配电网高阻故障辨识方法、装置和电子设备

本发明涉及一种输电线路故障辨识，具体涉及一种基于伏安特性曲线图像识别的配电网高阻故障辨识方法、装置和电子设备。

背景技术：

1、配电网面广量大，运行环境复杂，易受自然灾害和外力因素的破坏而发生故障。同时，经济社会发展，对配电网的安全可靠运行要求越来越高。因此，快速、准确地检测出配电网络中发生的各类故障，识别故障类型和原因，对于配电网故障恢复和运维抢修决策，具有重要的意义。

2、现有的配电网高阻故障辨识研究主要集中于高阻故障的检测，在干扰项和正常情况的影响下检测高阻故障，结合阈值法或人工智能法对录波数据或仿真数据处理，提取其特征。主要涉及的在线监测方法有：①利用信号处理方法处理馈线录波信号，设定阈值作为检测高阻故障的依据；②利用人工智能方法提取预处理后的馈线录波信号特征，辨识高阻故障。仿真样本主要考虑干扰项、正常情况和普适性高阻故障。

3、上述方法主要针对于单一故障原因的高阻故障辨识，存在的不足有：①判断高阻故障的依据的选取存在主观性的影响，对于特征量选取的评价指标缺少客观合理性；②阈值法易受噪声的影响，使高阻故障辨识的效果下降；③实际录波数据有限，标签的准确度并不理想，利用该数据训练的故障分类器效果并不理想；④仿真获取故障样本并未考虑高阻故障的多种故障原因和他们之间的比例不平衡问题，训练出的模型对于实际工况并不具有好的适应能力。训练和测试分类模型的结果存疑。

4、因此，亟需发明一种结合能反映故障线路、相别、原因的特征选取方法、考虑实际情况中高阻故障原因比例不平衡的配电网高阻故障辨识方法。

技术实现思路

1、有鉴于此，本发明提供一种基于伏安特性曲线图像识别的配电网高阻故障辨识方法、装置和电子设备，利用配电网各馈线首端的数据构建伏安特性曲线图，作为配电网高阻故障的识别特征量，有效解决了特征量选取困难的问题，同时结合高阻故障原因类不平衡样本集有效提升了识别模型的泛化能力。

2、本发明的第一方面公开了一种基于伏安特性曲线图像识别的配电网高阻故障辨识方法，其包括以下步骤：

3、获取配电网馈线的馈线数据；

4、基于获取的馈线数据分别构建相对应的伏安特性曲线；

5、将基于单条馈线的馈线数据构建的m条伏安特性曲线归一化处理为单馈线图像，其中m≥2，并且将m个归一化后的单馈线图像排列形成为一张二维图像作为故障识别图像，其中m≥1；具体地，将归一化后地多个单馈线图像横向或纵向排列成为一张二维图像；

6、根据预先构建的高阻故障识别模型对故障识别图像进行识别，并输出高阻故障识别结果。

7、在上述实现过程中，先获取当前配电网馈线的馈线数据，然后将获取的当前馈线数据转化为伏安特性曲线图，基于相同馈线的当前馈线数据获得的伏安特性曲线图会通过归一化处理为单张(一张)馈线图像，即，单条馈线的伏安特性曲线生成后重叠显示在一张图像中。将多条馈线的单馈线图像以馈线顺序按列组合为一张新的故障识别图。然后，通过预先构建的高阻故障识别模型(也可称为配电网故障辨识分类器，或者为配电网故障辨识分类器的一部分)对所获取的单条或多条(大于一条)馈线的单馈线图像排列形成的故障识别图像进行识别，并且经识别后输出高阻故障识别结果。

