一种配电网故障区段定位方法

1.本发明属于深度学习技术领域，尤其涉及一种配电网故障区段定位方法。


背景技术：

2.随着电力系统的不断发展，配电网的结构愈发复杂，以谐振方式进行接地的系统在发生单相接地故障时，其特点是故障电流较小，系统能够在短时间内带接地点运行，但是带接地点运行时间太长会导致相间故障，增大故障的范围，可能会引发大面积的停电。为了在线路发生故障时缩小故障的范围，使得巡线人员能够能迅速修复线路故障，需要对故障发生的区段进行准确的定位，以提高电力系统供电可靠性。
3.随着故障诊断技术的不断发展，国内外的专家对配电网故障定位方法进行了大量的研究和改进。目前故障定位的方法包括阻抗法，行波法和注入信号法三种方法。其中，一种阻抗法为：利用阻抗分析进行故障定位，能够在不同故障类型的情况下准确识别出故障点，但随着故障距离的增加，故障定位的难度会增大；另一种阻抗法为：首先通过主成分分析与支持向量机提取出线路故障的特征，然后构造函数提取行波的分布信息，通过行波的时域信息找出有效突变点，但需要较高精度的电流互感器才能获取到故障数据。一种行波法为：通过小波多分辨率对行波特征进行提取，采用粒子群算法优化定位网络的超参数，定位准确度有所提高，但行波的波头识别困难且对采样频率选择的要求较高，且该方法未对线路发生高阻接地故障的情况进行分析；另一种行波法为：通过检测零模和线模第一个波头出现的时刻来进行区段定位，但所需的采样频率较高，导致处理的数据量较大，工程中较难实现。注入信号法利用注入装置注入信号，再进行检测以实现故障定位。信号注入法为：在配电网发生故障时给线路串联了一个lc注入装置，通过分析衰减系数与故障位置的关系进行故障定位，但注入信号本身对电网会有一定的冲击，且发生高阻接地故障时难以准确进行定位。综上，目前的配电网故障区段定位方法存在数据计算量较大、耐高阻能力较弱，对噪声环境的适应性较差等问题。


技术实现要素：

4.为解决上述技术问题，本发明提出了一种配电网故障区段定位方法，该方法耐受高阻能力强，具有一定的抗噪声的能力，且在部分数据丢失的情况下依然能进行区段定位。
5.为实现上述目的，本发明提供了一种配电网故障区段定位方法，包括：采集配电网发生故障后的各区段两端的零序电流；对所述零序电流进行预处理后，再进行短时傅里叶变换，获取时频图；利用引入迁移学习的convnext，对所述时频图进行特征提取与分类，获取配电网故障区段定位结果。
6.可选地，发生故障后的各区段两端的所述零序电流为：
其中，为故障点上游的零序电流量，为故障点下游的零序电流量，为对地电容；为消弧线圈电感；为流经的电容电流；为流经的电感电流；表示终端的总数；表示故障上游的终端数量，终端如图2中所示；表示流经第个电容的电流；为间的整数。
7.可选地，对所述零序电流进行预处理包括：基于所述零序电流，计算各区段的零序电流幅值差；将各区段的所述零序电流幅值差，按照区段顺序进行排列拼接成组合信号。
8.可选地，所述短时傅里叶变换为：其中，为原信号；为窗函数的时域形式，为窗函数选取的时间，为时间，f为频率，e表示数学常量，j表示复数。
9.可选地，进行所述短时傅里叶变换还包括：设置所述短时傅里叶变换的带宽和时域分辨率；所述短时傅里叶变换的带宽为：其中，为带宽，为的能量；表示窗函数的频域形式，f表示频率。
10.所述短时傅里叶变换的时域分辨率为：其中，为时域分辨率，为的能量，表示窗函数的时域形式。
11.可选地，所述引入迁移学习的convnext包括：stem、res2-res5、全局平均池化层、全连接层和softmax分类器；所述stem、res2-res5、全局平均池化层、全连接层与softmax分类器依次连接；
所述stem由一个预设数值卷积核的卷积层构成，res2-res5由convnext block堆叠构成，其中，每个res后都接入一个下采样层。
12.可选地，在所述引入迁移学习的convnext中，softmax分类器输出结构为1
×1×
配电网区段的数量，所述stem、res2-res5载入预训练模型的权重参数，其中，所述预训练模型为引入imagenet数据集后训练完成的模型，所述权重参数为预训练模型训练完成后得到的权重参数。
13.可选地，根据引入迁移学习的convnext，对所述时频图进行特征提取与分类包括：将所述时频图划分为训练集和测试集；将所述训练集输入至所述引入迁移学习的convnext中，对所述引入迁移学习的convnext进行训练，再通过所述测试集对训练后的所述引入迁移学习的convnext进行测试；通过测试后的所述引入迁移学习的convnext，对所述时频图进行特征提取与分类。
