[發明專利]一種基于小波變換和CNN的配電網故障定位方法

有效

• 申請號: 201810541591.1
• 申請日: 2018-05-30
• 公開（公告）號: CN108732465B
• 公開（公告）日: 2020-08-04
• 發明（設計）人: 張耀宇;陳中明;鄭楚韜;楊建偉;秦川;孔祥軒;劉杰榮;王偉冠;陳君宇;黃焯麒;何其淼;陸凱燁;譚家祺;孫廣慧;李斌
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司佛山供電局
• 主分類號: G01R31/08
• 分類號: G01R31/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發明涉及配電網故障定位技術領域，更具體地，涉及一種基于小波變換和CNN的配電網故障定位方法。利用小波變換多尺度分析對故障電流數據分解，在平行坐標系中按次序標定模極大值時刻，將各點依次連接形成折線圖，最終處理為灰度圖片作為CNN的輸入，并利用CNN強大的特征提取能力，提取數據中隱藏的拓撲結構特征，實現機器自動識別行波波頭。最終利用B型行波測距方法實現故障定位。本發明克服了小波變換高尺度時間分辨率不夠，低尺度噪聲干擾大，易誤判行波波頭的缺點，利用平行坐標系充分結合了小波變換和卷積神經網絡的特點，實現了從高尺度到低尺度自動搜尋行波波頭，具有抗干擾能力強，準確度高等特點。

技術領域

本發明涉及配電網故障定位技術領域，更具體地，涉及一種基于小波變換和CNN的配電網故障定位方法。

背景技術

配電網發生短路故障會危害系統的安全穩定運行，造成不必要的經濟損失，快速準確的故障定位方法有利于故障排查，提高系統的運行可靠性。目前配電網故障定位從功能上主要分為故障區段定位和故障精確定位。故障區段定位主要是判斷故障支路，不能完全滿足故障的快速排查；故障精確定位方法目前主要是阻抗法和行波法，阻抗法受過渡電阻影響較大，定位不準確；而行波法不受過渡電阻、系統運行方式等因素的影響，是一種較為理想的定位方法，主要存在的難點是行波波頭的捕捉。傅里葉變換無法同時表現信號的頻域特征和時域特征，不適用于分析非平穩信號的時頻局部化特性；小波變換很好的解決了這個問題，但其時域分辨率和頻域分辨率負相關，信號高頻部分，時間窗較大，時域分辨率高，頻域分辨率低。故障行波信號和噪聲都在高頻段，這使得在高頻段不易區分行波信號和噪聲，不利于行波波頭的捕捉；在低頻部分噪聲干擾小，但小波時域分辨率低，不能給出行波波頭到達的準確時刻。

發明內容

本發明為克服上述現有技術所述的至少一種缺陷，提供一種基于小波變換和CNN的配電網故障定位方法，通過捕捉行波波頭信號對配電網故障進行精確定位。

為解決上述技術問題，本發明采用的技術方案是：主要針對現有的配電網行波定位方法存在機器自動檢測行波波頭不準確，需要人工干預波頭捕捉等不足，提出結合小波的多尺度分析，并利用CNN的特征提取能力自動識別行波波頭。在小波變換的多尺度分析中，隨著尺度的增加，噪聲引起的小波變換系數模極大值迅速減小，而故障引起的小波變換系數模極大值得以顯現出來，然而在高尺度下，小波變換的時域分辨率較低，會導致行波信號的偏移。行波信號以接近光速在線路上傳播，以行波采集裝置為1MHz采樣率為例，信號每偏移一個點，會造成近300米的誤差。CNN作為深度神經網絡的一種，目前已在圖像識別等領域取得很大成功。它包含多個交替放置的卷積層和池化層，隨著層數的深入，特征提取越來越抽象，對位移、縮放以及扭曲的圖像都有較好的識別能力。本發明將小波變換高尺度下的模極大值按次序標定在平行時間軸上(即采用平行坐標系)，然后依次連接各點形成一幅折線圖。將此圖片作為已訓練完成CNN的輸入，利用其在第一尺度標定行波波頭時刻，最后利用B型行波測距法進行故障定位。

本發明的上述技術問題主要是通過下述兩部分實現的：

第一部分，由于訓練CNN需要大量數據，而在實際中較難獲得，所以采用電力仿真軟件(如Simulink)來獲得大量故障數據。對于已訓練好的CNN在以后的應用中無需再次訓練。

步驟S1：利用電力仿真軟件(如Simulink)搭建故障模型，通過設置不同的故障類型、故障距離、電壓幅值、功角等，獲取大量故障電流數據，并分為訓練數據和測試數據；

步驟S2：對故障電流進行預處理及多尺度分析，分別得到第二尺度及以上尺度下的模極大值對應的時刻，形成模極大值折線圖；對折線圖根據故障距離和行波波速確定標簽，形成訓練集和測試集；

步驟S3：根據圖片數據特點，確定CNN的網絡結構和卷積核的大小，利用訓練集進行訓練，畫出迭代過程中價值函數變化曲線，對網絡結構及超參數進行調整，再次訓練，重復以上過程，確定最優CNN；