[发明专利]基于卷积神经网络的配电网早期故障分类方法及装置

说明书

本发明公开了一种基于卷积神经网络的配电网早期故障分类方法及装置。将小波分解和卷积神经网络的相关理论和方法引入到配电网早期故障分类中，并验证方法的合理性。小波分解可以分离出波形的近似和细节，这些表征与早期故障息息相关。通过组合这些表征构成卷积神经网络的输入。卷积神经网络通过学习这些表征的组合，捕捉到其中关于早期故障的细节信息，即可进行早期故障的分类。该方法在需求数据量和准确性上大大优于传统检测。对配电网早期故障的分类及处理具有重要意义。

技术领域

本发明属于配网故障检测以及运维技术领域，更特别地，涉及一种基于小波分解和卷积神经网络的配电网早期故障检测方法及其装置。

背景技术

配电网直接面向用户，是保证供电质量、提高电网运行效率、创新用户服务的关键环节。由于故障数量太多，配网设备运维人员基本是“以抢代修”的方式实现对配网设备的管理。配网的供电可靠率涵盖了规划、运行、保护、设备运维等多个方面。在设备运维方面，目前的研究工作主要集中在故障后的处理方面，如故障定位、故障隔离和故障恢复等。但是随着国家和售电市场对供电可靠性要求的提高，配网的故障处理工作不仅要关注故障后的供电恢复还需关注故障前的设备预警，将故障处理的工作方式由“事后抢修巡检”转变成“事前预警主动处理”，在永久性故障发生之前将之消灭，大幅降低因设备故障导致停电事故发生的概率。

配电网设备在发生永久性故障之前往往会产生一些异常信号，这些异常信号被称为早期故障。早期故障往往表现为幅值小、持续时间短、重复发生，且往往伴随电弧，对绝缘和导体造成损坏。不同设备中引起早期故障的原因往往不同。在电缆中，绝缘老化是早期故障的主要原因。在架空线中，各种非电力因素如刮风、动物触线、树枝触线等往往会引起早期故障。在其他电力设备中，绝缘缺陷和接触不良也会引起早期故障。早期故障检测作为电力设备状态检测的一种方案，为配网运维提供了新的思路，使得缺陷设备能够被提前更换，提高供电可靠性。同时降低运维工作量，节约了成本。

传统早期故障检测方法往往根据特定场景提出一些判据，这并不适用于复杂多变的实际情况。且传统方法所需样本多，判断准确率差。小波变换作为一种时频域信号分析手段，能够在多分辨率下解析信号，并且能够表征时域以及频域下的局部特征。低频部分下，小波变换具有低时间分辨率和高频率分辨率；高频部分下，小波变换具有高时间分辨率和低频率分辨率。这些特征使得其可以用于探测波形中的瞬态变化。

配网中的早期故障，往往对应电压、电流波形中出现明显的瞬时变化，使用小波变换可以检测出这一变化进而识别故障。目前使用小波变换检测早期故障往往是先对电流波形进行小波变换，然后针对电流波形中的暂态数量进行一个大致的判断，最后根据一系列基于暂态均方根值的判定规则对故障类型进行最终判定。这种方法往往受干扰影响较大，且规则中阈值的确定需要大量的数据，实际配网运行中很难得到大量的早期故障数据。

卷积神经网络作为一种深层前馈神经网络，在图像识别领域被广泛使用。在权重恰当的情况下，分类结果可以达到很高的准确度。但是这一模型往往需要成千上万条数据来确定网络权重，这是该方法的一大局限性。由于故障数据的稀缺性，配网故障检测领域一般难以直接使用卷积神经网络。

发明内容

为了克服现有技术中存在的缺陷，本发明将小波变换与卷积神经网络相结合，充分利用两者在故障波形特征捕捉和分类精度上的优势，实现小样本下的故障辨识。

通过小波变换将配电网三相电压、电流原始波形进行分解，将分解得到的各个部分作为卷积神经网络的输入，利用卷积神经网络对各个部分进行学习，获得相应的网络权重。对于待判别的未知电压、电流波形，同样先进行小波变换，且使用与之前相同的小波基函数，将变换后得到的各个部分作为训练好的卷积神经网络的输入，经过一系列计算，网络最终将输出这一波形的种类。

具体地，本发明提出一种基于小波分解和卷积神经网络的配电网早期故障分类方法，包括以下步骤：