14.与现有技术相比，本发明具有如下优点和技术效果：（1）利用故障区段与健全区段两端零序电流幅值差的差异作为配电网区段定位的依据，经短时傅里叶变换后得到的时频图能够完整的表征出电气量的时频信息。
15.（2）将时频图输入到引入迁移学习的convnext模型中进行训练得到的区段定位模型能够有效地将区段定位问题转化为图像分类问题，提高区段定位的精度。
16.（3）本发明所提的方法不受故障初始角、故障位置、过渡电阻变化的影响，且在高阻接地、噪声干扰与数据丢失工况下依然能够正确进行区段定位。
附图说明
17.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本发明实施例的一种配电网故障区段定位方法流程示意图；图2为本发明实施例的谐振接地系统的等值电路示意图；图3为本发明实施例的配电网仿真模型示意图；图4为本发明实施例的区段a发生单相接地故障时健全区段与故障区段零序电流差示意图；图5为本发明实施例的组合信号波形示意图；图6为本发明实施例的区段a发生故障时的时频图；图7为本发明实施例的convnext block结构示意图；图8为本发明实施例的全局平均池化实现过程示意图；图9为本发明实施例的改进后convnext的总体结构示意图；图10为本发明实施例的引入迁移学习的convnext模型示意图；图11为本发明实施例的训练集准确率与损失率曲线示意图；其中，图11（a）为训练集准确率曲线，图11（b）为训练集损失率曲线；图12为本发明实施例的测试集准确率与损失率曲线示意图；其中，图12（a）为测试集准确率曲线，图12（b）为测试集损失率曲线；
图13为本发明实施例的加入信噪比为20db噪声后的波形图；图14为本发明实施例的噪声测试分类结果示意图；图15为本发明实施例的高阻测试分类结果示意图；图16为本发明实施例的数据丢失50个采样点的波形图；图17为本发明实施例的数据丢失测试分类结果示意图；图18为本发明实施例的不同分类网络准确率对比图示意图；图19为本发明实施例的gsa-svm定位模型测试结果示意图；其中，图19（a）为测试集测试结果，图19（b）为噪声测试结果，图19（c）为高阻测试结果，图19（d）为数据丢失测试结果；图20为本发明实施例的ba-bp定位模型测试结果示意图；其中，图20（a）为测试集测试结果，图20（b）为噪声测试结果，图20（c）为高阻测试结果，图20（d）为数据丢失测试结果。
具体实施方式
18.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
19.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
20.本实施例提供了基于一种配电网故障区段定位方法，包括：采集配电网发生故障后的各区段两端的零序电流；对所述零序电流进行预处理后，再进行短时傅里叶变换，获取时频图；根据引入迁移学习的convnext，对所述时频图进行特征提取与分类，获取配电网故障区段定位结果。
21.进一步地，对所述零序电流进行预处理包括：基于所述零序电流，计算各区段的零序电流幅值差；将各区段的所述零序电流幅值差，按照区段顺序进行排列拼接成组合信号。
22.进一步地，进行所述短时傅里叶变换还包括：设置所述短时傅里叶变换的带宽和时域分辨率。
23.进一步地，可选地，所述引入迁移学习的convnext包括：stem、res2-res5、全局平均池化层、全连接层和softmax分类器；所述stem、res2-res5、全局平均池化层、全连接层与softmax分类器依次连接；所述stem由一个卷积核大小为的卷积层构成，res2-res5由convnext block堆叠构成，其中，res2由3个convnext block堆叠而成，res3由3个convnext block堆叠而成，res4由9个convnext block堆叠而成，res5由3个convnext block堆叠而成，且每个res后都接入了一个下采样层。convnext block是由1个卷积核大小为7
×
7的卷积与2个卷积核大小为1
×
1的卷积构成的残差结构。
24.进一步地，在所述引入迁移学习的convnext中，softmax分类器输出结构为1
×1×
配电网区段的数量，所述stem、res2-res5载入预训练模型的权重参数，其中，所述预训练模
型为引入imagenet数据集后训练完成的模型，所述权重参数为预训练模型训练完成后得到的权重参数。
