[发明专利]一种配电网故障原因分析方法

说明书

本发明公开了一种配电网故障原因分析方法，所述方法包括：获取配电网故障波形；对所述故障波形进行压缩编码，所述压缩编码包括对所述故障波形进行相似性运算和阈值编码以得到故障波形的特征压缩码；将故障波形的特征压缩码输入模式分类模型得到模式标签；将模式标签与外部环境数据输入故障原因分类模型，最终得到故障原因。

技术领域

本发明涉及电力技术领域，尤其涉及一种配电网故障原因分析方法。

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-故障类型数据组作为原始训练数据。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 数据是难以用于神经网络模型训练的，从而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，并利用得到故障分类器对暂 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暂态录波波形-故障类型数据组不足 时，训练得到用于识别配电网故障类型的故障分类器。

基于上述本发明所要解决的的技术问题，本发明提供一种配电网故障原因分 析方法，所述方法包括：

获取配电网故障波形；

对所述故障波形进行压缩编码，所述压缩编码包括对所述故障波形进行相似 性运算和阈值编码以得到故障波形的特征压缩码；

将故障波形的特征压缩码输入模式分类模型得到模式标签；所示模式标签为 一下六种模式标签中的一种；

模式1：波形中零序电流在同一方向至少出现连续三个脉冲，且零序电流和 故障相电流的击穿脉冲相似；

模式2：波形中零序电流只存在工频分量；

模式3：波形中零序电流的每个半个周波有一个脉冲，且前后相邻的两个脉 冲的方向相反；

模式4：波形中零序电流的每半个周波有多于一次脉冲；

模式5：波形中只存在一个零序电流脉冲，且该零序电流脉冲之后零序电流 只有工频分量

模式6：波形中零序电流出现多次间歇性接地信号，且每次接地后在不超过 三个周波时间内波形恢复正常状态。