本發(fā)明屬于配電網故障檢測，具體涉及一種基于行波信號的配電網故障檢測方法及裝置。

背景技術：

1、隨著電力電纜在配電網中的大量投運，由此帶來的電纜故障測距和分類困難問題尤為顯著。

2、傳統的電纜故障測距以離線法為主，離線法由于外接設備復雜，適用范圍有限，測距精度不高等原因難以滿足智能電網發(fā)展的需求。另外，在進行電纜故障分類時，主要采用hilbert-huang變換（hht），其中，傳統的hht由經驗模態(tài)分解（emd）與hilbert變換組成，例如，專利cn106501668a公開了一種傳統配電網單相斷線故障選線方法，包括：應用對稱分量法計算出各饋線的負序電流；當負序電流的幅值大于負序整定值時對各饋線的負序電流進行emd分解，得到各階本征模態(tài)分量imf；對各階本征模態(tài)分量imf分別進行hilbert變換，得到其相應的瞬時幅值波形；分別計算各饋線設定階數的本征模態(tài)分量imf在故障前、后各m個周波的瞬時幅值之和的變化量；根據變化量的大小選取斷線故障線路。通過emd將復雜信號自適應分解為有限個瞬時頻率有意義的、幅度或頻率受調制的高頻和低頻固有模態(tài)函數（imf）每一個imf分量所含的頻率成分既與采樣頻率有關又隨信號本身變化而變化。但?hht算法在進行模態(tài)分解時會出現模態(tài)混疊現象，模態(tài)混疊是指同一imf分量包含了不同的尺度分量，這直接導致混疊的imf缺乏足夠的物理意義致使后續(xù)的時頻分布混淆。

3、因此，如何提供一種高精度的故障檢測方法是本領域技術人員亟待解決的問題。

技術實現思路

1、針對上述現有技術中存在的缺陷，本發(fā)明提供了一種基于行波信號的配電網故障檢測方法?？梢跃珳蚀_定配電網故障的具體位置和類別，提高故障檢測的準確性和效率。

2、第一方面，本發(fā)明提供一種基于行波信號的配電網故障檢測方法，具體包括如下步驟：

3、獲取配電網的故障行波信號，并確定配電網的故障位置；

4、基于優(yōu)化分解算法對故障行波信號進行頻率分解，得到瞬時頻率；

5、基于預先構建的優(yōu)化故障檢測模型，對瞬時頻率進行特征提取，給出配電網的故障特征；

6、根據配電網的故障特征，給出故障行波信號對應的故障類別。

7、進一步的，確定配電網的故障位置，包括：

8、根據獲取的故障行波信號，確定其對應的電力電纜；

9、根據確定的電力電纜，給出故障行波信號傳輸至對應電力電纜兩端的時間差；

10、基于故障行波信號傳輸至對應電力電纜兩端的時間差，并結合對應電力電纜的長度，給出電力電纜上的故障位置。

11、進一步的，基于優(yōu)化分解算法對故障行波信號進行頻率分解，得到瞬時頻率，包括：

12、基于故障行波信號給出噪聲系數并對應生成多個第一白噪聲；

13、將多個第一白噪聲分別與故障行波信號進行結合；

14、對每個結合后的故障行波信號進行經驗模態(tài)分解，得到多個第一固有模態(tài)函數分量；

15、對所有第一固有模態(tài)函數分量進行均值處理，并對均值處理結果進行希爾伯特變換得到瞬時頻率。

16、進一步的，基于故障行波信號給出噪聲系數并對應生成多個第一白噪聲，包括：

17、基于故障行波信號的標準差，確定噪聲系數的取值范圍；

18、以噪聲系數為粒子，并結合噪聲系數的取值范圍，對粒子進行初始化給出多個隨機粒子組成的粒子群；

19、對粒子群進行適應度值計算，給出每個粒子的局部最優(yōu)適應度值，并將所有局部最優(yōu)適應度值的最小值作為全局最優(yōu)適應度值；

20、基于進化函數并使用極值擾動對粒子群的位置進行更新；

21、重復迭代適應度值計算和位置更新步驟直至收斂，給出最終的全局最優(yōu)適應度值；

22、基于最終的全局最優(yōu)適應度值，確定對應的噪聲系數取值，并結合不同的高斯白噪聲，得到噪聲系數的多個第一白噪聲。

23、進一步的，對粒子群進行適應度值計算，給出每個粒子的局部最優(yōu)適應度值，包括：

24、將粒子群中每個粒子的噪聲系數取值與同一高斯白噪聲結合，得到多個第二白噪聲；

25、將多個第二白噪聲分別與故障行波信號結合得到多個待分解信號；

26、對多個待分解信號分別進行經驗模態(tài)分解，得到多組第二固有模態(tài)函數分量，

27、基于適應度值函數，對多組第二固有模態(tài)函數分量和故障行波信號分析處理，給出每個粒子的局部最優(yōu)適應度值。

28、進一步的，適應度值函數，滿足以下關系：

29、

30、式中，rrmse為適應度值，n1為第二固有模態(tài)函數分量的總數，x0(k)為故障行波信號，cmax(k)為經驗模態(tài)分解得到的第k組第二固有模態(tài)函數分量中與故障行波信號相關系數最高的第二固有模態(tài)函數分量，k∈[1,k]，k為第二固有模態(tài)函數分量的組數，即待分解信號的數量；

