[发明专利]一种基于深度学习的配网接地故障分析方法

权利要求书

1.一种基于深度学习的配网接地故障分析装置，其特征在于，包括：故障特征库模块、故障数据处理模块、故障选线定位模块、故障类型辨识模块和故障处理支持模块；

其中，所述故障特征库模块用于存储已探明及总结的各类配网接地故障录波数据；

所述故障数据处理模块用于对发生故障时采集的录波数据进行预处理；

其中，故障预处理的处理步骤包括：

以站内故障报警系统为准，确定故障起始时刻；

采用自回归滑动平均(ARMA)模型作为连续性校验算法，对合成的零序电流波形数据中的奇异点进行修正；

采用波形平移求取最大相关系数法对不同故障检测点的零序录波电流波形数据进行起点对齐，具体实施的步骤如下：

根据不同故障检测点的对时精度设置电流信号前后平移的最大点数，使用Δt表示不同故障检测点的对时误差，一般为1-3ms；

确定在波形平移范围内，对应相关系数幅度值最大的波形平移点数，即：

式中，i_om和i_on为2个不同的故障检测点的电流采样信号，m、n代表不同故障检测点的编号；k表示采样序列，K为不同故障检测点的电流信号的数据长度，式中超过故障检测点的电流信号长度的数据均用0代替；

截取故障过程的零序电流波形，故障时刻前4个周波，故障后8个周波的数据，具体的数据点数由采样频率决定，但不应少于80个点；

将截取后的零序波形数据序列图形化成标准尺寸的图像；

所述故障选线定位模块用于利用选线定位算法对故障录波数据进行计算，从而确定故障位置；

所述故障类型辨识模块用于利用深度学习模型完成故障类型的辨识；其中，所述深度学习模型在故障特征库的基础上通过训练来完成；

所述故障处理支持模块用于结合故障位置和故障类型给出运维检修人员合理的工作建议。

2.根据权利要求1所述的基于深度学习的配网接地故障分析装置，其特征在于，所述故障特征库模块的故障特征库中存储的故障录波数据为通过A/B/C三相电流合成的零序电流波形；其中，所述A/B/C三相电流的同步时钟误差小于等于10ms，所述标准零序电流录波数据长度至少为故障前4个周波至故障后8个周波，所述录波数据每周波不少于80个采样点。

3.根据权利要求1所述的基于深度学习的配网接地故障分析装置，其特征在于，故障选线定位模块利用的选线定位算法是采用基于暂态零序电流相似性原理的定位方法，利用线路上故障点上游侧与下游侧暂态零序电流的流向相反的分布特征的差异，实现故障选线和线路定位。

4.根据权利要求1所述的基于深度学习的配网接地故障分析装置，其特征在于，深度学习模型选用的是卷积神经网络，采用离线深度学习和在线深度学习两种方式对故障录波数据进行辨识学习；其中，所述的离线深度学习方式完成模型的构建，所述的在线深度学习方式采用增量学习技术对离线深度学习方式得到的模型进行优化。