一种基于半监督生成对抗网络的故障选线方法技术

本发明专利技术公开了一种基于半监督生成对抗网络的故障选线方法，包括如下步骤：S1.样本的采集以及数据预处理；S2.基于半监督深层对抗网络的故障选线模型构建；S3.半监督生成对抗网络模型的训练；S4.基于半监督生成对抗网络的故障选线模型的在线运行。本发明专利技术的方法能够仅使用少量有标签数据以及无标签数据进行训练，提取单相接地故障特征，即可获得较高的故障选线精度，解决了传统数据驱动故障选线方法在仅有少量样本的情况下训练困难的问题。有少量样本的情况下训练困难的问题。有少量样本的情况下训练困难的问题。

【技术实现步骤摘要】
一种基于半监督生成对抗网络的故障选线方法


[0001]本专利技术属于电力系统
，具体涉及一种基于半监督生成对抗网络的故障选线方法。

技术介绍

[0002]在小电流接地系统中，单相接地故障是最常发生的故障，约占故障总数的80％。小电流接地系统发生单相接地故障时，故障点与线路不产生低阻抗的故障回路，因此故障线路没有明显区别于其他线路的故障特征，难以选出故障线路。
[0003]传统的故障选线方法根据使用的故障信号类型不同，可分为三类。它们分别为稳态法、暂态法和注入信号法。进一步地，由于上述方法所需的设备成本较高、易受干扰等问题，实践中难以达到令人满意的效果。因此有部分方法尝试使用数据驱动模型解决故障选线问题。例如，中国专利《一种小电流接地系统单相接地故障选线方法》(公开号CN109581137)和中国专利《一种基于LSTM的单相接地故障选线方法及系统》(申请号CN202110307110.2)等分别提出了使用深度信念网络和长短期记忆网络等数据驱动模型进行故障选线。这些方法虽然效果较好且训练稳定，能够从大量有标签故障样本中提取深层特征，在一定程度上提高了故障选线结果的可靠性。但是，数据驱动模型需要大量的有标签数据进行模型训练，该方法在仅有少量样本的情况下存在训练困难的问题，这导致许多无足量历史数据的变电站无法应用这些方法。
[0004]有标签样本不足的问题主要有两个方面的因素造成。第一是电力系统绝大多数时间都处于正常运行状态，故障的概率较小；第二是标签标记的成本较大，甚至是不可能的。因此，利用无标签样本中隐含的故障特征提升故障选线模型的精度是一条具有极大应用前景的技术路线。
[0005]生成对抗网络(Generative Adversarial Network,GAN)是由Goodfellow等人于2014年提出的一种基于非合作博弈理论的无监督生成式模型。自从被提出以来，该模型广泛应用于图片生成、数据增强等领域。半监督生成对抗网络(Semi
‑
Supervised Generative Adversarial Networks,半监督生成对抗网络)是生成对抗网络的一种改进模型，它能够利用较少的有标签样本和无标签样本进行训练，最终获得性能达到先进水平的分类器，半监督生成对抗网络能够缓解小样本应用场景下深度学习算法训练困难等问题。