31、進化函數，滿足以下關系：

32、

33、式中，為粒子的位置，表示第t+1次迭代中第i個粒子在第d維的位置，i＝1,2,…,m，d＝1,2,…,d，m為粒子群中的粒子數量，d為設置的搜索維度；ω為動量慣性系數；c1、c2為非負的學習因子；r1、r2、r3、r4均為服從u(0?,1)分布的隨機數；p為粒子個體和種群的極值點，t0和tg分別為粒子個體極值和全局極值的進化停滯步數；t0和tg分別為粒子個體極值和全局極值需要擾動的停滯步數閾值。

34、進一步的，將多個第一白噪聲分別與故障行波信號進行結合，滿足以下關系：

35、

36、式中：xm(t)為結合第一白噪聲后的故障行波信號，x(t)為故障行波信號，nm(t)為第一白噪聲， a noise為噪聲系數， δ(t)為高斯白噪聲。

37、進一步的，優(yōu)化故障檢測模型的預先構建，包括：

38、獲取配電網的歷史故障行波信號，并基于優(yōu)化分解算法給出對應的歷史瞬時頻率；

39、對歷史瞬時頻率進行歸一化處理，得到歸一化數據并劃分為訓練集、驗證集和測試集；

40、通過訓練集對神經網絡模型進行訓練，給出訓練后的神經網絡模型；

41、通過驗證集對訓練后的神經網絡模型進行驗證直至滿足訓練結束條件，并使用測試集檢驗神經網絡模型性能后，得到優(yōu)化故障檢測模型。

42、進一步的，通過訓練集對神經網絡模型進行訓練，給出訓練后的神經網絡模型，包括：

43、s31、初始化神經網絡模型和損失函數，給定初始的模型參數和損失函數系數；其中，模型參數包括權重矩陣與偏置向量；

44、s32、神經網絡模型在訓練集的訓練數據上執(zhí)行前向傳播，計算損失函數的值；

45、s34、基于反向傳播算法計算損失函數相對于神經網絡模型的模型參數的梯度，并使用梯度下降算法根據梯度更新神經網絡模型的，模型參數和損失函數系數，以使損失函數的值最小化；

46、s35、重復迭代s32和s33直至收斂，給出訓練后的神經網絡模型；

47、其中，損失函數，滿足以下關系：

48、

49、式中，e為損失函數，α、β均為損失函數系數，n為神經網絡模型的網絡權值總數， l為神經網絡模型的網絡權值平均數，wi為第i個神經網絡模型的網絡權值，wk表示第k次迭代的網絡權值向量，j為雅可比矩陣，ε(wk)為基于wk的誤差向量，μ為步長控制參數，取值為0.001，γ為神經網絡模型的有效參數個數，γ＝n-2β'tr(h)-1，β'為前一次迭代的β值，n為神經網絡模型的模型參數總數；h為損失函數的海森矩陣，tr(h)表示矩陣h的跡。

50、進一步的，優(yōu)化故障檢測模型，滿足以下關系：

51、

52、式中，hs,t為t時刻優(yōu)化故障檢測模型的輸入歸一化數據，是當前輸入的單元狀態(tài)， w f是遺忘門的權重矩陣， b f是遺忘門的偏置， w i是輸入門的權重矩陣， b i是輸入門的偏置， w c是細胞狀態(tài)的權重矩陣， b c是細胞狀態(tài)的偏置， w o是輸出門的權重矩陣， b o是輸出門的偏置，tanh是激活函數， h t-1是t-1時刻輸出的故障特征， f t是遺忘門中控制遺忘信息的比例系數， i t是輸入門中控制輸入信息的比例系數， c t是細胞狀態(tài)更新后的狀態(tài)信息， o t是輸出門控制輸出信息的比例系數，? σ?是sigmoid激活函數， c t是t時刻的單元狀態(tài)， h t為輸出的故障特征。

