[发明专利]一种基于组合神经网络模型的配电终端故障判别方法及系统

说明书

本申请具体涉及一种基于组合神经网络模型的配电终端故障判别方法及系统，通过对配电终端测量系统测得的时域的电气数据进行时域变换得到各数据的时频图谱并构成原始训练集，利用生成式对抗神经网络GAN对原始训练集生成扩容，根据随机数序列随机生成的新时频图谱与原始训练集构成新训练集，为卷积神经网络CNN提供更多更全面的训练样本；在GAN生成式扩容的基础上应用卷积神经网络CNN进行模型训练，大大提高了判别模型对未知故障类型的数据的判别准确度；本发明提供的方法和系统可以对故障类型在线判别，及时反馈配电终端的设备运行状态，无需在离线状态下到设备现场才能对设备检修获得故障类型，从而提高运维效率和减少运维工作量。

技术领域

本发明属于电力系统配电终端故障诊断技术领域，具体涉及一种基于组合神经网络模型的配电终端故障判别方法及系统。

背景技术

在电力系统中配电终端用于中压配电网的开闭锁、柱上开关、环网柜等处，是配电自动化中重要的监测与控制设备，当配电终端发生故障时其采集的电气数据会出现异常和误测，因此配电终端的可靠性直接影响电网运行状态的感知和控制效果。现有技术中对配电终端的故障判断多在完全失效离线的情况下进行，这种处理手段的缺陷在于不能及时排除故障，对故障的发现和检修被动滞后，不可避免地导致故障对配电网的影响后果加深，影响范围扩大。

因此，提供一种能及时判别配电终端故障类型的方法及系统对于确保配电终端设备的可靠性尤为重要。

发明内容

基于此，本发明旨在提供一种基于组合神经网络模型的配电终端故障判别方法及系统，把配电终端采集的电气数据转换成时频图，利用时频图对组合神经网络进行训练构建出故障判别模型，把实时在线采集的电气数据输入训练好的故障判别模型进行故障类型判别，从而解决现有技术中对故障的判别被动滞后的技术问题。

本发明一种基于组合神经网络模型的配电终端故障判别方法，包括：

对配电终端不同故障类型的电气数据进行时频变换，得到时频图谱构成原始训练集；

把原始训练集输入生成式对抗神经网络GAN进行生成式扩容，根据随机数序列随机生成新的时频图谱子集，与原始训练集一同构成新训练集，新训练集输入卷积神经网络CNN进行卷积和池化，在全连接层输出故障类型的编号，得到训练完毕的故障判别模型；

输入在线实时采集的电气数据，利用故障判别模型进行故障类型判别并输出判别结果。

优选地，对配电终端不同故障类型的电气数据进行时频变换之前还包括：

获取配电终端故障时测量系统所测量的电气数据。

优选地，电气数据进一步包括：

配电终端故障时所采集的电压、电流时域交流数据。

优选地，时频变换进一步包括：

短时傅里叶变换，如下公式作为短时傅里叶变换的窗函数

优选地，生成式对抗神经网络的目标函数如下，

其中，G表示GAN中的生成器G，用于生成新的时频图谱，

D表示GAN中的判别器D，用于区分原始时频图谱和生成的新时频图谱，

x为特征序列，z为随机数序列；p_r表示原始数据时频特征图集；p_g表示由GAN中的生成器G生成的新数据时频特征图集。

优选地，新训练集输入卷积神经网络CNN在卷积层和池化层进行卷积和池化包括：

对新训练集进行预处理和归一化。