一种基于迁移学习与残差网络的故障检测方法与流程

本发明涉及配电网单相接地故障识别，具体地说，涉及一种基于迁移学习与残差网络的故障检测方法。

背景技术：

1、目前，配电网中单相接地故障占比较高，对配电网发生的故障进行准确的在线识别是快速处理故障的重要一环。如果不能及时判定故障类型，故障可能沿着配电网向上游或向下游传播，进而发展为相间故障等多种可能，严重威胁电网的安全运行。

2、单相接地故障类型识别的一个重要挑战来自于类型多样。从过渡电阻大小角度，可以将单相接地故障划分为金属性接地、低阻接地以及高阻接地。目前并没有明确的阻值区分界限，根据故障成因，当过渡电阻达500ω以上时，可以认为发生了高阻接地故障。

3、根据故障成因将树障、导线坠地等称为高阻接地，实验数据表明，高阻抗地面阻值通常在500～1 000ω以上，对于干燥柏油路面，阻值甚至能达上万欧姆，树闪放电时可达3kω以上，人体触电电阻可达1.5～2.5kω以上。

4、由于高阻故障在检测方面的困难，配电线路在发生高阻接地故障后往往无法及时排除故障，继续运行将导致相间绝缘损坏，甚至引起相间故障，严重威胁电网安全运行。高阻接地故障伴随有电弧的产生，电弧电阻的变化随着电弧的重燃与熄灭会在短时间内变化非常大，甚至会导致相邻线路和设备的保护装置误动，引起触电和火灾事故的产生。

5、高阻接地故障需要准确检测，并进行消弧、过电压防护甚至切除故障线路或区段等相应处理。而相比于金属性接地与低阻接地，高阻接地故障电气量特征更不明显(零序电压可能小于相电压的15％，故障电流可能小于1a)、故障点更不稳定，其检测与处理更加困难。

6、值得庆幸的是，根据配电网的故障暂态电气量包含的丰富的故障信息理解并识别故障的类型，即将故障信号提取特征后再进行故障的分类识别。例如公开号为cn202211005095.7的《一种基于随机森林的配电网故障精确定位方法和系统》中，白浩等人通过小波变换与随机森林实现特征提取与特征筛选，筛选后的故障特征经由随机森林组成的协同训练半监督分类器进行分类，能够在少量有标签训练样本的条件下，可靠区分高阻接地故障与扰动事件，并具备一定的抗噪能力。在《电力系统保护与控制》期刊引用的《一种谐振接地系统的配电线路接地故障选线新方法》中，曾晶等人先对中性点零序电流采样后对其进行广义s变换，对得到的时频矩阵各行所对应的能量经过归一化处理后，将这些数据输入极限学习机进行识别。在《电子设计工程》期刊引用的《基于支持向量机的配电线路高阻接地故障检测方法》中，郑星炯等人对零序电流采样进行傅里叶变换并将其基波、谐波及间谐波的能量组成特征向量输入支持向量机。当接地电阻故障合闸角在特定情况下，算法会发生误判。在《电测与仪表》期刊中引用的《基于多信息融合的自适应单相接地故障在线定位研究与应用》中，许光等人应用大数据技术理论、模糊c-均值聚类分析法来提取故障特征量的阈值，进而提升单相接地故障准确性研究。然而，目前算法的研究仍然难以克服如下的挑战：

7、频谱分析容易受到与高阻故障的特征相似的扰动(如开关操作、负荷投切、电容器投入等)的影响而失效；

8、算法易受噪声影响，抗噪能力较弱，致使算法灵敏性较低。

9、为了解决上述问题，本发明提出了一种基于迁移学习与残差网络的故障检测方法。

技术实现思路

1、本发明的目的在于提供一种基于迁移学习与残差网络的故障检测方法，以解决上述背景技术中提出的问题。

2、为实现上述技术问题的解决，本发明的目的在于，提供了一种基于迁移学习与残差网络的故障检测方法，包括如下步骤：

3、s1、对配电网络零序电压进行检测，若零序电压有效值超过0.15um时，则认为配电网中发生了故障；

4、s2、采样时长为两个周期的零序电压信号，对零序电压进行时频分析；采用连续小波变换，获取零序电压的二维时频图；

5、s3、将时频图输入深度残差网络进一步判断故障类型；通过若干轮的采集分析，在排除为负荷、电容器投切干扰的可能性后，则可判断为弧光高阻接地故障。

6、其中，深度学习方法被广泛用于解决时间序列的分类问题，如多级小波分解网络(multilevel wavelet decomposition network，mwdn)、时间序列注意原型网络(timeseries attentional prototype network，tapnet)等。通过把时序数据转换为二维时序图像，可以应用视觉领域成熟稳定的模型。考虑到零序电压波形作为一个强时间序列，其前后输入具有强烈的关联性，因此本发明中采用深度残差网络来辨识，学习时序图像中潜在的时间关联性。

