[发明专利]一种基于故障指示器的异常波形识别方法

说明书

本发明公开了一种基于故障指示器的异常波形识别方法，包括以下步骤：收集故障指示器上传主站的原始波形并对原始波形进行去直流处理；对所有收集的波形数据人工添加分类标签；将原始波形数据与去直流后的波形数据组合为新数据，将新数据及其对应的标签划分为训练集和测试集并馈入TextCNN网络模型；对网络模型进行调参、训练、测试，得到最优模型；对待识别波形进行去直流处理，将待识别波形的原始数据及处理后的数据输入最优模型，得到识别结果。本发明只需对原始波形进行去直流处理，无需进一步提取特征，且TextCNN模型相较于传统的CNN模型可更准确的捕捉电压与电流的关系，提高识别准确率，在保证电网运行状态基础上兼具模型简单、工程实用性强的优点。

技术领域

本发明涉及中压配电网技术领域，尤其涉及一种基于故障指示器的异常波形识别方法。

背景技术

配电网的运行状态对电网的稳定运行至关重要，当电力系统发生故障时，需尽快定位与 排除故障。故障指示器(包含采集单元和汇集单元两部分)作为一种故障指示与告警装置， 可自动记录故障时刻前后的各电气量并以波形方式传给主站，配电主站根据故障指示器上传 的波形，依据电力系统接地或短路故障发生时电气量的变化规律对故障类型进行分析，并判 断故障发生位置。故障指示器还具备免维护、低功耗和带电装卸等优点，基于以上其已在10kV 配电网系统中得到大量应用。但由于工作环境复杂，采集单元自身采样、采集单元与汇集单 元通信、汇集单元与主站通信等方面都可能出现问题，故障指示器上传主站的波形质量难以 保证，可能包含很多异常波形，从而影响故障位置的判断，导致漏判、错判情况的出现。

发明内容

本发明针对现有技术的不足，提出一种基于故障指示器的异常波形识别方法，对故障指 示器上传至主站的波形进行去直流处理并与原始数据组合后输入至训练好的TextCNN模型中 进行计算，实现对异常波形的识别。

本发明的目的可以通过以下技术方案来实现：

一种基于故障指示器的异常波形识别方法，包括以下步骤：

步骤1：收集故障指示器上传主站的原始波形并对原始波形进行去直流处理；

步骤2：对所有收集的波形数据人工添加分类标签；

步骤3：将原始波形数据与去直流后的波形数据组合为新数据，将新数据及其对应的标 签划分为训练集和测试集并馈入TextCNN网络模型；

步骤4：对网络模型进行调参、训练、测试，得到最优模型；

步骤5：对待识别波形进行去直流处理，将待识别波形的原始数据及处理后的数据输入 最优模型，得到识别结果。

进一步地，所述步骤1中故障指示器上传主站的每组波形包含三相电场及零序电场数据、 三相电流及零序电流数据共8个通道数据，进行去直流处理后又得到8个通道数据，最终共 得到16个通道数据；

进一步地，所述步骤1中用到的去直流方法为分段去直流，计算公式如下：

式中，data_new_i为去直流后第i个点的数据，data_i为去直流前第i个点的数据，CyclePoint 为一个周波的总点数；

进一步地，所述步骤2中的标签分类方法为：对正常波形标记为1，对异常波形标记为-1；

进一步地，所述步骤3中划分训练集和测试集时用到的方法为分层抽样；

进一步地，所述步骤4中的训练过程中用到的限制过拟合方法包括EarlyStopping，L1、 L2正则化以及Dropout。