全電力技術(shù)-深度卷積神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法

[全]電力技術(shù)-深度卷積神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法配電網(wǎng)是電力系統(tǒng)中的重要組成部分，隨著智能電網(wǎng)的快速發(fā)展，分布式電源的大量的不確定接入，使得配電網(wǎng)故障信息越發(fā)復(fù)雜，故障的準(zhǔn)確快速分析變得越發(fā)困難。為保障配電網(wǎng)高度智能化運(yùn)行，需要對(duì)饋線運(yùn)行數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)控、異常情況及時(shí)預(yù)警及故障快速定位及處理。因此配電網(wǎng)絡(luò)通常會(huì)加裝線路故障指示器和饋線終端等裝置，利用這些裝置對(duì)配電網(wǎng)運(yùn)行情況進(jìn)行錄波。目前現(xiàn)有技術(shù)中，針對(duì)故障定位的方法方一般均需要人工提取錄波特征，再利用特征進(jìn)行接地故障的識(shí)別及定位。如CN103728532中公開了利用配電自動(dòng)化饋線終端采集零序電壓3U0和零序電流3I0，對(duì)3U0和3I0進(jìn)行一系列處理并提取特征，然后利用人工經(jīng)驗(yàn)設(shè)定的故障判定規(guī)則結(jié)合多個(gè)配電自動(dòng)化饋線終端來定位故障區(qū)段。CN104101812公開了一種小電流接地配電網(wǎng)的故障檢測(cè)定位方法與系統(tǒng)，系統(tǒng)主站從配電網(wǎng)絡(luò)多個(gè)點(diǎn)的錄波中提取零序電壓和零序電流的暫態(tài)信號(hào)，計(jì)算作為特征值和各個(gè)位置波形的相似性，根據(jù)單點(diǎn)特征值及相關(guān)性特征值判斷故障疑似區(qū)域。由此可見現(xiàn)有技術(shù)的各種故障定位方法仍然是將波形特征提取與故障定位判斷分為兩個(gè)步驟，即配電網(wǎng)中的終端設(shè)備獲取的配電網(wǎng)拓?fù)渲械亩辔恢迷疾ㄐ危柘炔扇∪斯ぬ崛√卣?，再用特征進(jìn)行故障定位，這種故障定位判斷過程沒有形成直接反饋的非端對(duì)端方案，因此故障定位識(shí)別的準(zhǔn)確率無法持續(xù)提高。另一方面，現(xiàn)有技術(shù)中將故障工況細(xì)分為短路、接地、小電阻接地等故障類型，而后再對(duì)每一故障類型進(jìn)行單獨(dú)的故障定位判斷，從而造成了功能冗余，沒有利用到不同故障類型之間的共性輔助提高故障定位判定的準(zhǔn)確性。問題拆分對(duì)各配電網(wǎng)監(jiān)測(cè)終端的錄波數(shù)據(jù)根據(jù)廣域?qū)r(shí)技術(shù)截取出波形的公共時(shí)間區(qū)段，并對(duì)所截取的公共時(shí)間區(qū)段波形進(jìn)行預(yù)處理得到有效區(qū)域數(shù)據(jù)；隨后對(duì)有效區(qū)域數(shù)據(jù)進(jìn)行拼接處理。構(gòu)建包含卷積層區(qū)域和全連接區(qū)域的深度卷積神經(jīng)網(wǎng)絡(luò)框架，所述卷積層區(qū)域包含卷積塊。利用故障定位分類數(shù)據(jù)集對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超參數(shù)機(jī)器訓(xùn)練以獲得最優(yōu)深度卷積神經(jīng)網(wǎng)絡(luò)故障定位器模型。將各配電網(wǎng)監(jiān)測(cè)終端的拼接后的有效區(qū)域數(shù)據(jù)輸入最優(yōu)深度卷積神經(jīng)網(wǎng)絡(luò)故障定位器模型以獲得各配電網(wǎng)監(jiān)測(cè)終端相對(duì)于故障點(diǎn)的相對(duì)位置。問題解決原始錄波數(shù)據(jù)經(jīng)簡(jiǎn)單處理，直接輸入深度卷積神經(jīng)網(wǎng)絡(luò)得到故障定位信息。另一方面，本發(fā)明在訓(xùn)練深度卷積網(wǎng)絡(luò)模型時(shí)，使用的訓(xùn)練數(shù)據(jù)集覆蓋所有故障類型，因此實(shí)現(xiàn)了利用單一模型完成全部故障類型的故障定位，更易于提取監(jiān)測(cè)點(diǎn)與故障點(diǎn)之間的相對(duì)位置關(guān)系共性。