本發(fā)明涉及配電網(wǎng)故障選線，特別涉及一種基于格拉姆角場和卷積神經(jīng)網(wǎng)絡的故障選線方法。

背景技術：

1、目前我國配電網(wǎng)廣泛采用中性點非有效接地方式，其中單相接地故障占故障總數(shù)的80％以上，如果不能及時清除故障，可能造成絕緣擊穿，引發(fā)多相、多點故障，嚴重威脅配電網(wǎng)安全穩(wěn)定運行。新能源占比逐步提高，使得整個系統(tǒng)的隨機性和非線性增強，故障特征更加復雜，傳統(tǒng)的故障選線方法容易失效。因此，亟需提出一種新的選線方法可以適用于新型配電系統(tǒng)。

2、國內(nèi)外學者目前已經(jīng)提出多種基于神經(jīng)網(wǎng)絡的配電網(wǎng)故障選線方法，如利用改進的主成分分析技術降低特征向量維度，通過建立距離判別函數(shù)實現(xiàn)故障選線，以減少選線過程中的計算量；或是將信號的暫穩(wěn)態(tài)特征作為數(shù)據(jù)集，建立支持向量機、貝葉斯網(wǎng)絡和隨機森林三種模式識別算法故障選線模型，通過加權投票的方式篩選出故障線路；或是利用原子稀疏分解和信息熵理論獲得零序電流的特征值，通過極限學習機輸出故障線路；或是利用深度學習算法實現(xiàn)配電網(wǎng)故障選線，獲得較高的故障選線準確率，但是利用深度學習算法需要大量的訓練樣本，而實際中正常樣本數(shù)量較多，而故障樣本數(shù)據(jù)集較少，存在嚴重的樣本不平衡問題，影響故障診斷的效果。

3、然而上述方法大多不能保證故障選線的準確率，并且上述人工智能方法中，在小電流接地系統(tǒng)單相接地的故障選線中，將一維數(shù)據(jù)轉(zhuǎn)換為二維數(shù)據(jù)的算法不能夠很好地保留原始數(shù)據(jù)的信息，轉(zhuǎn)換過程中損失了大量有效數(shù)據(jù)，從而降低了選線精度，選線準確率低，模型訓練速度慢。

技術實現(xiàn)思路

1、本發(fā)明的目的是為了克服已有技術的缺陷，提出一種基于格拉姆角場和卷積神經(jīng)網(wǎng)絡的故障選線方法，通過二維卷積神經(jīng)網(wǎng)絡挖掘圖像的深度特征，可以保證較高的選線準確率；同時基于格拉姆角場的轉(zhuǎn)換原始數(shù)據(jù)為二維圖像的算法，能夠保留更多地原始信息，并且消耗時間更短、可視化效果更好，加強了所提選線方法的可靠性，能夠解決傳統(tǒng)小電流接地系統(tǒng)單相接地故障選線方法準確率低、信息丟失的問題。

2、為實現(xiàn)上述目的，本發(fā)明采用以下具體技術方案：

3、本發(fā)明提供的基于格拉姆角場和卷積神經(jīng)網(wǎng)絡的故障選線方法，包括如下步驟：

4、s1、采集配電網(wǎng)發(fā)生單相接地故障時每條饋線的一維零序電流時間序列數(shù)據(jù)；

5、s2、將采集的一維零序電流時間序列數(shù)據(jù)通過格拉姆角差場轉(zhuǎn)換為二維圖像；

6、s3、對二維圖像進行歸一化處理并劃分數(shù)據(jù)集，將劃分后的數(shù)據(jù)集輸入到二維卷積神經(jīng)網(wǎng)絡中進行迭代訓練得到損失和準確率結果。

7、進一步地，步驟s2中，將采集的一維零序電流時間序列數(shù)據(jù)通過格拉姆角差場轉(zhuǎn)換為二維圖像具體如下：

8、格拉姆角場首先將將一維時間序列x＝{x1,x2,…,xn}中的數(shù)值縮放至[-1，1]的區(qū)間，計算如下：

9、

10、i＝1,2,…,nx∈[-1,1]；

11、式中，xi為一維時間序列x中的第i個元素；i為元素序號；max(x)運算表示在向量x的元素中選取數(shù)值最大的元素；min(x)運算表示在向量x的元素中選取數(shù)值最小的元素；n為一維時間序列x的總采樣點數(shù)；為歸一化后的一維時間序列元素；

