一种配电网接地故障分类方法、系统及介质与流程

本技术涉及配电网接地故障分类领域，更具体的，涉及一种配电网接地故障分类方法、系统及介质。

背景技术：

1、每种接地故障都有其独特的物理机制和表现形式，但在实际情况下，这些故障特征往往被复杂的现场环境所掩盖或混淆。故障信号可能包含大量的噪声和干扰，使得有用的故障特征难以提取和识别。

2、接地故障涵盖了从自然环境因素（如鸟窝搭线、鸟碰线）到人为因素（如车碰线、异物搭线），再到设备自身问题（如变压器绝缘不良、避雷器故障）等多个方面。这种多样性导致故障之间的界限模糊，增加了分类的难度。

3、在实际运营中，某些类型的接地故障可能更为常见，而其他类型的故障则相对较少发生。这种数据量不平衡的问题可能导致机器学习算法在训练过程中偏向于多数类，从而影响对少数类故障的识别能力。

4、接地故障需要及时准确地识别和处理，以避免对电力系统和用户造成更大的影响。然而，在实际应用中，算法的实时性和准确性往往受到计算资源、数据质量等多种因素的限制。

5、由于接地故障的多样性和复杂性，设计一个能够适用于所有情况的通用算法是非常困难的。算法需要在不同的环境、不同的设备以及不同的故障条件下都能保持稳定的性能。

6、在配电网接地故障的分类与诊断领域，现有技术主要依赖于传统的信号处理方法和机器学习算法，如支持向量机（svm）、k近邻（knn）和决策树（dt）等。这些方法虽然在一定程度上能够实现故障分类，但仍存在以下显著缺点：特征提取能力有限：传统方法往往依赖于人工设计的特征，这些特征在复杂多变的配电网接地故障环境中可能无法全面反映故障特性，导致分类准确率受限。对高维特征处理能力不足：随着配电网规模的扩大和智能化程度的提高，故障数据日益复杂，传统方法在处理高维特征时显得力不从心，难以捕捉细微的故障特征差异。实时性差：在处理大规模配电网数据时，传统方法的计算复杂度较高，难以满足实时性要求，这对于需要快速响应的接地故障分类场景尤为不利。适应性差：配电网的运行环境复杂多变，故障类型繁多，传统方法在面对新型故障或复杂故障场景时，往往需要重新设计特征或调整参数，缺乏良好的自适应能力。对高阻接地故障识别困难：高阻接地故障由于过渡电阻较大，故障特征微弱，传统方法难以有效识别，导致这类故障的处理成为技术难题。

技术实现思路

1、本技术实施例的目的在于提供一种配电网接地故障分类方法、系统及介质，将智能优化算法与深度学习技术相结合，为配电网的智能化运维和故障管理提供了新的思路和技术手段，有助于提升电力系统的整体运行效率和可靠性。

2、为实现上述目的，本技术提供如下技术方案：

3、第一方面，本技术实施例提供一种配电网接地故障分类方法，包括以下步骤：

4、采集多种配电网接地故障原始数据，并对数据进行预处理；

5、对数据进行标签编码，标注每个数据点是否属于故障及其故障类型；

6、通过改进的麻雀搜索算法将接地故障数据嵌入到高维轨迹矩阵中，对故障矩阵进行奇异值分解，提取主要的信号成分；

7、将从issa中提取的奇异值特征向量作为lstm模型的输入数据；

8、建立lstm模型，确定模型核心部分遗忘门、输入门、输出门的参数；

9、设置issa算法相应的参数与lstm初始超参数；

10、使用issa优化lstm网络中的超参数，结合形成issa-lstm模型；

11、使用测试集的数据对issa-lstm模型进行验证。

12、所述采集多种配电网接地故障原始数据，并对数据进行预处理具体为，

13、采集15种配电网接地故障原始数据，并对数据进行预处理，其中包括处理缺失值、去除噪声、平滑数据、标准化数据，确保数据的一致性和准确性，运用均值插补的方法对数据的缺失值进行处理，则缺失值有：

14、，

15、其中为缺失值，运用进行替代，

16、运用标准差法去除噪声，使用均值和标准差判断数据点是否为异常值，如果数据点的值超出的范围则被认为是噪声，即：

17、 

18、通过指数加权平均来平滑时间序列数据，简单指数平滑公式为：

19、

20、其中为平滑后的值，是平滑系数，

21、最后将处理的数据进行标准化，将特征值缩放到范围内：

22、 。

23、所述对数据进行标签编码，标注每个数据点是否属于故障及其故障类型具体为，将故障设置为0-14的15种类标签，分别对应树枝搭担、树障、变压器接头、熔断器故障、柱上开关故障、pt故障、柱上入地电缆故障、导线搭担、地缆绝缘不良、地缆放电、柜室电缆放电、柜内动物闯入、低压故障、雷击、避雷线脱落。

