[发明专利]基于半监督学习和注意力机制的配电网高阻接地故障诊断方法

说明书

本发明公开了一种基于半监督学习和注意力机制的配电网高阻接地故障诊断方法，包括：1、将故障相电压时间序列数据集合分类成有标记样本集合和无标记样本集合；2、根据计算无标记样本和有标记样本集合的相似度更新两类样本集；3、利用有标记样本集合训练1NN分类器，并利用1NN分类器对无标记样本集合进行预测标注；4、构建基于注意力机制的LSTM‑CNN神经网络；5、利用注意力机制网络融合LSTM和CNN的特征向量；6、通过梯度下降反向传播算法更新LSTM‑CNN的神经网络参数。本发明使得故障检测模型具有时间、空间的特征表达能力，从而能提高配电网高阻接地的故障检测率。

技术领域

本发明涉及配电网继电保护领域，高阻接地故障诊断技术，深度学习技术，具体涉及一种基于半监督学习和注意力机制的高阻接地故障诊断方法。

背景技术

配电网靠近用户，运行环境复杂，运行时易与树枝、建筑或地面接触，产生高阻故障。对于此类故障，因接地电阻大，引起的电气量变化不明显，常规保护难以可靠动作。多数高阻故障不会对配电网产生严重影响，但故障若长期存在，不仅系统会因故障产生的过电压而出现新的接地点，导致事故进一步扩大，甚至还会因故障发生时伴有的电弧引起火灾，威胁人身、财产安全。高阻故障识别是配电网继电保护领域极具挑战性的难点问题之一。

电网智能化调度与控制教育部重点实验室(山东大学)韦明杰等人研究了基于零序电流波形区间斜率曲线的配电网高阻接地故障检测方法(电力系统自动化,2020,44(14):164-175.)，基于对10kV电网现场实测高阻故障波形的分析，采用最小二乘线性拟合描述波形非线性畸变,同时采用格拉布斯(Grubbs)法抑制不规则波形畸变对区间斜率曲线的干扰，进一步保证了算法对故障特征的正确提取。但该方法针对复杂的运行环境和多样的故障特征很难确定合理的整定阈值，不具有通用的判定规则，灵敏性较差。

国网辽宁省电力有限公司盘锦供电公司翁月莹、陈翔宇等人研究了基于PSO和贝叶斯分类器的配电网高阻接地故障识别方法(电测与仪表,2020,57(02):52-56.)，该方法首先采用离散小波变换构造配电网电压和电流的时频矩阵，提取出反映高阻接地故障的特征量。该方法优化了电量数据的特征空间，提高了分类准确性和计算时效性。但由于母小波函数的选择将直接影响小波变换提取特征信息的质量。一般针对特定配网拓扑和参数，需要通过反复试错选择固定的母小波，该方法只能达到局部最优效果。

福州大学的苏文聪、朱星宇等人发明了一种基于小波变换和神经网络的配电网高阻接地故障检测方法(公开号：CN109613402A)。该方法运用演化的神经网络对传统的检测方法进行改进。演化的神经网络是一种基于动态连接结构的智能系统，能够通过增量学习调整其拓扑结构以融入新信息。该方法利用离散小波变换处理故障信号，将故障信号输入演化的神经网络中,以此检测配电网的高阻接地故障。但配电网高阻故障检测中未标记样本量大且较易获得，标记样本量少且难于获得，未标记数据远多于标记数。该方法没有采用未标记数据进行训练，不能真正代表真实数据的分布特征，分类器不能正确找到真实数据的分类边界，该方法不能充分利用样本集，故障诊断未达到最佳效果。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供一种基于半监督学习和注意力机制的配电网高阻接地故障诊断方法，以期在面对海量高阻故障数据时，通过半监督学习机制充分获取故障样本信息，利用注意力机制网络融合样本集时空及频域上的特征，从而提高配电网高阻接地的故障检测率，满足快速化准确化的实际需求。

本发明为解决技术问题采用如下技术方案：

本发明一种基于半监督学习和注意力机制的配电网高阻接地故障诊断方法的特点是按如下步骤进行：