【技术实现步骤摘要】
本专利技术涉及电子电力，具体而言，涉及一种故障识别方法、识别装置、电子设备和可读存储介质。
技术介绍
1、随着以风电、太阳能发电、新能源充电桩为主的分布式源负荷渗透率的提高。电力系统呈现出典型的电力电子化的趋势，配电网的故障特征与过去相比出现了一些新的特点。典型特征主要包括两点：1)新型电力系统干扰源规模的扩大；2)配电网结构复杂，各个分支之间相互影响。当配电网发生故障时，进一步影响电网电能质量，不仅会给终端用户带来敏感设备损坏、数据丢失、设备能耗增加等问题，甚至导致大规模的停电事故。
2、相关技术中，配电系统线路短路故障诊断方案主要包括故障特征分析法，故障特征分析法是基于手工提取特征，需专家经验，建模困难，诊断方案复杂度高，故障诊断的效率较低。因此，如何提高配电线路的故障诊断效率，成为了亟待解决的技术问题。
技术实现思路
1、本专利技术旨在至少解决现有技术或相关技术中存在的配电线路故障诊断效率较低的技术问题。
2、为此，本专利技术的第一方面提出了一种故障识别方法。
3、本专利技术的第二方面提出了一种故障识别装置。
4、本专利技术的第三方面提出了一种电子设备。
5、本专利技术的第四方面提出了一种可读存储介质。
6、有鉴于此，本专利技术的第一方面提出了一种故障识别方法，用于识别配电线路的故障类型，故障识别方法包括：获取配电线路运行过程中的第一参数；根据格拉姆角场变换，对第一参数进行处理，生成第一图像；将第一图像输
7、本专利技术提供的故障识别方法，可以用于对配电线路中所存在的故障类型进行识别，也就是识别当前配电线路出现了哪种故障。具体地，配电线路中的电流通常为三相电，也就是a相、b相和c相，相应地，配电线路的故障类型可以包括：a相接地、b相接地、c相接地、ab短接、bc短接、ac短接、ab相接地、bc相接地、ac相接地、abc短接、a相间歇性接地，b相间歇性接地、c相间歇性接地和雷击故障。
8、进一步地，在识别配电线路的故障类型的过程中，首先可以获取配电线路运行过程中的第一参数，具体地，可以采用数据采集模块对配电线路的第一参数进行获取，第一参数可以包括配电线路中的三相电流信息和三相电压信息。数据采集模块可以包括监测装置，通过在配电线路中安装监测装置，实时监测三相电流信息和三相电压信息。在每条配电线路的关键节点和分支点上，合理部署高精度的监测装置。每个监测装置包含先进的传感器和数据采集单元，能够精确捕捉线路中的电流和电压变化。安装位置的选择经过科学计算和实际测试，确保能够覆盖所有重要的检测点，为全面的故障检测提供基础数据。监测装置安装完成后，数据采集模块将开始对三相电流和三相电压信息进行实时监测。高灵敏度的传感器能够捕捉到微小的电流和电压变化，并通过数据采集单元进行实时记录。实时监测功能保证了数据的连续性和及时性，使得系统能够第一时间获取到最新的电气参数。
9、进一步地，在获取到配电线路运行过程中的第一参数之后，即可对第一参数进行处理，以实现根据第一参数对配电线路的故障类型进行识别。具体地，可根据格拉姆角场变换，对第一参数进行处理，从而将第一参数变换为对应的第一图像。也就是，通过格拉姆角场变换的方式，将数字信息变换为图像信息。
10、进一步地，在生成了第一参数对应的第一图像之后，即可将第一图像输入至第一神经网络中，对第一图像进行特征提取。具体地，第一神经网络可以是卷积神经网络，卷积神经网络的特有特征提取能力使其在处理复杂的图像数据时具有明显优势。它不仅能够识别图像中的显著特征，还能够从数据中学习到隐含的模式和规律，具有较高的泛化能力和鲁棒性。卷积神经网络以其卓越的特征提取能力，能够更好地学习和捕捉图像中的深层次信息。通过一系列卷积层、池化层和非线性激活函数的组合，卷积神经网络可以逐层提取出图像的多尺度信息。
11、具体地，卷积神经网络通过局部连接和共享权重的方式，能够有效地处理高维图像数据。它的核心操作包括卷积、池化和激活：卷积层：使用卷积核在图像上滑动，通过局部感受野提取局部特征。卷积操作可以捕捉图像中的边缘、纹理等基本特征。池化层：对卷积层提取到的特征进行下采样，减少数据维度，保留重要信息。常见的池化操作包括最大池化和平均池化。激活函数：通过非线性激活函数，引入非线性，使得网络能够学习到更复杂的特征表示方式。这些操作通过多层叠加，使得卷积神经网络能够逐层提取和整合图像中的多尺度信息，从而在特征学习上表现出色。
12、进一步地，在第一神经网络中还设置有注意力模块，通过注意力模块，可以实现在对第一图像的特征进行提取的过程中，动态调整特征的权重，从而使得第一神经网络能够更加关注第一图像中的关键区域和重要特征，进一步提高第一神经网络的特征提取性能，进而提高故障识别的准确性。