為了解決上述技術(shù)問題，本發(fā)明提供了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法，所述配電網(wǎng)故障定位方法包括：對(duì)各配電網(wǎng)監(jiān)測(cè)終端的錄波數(shù)據(jù)根據(jù)廣域?qū)r(shí)技術(shù)截取出波形的公共時(shí)間區(qū)段，并對(duì)所截取的波形進(jìn)行預(yù)處理得到有效區(qū)域數(shù)據(jù)；隨后對(duì)有效區(qū)域數(shù)據(jù)進(jìn)行拼接處理。構(gòu)建包含卷積層區(qū)域和全連接區(qū)域的深度卷積神經(jīng)網(wǎng)絡(luò)框架，所述卷積層區(qū)域包含卷積塊；使用超參數(shù)生成器生成多個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)模型，利用故障定位分類數(shù)據(jù)集對(duì)所述多個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超參數(shù)機(jī)器訓(xùn)練以獲得最優(yōu)深度卷積神經(jīng)網(wǎng)絡(luò)故障定位器模型；將各配電網(wǎng)監(jiān)測(cè)終端的拼接后的有效區(qū)域數(shù)據(jù)輸入最優(yōu)深度卷積神經(jīng)網(wǎng)絡(luò)故障定位器模型以獲得各配電網(wǎng)監(jiān)測(cè)終端相對(duì)于故障點(diǎn)的相對(duì)位置。在一個(gè)實(shí)施例中，所述波形預(yù)處理包括使用二次差分法、滑動(dòng)窗口傅里葉變換法或小波變換法對(duì)波形進(jìn)行處理。在一個(gè)實(shí)施例中，所述卷積塊的結(jié)構(gòu)可以為雙層卷積層疊加結(jié)構(gòu)，或者為多通道的且每一通道由雙層卷積層疊加的結(jié)構(gòu)構(gòu)成，或者為多通道的且每一通道包含1至3層卷積層的結(jié)構(gòu)構(gòu)成。在一個(gè)實(shí)施例中，所述卷積層區(qū)域中的卷積塊之間設(shè)置有殘量連接，所述殘量連接是指將一個(gè)卷積塊的輸入和輸出取和，并將取和結(jié)果作為輸入傳遞至下一卷積塊。在一個(gè)實(shí)施例中，所述故障定位分類數(shù)據(jù)集包括訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，所述訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集中均包含故障點(diǎn)前波形數(shù)據(jù)和故障點(diǎn)后波形數(shù)據(jù)兩類。根據(jù)本發(fā)明的另一方面，還提供了一種用于對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)故障定位器框架進(jìn)行超參數(shù)機(jī)器訓(xùn)練的方法，所述方法包括：a.將深度卷積神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu)輸入超參數(shù)隨機(jī)生成器；b.由超參數(shù)隨機(jī)生成器形成超參數(shù)組合模型池；c.利用測(cè)試數(shù)據(jù)集對(duì)超參數(shù)組合模型池中的每一個(gè)超參數(shù)組合模型進(jìn)行測(cè)試，如果測(cè)試通過則結(jié)束訓(xùn)練將該超參數(shù)組合模型輸入已訓(xùn)練超參數(shù)組合模型池，如測(cè)試未通過，則利用訓(xùn)練數(shù)據(jù)集對(duì)該超參數(shù)組合模型進(jìn)行優(yōu)化，優(yōu)化后再次測(cè)試，直到該模型測(cè)試通過。d.利用驗(yàn)證數(shù)據(jù)集對(duì)已訓(xùn)練超參數(shù)組合模型池中的每一超參數(shù)組合模型進(jìn)行驗(yàn)證，驗(yàn)證通過的超參數(shù)組合模型即為最優(yōu)超參數(shù)組合模型。