[發明專利]一種基于深度學習的配電網故障分類方法、系統和介質

有效

• 申請號: 201911381606.3
• 申請日: 2019-12-27
• 公開（公告）號: CN111160241B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 林湘寧;汪光遠;馬嘯;李正天;曹善康
• 申請（專利權）人: 華中科技大學;國網湖北省電力有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06Q50/06
• 代理公司: 北京輕創知識產權代理有限公司 11212
• 代理人: 陳曉華

本發明涉及一種基于深度學習的配電網故障分類方法、系統和介質，包括獲取多個原始故障波形數據組；對每個原始故障波形數據組分別進行處理，得到目標樣本數據；將所有目標樣本數據制作成數據集，并將數據集劃分成訓練集和測試集，構建深度學習網絡模型，利用訓練集對深度學習網絡模型進行訓練得到原始故障分類模型；利用測試集對原始故障分類模型進行參數調優得到優化故障分類模型；獲取實時故障波形數據組，并對實時故障波形數據組進行處理，得到待測故障數據，利用優化故障分類模型對待測故障數據進行實時識別，得到故障實時分類結果。本發明利用深度學習的強分類優勢對配電網中的故障進行快速可靠地識別與分類，識別效率高，分類準確率高。

技術領域

本發明涉及電力系統繼電保護技術領域，尤其涉及一種基于深度學習的配電網故障分類方法、系統和介質。

背景技術

隨著越來越多的分布式可再生能源以高滲透率接入配電網，如風能、光伏等，使得配電網的結構愈發復雜，各種大功率機組、大功率電氣設備等不斷地投入直流配電網運行，增加了配電網短路電流帶來的危害。而不同于交流系統，直流系統作為低慣性系統在發生故障后會迅速產生高額的短路電流，危害電網設備的安全，因此需要快速地對故障進行精確檢測，以便及時采取相應的措施。而直流配電網存在眾多的故障類型，其往往通過并網換流站接入交流大電網，因此不僅有直流側接地故障和極間故障，交流側故障也會通過換流器影響到直流系統的穩定。在檢測出故障后，需要對故障類型進行精確辨識以確定保護的動作情況。為了保證保護的可靠動作，對故障的精確識別就顯得尤為重要。

目前，直流配電網中所廣泛使用的保護類型多是基于本地測量的保護，其保護基本參數需要通過仿真試驗來進行整定，這就難以避免地存在參數精確性問題。同時，針對直流側的保護方案，需要躲過交流側的故障對直流側帶來的影響，其保護動作門檻值設置極為保守，因而對直流側高阻故障的識別能力不足，保護的靈敏性有待加強。為了降低保護誤動作給直流配電網帶來的風險，亟需一種靈敏性更強的故障識別和故障分類方案。

隨著人工智能的發展，機器學習開始廣泛運用于多種場景。而其中具有代表性的深度學習神經網絡因具有較強的特征識別能力而在分類問題上得以廣泛應用，但是在電力系統上的應用還較少，目前也還沒有一種有效的方法將深度學習應用到配電網的故障識別與分類上。

發明內容

本發明所要解決的技術問題是針對上述現有技術的不足，提供一種基于深度學習的配電網故障分類方法、系統和介質，能利用深度學習的強分類優勢對配電網中的故障進行快速可靠地識別與分類，解決了現有技術中在對直流配電網故障進行識別時，門檻值設置過程復雜，保護靈敏性差的技術問題。

本發明解決上述技術問題的技術方案如下：

一種基于深度學習的配電網故障分類方法，包括以下步驟：

步驟1：獲取直流配電網的多個原始故障波形數據組；

步驟2：對每個原始故障波形數據組分別進行處理，得到每個原始故障波形數據組一一對應的目標樣本數據；

步驟3：將所有目標樣本數據制作成數據集，并將所述數據集劃分成訓練集和測試集，構建深度學習網絡模型，利用所述訓練集對所述深度學習網絡模型進行訓練，得到原始故障分類模型；

步驟4：利用所述測試集對所述原始故障分類模型進行參數調優，得到優化故障分類模型；

步驟5：獲取所述直流配電網的實時故障波形數據組，并按照所述步驟2的處理方法，對所述實時故障波形數據組進行處理，得到所述實時故障波形數據組對應的待測故障數據，利用所述優化故障分類模型對所述待測故障數據進行實時識別，得到所述直流配電網的故障實時分類結果。