一种基于大数据分析的并网故障识别方法技术

本发明专利技术提供了一种基于大数据分析的并网故障识别方法，包括并网数据的预处理，基于AE

【技术实现步骤摘要】
一种基于大数据分析的并网故障识别方法


[0001]本专利技术涉及电力系统并网自动化
，尤其涉及一种并网故障识别方法。

技术介绍

[0002]现有并网运行过程中，感应电机的启动、变压器的切换以及短路故障等都会导致并网运行过程中的电压暂降，常规的电压暂降故障都是通过构建配网监控平台，基于故障点的传感器获取数据的异常变化，并基于监控平台显示具体故障点，虽然能够显示故障位置，但是并不能准确确定故障原因。
[0003]基于大数据的算法模型的运用，使得并网的故障分析更加准确，但是现有的方法对于故障的确定存在局限性，部分仅采用有监督或无监督的模型的方法存在精度低、未考虑数据的多时间尺度耦合特性等，因此，需要更为精确全面的模型来实现并网故障的识别和分析。

技术实现思路

[0004]本专利技术的目的在于解决上述现有技术中存在的难题，提供一种基于大数据分析的并网故障识别方法。
[0005]本专利技术是通过以下技术方案实现的：
[0006]步骤S1：数据预处理；
[0007]步骤S2：提取电压暂降波形特征；
[0008]步骤S3：构建并网电压暂降源识别模型；
[0009]步骤S4:利用所述并网电压暂降源识别模型，识别并网运行过程中不同类型的故障引起的电压暂降。
[0010]进一步的，引起所述电压暂降的故障类型包括短路故障、感应电机启动、雷击、变压器投切。
[0011]进一步的，所述步骤S1包括：
[0012]步骤S11：利用并网监测系统采集电压暂降的所述时域监测信号和所述频域监测信号；
[0013]步骤S12：根据所述电压暂降的类型，预先对每个所述监测信号进行分类；
[0014]步骤S13：对所述信号进行重采样，统一波形序列的长度；
[0015]步骤S14：对采样样本进行归一化处理，将每个样本按照三相顺序排列成二维矩阵，所述二维矩阵中的元素范围为[0，1]。
[0016]进一步的，所述步骤S2包括：
[0017]步骤S21：将卷积神经网络嵌入AE模型的编码器，构建卷积编码器用以提取电压暂降波形特征。
[0018]步骤S22：选取步骤S1得到的预处理结果中的一部分作为训练样本，将所述训练样本输入到所述已构建的卷积编码器中，通过卷积层中的卷积核进行卷积处理；
[0019]步骤S23：通过模型的迭代训练，得到训练后的模型；
[0020]步骤S24:基于所述预处理数据利用步骤S23的所述迭代训练后的模型获得第三电压暂降波形特征，所述第三电压暂降波形特征能够准确反映电压暂降特性。
[0021]其中，所述迭代训练的过程包括：选择Sigmoid函数作为所述CNN模型的激活函数，得到对应的第一电压暂降波形特征；通过池化层减小所述特征的尺寸，以补偿所述第一电压暂降特征中电压骤降数据偏离中心的下降程度，得到第二电压暂降波形特征；利用得到的第二电压暂降波形特征通过卷积解码器重构，所述卷积层中的卷积核和卷积解码器通过重建样本与输入样本之间的第一误差值进行迭代训练。
[0022]进一步的，所述步骤S3包括：
[0023]步骤S31：设置分类网络，其中所述分类网络的初始分类标签为1*N，N为输出层个数且该个数与电压暂降源类别总数一致，将所述步骤S2得到的所述第三电压暂降波形特征输入到所述分类网络；
[0024]步骤32：根据所述电压暂降的实际波形，拟合得到所述电压暂降的标准样本波形，其中，所述分类网络中分类标签矩阵中的每个元素为所述电压暂降的标准样本波形对应的权重；通过累积相应权重下的电压暂降的标准样本波形实现样本波形的重构；
[0025]步骤S33：利用输入到所述分类网络的输入样本与所述重构样本之间的重构误差训练所述分类网络，使得所述重构样本在多次迭代后逐渐逼近所述输入样本；
[0026]步骤S34：利用训练后的所述分类网络根据分类标签中的最大元素确定所述电压暂降中对应的下降类型。
[0027]所述分类网络采用BP神经网络。
[0028]进一步的，所述通过累积相应权重下的电压暂降的标准样本波形实现样本波形的重构，通过公式(1)实现：
[0029][0030]其中，SW
n
为所述重构的样本波形，W
n
为所述分类标签中的元素，S
n
是所述电压暂降的标准样本波形，N是所述电压暂降源类别总数，n是当前电压暂降类别。
[0031]与现有技术相比，本专利技术的有益效果是：
