本發(fā)明涉及配電網(wǎng)故障診斷，具體涉及一種基于格拉姆角場和改進卷積神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)單相接地故障檢測方法。

背景技術(shù)：

1、中國、日本和歐洲部分國家的配電網(wǎng)中性點大部分以小電流接地。配電網(wǎng)中的故障大多是單相接地故障，約占故障總數(shù)的80％。其中，配電網(wǎng)單相接地故障電流相對較小且不穩(wěn)定。非故障相的相電壓會明顯增加，導(dǎo)致電力設(shè)備在過電壓下運行。一旦故障線路不能及時排除，很容易對電纜絕緣設(shè)備造成損壞，導(dǎo)致不可估量的危害。因此，實現(xiàn)輸電線路及時準確的故障檢測具有重要意義。

2、大多數(shù)配電網(wǎng)單相接地故障選線可分為穩(wěn)態(tài)信號分析和暫態(tài)信號分析。在穩(wěn)態(tài)信號法中，通常使用產(chǎn)生的工頻和諧波信號進行特征分析。最近，基于故障暫態(tài)信號的特征分析成為相關(guān)研究的重點。針對這個問題提出了基于希爾伯特-黃變換的接地故障定位方法，其中通過經(jīng)驗?zāi)B(tài)分解得到不同的高頻信號，然后通過信號的極性檢測故障線路。由于判據(jù)的單一性，該方法容易受到電網(wǎng)運行環(huán)境的干擾。此外還提出從故障記錄儀獲取同步電流的多個故障特征，利用k-means聚類算法對故障特征進行分類，實現(xiàn)故障區(qū)域的定位。現(xiàn)有接地故障選線方法以暫態(tài)零序電流或特定模態(tài)分量為分析對象，但這些方法易受噪聲干擾，在復(fù)雜故障環(huán)境中難以應(yīng)對。隨著數(shù)據(jù)監(jiān)控系統(tǒng)的發(fā)展，可以通過傅里葉變換提取諧波分量的幅度作為輸入特征，然后通過knn算法進行故障檢測。同時也可以利用小波變換提取高壓線路信號的高頻分量，利用svm對高頻分量進行分類，以實現(xiàn)輸電線路的故障定位。這些方法雖然具有良好的分類能力，但在處理大量數(shù)據(jù)時消耗大量內(nèi)存和運行時間，并且容易出現(xiàn)局部優(yōu)化和過擬合的問題。

3、卷積神經(jīng)網(wǎng)絡(luò)(cnn)作為一種典型的深度學(xué)習(xí)模型，已廣泛應(yīng)用于電力系統(tǒng)中。它獨立于人工設(shè)計的特征提取會話，自動提取輸入數(shù)據(jù)特征，并通過海量數(shù)據(jù)訓(xùn)練進行歸納分類。針對cnn的這些特點，為它在電力系統(tǒng)中的應(yīng)用論證了深度學(xué)習(xí)的可行性和優(yōu)勢。在現(xiàn)有的研究中，提出了一種結(jié)合cnn和長短期記憶網(wǎng)絡(luò)的故障診斷方法，以更為高效地提取故障信息的特征。亦或者采集不同故障線路零序電流的前半部分波形，并將這些波形融合作為cnn的特征輸入，實現(xiàn)諧振接地配電系統(tǒng)的故障線路檢測。但是在以上的這些研究中cnn應(yīng)用于一維信號，然而二維圖像和原始信號之間存在差異，因此在復(fù)雜網(wǎng)絡(luò)拓撲下可能無法很好地工作。

4、為了克服這些挑戰(zhàn)，使用gaf將時間序列轉(zhuǎn)換為圖像，保留原始信號中的所有信息，同時又最大限度地提取故障樣本特征。但是在這一過程當中，還會面臨微小故障特征的丟失以及從隱藏層中提取的特征數(shù)量過多的情況。除此之外，在這一過程當中還缺乏在線學(xué)習(xí)能力。通常，故障診斷模型是針對特定的拓撲結(jié)構(gòu)設(shè)計的。當實際的配電網(wǎng)絡(luò)結(jié)構(gòu)重新配置時，離線階段訓(xùn)練的故障診斷模型不能準確預(yù)測各種未知的新情況。因此，如何改進這一過程也是亟待解決的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于格拉姆角場和改進卷積神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)單相接地故障檢測方法，該方法可以提高不同在線情況下的故障診斷性能。