12、將縮放后的數(shù)值作為夾角余弦值設置時間戳t為半徑r，將一維時間序列數(shù)據(jù)變換到極坐標系下：

13、

14、式中，n為正則化極坐標系中生成空間的常數(shù)因子數(shù)值上等于采樣點總數(shù)；為對應的極坐標余弦角；ri為xi對應的極坐標半徑；ti為xi對應的時間戳；通過三角變換，格拉姆角差場定義為：

15、

16、式中，gadf為格拉姆角差場，矩陣計算作對應角度差。

17、進一步地，步驟s3中，取75％的訓練集和25％的測試集，輸入到二維卷積神經(jīng)網(wǎng)絡中；二維卷積神經(jīng)網(wǎng)絡層數(shù)為6層，前兩層卷積均采用了大小為5×5的64個卷積核，其中包含兩次大小為4×4平均池化；后兩層卷積各由大小為3×3的128個卷積核組成，兩次平均池化操作大小為2×2。

18、本發(fā)明能夠取得如下技術效果：

19、本發(fā)明提供的故障選線方法，采用格拉姆角差場處理所采集到的零序電流，能夠很好地保留原始信號的完整性和時間依賴性；將一維數(shù)據(jù)轉(zhuǎn)換成二維彩色圖像，為小電流接地系統(tǒng)的單相接地故障提供了二維表示下的隱藏特征和時序特征；利用卷積神經(jīng)網(wǎng)絡的處理二維圖像的優(yōu)勢，使用二維卷積神經(jīng)網(wǎng)絡來挖掘圖像的深度特征，提高了選線的準確率。

技術特征：

1.一種基于格拉姆角場和卷積神經(jīng)網(wǎng)絡的故障選線方法，其特征在于，包括如下步驟：

2.根據(jù)權利要求1所述的基于格拉姆角場和卷積神經(jīng)網(wǎng)絡的故障選線方法，其特征在于，步驟s2中，將采集的一維零序電流時間序列數(shù)據(jù)通過格拉姆角差場轉(zhuǎn)換為二維圖像具體如下：

3.根據(jù)權利要求1所述的基于格拉姆角場和卷積神經(jīng)網(wǎng)絡的故障選線方法，其特征在于，步驟s3中，取75％的訓練集和25％的測試集，輸入到二維卷積神經(jīng)網(wǎng)絡中；二維卷積神經(jīng)網(wǎng)絡層數(shù)為6層，前兩層卷積均采用了大小為5×5的64個卷積核，其中包含兩次大小為4×4平均池化；后兩層卷積各由大小為3×3的128個卷積核組成，兩次平均池化操作大小為2×2。

技術總結
本發(fā)明涉及配電網(wǎng)故障選線技術領域，特別涉及一種基于格拉姆角場和卷積神經(jīng)網(wǎng)絡的故障選線方法，包括采集配電網(wǎng)發(fā)生單相接地故障時每條饋線的一維零序電流時間序列數(shù)據(jù)；將采集的一維零序電流時間序列數(shù)據(jù)通過格拉姆角差場轉(zhuǎn)換為二維圖像；對二維圖像進行歸一化處理并劃分數(shù)據(jù)集，將劃分后的數(shù)據(jù)集輸入到二維卷積神經(jīng)網(wǎng)絡中進行迭代訓練得到損失和準確率結果。上述方法通過二維卷積神經(jīng)網(wǎng)絡挖掘圖像的深度特征，可以保證較高的選線準確率；同時基于格拉姆角場的轉(zhuǎn)換原始數(shù)據(jù)為二維圖像的算法，能夠保留更多地原始信息，并且消耗時間更短、可視化效果更好，加強了所提選線方法的可靠性，能夠解決傳統(tǒng)故障選線方法準確率低、信息丟失的問題。

技術研發(fā)人員：劉亞東,李成鋼,于非桐,張大海,張海鋒,侍哲,劉乃毓,董洪達,王偉,李澤陽,吳奎忠,李生珠,張浩,剛玉陽,羅國敏
受保護的技術使用者：國網(wǎng)吉林省電力有限公司電力科學研究院
技術研發(fā)日：
技術公布日：2024/12/23