技术实现思路

[0006]本专利技术的目的在于针对现有技术中的上述问题，提供一种基于半监督生成对抗网络的故障选线方法，该方法能够仅使用少量有标签数据以及无标签数据进行训练，提取单相接地故障特征，即可获得较高的故障选线精度，能够解决传统数据驱动故障选线方法在仅有少量样本的情况下训练困难的问题。
[0007]为实现上述专利技术目的，本专利技术采用了如下技术方案：
[0008]一种基于半监督生成对抗网络的故障选线方法，包括如下步骤：
[0009]S1.样本的采集以及数据预处理：
[0010]采集和存储从变电站上传到调度系统的历史数据，从中提取出故障选线相关的电气参数并生成样本；
[0011]所述样本分为有标签样本和无标签样本，样本中包含了各线路的电气参数，所述电气参数包括三相电流、有功功率、无功功率和功率因数；
[0012]采用min
‑
max归一化对所有样本的各电气参数分别进行处理，并将归一化处理后的数据输入半监督生成对抗网络；
[0013]S2.基于半监督深层对抗网络的故障选线模型构建：
[0014]半监督生成对抗网络包括生成器和判别器，所述生成器用于根据输入的随机噪声生成假数据；所述判别器用于区分输入数据的真假以及输入数据的类别；
[0015]所述生成器通过接收一个随机噪声，使用一维反卷积神经网络处理该随机噪声，输出一个与真实样本维度相同的假样本，并将包含有假样本、有标签样本和无标签样本的输入样本输送到所述判别器；
[0016]所述判别器与所述生成器通过不断地博弈训练，最终达到平衡，此时判别器对输入样本进行分类预测，使用一维卷积神经网络对输入样本进行特征提取，再通过全连接层对特征进行处理，最终获得模型对输入样本的分类结果，选择出该输入样本代表的故障线路，得到基于半监督深层对抗网络的故障选线模型；
[0017]S3.半监督生成对抗网络模型的训练：
[0018]特征匹配：以特征匹配作为生成器的损失函数，用于提升模型训练的稳定性；
[0019]历史均值：在生成器和判别器的损失函数中添加一项对模型参数的约束，在进行参数更新时，考虑过去的样本提供的信息，用于约束模型参数的波动，从而使模型在原有平衡点的附近寻找新的平衡点；
[0020]单侧标签平滑：使用单侧标签平滑技术对样本集标签进行处理，以减少对抗样本对模型的影响，得到改进后的半监督生成对抗网络的生成器以及判别器的损失函数；
[0021]采用基于半监督生成对抗网络的故障选线模型训练框架对半监督生成对抗网络进行训练；
[0022]S4.基于半监督生成对抗网络的故障选线模型的在线运行：
[0023]基于半监督生成对抗网络的故障选线模型架构包括离线训练和在线运行；在离线训练中，半监督生成对抗网络通过博弈训练达到平衡点，此时丢弃生成器，仅将判别器的参数迁移到基于半监督生成对抗网络的故障选线模型；在线运行中，将变电站实时采样的数据传输到调度系统，经过预处理后输入基于半监督生成对抗网络的故障选线模型，基于半监督生成对抗网络的故障选线模型对输入数据进行分类，从而判别出故障线路作为分类结果；
[0024]分类结果以及变电站实时采样的数据被存储到样本集的历史数据中，以此实现模型参数的不断更新。
[0025]进一步地，所述步骤S1中从中提取出故障选线相关的电气参数并生成样本的方法如下：
[0026]所述样本的格式如式(1)
‑
(4)：
[0027]l
ij
＝[I
0ij I
aij I
bij I
cij P
ij Q
ij cosθ
ij
]T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)；
[0028]x
i
＝[l
i1 l
i2 ... l
in
]T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；
[0029]X＝[x
1 x
2 ... x
T
]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；
[0030][0031]式中，l
ij
表示线路j在第i时刻的电气数据；I
0ij
、I
aij
、I
bij
、I
cij
分别表示线路j在i时刻的零序电路、A相电流、B相电流、C相电流；P...