2、為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種基于格拉姆角場和改進卷積神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)單相接地故障檢測方法，包括以下步驟：

3、s1、對接地故障特性進行分析，通過相量測量單元pmu從配電網(wǎng)中獲取測量數(shù)據(jù)，再將獲取的測量數(shù)據(jù)通過格拉姆角場gaf獲得二維虛擬圖像；

4、s2、通過改進卷積神經(jīng)網(wǎng)絡(luò)icnn，利用多尺度特征提取模塊及注意力模塊分析獲得的二維虛擬圖像，提取并關(guān)注故障數(shù)據(jù)之間的關(guān)鍵特征；

5、s3、構(gòu)建配電網(wǎng)單相接地故障的故障檢測模型，將故障檢測模型分為離線階段和在線階段，針對不同在線情況進行故障檢測。

6、進一步地，所述步驟s1中，對接地故障特性進行分析，利用不接地分配網(wǎng)絡(luò)的等效網(wǎng)絡(luò)分析接地故障時零序電流的特性。

7、進一步地，所述步驟s1中，通過pmu實時測量帶有精確時標的波形數(shù)據(jù)，將測量的數(shù)據(jù)傳回主站，再利用gaf對獲得的一維時間序列數(shù)據(jù)進行縮放，然后由直角坐標系轉(zhuǎn)換到極坐標系，再通過考慮不同點之間的角度和來識別不同時間點的時間相關(guān)性，從而將一維時間序列轉(zhuǎn)換為二維虛擬圖像。

8、進一步地，所述步驟s1中，利用gaf將一維時間序列數(shù)據(jù)轉(zhuǎn)換為二維虛擬圖像，具體方法為：

9、s1-1、通過pmu測量得到的零序電流為x＝{x1,x2,…,xn}，其中每一個時間序列樣本xi由單獨采樣得到，其中，n是采樣點的數(shù)量；

10、s1-2、對每一個時間序列樣本進行歸一化，將其縮放到[0,1]的范圍內(nèi)：

11、

12、其中，是時間序列樣本xi歸一化后的值；

13、s1-3、將歸一化后的值編碼為角度余弦，將時間戳編碼為半徑，從而將時間序列數(shù)據(jù)轉(zhuǎn)換到極坐標系統(tǒng)中，具體為：

14、

15、式中，θi為第i個極坐標點的編碼夾角，i＝1,2,...,n，ti為時間戳；n為調(diào)整極坐標系統(tǒng)范圍的常數(shù)因子；與θi為意義映射關(guān)系，r坐標與時間戳ti成線性關(guān)系；

16、s1-4、通過不同采樣點上的三角函數(shù)之和，從角度識別采樣點之間的時間序列相關(guān)性，如以下公式所示，將基于gaf的矩陣定義為f；

17、

18、通過笛卡爾坐標系重現(xiàn)表示內(nèi)積，公式如下所示：

19、

20、式中，為歸一化后時間序列數(shù)據(jù)的第i個元素值。

21、進一步地，所述步驟s2的實現(xiàn)方法為：

22、s2-1、構(gòu)建多尺度特征提取模塊，在卷積層中設(shè)計三個通道；第一個通道的卷積核為5×5，數(shù)量為8；第二個通道的卷積核為3×3和1×1級聯(lián)，數(shù)量分別為8和16；第三個通道的卷積核為8×8和3×3級聯(lián)，數(shù)量分別為4和8；同時，在每個卷積核之后使用批量歸一化和激活函數(shù)，不同通道的特征維度通過concat層堆疊在一起，最大限度從輸入數(shù)據(jù)中提取故障特征信息；

