【技术实现步骤摘要】
本专利技术涉及人工智能与配电网技术的交叉学科，尤其涉及一种用于小电流接地系统的单相接地故障检测方法、系统及存储介质。
技术介绍
1、我国中低压配电网主要采用小电流接地方式运行，常见的小电流接地系统包括中性点不接地、经消弧线圈接地和经电阻接地三种类型，经过长期的实践与探索，目前我国配电网主要使用前两种接地方式。在这些系统中，单相接地故障的发生概率最高，占故障总数的80%以上，然而，故障发生时，受多种外界因素干扰，故障电流较小且情况复杂，给故障选线（检测故障线路）带来了极大挑战。
2、在小电流接地系统的选线中，传统方法包括有零序电流幅相比较法、零序导纳法等，是根据零序电压和电流之间的关系作为判据的例证，但是这些方法或多或少存在不能识别出故障线路的情况；而采用人工智能的方法对图像进行识别更好地可以收集零序电流与零序电压的信息；随着人工智能技术的飞速发展，图像分类作为计算机视觉领域的核心任务之一，得到了广泛的关注与研究。传统的图像分类方法主要依赖于人工设计特征，例如颜色、纹理和形状等，这些方法在处理复杂多样的图像时表现受限；而深度学习的兴起，尤其是卷积神经网络（cnn）的引入，为图像分类带来了革命性的突破；通过自动提取多层次的特征，cnn能够在大规模图像数据集上实现高精度分类。近年来越来越多的人利用人工智能的方法进行故障检测，但在网络结构上采用的激活函数不够完备，在小电流接地系统接地故障检测的准确率上表现欠佳，在抗噪声能力上表现欠佳。
3、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应
技术实现思路
1、本专利技术的目的在于，提供一种用于小电流接地系统的单相接地故障检测方法、系统及存储介质，能够提高小电流接地系统中单相接地故障检测的准确率和抗干扰能力。
2、为达到上述目的，本专利技术采用下述技术方案实现：
3、第一方面，本专利技术提供一种用于小电流接地系统的单相接地故障检测方法，包括：
4、获取待测区域中待测线路的零序电流和零序电压；
5、若待测线路的零序电压大于启动值，或零序电压突变量大于设定值，则进入单相接地故障检测步骤，反之则在待测区域换一个线路作为待测线路重复上述步骤，直到进入单相接地故障检测步骤；
6、所述单相接地故障检测步骤包括：
7、对待测线路的零序电流和零序电压进行预处理，得到预处理后的图像数据；
8、利用训练好的单相接地故障检测模型对所述预处理后的图像数据进行检测得到单相接地故障检测结果。
9、可选的，所述对待测线路的零序电流和零序电压进行预处理，得到预处理后的图像数据，包括：
10、设置时间窗t，并基于时间窗t和待测线路的零序电流和零序电压，生成零序电流和零序电压的时域图像；
11、将零序电流和零序电压的时域图像进行归一化处理，得到零序电流和零序电压归一化后的时域图像；
12、对零序电流和零序电压归一化后的时域图像进行叠加，得到预处理后的图像数据。
13、可选的，所述将零序电流和零序电压的时域图像进行归一化处理，归一化公式如下：
14、
15、其中，为归一化后的时域图像中当前时刻电气量的模值，电气量表示为零序电压或零序电流；为时域图像当前时刻电气量的模值；为在时间窗t内最大的电气量的模值。
16、可选的，所述单相接地故障检测模型的训练步骤，包括：
17、获取图像数据集，其中图像数据集包括正常线路和故障线路的零序电流电压预处理后的时域图像；
18、将图像数据集作为单相接地故障检测模型的训练集，并将“线路正常”和“线路故障”作为标签；
19、基于训练集，对单相接地故障检测模型进行训练，确定单相接地故障检测模型的最优参数；
20、根据单相接地故障检测模型的最优参数，得到训练好的单相接地故障检测模型。
21、可选的，所述单相接地故障检测模型是利用kolmogorov-arnold定理改进resnet神经网络得到的，包括：顺次连接的池化层、第一卷积层、第一残差模块、第二残差模块、第三残差模块、第四残差模块、全连接层和kan分类器；所述第一残差模块，包括三个顺次相连的第一残差块；所述第一残差块包括顺次相连的第二卷积层、kan激活函数层、第三卷积层、kan激活函数层和第四卷积层。所述第二残差模块，包括四个顺次相连的第二残差块；所述第二残差块包括顺次相连的第五卷积层、kan激活函数层、第六卷积层、kan激活函数层和第七卷积层；所述第三残差模块，包括六个顺次相连的第三残差块；所述第三残差块包括顺次相连的第四卷积层、kan激活函数层、第八卷积层、kan激活函数层和第九卷积层；所述第四残差模块，包括三个顺次相连的第四残差块；所述第四残差块包括顺次相连的第七卷积层、kan激活函数层、第十卷积层、kan激活函数层和第十一卷积层。
22、可选的，所述第一卷积层包括64个7x7大小的卷积核；所述第二卷积层包括64个1x1大小的卷积核；所述第三卷积层包括64个3x3大小的卷积核；所述第四卷积层包括256个1x1大小的卷积核；所述第五卷积层包括128个1x1大小的卷积核；所述第六卷积层包括128个3x3大小的卷积核；所述第七卷积层包括512个1x1大小的卷积核；所述第八卷积层包括256个3x3大小的卷积核；所述第九卷积层包括1024个1x1大小的卷积核；所述第十卷积层包括512个3x3大小的卷积核；所述第十一卷积层包括2048个1x1大小的卷积核。
23、可选的，所述kan激活函数层采用kan激活函数，公式表示如下：
24、
25、其中，与都是可训练的参数；为silu激活函数，x为对象；为中间函数；为某种样条激活函数。
26、可选的，所述启动值设置为0.1倍的额定电压。
27、第二方面，本专利技术提供一种用于小电流接地系统的单相接地故障检测系统，包括：
28、数据获取模块，用于获取待测区域中待测线路的零序电流和零序电压；
29、判断模块，用于若待测线路的零序电压大于启动值，或零序电压突变量大于设定值，则进入单相接地故障检测步骤，反之则在待测区域换一个线路作为待测线路重复上述步骤，直到进入单相接地故障检测步骤；
30、单相接地故障检测模块，所述单相接地故障检测模块分别与数据获取模块和判断模块连接，用于对待测线路的零序电流和零序电压进行预处理，得到预处理后的图像数据；用于利用训练好的单相接地故障检测模型对所述预处理后的图像数据进行检测得到单相接地故障检测结果。
31、第三方面，本专利技术提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序执行时实现权利要求第一方面所述的用于小电流接地系统的单相接地故障检测方法。
32、与现有技术相比，本专利技术所达到的有益效果：<本文档来自技高网...
