一种基于深度学习的多特征融合单相接地故障类型辨识方法

1.本发明涉及智能配电网领域，具体是一种基于深度学习的多特征融合单相接地故障类型辨识方法。
技术背景
2.安全、可靠、优质、经济是电力系统运行的基本要求。然而单相接地故障在我国中低压配电网系统中频发，对电力系统的可靠运行造成了一定的冲击。由于在发生单相接地故障时故障微弱，不同故障类型间的特征区分度较低，难以对其故障类型进行精确辨识。
3.现有的研究成果在单相接地故障检测中取得了一定效果，但大多只选取了配电网的部分特征，即某类故障的特有属性来进行分析，造成了对故障信息描述的不充分，只能针对某一特定的故障类型进行识别，并未对单相接地故障类型进行全面综合划分，算法的通用性不足，不利于调度员制定有针对性的故障处理措施。
4.深度学习在工程领域的应用越来越广泛，其十分擅长从高维数据集中自动学习复杂且有用的特征，相比于过去出现的很多优秀的手动特征提取器，比如：尺度不变特征变换(sift)，gabor滤波器和定向梯度直方图(hog)等，深度学习模型可以通过搭建不同的结构、调整隐藏层的数量来学习得到不同性质、不同层次的特征，可直接实现端到端的任务训练或者提取抽象特征用于下游任务的学习。
5.综上，本发明考虑要对包括高阻接地故障与间歇弧光接地故障在内的共七种类型的单相接地故障进行综合辨识，对此需要提取更加全面的故障特征。配电网现场采集到的录波数据是配电网实时状态、运行情况的“心电图”，能为单相接地故障的类型辨识提供最直接、最准确的依据。如何利用深度学习技术从高维的录波数据中自动学习复杂且有用的特征是辨识出具体的单相接地故障类型的关键。


技术实现要素：

6.本发明的目的是解决现有技术中存在的问题。
7.为实现本发明目的而采取的技术方案是这样的，一种基于深度学习的多特征融合单相接地故障类型辨识方法，主要包括以下步骤：
8.(1)获取现场故障录波装置采集的故障录波数据；
9.(2)进行故障录波数据预处理，并对预处理后的故障录波数据进行基于hht的时频分解，得到对应的时频信息特征；
10.(3)将(2)处理得到的故障录波数据的时频信息特征构造为初级数据集；
11.(4)搭建并训练基础学习器resnet18，提取数据集中的复杂非线性特征；
12.(5)搭建并训练基础学习器lstm，提取数据集中的时序关联特征；
13.(6)将(4)、(5)中学习并提取得到的复杂非线性特征和时序关联特征进行拼接融合，构造次级数据集，并结合决策树模型辨识出具体的单相接地故障类型。
14.进一步地，所述步骤(2)具体包括：
15.(2.1)截取处于故障状态阶段的故障录波数据；
16.(2.2)将故障录波数据中的所有电气量特征划分为关键特征部分和非关键特征部分；
17.(2.3)对故障录波数据的关键特征部分执行希尔伯特-黄变换(hht)，提取imf分量、瞬时幅值、瞬时频率和hilbert谱；
18.(2.4)将步骤2.3中关键特征部分经过hht变换后的结果与步骤2.2中原始的非关键特征部分进行拼接；
19.(2.5)将拼接后的特征进行归一化，并进行灰度图的转换。
20.进一步地，所述步骤(3)具体包括：
21.(3.1)构建初级数据集，每个数据样本对应一个单相接地故障类型标签0、1、2、
…
、m；
22.(3.2)将构建好的初级数据集划分为训练集和测试集。训练集用于训练两个基础学习器，测试集用于测试两个基础学习器的学习效果；
23.进一步地，所述步骤(4)具体包括：
24.(4.1)基础学习器resnet18模型搭建。本发明在resnet18原始结构的基础上，结合故障录波数据的特性，对其进行了一些改动，包括如下：将第一层conv的卷积核修改为3
×
3，在模型训练阶段保留全连接层和softmax层；在模型训练结束后，提取数据集的复杂非线性特征时去除全连接层和softmax层，提取特征时的resnet18模型参数如下表所示。
25.表1
[0026][0027]
(4.2)基础学习器resnet18模型训练。利用(3)中构造得到的训练集来训练基础学习器resnet18，模型训练时使用的损失函数为交叉熵损失函数。并基于(3)中构造的测试集来检测基础学习器resnet18的训练效果。当基础学习器resnet18模型精度达到预期效果时，保存模型的参数设置。
