一种基于辅助分类生成对抗网络的输电线路故障检测方法
技术领域
本发明涉及高压输变电线路故障检测
技术领域
。背景技术
随着近年来同步相量测量、数据处理及高速通信技术的发展，世界各国的电网都部署了一定数量的同步相量测量装置(Phasor Measurement Unit，PMU)或具备GPS同步能力的继电保护装置。这些PMU的部署为提高线路故障检测能力的广域故障检测提供了新的可能。与传统基于单端测量的保护不同，广域故障检测在时间上采用精确同步，在区域上采用分布广泛的PMU的测量信息进行各线路的故障检测。
现有的输电线路故障检测方案大多采用线路两端的同步测量信息或等效测量信息，即由未安装PMU的节点通过基尔霍夫定律从邻近测量节点推导得到的等效测量值，来判断所在线路的故障。这些方案要求电力系统中所有节点均需安装或等效安装PMU，但为了经济效益，PMU在电网中的安装密度不能满足这些要求。
为了解决较少或低密度布置PMU条件下一个电网中各线路的故障检测问题，本发明将采用人工智能技术中的辅助分类生成对抗网络(Auxiliary Classifier GenerativeAdversarial Networks，ACGAN)，利用从较少的布置有PMU节点的电压，获得故障特征数据，并生成全网灰度图，来训练各故障类型的ACGAN网络，进行一个电网中各条线路的故障检测，实现低PMU覆盖率下较高的故障线路准确率，有较好的工程意义。
发明内容
本发明的目的是提供一种基于辅助分类生成对抗网络的输电线路故障检测方法，它能有效地解决低PMU覆盖率下输电线路发生故障时故障检测的技术问题。
本发明的目的是通过以下技术方案来实现的：
一种基于辅助分类生成对抗网络的输电线路故障检测方法，包括如下步骤：
步骤一：通过PSCAD软件搭建输电网络模型，在该输电网络中选取其中M个母线节点分别布置同步相量测量装置PMU，将每条线路分为A段，A＝10，在每条线路上预设故障点，在各故障点分别设置单相短路接地、两相短路接地、两相短路、三相短路接地故障，并进行故障仿真；针对每种故障情景，分别获取M个布置有PMU的母线节点在故障发生后第一个周波内的电压，均匀取N个电压，N＝62；对M个母线节点的电压，分别进行卡伦鲍尔变换，取得解耦后的α模分量，再对α模分量进行变分模态分解，得到IMF1、IMF2、…、IMFk固有模态分量序列，取其中IMF1分量序列，作为各母线节点在该故障情景下的故障特征向量，也均匀取N个数据，其为1×N；再将M个母线节点的故障特征向量，组合形成一个特征向量矩阵，其为M×N，然后将它生成相应的全网灰度图；针对其它故障情景，同样处理，获得每条线路各故障点不同故障类型下的全网灰度图；
步骤二：对每条线路各故障点各故障类型下的全网灰度图进行标记，针对电网中P条线路，先分别进行从1到P的线路编号，再将每个全网灰度图标记为对应的线路编号，作为每个全网灰度图的标签编号，即把该灰度图标记到对应的故障线路，如果所有线路正常，则赋予P+1的标签编号；
步骤三、针对各种故障类型，分别构建加入卷积层并生成带标签图片的辅助分类生成对抗网络，分别对各辅助分类生成对抗网络进行训练，能够对测试的全网灰度图进行正确分类，检测出故障线路；
步骤四：针对各种故障类型的辅助分类生成对抗网络，分别送入各自的训练数据进行训练；当对抗网络训练完成后，分别输入各自的事先通过仿真得到的测试数据，进行故障线路的分类测试，做检测正确率的统计；对于电网实际发生的线路故障，取得每个布置PMU的母线节点的电压，先利用传统的阻抗选相元件，获得故障类型，然后按照步骤一，由各母线节点的电压获得全网灰度图，送入判别器，如果判别器第1输出层输出为真，再由判别器第2输出层输出的标签编号，获得相应的故障线路编号。
2.根据权利要求1所述的一种基于辅助分类生成对抗网络的输电线路故障检测方法，其特征在于：所述获得每条线路各故障点不同故障类型下的全网灰度图，具体操作如下：
1)卡伦鲍尔变换
对一个母线节点的三相电压Ua、Ub、Uc进行卡伦鲍尔变换如下：
得到α模分量Uα、β模分量Uβ、0模分量U0；
2)变分模态分解
仅采用α模分量作为测量信号，对α模分量进行变分模态分解，得到IMF1、IMF2、…、IMFk固有模态分量序列，选取其中最具有信号本质特征的IMF1分量，作为故障分量，均匀取N个数据作为该母线节点的故障特征向量，其为1×N；
3)形成特征向量矩阵
将M个母线节点的故障特征向量，组合形成一个原始特征向量矩阵E，其为M×N；
