[发明专利]一种基于深度学习算法的接地选线装置及方法

说明书

本发明公开一种基于深度学习算法的接地选线装置，包括采样模块、启动模块和选线模块。本发明还公开一种基于深度学习算法的接地选线方法，步骤是：获取接地瞬间故障的一段暂态波形，将零序电压和零序电流波形在同一个图像中显示，将数据和标签文件做好标记，作为输入数据，经过卷积池化和回归计算后，再通过反向传播算法将模型参数优化到最佳数值，做出分类结果；将训练好的模型导入到接地选线装置中，根据零序电压判断发生接地故障后，对波形图像进行处理，处理后的波形图像送入训练后的深度卷积神经网络进行识别，结果为“0”为非故障线路，结果为“1”代表故障线路。此种技术方案可解决目前小电流接地系统单相接地时选线准确率低的问题。

技术领域

本发明属于电力系统的继电保护领域，特别涉及一种小电流接地系统的接地选线装置及方法。

背景技术

在3kV-66kV小电流接地系统中，单相接地是较为常见的故障类型。小电流接地系统发生单相接地时，故障相对地电压降低，非故障相对地电压升高，线电压依旧对称，此状态下，因接地电流很小，为了保证供电可靠性，可允许运行1-2h。但是由于非故障相弧光过电压，易引起绝缘薄弱部分击穿、电压互感器铁芯饱和、系统过电压，以及故障相弧光烧毁电缆、易引发人身触电伤亡事故等问题，因此在单相接地后需要及时隔离故障相的单相接地故障，保障系统安全稳定运行及供电可靠性。

传统的神经网络由于模型构建困难，存在学习样本数量要求多、学习时间长等问题，无法用于实际应用中，以往神经网络选线方法大多采用经处理后的特征量如五次谐波、稳态相位等特征进行训练，特征选取不合适，导致选线准确率低，无法在实际工程中应用。BP神经网络优点是网络结构简单，容易操作，但是存在两个缺点，一是网络结构不容易确定，二是在大样本数据集中预测判别能力下降明显。另外在训练BP神经网络时必须先人为的对图片进行特征提取，在特征提取过程中必然导致一些信息的丢失，从根本上降低了BP神经网络的预测能力。卷积神经网络(Convolutional Neural Networks,后文简称CNN)是对BP神经网络的改进。它利用局部连接、权值共享、多核卷积、池化四个手段大大降低了参数的数目，使得网络的层数可以变得更深，网络结构复杂，并且能够合理的隐式的提取特征，更适合处理图像识别问题。

谷歌大脑完成了对“第二代机器学习系统”TensorFlow的开发并对代码开源。相比于前作，TensorFlow在性能上有显著改进、构架灵活性和可移植性也得到增强。Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页及嵌入式装置中，并支持GPU、TPU、FPGA等高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究。因此，使用TensorFlow可以方便地在云、服务器或PC上将神经网络训练好后再迁移到嵌入式接地选线装置中。

发明专利CN201811393217.8《一种基于深度学习的配网接地故障分析方法》中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，并未使用深度学习算法进行选线。选线定位采用三相电流合成的零序电流，小电流接地系统单相接地零序电流很小，远小于负荷电流，三相电流互感器变比远大于专用零序电流互感器，因此行业内均使用专用零序CT电流来选线。

专利CN201810088104.0《基于卷积神经网络的配电网单相接地故障选线方法》，CN201710916960.6《基于电网大数据的小电流接地系统单相接地故障选线方法》，CN201710138838.0《基于神经网络处理器的小电流接地选线装置及其操控方法》，CN201610060984.1《一种基于小波神经网络的配电网单相短路选线方法》，CN201010149558.8《利用S变换能量样本属性的配电网故障的人工神经网络选线方法》中均未采用波形图像识别功能，而是预先进行特征提取，特征选取不合理、不全面，在特征提取过程中必然导致一些信息的丢失，降低了神经网络的预测能力。

发明内容

本发明的目的，在于提供一种基于深度学习算法的接地选线装置及方法，其可解决目前小电流接地系统单相接地时选线准确率低的问题。