基于深度学习的多模型推进式配电网故障识别方法及系统与流程

本发明涉及配电网故障识别，并且更具体地，涉及一种基于深度学习的多模型推进式配电网故障识别方法及系统。

背景技术：

1、在电力系统中，中高压配电网是负责电能输送分配的重要环节，因其网架结构复杂、线路长、半径大，常常会发生各种故障，从而导致供电稳定性下降。因此快速准确地识别故障是一项十分重要的工作，能够帮助电力公司及时处理故障，避免扩大故障事故的影响范围，造成更严重的后果。但由于故障类型繁多，故障特征复杂，数据易受干扰，目前方法难以快速准确地识别故障；在面对较为复杂的故障场景时，目前方法常常出现误判和漏判，在实际应用中的准确性、泛化性、鲁棒性都不高。具体而言，常见故障包括接地故障，断线故障，分合闸故障，相间短路故障等，这些故障可能出现在配电网的不同区域，并且不同的中性点运行方式、过渡电阻、拓扑结构会生成不同数据，再加上环境噪声的干扰，这些因素综合起来使得配电网故障识别变得具有挑战性。

2、传统故障识别方法包括阻抗法，行波法和广域通信法。这些方法依赖人工提取信号特征并进行判断，容易受到电路阻抗、过渡电阻、通信质量等因素的影响，在复杂的配电网故障识别任务中作用有限。为了提高定位精度，国内外学者提出了基于机器学习的故障定位方法。以数据驱动的机器学习方法能够在一定程度上解决问题，但是也存在过度依赖专家经验，容易出现过拟合，容易陷入局部最优解的问题。随着深度学习的发展，神经网络模型能够自动从数据中提取多层次的特征，并以此识别不同对象，具有更高的准确性和鲁棒性。在深度学习领域，以卷积神经网络为代表的神经网络模型已经发展成熟，许多性能优异的模型能够从不同维度提取图像特征并完成图像分类等下游任务；因此，基于卷积神经网络的配电网故障识别成为了一个新方法。近年来，国内外学者提出了许多基于卷积神经网络的配电网故障识别方法，但是现有技术存在以下缺陷：

3、(1)大多数现有技术都只针对一种具体的故障类型，但实际应用中故障类型繁多。实际场景下可能出现的故障类型繁多，不同故障类型可能有完全不同的故障特征，对于没有见过的故障类型，深度学习模型无法对其进行识别，因此这些技术在现实应用中容易出现误判，导致识别准确性不高。

4、(2)大多数现有技术没有考虑在复杂电路拓扑结构中的应用。对于复杂拓扑结构，若遍历所有节点，则意味着复杂的遍历过程，从而导致效率较低；若直接将整个拓扑图抽象为某一种结构作为输入则意味着输入结构的复杂化，以及潜在故障点增多导致的分类数量增多，从而导致故障识别准确率降低。

5、(3)大多数现有技术对于不同的拓扑结构没有良好的泛化性，即模型每次遇到不同的拓扑结构都需要重新训练。很多方案仅在结构固定的拓扑图上有良好的效果。这可能是技术方案本身导致的，例如直接以可能存在的故障位置作为模型输入数据的标签，当拓扑图变化后，可能存在的故障位置也发生变化，导致模型也需要重新训练。也可能是因为这些方法依赖于具体的拓扑结构，即模型仅使用一个拓扑图进行训练，导致模型在没见过的拓扑图上的识别性能很差。

技术实现思路

1、为了解决上述背景技术所述的至少一个问题，本发明提供一种基于深度学习的多模型推进式配电网故障识别方法及系统。

2、根据本发明的一个方面，提供了一种基于深度学习的多模型推进式配电网故障识别方法，包括：

3、获取配电网的电路拓扑结构中所有节点的零序电流波形并叠加生成一个全波形图；

4、将全波形图输入到预先训练好的故障分类模型中判断故障类型；其中，故障类型为接地、断线、分合闸或者短路；

5、当故障类型为接地、断线或者分合闸时，使用纵向滑动窗口在电路拓扑结构的初始分支从上到下移动，对纵向滑动窗口内的节点生成双波形图，并将双波形图输入预设的双波形分类模型进行分类，根据至少两个纵向滑动窗口的分类结果选出故障线路，随后沿故障线路使用横向滑动窗口，在每个子分支或同一线路的前后节点横向移动，对横向滑动窗口内的节点生成双波形图并使用双波形分类模型分类，综合多个横向滑动窗口的分类结果确定故障位置；

