[發明專利]一種用于配電網故障類型識別的方法

有效

• 申請號: 201910641524.1
• 申請日: 2019-07-16
• 公開（公告）號: CN112240964B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 姚薔;戴義波;張建良
• 申請（專利權）人: 北京映翰通網絡技術股份有限公司
• 主分類號: G01R31/08
• 分類號: G01R31/08;G06F18/241;G06N3/0464
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 巴曉艷

本發明公開了一種用于配電網的故障類型識別方法，該方法利用故障定位器來識別暫態錄波裝置所獲取的故障錄波波形所對應的故障類型。針對目前原始暫態錄波數據?故障類型數據組數量不足以對故障定位器進行良好的訓練的情況下，本發明提出了利用故障定位器的淺層結構幫助訓練故障分類器，并同時通過設置第一、二故障波形生成器和第一、二故障波形辨別器進行對抗訓練，以及第一、二輔助分類器獲得充足的且能夠與原始故障波形數據?故障類型數據組相似的人工故障波形數據?故障類型數據組，來用于故障分類器的訓練。

技術領域

本發明涉及電力技術領域，尤其涉及一種用于配電網故障類型識別的方法。

背景技術

配電網是電力系統中的重要組成部分，隨著智能電網的快速發展，分布式電源的大量的不確定接入，使得配電網故障信息越發復雜，故障的準確快速分析變得越發困難。為保障配電網高度智能化運行，需要對饋線運行數據進行實時監控、異常情況及時預警及故障快速發現處理，其中對饋線異常工況的識別是智能配電網的重要功能。

隨著配電網線路監測系統的出現，配電網實際運行中的電流電壓數據被采集，并開始運用傳統的提取特征方法結合一些機器學習方法對工況進行分類。如CN103136587A中公開了一種傳統小波包提取仿真數據特征與支持向量機結合的配電網工況分類方法。CN103245881A中公開了一種基于潮流分布特征的配電網故障分析方法及裝置。CN107340456A中公開了一種基于多特征分析的配電網工況智能識別方法。但上述方法中采用人工提取錄波特征時，在提取過程中會造成關鍵數據信息的丟失，導致錄波分類不準確。并且提取特征與錄波分類被分成了不能同步修正的兩個過程，這種非端對端的訓練方式限制了識別正確率上限。

如CN10810732A中，申請人在先提出的端對端的工況類型識別方法中不再采用人工對波形進行特征提取，然后使用提取的特征來識別工況的方案。而是對波形本身簡單預處理后直接建模識別，機器學習模型自身帶有特征提取和工況分類的功能，此種端對端訓練模型的方法能進一步提升識別正確率。這種方法使用深度神經網絡以實現直接將波形本身作為模型輸入。然而深度神經網絡的訓練依賴于大量的原始暫態錄波波形-故障類型數據對作為原始訓練數據。而實際情況中，配電網中發生的故障類型的確認大部分情況下是需要人工現場處理時才能夠得到的。這就導致大量的暫態錄波波形是沒有相對應匹配的故障類型的，這樣的數據是無法用于神經網絡模型訓練的，這就導致深度神經網絡模型的訓練數據不足，訓練效果不佳。由此可見本領域中需要一種能夠基于大量無對應匹配的故障類型的暫態錄波波形對深度神經網絡模型進行訓練，并利用得到最優化的深度神經網絡模型對暫態錄波數據進行精準故障類型識別的方法。

發明內容

本發明所要解決的技術問題之一在原始故障錄波波形-故障類型數據對不足時，訓練得到用于識別配電網故障類型的故障分類器。

本發明中同時包括故障定位器模型與故障分類器模型，故障定位器模型的訓練數據可直接使用原始故障錄波波形，由于原始故障錄波波形是由配電網中的具有確定的對應位置信息的暫態錄波裝置獲取的，因此原始故障錄波波形本身攜帶有位置信息。所以故障定位器模型的訓練僅使用原始故障錄波波形即可完成。

本發明中的故障分類器模型在淺層結構上設置成與故障定位器模型一致，因此當故障定位器模型在通過訓練進行優化時所得到的具體的故障定位器結構，其在淺層部分的結構可直接用于作為故障分類器模型的淺層結構。

根據本發明所要解決的技術問題，本發明提供一種用于配電網故障類型識別的方法，所述方法包括：

構建故障定位器模型，并使用由配電網暫態錄波裝置獲取的原始故障錄波波形數據對模型進行訓練以獲得故障定位器；