[0028]
(4.3)利用训练结束的基础学习器resnet18模型提取数据集的复杂非线性特征。提取的特征维度为resnet18模型的最后一个卷积层的输出维度，为2048。
[0029]
进一步地，所述步骤(5)具体包括：
[0030]
(5.1)基础学习器lstm模型搭建。lstm的模型结构根据故障录波数据和结合调整超参数的实验结果对比得。设置lstm的层数为2和隐藏层的节点数为100，此时模型既有较
好的精度且收敛速度也较快。
[0031]
(5.2)基础学习器lstm模型训练。利用(3)中构造得到的训练集来训练基础学习器lstm，模型训练时使用的损失函数为交叉熵损失函数。并基于(3)中构造的测试集来检测基础学习器lstm的训练效果。当基础学习器lstm模型精度达到预期效果时，保存模型的参数设置。
[0032]
(5.3)利用训练结束后的基础学习器lstm模型提取数据集的时序关联特征。提取特征时去除lstm模型的输出层，故提取得到的特征维度为最后一层隐藏层设置的节点数，为100。
[0033]
进一步地，所述步骤(6)具体包括：
[0034]
(6.1)构造次级数据集。resnet18和lstm模型的提取得到的特征维度分别为(1，2048)和(1，100)。将这两组特征进行拼接并和单相接地故障的真实类型标签(由0-6分别代表7种不同类型的单相接地故障类型)构成次级数据集。
[0035]
(6.2)决策树模型训练。具体选择的决策树模型为cart模型，利用(6.1)中构造的次级数据集来对其进行训练。并利用网格搜素算法寻找到cart模型的最佳参数设置。
[0036]
(6.3)基于训练结束的次级学习器，即(6.2)中的决策树模型，辨识出具体的单相接地故障结果。
[0037]
本发明的技术效果是毋庸置疑的。在电力物联网的背景下，本发明提出一种基于深度学习的多特征融合单相接地故障类型辨识方法。该方法具有良好的精确度和鲁棒性能，通用性好。适用于包括间歇性弧光接地故障和高阻接地故障在内的多种单相接地故障类型的辨识，辨识结果可为后续制定有针对性的故障处理措施提供可靠依据。
附图说明
[0038]
图1为单相接地故障类型辨识方法总体流程架构图；
[0039]
图2为基础学习器resnet18结构框架图；
[0040]
图3为基础学习器lstm结构框架图
[0041]
图4为单相接地故障辨识模型框架图
[0042]
图5为使用本发明提出的单相接地故障类型辨识方法与单独使用resnet18或lstm模型的预测分类效果对比图
具体实施方式
[0043]
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思路的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
[0044]
实施例
[0045]
(1)获取现场故障录波装置采集的故障录波数据；
[0046]
本发明使用的录波数据来自国内某真型配电网试验场。通过改变中性点的接地运行方式、接地介质种类、接地电阻大小等，得到不同类型的单相接地故障录波数据。其中，中性点接地方式覆盖不接地、经消弧线圈接地和经小电阻接地等主流形式；接地介质包括经间歇性弧光接地、经稳定弧光接地、经泥土接地、经电阻接地等常见故障类型；接地电阻阻
值选取了250ω、1000ω、2000ω、5000ω等典型值，共包含7种单相接地故障类型。试验在三种接地运行方式下各自产生420、600、240条故障录波数据；录波装置的采样频率为10khz，采样周期包含12014个采样点，每段录波数据包含291个电气量。
[0047]
(2)进行故障录波数据预处理，并对预处理后的故障录波数据进行基于hht的时频分解，得到对应的时频信息特征；
[0048]
进一步地，步骤(2)具体包括如下：
[0049]
(2.1)时间周期截取，由于每段单相接地故障录波数据，并非在整个采样阶段都是处于故障状态，还包含发生故障前的正常状态和故障发生后恢复正常的过渡状态。为了使观察对象更加明确并且减少分析的数据量，对处于故障状态的录波数据进行截取。通过对录波数据的观察，截取的时间周期包含600个采样点。
[0050]
