[发明专利]一种基于小波变换和CNN的配电网故障定位方法

说明书

本发明涉及配电网故障定位技术领域，更具体地，涉及一种基于小波变换和CNN的配电网故障定位方法。利用小波变换多尺度分析对故障电流数据分解，在平行坐标系中按次序标定模极大值时刻，将各点依次连接形成折线图，最终处理为灰度图片作为CNN的输入，并利用CNN强大的特征提取能力，提取数据中隐藏的拓扑结构特征，实现机器自动识别行波波头。最终利用B型行波测距方法实现故障定位。本发明克服了小波变换高尺度时间分辨率不够，低尺度噪声干扰大，易误判行波波头的缺点，利用平行坐标系充分结合了小波变换和卷积神经网络的特点，实现了从高尺度到低尺度自动搜寻行波波头，具有抗干扰能力强，准确度高等特点。

技术领域

本发明涉及配电网故障定位技术领域，更具体地，涉及一种基于小波变换和CNN的配电网故障定位方法。

背景技术

配电网发生短路故障会危害系统的安全稳定运行，造成不必要的经济损失，快速准确的故障定位方法有利于故障排查，提高系统的运行可靠性。目前配电网故障定位从功能上主要分为故障区段定位和故障精确定位。故障区段定位主要是判断故障支路，不能完全满足故障的快速排查；故障精确定位方法目前主要是阻抗法和行波法，阻抗法受过渡电阻影响较大，定位不准确；而行波法不受过渡电阻、系统运行方式等因素的影响，是一种较为理想的定位方法，主要存在的难点是行波波头的捕捉。傅里叶变换无法同时表现信号的频域特征和时域特征，不适用于分析非平稳信号的时频局部化特性；小波变换很好的解决了这个问题，但其时域分辨率和频域分辨率负相关，信号高频部分，时间窗较大，时域分辨率高，频域分辨率低。故障行波信号和噪声都在高频段，这使得在高频段不易区分行波信号和噪声，不利于行波波头的捕捉；在低频部分噪声干扰小，但小波时域分辨率低，不能给出行波波头到达的准确时刻。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于小波变换和CNN的配电网故障定位方法，通过捕捉行波波头信号对配电网故障进行精确定位。

为解决上述技术问题，本发明采用的技术方案是：主要针对现有的配电网行波定位方法存在机器自动检测行波波头不准确，需要人工干预波头捕捉等不足，提出结合小波的多尺度分析，并利用CNN的特征提取能力自动识别行波波头。在小波变换的多尺度分析中，随着尺度的增加，噪声引起的小波变换系数模极大值迅速减小，而故障引起的小波变换系数模极大值得以显现出来，然而在高尺度下，小波变换的时域分辨率较低，会导致行波信号的偏移。行波信号以接近光速在线路上传播，以行波采集装置为1MHz采样率为例，信号每偏移一个点，会造成近300米的误差。CNN作为深度神经网络的一种，目前已在图像识别等领域取得很大成功。它包含多个交替放置的卷积层和池化层，随着层数的深入，特征提取越来越抽象，对位移、缩放以及扭曲的图像都有较好的识别能力。本发明将小波变换高尺度下的模极大值按次序标定在平行时间轴上(即采用平行坐标系)，然后依次连接各点形成一幅折线图。将此图片作为已训练完成CNN的输入，利用其在第一尺度标定行波波头时刻，最后利用B型行波测距法进行故障定位。

本发明的上述技术问题主要是通过下述两部分实现的：

第一部分，由于训练CNN需要大量数据，而在实际中较难获得，所以采用电力仿真软件(如Simulink)来获得大量故障数据。对于已训练好的CNN在以后的应用中无需再次训练。

步骤S1：利用电力仿真软件(如Simulink)搭建故障模型，通过设置不同的故障类型、故障距离、电压幅值、功角等，获取大量故障电流数据，并分为训练数据和测试数据；

步骤S2：对故障电流进行预处理及多尺度分析，分别得到第二尺度及以上尺度下的模极大值对应的时刻，形成模极大值折线图；对折线图根据故障距离和行波波速确定标签，形成训练集和测试集；

步骤S3：根据图片数据特点，确定CNN的网络结构和卷积核的大小，利用训练集进行训练，画出迭代过程中价值函数变化曲线，对网络结构及超参数进行调整，再次训练，重复以上过程，确定最优CNN；