量通过分类器进行分类，得到目标分类器，包括：

对所述配电网工作数据特征向量进行分类，得到分类结果；

对所述损失函数通过交叉熵损失、分类标签以及分类结果进行处理，得到分类损失；

将所述分类损失通过反向传播关系进行梯度回传，并对所述分类器参数进行更新；

返回执行所述对所述配电网工作数据特征向量进行分类，得到分类结果步骤，直至对所有配电网工作数据特征向量分类完成，得到目标分类器。

3.如权利要求1所述的方法，其特征在于，所述对配电网工作数据特征向量进行聚类迭代，得到目标聚类中心，包括：

随机抽取配电网工作数据特征向量库中的K个配电网工作数据特征向量作为初始聚类中心，其中K为大于1的整数；

计算所述电网工作数据特征向量库中剩下的所述配电网工作数据特征向量与所述初始聚类中心的距离；

根据所述每个配电网工作数据特征向量与所述初始聚类中心的距离，将所述配电网工作数据特征向量划分为K个簇；

计算所述K个簇的所有特征向量的均值，并将所述均值作为并将此均值作为新的聚类中心；

返回执行随机抽取配电网工作相关数据库中的K个配电网工作数据特征向量作为初始聚类中心步骤，直至所述新的聚类中心的位置不再发生变化，迭代停止，得到目标聚类中心。

4.如权利要求1所述的方法，其特征在于，所述对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量，包括：

根据所述变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流生成预处理指标集；

取出预处理指标集的头部数据指标后放入精细指标集的末尾；

根据所述头部数据指标从取出头部数据指标后的指标集中选取第二数据指标，取出所述第二数据指标后放入所述精细指标集的末尾；

根据所述头部数据指标、所述第二数据指标和当前迭代次数从取出第二数据指标后的指标集中选取第三数据指标，取出所述第三数据指标后放入所述精细指标集的末尾；

确定取出第三数据指标后的指标集为预处理指标集，继续执行所述迭代处理，直至当前预处理指标集为空集；

将所述精细指标集和执行迭代处理前的预处理指标集拼接为目标数据集；

将所述目标数据集输入预先得到的卷积神经网络中，得到所述配电网工作数据特征向量。

5.如权利要求4所述的方法，其特征在于，所述根据所述变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据生成预处理指标集，包括：

根据所述变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据指标生成原始指标集；

从所述原始指标集中随机取出其中一个数据指标，确定该数据指标为基准指标，并将所述基准指标放入所述预处理指标集的末尾；

确定取出基准指标后的原始指标集中与该基准指标的关联度最低的数据指标为基准指标，继续执行所述迭代处理；

重复上述操作，直至所述原始指标集生成预处理指标集。

6.如权利要求5所述的方法，其特征在于，所述对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果，包括：

根据当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据得到当前的配电网特征向量；

通过所述目标聚类中心，计算各当前的配电网特征向量与各聚类中心的距离；

根据所述各当前的配电网特征向量与各聚类中心的距离，判断各当前的配电网特征向量所属于的类簇，并筛选出出现异常数据的当前的配电网特征向量类簇；

通过目标分类器，对判断出现异常数据的特征向量类簇进行分类，得到分类结果；

重复上述操作，直至完成对所有的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据故障检测，得到故障诊断结果。

7.如权利要求1所述的方法，其特征在于，所述获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据之前，还包括：

通过电压采集单元和电流采集单元采集高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

按照预设参数阈值剔除出所述压采集单元和电流采集单元采集高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据中异常数据，得到预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据。

8.一种配电网故障诊断装置，其特征在于，所述配电网故障诊断装置包括：

获取模块，用于获取预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

处理模块，用于对所述预处理后的配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过卷积神经网络进行特征提取，得到配电网工作数据特征向量；

分类聚类模块，用于对所述配电网工作数据特征向量通过分类器进行分类，并对分类后的配电网工作数据特征向量进行聚类迭代，得到目标分类器和目标聚类中心，并根据配电网工作数据特征向量建立配电网工作数据特征向量库；

所述获取模块，还用于获取通过目标卷积神经网络提取的当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据；

预测模块，用于对当前配电网变压器容量、高压侧电流、低压侧电流、高压侧HXXG柜电流以及共箱式环网柜电流数据通过目标聚类中心进行聚类迭代，得到发生故障情况的类簇，并通过目标分类器进行分类，得到故障诊断结果。

9.一种配电网故障诊断设备，其特征在于，所述配电网故障诊断设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的配电网故障诊断程序，所述配电网故障诊断程序被所述处理器执行时实现如权利要求1至7中任一项所述的配电网故障诊断方法。

10.一种存储介质，其特征在于，所述存储介质上存储有配电网故障诊断程序，所述配电网故障诊断程序被处理器执行时实现如权利要求1至7中任一项所述的配电网故障诊断方法。

Images