8、在优选地实施例中，故障识别结果以故障标签字段的形式输出，所述故障标签字段包括故障线路、故障相别和/或高阻故障原因。

9、在优选地实施例中，基于相同馈线的馈线数据获得的伏安特性曲线图以不同的颜色区分。

10、进一步地，馈线数据包括馈线的三相电压和/或电流信号的暂态录波数据和馈线的零序电压和/或电流信号的暂态录波数据；所述基于获取的馈线数据构建相对应的伏安特性曲线，包括：将馈线的三相电压和/或电流信号的暂态录波数据构建为三相伏安特性曲线，以及将馈线的零序电压和/或电流信号的暂态录波数据构建为零序伏安特性曲线。

11、进一步地，所述将基于单条馈线的馈线数据构建的m条伏安特性曲线归一化处理为单馈线图像，包括：将基于单条馈线获取的三相伏安特性曲线和零序伏安特性曲线归一化处理为单馈线图像；将多条馈线的单馈线图像以馈线顺序按列组合为一张新的故障识别图像。

12、在优选的实施例中，获取的馈线数据为馈线首端的三相电压和电流信号的暂态录波数据和零序电压和电流信号的暂态录波数据，然后将获取的暂态录波数据分别转化为与各自相对应的伏安特性曲线，即三相伏安特性曲线和零序伏安特性曲线，并且将相同馈线的三相伏安特性曲线和零序伏安特性曲线归一化处理为单馈线图像。将多条馈线的单馈线图像以馈线顺序按列组合为一张新的故障识别图像。预先构建的高阻故障识别模型对经归一化处理后形成的故障识别图像进行识别并输出识别结果。在优选的实施例中，馈线的三相别(a、b、c相别)和零序的伏安特性曲线以不同颜色区分。

13、在本发明中，利用配电网各馈线首端的三相电压、电流和零序电压、电流为输入，构建形成伏安特性曲线图，作为配电网高阻故障的识别特征量，有效解决了特征量提取困难的问题。

14、进一步地，在获取配电网馈线数据之前，方法还包括：

15、构建原始识别模型；

16、获取馈线故障样本集；

17、将获得的馈线故障样本集输入原始识别模型进行迁移学习训练直至收敛，得到高阻故障识别模型。

18、进一步地，原始识别模型采用深度神经网络模型，包括但不限于cnn、alexnet、vgg16等神经网络。在一个优选的实施例中，本发明的原始识别模型采用alexnet网络架构，其输入层构造为伏安特性曲线图像构建层，输出层构造为故障识别结果输出层，其余层保留。即，在本发明的一个优选实施例中，伏安特性曲线图像构建层属于本发明的深度学习网络模型的一部分(即，输入层)，其替代了常规alexnet的输入层，以用于基于获取的馈线数据分别构建相应的伏安特性曲线并且将基于单条馈线的馈线数据构建的相应伏安特性曲线归一化处理为故障识别图像。在另外的实施例中，伏安特性曲线图像构建层也能够独立于所采用的网络神经模型设置，其主要取决于所采用的网络神经模型与伏安特性曲线图像构建层的适应性。

19、在上述实现过程中，在进行实时高阻故障识别之前，先构建原始识别模型，再获取馈线故障样本集，然后将获得的馈线故障样本集输入原始识别模型(预训练的alexnet网络模型)进行迁移学习训练直至收敛，得到最终的配电网故障辨识分类器。具体地，在获取馈线故障样本集和待训练的原始识别模型后，将故障样本集随机抽取70％作为训练样本集，剩余作为测试样本集，训练故障样本数据进行归一化后，将其作为目标域数据输入给预训练的神经网络模型进行训练，设置最大训练次数并且判断是否收敛，在收敛的前提下达到最大训练次数后完成模型的训练，若训练未收敛则增大最大训练次数，直至收敛为止。最后输入测试样本集计算模型的准确率得到最终的高阻故障识别模型。