6、当故障类型为短路时，将电路拓扑结构转化为树形结构，以母线为根节点，在树形拓扑上使用层序遍历，对同一层节点依次生成三相波形图并由预设的三相波形分类模型进行分类，根据分类的结果选择故障概率最高者作为当前层的故障节点，在确定当前层的故障节点后放弃非故障节点的后续检测，继续进行故障节点的下一层节点检测，直到找到故障节点与非故障节点的分界点或者无后续分支，最终确定故障位置。

7、可选地，所述纵向滑动窗口的大小为2，步距为1，纵向滑动窗口内包含两个相邻节点；并且对纵向滑动窗口内的节点生成双波形图的操作，包括：将纵向滑动窗口内两个相邻节点的零序电流波形按顺序叠加生成双波形图。

8、可选地，所述横向滑动窗口大小为2，步距为1，横向滑动窗口内包含同一子分支或者或同一线路的前后节点；并且，对横向滑动窗口内的节点生成双波形图的操作，包括：将横向滑动窗口内前后节点的零序电流波形按顺序叠加生成双波形图。

9、可选地，所述双波形分类模型为resnet18模型、resnet50模型、mobilenet模型或者swin transformer模型，双波形分类模型的输入为像素224*224的双波形图，输出为同向或反向的分类结果。

10、可选地，所述三相波形分类模型为resnet18模型、resnet50模型、mobilenet模型或者swin transformer模型，三相波形分类模型的输入为像素224*224的双波形图，输出为正常或异常的分类结果。

11、可选地，所述故障分类模型基于实验室生成的故障数据进行训练，考虑噪声、高阻、区内外故障因素，并且使用迁移学习进行训练。

12、根据本发明的一个方面，提供了一种基于深度学习的多模型推进式配电网故障识别系统，包括：

13、全波形图生成模块，用于获取配电网的电路拓扑结构中所有节点的零序电流波形并叠加生成一个全波形图；

14、故障类型判断模块，用于将全波形图输入到预先训练好的故障分类模型中判断故障类型；其中，故障类型为接地、断线、分合闸或者短路；

15、故障位置确定模块，用于当故障类型为接地、断线或者分合闸时，使用纵向滑动窗口在电路拓扑结构的初始分支从上到下移动，对纵向滑动窗口内的节点生成双波形图，并将双波形图输入预设的双波形分类模型进行分类，根据至少两个纵向滑动窗口的分类结果选出故障线路，随后沿故障线路使用横向滑动窗口，在每个子分支或同一线路的前后节点横向移动，对横向滑动窗口内的节点生成双波形图并使用双波形分类模型分类，综合多个横向滑动窗口的分类结果确定故障位置；当故障类型为短路时，将电路拓扑结构转化为树形结构，以母线为根节点，在树形拓扑上使用层序遍历，对同一层节点依次生成三相波形图并由预设的三相波形分类模型进行分类，根据分类的结果选择故障概率最高者作为当前层的故障节点，在确定当前层的故障节点后放弃非故障节点的后续检测，继续进行故障节点的下一层节点检测，直到找到故障节点与非故障节点的分界点或者无后续分支，最终确定故障位置。

16、可选地，所述纵向滑动窗口的大小为2，步距为1，纵向滑动窗口内包含两个相邻节点；并且对纵向滑动窗口内的节点生成双波形图的操作，包括：将纵向滑动窗口内两个相邻节点的零序电流波形按顺序叠加生成双波形图。

17、根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。

18、根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。

19、本发明不仅仅关注一种具体的故障类型，而是能够识别四种常见的故障类型(接地、断线、分合闸、短路)，并且对于有着不同故障特征的故障类型，本方法会根据这些故障的特征对其进行不同的后续处理，从而实现对多种故障类型的识别以及后续故障定位。本发明通过横向纵向滑动窗口以及层序遍历策略对电路拓扑图进行遍历，进而对复杂拓扑进行拆分与剪枝，避免对复杂拓扑图的全部遍历或将复杂拓扑图完全输入，这使得本发明即使面对复杂拓扑图也能够拥有良好的性能，故障识别准确高。本发明通过横向纵向滑动窗口以及层序遍历策略对电路拓扑图进行遍历，即使面对不同的拓扑图也能够以相同的方式生成用于识别的图像，且模型所需要的图像在不同拓扑图上的差异较小，故本发明即使面对不同拓扑图也能够拥有良好的泛化性。