4)生成全网灰度图
对原始特征向量矩阵E进行归一化到0～1之间，得到特征向量矩阵E2：
E2(i,j)＝(E(i,j)-min)/(max-min) (2)
其中，E(i,j)是原始特征向量矩阵E的第i行第j列元素，E2(i,j)是特征向量矩阵E2的第i行第j列元素，min是E中所有元素的最小值，max是E中所有元素的最大值；
将特征向量矩阵E2中各元素分别乘以255，再取整，转化到0～255，即灰度值，再根据这些灰度值数据，生成全网灰度图H，其大小为M×N，其文件扩展名为jpg。
3.根据权利要求1所述的一种基于辅助分类生成对抗网络的输电线路故障检测方法，其特征在于：所述分别对各辅助分类生成对抗网络进行训练，具体操作如下：
每个对抗网络包含生成器、判别器，使生成器能够生成仿真的生成图片，同时判别器能够准确判断生成图片、故障图片及其标签；
1)生成器和判别器的构造
生成器结构包含输入层、全连接层、3个卷积层、输出层；
输入层：输入由服从正态分布的噪声产生的随机向量；
全连接层：将输入全连接到32×3×15维度，输出时用Reshape函数将其改造成像素高为3、宽为15、通道数为32的特征层样式；
第1卷积层：通道数为64，卷积核数3，激活函数为Relu，步长为1；
第2卷积层：通道数为128，卷积核数量3，上个采样扩充一倍特征层的高和宽分别为6、30，激活函数为Relu；
第3卷积层：通道数为64，卷积核数量3，上个采样扩充一倍特征层的高和宽分别为12、60，激活函数为Relu；
输出层：也是卷积层，通道数为1，作为图片输出，卷积核数量3，激活函数为tanh；
判别器结构包含输入层、4个卷积层、2个输出层；
输入层：输入图片的像素高12、宽60、通道数为1；
第1卷积层：通道数为16，卷积核数3，激活函数为Leakyrelu，步长为2，dropout参数0.4；
第2卷积层：通道数为32，卷积核数量3，激活函数为Leakyrelu，步长为2，dropout参数0.4；
第3卷积层：通道数为64，卷积核数量3，激活函数为Leakyrelu，步长为1，dropout参数0.4；
第4卷积层：通道数为128，卷积核数量3，激活函数为Leakyrelu，步长为1，dropout参数0.4；
第1输出层：维度为1，激活函数为sigmoid，判断图片的真伪；
第2输出层：维度为P，激活函数为softmax，判断图片的类别；
当判别器的第1输出层判断图片为真时，再由第2层输出层输出标签编号，由该标签编号得到相应的故障线路编号；
2)网络的训练过程
数据导入：由于设计的生成器输出图片和判别器输入图片像素高宽分别为12、60，而提取特征生成的灰度图像素高12、宽62，还需对灰度图进行裁剪，考虑到生成的灰度图用的原始数据是瞬时三相电压，具有周期连续性，对灰度图进行裁剪，取其[0,60]部分，提供给对抗网络训练和测试用；
训练过程：用服从正态分布的噪声产生随机向量，作为生成器的输入，产生生成图片；生成器希望为判别器提供生成图片时，判别器的输出图片为真且输出对应的标签；而判别器希望输入真实故障图片时，判别器判断其为真和对应的标签编号，输入生成图片时，判别器判断其为假；采用交叉熵损失函数进行训练，直到网络收敛；
生成对抗网络一般先训练判别器，在开始训练前对判别器的输入图片进行预测，如果预测结果正确，则先训练生成器；否则，先训练判别器；在最小化损失函数的训练中，会出现一方压制另一方导致梯度消失的问题，利用随机梯度下降法进行优化；
设计了学习率为0.0002，优化器使用Adam，训练次数为10000次，损失函数使用交叉熵参数；
3)判别器的参数优化策略
a.生成器、判别器交替训练的策略
在交替训练生成器和判别器时，在训练生成器时屏蔽判别器的训练；
在对判别器的输入图片进行预测的过程中，当判别器能较好地识别图片时，则中断判别器的训练；
b.将判别器输入的灰度图H处理映射到-1～1之间的矩阵MH，便于激活函数发挥最大效果，即将灰度图H中各元素H(i,j)从0～255映射到-1～1，如下：
MH(i,j)＝(H(i,j)-127.5)/127.5 (3)
c.调节判别器的激活函数Leakyrelu的alpha参数为0.2，使其在负半轴存在梯度；
d.在数据输入到激活函数前，添加标准化函数BatchNormalization，其momentum参数为0.8，使数据缩放到激活函数的区间，让激活函数对数据处理达到最大效果；
e.给判别器加入dropout函数，使部分神经元失活，防止判别器过拟合。