在一個(gè)實(shí)施例中，所述故障定位分類數(shù)據(jù)集包括訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，所述訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集中均包含故障點(diǎn)前波形數(shù)據(jù)和故障點(diǎn)后波形數(shù)據(jù)兩類。在一個(gè)實(shí)施例中，所述最優(yōu)超參數(shù)組合模型至少包括構(gòu)成最優(yōu)深度神經(jīng)網(wǎng)絡(luò)工況分類器模型的卷積塊個(gè)數(shù)、每個(gè)卷積塊內(nèi)部的通道數(shù)、卷積核的長(zhǎng)寬及數(shù)量、全連接層神經(jīng)元數(shù)量。在一個(gè)實(shí)施例中，對(duì)超參數(shù)組合模型進(jìn)優(yōu)化時(shí)采用的優(yōu)化方法為批量Adam后向傳輸法。本發(fā)明的另一個(gè)方面，還在于提供了一種用于深度卷積神經(jīng)網(wǎng)絡(luò)故障定位的原始數(shù)據(jù)處理方法，所述數(shù)據(jù)處理方法包括：根據(jù)廣域?qū)r(shí)技術(shù)對(duì)各監(jiān)測(cè)點(diǎn)數(shù)據(jù)的采集時(shí)間點(diǎn)對(duì)齊并截取出波形的公共時(shí)間區(qū)段，對(duì)所有公共時(shí)間區(qū)段的波形進(jìn)行去工頻處理后進(jìn)行絕對(duì)值疊加。對(duì)混合疊加數(shù)據(jù)提取有效區(qū)域，提取方法包括但不限于二次差分法、滑動(dòng)窗口傅里葉變換法和小波變換法。依據(jù)各監(jiān)測(cè)點(diǎn)之間的網(wǎng)絡(luò)拓?fù)湟约案鞅O(jiān)測(cè)點(diǎn)波形的異常程度，對(duì)各監(jiān)測(cè)點(diǎn)的有效區(qū)域數(shù)據(jù)進(jìn)行拼接。以下對(duì)本發(fā)明的波形預(yù)處理及波形拼接、深度卷積神經(jīng)網(wǎng)絡(luò)分類器框架及超參數(shù)的機(jī)器訓(xùn)練做出進(jìn)一步的詳細(xì)說明。<波形預(yù)處理及波形拼接>圖1為本發(fā)明的基于深度卷積神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法流程示意圖，本發(fā)明的波形預(yù)處理過程為：首先，根據(jù)廣域?qū)r(shí)技術(shù)對(duì)各監(jiān)測(cè)點(diǎn)數(shù)據(jù)的采集時(shí)間點(diǎn)對(duì)齊并截取出波形的公共時(shí)間區(qū)段，對(duì)所有公共時(shí)間區(qū)段的波形進(jìn)行去工頻處理后進(jìn)行絕對(duì)值疊加。隨后，對(duì)混合疊加數(shù)據(jù)提取有效區(qū)域，提取方法包括但不限于二次差分法、滑動(dòng)窗口傅里葉變換法和小波變換法。所述的二次差分法是指令N(t)＝{n1，n2，…，nk}為原始波形時(shí)序信號(hào)，提取波形的一次差分為N′(t)＝{n2-n1，n3-n2，…，nk-nk-1}，提取波形的二次差分則為，N″(t)＝{n3-2n2+n1，n4-2n3+n2，…，nk-2nk-1+nK-2}。所述的滑動(dòng)窗口傅里葉變換，是對(duì)整個(gè)波形以一個(gè)窗口的長(zhǎng)度滑動(dòng)，每次對(duì)窗口內(nèi)的數(shù)據(jù)進(jìn)行離散傅里葉變換，傅里葉變換定義為其中x(i)為各頻率點(diǎn)的系數(shù)。使用傅里葉能量熵，能夠檢測(cè)波形窗口中各時(shí)段內(nèi)能量在不同頻段分布的混亂程度。定義窗口內(nèi)不同頻率的能量Ei＝|x(i)|2，E＝∑Ei為窗口內(nèi)信號(hào)的能量和。則窗口傅里葉能量熵FEE可以定義為，其中pi＝Ei/E。所述的小波變換是指，令其中Di(k)為信號(hào)經(jīng)J階小波分解重構(gòu)得到的i階頻率分量系數(shù)。使用小波能量熵檢測(cè)波形中各時(shí)段內(nèi)信號(hào)能量在不同頻段分布的混亂程度，達(dá)到提取異常區(qū)段的目的。定義在不同尺度i時(shí)間k上的信號(hào)能譜Ei(k)＝|Di(k)|2，Ei＝∑Ei(k)為尺度i上所有時(shí)刻的能量和。