【技术实现步骤摘要】
本公开涉及电网运维，具体地涉及基于深度学习算法模型的、能够识别高阻故障原因的用于配电网高阻故障诊断的方法和系统。
技术介绍
1、配电网是由分支组成的将电力输送到最终消耗单元的体统，遍布在广大农村和城市。配电网作为电力系统的最终端，与用户直接相连，因此配电网的快速的故障诊断以及尽量剪短修复时间是为用户提供优质电力供应的前提，事关千家万户的生产生活。
2、配电网高阻故障是配电网故障中的常见类型，指的是由于绝缘老化、动物侵扰、砂石植被侵扰、自然灾害等原因引起的，线路对地电位升高的故障。由于高阻故障通常特征微弱，故障电流较小，不易引起线路保护装置跳闸，故不易被察觉和阻止。但发生高阻故障时会产生电弧，十分危险，容易烧导致电气火灾，还易导致高压触电等事故发生。
3、现有基于算法模型的电网故障诊断辨识方法，如对电流波形进行特征提取，再用设定阈值的方式判别是否发生高阻故障，主要是针对判断是否发生高阻故障来构建模型，尚未有对高阻故障发生的原因进行判别的技术，无法有效提醒配电网运维人员现场情况，不利于维护人员安排抢修工作。
4、现有技术中对于配电网的故障定位方法，主要是使用稳态法进行故障区段定位以及故障测距，精度低，抗扰能力差。并且，现有依赖于人工智能方法的故障测距的方法采用ann模型，层数少、网络浅，没有经过较大数据集的检验，没有发挥深度学习的优势，无法精确定位故障位置，不利于运维人员对故障进行抢修。
技术实现思路
1、本公开实施例的目的在于用于配电网高阻故障诊断
2、为了解决上述技术问题，本公开的实施例采用了如下技术方案：
3、本公开实施例提供用于配电网高阻故障诊断的方法，包括以下步骤：
4、采集配电网中的原始特征数据。
5、将所述原始特征数据处理成第一特征数据和第二特征数据，并将所述第一特征数据和第二特征数据输入第一模型转化为第一图像和第二图像，通过所述第一模型对所述第一图像和第二图像进行计算，辨别出故障发生、故障类型和故障原因。
6、将所述原始特征数据转化为第三图像，再将所述第三图像竖直化为第四图像，将所述第三图像和所述第四图像输入第二模型进行计算，定位出故障区段，将所述第三图像和所述第四图像输入第三模型进行计算，定位出故障距离。
7、根据所述故障类型、所述故障原因判断故障性质，根据所述故障区段和所述故障距离确定故障精确位置，根据所述故障性质和所述故障精确位置生成对应的故障处理方案。
8、在一些实施例中，根据所述故障性质和所述故障精确位置生成对应的故障处理方案，包括：
9、根据所述故障性质和所述故障精确位置生成对应的重合闸指令，以阻断、修复故障点；
10、在所述配电网根据所述重合闸指令重合闸成功后，向运维人员发送对应的通知信息，以通知所述运维人员核对。
11、在一些实施例中，所述故障原因包括永久性故障和瞬时性故障。
12、根据所述故障性质和所述故障精确位置生成对应的重合闸指令，以阻断、修复故障点，包括：
13、若所述故障原因为永久性故障，则通过所述重合闸指令控制所述故障精确位置的保护装置中相关断路器加速跳开；
14、若所述故障原因为瞬时性故障，则通过所述重合闸指令控制所述断路器在跳开后重合。
15、在一些实施例中，所述原始特征数据包括：经过去噪和预处理的馈线的电压录波数据、馈线的电流录波数据、分支节点的电压录波数据和分支节点的电流录波数据；
16、和/或，所述故障类型包括单相短路接地故障、单相断线接地故障、两相短路接地故障、两相相间故障和三相短路故障。
17、在一些实施例中，所述第一特征数据是由原始特征数据通过三相变换得到的，所述第一图像为三相v-i曲线图像；所述第二特征数据是由原始特征数据通过零序变换得到的，所述第二图像为零序v-i曲线图像。
18、通过所述第一模型对所述第一图像和第二图像进行计算，辨别出故障发生、故障类型和故障原因，包括：将所述三相v-i曲线图像和所述零序v-i曲线图像归一化，得到第一双特征。
19、根据所述第一双特征进行迭代计算提取出用于辨识是否有故障发生、判断出故障类型和故障原因的特征。
20、在一些实施例中，所述第三图像是由原始特征数据得到的故障相v-i曲线图像，所述第四图像是对所述故障相v-i曲线图像进行竖直化运算生成竖直化v-i曲线，