20、在上述实现过程中，采用迁移学习方法训练深度学习网络，节省了大量训练时间，提高了训练速度。

21、进一步地，获取馈线故障样本集，包括：

22、获取用作样本的故障样本数据；

23、基于获取的故障样本数据构建相应的伏安特性曲线，并做归一化处理；

24、将基于单条馈线的故障样本数据构建的相应伏安特性曲线归一化处理为单馈线故障图像样本；

25、将m个归一化后的单馈线故障图像样本按列排列形成为一张二维图像作为馈线故障样本，其中m≥2；

26、获取多个故障样本以形成馈线故障样本集。

27、进一步地，故障样本集为基于不同高阻故障原因产生的类不平衡样本集，其中高阻故障原因包括触树类故障、动物类故障和/或砂石类故障。在一个优选的实施例中，在本发明中，高阻故障原因包括触树类故障、动物类故障和砂石类故障三者。相关技术人员能够理解的是，高阻故障原因能够包括但不限于触树类故障、动物类故障和砂石类故障三种故障，其他类型的故障原因同样适用于本发明所公开的方法。

28、进一步地，故障样本数据通过根据实际配电网参数构建地仿真样本获取，包括：

29、根据实际配电网的高阻故障录波数据统计配电网中高阻故障不同原因、相别、类型、距离和相角间的概率分布；

30、根据实际配电网的高阻故障录波数据构建与不同高阻故障原因相对应的仿真样本，与不同高阻故障原因相对应的仿真样本分别满足高阻故障不同原因、故障相别、类型、距离和相角间的概率分布；

31、基于仿真样本产生与故障原因相对应的故障样本数据。

32、进一步地，在根据实际配电网的高阻故障录波数据构建与不同高阻故障原因相对应的仿真样本步骤中，当实际高阻故障录波数据满足数量条件时，利用实际录波波形构建仿真样本；当实际高阻故障录波数据不满足数量条件时，参考实际录波波形，以建模的方式模拟实际录波波形以构建仿真样本。数量条件设置为：录波数据数量为10000。

33、在上述实现过程中，针对不同故障原因，参考实际录波数据进行建模，实现了对不同故障原因高阻故障的模拟，这使得在故障样本集的构建中增加了故障原因的影响，实现了对配电网高阻故障原因的辨识。在另外的实施例中，在故障样本集的构建中还计及了干扰影响项，包括励磁容量、电容投切和负荷变化等，这进一步增加了对配电网高阻故障原因的辨识。

34、并且，自上述实现过程中，借助了实际故障记录中故障类型、故障相别和故障原因的统计概率分布，能够批量产生符合实际故障记录的故障样本集，有利于故障辨识分类器的训练，提高了其对于实际情况的泛化能力和应用效果。

35、进一步地，故障样本数据包括馈线样本的三相电压和/或电流信号的暂态录波数据，和馈线样本的零序电压和/或电流信号的暂态录波数据。在一个优选的实施例中，故障样本数据馈线样本的三相电压和电流信号的暂态录波数据，以及馈线样本的零序电压和电流信号的暂态录波数据。

36、进一步地，所述基于获取的故障样本数据分别构建相应的伏安特性曲线，并做归一化处理，包括：将馈线样本的三相电压和/或电流信号的暂态录波数据构建为三相伏安特性曲线，将馈线样本的零序电压和/或电流信号的暂态录波数据构建为零序伏安特性曲线。

37、进一步地，将基于单条馈线样本的故障样本数据构建的相应伏安特性曲线归一化处理为单馈线故障图像样本，包括：将基于单条馈线样本获取的三相伏安特性曲线和零序伏安特性曲线归一化处理为单馈线故障图像样本。

38、在上述实现过程中，将配电网馈线首端三相电压、电流和零序电压、电流转化为三相伏安特性曲线和零序伏安特性曲线，并且将获得的伏安特性曲线归一化为单馈线故障图像样本，然后按列排列整合多条馈线故障图像样本为一个二维图像作为原始识别模型的输入量，以对原始识别模型进行迁移学习训练直至收敛。通过将二维图像作为识别模型的输入量，更能体现输入量的物理意义，并且有利于提取故障特征。