53、進一步的，根據配電網的故障特征，給出故障行波信號對應的故障類別，包括：

54、將配電網的故障特征輸入預先構建的分類器，給出故障特征映射為每一故障類別的概率；

55、將概率最大的故障類別作為故障行波信號對應的故障類別。

56、第二方面，本發(fā)明還提供一種基于行波信號的配電網故障檢測裝置，采用上述基于行波信號的配電網故障檢測方法，配電網故障檢測裝置包括：

57、信號獲取定位模塊，其用于獲取配電網的故障行波信號，并確定配電網的故障位置；

58、頻率分解模塊，其用于基于優(yōu)化分解算法對故障行波信號進行頻率分解，得到瞬時頻率；

59、特征提取模塊，其用于基于預先構建的優(yōu)化故障檢測模型，對瞬時頻率進行特征提取，給出配電網的故障特征；

60、故障判別模塊，其用于根據配電網的故障特征，給出故障行波信號對應的故障類別。

61、進一步的，信號獲取定位模塊包括：

62、根據獲取的故障行波信號，確定其對應的電力電纜；

63、根據確定的電力電纜，給出故障行波信號傳輸至對應電力電纜兩端的時間差；

64、基于故障行波信號傳輸至對應電力電纜兩端的時間差，并結合對應電力電纜的長度，給出電力電纜上的故障位置。

65、進一步的，頻率分解模塊包括：

66、基于故障行波信號給出噪聲系數并對應生成多個第一白噪聲；

67、將多個第一白噪聲分別與故障行波信號進行結合；

68、對每個結合后的故障行波信號進行經驗模態(tài)分解，得到多個第一固有模態(tài)函數分量；

69、對所有第一固有模態(tài)函數分量進行均值處理，并對均值處理結果進行希爾伯特變換得到瞬時頻率。

70、進一步的，頻率分解模塊包括：

71、基于故障行波信號的標準差，確定噪聲系數的取值范圍；

72、以噪聲系數為粒子，并結合噪聲系數的取值范圍，對粒子進行初始化給出多個隨機粒子組成的粒子群；

73、對粒子群進行適應度值計算，給出每個粒子的局部最優(yōu)適應度值，并將所有局部最優(yōu)適應度值的最小值作為全局最優(yōu)適應度值；

74、基于進化函數并使用極值擾動對粒子群的位置進行更新；

75、重復迭代適應度值計算和位置更新步驟直至收斂，給出最終的全局最優(yōu)適應度值；

76、基于最終的全局最優(yōu)適應度值，確定對應的噪聲系數取值，并結合不同的高斯白噪聲，得到具有噪聲系數的多個第一白噪聲。

77、進一步的，頻率分解模塊還包括：

78、將粒子群中每個粒子的噪聲系數取值與同一高斯白噪聲結合，得到多個第二白噪聲；

79、將多個第二白噪聲分別與故障行波信號結合得到多個待分解信號；

80、對多個待分解信號分別進行經驗模態(tài)分解，得到多組第二固有模態(tài)函數分量，

81、基于適應度值函數，對多組第二固有模態(tài)函數分量和故障行波信號分析處理，給出每個粒子的局部最優(yōu)適應度值。

82、進一步的，特征提取模塊包括模型構建模塊，其包括：

83、獲取配電網的歷史故障行波信號，并基于優(yōu)化分解算法給出對應的歷史瞬時頻率；

84、對歷史瞬時頻率進行歸一化處理，得到歸一化數據并劃分為訓練集、驗證集和測試集；

85、通過訓練集對神經網絡模型進行訓練，給出訓練后的神經網絡模型；

86、通過驗證集對訓練后的神經網絡模型進行驗證直至滿足訓練結束條件，并使用測試集檢驗神經網絡模型性能后，得到優(yōu)化故障檢測模型。

87、進一步的，模型構建模塊還包括：

88、s31、初始化神經網絡模型和損失函數，給定初始模型參數和損失函數系數；其中，模型參數包括權重矩陣與偏置向量；

89、s32、神經網絡模型在訓練集的訓練數據上執(zhí)行前向傳播，計算損失函數的值；

90、s33、基于反向傳播算法計算損失函數相對于神經網絡模型的模型參數的梯度，并使用梯度下降算法根據梯度更新模型參數和損失函數系數，以使損失函數的值最小化；

91、s34、重復迭代s32和s33直至收斂，給出訓練后的神經網絡模型。

92、進一步的，故障判別模塊包括：

93、將配電網的故障特征輸入預先構建的分類器，給出故障特征映射為每一故障類別的概率；

94、將概率最大的故障類別作為故障行波信號對應的故障類別。

95、本發(fā)明提供的一種基于行波信號的配電網故障檢測方法及裝置，至少包括如下有益效果：

96、（1）對故障行波信號進行特征提取得到瞬時頻率后，再利用預先構建的優(yōu)化故障檢測模型實現對瞬時頻率進行故障特征提取，最終完成對故障行波信號的故障分類，可以提高故障特征的提取精度，最終提高故障分類的精度，即提高配電網故障檢測精度。

97、（2）通過對現有的經驗模態(tài)分解進行優(yōu)化，可以自適應地根據信號本身的特征優(yōu)化得到經驗模態(tài)分解較精確的數值參數，提高經驗模態(tài)分解的精確度，可以以較高的計算效率自適應的根據信號的特征取得更具可重復性的結果。

98、（3）通過對神經網絡模型進行優(yōu)化，能有效防止過擬合，并能夠兼顧模型的精確性與穩(wěn)健性，提高泛化能力，使其更加貼合當前應用場景下的故障特征提取。

99、（4）通過將優(yōu)化的經驗模態(tài)分解與優(yōu)化的神經網絡模型相結合，可以適應于配電網的復雜多變環(huán)境，通過不斷學習和優(yōu)化模型參數，提高對不同類型故障的識別能力和診斷準確性。