一种基于故障指示器的异常波形识别方法与流程

1.本发明涉及中压配电网技术领域，尤其涉及一种基于故障指示器的异常波形识别方法。


背景技术：

2.配电网的运行状态对电网的稳定运行至关重要，当电力系统发生故障时，需尽快定位与 排除故障。故障指示器(包含采集单元和汇集单元两部分)作为一种故障指示与告警装置， 可自动记录故障时刻前后的各电气量并以波形方式传给主站，配电主站根据故障指示器上传 的波形，依据电力系统接地或短路故障发生时电气量的变化规律对故障类型进行分析，并判 断故障发生位置。故障指示器还具备免维护、低功耗和带电装卸等优点，基于以上其已在10kv 配电网系统中得到大量应用。但由于工作环境复杂，采集单元自身采样、采集单元与汇集单 元通信、汇集单元与主站通信等方面都可能出现问题，故障指示器上传主站的波形质量难以 保证，可能包含很多异常波形，从而影响故障位置的判断，导致漏判、错判情况的出现。


技术实现要素：

3.本发明针对现有技术的不足，提出一种基于故障指示器的异常波形识别方法，对故障指 示器上传至主站的波形进行去直流处理并与原始数据组合后输入至训练好的textcnn模型中 进行计算，实现对异常波形的识别。
4.本发明的目的可以通过以下技术方案来实现：
5.一种基于故障指示器的异常波形识别方法，包括以下步骤：
6.步骤1：收集故障指示器上传主站的原始波形并对原始波形进行去直流处理；
7.步骤2：对所有收集的波形数据人工添加分类标签；
8.步骤3：将原始波形数据与去直流后的波形数据组合为新数据，将新数据及其对应的标 签划分为训练集和测试集并馈入textcnn网络模型；
9.步骤4：对网络模型进行调参、训练、测试，得到最优模型；
10.步骤5：对待识别波形进行去直流处理，将待识别波形的原始数据及处理后的数据输入 最优模型，得到识别结果。
11.进一步地，所述步骤1中故障指示器上传主站的每组波形包含三相电场及零序电场数据、 三相电流及零序电流数据共8个通道数据，进行去直流处理后又得到8个通道数据，最终共 得到16个通道数据；
12.进一步地，所述步骤1中用到的去直流方法为分段去直流，计算公式如下：
[0013][0014]
式中，data_new
i
为去直流后第i个点的数据，data
i
为去直流前第i个点的数据，
cyclepoint 为一个周波的总点数；
[0015]
进一步地，所述步骤2中的标签分类方法为：对正常波形标记为1，对异常波形标记为
‑
1；
[0016]
进一步地，所述步骤3中划分训练集和测试集时用到的方法为分层抽样；
[0017]
进一步地，所述步骤4中的训练过程中用到的限制过拟合方法包括early stopping，l1、 l2正则化以及dropout。
[0018]
本发明的有益效果是：只需对原始波形进行去直流处理，无需进一步提取波形特征，且 相较于传统的cnn方法，textcnn方法可更准确的捕捉电压与电流的关系，提高识别准确 率，方法在保证了电网运行状态的基础上兼具模型简洁、易于实现的优点，具有很强的工程 实用性。
附图说明
[0019]
图1为本发明的总体流程图。
[0020]
图2为本发明所述textcnn模型的结构图。
[0021]
图3为本发明所述的波形数据在训练或测试过程中的维度变化示意图。
[0022]
图4为本发明实施例提供的某现场拓扑图。
具体实施方式
[0023]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发 明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不限定 本发明。
[0024]
结合附图1，一种基于故障指示器的异常波形识别方法，包括以下步骤：
[0025]
步骤1：收集故障指示器上传主站的原始波形并对原始波形进行去直流处理；故障指示 器上传主站的每组波形包含三相电场及零序电场数据、三相电流及零序电流数据共8个通道 数据，进行去直流处理后又得到8个通道数据，最终共得到16个通道数据；用到的去直流方 法为分段去直流，计算公式如下：
[0026][0027]
式中，data_new
i
为去直流后第i个点的数据，data
i
为去直流前第i个点的数据，cyclepoint 为一个周波的总点数；
[0028]
步骤2：对所有收集的波形数据人工添加分类标签：对正常波形标记为1，对异常波形标 记为
‑
1；
[0029]
步骤3：将原始波形数据与去直流后的波形数据组合为新数据，用分层抽样的方法将新 数据及其对应的标签划分为训练集和测试集并馈入textcnn网络模型，模型网络结构如图2 所示；
[0030]
步骤4：对网络模型进行调参、训练、测试，得到最优模型；训练过程中用到的限制过 拟合方法包括early stopping，l1、l2正则化以及dropout；
[0031]
步骤5：对待识别波形进行去直流处理，将待识别波形的原始数据及处理后的数据输入 最优模型，得到识别结果。波形数据从输入到输出的维度变化如附图3所示，最终输出维度 为(样本数，2)，每一行中概率值较大的即为样本识别结果。
[0032]
附图4所示为某现场拓扑图，包括6个故指测量点，将各测量点波形输入模型后得到的 分类结果如下：
[0033]
故指测量点模型输出结果分类结果1(0.95，0.05)正常波形2(0.1，0.9)异常波形3(0.83，0.17)正常波形4(0.76，0.24)正常波形5(0.91，0.09)正常波形6(0.22，0.78)异常波形
[0034]
经验证得，在实施例中，本方法的识别结果准确，与实际一致。
[0035]
上述实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的 技术人员在不脱离本发明的精神和范围的情况下，还可做出各种变换和变化以得到相对应的 等同的技术方案，因此所有等同的技术方案均应归入本发明的专利保护范围。