【技术保护点】

【技术特征摘要】
1.一种基于半监督生成对抗网络的故障选线方法，其特征在于，包括如下步骤：S1.样本的采集以及数据预处理：采集和存储从变电站上传到调度系统的历史数据，从中提取出故障选线相关的电气参数并生成样本；所述样本分为有标签样本和无标签样本，样本中包含了各线路的电气参数，所述电气参数包括三相电流、有功功率、无功功率和功率因数；采用min
‑
max归一化对所有样本的各电气参数分别进行处理，并将归一化处理后的数据输入半监督生成对抗网络；S2.基于半监督深层对抗网络的故障选线模型构建：半监督生成对抗网络包括生成器和判别器，所述生成器用于根据输入的随机噪声生成假数据；所述判别器用于区分输入数据的真假以及输入数据的类别；所述生成器通过接收一个随机噪声，使用一维反卷积神经网络处理该随机噪声，输出一个与真实样本维度相同的假样本，并将包含有假样本、有标签样本和无标签样本的输入样本输送到所述判别器；所述判别器与所述生成器通过不断地博弈训练，最终达到平衡，此时判别器对输入样本进行分类预测，使用一维卷积神经网络对输入样本进行特征提取，再通过全连接层对特征进行处理，最终获得模型对输入样本的分类结果，选择出该输入样本代表的故障线路，得到基于半监督深层对抗网络的故障选线模型；S3.半监督生成对抗网络模型的训练：特征匹配：以特征匹配作为生成器的损失函数，用于提升模型训练的稳定性；历史均值：在生成器和判别器的损失函数中添加一项对模型参数的约束，在进行参数更新时，考虑过去的样本提供的信息，用于约束模型参数的波动，从而使模型在原有平衡点的附近寻找新的平衡点；单侧标签平滑：使用单侧标签平滑技术对样本集标签进行处理，以减少对抗样本对模型的影响，得到改进后的半监督生成对抗网络的生成器以及判别器的损失函数；采用基于半监督生成对抗网络的故障选线模型训练框架对半监督生成对抗网络进行训练；S4.基于半监督生成对抗网络的故障选线模型的在线运行：基于半监督生成对抗网络的故障选线模型架构包括离线训练和在线运行；在离线训练中，半监督生成对抗网络通过博弈训练达到平衡点，此时丢弃生成器，仅将判别器的参数迁移到基于半监督生成对抗网络的故障选线模型；在线运行中，将变电站实时采样的数据传输到调度系统，经过预处理后输入基于半监督生成对抗网络的故障选线模型，基于半监督生成对抗网络的故障选线模型对输入数据进行分类，从而判别出故障线路作为分类结果；分类结果以及变电站实时采样的数据被存储到样本集的历史数据中，以此实现模型参数的不断更新。2.根据权利要求1所述的故障选线方法，其特征在于，所述步骤S1中从中提取出故障选线相关的电气参数并生成样本的方法如下：所述样本的格式如式(1)
‑
(4)：l
ij
＝[I
0ij I
aij I
bij I
cij P
ij Q
ij cosθ
ij
]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)；
x
i
＝[l
i1 l
i2
...l
in
]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；X＝[x
1 x2...x
T
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；式中，l
ij
表示线路j在第i时刻的电气数据；I
0ij
、I
aij
、I
bij
、I
cij
分别表示线路j在i时刻的零序电路、A相电流、B相电流、C相电流；P
ij
,Q
ij
和cosθ
ij
分别表示线路j在第i时刻的有功功率、无功功率和功率因数；x
i
表示在i时刻n条线路的电气数据，i＝1,2，
…
，T；T表示样本中包括断面的数量；n表示线路的数量；X表示预测样本，Y表示一个n维矢量，若X为有标签样本，则Y表示X所对应的标签；y
j
表示Y的第j个元素，y
k
表示Y的第k个元素，当某个样本的故障发生在线路k时,则Y的第k个元素为1；其余元素为0；所述步骤S1中采用min
‑
max归一化对所有样本的各电气参数分别进行处理的方法如下：式中，a为需要归一化的电气参数；a
′
为电气参数a归一化后的输出；A
min
为所有样本中a的最小值；A
max
为所有样本中a的最大值。3.根据权利要求1所述的故障选线方法，其特征在于，所述步骤S2中判别器对输入样本进行分类预测的方法如下：对于N分类问题，判别器的输出层激活函数由sigmoid函数变为softmax函数，其输出为N+1维相量，其中第N+1维表示输入数据为假数据，判别器D对预测样本x的输出D(x)如式(6)所示；D(x)＝[r
1 r2...r
N r
N+1
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；令判别器D预测样本x为第s类的概率为D
s
(x)，如式(7)所示：D
s
(x)＝r
s
,s＝1,2,...,N,...

【专利技术属性】
技术研发人员：韦化，苏先昕，张玄，高维，张乐，李佩杰，
申请(专利权)人：广西大学，
类型：发明
国别省市：