24、所述通过改进的麻雀搜索算法将接地故障数据嵌入到高维轨迹矩阵中，对故障矩阵进行奇异值分解，提取主要的信号成分具体为，

25、将每一种故障信号数据构造成一个矩阵，假设每个信号的数据点数量为n，信号的长度为l，那么可以将信号数据重构为一个l×k的轨迹矩阵x，其中，

26、对重构后的轨迹矩阵x进行奇异值分解，具体公式为：

27、

28、式中：为左奇异矩阵，为右奇异矩阵，

29、从奇异值矩阵中选择前几个主要的奇异值，这些奇异值对应于故障信号的主要特征，通过分析这些奇异值的大小，有效地区分不同的故障类型，从而达到优化lstm的分类能力的目的。

30、所述将从issa中提取的奇异值特征向量作为lstm模型的输入数据具体为，

31、将从issa中提取的奇异值特征向量作为lstm模型的输入数据，对于每个时间步，lstm模型接收一组奇异值特征向量，形成特征序列输入：

32、 （6）

33、式中为不同时间步。

34、所述建立lstm模型，确定模型核心部分遗忘门、输入门、输出门的参数具体为，模型参数设定中，lstm层的隐藏单元数设置为50、学习率设置为0.001、并选择交叉熵函数作为损失函数,激活函数采用tanh函数，模型训练过程中，通过训练集进行迭代优化，同时使用验证集进行调优以防过拟合，最终，训练好的lstm模型用于对新数据进行接地故障分类，输出各类别的概率分布，从中确定具体的故障类型。

35、所述设置issa算法相应的参数与lstm初始超参数具体为，

36、对issa-lstm模型的参数进行设置，将新收集到的未经标注的故障数据输入到预训练的issa-lstm模型中，对模型进行多次重复的训练，并验证模型对故障分类的准确率，形成最终的issa-lstm模型。

37、所述使用issa优化lstm网络中的超参数，结合形成issa-lstm模型具体为，运用issa优化lstm的超参数，首先，生成初始种群，每个个体代表一组lstm超参数，然后训练lstm模型并评估每组参数的性能并根据适应度评估结果更新种群，生成新的个体，选择适应度较高的个体用于下一轮迭代，最后，迭代执行上述步骤，直到达到最大迭代次数或满足停止条件。

38、第二方面，本技术实施例提供一种配电网接地故障分类系统，该系统包括：存储器及处理器，所述存储器中包括配电网接地故障分类方法的程序，所述配电网接地故障分类方法的程序被所述处理器执行时实现以下步骤：采集多种配电网接地故障原始数据，并对数据进行预处理；对数据进行标签编码，标注每个数据点是否属于故障及其故障类型；通过改进的麻雀搜索算法将接地故障数据嵌入到高维轨迹矩阵中，对故障矩阵进行奇异值分解，提取主要的信号成分；将从issa中提取的奇异值特征向量作为lstm模型的输入数据；建立lstm模型，确定模型核心部分遗忘门、输入门、输出门的参数；设置issa算法相应的参数与lstm初始超参数；使用issa优化lstm网络中的超参数，结合形成issa-lstm模型；使用测试集的数据对issa-lstm模型进行验证。

39、第三方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码被处理器执行时，实现如上所述的配电网接地故障分类方法的步骤。

40、与现有技术相比，本发明的有益效果是：

41、1.提高故障分类准确性：

42、（1）优化模型性能：通过使用改进的麻雀搜索算法（issa）来优化lstm网络的超参数，能够提升模型对配电网故障特征的学习能力，提高故障分类的准确性。

43、（2）捕捉复杂特征：lstm网络擅长处理时间序列数据，能够有效识别配电网中故障信号的时序特征，结合issa可进一步增强对复杂故障模式的识别。

44、2. 增强实时监测能力

45、（1）快速响应故障：配电网的故障需要快速定位和分类，以减少停电时间和经济损失。issa-lstm能够实现高效的实时监测与分析，为运维人员提供及时的故障诊断信息。

46、（2）动态调整：该模型可以根据实时数据动态调整参数，以适应配电网运行状态的变化，提高在线故障分类的灵活性。

47、3. 处理多样化故障类型

48、（1）广泛适用性：配电网中可能发生多种类型的故障，issa-lstm能够结合不同故障的特征进行综合学习，从而提高对各类故障的分类能力。

49、（2）多维数据融合：该模型可以整合来自不同传感器和监测设备的数据，综合分析故障情况，提升分类的全面性和准确性。

50、4. 降低误报率

51、（1）减少误诊：传统的故障分类方法可能会导致较高的误报率，issa-lstm通过优化学习过程，能够提高模型的判别能力，降低误报和漏报的风险。

52、（2）智能决策支持：更高的分类准确性使得运维决策更加可靠，有助于制定有效的维护和应急响应策略。

53、5. 提高训练效率

54、加速模型训练：issa能够加快lstm模型的训练过程，通过优化算法参数，使得模型更快收敛，提高整体训练效率，为实际应用提供更快速的解决方案。