一种基于时频图像信息的配电网单相接地故障选线方法与流程

本发明属于电力系统领域，涉及配电网故障诊断领域，具体涉及一种基于时频图像信息的配电网单相接地故障选线方法。

背景技术：

配电网是完成“最后一公里”电能输送任务的关键角色，直接影响供电的可靠性与质量。然而在实际情况中，配电网发生故障的概率较高，而其中单相接地故障最为常见。按照国家电网公司电力安全工作规程规定，中性点不接地或非直接接地的配电网发生单相接地故障后，为了不影响对用户的连续供电，系统仍可带故障运行1～2h。尽管如此，若故障得不到及时的消除，则故障可能从单相接地故障演变为更严重的线间故障。

配电网具有出线多，网络结构复杂的特点。考虑到我国大部分配电网都是采取中性点非直接接地的接地方式，若发生单相接地故障，零序电流较小，在线路首端母线上虽能通过寻找电压最低相的方式找到故障相，但并不能确定故障点所在的馈线。

技术实现要素：

本发明的目的在于提供一种基于时频图像信息的配电网单相接地故障选线方法，以解决配电网单相接地故障选线的问题，本发明将时频图像信息，卷积神经网络用于配电网单相接地故障模型，在配电网的故障诊断、维护管理等方面都具有很重要的现实意义。

为达到上述目的，本发明采用如下技术方案：

一种基于时频图像信息的配电网单相接地故障选线方法，包括以下步骤：

步骤1、建立配电网模型，该模型由同步发电机模型、变压器模型、线路模型和负荷模型组成，并利用该配电网模型进行配电网单相接地故障仿真；

步骤2、将故障仿真得到的数据转换为对应的时频图像信息；

步骤3、利用仿真得到的时频图像信息数据训练卷积神经网络，得到卷积神经网络选线模型；

步骤4、获取配电网单相接地故障后的故障数据，并转换成时频图像信息，利用卷积神经网络模型对单相接地故障进行选线。

进一步地，步骤1中建立的配电网模型中的线路模型为贝瑞隆模型，负荷模型为恒定阻抗模型。

进一步地，对步骤2中所述的故障仿真得到的数据为故障后各线路首端的零序电流波形。

进一步地，步骤2中将零序电流波形转换成时频图像的方法为：先对零序电流波形进行短时傅立叶变换，对变换得到的复数矩阵先求模后再进行下述归一化，最终形成8阶灰度图像：

a2＝10*logl0a1

a4＝255*a3

其中，a1为零序电流波形经短时傅里叶变换取平方模后得到的参数矩阵，a2为矩阵a1经过对数处理后的参数矩阵，a3为矩阵a2经最大-最小归一化处理的参数矩阵，a4为输出的8阶灰度图像参数。

进一步地，步骤2中将零序电流波形转换成时频图像，得到的时频图像是128像素×128像素的8阶灰度图像。

进一步地，步骤3中采用的卷积神经网络的输入图像尺寸为128像素×128像素，卷积神经网络的输出为一浮点数，表征线路的故障概率；卷积神经网络实现的功能为回归功能，故障线路的时频图像的训练标签为1，非故障线路的时频图像的训练标签为0；训练过程中采用的损失函数为均方根误差函数。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提出了基于时频图像信息的配电网单相接地故障选线方法，该方法通过短时傅里叶变换，将故障电流波形转换为二维灰度图，更好地挖掘了潜在的故障信息，并且使用卷积神经网络对该故障图像进行诊断，从而进行故障选线。该方法对比传统方法具有良好的选线性能。在所使用的配电网模型上都得了100％的选线正确率，另外本发明方法不需要升级现场测量设备，具有成本低，易于推广，符合实际应用要求的特点，具有良好的推广应用前景。

附图说明

图1本发明方法流程图；

图2配电网模型；

图3故障后的零序电流波形图；

图4由零序电流转换而来的时频图像；

图5卷积神经网络设计模型示意图；

图6不同过渡电阻下的新型方法选线性能；

图7不同故障初相角下的新型方法选线性能；

图8不同故障地点下的新型方法选线性能。

具体实施方式

下面结合附图对本发明的实施过程作进一步详细描述：

如图1所示，本发明是一种基于时频图像信息的配电网单相接地故障选线方法，具体包括以下步骤：

步骤1、建立配电网模型，该模型由同步发电机模型，变压器模型，线路模型，负荷模型组成，并利用该配电网模型进行配电网单相接地故障仿真，其中线路模型采用贝瑞隆模型，负荷采用恒定阻抗模型，中性点采用过补偿方式接地，过补偿度8％，如图2所示。

步骤2、利用配电网单相接地故障模型得到故障后配电网各线路首端的零序电流，如图3所示。并对波形做短时傅立叶变换，得到复数矩阵，先求模，后再进行下述归一化，接着裁剪图像至128像素×128像素的尺寸，并包含故障信息，最终形成8阶灰度图像，如图4所示。

a2＝10*logl0a1

a4＝255*a3

其中，a1为零序电流波形经短时傅里叶变换取平方模后得到的参数矩阵，a2为矩阵a1经过对数处理后的参数矩阵，a3为矩阵a2经最大-最小归一化处理的参数矩阵，a4为输出的8阶灰度图参数。

步骤3、利用仿真得到的时频图像信息数据训练卷积神经网络，得到卷积神经网络选线模型，采用的卷积神经网络结构的示意图如图5所示。其中卷积神经网络的输入是该线路由零序电流转换而来的时频图像，输出为该线路的故障概率，故障线路为1，非故障线路0。

步骤4、获取配电网单相接地故障后的故障数据，并转换成时频图像信息，利用卷积神经网络模型对单相接地故障进行选线。选线的判断过程为：将各线路故障后得到的时频图像信息都输入卷积神经网络，得到各自的输出值，将各自输出值进行比较，值最大的线路判断为故障线路。

实施例

配电网模型如图1所示，本配电网有7条馈线，长度分别为20km，10km，11km，12km，17km，15km，8km。线路参数如下表所示。

配电网中各变压器参数如下表所示。

配电网中性点接地方式为过补偿接地，过补偿度为8％。各条馈线末端的负荷为0.16+0.032ω的阻抗。

使用上述配电网模型，根据故障线路，故障地点，过渡电阻，故障初相角不同，生成许多故障零序电流波形，在波形上加上一定强度的噪声，经过转换后生成时频图像，组成了训练集，使用训练集对卷积神经网络进行训练。

本实施例的卷积神经网络结构如图5所示采用了多层卷积层，并且激活函数都选用relu函数，最终的全连接层即为输出层。

此后再使用在上述配电网模型中的再次生成的故障数据组成测试集，对卷积神经网络进行测试，并按照选取卷积神经网络输出值最大的线路为故障线路的选线原则，得出对应的故障线路。最终得到的选线效果如图6,7,8所示。图中的cnn法即为基于时频图像信息的配电网单相接地故障选线方法，另外两种方法为传统方法，用以对比。图6分析了不同过渡电阻下的选线性能，图7分析了不同故障初相角下的选线性能，图8分析了不同故障地点下的选线性能。结果显示，基于时频图像信息的配电网单相接地故障选线方法性能良好，远优于传统方法。