25.进一步地，根据引入迁移学习的convnext，对所述时频图进行特征提取与分类包括：将所述时频图划分为训练集和测试集；将所述训练集输入至所述引入迁移学习的convnext中，对所述引入迁移学习的convnext进行训练，再通过所述测试集对训练后的所述引入迁移学习的convnext进行测试；通过测试后的所述引入迁移学习的convnext，对所述时频图进行特征提取与分类。
26.在本实施例中，针对配电网单相接地故障时传统定位方法耐受高阻能力较弱、抗噪能力较差等问题，提出一种基于短时傅里叶变换（stft,short-time fourier transform）与引入迁移学习的convnext配电网故障区段定位方法。首先采集配电网各区段两端零序电流，通过计算得到各区段零序电流幅值差，再将各区段零序电流幅值差拼接成一个组合信号，经stft处理组合信号获得时频图，把所得时频图划分为训练集与测试集。将训练集输入引入迁移学习的convnext进行图像的特征提取与分类，利用测试集进行测试。仿真结果表明：基于stft与引入迁移学习的convnext配电网故障区段定位方法能在不同故障距离、不同接地电阻和不同故障初始角度的情况下有效实现故障区段的选择，该方法耐受高阻能力强，具有一定的抗噪声的能力，且在部分数据丢失的情况下依然能进行区段定位。
27.如图1所示，本实施中所提出的一种基于stft与引入迁移学习的convnext配电网故障区段定位方法的具体实现步骤如下： 1.单相接地故障暂态过程分析谐振接地系统发生单相接地故障时的等值电路图如图2所示，其中，为对地电容；为消弧线圈电感；为流过的电容电流；为流过的电感电流；至（其中包括）表示1到段线路的电容电流；至（其中包括）分别表示1到段线路的对地电容；至（其中包括）为定位终端；至（其中包括）为零序电流，为电阻；表示流过电阻的电流，为故障点等值电势，为故障点零序电压。
28.由于配电网的线长相比输电线路长度较短，当谐振系统发生单相接地故障时，线路的串联阻抗可以忽略，由基尔霍夫定理可得：
其中，为故障点上游的零序电流量；为故障点下游的零序电流量，为对地电容；为消弧线圈电感；为流经的电容电流；为流经的电感电流；表示流经第个电容的电流，为间的整数；表示终端的总数；表示故障上游的终端数量，终端如图2中所示。
29.故障点下游第个终端的零序电流值为：两边同时求到的积分可得：其中，为1个工频周期的时间；表示在时刻对应的值，表示在时刻对应的值，表示第到第个电容之和，表示第个电容，为间的整数，表示故障下游终端序号，表示终端总数。
30.数量级为，因此故障点下游的零序电流近似为零，而故障点上游受到过渡电阻影响，其零序电流与故障点下游有较大差异。
31.将区段两端零序电流作差后能够突出故障特征，可以将一条配电网线路划分成几个区段，再计算各区段零序电流幅值差，利用每个区段两端的零序电流差的差异作为配电网故障区段定位的依据。
32.2.基于stft的图像表达2.1.配电网建设本实施例在pscad中搭建了配电网模型，如图3所示。该配电网模型共四条线路，其中将架空-电缆混合线路l1划分为a、b、c、d四个区段，区段长度分别为3km、3km、3.6km、3.1km，余下三条线路的线长分别为15km、11km、9km。线路的正零序参数如表1所示。
33.2.2.短时傅里叶变换（stft）短时傅里叶变换的特点是原信号在进行变换后能够对时域尺度特征与频率成分进行分析。短时傅里叶变换是在傅里叶变换的过程中加上了一个滑移窗函数，通过窗函数的大小控制变换后的时频分辨率，其优势在于能够准确表现出信号在时频域的特征，无论是高频信号还是低频信号都能够还原其能量分布，具有一定的自适应性。
34.对某非平稳信号进行短时傅里叶变换的过程如下：首先构建一个高度为1的时间窗函数，当时间窗口较窄时，为一个局部平稳信号。的中心位置在时间域内滑动，可得到多个信号。然后对所得的信号进行傅里叶变换，其表达式如下：其中，为原信号；为窗函数的时域形式；表示窗函数选取的时间，为时间，f为频率，e表示数学常量，j表示复数。
35.考虑到stft在区分两个正弦波时与带宽的长短相关，当给定时间窗函数与傅里叶变换时，带宽的表达式如下：其中，为的能量，表示窗函数的频域形式，f表示频率。
36.时域分辨率为，其表达式为：其中，为的能量，表示窗函数的时域形式。
[0037] 当配电网线路发生故障时，线路的零序电流会产生瞬时的变化，持续时间较短，
能量分布较为集中。
[0038]
