[发明专利]基于卷积神经网络的配电网单相接地故障选线方法

说明书

本发明涉及一种基于卷积神经网络的配电网单相接地故障选线方法，包括：获取母线零序电压、各馈线零序电流信号；对各零序电流信号按照设定的分解尺度做连续小波变换；获取时间‑尺度小波系数灰阶图；采用经训练的卷积神经网络算法进行故障馈线识别。本发明提出的一种基于卷积神经网络的配电网单相接地故障选线方法，能够在发生单相接地故障时准确地识别各类故障工况下的故障馈线与非故障馈线。

技术领域

本发明涉及配电网领域，特别是一种基于卷积神经网络的配电网单相接地故障选线方法。

背景技术

随着国民生活水平的提高和社会经济建设的不断发展，人们对电力需求量日益增长，配电系统作为连接输电系统与用户的重要部分，它的安全稳定运行对用户的用电安全、用电可靠性和用电利益有着直接影响。配电网发生单相接地故障的几率高达80％，随着配电网结构的复杂化，电网中系统线路(包括电缆线路、缆-线混合线路)逐渐增多，导致系统对地分布电容增大，电容电流也增大，长时间带故障运行容易破坏系统薄弱环节处的绝缘，使故障扩大成两点或多点接地短路；金属性接地引起的单相过电压可能烧毁母线的电压互感器；弧光接地还可能导致全网络的过电压，因此必须及时准确地找到并切除故障馈线，防止故障进一步扩大。

国内外对于单相接地故障馈线识别研究的核心步骤是特征量的提取。由于不同故障线路、不同故障位置、不同接地电阻、不同故障合闸角以及其他故障条件均会影响暂态零序电流的大小及形状，从而影响到故障选线的准确性。往往需要寻求多个特征量方可表征单相接地故障信号的特征模式，达到识别的目的，且应用于配电网单相接地故障馈线识别问题的分类算法主要都是采用较为成熟的机器学习算法，这些算法不具备自我学习的能力。深度学习算法可以从大量未标记数据中进行自我学习，防止出现过拟合或者陷入局部最优解的情况。最新的研究成果显示，深度学习算法在多个领域改善了分类识别的性能，其在电力系统分类识别问题中有良好的应用前景。

发明内容

本发明的目的在于提供一种基于卷积神经网络的配电网单相接地故障选线方法，以克服现有技术中存在的缺陷。

为实现上述目的，本发明的技术方案是：一种基于卷积神经网络的配电网单相接地故障选线方法，按照如下步骤实现：

步骤S1：获取母线零序电压、各馈线零序电流信号；

步骤S2：根据预设的分解尺度对所述各零序电流信号做连续小波变换；

步骤S3：根据所述步骤S2获取的时频矩阵，获取时间-尺度小波系数灰阶图；

步骤S4：将所获取的时间-尺度小波系数灰阶图作为训练样本和测试样本，通过采用经训练的卷积神经网络算法进行故障馈线识别。

在本发明一实施例中，在所述步骤S1中，建立一配电网单相接地故障模型，通过该配电网单相接地故障模型截取单相接地故障发生前1个周波到故障发生后的1个周波共2个工频周波的母线零序电压的仿真波形，以及故障发生后的0.5个工频周波的各馈线零序电流的仿真波形。

在本发明一实施例中，在所述步骤S2中，将母线零序电压是否大于预设的阈值作为选线流程的启动条件，通过采用连续小波变换分解方法对各馈线零序电流信号进行波形分解。

在本发明一实施例中，所述阈值为额定相电压的15％。

在本发明一实施例中，在所述步骤S3中，记一馈线零序电流信号波形采样点数为m，经分解尺度为n的连续小波变换后，得到时间-尺度小波系数矩阵A为：

在本发明一实施例中，选取db5为小波基函数，分解尺度为100，采样点数为100，得到图像样本大小为100×100的灰阶图。