[發明專利]一種采用卷積深度置信網絡的配電網故障分類方法

在審

• 申請號: 201811029500.2
• 申請日: 2018-09-05
• 公開（公告）號: CN109325526A
• 公開（公告）日: 2019-02-12
• 發明（設計）人: 洪翠;付宇澤;郭謀發;高偉
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

本發明涉及一種采用卷積深度置信網絡的配電網故障分類方法，首先采集主變低壓母線的三相電壓、零序電壓和主變低壓側三相電流，對各類故障工況分別截取故障前后各一周波的信號波形數據作為訓練樣本；接著采用離散小波包變換對步驟S1的訓練樣本數據進行時頻分解，求取時頻矩陣，進而構造時頻譜圖的像素矩陣，并構造時頻譜圖，作為后續CDBN模型的輸入；然后構建CDBN模型，以無監督學習方式訓練兩個卷積受限玻爾茲曼機，在第2個CRBM后添加softmax分類器，訓練網絡模型，實現故障特征的有效提取及自動分類；最后采用訓練好的模型實現配電網故障分類。本發明能夠實現準確的故障定位。

技術領域

本發明涉及電池測試領域，特別是一種采用卷積深度置信網絡的配電網故障分類方法。

背景技術

配電網結構日益復雜，發生故障在所難免，其中短路、接地故障最為常見。發生故障后，無論網絡重構、故障定位，還是事故分析、排查檢修都十分依賴于對故障類型的準確分類。但諸多干擾因素的存在給配電網準確識別故障類型制造了難題：配電網易受到用戶現場的噪聲與諧波等干擾，使得故障特征較為模糊；此外，由于組成成分復雜、分支較多，配電網故障時的電氣量特征，受中性點接地方式和故障電阻等因素影響較大；并且，隨著配電網日趨自動化，大量故障數據的上傳使操作人員依據自身經驗來區分故障類型的方式難以實現，傳統的故障類型識別方法無法適應配電網的復雜多變。綜上，尋找一種高效可靠的故障分類方法對準確的故障定位，快速修復故障線路，維持配電網安全運行以及提高供電可靠性具有重要的意義。

目前，故障分類方法的基本步驟是：獲取故障暫態電氣量并進行信號分解，結合數學方法進行特征提取、選擇，并選擇合適的模式識別方法進行故障分類。但基于此步驟的方法，所涉及的信號分解、提取特征量及模式識別方法，故障特征量都需要人工提取，易受人為因素干擾且需耗費大量時間，增加了結果的不確定性。

發明內容

有鑒于此，本發明的目的是提出一種采用卷積深度置信網絡的配電網故障分類方法，能夠實現準確的故障定位。

本發明采用以下方案實現：一種采用卷積深度置信網絡的配電網故障分類方法，具體包括以下步驟：

步驟S1：采集主變低壓母線的三相電壓、零序電壓和主變低壓側三相電流，對各類故障工況分別截取故障前后各一周波的信號波形數據作為訓練樣本；

步驟S2：采用離散小波包變換對步驟S1的訓練樣本數據進行時頻分解，求取時頻矩陣，進而構造時頻譜圖的像素矩陣，并構造時頻譜圖，作為后續CDBN模型的輸入；

步驟S3：構建CDBN模型，以無監督學習方式訓練兩個卷積受限玻爾茲曼機，在第2個CRBM后添加softmax分類器，訓練網絡模型，實現故障特征的有效提取及自動分類；

步驟S4：以步驟S1獲得的測試樣本以及步驟S2構造時頻譜圖，輸入至步驟S3已訓練完善的CDBN模型中，實現配電網故障分類。

進一步地，步驟S1具體為：建立一輻射式中壓配電網模型，通過該模型獲取10種故障發生前后各1個工頻周波的包括三相電壓、零序電壓、以及三相電流在內的電氣量的仿真波形。

進一步地，所述10種故障包括A、B、C單相接地故障，AB、AC、BC兩相接地故障，AB、AC、BC兩相相間短路故障，以及ABC三相相間短路故障。

進一步地，步驟S2具體包括以下步驟：

步驟S21：選取正則性良好的db4作為小波基函數，分解層數為4層，對選定的電壓與電流信號進行時頻分解；

步驟S22：對第四層的小波系數進行重構，分別得到信號的低頻部分S_4,0和高頻部分S_4,1-S_4,15；