39、进一步地，馈线数据和故障样本数据为获取自馈线首端的数据。在其他的实施例中，馈线数据和故障样本数据能够为获取自馈线末端的数据，或者，能够为获取自馈线首端和末端的数据。

40、进一步地，在馈线故障样本的生成过程中，根据配电网络的电压等级、线路参数和输电容量计算馈线首端所获取数据的标幺值，其遵循以下原则：

41、a.配电网馈线首端三相电压信号采用相同的基准值；

42、b.配电网馈线首端三相电流信号采用相同的基准值；

43、c.配电网馈线首端零序电压信号采用相同的基准值；

44、d.配电网馈线首端零序电流信号采用相同的基准值；

45、e.横纵坐标范围限定为[-1,1]。

46、本发明的第二方面还公开了一种基于伏安特性曲线图像识别的配电网高阻故障辨识装置，其包括：

47、第一获取单元，用于获取配电网的馈线数据；

48、伏安特性曲线构建单元，用于基于获取的所述馈线数据分别构建相应的伏安特性曲线；

49、图像处理单元，将基于单条馈线的馈线数据构建的m条伏安特性曲线归一化处理为单馈线图像，其中m≥2，并且将m个归一化后的单馈线图像排列形成为一张二维图像作为故障识别图像，其中m≥1；

50、故障辨识分类单元，用于根据预先构建的高阻故障识别模型对获得的故障识别图像进行识别，并输出高阻故障识别结果。

51、在上述实现过程中，第一获取单元获取当前配电网的馈线数据，伏安特性曲线构建单元基于获取的馈线数据构建与数据相对应的伏安特性曲线，图像处理单元对伏安特性曲线构建单元构建的伏安特性曲线转换为一张二维图像，作为故障辨识分类单元的识别特征量，有效解决了特征量选取困难的问题。在本发明的该实施例中，伏安特性曲线构建单元和图像处理单元共同构成伏安特性曲线构建层，其能够为识别模型的一部分。

52、进一步地，配电网高阻故障辨识装置还包括：

53、模型构建单元，用于在获取馈线故障样本集数据之前，构建原始识别模型；

54、第二获取单元，用于获取馈线故障样本集；

55、训练单元，用于通过获得的馈线故障样本集对原始识别模型进行迁移学习训练直至收敛，得到高阻故障识别模型。

56、在上述实现过程中，训练单元将馈线故障样本集划分为训练样本集和测试样本集，训练故障样本数据进行归一化后，将其作为目标域数据输入给预训练的神经网络模型进行训练，设置最大训练次数并且判断是否收敛，在收敛的前提下达到最大训练次数后完成模型的训练，若训练未收敛则增大最大训练次数，直至收敛为止。最后输入测试样本集计算模型的准确率得到最终的高阻故障识别模型。

57、本发明的第三方面还公开了一种电子设备，电子设备包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行本发明第一方面所公开的基于伏安特性曲线图像识别的配电网高阻故障辨识方法。

58、本发明的第四方面还公开了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本发明实施例第一方面中的基于伏安特性曲线图像识别的配电网高阻故障辨识方法。

59、本发明中的基于伏安特性曲线图像识别的配电网高阻故障辨识方法，与现有技术相比，具有如下有益效果：

60、在本发明中，通过将获取的馈线数据转换为伏安特性曲线，并且将伏安特性曲线图转换为二维图像作为故障识别图，以形成配电网高阻故障的识别特征量，有效的解决了特征量选取困难的问题，克服了现有技术中所存在的判断高阻故障的特征量的选取缺少客观合理性的问题；并且将基于伏安特性曲线的二维图像作为识别特征量，避免了现有技术中阈值法易受噪声的影响使得高阻故障辨识效果下降的问题。

61、下面结合附图中所示的实施例以及附图标记详细公开本发明的基于伏安特性曲线图像识别的配电网高阻故障辨识方法、装置和电子设备。