7、作为本技术方案的进一步改进，所述s2中，对零序电压进行时频分析，能够对配电网络是否发生高阻接地故障进行判断，其依据为：

8、配电网络在发生高阻接地故障hif时，接地介质的电阻较大，故障电流比负荷电流要小得多，故障特征不明显，但hif发生时“零休”现象总会周期性出现，而频域特征无法对“零休”现象的周期性出现规律进行表征，则引入连续小波变换，通过时频域变换的方法既提取其频域特征，又提取其时域特征，得到二维时频图以判断是否发生高阻接地故障。

9、作为本技术方案的进一步改进，所述s2中，对于时域信号进行特征提取时，先基于小波变换，提出一个一维电压信号特征提取算法，将一维信号转换为二维时频信号；其中，核心公式(1)所示的w(x)的连续小波变换定义为：

10、

11、其中，

12、

13、式中，s为尺度因子，s＞0；τ为平移因子；为尺度因子和平移因子函数。

14、本方案采样频率选取为1khz。根据小波在频率和时间上的能量扩展，自动确定最小和最大尺度。与时域信号中微弱的“零休”现象相比，时频图中的高频谐波含量的周期性变化更为明显。通过对比零序电压时频图，可以发现在中性点不接地系统发生弧光高阻接地故障时，奇次谐波含量显著，导致零序电压波形畸变。

15、作为本技术方案的进一步改进，所述s3中，观察到零序电压波形作为一个强时间序列，其前后输入具有强烈的关联性的原理，因此本发明中采用基于迁移学习与残差网络的配电网接地故障类型识别算法来构建辨识网络，学习时序图像中潜在的时间关联性；其中，模型选用在imagenet图像数据集上训练的resnet18模型。

16、作为本技术方案的进一步改进，所述s3中，在resnet18模型中，低层特征具有很强的迁移能力，而高层卷积层的特征都是和具体任务相关的抽象特征，对于差别比较大的数据集需要对较多的高层卷积层参数进行训练更新；

17、此时，采用迁移学习的方法提取浅层故障特征，进一步学习深层故障特征；训练出来的网络架构可以通过冻结参数实现小样本迁移，微调参数在不同的拓扑结构下进行测试；

18、网络层数的增加可以增强神经网络的表达能力，但是根据神经网络反向传播原理会导致梯度消失和梯度爆炸问题，深度残差网络不仅通过引入batchnorm，还通过残差学习试图从根本上解决退化的问题。

19、作为本技术方案的进一步改进，所述s3中，resnet18模型中的残差结构图与传统的卷积网络相比，残差块中引入了捷径连接。其作用为实现输入的恒等映射，让神经网络的输入x通过一个恒等映射i:x→x直接连接到有参层的输出x；

20、输入输出两部分连接对应的映射关系可以分别表示为f(x)与x，残差块的整体映射为f(x)+x；

21、若残差块期望学到的映射为h(x)，则残差块中卷积层的期望映射关系对应为f(x)＝h(x)-x，即为期望映射与恒等映射间的残差；

22、同时，引入归一化层提高模型训练的速度。研究表明，这种结构降低了学习的难度可以搭建出深层神经网络。

23、作为本技术方案的进一步改进，所述s3中，在resnet18模型中：

24、发生负荷、电容器投切时，电流同样会出现相同数量级的波动，各馈线中会产生与高阻故障时零序电流频谱特性相似的干扰；

25、高阻接地故障在不同的接地介质、中性点接地方式下故障电流特征发生变化，并且“零休”现象可能变得微弱，或出现偏移等情况；这使得高阻接地故障没有固定的特征，难以进行检测；

26、由于负荷、电容器投切干扰往往只是存在于相当短的一段时间内，只采样两个周期的零序电压信号不能判断为该信号是否存在弧光高阻接地故障；本方案采样频率为1mhz，当零序电压出现周期性的故障特征才判定为弧光高阻接地。因为收集到的信号时间较短，以采集五十次为一轮，算法的执行时间不过2s。

27、与现有技术相比，本发明的有益效果：

28、1.该基于迁移学习与残差网络的故障检测方法中，对于“零休”现象总会周期性出现，可以连续小波变换，提取时频信息作为故障特征；

29、2.该基于迁移学习与残差网络的故障检测方法中，对于零序电压波形是一个强时间序列，利用imagenet图像数据集上训练resnet18模型可以有效辨别，故障诊断准确率高，模型训练时间短。