[0032]在并网电压暂降故障分析过程中，考虑电压暂降波形的特点，构建AE
‑
CNN模型，通过分析波形偏离程度来提取电压暂降波形特征，结合电压暂降的波形特征构建分类网络并用于故障的确定，有效提升并网故障识别分析的准确性。
附图说明
[0033]图1是本专利技术的并网故障识别的结构框架；
具体实施方式
[0034]下面结合附图对本专利技术作进一步详细描述：
[0035]参照图1为本专利技术的一个实施例，提供了一种基于大数据分析的并网故障识别方法，其特征在于，包括：
[0036]步骤S1：数据预处理；
[0037]步骤S11：利用并网监测系统采集电压暂降的所述时域监测信号和所述频域监测
信号；
[0038]步骤S12：根据所述电压暂降的类型，预先对每个所述监测信号进行分类；
[0039]步骤S13：对所述信号进行重采样，统一波形序列的长度；
[0040]步骤S14：对采样样本进行归一化处理，将每个样本按照三相顺序排列成二维矩阵，所述二维矩阵中的元素范围为[0，1]。
[0041]步骤S2：提取电压暂降波形特征；
[0042]步骤S21：将卷积神经网络嵌入AE模型的编码器，构建卷积编码器用以提取电压暂降波形特征。
[0043]步骤S22：选取步骤S1得到的预处理结果中的一部分作为训练样本，将所述训练样本输入到所述已构建的卷积编码器中，通过卷积层中的卷积核进行卷积处理；
[0044]步骤S23：选择Sigmoid函数作为所述CNN模型的激活函数，得到对应的第一电压暂降波形特征；通过池化层减小所述特征的尺寸，以补偿所述第一电压暂降特征中电压骤降数据偏离中心的下降程度，得到第二电压暂降波形特征；利用得到的第二电压暂降波形特征通过卷积解码器重构，所述卷积层中的卷积核和卷积解码器通过重建样本与输入样本之间的第一误差值进行迭代训练；
[0045]步骤S24:基于所述预处理数据利用步骤S23的所述迭代训练后的模型获得第三电压暂降波形特征，所述第三电压暂降波形特征能够准确反映电压暂降特性；
[0046]步骤S3：构建并网电压暂降源识别模型；
[0047]步骤S31：采用BP神经网络作为分类网络，其中所述分类网络的初始分类标签为1*N，N为输出层个数且该个数与电压暂降源类别总数一致，将所述步骤S2得到的所述第三电压暂降波形特征输入到所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据分析的并网故障识别方法，其特征在于，包括如下步骤：步骤S1：数据预处理；步骤S2：提取电压暂降波形特征；步骤S3：构建并网电压暂降源识别模型；步骤S4:利用所述并网电压暂降源识别模型，识别并网运行过程中不同类型的故障引起的电压暂降。2.根据权利要求1所述的一种基于大数据分析的并网故障识别方法，其特征在于：引起所述电压暂降的故障类型包括短路故障、感应电机启动、雷击、变压器投切。3.根据权利要求1所述的一种基于大数据分析的并网故障识别方法，其特征在于：所述步骤S1包括：步骤S11：利用并网监测系统采集电压暂降的所述时域监测信号和所述频域监测信号；步骤S12：根据所述电压暂降的类型，预先对每个所述监测信号进行分类；步骤S13：对所述信号进行重采样，统一波形序列的长度；步骤S14：对采样样本进行归一化处理，将每个样本按照三相顺序排列成二维矩阵，所述二维矩阵中的元素范围为[0，1]。4.根据权利要求1所述的一种基于大数据分析的并网故障识别方法，其特征在于：所述步骤S2包括：步骤S21：将卷积神经网络嵌入AE模型的编码器，构建卷积编码器用以提取电压暂降波形特征。步骤S22：选取步骤S1得到的预处理结果中的一部分作为训练样本，将所述训练样本输入到所述已构建的卷积编码器中，通过卷积层中的卷积核进行卷积处理；步骤S23：通过模型的迭代训练，得到训练后的模型；步骤S24:基于所述预处理数据利用步骤S23的所述迭代训练后的模型获得第三电压暂降波形特征，所述第三电压暂降波形特征能够准确反映电压暂降特性。5.根据权利要求4所述的一种基于大数据分析的并网故障识别方法，其特征在于：所述迭代训练的过程包括：选择Sigmoid函数作为所述CNN模型的激活函数，得到对应的第一电压暂降波形特...

【专利技术属性】
技术研发人员：符奥，徐天赐，张锐，王萌，刘贤伟，邢珏，王海江，于海洋，白茹，单晓禹，英云龙，
申请(专利权)人：国网山东省电力公司日照供电公司，
类型：发明
国别省市：