本发明涉及配电网领域，特别是一种基于卷积神经网络的配电网单相接地故障选线方法。
背景技术：
随着国民生活水平的提高和社会经济建设的不断发展，人们对电力需求量日益增长，配电系统作为连接输电系统与用户的重要部分，它的安全稳定运行对用户的用电安全、用电可靠性和用电利益有着直接影响。配电网发生单相接地故障的几率高达80％，随着配电网结构的复杂化，电网中系统线路(包括电缆线路、缆-线混合线路)逐渐增多，导致系统对地分布电容增大，电容电流也增大，长时间带故障运行容易破坏系统薄弱环节处的绝缘，使故障扩大成两点或多点接地短路；金属性接地引起的单相过电压可能烧毁母线的电压互感器；弧光接地还可能导致全网络的过电压，因此必须及时准确地找到并切除故障馈线，防止故障进一步扩大。
国内外对于单相接地故障馈线识别研究的核心步骤是特征量的提取。由于不同故障线路、不同故障位置、不同接地电阻、不同故障合闸角以及其他故障条件均会影响暂态零序电流的大小及形状，从而影响到故障选线的准确性。往往需要寻求多个特征量方可表征单相接地故障信号的特征模式，达到识别的目的，且应用于配电网单相接地故障馈线识别问题的分类算法主要都是采用较为成熟的机器学习算法，这些算法不具备自我学习的能力。深度学习算法可以从大量未标记数据中进行自我学习，防止出现过拟合或者陷入局部最优解的情况。最新的研究成果显示，深度学习算法在多个领域改善了分类识别的性能，其在电力系统分类识别问题中有良好的应用前景。
技术实现要素：
本发明的目的在于提供一种基于卷积神经网络的配电网单相接地故障选线方法，以克服现有技术中存在的缺陷。
为实现上述目的，本发明的技术方案是：一种基于卷积神经网络的配电网单相接地故障选线方法，按照如下步骤实现：
步骤s1：获取母线零序电压、各馈线零序电流信号；
步骤s2：根据预设的分解尺度对所述各零序电流信号做连续小波变换；
步骤s3：根据所述步骤s2获取的时频矩阵，获取时间-尺度小波系数灰阶图；
步骤s4：将所获取的时间-尺度小波系数灰阶图作为训练样本和测试样本，通过采用经训练的卷积神经网络算法进行故障馈线识别。
在本发明一实施例中，在所述步骤s1中，建立一配电网单相接地故障模型，通过该配电网单相接地故障模型截取单相接地故障发生前1个周波到故障发生后的1个周波共2个工频周波的母线零序电压的仿真波形，以及故障发生后的0.5个工频周波的各馈线零序电流的仿真波形。
在本发明一实施例中，在所述步骤s2中，将母线零序电压是否大于预设的阈值作为选线流程的启动条件，通过采用连续小波变换分解方法对各馈线零序电流信号进行波形分解。
在本发明一实施例中，所述阈值为额定相电压的15％。
在本发明一实施例中，在所述步骤s3中，记一馈线零序电流信号波形采样点数为m，经分解尺度为n的连续小波变换后，得到时间-尺度小波系数矩阵a为：
在本发明一实施例中，选取db5为小波基函数，分解尺度为100，采样点数为100，得到图像样本大小为100×100的灰阶图。
在本发明一实施例中，在所述步骤s4中，所述卷积神经网络算法采用12层卷积神经网络，包括：1个输入层、5个卷积层、4个池化层、1个全连接层和1个输出层；通过利用反向传播算法对所述卷积神经网络算法进行训练。
在本发明一实施例中，所述卷积神经网络算法进行训练还包括如下步骤：
步骤s41：初始化卷积神经网络结构，包括：每个卷积层的卷积核大小与数量、输出特征图数量、每个下采样层的采样窗口大小、下采样方式、下采样步长以及边界延拓方式，并设置每批迭代样本数量以及迭代上限次数；
步骤s42：将所有时间-尺度小波系数灰阶图样本的图像大小调整为与输入层匹配的输入图像大小，并把所有样本分为训练集、测试集；
步骤s43：初始化参数；将各层权值ω、偏置项b初始化为随机数；将超参数α、λ初始化为随机数，并设置随着训练次数增加时这两个参数的调整策略；
步骤s44：建立各层之间的相关矩阵；
步骤s45：开始训练网络，进行一次前向传播，按顺序计算每层的激活值，然后计算输出层实际输出值与给定类型值的误差值；
步骤s46：将所述步骤s45得到的误差值进行反向传播，分别计算每层权值和偏置项的调整量，并判断是否需要进行超参数的更新；
步骤s47：根据所述步骤s46得到的调整量，调整各层权值和偏置项；
步骤s48：重复所述步骤s45～步骤s47，直到误差满足预设精度要求或达到迭代次数上限；
步骤s49：训练结束，保存训练结束时的各项更新后的最新参数。
在本发明一实施例中，通过采用所述卷积神经网络算法进行故障馈线与非故障馈线的分类识别。
