[发明专利]一种基于深度学习的配网接地故障分析方法

说明书

本发明公开了一种基于深度学习的配网接地故障类型辨识装置和方法，利用深度学习技术，实现对故障录波数据进行语义挖掘，并利用增量学习、深度增强学习技术，构建具备自学习能力的故障辨识模型，实现对配网接地故障类型的自动辨识，突破了传统接地故障分析仅进行选线定位的限制，提供更加丰富的故障处理决策信息；利用基于暂态零序电流相似性原理的定位方法，较之传统的经验分析事故处理方法，具有更高的准确性和更广泛的适应性；综合故障类型和故障定位结果，决策依据有理可依，应对措施更有针对性，能更加合理的安排事故处理计划。

技术领域

本发明涉及配网故障检测分析技术领域，特别涉及一种基于深度学习的配网接地故障分析方法。

背景技术

在整个电力系统运行过程中，一旦配网线路出现某种接地故障，将直接影响电力企业的正常稳定供电。这时，及时、准确地分析与查找到接地故障原因，并进行有针对性的处理，就变得十分重要。

由于配电网发生单相接地后不会形成有效回路，故障电容电流微弱，尤其是在消弧线圈过补偿/欠补偿、接地过渡电阻、电网自身三相不平衡、量测装置功能/精度限制等多重因素叠加影响下，故障表征信息不明显。再加上受接地阻抗变化、间歇性电弧重燃以及故障演变、故障并发等因素的影响，故障变化的不确定性也很强，导致准确识别接地故障十分困难，严重威胁配电网可靠性。

因上述原因，目前仍主要采用由“经验判断法”完成配网接地故障的处理的配网接地故障处理方法。所谓“经验判断法”，就是指在处理配网接地线路故障时，如果相关工作人员不能准确分析出故障情况，就必须依据自己以往的接地故障实践处理经验，推断出相应的有可能发生故障的配网线路单相接地点，然后去现场逐点排查故障，最后进行试送电确认故障点。但该方法费人费力，准确度不高。

发明内容

本发明要解决的技术问题在于，提供一种基于深度学习的配网接地故障分析装置，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；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。

其中，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。

其中，故障预处理的处理步骤包括：对不同检测点的故障录波数据进行连续性校验、起点对齐、截取定长后，合成标准尺寸的零序电流波形图像。

其中，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。

其中，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。

本发明要解决的技术问题在于，提供一种基于深度学习的配网接地故障分析方法，包括：采集发生故障时的录波数据，并对采集的录波数据对进行预处理；利用选线定位算法对故障录波数据进行计算，确定故障位置；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，所述故障数据库用于存储已探明及总结的各类配网接地故障录波数据；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。