一种基于配电箱支路电流残差的异常识别方法及系统与流程
本发明涉及电气安全监控处理，更具体地说，涉及一种基于配电箱支路电流残差的异常识别方法及系统。
背景技术：
1、随着现代配电网络的不断升级，诸如变频空调、电动汽车充电桩以及大功率开关电源等非线性负载在民用与工业配电箱支路中被大量普及应用，这些非线性负载在正常运行过程中会向电网注入大量的高频谐波，导致支路电流波形发生严重畸变。
2、在电气安全监控场景中，剩余电流互感器通常被用于检测线路绝缘破损引发的漏电故障，但非线性负载产生的高频谐波与复杂的用电环境相互叠加，会在检测回路上形成明显的干扰信号，使得配电箱支路采集到的电流残差成分极为复杂，极大地增加了电气故障识别的难度。
3、现有技术中为了解决谐波干扰导致的漏电保护装置误动或拒动问题，通常会引入基于现场采集数据的传统机器学习算法进行异常识别，通过现场录波数据训练分类器，但是在实际工程应用中，受限于场地安全与测试成本，研发人员根本无法通过大规模、破坏性的物理实验来获取不同品牌、不同工况下负载的真实漏电故障样本，导致在面对复杂多变的用电环境时，无法剥离谐波干扰特征与真实的基波漏电特征来进行异常识别。
技术实现思路
1、针对现有技术中存在的问题，本发明的目的在于提供一种基于配电箱支路电流残差的异常识别方法及系统，旨在解决上述技术问题。
2、为解决上述技术问题，本发明的技术方案如下：
3、第一方面，一种基于配电箱支路电流残差的异常识别方法，所述方法包括：
4、步骤1，调取预置的历史实测与标准谐波参数数据库，提取非线性负载在多工况下的谐波频谱数据作统计分析，构建表征正常特征基线的数据综合指纹库；
5、步骤2，对数据综合指纹库内波形数据进行特征提取，生成涵盖幅值、相位及总畸变率的正常谐波特征样本集；
6、步骤3，基于容性泄漏机制与互感器传变特性，结合数据综合指纹库建立物理误差影响模型，输出量化判定阈值；
7、步骤4，以正常谐波特征样本集为基准干扰背景，依物理误差影响模型推演表征基波频率下泄漏电流的基波漏电特征，以量化判定阈值为基准向两侧扩展构建覆盖不同漏电程度的故障区间，将处于故障区间内的所述基波漏电特征叠加至基准干扰背景标注为正样本，并将未叠加的基准干扰背景标注为负样本，共同构建混合特征样本集；
8、步骤5，将混合特征样本集输入基于一维卷积神经网络的多分类模型训练，构建区分谐波干扰与真实漏电的异常识别模型；
9、步骤6，采集实时电流信号提取时频特征向量，与正常特征基线作差分生成残差特征向量，输入所述异常识别模型推理，输出含异常标签与运维建议的结果，若正常则将时频特征向量反馈至数据综合指纹库作动态校正。
10、进一步的：调取预置的历史实测与标准谐波参数数据库，提取非线性负载在多工况下的谐波频谱数据作统计分析，构建表征正常特征基线的数据综合指纹库，包括：
11、从所述历史实测与标准谐波参数数据库中，调取包含非线性负载的电路拓扑、工况标签以及频率与电流、电压幅值对应关系的结构化数据表；
12、提取所述结构化数据表中的离散频率点与对应的电流幅值、电压幅值参量，将其映射构建为包含电流与电压双维度的量化频谱矩阵，以完成结构化处理；
13、以相同电路拓扑与相同工况标签为聚合维度，对所述量化频谱矩阵中的幅值参量进行区间分布计算，提取各次谐波幅值的上下限边界生成谐波基准包络，并计算各次谐波幅值的统计均值以生成基准中心线；
14、将所述谐波基准包络与对应的工况标签建立映射绑定，组合构建出表征正常特征基线的数据综合指纹库。
15、进一步的：对数据综合指纹库内波形数据进行特征提取，生成涵盖幅值、相位及总畸变率的正常谐波特征样本集，包括：
16、利用快速傅里叶变换对所述数据综合指纹库中映射的电流波形数据进行频域分解，提取稳态与暂态过程下的各次谐波幅值与对应相位；
17、基于提取的所述各次谐波幅值，计算表征电能波形畸变程度的总谐波畸变率，并解析出奇偶次谐波能量比以及用于区分瞬态开关干扰与渐进式绝缘劣化的谐波变化率最小值；
18、将所述各次谐波幅值、对应相位、所述总谐波畸变率、所述奇偶次谐波能量比与所述谐波变化率最小值进行特征拼接，并与对应的所述工况标签绑定，生成正常谐波特征样本集。
19、进一步的：基于容性泄漏机制与互感器传变特性，结合数据综合指纹库建立物理误差影响模型，输出量化判定阈值，包括：
20、提取所述正常谐波特征样本集中的各次谐波电流有效值、线路等效阻抗与频率参量，结合配电线路的对地分布电容，推导出与谐波频率正相关的容性伪漏电分量；
21、将所述正常谐波特征样本集中的总谐波畸变率映射至互感器的频率响应曲线上，解析出由高频分量引发的铁芯饱和传变偏差；
22、将所述正常谐波特征样本集中的背景干扰电流分量、所述容性伪漏电分量与所述铁芯饱和传变偏差进行聚合计算，构建得到所述物理误差影响模型；
23、根据所述物理误差影响模型界定引发漏电保护装置误动的谐波临界边界，输出量化判定阈值。
24、进一步的：以正常谐波特征样本集为基准干扰背景，依物理误差影响模型推演表征基波频率下泄漏电流的基波漏电特征，以量化判定阈值为基准向两侧扩展构建覆盖不同漏电程度的故障区间，将处于故障区间内的所述基波漏电特征叠加至基准干扰背景标注为正样本，并将未叠加的基准干扰背景标注为负样本，共同构建混合特征样本集，包括：