21、将所述第三图像和所述第四图像输入第二模型进行计算，定位出故障区段，包括：
22、将所述故障相v-i曲线图像和所述竖直化v-i曲线归一化，得到第二双特征；
23、根据所述第二双特征进行迭代计算，提取出用于辨识故障区段的特征；
24、将所述第三图像和所述第四图像输入第三模型进行计算，定位出故障距离，包括：
25、将所述故障相v-i曲线图像和所述竖直化v-i曲线归一化，得到第三双特征；
26、根据所述第三双特征进行迭代计算提取出用于辨识故障距离的特征。
27、在一些实施例中，所述第一模型的构建包括：获取馈线端三相和零序v-i曲线故障样本集；将所述馈线端三相和零序v-i曲线故障样本集输入初始第一模型进行训练，得到所述第一模型。
28、在一些实施例中，所述第二模型的构建包括：获取馈线端故障相v-i曲线故障样本集；将所述馈线端故障相v-i曲线故障样本集输入初始第二模型进行训练，得到所述第二模型。
29、所述第三模型的构建包括：分支节点故障相v-i曲线故障样本集；将所述分支节点故障相v-i曲线故障样本集输入初始第三模型进行训练，得到所述第三模型。
30、在一些实施例中，所述方法还包括：
31、储存所述原始数据以及所述第一模型、所述第二模型、所述第三模型的计算结果；将所述原始数据以及所述第一模型、所述第二模型、所述第三模型的计算结果加入用于训练所述第一模型、所述第二模型、所述第三模型的样本集。
32、本公开的实施例的另一方面提供用于配电网高阻故障诊断的系统，包括：
33、数据采集模块：用于采集配电网中的原始特征数据。
34、故障辨识模块：用于将所述原始特征数据处理成第一特征数据和第二特征数据，输入第一模型转化为第一图像和第二图像进行计算，辨别出故障发生、故障类型和故障原因。
35、故障定位模块：用于将所述原始特征数据转化为第三图像，再将所述第三图像竖直化为第四图像，将所述第三图像和所述第四图像输入给第二模型进行计算，定位出故障区段，再将所述第三图像和所述第四图像输入给第三模型进行计算，定位出故障距离。
36、故障修复模块：用于根据所述故障类型、所述故障原因判断故障性质，根据所述故障区段和所述故本文档来自技高网...
【技术保护点】
1.用于配电网高阻故障诊断的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述用于配电网高阻故障诊断的方法，其特征在于，
3.根据权利要求2所述用于配电网高阻故障诊断的方法，其特征在于，
4.根据权利要求1所述用于配电网高阻故障诊断的方法，其特征在于，所述原始特征数据包括：经过去噪和预处理的馈线的电压录波数据、馈线的电流录波数据、分支节点的电压录波数据和分支节点的电流录波数据；
5.根据权利要求1所述用于配电网高阻故障诊断的方法，其特征在于，
6.根据权利要求1所述用于配电网高阻故障诊断的方法，其特征在于，
7.根据权利要求5所述用于配电网高阻故障诊断的方法，其特征在于，
8.根据权利要求6所述用于配电网高阻故障诊断的方法，其特征在于，
9.根据权利要求1所述用于配电网高阻故障诊断的方法，其特征在于，所述方法还包括：
10.用于配电网高阻故障诊断的系统，其特征在于，包括：
【技术特征摘要】
1.用于配电网高阻故障诊断的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述用于配电网高阻故障诊断的方法，其特征在于，
3.根据权利要求2所述用于配电网高阻故障诊断的方法，其特征在于，
4.根据权利要求1所述用于配电网高阻故障诊断的方法，其特征在于，所述原始特征数据包括：经过去噪和预处理的馈线的电压录波数据、馈线的电流录波数据、分支节点的电压录波数据和分支节点的电流录波数据；
5.根据权利...
【专利技术属性】
技术研发人员：邱军旗，徐宝军，李宾，黎皓彬，何欣欣，卢小海，白一鸣，黄乐彬，尹雁和，包成斌，胡群勇，梁挺，彭泓韬，谢佳博，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。