【技术保护点】
1.一种用于小电流接地系统的单相接地故障检测方法，其特征在于，包括：
2.根据权利要求1所述的用于小电流接地系统的单相接地故障检测方法，其特征在于，所述对待测线路的零序电流和零序电压进行预处理，得到预处理后的图像数据，包括：
3.根据权利要求2所述的用于小电流接地系统的单相接地故障检测方法，其特征在于，所述将零序电流和零序电压的时域图像进行归一化处理，归一化公式如下：
4.根据权利要求3所述的用于小电流接地系统的单相接地故障检测方法，其特征在于，所述单相接地故障检测模型的训练步骤，包括：
5.根据权利要求4所述的用于小电流接地系统的单相接地故障检测方法，其特征在于，所述单相接地故障检测模型是利用Kolmogorov-Arnold定理改进ResNet神经网络得到的，包括：顺次连接的池化层、第一卷积层、第一残差模块、第二残差模块、第三残差模块、第四残差模块、全连接层和KAN分类器；所述第一残差模块，包括三个顺次相连的第一残差块；所述第一残差块包括顺次相连的第二卷积层、KAN激活函数层、第三卷积层、KAN激活函数层和第四卷积层。所述第二残
6.根据权利要求5所述的用于小电流接地系统的单相接地故障检测方法，其特征在于，所述第一卷积层包括64个7x7大小的卷积核；所述第二卷积层包括64个1x1大小的卷积核；所述第三卷积层包括64个3x3大小的卷积核；所述第四卷积层包括256个1x1大小的卷积核；所述第五卷积层包括128个1x1大小的卷积核；所述第六卷积层包括128个3x3大小的卷积核；所述第七卷积层包括512个1x1大小的卷积核；所述第八卷积层包括256个3x3大小的卷积核；所述第九卷积层包括1024个1x1大小的卷积核；所述第十卷积层包括512个3x3大小的卷积核；所述第十一卷积层包括2048个1x1大小的卷积核。
7.根据权利要求6所述的用于小电流接地系统的单相接地故障检测方法，其特征在于，所述KAN激活函数层采用KAN激活函数，公式表示如下：
8.根据权利要求1所述的用于小电流接地系统的单相接地故障检测方法，其特征在于，所述启动值设置为0.1倍的额定电压。
9.一种用于小电流接地系统的单相接地故障检测系统，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序执行时实现权利要求1-8中任一项所述的用于小电流接地系统的单相接地故障检测方法。
...【技术特征摘要】
1.一种用于小电流接地系统的单相接地故障检测方法，其特征在于，包括：
2.根据权利要求1所述的用于小电流接地系统的单相接地故障检测方法，其特征在于，所述对待测线路的零序电流和零序电压进行预处理，得到预处理后的图像数据，包括：
3.根据权利要求2所述的用于小电流接地系统的单相接地故障检测方法，其特征在于，所述将零序电流和零序电压的时域图像进行归一化处理，归一化公式如下：
4.根据权利要求3所述的用于小电流接地系统的单相接地故障检测方法，其特征在于，所述单相接地故障检测模型的训练步骤，包括：
5.根据权利要求4所述的用于小电流接地系统的单相接地故障检测方法，其特征在于，所述单相接地故障检测模型是利用kolmogorov-arnold定理改进resnet神经网络得到的，包括：顺次连接的池化层、第一卷积层、第一残差模块、第二残差模块、第三残差模块、第四残差模块、全连接层和kan分类器；所述第一残差模块，包括三个顺次相连的第一残差块；所述第一残差块包括顺次相连的第二卷积层、kan激活函数层、第三卷积层、kan激活函数层和第四卷积层。所述第二残差模块，包括四个顺次相连的第二残差块；所述第二残差块包括顺次相连的第五卷积层、kan激活函数层、第六卷积层、kan激活函数层和第七卷积层；所述第三残差模块，包括六个顺次相连的第三残差块；所述第三残差块包括顺次相连的第四卷积层、kan激活函数层、第八卷积层、kan激活函数层和第九卷积层...
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。