技术特征：
1.一种基于故障指示器的异常波形识别方法，其特征在于，包括以下步骤：步骤1：收集故障指示器上传主站的原始波形并对原始波形进行去直流处理；步骤2：对所有收集的波形数据人工添加分类标签；步骤3：将原始波形数据与去直流后的波形数据组合为新数据，将新数据及其对应的标签划分为训练集和测试集并馈入textcnn网络模型；步骤4：对网络模型进行调参、训练、测试，得到最优模型；步骤5：对待识别波形进行去直流处理，将待识别波形的原始数据及处理后的数据输入最优模型，得到识别结果。2.根据权利要求1所述的一种基于故障指示器的异常波形识别方法，其特征在于，所述步骤1中故障指示器上传主站的每组波形包含三相电场及零序电场数据、三相电流及零序电流数据共8个通道数据，进行去直流处理后又得到8个通道数据，最终共得到16个通道数据；3.根据权利要求1所述的一种基于故障指示器的异常波形识别方法，其特征在于，所述步骤1中用到的去直流方法为分段去直流，计算公式如下：式中，data_new
i
为去直流后第i个点的数据，data
i
为去直流前第i个点的数据，cyclepoint一个周波的总点数。4.根据权利要求1所述的一种基于故障指示器的异常波形识别方法，其特征在于，所述步骤2中的标签分类方法为：对正常波形标记为1，对异常波形标记为
‑
1；5.根据权利要求1所述的一种基于故障指示器的异常波形识别方法，其特征在于，所述步骤3中划分训练集和测试集时用到的方法为分层抽样；6.根据权利要求1所述的一种基于故障指示器的异常波形识别方法，其特征在于，所述步骤4中的训练过程中用到的限制过拟合方法包括early stopping，l1、l2正则化以及dropout。

技术总结
本发明公开了一种基于故障指示器的异常波形识别方法，包括以下步骤：收集故障指示器上传主站的原始波形并对原始波形进行去直流处理；对所有收集的波形数据人工添加分类标签；将原始波形数据与去直流后的波形数据组合为新数据，将新数据及其对应的标签划分为训练集和测试集并馈入TextCNN网络模型；对网络模型进行调参、训练、测试，得到最优模型；对待识别波形进行去直流处理，将待识别波形的原始数据及处理后的数据输入最优模型，得到识别结果。本发明只需对原始波形进行去直流处理，无需进一步提取特征，且TextCNN模型相较于传统的CNN模型可更准确的捕捉电压与电流的关系，提高识别准确率，在保证电网运行状态基础上兼具模型简单、工程实用性强的优点。工程实用性强的优点。工程实用性强的优点。


技术研发人员：曹乾磊 王彦萍 刘军 李建赛 狄克松
受保护的技术使用者：青岛鼎信通讯股份有限公司
技术研发日：2021.06.02
技术公布日：2021/12/7