[发明专利]一种基于自适应概率学习的配电网故障辨识方法

说明书

本申请公开了一种基于自适应概率学习的配电网故障辨识方法，包括，通过小波变换将仿真波形数据分解为近似部分和细节部分，并进行特征提取；利用线性变换策略对提取的特征向量进行降维，并计算降维后的特征向量两两之间的重构误差；利用重构误差和仿真波形数据分类误差训练自适应概念学习模型，获得线性映射的最佳参数；将线性映射的最佳参数投影到特征空间，并在特征空间进行聚类，完成仿真波形类型辨识。本申请通过波形分解和最大化特征相似性找到最佳线性映射，将仿真数据和真实数据映射至同一特征空间，且在此空间中两者分布差异最小，之后即可使用仿真数据训练模型并对真实数据进行分类，从而解决配电网故障辨识中样本量不足的问题。

技术领域

本申请涉及配电网故障辨识的技术领域，尤其涉及一种基于自适应概率学习的配电网故障辨识方法。

背景技术

随着电网的发展和用户对于供电可靠性要求的提高，电网公司越来越多地关注配电网设备故障预测和诊断，除突发性事件，配网中设备故障往往存在发展的阶段，即设备的绝缘状态从良好到恶劣。配电网中最常见的接地故障，虽然可以通过继保装置动作切断线路，并在排除故障后继续运行，但线路和设备因为电弧造成的绝缘损失不可逆。以上过程重复多次则会造成绝缘恶化，在正常工作电压下击穿。

对于上述故障发展过程，用早期故障代指初级阶段，即故障仍可自恢复，这在小电流接地系统中极其常见。之所以关注这类自恢复故障，是因为电网公司往往忽略这种事件，将其视作暂态扰动。但事实上，上述类型的故障波形蕴含了设备和线路的绝缘信息，如果能有效利用，可以很好地对配电网故障进行预警，从而大幅提高供电可靠性。

由于配电网网架结构复杂，基于机理的波形分析方法往往效率不高，且随着大量传感器的安装，配电网故障数据被逐步收集，数据驱动模型越来越多地被应用于这一领域。但相比于普通场景，配电网故障辨识具有以下难点：(1)接地故障往往涉及电弧，具有很强的随机性和不确定性；(2)自恢复性故障往往较少，难以收集足够的数据训练模型。

因此，目前很多配电网故障辨识算法建立在仿真数据或实验数据之上，即利用仿真数据或实验数据训练和测试模型。很少有算法使用现场真实数据测试模型。相比于仿真数据或实验数据，现场真实数据往往场景更加复杂，且夹杂很多干扰因素，因此有必要研究真实数据下的模型性能。除此之外，目前流行的人工智能方法如各种卷积神经网络往往不具备可解释性，模型提取的特征人类无法理解，也因此无法判断特征好坏和引入先验知识。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，本发明提供了一种基于自适应概率学习的配电网故障辨识方法，以解决配电网故障辨识中样本量不足、故障诊断准确率低的问题，同时克服了仿真数据和真实数据的分布差异问题。

为解决上述技术问题，本发明提供如下技术方案：包括，通过小波变换将仿真波形数据分解为近似部分和细节部分，并进行特征提取；利用线性变换策略对提取的特征向量进行降维，并计算降维后的特征向量两两之间的重构误差；利用所述重构误差和仿真波形数据分类误差训练自适应概念学习模型，获得线性映射的最佳参数；将所述线性映射的最佳参数投影到特征空间，并在所述特征空间进行聚类，完成仿真波形类型辨识。

作为本发明所述的基于自适应概率学习的配电网故障辨识方法的一种优选方案，其中：所述近似部分和细节部分包括，所述近似部分反映了仿真波形的大致形状，所述细节部分反映了仿真波形的畸变情况；通过小波变换对所述近似部分和细节部分进一步分解，在近似部分中分解出基波z_o和偏置z_off，在细节部分中分解出脉冲z_p、谐波z_h和畸变z_d。