[发明专利]一种基于卷积神经网络的配电网故障数据辨识方法

说明书

本发明涉及一种基于卷积神经网络的配电网故障数据辨识方法，属于电力技术领域。该方法包括：S1：获取配电网暂态故障数据，并对其进行预处理；S2：利用多层1DCAE搭建故障特征提取网络，并输入预处理后的暂态故障数据训练优化故障特征提取网络，得到低维故障特征；S3：利用多层1DCNN搭建故障特征分类模型，并输入低维故障特征训练优化故障特征分类模型，完成暂态故障数据的不同类型识别。本发明具有自动特征提取能力和较好的容错能力，更适用于配电网中的海量故障数据识别。

技术领域

本发明属于电力技术领域，涉及一种基于卷积神经网络的配电网故障数据辨识方法。

背景技术

电力系统向智能化和透明化迈进的过程中，配电网的结构日趋复杂，检测设备更加繁多，运行过程中发生各种故障的概率激增。故障发生后，为避免故障的再次恶化与扩散，需要快速准确的进行故障定位、网络重构、故障融合、故障事件分析与排查检修等工作，而故障诊断与辨识是以上工作的前提。

目前针对配电网故障诊断与分类方法总体可以归为三大类：

第一类为基于知识分析的传统故障识别方法，长期应用于电力系统故障识别领域，但仍存在容错能力弱、操作难度大、识别效率低下等问题。

第二类为传统故障诊断手段与新一代人工智能结合的复合故障分类识别模型，其中又分两种常见结合类型：一种为沿用经典故障信号处理方法进行特征提取后结合人工智能深度学习模型进行故障分类识别；另一种为利用神经网络的数据特征自学习能力提取故障特征，再结合传统浅层分类网络进行故障诊断。该类方法一定程度上提高了分类性能，但人工进行特征分析与提取，耗费大量的时间，模型容易受到人为因素影响，且对于多类型差异性小的故障样本人工特征提取面临更大困难。

第三类为数据特征处理与特征分类器均采用深度学习框架进行故障类型识别，该类全深度学习模型更适用于配电网中的海量故障数据识别，但此模型研究尚未完善，且适应性较弱。

因此，亟需一种能够解决传统人工特征提取方法存在的低容错、识别效率低下，以及SVM、ANN和CNN辨识精度低的问题的配电网故障数据辨识方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于卷积神经网络的配电网故障数据辨识方法，解决实测暂态故障数据特征自提取的难点，进而将提取的数据特征输入到一维卷积神经网络，智能、高效地实现故障数据端到端辨识的目标。相比于现有方法，具有自动特征提取能力和较好的容错能力，更适用于配电网中的海量故障数据识别。

为达到上述目的，本发明提供如下技术方案：

一种基于卷积神经网络的配电网故障数据辨识方法，具体包括以下步骤：

S1：获取配电网暂态故障数据，并对其进行预处理；

S2：利用多层一维卷积自编码器(1-dimension convolutional auto-encoder,1DCAE)搭建故障特征提取网络，并输入预处理后的暂态故障数据训练优化故障特征提取网络，得到低维故障特征；

S3：利用多层一维卷积神经网络(1-dimension convolutional neural network,1DCNN)搭建故障特征分类模型，并输入低维故障特征训练优化故障特征分类模型，完成暂态故障数据的不同类型识别。

进一步，步骤S1具体包括：获取主站的海量录波文件中记录的故障线路电气量信息，即配电网暂态故障数据；预处理阶段是截取故障点附近最能反映故障特征的电气量信息，作为网络的训练数据样本。

进一步，步骤S1中，预处理具体包括：获取的配电网暂态故障数据是由故障时刻前后256个三相电压采样数据拼接组成，以准确获取故障时刻的三相电压变化特征；并对其进行一定的平移、加噪等数据样本扩展。