与现有技术相比的优点和效果：本发明利用从较少的布置有PMU节点的电压，通过模拟各线路不同故障点不同故障类型故障，获得各母线节点的故障特征数据，组合形成特征向量矩阵，并生成各故障情景下的全网灰度图，针对各故障类型，训练各自的对抗网络ACGAN，完成了一个电网中各条线路的故障检测，实现低PMU覆盖率下较高的故障线路检测准确率，具有以下优势：
1)本发明只利用了各PMU节点的电压数据，采用电压信号，采集简单；
2)本发明通过对故障类型的对抗网络分别进行训练和测试，能够达到低PMU覆盖率下较高的故障线路准确率；
3)本发明对全网的特征向量矩阵做了归一化处理，强调故障线路相对于正常线路的差异，不强调电压的绝对值，所以对过渡电阻不敏感，本发明的故障线路检测具有一定抗过渡电阻的能力，并且不受故障位置的影响。
附图说明
图1为本发明生成器的结构示意图；
图2为本发明判别器的结构示意图；
图3为布置了12个PMU的IEEE 39节点系统示意图；
图4本发明的方法流程图；
图5为判别器线路识别正确率随训练次数变化曲线
图6为判别器线路识别损失值随训练次数变化曲线
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图3布置了12个PMU的IEEE 39节点系统所示，基于辅助分类生成对抗网络(ACGAN)的输电线路故障检测方法，其步骤包括：
步骤一：通过PSCAD软件搭建输电网络模型，在该输电网络中选取其中M个母线节点分别布置同步相量测量装置PMU，将每条线路分为A段，A＝10，在每条线路上预设故障点，在各故障点分别设置单相短路接地、两相短路接地、两相短路、三相短路接地故障，并进行故障仿真；针对每种故障情景，分别获取M个布置有PMU的母线节点在故障发生后第一个周波内的电压，均匀取N个电压，N＝62；对M个母线节点的电压，分别进行卡伦鲍尔变换，取得解耦后的α模分量，再对α模分量进行变分模态分解，得到IMF1、IMF2、…、IMFk固有模态分量序列，取其中IMF1分量序列，作为各母线节点在该故障情景下的故障特征向量，也均匀取N个数据，其为1×N；再将M个母线节点的故障特征向量，组合形成一个特征向量矩阵，其为M×N，然后将它生成相应的全网灰度图；针对其它故障情景，同样处理，获得每条线路各故障点不同故障类型下的全网灰度图；
步骤二：对每条线路各故障点各故障类型下的全网灰度图进行标记，针对电网中P条线路，先分别进行从1到P的线路编号，再将每个全网灰度图标记为对应的线路编号，作为每个全网灰度图的标签编号，即把该灰度图标记到对应的故障线路，如果所有线路正常，则赋予P+1的标签编号；
步骤三、针对各种故障类型，分别构建加入卷积层并生成带标签图片的辅助分类生成对抗网络，分别对各辅助分类生成对抗网络进行训练，能够对测试的全网灰度图进行正确分类，检测出故障线路；
步骤四：针对各种故障类型的辅助分类生成对抗网络，分别送入各自的训练数据进行训练；当对抗网络训练完成后，分别输入各自的事先通过仿真得到的测试数据，进行故障线路的分类测试，做检测正确率的统计；对于电网实际发生的线路故障，取得每个布置PMU的母线节点的电压，先利用传统的阻抗选相元件，获得故障类型，然后按照步骤一，由各母线节点的电压获得全网灰度图，送入判别器，如果判别器第1输出层输出为真，再由判别器第2输出层输出的标签编号，获得相应的故障线路编号。
2.根据权利要求1所述的一种基于辅助分类生成对抗网络的输电线路故障检测方法，其特征在于：所述获得每条线路各故障点不同故障类型下的全网灰度图，具体操作如下：
1)卡伦鲍尔变换
对一个母线节点的三相电压Ua、Ub、Uc进行卡伦鲍尔变换如下：
得到α模分量Uα、β模分量Uβ、0模分量U0；
2)变分模态分解
仅采用α模分量作为测量信号，对α模分量进行变分模态分解，得到IMF1、IMF2、…、IMFk固有模态分量序列，选取其中最具有信号本质特征的IMF1分量，作为故障分量，均匀取N个数据作为该母线节点的故障特征向量，其为1×N；
3)形成特征向量矩阵
将M个母线节点的故障特征向量，组合形成一个原始特征向量矩阵E，其为M×N；
4)生成全网灰度图
对原始特征向量矩阵E进行归一化到0～1之间，得到特征向量矩阵E2：
E2(i,j)＝(E(i,j)-min)/(max-min) (2)
其中，E(i,j)是原始特征向量矩阵E的第i行第j列元素，E2(i,j)是特征向量矩阵E2的第i行第j列元素，min是E中所有元素的最小值，max是E中所有元素的最大值；