25、以所述量化判定阈值为基准，结合所述物理误差影响模型模拟生成覆盖从隐蔽微漏电至严重击穿的故障区间的处于真实漏电状态的初始基波信号；
26、以所述基准干扰背景的谐波总能量为调制约束上限，对所述初始基波信号进行动态信噪比幅度调制，生成具有多级信噪比梯度的所述基波漏电特征；
27、将所述基波漏电特征时序叠加至所述基准干扰背景上，生成模拟真实漏电状况的故障样本；
28、将所述故障样本与未叠加信号的所述基准干扰背景进行标签化整合，构建出混合特征样本集。
29、进一步的：将混合特征样本集输入基于一维卷积神经网络的多分类模型训练，构建区分谐波干扰与真实漏电的异常识别模型，包括：
30、在基于一维卷积神经网络的多分类模型中，配置具有不同尺寸一维卷积核的相互独立的高频畸变特征学习分支与基波漏电特征学习分支；
31、将所述混合特征样本集同步输入至所述高频畸变特征学习分支与所述基波漏电特征学习分支进行非线性映射与特征降维，输出融合隐层向量；
32、提取所述混合特征样本集中所述故障样本对应的所述多级信噪比梯度，构建惩罚力度与信噪比数值呈负相关的自适应权重分配策略，对处于低信噪比状态下的所述故障样本施加增强的分类误差惩罚；
33、将增强的所述分类误差惩罚引入交叉熵损失函数中以计算全局损失，并反向迭代更新网络参数，在全局损失收敛后锁定网络参数，生成异常识别模型。
34、进一步的：采集实时电流信号提取时频特征向量，与正常特征基线作差分生成残差特征向量，输入所述异常识别模型推理，输出含异常标签与运维建议的结果，若正常则将时频特征向量反馈至数据综合指纹库作动态校正，包括：
35、对所述实时电流信号进行频域解析，生成维度对齐的所述时频特征向量，提取所述数据综合指纹库对应的所述正常特征基线，与所述时频特征向量差分映射生成所述残差特征向量；
36、将所述残差特征向量输入所述异常识别模型，经内部高频畸变与基波漏电特征分支前向推理，输出所述异常标签；
37、针对所述异常标签指示的谐波干扰与真实漏电类型，分别生成检修建议与排查指令作为所述运维建议；
38、绑定所述异常标签与所述运维建议输出所述结果，并利用判定无异常的所述时频特征向量对所述数据综合指纹库中的基准中心线进行权值矩阵更新。
39、第二方面，一种基于配电箱支路电流残差的异常识别系统，包括：
40、指纹库构建模块，用于调取预置的历史实测与标准谐波参数数据库中的谐波频谱数据做统计分析，构建表征正常特征基线的数据综合指纹库；
41、提取模块，用于对所述数据综合指纹库内波形数据进行特征提取，生成涵盖幅值、相位及总畸变率的正常谐波特征样本集；
42、建模模块，用于基于容性泄漏机制与互感器传变特性，结合所述数据综合指纹库建立物理误差影响模型，输出量化判定阈值；
43、合成模块，用于以所述正常谐波特征样本集为基准干扰背景，依所述物理误差影响模型推演表征基波频率下泄漏电流的基波漏电特征，以所述量化判定阈值为基准向两侧扩展构建覆盖不同漏电程度的故障区间，将处于所述故障区间内的所述基波漏电特征叠加至所述基准干扰背景标注为正样本，并将未叠加的所述基准干扰背景标注为负样本，共同构建混合特征样本集；
44、训练模块，用于将所述混合特征样本集输入基于一维卷积神经网络的多分类模型训练，构建区分谐波干扰与真实漏电的异常识别模型；
45、决策模块，用于采集实时电流信号提取时频特征向量，与所述正常特征基线作差分生成残差特征向量，输入所述异常识别模型推理输出含异常标签与运维建议的结果，若正常则将所述时频特征向量反馈至所述数据综合指纹库作动态校正。
46、第三方面，一种计算设备，包括：
47、一个或多个处理器；
48、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
49、第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。
50、本发明提供的上述技术方案与现有技术相比，至少具有如下有益效果：
51、（1）本方案通过提取非线性负载在多工况下的谐波频谱数据构建正常特征基线，并结合容性泄漏机制与互感器传变特性建立物理误差影响模型，可以剥离复杂用电环境下的系统性测量偏差，以输出的量化判定阈值为基准，模拟推演并构建覆盖不同漏电程度的故障区间的基波漏电特征，将其叠加至基准干扰背景中合成混合特征样本集，能够弥补真实故障样本匮乏的数据断层，为分类算法提供具备高物理置信度的先验训练基础。
52、（2）配置有独立高频畸变与基波漏电特征学习分支的一维卷积神经网络进行多分类模型训练，并针对处于低信噪比状态的样本施加增强的分类误差惩罚，强化模型在被高频谐波掩盖的恶劣工况下对隐蔽微漏电特征的捕捉与收敛能力，在实时监测应用中，通过将提取的实时信号特征与正常特征基线作差分处理生成残差向量并进行前向推理，不仅能够精准输出区分谐波干扰与真实漏电类型的异常标签及运维建议，还能将无异常的时频特征向量反馈至综合指纹库作动态校正，增强了电气监控系统在多变用电环境下的特征泛化。