13、进一步地，在通过第一神经网络对第一图像进行特征提取之后，即可将故障特征输入至第二神经网络，从而根据故障特征，对配电线路所可能出现的所有故障类型的概率进行确定，进而确定配电线路所出现的故障。也就是，可以将概率最高的故障类型确定为当前配电线路所出现的故障。
14、具体地，第二神经网络可以为多层神经网络，多层神经网络可配合softmax函数，对故障特征进行分类。具体来说，softmax函数会计算每个故障类型的概率，并将结果归一化为概率分布。最终，第二神经网络根据计算得到的概率，确定最可能的故障类型，并输出分类结果。
15、本申请提供的故障识别方法，利用格拉姆角场变换，将获取到的配电线路的第一参数变换为第一图像，也就是将数字信息变换为图像信息，然后通过第一神经网络对第一图像进行特征提取，生成故障特征，同时，第一神经网络中设置有注意力模块，从而进一步提高第一神经网络的特征提取效果，最后，通过第二神经网络，对故障特征进行处理，以确定配电线路所存在的故障类型。也就是，通过将格拉姆角场变换与基于注意力机制的神经网络相结合，实现对配电线路的故障类型进行识别，可以显著提高故障检测的准确性和响应速度。同时，结合图像处理技术，可以更直观地展示故障位置和类型，便于运维人员及时采取相应措施。
16、另外，根据本专利技术提供的上述技术方案中的识别方法，还可以具有如下附加技术特征：
17、在一些技术方案中，可选地，根据格拉姆角场变换，对第一参数进行处理，生成第一图像，包括：对第一参数进行极坐标空间编码，生成第一参数对应的坐标信息，其中，坐标信息包括第一参数对应的角度信息和半径信息；根据格拉姆角场变换，对坐标信息进行处理，生成第一参数对应的格拉姆角和场、格拉姆角差场和半径矩阵；根据格拉姆角和场和半径矩阵，确定第一参数对应的格拉姆角和场矩阵；根据格拉姆角差场和半径矩阵，确定第一参数对应的格拉姆角差场矩阵；根据格拉姆角和场矩阵和格拉姆角差场矩阵，生成第一图像。
18、在一些技术本文档来自技高网...
【技术保护点】
1.一种故障识别方法，用于识别配电线路的故障类型，其特征在于，所述故障识别方法包括：
2.根据权利要求1所述的故障识别方法，其特征在于，所述根据格拉姆角场变换，对所述第一参数进行处理，生成第一图像，包括：
3.根据权利要求2所述的故障识别方法，其特征在于，所述对所述第一参数进行极坐标空间编码，生成所述第一参数对应的坐标信息之前，所述故障识别方法还包括：
4.根据权利要求1所述的故障识别方法，其特征在于，所述注意力模块包括空间注意力模块和通道注意力模块，所述将所述第一图像输入至第一神经网络，生成故障特征，包括：
5.根据权利要求4所述的故障识别方法，其特征在于，所述第一参数包括所述配电线路中多个检测点的三相电压和三相电流，所述第一神经网络中还设置有自注意力特征融合模块，所述根据所述空间注意力权重和所述通道注意力权重对所述第一图像进行特征提取，生成所述故障特征之前，所述故障识别方法还包括：
6.根据权利要求1至5中任一项所述的故障识别方法，其特征在于，所述获取所述配电线路运行过程中的第一参数之前，所述故障识别方法还包括：p>
7.根据权利要求6所述的故障识别方法，其特征在于，所述根据多个第二图像对所述第一神经网络进行训练，包括：
8.一种故障识别装置，用于识别配电线路的故障类型，其特征在于，所述故障识别装置包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7中任一项所述的故障识别方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的故障识别方法的步骤。
...【技术特征摘要】
1.一种故障识别方法，用于识别配电线路的故障类型，其特征在于，所述故障识别方法包括：
2.根据权利要求1所述的故障识别方法，其特征在于，所述根据格拉姆角场变换，对所述第一参数进行处理，生成第一图像，包括：
3.根据权利要求2所述的故障识别方法，其特征在于，所述对所述第一参数进行极坐标空间编码，生成所述第一参数对应的坐标信息之前，所述故障识别方法还包括：
4.根据权利要求1所述的故障识别方法，其特征在于，所述注意力模块包括空间注意力模块和通道注意力模块，所述将所述第一图像输入至第一神经网络，生成故障特征，包括：
5.根据权利要求4所述的故障识别方法，其特征在于，所述第一参数包括所述配电线路中多个检测点的三相电压和三相电流，所述第一神经网络中还设置有自注意力特征融合模块，所述根据所述空间注意力权重和所述通道注意力权重对所述第一图像进...
【专利技术属性】
技术研发人员：王珏莹，蔡智萍，文彪，张振宇，夏雨，罗翔，张梅，赵伟洁，林若寅，李宽宏，王林，郭梓毅，林栋，陈秉熙，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
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。