基于HHT和ResNet18的单相接地故障类型综合辨识方法技术

本发明专利技术公开了一种基于HHT和ResNet18的单相接地故障类型综合辨识方法，获取故障录波装置采集的实时故障录波数据；进行故障录波数据预处理，并进行基于HHT的时频分解，得到对应的时频信息特征；构造处理后的故障录波数据的时频信息特征样本集，划分为训练集和测试集；基于ResNet18构建单相接地故障类型辨识模型并进行预训练；利用训练好的单相接地故障类型辨识模型，基于故障录波数据辨识出其具体的故障类型。本发明专利技术基于希尔伯特

【技术实现步骤摘要】
基于HHT和ResNet18的单相接地故障类型综合辨识方法


[0001]本专利技术涉及配电网单相接地故障类型辨识领域，具体涉及一种基于HHT和ResNet18的单相接地故障类型综合辨识方法。

技术介绍

[0002]安全、可靠、优质、经济是电力系统运行的基本要求，电力线路的安全可靠运行关乎国民生产、人民生活的各个方面。在6
‑
66kV中低压配电网中广泛采用小电流接地系统，又称中性点不直接接地系统(NUGS)，包括中性点不接地系统(Neutral Un
‑
rounded Power System，NUS)、中性点经消弧线圈接地系统(Neutral Resonant Grounded Power System，NES)和中性点经高阻接地系统(Neutral Resister Grounded Power System，NRS)。
[0003]单相接地指的是小电流接地系统单相接地，单相接地故障是配电系统最常见的故障。统计数据表明单相接地故障约占配电网故障总数的80％。当小电流接地系统发生单相接地故障时不形成低阻抗的短路回路，而是由线路对地电容形成高阻抗回路，短路电流非常小，同时发生单相接地故障后线电压依然保持对称，短时间内不会对负荷的连续供电造成一定的影响，可以带故障运行1
‑
2h。但是若发生单相接地故障时电网仍长期运行，可能引起绝缘的薄弱环节被击穿，发展成为相间短路，使事故扩大，影响用户的正常用电。同时弧光接地还会引起全系统过电压，进而损坏设备，破坏系统安全运行，甚至将会进一步带来巨大的经济损失。
[0004]因此，需要及时、准确地对单相接地故障进行辨识，每一种故障类型都有相应解决手段，在故障后第一时间内识别故障类型，为后续制定有针对性的故障处理措施提供可靠依据。
[0005]目前，针对小电流系统的单相接地故障类型辨识的研究较多，特征分析法与结合时频和机器学习的智能方法是研究单相接地故障类型辨识的主要方法，两者的区别在于特征量应用途径不同，前者是将稳态或暂态下的故障零序分量作为特征波形并广泛用于单相接地故障辨识；后者先利用傅里叶变换、小波变换、希尔伯特黄变换等时频分析方法对单相接地故障特征进行分解，再集合机器学习方法进行故障类型辨识。现有的这些研究成果在单相接地故障类型辨识中取得了一定效果，但大多只选取了配电网的部分特征，即某类故障的特有属性来进行分析，造成了对故障信息描述的不充分，只能针对某一特定的故障类型进行识别，并未对单相接地故障类型进行全面综合划分，算法的通用性不足，在实际生产环境中，需要识别出每一种故障类型，以此来选择合适的故障处理措施，不利于调度员制定有针对性的故障处理措施。
[0006]考虑要设计一种更加综合型的单相接地故障类型辨识方法，对此需要提取更加全面的故障特征。由于现场采集得到的故障录波数据特征维度高，采样点数量较多，其中蕴含了丰富的与故障类型强相关的复杂非线性特性，有利于故障类型辨识。而深度学习十分擅长从高维数据集中自动学习复杂且有用的特征，相比于过去出现的很多优秀的手动特征提取器，比如：尺度不变特征变换(SIFT)，Gabor滤波器和定向梯度直方图(HOG)等，深度学习
模型可以通过搭建不同的结构、调整隐藏层的数量来学习得到不同性质、不同层次的特征，可直接实现端到端的任务训练或者提取抽象特征用于下游任务的学习。