23、s2-2、構(gòu)建包括通道注意力模塊和空間注意力模塊的注意力模塊；在通道注意力模塊中，輸入特征首先被平均池化和最大池化，然后被饋送到多層感知器中進行進一步處理，多層感知器輸出的特征被加權(quán)，以生成通道注意力特征圖nc，如以下公式所示：

24、nc(e)＝σ(mlp(avgpool(e))+mlp(maxpool(e)))

25、式中，e是輸入特征；avgpool表示平均池化；maxpool表示最大池化；σ是sigmoid函數(shù)；

26、s2-3、空間注意力模塊將通道注意力模塊輸出的通道注意力特征圖作為輸入，對其進行最大池化和平均池化，生成生成空間注意力特征圖ns，如以下公式所示：

27、ns(w)＝σ(f([avgpool(w)；maxpool(w)]))

28、式中，w是通道注意力模塊的輸出，f表示卷積操作。

29、進一步地，所述步驟s2中，改進卷積神經(jīng)網(wǎng)絡(luò)通過多個特征濾波器對輸入數(shù)據(jù)進行逐層卷積和池化計算；原始圖像分別用多通道卷積核kl過濾以生成特征圖，池化層將前一層的特征wl-1進行壓縮，具體表達式如下：

30、

31、式中，l表示改進卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)；bl為改進卷積神經(jīng)網(wǎng)絡(luò)第l層的偏差；為池化后的特征。

32、進一步地，所述步驟s3的實現(xiàn)方法為：

33、s3-1、在配電網(wǎng)絡(luò)發(fā)生接地故障之后，首先從多源數(shù)據(jù)庫中獲取原始信號，然后將原始信號轉(zhuǎn)換為二維虛擬圖像，然后調(diào)整icnn模型的參數(shù)；將轉(zhuǎn)換為二維虛擬圖像后的特征數(shù)據(jù)作為icnn模型的輸入，實現(xiàn)傳輸線路的故障定位和故障類型確定；

34、s3-2、在在線階段的場景下，將離線階段的模型轉(zhuǎn)移到目標域，通過微調(diào)訓(xùn)練快速更新預(yù)訓(xùn)練模型，從源域的大數(shù)據(jù)集中學(xué)習(xí)特征知識，然后調(diào)整模型權(quán)重和偏差參數(shù)，特征數(shù)據(jù)在目標域的任務(wù)上進行共享。

35、進一步地，所述步驟s3中，在在線階段采用基于微調(diào)的遷移學(xué)習(xí)方法來構(gòu)建預(yù)訓(xùn)練模型，當配電網(wǎng)拓撲發(fā)生變化時，將源域的故障檢測模型遷移到目標域；使用新的數(shù)據(jù)集對源域進行微調(diào)，預(yù)訓(xùn)練模型的全連接層和分類層的參數(shù)通過使用訓(xùn)練樣本進行調(diào)整，而其他層保持凍結(jié)狀態(tài)，以實現(xiàn)在不同情況下的故障檢測。

36、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：本發(fā)明針對復(fù)雜分配網(wǎng)絡(luò)中單相接地故障問題，提供了一種基于格拉姆角場和改進卷積神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)單相接地故障檢測方法，該方法通過gaf算法的處理，將一維時域信號轉(zhuǎn)換為圖像域；充分利用icnn在圖像識別領(lǐng)域的優(yōu)勢，確認圖像中故障特征的位置；在保留原始信號全部信息的同時，故障特征更加明顯；引入多尺度特征提取模塊和注意力機制到傳統(tǒng)的cnn中，在不同的故障條件下，可以有效提高gaf-icnn的訓(xùn)練準確率，同時在不同的噪聲環(huán)境下，gaf-icnn模型的抗噪聲能力也得到了提高；本發(fā)明還引入了微調(diào)的遷移學(xué)習(xí)方法，提高了不同在線情況下的故障診斷模型性能。本發(fā)明提供的方法只需要少量樣本進行微調(diào)預(yù)訓(xùn)練模型，檢測準確率仍然保持在較高水準，因此該方法具有很好的泛化性能。