[发明专利]一种配电网二端故障定位方法

权利要求书

1.一种配电网二端故障定位方法，其特征在于：该方法具体包括以下步骤：

S1：数据收集：利用电源管理单元PMU获取输电线路各节点当前故障记录数据，对原始数据进行预处理；将预处理后的所述历史异常数据作为训练集；

S2：故障特征提取：训练En-CNN模型，并提取故障特征；

S3：故障选线：当配电网发生单相接地故障时，将PMU实时上传的各节点故障电流数据输入训练好的ACNN模型进行故障选线；

S4：故障定位：确定故障线路时，从后台调用带有同步标记的故障线路两端的故障记录数据，并应用故障定位算法准确定位故障。

2.根据权利要求1所述的一种配电网二端故障定位方法，其特征在于：所述S1中，对配电网数据进行预处理，具体包括以下步骤：

S11：首先对收集数据添加同步时间标记；

S12：对数据进行平滑处理。

3.根据权利要求2所述的一种配电网二端故障定位方法，其特征在于：所述S2中，改进卷积神经网络CNN，将预处理后的数据输入到En-CNN模型中进行训练，提取故障特征，具体包括如下步骤：

S21：在最大池化模型的基础上加入自适应权重来优化池化结果，解决传统CNN模型的特征提取不足的问题；

在经典池化模型的基础上，建立En-CNN模型；在网络的训练过程中，模型通过卷积层和自适应池化层自动提取输入数据的特征。

4.根据权利要求3所述的一种配电网二端故障定位方法，其特征在于：所述S3中，将特征提取后线的每个节点的当前相量采样数据分为训练样本集和测试集，具体包括如下步骤：

S31：样本集用于训练Softmax分类器；设置两个SoftMax分类器，分别用于故障选择和故障判断，实现同一网络对两个不同分类问题的权重共享；

S32：测试集用于计算训练后故障线的En-CNN网络分类准确率；通过损失函数的计算，当测试结果的错误率降低到允许的范围时，保存训练后准确率较高的En-CNN网络参数；

S33：将PMU实时上传的各节点故障电流数据输入训练好的En-CNN模型进行故障选线。

5.根据权利要求4所述的一种配电网二端故障定位方法，其特征在于：所述故障选线后，从后台调用带有同步标记的故障线路两端的故障记录数据，并利用故障线路两端的负序电压和负序电流分量进行故障定位。