一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法

技术领域

本发明涉及电力系统技术领域，尤其涉及一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法。

背景技术

随着电力系统的不断发展，配电网作为面向用户的重要一环，具有规模大、线宽、线路长、故障率高等特点，配电网在地理位置上分散，并且在各种动态操作环境下，易受到各种故障的严重影响，如：设备故障、树搭线故障、异物搭接故障等，当配电网发生故障时，传统的故障原因查找方法为人工巡线，这种方法不仅耗费大量的人力和物力资源，而且耗时长，很容易导致事故扩大，同时，通过巡线人员查找故障原因，还存在着识别效果差、易产生误判漏判的问题。

在电力系统中，准确识别故障原因有如下好处：1)采取针对性的故障处理措施，减少浪费支出；2)为故障的预防工作提供可靠依据，降低同类故障的发生频率；3)自动识别故障，及时对故障做出操作响应；4)为新的线路设计和参数选择(绝缘子选择，塔架设计等)提供依据。现有技术大多是基于波形相似度对故障原因进行识别与分类，但是在实际配电网系统中，不同的原因导致的故障其波形具有很高的相似度，而且将三相电流和三相电压波形作为特征时，故障相别的特征信息更加明显，会掩盖故障原因的特征信息，严重的影响故障原因的识别与分类效果。

发明内容

本发明的目的是提供一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法，该方法能够快速、准确地对实际配电网的故障原因进行识别和分类，实现电力系统动态行为的实时监测。

本发明的目的是通过以下技术方案实现的：

一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法，所述方法包括：

步骤1、获取待检测配电网的故障录波数据，截取故障发生后的一周波故障数据；其中，所述故障录波数据为零序电流数据；

步骤2、将步骤1截取的故障数据通过短时傅里叶变换进行特征提取，得到时频特征图，并采用数据增强的方法对所得到的时频特征图进行旋转、翻转、平移，以扩充数据；

步骤3、构建卷积神经网络CNN分类模型，并利用数据扩充后的时频特征图对所构建的卷积神经网络CNN分类模型进行训练；

步骤4、对实际测量的故障数据进行步骤1和步骤2的操作，得到实测数据的时频特征图，并作为测试数据集对步骤3训练好的卷积神经网络CNN分类模型进行测试，实现故障原因的准确识别和分类。

由上述本发明提供的技术方案可以看出，上述方法能够快速、准确地对实际配电网的故障原因进行识别和分类，实现电力系统动态行为的实时监测。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法流程示意图；

图2为本发明实施例所构造的卷积神经网络模型的示意图；

图3为本发明实施例的故障原因识别与分类方法的特征二维可视化示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，这并不构成对本发明的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1所示为本发明实施例提供的基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法流程示意图，所述方法包括：

步骤1、获取待检测配电网的故障录波数据，截取故障发生后的一周波(即0.02s)故障数据；

其中，所述故障录波数据为零序电流数据：

在该步骤中，首先获取待检测配电网的故障录波数据，通过待检测配电网中的故障录波装置记录故障发生前后共16个周波的波形数据，采样频率为4096HZ和12800HZ；其中，所述故障录波数据为零序电流数据；

故障的原因包括：变压器台柔性电缆烧毁故障、绝缘击穿故障、设备引线搭接故障、金属类异物故障和树线矛盾故障；

上述五种故障的波形数据均为单相接地故障，且为瞬时性故障，因此对不同故障原因的零序电流数据进行数据预处理，截取故障发生后的一周波，即0.02s的故障数据，此周波中故障分量最丰富。

步骤2、将步骤1截取的故障数据通过短时傅里叶变换(STFT)进行特征提取，得到时频特征图，并采用数据增强的方法对所得到的时频特征图进行旋转、翻转、平移，以扩充数据；

在该步骤中，基于上述五种故障原因波形数据其时域以及频域的特征差异，采用能够同时反映时域和频域特性的时频域方法，即短时傅里叶变换(STFT)进行不同故障原因的特征提取，所采用的短时傅里叶变换的公式如下：

其中，x(t)为故障信号；w(t)为窗函数；ω为角频率；τ是时间变量；随着τ的不断变化，w(t)的窗口在时间轴上移动，反映出故障信号x(t)在时刻为τ、频率为ω的分量的相对含量；

将故障信号x(t)进行离散化处理得到x(n)，离散短时傅里叶变换数学表达式如下：

其中，x(n)为截取的故障数据；w(n)为窗函数；w(n-m)为滑动窗，n代表当前滑动位置；ω为角频率；N为数据点总数；m表示采样点；

通过对步骤1截取的故障数据做短时傅里叶变换，提取出不同故障原因的时频域特征，得到不同故障原因的时频特征图；

由于现有数据量有限，为解决该问题，再采用数据增强的方法对所得到的时频特征图进行旋转、翻转、平移，以扩充数据，同时解决了CNN分类模型存在的“平移不变性”的问题。

步骤3、构建卷积神经网络CNN分类模型，并利用数据扩充后的时频特征图对所构建的卷积神经网络CNN分类模型进行训练；

在该步骤中，首先对数据扩充后的时频特征图进行预处理，原始时频特征图的大小为875*656像素，首先将图像压缩至100*100像素，并且为了防止梯度爆炸和梯度消失现象，对时频特征图进行归一化处理，归一化的公式如下：

其中，x

预处理后的时频特征图将作为卷积神经网络CNN分类模型的输入数据；

然后构造卷积神经网络CNN分类模型，如图2所示为本发明实施例所构造的卷积神经网络模型的示意图，该模型采用了四个卷积层、四个池化层以及三个全连接层构造卷积神经网络，卷积层的运算公式如下：

其中，

relu(x)＝max(0,x)

其中，x是激活函数的输入；

所述卷积神经网络CNN分类模型通过全连接层得到特征向量，在全连接层后加入Softmax函数，并采用交叉熵函数作为损失函数，计算预测的概率分布和真实答案的概率分布之间的距离，再通过最小化损失函数的方式得到预测的类别标签；

其中，Softmax函数的计算过程如下：

其中，z

将预处理后的时频特征图输入到构建好的卷积神经网络CNN分类模型中进行训练，并调整训练中的学习率、批大小、迭代次数参数，完成对卷积神经网络CNN分类模型的训练，如图2所示的卷积神经网络CNN分类模型。

步骤4、对实际测量的故障数据进行步骤1和步骤2的操作，得到实测数据的时频特征图，并作为测试数据集对步骤3训练好的卷积神经网络CNN分类模型进行测试，实现故障原因的准确识别和分类。

如图3所示为本发明实施例的故障原因识别与分类方法的特征二维可视化示意图，由图3的分类结果可以看出：本发明实施例所述方法具有较好的分类效果。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。本文背景技术部分公开的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。