則小波能量熵WEE可以定義為，其中pi＝Ei/E，近似為信號(hào)的總能量在上述三種不同的波形提取方法中，使用波形的二次差分絕對(duì)值能夠很好的識(shí)別出波形的突變點(diǎn)，該方法的計(jì)算量小，能夠節(jié)約計(jì)算資源，因此可以在計(jì)算資源有限制時(shí)使用，但該方法不能計(jì)算出波形包含不同頻率信息的豐富程度。使用窗口傅里葉能量熵能夠很好的排除工頻分量，得到其它不同頻段能量的混亂程度，但窗口大小需固定，不能靈活得到每個(gè)時(shí)間的混亂信息，同時(shí)其快速算法計(jì)算量比較小，因此可以再在精度與計(jì)算量需要平衡的情況下使用。小波能量熵在檢測(cè)所需區(qū)段上精度比窗口傅里葉能量熵高，但計(jì)算量也要大，可以在精度需求高的情況下使用。經(jīng)過上述波形預(yù)處理過程，各監(jiān)測(cè)點(diǎn)的錄波數(shù)據(jù)已均被處理成有效區(qū)域數(shù)據(jù)，接下來需對(duì)有效區(qū)域數(shù)據(jù)進(jìn)行拼接，本發(fā)明的數(shù)據(jù)拼接方法如下：如圖2所示，針對(duì)每個(gè)監(jiān)測(cè)點(diǎn)的有效區(qū)域數(shù)據(jù)進(jìn)行數(shù)據(jù)拼接，如監(jiān)測(cè)點(diǎn)A的數(shù)據(jù)拼接即為：以監(jiān)測(cè)點(diǎn)A有效區(qū)域數(shù)據(jù)作為中心，根據(jù)配電網(wǎng)拓?fù)浣Y(jié)構(gòu)，提取該監(jiān)測(cè)點(diǎn)A輸入方向最近監(jiān)測(cè)點(diǎn)A－和輸出方向最近監(jiān)測(cè)點(diǎn)A+，并將監(jiān)測(cè)點(diǎn)A－和監(jiān)測(cè)點(diǎn)A+的有效區(qū)域數(shù)據(jù)按輸入輸出方向拼接在監(jiān)測(cè)點(diǎn)A有效區(qū)域數(shù)據(jù)的兩端。對(duì)于其他監(jiān)測(cè)點(diǎn)的有效區(qū)域數(shù)據(jù)，在監(jiān)測(cè)點(diǎn)側(cè)AA－的其他監(jiān)測(cè)點(diǎn)，其有效區(qū)域數(shù)據(jù)按照波形異常程度依次靠近監(jiān)測(cè)點(diǎn)A－有效區(qū)域數(shù)據(jù)，波形異常程度越高，則越靠近監(jiān)測(cè)點(diǎn)A－有效區(qū)域數(shù)據(jù)。相同地，在監(jiān)測(cè)點(diǎn)A+側(cè)的其他監(jiān)測(cè)點(diǎn)，其有效區(qū)域數(shù)據(jù)按照波形異常程度依次靠近監(jiān)測(cè)點(diǎn)A+有效區(qū)域數(shù)據(jù)，波形異常程度越高，則越靠近測(cè)點(diǎn)A+有效區(qū)域數(shù)據(jù)。<深度卷積神經(jīng)網(wǎng)絡(luò)分類器>如圖3所述為本發(fā)明的深度卷積神經(jīng)網(wǎng)絡(luò)分類器框架示意結(jié)構(gòu)，該深度卷積神經(jīng)網(wǎng)絡(luò)分類器包括卷積層區(qū)域和全連接層區(qū)域，在卷積層區(qū)域包括輸入卷積層、卷積塊、平均池化層，本發(fā)明中的卷積層中所涉及的卷積運(yùn)算采用現(xiàn)有技術(shù)中公知的卷積運(yùn)算方法，但本發(fā)明中在卷積運(yùn)算中所使用的卷積核及相關(guān)參數(shù)是通過本發(fā)明的超參數(shù)機(jī)器訓(xùn)練得到的優(yōu)化超參數(shù)。時(shí)序波形時(shí)間間隔小的采樣點(diǎn)相關(guān)性強(qiáng)，越大則越弱，適宜用卷積層提取特征。在卷積層區(qū)域中通過設(shè)置多層卷積層以實(shí)現(xiàn)對(duì)局部到全局的特征提取，以及抽象到具體的特征提取。卷積層區(qū)域后連接全連接區(qū)域，該全連接區(qū)域內(nèi)部含兩層全連接層及sigmoid輸出層，最后輸出該監(jiān)測(cè)點(diǎn)相對(duì)于故障點(diǎn)的相對(duì)位置數(shù)據(jù)。