(2.2)关键特征划分，对于录波数据中包含的291个电气量，由于其中的许多特征在整个时间周期内都保持一个常数，或者呈现周期性地规律变化，所以对单相接地故障类型辨识的意义不大。通过配电网运维工程人员的经验所得，将录波数据中包含的所有电气量特征分为两个部分：关键特征部分和非关键特征部分。
[0051]
其中，关键特征部分包含：母线零序电流3i0、母线零序电压3u0、ⅰ真培1三相电流3i
0ⅰ、ⅱ真培1三相电流ⅲ真培1三相电流ⅳ真培1三相电流其余电气量特征则属于非关键特征。
[0052]
(2.3)对配电网的故障录波数据的关键特征部分执行希尔伯特-黄变换处理，提取本征模态函数、瞬时幅值、瞬时频率和hilbert谱。
[0053]
(2.4)将步骤2.3中关键特征部分经过hht变换后的结果与步骤2.2中原始的非关键特征部分进行拼接；
[0054]
(2.5)将拼接后的特征进行归一化，并进行灰度图的转换。
[0055]
进一步地，所述步骤(3)具体包括：
[0056]
(3.1)构建初级数据集。将间歇弧光接地故障、经250ω电阻接地故障、经1000ω电阻接地故障、经2000ω电阻接地故障、经5000ω电阻接地故障、经泥土接地故障、稳定弧光接地故障等七种故障类别用1、2、
…
、7数字进行表示。经过步骤(2)处理过后的故障录波数据集与故障标签共同构成初级数据集。
[0057]
(3.2)将构建好的初级数据集按照8：2划分为训练集和测试集。训练集用于训练两个基础学习器，测试集用于测试两个基础学习器的学习效果；
[0058]
进一步地，所述步骤(4)具体包括：
[0059]
(4.1)基础学习器resnet18模型搭建。本发明在resnet18原始结构的基础上，结合故障录波数据的特性，对其进行了一些改动，包括如下：将第一层conv的卷积核修改为3
×
3，在模型训练阶段保留全连接层和softmax层；在模型训练结束后，提取数据集的复杂非线性特征时去除全连接层和softmax层，提取特征时的resnet18模型参数如下表所示。
[0060]
表1
[0061][0062]
(4.2)基础学习器resnet18模型训练。利用(3)中构造得到的训练集来训练基础学习器resnet18，模型训练时使用的损失函数为交叉熵损失函数。并基于(3)中构造的测试集来检测基础学习器resnet18的训练效果。当基础学习器resnet18模型精度达到预期效果时，保存模型的参数设置。
[0063]
(4.3)利用训练结束的基础学习器resnet18模型提取数据集的复杂非线性特征。提取的特征维度为resnet18模型的最后一个卷积层的输出维度，为2048。
[0064]
进一步地，所述步骤(5)具体包括：
[0065]
(5.1)基础学习器lstm模型搭建。lstm的模型结构根据故障录波数据和结合调整超参数的实验结果对比得。设置lstm的层数为2和隐藏层的节点数为100，此时模型既有较好的精度且收敛速度也较快。
[0066]
(5.2)基础学习器lstm模型训练。利用(3)中构造得到的训练集来训练基础学习器lstm，模型训练时使用的损失函数为交叉熵损失函数。并基于(3)中构造的测试集来检测基础学习器lstm的训练效果。当基础学习器lstm模型精度达到预期效果时，保存模型的参数设置。
[0067]
(5.3)利用训练结束后的基础学习器lstm模型提取数据集的时序关联特征。提取特征时去除lstm模型的输出层，故提取得到的特征维度为隐藏层的节点数，为100。
[0068]
进一步地，所述步骤(6)具体包括：
[0069]
(6.1)构造次级数据集。resnet18和lstm模型的提取得到的特征维度分别为(1，2048)和(1，100)。将这两组特征进行拼接并和单相接地故障的真实类型标签(由0-6分别代表7种不同类型的单相接地故障类型)构成次级数据集，如下表所示。
[0070]
表2
[0071][0072]
(6.2)决策树模型训练。具体选择的决策树模型为cart模型，利用(6.1)中构造的次级数据集来对其进行训练。并利用网格搜素算法寻找到cart模型的最佳参数设置。
[0073]
(6.3)基于训练结束的次级学习器，即(6.2)中的决策树模型，辨识出具体的单相接地故障结果。