[发明专利]一种基于卷积神经网络的配电网高阻接地故障识别方法

说明书

本发明涉及一种基于卷积神经网络的配电网高阻接地故障识别方法，首先获取配电网高阻接地故障以及多种暂态扰动下的主变低压侧三相电压和零序电压信号；然后利用局部特征尺度法分解信号，对各电压信号进行等频带宽的带通滤波，构造时频矩阵，得到分块时频谱图；最后采用卷积神经网络算法进行分类识别，判断是否发生高阻接地故障。

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高阻接地故障识别方法。

背景技术

配电网是作为电力系统的末端直接与用户相连起分配电能作用的网络，包括0.4-110kV各电压等级的电网。配电网是电力系统中与用户联系最为紧密的环节，其覆盖面广泛，相比于输电网故障几率高，据统计，电力系统有80％以上的故障发生于配电网。目前，配电网的规模不断扩大，对配电网安全、可靠、经济运行的重视程度也随之增大，对配电网馈线的安全性和可靠性的要求自然也就越来越高。配电网络靠近负荷中心，具有结构多样、等级复杂等特点，此外，我国的配电网自动化程度较低，面对日渐提高的电能要求，提升配电系统的可靠性对电力系统的安全、可靠、稳定、经济运行起着重要作用。

配电网拓扑复杂、线路众多，当导线掉落接触到如碎石、沥青、树木、沙砾等高阻性表面时，线路与接触表面之间呈现高阻性，此时发生的故障被称为高阻接地故障(HighImpedance Fault，HIF)。当遭遇大风、雷击等恶劣天气时，高阻接地故障也会发生。相较于一般单相接地故障，高阻接地故障的过渡电阻很大，可以达到几百甚至几千，其发生时故障电流很小，不到负荷电流的10％，电压、电流的变化量很小，常规的过流继电器检测困难，无法动作切除故障部分，可靠性不高。单相接地故障往往伴随着燃弧现象，将产生电弧接地过电压，作用时间较长，如果系统设备长期处在故障状态下运行，尤其是系统中存在未被检测出的高阻接地故障时，极易使系统设备出现新的接地点，引发短路故障，扩大事故影响。

有统计分析表明，相当多的相间故障均是由单相接地发展而来。HIF常会长期存在，一旦数值很小的故障电流不被切除而长时间存在将引起严重的危害：故障点燃弧产生的高温与易燃物接触极易引发火灾，威胁电气设备安全，且高阻接地故障多落于沙地、水泥地等，可能导致人身触电等安全事故，因此需要对其进行快速检测及识别分类，并采取相应措施。

发明内容

有鉴于此，本发明的目的是提出一种基于卷积神经网络的配电网高阻接地故障识别方法，采用分块时频谱图作为深度学习算法的输入，能够自主学习各类过电压的特征，实现配电网内部过电压的分类识别。

本发明采用以下方案实现：一种基于卷积神经网络的配电网高阻接地故障识别方法，具体包括以下步骤：

步骤S1：获取高阻接地故障以及其他暂态扰动情况所引起的暂态扰动信号；

步骤S2：利用局部特征尺度分解方法分解步骤S1获取的信号；

步骤S3：按照设定的频带对步骤S2分解后的信号进行带通滤波，构造时频矩阵；

步骤S4：获取分块时频谱图；

步骤S5：采用卷积神经网络算法对步骤S4获得的分块时频谱图进行分类识别，再利用BP算法训练CNN，通过训练完成的CNN实现配电网高阻接地故障的识别。

进一步地，所述其他暂态扰动情况包括电容器投入、负荷投入、空载线路投入、以及单相接地故障。

进一步地，所述步骤S1中，所述暂态扰动信号具体截取故障前的半个周波和故障后的一个半周波的母线三相电压和零序电压仿真波形。即截取多种暂态扰动下的主变低压侧三相电压和零序电压信号。

进一步地，所述步骤S3中，设截取的波形信号经LCD带通滤波后分解为m个子频带，各个波形采样点数均为n，各个子频带波形的数据点为a_ij(i＝1,2,...,m；j＝1,2,...n)，构造时频矩阵为：