相较于现有技术，本发明具有以下有益效果：
1、本发明利用连续小波变换获取时间-尺度小波系数灰阶图，可完备地提取零序电流信号的时频特征。
2、本发明结合卷积神经网络算法进行单相接地故障馈线识别，不需要进行多个特征量的提取，卷积神经网络算法可以自主学习各类工况下单相接地故障零序电流的时频特征，也即各馈线零序电流信号的时间-尺度小波系数灰阶图的特征，训练完成即可进行故障选线，打破了故障馈线识别特征量提取困难的壁垒。
3、本发明的适应性较强，实测波形和仿真波形均能取得良好的效果，能够较准确地识别不同故障线路、不同故障位置、不同接地电阻、不同故障合闸角以及两点接地、弧光接地、高阻接地、噪声干扰、互感器反接、网络结构变化、分布式电源接入等工况下的配电网单相接地故障类型。
4、在考虑单相接地故障类型时，充分考虑不同单相接地故障工况，包括典型接地故障类型、特殊接地故障类型，以及抗噪性能、网络结构变化、分布式电源接入等类型，充分显示该算法良好的适应性。
5、能够直接对单相接地故障各馈线零序电流仿真波形进行辨识，也可直接对现场录波装置记录的各馈线零序电流波形进行辨识，与工程实际紧密结合，可靠的反映电力系统实际运行中单相接地故障的各类情况。
附图说明
图1为本发明一实施例中基于卷积神经网络的配电网单相接地故障选线方法的流程图。
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进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种基于卷积神经网络的配电网单相接地故障选线方法，如图1所示，包括如下步骤：
步骤s1：母线零序电压、各馈线零序电流信号；
步骤s2：对各零序电流信号按照设定的分解尺度做连续小波变换；
步骤s3：获取时间-尺度小波系数灰阶图；
步骤s4：采用经训练的卷积神经网络算法进行故障馈线识别。
进一步的，在步骤s1中，建立一配电网单相接地故障模型，通过该配电网单相接地故障模型截取单相接地故障发生前1个周波到故障发生后的1个周波共2个工频周波的母线零序电压的仿真波形，以及故障发生后的0.5个工频周波的各馈线零序电流的仿真波形。
进一步的，小波变换是一种非线性、非平稳的瞬时信号分析方法。该方法在时域、频域同时具有良好的局部化性质，使得它比傅里叶变换及短时傅里叶变换更为精确可靠，并使得具有奇异性、瞬时性的故障信号检测也变得更加准确。它的出现让我们有条件对暂态故障信号进行更为深入的分析，准确地从中提取有利于故障选线的特征，从而提高故障选线的准确性。小波变换在处理非线性、非平稳的瞬时信号分析方面突出的优越性具体表现为：
1)只要符合允许小波条件的基函数均可作为小波基函数，因此小波变换的灵活性很高；
2)多分辨分析的应用使得小波变换过程十分快速；
3)小波变换具有在时-频域均可揭示信号特征的时频双域性特点。
在本实施例中，基于上述优点，通过适当地选择基本小波基，可将小波变换用于提取暂态故障特征，提高故障选线的准确率。
设ψ(t)∈l2(r)是平方可积函数，其傅里叶变换为ψ(ω)，当ψ(ω)满足条件
则ψ(t)为母小波函数，对ψ(t)进行平移和伸缩变换，得到一组称为小波函数簇的二维基底，再用该组基底去表示或逼近某一信号，即为小波变换的基本思想。记选取的母小波函数为ψ(t)，定义伸缩因子a和平移因子b，则生成的小波函数簇ψa,b(t)为
对于任意的函数x(t)在l2(r)上的积分连续小波变换定义为：
进一步的，在步骤s2中，将母线零序电压是否大于预设的阈值作为选线流程的启动条件，通过采用连续小波变换分解方法对各馈线零序电流信号进行波形分解。较佳的，阈值为额定相电压的15％。
进一步的，在步骤s3中，记一馈线零序电流信号波形采样点数为m，经分解尺度为n的连续小波变换后，得到时间-尺度小波系数矩阵a(aij(i＝1,2,...,n；j＝1,2,...m))为：
较佳的，选取db5为小波基函数，分解尺度为100，采样点数为100，得到图像样本大小为100×100的灰阶图。时间-尺度小波系数灰阶图作为卷积神经网络的输入，可以反映不同馈线零序电流信号的时频特征，灰度颜色越深，表示系数的值越大。
进一步的，在步骤s4中，卷积神经网络算法采用12层卷积神经网络(cnn)，包括：1个输入层、5个卷积层、4个池化层、1个全连接层和1个输出层；通过利用反向传播(bp)算法对所述卷积神经网络算法进行训练，具体包括如下步骤：