所述全連接層區(qū)域中的第一全連接層的神經(jīng)元個(gè)數(shù)同樣是通過本發(fā)明的超參數(shù)機(jī)器訓(xùn)練得到的優(yōu)化超參數(shù)，而第二全連接層的神經(jīng)元個(gè)數(shù)為1個(gè)。如圖4a至4b所示的是本發(fā)明卷積塊具體結(jié)構(gòu)，其中圖4a中所示為兩層卷積結(jié)構(gòu)，由兩層卷積層疊加構(gòu)成。圖4b中所示為多通道結(jié)構(gòu)，且每一通道均有兩層卷積層疊加構(gòu)成。圖4c中所示為另一多通道結(jié)構(gòu)，每一通道由1至3層卷積層構(gòu)成。上述卷積塊中的卷積核的相關(guān)參數(shù)以及通道數(shù)量，又或每一通道的卷積層數(shù)均可由超參數(shù)機(jī)器訓(xùn)練得到。本發(fā)明中還可以在卷積塊的輸入與輸出之間增加殘量連接，即將每一個(gè)卷積塊的輸入與該卷積塊的輸出取和作為該卷積塊的輸出值，則有F(x)+x＝H(x)，其中F(.)為卷積塊函數(shù)，H(.)為下個(gè)模塊的輸入，x為上個(gè)模塊的輸出。又F(x)＝H(x)-x，殘量x的增加有利于F(.)參數(shù)的訓(xùn)練。<超參數(shù)的機(jī)器訓(xùn)練>圖5中所示為本發(fā)明的超參數(shù)機(jī)器訓(xùn)練流程圖，該超參數(shù)機(jī)器訓(xùn)練的目的在于，根據(jù)所提供訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集訓(xùn)練得到上述深度卷積神經(jīng)網(wǎng)絡(luò)分類器中所需的全部參數(shù)，并形成深度卷積神經(jīng)網(wǎng)絡(luò)分類器的最優(yōu)超參數(shù)組合模型。該機(jī)器訓(xùn)練過程如下：a.將深度卷積神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu)輸入超參數(shù)隨機(jī)生成器；b.由超參數(shù)隨機(jī)生成器形成超參數(shù)組合模型池；c.利用測(cè)試數(shù)據(jù)集對(duì)超參數(shù)組合模型池中的每一個(gè)超參數(shù)組合模型進(jìn)行測(cè)試，如果測(cè)試通過則結(jié)束訓(xùn)練將該超參數(shù)組合模型輸入已訓(xùn)練超參數(shù)組合模型池，如測(cè)試未通過，則利用訓(xùn)練數(shù)據(jù)集對(duì)該超參數(shù)組合模型進(jìn)行優(yōu)化，優(yōu)化后再次測(cè)試，直到該模型測(cè)試通過。d.利用驗(yàn)證數(shù)據(jù)集對(duì)已訓(xùn)練超參數(shù)組合模型池中的每一超參數(shù)組合模型進(jìn)行驗(yàn)證，驗(yàn)證通過的超參數(shù)組合模型即為最優(yōu)超參數(shù)組合模型。在進(jìn)行超參數(shù)機(jī)器訓(xùn)練流程時(shí)所使用的訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集訓(xùn)共使用2種類型數(shù)據(jù)，即故障點(diǎn)前波形數(shù)據(jù)和故障點(diǎn)后波形數(shù)據(jù)，每種類型數(shù)據(jù)選取不少于20000個(gè)數(shù)據(jù)，共不少于40000個(gè)數(shù)據(jù)。訓(xùn)練數(shù)據(jù)集每種類型數(shù)據(jù)使用不少于18000個(gè)，測(cè)試和驗(yàn)證數(shù)據(jù)集分別每種類型數(shù)據(jù)使用不少于1000個(gè)數(shù)據(jù)。訓(xùn)練流程中的優(yōu)化方法為批量Adam后向傳輸，當(dāng)測(cè)試數(shù)據(jù)集正確率大于99％或訓(xùn)練超過10000輪時(shí)，訓(xùn)練停止，否則繼續(xù)優(yōu)化，多個(gè)超參數(shù)組合模型中驗(yàn)證數(shù)據(jù)集正確率最高的組合為最優(yōu)超參數(shù)組合模型。與現(xiàn)有技術(shù)相比，本發(fā)明的一個(gè)或多個(gè)實(shí)施例可以具有如下優(yōu)點(diǎn)：1.利用深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)配電網(wǎng)故障定位判定