[發明專利]基于卷積神經網絡的配電網單相接地故障選線方法

有效

• 申請號: 201810088104.0
• 申請日: 2018-01-30
• 公開（公告）號: CN108279364B
• 公開（公告）日: 2020-01-14
• 發明（設計）人: 郭謀發;曾曉丹;高偉;洪翠;楊耿杰
• 申請（專利權）人: 福州大學
• 主分類號: G01R31/08
• 分類號: G01R31/08
• 代理公司: 35100 福州元創專利商標代理有限公司
• 代理人: 蔡學俊

1.一種基于卷積神經網絡的配電網單相接地故障選線方法，其特征在于，按照如下步驟實現：

步驟S1：獲取母線零序電壓、各饋線零序電流信號；

步驟S2：根據預設的分解尺度對所述各零序電流信號做連續小波變換；

步驟S3：根據所述步驟S2獲取的時頻矩陣，獲取時間-尺度小波系數灰階圖；

步驟S4：將所獲取的時間-尺度小波系數灰階圖作為訓練樣本和測試樣本，通過采用經訓練的卷積神經網絡算法進行故障饋線識別；在所述步驟S1中，建立一配電網單相接地故障模型，通過該配電網單相接地故障模型截取單相接地故障發生前1個周波到故障發生后的1個周波共2個工頻周波的母線零序電壓的仿真波形，以及故障發生后的0.5個工頻周波的各饋線零序電流的仿真波形；在所述步驟S2中，將母線零序電壓是否大于預設的閾值作為選線流程的啟動條件，通過采用連續小波變換分解方法對各饋線零序電流信號進行波形分解。

2.根據權利要求1所述的基于卷積神經網絡的配電網單相接地故障選線方法，其特征在于，所述閾值為額定相電壓的15%。

3.根據權利要求1所述的基于卷積神經網絡的配電網單相接地故障選線方法，其特征在于，在所述步驟S3中，記一饋線零序電流信號波形采樣點數為m，經分解尺度為n的連續小波變換后，得到時間-尺度小波系數矩陣A為：

。

4.根據權利要求3所述的基于卷積神經網絡的配電網單相接地故障選線方法，其特征在于，選取db5為小波基函數，分解尺度為100，采樣點數為100，得到圖像樣本大小為100×100的灰階圖。

5.根據權利要求1所述的基于卷積神經網絡的配電網單相接地故障選線方法，其特征在于，在所述步驟S4中，所述卷積神經網絡算法采用12層卷積神經網絡，包括：1個輸入層、5個卷積層、4個池化層、1個全連接層和1個輸出層；通過利用反向傳播算法對所述卷積神經網絡算法進行訓練。

6.根據權利要求5所述的基于卷積神經網絡的配電網單相接地故障選線方法，其特征在于，所述卷積神經網絡算法進行訓練還包括如下步驟：

步驟S41：初始化卷積神經網絡結構，包括：每個卷積層的卷積核大小與數量、輸出特征圖數量、每個下采樣層的采樣窗口大小、下采樣方式、下采樣步長以及邊界延拓方式，并設置每批迭代樣本數量以及迭代上限次數；

步驟S42：將所有時間-尺度小波系數灰階圖樣本的圖像大小調整為與輸入層匹配的輸入圖像大小，并把所有樣本分為訓練集和測試集；

步驟S43：初始化參數；將各層權值ω和偏置項b初始化為隨機數；將超參數α和λ初始化為隨機數，并設置隨著訓練次數增加時這兩個參數的調整策略；

步驟S44：建立各層之間的相關矩陣；

步驟S45：開始訓練網絡，進行一次前向傳播，按順序計算每層的激活值，然后計算輸出層實際輸出值與給定類型值的誤差值；

步驟S46：將所述步驟S45得到的誤差值進行反向傳播，分別計算每層權值和偏置項的調整量，并判斷是否需要進行超參數的更新；

步驟S47：根據所述步驟S46得到的調整量，調整各層權值和偏置項；

步驟S48：重復所述步驟S45~步驟S47，直到誤差滿足預設精度要求或達到迭代次數上限；

步驟S49：訓練結束，保存訓練結束時的各項更新后的最新參數。