技术实现思路

[0007]为解决现有技术中存在的不足，本专利技术的目的在于，提供一种基于HHT和ResNet18的单相接地故障类型综合辨识方法，充分挖掘配电网中采集得到的故障录波数据，通过对录波数据进行时频变换操作，突出不同故障类型的特点，在此基础上利用深度学习模型提取得到与故障类型强相关的复杂非线性特性，实现对单相接地故障类型的综合辨识。本专利技术方法的准确性和可靠性较强，可为后续制定有针对性的故障处理措施提供可靠依据。
[0008]本专利技术采用如下的技术方案。
[0009]一种基于HHT和ResNet18的单相接地故障类型综合辨识方法，所述方法包括步骤：
[0010](1)获取现场故障录波装置采集的实时故障录波数据；
[0011](2)进行故障录波数据预处理，并对预处理后的故障录波数据进行基于HHT的时频分解，得到对应的时频信息特征；
[0012](3)构造处理后的故障录波数据的时频信息特征样本集，并划分为训练集和测试集；
[0013](4)基于ResNet18构建单相接地故障类型辨识模型并进行预训练；
[0014](5)利用训练好的单相接地故障类型辨识模型，基于单相接地故障录波数据辨识出其具体的故障类型。
[0015]进一步地，所述步骤(2)具体包括：
[0016](2.1)截取处于故障状态阶段的故障录波数据；
[0017](2.2)将故障录波数据中的所有电气量特征划分为关键特征部分和非关键特征部分；
[0018](2.3)对故障录波数据的关键特征部分执行希尔伯特
‑
黄变换HHT，提取IMF分量、瞬时幅值、瞬时频率和Hilbert谱；
[0019](2.4)将步骤2.3中关键特征部分经过HHT变换后的结果与步骤2.2中原始的非关键特征部分进行拼接；
[0020](2.5)将拼接后的特征进行归一化，并进行灰度图的转换。
[0021]进一步地，所述步骤(2.3)具体包括：
[0022](2.3.1)对关键特征进行经验模态分解EMD，得到关键特征x(t)的EMD分解IMF分量；
[0023](2.3.2)统一不同关键特征的IMF分量个数为q；
[0024](2.3.3)对IMF分量依次进行Hilbert变换，得到IMF分量对应的瞬时幅值，瞬时频率和关键特征x(t)的Hilbert谱H(ω,t)。
[0025]进一步地，所述步骤(2.3.1)具体包括：
[0026]a.对每一关键特征x(t)，求取极大值点和极小值点，对极大值点和极小值点采用三次样条函数插值拟合信号上下包络线a、b，并计算上下包络的均值函数m；
[0027]b.求h1：x(t)
‑
m＝h1；
[0028]c.判断h1是否满足IMF条件；如果满足IMF条件，则h1为关键特征x(t)的第一个IMF
分量；如果不满足IMF条件，则令x(t)＝h1，重复步骤a和b操作，直到第k步得到的h
k
满足IMF条件，求出第一个IMF分量h
k
；
[0029]d.将IMF分量从原始特征中分离出来，得到第一个IMF分量c1；
[0030]c1＝h
k
[0031]r1＝x(t)
‑
c1[0032]e.对r1执行上述步骤a
‑
d，得到x(t)的第二个IMF分量c2，反复循环n次，得到关键特征x(t)的第n个IMF分量c
n
：
[0033][0034]f本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于HHT和ResNet18的单相接地故障类型综合辨识方法，其特征在于，所述方法包括步骤：(1)获取现场故障录波装置采集的实时故障录波数据；(2)进行故障录波数据预处理，并对预处理后的故障录波数据进行基于HHT的时频分解，得到对应的时频信息特征；(3)构造处理后的故障录波数据的时频信息特征样本集，并划分为训练集和测试集；(4)基于ResNet18构建单相接地故障类型辨识模型并进行预训练；(5)利用训练好的单相接地故障类型辨识模型，基于单相接地故障录波数据辨识出其具体的故障类型。2.根据权利要求1所述的基于HHT和ResNet18的单相接地故障类型综合辨识方法，其特征在于，所述步骤(2)具体包括：(2.1)截取处于故障状态阶段的故障录波数据；(2.2)将故障录波数据中的所有电气量特征划分为关键特征部分和非关键特征部分；(2.3)对故障录波数据的关键特征部分执行希尔伯特
‑
黄变换HHT，提取IMF分量、瞬时幅值、瞬时频率和Hilbert谱；(2.4)将步骤2.3中关键特征部分经过HHT变换后的结果与步骤2.2中原始的非关键特征部分进行拼接；(2.5)将拼接后的特征进行归一化，并进行灰度图的转换。3.根据权利要求2所述的基于HHT和ResNet18的单相接地故障类型综合辨识方法，其特征在于，所述步骤(2.3)具体包括：(2.3.1)对关键特征进行经验模态分解EMD，得到关键特征x(t)的EMD分解IMF分量；(2.3.2)统一不同关键特征的IMF分量个数为q；(2.3.3)对IMF分量依次进行Hilbert变换，得到IMF分量对应的瞬时幅值，瞬时频率和关键特征x(t)的Hilbert谱H(ω，t)。4.根据权利要求3所述的基于HHT和ResNet18的单相接地故障类型综合辨识方法，其特征在于，所述步骤(2.3.1)具体包括：a.对每一关键特征x(t)，求取极大值点和极小值点，对极大值点和极小值点采用三次样条函数插值拟合信号上下包络线a、b，并计算上下包络的均值函数m；b.求h1：x(t)
‑
m＝h1；c.判断h1是否满足IMF条件；如果满足IMF条件，则h1为关键特征x(t)的第一个IMF分量；如果不满足IMF条件，则令x(t)＝h1，重复步骤a和b操作，直到第k步得到的h
k
满足IMF条件，求出第一个IMF分量h
k
；d.将IMF分量从原始特征中分离出来，得到第一个IMF分量c1；c1＝h
k
r1＝x(t)

【专利技术属性】
技术研发人员：李宗峰，郭祥富，徐铭铭，范敏，牛荣泽，张建宾，夏嘉璐，彭屿雯，董轩，陈明，李丰君，冯光，郭剑黎，彭磊，孙芊，邹会权，黄伟，王鹏，徐恒博，尚博文，
申请(专利权)人：国网河南省电力公司重庆大学河南九域恩湃电力技术有限公司，
类型：发明
国别省市：