[发明专利]一种用于配电网故障类型识别的方法

说明书

本发明公开了一种用于配电网的故障类型识别方法，该方法利用故障定位器来识别暂态录波装置所获取的故障录波波形所对应的故障类型。针对目前原始暂态录波数据‑故障类型数据组数量不足以对故障定位器进行良好的训练的情况下，本发明提出了利用故障定位器的浅层结构帮助训练故障分类器，并同时通过设置第一、二故障波形生成器和第一、二故障波形辨别器进行对抗训练，以及第一、二辅助分类器获得充足的且能够与原始故障波形数据‑故障类型数据组相似的人工故障波形数据‑故障类型数据组，来用于故障分类器的训练。

技术领域

本发明涉及电力技术领域，尤其涉及一种用于配电网故障类型识别的方法。

背景技术

配电网是电力系统中的重要组成部分，随着智能电网的快速发展，分布式电源的大量的不确定接入，使得配电网故障信息越发复杂，故障的准确快速分析变得越发困难。为保障配电网高度智能化运行，需要对馈线运行数据进行实时监控、异常情况及时预警及故障快速发现处理，其中对馈线异常工况的识别是智能配电网的重要功能。

随着配电网线路监测系统的出现，配电网实际运行中的电流电压数据被采集，并开始运用传统的提取特征方法结合一些机器学习方法对工况进行分类。如CN103136587A中公开了一种传统小波包提取仿真数据特征与支持向量机结合的配电网工况分类方法。CN103245881A中公开了一种基于潮流分布特征的配电网故障分析方法及装置。CN107340456A中公开了一种基于多特征分析的配电网工况智能识别方法。但上述方法中采用人工提取录波特征时，在提取过程中会造成关键数据信息的丢失，导致录波分类不准确。并且提取特征与录波分类被分成了不能同步修正的两个过程，这种非端对端的训练方式限制了识别正确率上限。

如CN10810732A中，申请人在先提出的端对端的工况类型识别方法中不再采用人工对波形进行特征提取，然后使用提取的特征来识别工况的方案。而是对波形本身简单预处理后直接建模识别，机器学习模型自身带有特征提取和工况分类的功能，此种端对端训练模型的方法能进一步提升识别正确率。这种方法使用深度神经网络以实现直接将波形本身作为模型输入。然而深度神经网络的训练依赖于大量的原始暂态录波波形-故障类型数据对作为原始训练数据。而实际情况中，配电网中发生的故障类型的确认大部分情况下是需要人工现场处理时才能够得到的。这就导致大量的暂态录波波形是没有相对应匹配的故障类型的，这样的数据是无法用于神经网络模型训练的，这就导致深度神经网络模型的训练数据不足，训练效果不佳。由此可见本领域中需要一种能够基于大量无对应匹配的故障类型的暂态录波波形对深度神经网络模型进行训练，并利用得到最优化的深度神经网络模型对暂态录波数据进行精准故障类型识别的方法。

发明内容

本发明所要解决的技术问题之一在原始故障录波波形-故障类型数据对不足时，训练得到用于识别配电网故障类型的故障分类器。

本发明中同时包括故障定位器模型与故障分类器模型，故障定位器模型的训练数据可直接使用原始故障录波波形，由于原始故障录波波形是由配电网中的具有确定的对应位置信息的暂态录波装置获取的，因此原始故障录波波形本身携带有位置信息。所以故障定位器模型的训练仅使用原始故障录波波形即可完成。

本发明中的故障分类器模型在浅层结构上设置成与故障定位器模型一致，因此当故障定位器模型在通过训练进行优化时所得到的具体的故障定位器结构，其在浅层部分的结构可直接用于作为故障分类器模型的浅层结构。

根据本发明所要解决的技术问题，本发明提供一种用于配电网故障类型识别的方法，所述方法包括：

构建故障定位器模型，并使用由配电网暂态录波装置获取的原始故障录波波形数据对模型进行训练以获得故障定位器；