2.3.stft时频图获取在本实施例中，设置仿真时间为0.2秒，故障发生时间为0.05秒，故障持续0.1秒，分别对a、b、c、d四个区段两端的零序电流进行采集，再计算各区段两端零序电流的差值。故障设置的相关参数设置如表2所示，则各区段两端零序电流作差后波形图如图4所示。
[0039]
截取每个区段故障后一个工频周期的数据（即200个采样点），再按区段顺序进行排列，拼接成组合信号，如图5所示。
[0040]
利用短时傅里叶变换将组合信号转化为时频图，如图6所示。
[0041]
3.基于迁移学习的convnext模型3.1.convnext模型convnext模型为在resnet50模型的基础上，利用swin-transformer的结构设计来进行改进,提出了convnext模型，相比resnet50具有更快的推理速度和更高的准确率。convnext主干网络是由第一层卷积层（stem）、第二层卷积层（res2）至第五层卷积层（res5）构成的；所述stem由一个预设数值卷积核的卷积层构成，res2-res5由convnext block堆叠构成，其中，res2由3个convnext block堆叠而成，res3由3个convnext block堆叠而成，res4由9个convnext block堆叠而成，res5由3个convnext block堆叠而成。convnext block中的depthwise conv采用的是7
×
7的卷积核，且将depthwise conv置于第一层，经归一化处理后依次输入两个卷积核大小为1
×
1卷积，激活函数采用的是gelu，convnext block的结构如图7所示。其中，每个res后都接入一个下采样层。convnext结构如表3所示。
[0042]
3.2.构建引入迁移学习的convnext模型3.2.1.全局平均池化（gap,global average pooling）经过卷积神经网络提取得到的特征图中包含了原始图片的空间信息，如果直接将特征图转换为特征向量会破坏空间信息，因此提出全局平均池化的方法，gap能够降低网络的参数量，有效避免出现过拟合的情况，提高网络的运行速度，其实现过程如图8所示。
[0043]
在convnext的全连接层前加入全局平均池化层，如图9所示。
[0044]
3.2.2迁移学习迁移学习是指将预训练模型中的权值迁移到新领域的过程。当数据样本足够多时，神经网络能够训练得到一个鲁棒性较强的模型，但在配电网故障区段定位中，可获得的数据样本较少，使用少量的训练样本进行训练时，模型易出现过拟合等问题，引入迁移学习能够有效解决上述问题。
[0045]
现有技术中为解决机器学习中过拟合和泛化的问题而构建imagenet数据集。目前该数据集仍然是深度学习领域中图像分类、检测、定位的最常用数据集之一，将引入imagenet后训练完成的模型作为预训练模型。
[0046]
本实施例在训练过程中对softmax分类器进行微调，将softmax分类器输出结构由1
×1×
1000改为1
×1×
配电网区段的数量，第一层卷积层（stem）、第二层卷积层（res2）至第五层卷积层（res5）载入预训练模型的权重参数，如图10所示，将本模型简称为t-convnext。
[0047]
4.基于stft与引入迁移学习的convnext配电网故障区段定位步骤，配电网故障区
段定位实现步骤如下：（1）采集线路发生故障后一个工频周期各区段两端的零序电流。
[0048]
（2）将区段两端的零序电流作差得到每个区段的零序电流差。
[0049]
（3）将所有区段求得的零序电流差值按照区段顺序进行排列拼接成组合信号。
[0050]
（4）对组合信号作短时傅里叶变换，得到时频图。
[0051]
（5）将时频图输入到引入迁移学习的convnext进行训练，得到基于stft与引入迁移学习的convnext配电网故障区段定位模型。
[0052]
（6）将测试集输入到区段定位模型中进行测试。
[0053]
5配电网故障仿真分析5.1 区段定位方法验证本实施例采样频率设置为10khz，在4个区段设置故障点，采集故障发生后各区段两端一个工频周期的零序电流，将两端零序电流作差得到零序电流差，再通过拼接4个区段的零序电流差得到组合信号。故障初始角取值区段为
°
，考虑共7种不同的情况；接地电阻取值区间为ω，考虑共10种不同的情况；考虑共10种故障发生的位置，因此组合信号共组。利用短时傅里叶变换将2800组组合信号转化成时频图，按9：1的比例将样本进行划分，数据样本如表4所示。
[0054]
将2520组训练样本分别输入t-convnext与convnext进行训练，设置迭代次数为60次，训练结果如图11所示。