步骤s41：初始化卷积神经网络结构，包括：每个卷积层的卷积核大小与数量、输出特征图数量(卷积步长默认为1)、每个下采样层的采样窗口大小、下采样方式、下采样步长以及边界延拓方式等，并设置每批迭代样本数量以及迭代上限次数等；
步骤s42：将所有时间-尺度小波系数灰阶图样本的图像大小调整为与输入层要求匹配的输入图像大小，并把所有样本分为训练集、测试集；
步骤s43：初始化参数；将各层权值ω、偏置项b初始化为接近0的随机数；将超参数α、λ初始化为初始化为足够小的随机数，并设置随着训练次数增加时这两个参数的调整策略；
步骤s44：定义各层之间的相关矩阵；
步骤s45：开始训练网络，进行一次前向传播，按顺序计算每层的激活值，然后计算输出层实际输出值与给定类型值的误差值；
步骤s46：将所述步骤s45得到的误差值进行反向传播，分别计算每层权值和偏置项的调整量，并判断是否需要进行超参数的更新；
步骤s47：根据所述步骤s46得到的调整量，调整各层权值和偏置项；
步骤s48：重复所述步骤s45～步骤s47，直到误差满足预设精度要求或达到迭代次数上限；
步骤s49：训练结束，保存训练结束时的各项更新后的最新参数。
为了让本领域技术人员进一步了解本发明提出的技术方案，下面结合具体实施例进行说明。
在本实施例中，利用仿真软件搭建的配电网单相接地故障模型或录波装置获取母线零序电压和各馈线零序电流的波形，截取预设的母线零序电压和馈线零序电流波形区间；当母线零序电压超过设定的阈值(额定相电压的15％)启动选线流程，然后，利用连续小波变换对馈线零序电流信号进行分解，选择合适的分解尺度得到时频矩阵，获取时间-尺度小波系数灰阶图，作为卷积神经网络的训练样本和测试样本，从而实现对单相接地故障馈线的有效辨识。
本实例选取的各馈线零序电流信号来源于pscad/emtdc软件搭建10kv配电网模型用于获取零序电流数据。训练样本和测试样本均为9320个。
单相接地故障馈线的辨识步骤为：
(1)时间-尺度小波系数灰阶图的获取
根据本发明提供的上述技术方案，截取单相接地故障发生后的0.5个工频周波(100个采样点)的各馈线零序电流的仿真波形。对系统中每条馈线的暂态零序电流波形分别做连续小波变换处理，选取db5为小波基函数，分解尺度为100，得到图像样本大小为100×100的时间-尺度小波系数灰阶图。
(2)单相接地故障馈线类型辨识
根据本发明提供的上述技术方案，输入层的输入图像为100×100的小波系数灰阶图；
卷积层1采用32个5×5的卷积核对输入图像进行卷积操作，卷积移动步长为1，输出32个96×96的特征图；
下采样层1采用最大值下采样方式，采样窗口大小3×3，横纵步长均为2，边界延拓方式采用上侧和左侧两侧增补，输出32个48×48的特征图；
卷积层2采用32×32＝1024个5×5的卷积核对32个特征图进行卷积操作，卷积移动步长为1，边界延拓方式采用上、下、左、右共四侧增补，获得32个48×48的输出特征图；
下采样层2采用平均值下采样方式，采样窗口大小3×3，横纵步长均为2，边界延拓方式采用上侧和左侧两侧增补，输出32个24×24的特征图；
卷积层3采用32×64＝2048个5×5的卷积核对32个特征图进行卷积操作，卷积移动步长为1，边界延拓方式采用上、下、左、右共四侧增补，获得64个24×24的输出特征图；
下采样层3采用平均值下采样方式，采样窗口大小3×3，横纵步长均为2，边界延拓方式采用上侧和左侧两侧增补，输出64个12×12的特征图；
卷积层4采用64×64＝4096个5×5的卷积核对64个特征图进行卷积操作，卷积移动步长为1，获得64个8×8的输出特征图；
下采样层4采用平均值下采样方式，采样窗口大小3×3，横纵步长均为2，边界延拓方式采用上侧和左侧两侧增补，输出64个4×4的特征图；
卷积层5采用64×128＝8192个5×5的卷积核对64个特征图进行卷积操作，卷积移动步长为1，获得128个1×1的输出特征图；
全连接层将下采样层输出的128个特征图按列展开，并以此堆叠，形成128×1的特征向量，并与输出层全连接；
输出层输出一个2×1的类型判别向量。
输出结果中的每个元素值均在[0,255]，取最大值元素所在的位置编号作为最终判别的故障馈线类型编号，其对应关系为1：故障馈线；-1：非故障馈线；设置每批迭代样本数量为40、迭代上限次数为8000。
辨识结果：识别正确率达98.26％以上。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。