[0055]
从图11中可以看出模型的准确率在不断提高，损失率在不断减小，说明模型不存在过拟合的情况。在训练过程中，t-convnext的收敛速度更快，说明引入预训练后的权重能够加速训练的过程，最终能够达到100%的准确率。
[0056]
将280组测试集数据输入已经训练好的t-convnext与convnext中进行测试，测试结果如图12所示。
[0057]
从图12中可以看出引入迁移学习的convnext在迭代22次时就已经达到较高的准确率，能够在不同过渡电阻、不同故障距离、不同故障初始角的情况下进行故障区段定位。而未引入迁移学习的convnext在迭代至45次时识别准确率才趋于稳定且最终分类的准确率低于引入迁移学习的convnext。这说明在引入迁移学习后能够使模型更快收敛且能够提升分类精度，使故障区段定位的结果更加可靠。
[0058]
6.算法性能分析6.1.抗噪声干扰在实际工作中,由于电力设备上经常会出现大量噪音数据,因此为了检验该方法
在噪音影响状况下的可行性,在系统出现故障时检测所得零序电流信息中,依次增加了信噪比为10db-50db的噪声模拟噪音影响的情况。图13为加入信噪比为20db的噪声后波形图。
[0059]
将噪声干扰测试样本输入convnext中进行测试，图14为噪声测试分类结果图，表5为噪声干扰情况下不同区段发生故障时的定位结果。由图14与表5中可以看出，当数据加入噪声后依然能识别出故障区段。
[0060] 6.2高阻接地测试在系统出现高阻接地故障后,由于暂态过程的故障特性并不明确,在使用判据法进行区段定位时很容易出现错误,因此为了检验该算法在系统出现高阻接地时能否正确的进行故障区段定位，接地电阻依次设置为2000ω，2500ω，3000ω，将故障特征数据集输入到convnext模型中，结果如图15所示，表6为接地电阻为高阻情况下不同区段发生故障时的定位结果。
[0061]
由表6可以看出，当系统发生高阻接地时，该故障区段定位模型仍能准确的进行定位。
[0062]
6.3 数据丢失在进行采集数据时可能会出现数据丢失的情况，为验证该算法在发生上述情况下是否还能准确进行故障区段定位，在组合信号中丢失不同数量的采样点，如图16所示。
[0063]
当不同区段发生故障时分别进行数据随机丢失，经短时傅里叶变换转化为时频图，再将转换后的时频图输入区段定位模型中进行分类，结果如图17所示，表7为数据丢失情况下不同区段发生故障时的定位结果。
[0064]
从图17可以看出在丢失50、80、100个数据时convnext仍能进行准确的区段定位。
[0065]
6.4 对比实验6.4.1与不同深度学习分类网络对比将5.1中的2800组时频图输入不同的深度学习分类网络中进行训练与测试，测试结果如图18所示。
[0066]
由图18可知，其他3种分类网络的精确率均没有引入迁移学习的convnext网络高。表明相比其他分类网络，引入迁移学习的convnext网络对时频图的分类能力更加优越，具有更高的故障识别率。
[0067]
6.4.2与传统配电网区段定位算法对比将本实施例的配电网故障区段定位模型与传统的配电网区段定位模型进行对比。首先利用5.1中采集到的零序电流数据经集成经验模态分解（eemd）得到本征模态分量，然后计算其能量熵，将能量熵按区段顺序进行排列得到特征向量，共2800组数据。按9:1的比例划分成训练集与测试集。将训练集分别输入经引力搜索算法（gsa）优化后的支持向量机(svm)与经蝙蝠算法(ba）优化后的bp神经网络中进行训练，得到两个传统区段定位模型。再将测试集分别输入两个训练好的模型进行测试，并进行性能分析。gsa-svm定位模型测试结果如图19所示，ba-bp定位模型测试结果如图20所示。
[0068]
本实施例配电网故障区段定位模型与两种传统配电网故障区段定位模型性能对比如表8所示,其中包括测试集、噪声干扰、高阻接地、部分数据丢失情况下三种模型的区段定位准确率。
[0069]
由表8可知，三个定位模型在测试集测试时都有较高的识别率，且都能够在高阻接地的情况下识别出故障区段，但两个传统区段定位模型在噪声干扰与部分数据丢失的情况下分类精度较t-convnext定位模型更低，因此本实施例研究的基于stft与引入迁移学习的convnext配单网故障区段定位方法在噪声干扰与部分数据丢失的情况下比传统定位方法更加可靠。
[0070]
以上，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。