将特征向量矩阵E2中各元素分别乘以255，再取整，转化到0～255，即灰度值，再根据这些灰度值数据，生成全网灰度图H，其大小为M×N，其文件扩展名为jpg。
3.根据权利要求1所述的一种基于辅助分类生成对抗网络的输电线路故障检测方法，其特征在于：所述分别对各辅助分类生成对抗网络进行训练，具体操作如下：
每个对抗网络包含生成器、判别器，使生成器能够生成仿真的生成图片，同时判别器能够准确判断生成图片、故障图片及其标签；
1)生成器和判别器的构造
生成器结构包含输入层、全连接层、3个卷积层、输出层；
输入层：输入由服从正态分布的噪声产生的随机向量；
全连接层：将输入全连接到32×3×15维度，输出时用Reshape函数将其改造成像素高为3、宽为15、通道数为32的特征层样式；
第1卷积层：通道数为64，卷积核数3，激活函数为Relu，步长为1；
第2卷积层：通道数为128，卷积核数量3，上个采样扩充一倍特征层的高和宽分别为6、30，激活函数为Relu；
第3卷积层：通道数为64，卷积核数量3，上个采样扩充一倍特征层的高和宽分别为12、60，激活函数为Relu；
输出层：也是卷积层，通道数为1，作为图片输出，卷积核数量3，激活函数为tanh；
判别器结构包含输入层、4个卷积层、2个输出层；
输入层：输入图片的像素高12、宽60、通道数为1；
第1卷积层：通道数为16，卷积核数3，激活函数为Leakyrelu，步长为2，dropout参数0.4；
第2卷积层：通道数为32，卷积核数量3，激活函数为Leakyrelu，步长为2，dropout参数0.4；
第3卷积层：通道数为64，卷积核数量3，激活函数为Leakyrelu，步长为1，dropout参数0.4；
第4卷积层：通道数为128，卷积核数量3，激活函数为Leakyrelu，步长为1，dropout参数0.4；
第1输出层：维度为1，激活函数为sigmoid，判断图片的真伪；
第2输出层：维度为P，激活函数为softmax，判断图片的类别；
当判别器的第1输出层判断图片为真时，再由第2层输出层输出标签编号，由该标签编号得到相应的故障线路编号；
2)网络的训练过程
数据导入：由于设计的生成器输出图片和判别器输入图片像素高宽分别为12、60，而提取特征生成的灰度图像素高12、宽62，还需对灰度图进行裁剪，考虑到生成的灰度图用的原始数据是瞬时三相电压，具有周期连续性，对灰度图进行裁剪，取其[0,60]部分，提供给对抗网络训练和测试用；
训练过程：用服从正态分布的噪声产生随机向量，作为生成器的输入，产生生成图片；生成器希望为判别器提供生成图片时，判别器的输出图片为真且输出对应的标签；而判别器希望输入真实故障图片时，判别器判断其为真和对应的标签编号，输入生成图片时，判别器判断其为假；采用交叉熵损失函数进行训练，直到网络收敛；
生成对抗网络一般先训练判别器，在开始训练前对判别器的输入图片进行预测，如果预测结果正确，则先训练生成器；否则，先训练判别器；在最小化损失函数的训练中，会出现一方压制另一方导致梯度消失的问题，利用随机梯度下降法进行优化；
设计了学习率为0.0002，优化器使用Adam，训练次数为10000次，损失函数使用交叉熵参数；
3)判别器的参数优化策略
a.生成器、判别器交替训练的策略
在交替训练生成器和判别器时，在训练生成器时屏蔽判别器的训练；
在对判别器的输入图片进行预测的过程中，当判别器能较好地识别图片时，则中断判别器的训练；
b.将判别器输入的灰度图H处理映射到-1～1之间的矩阵MH，便于激活函数发挥最大效果，即将灰度图H中各元素H(i,j)从0～255映射到-1～1，如下：
MH(i,j)＝(H(i,j)-127.5)/127.5 (3)
c.调节判别器的激活函数Leakyrelu的alpha参数为0.2，使其在负半轴存在梯度；
d.在数据输入到激活函数前，添加标准化函数BatchNormalization，其momentum参数为0.8，使数据缩放到激活函数的区间，让激活函数对数据处理达到最大效果；
e.给判别器加入dropout函数，使部分神经元失活，防止判别器过拟合。
算例
针对IEEE 39节点系统，它有39个母线节点，如图3所示，G1～G10分别表示发电机节点，T1～T12分别表示变压器，B1～B39表示母线节点，L1～L33分别表示线路，利用PSCAD搭建了它的电网模型，在其中12个母线节点上布置了同步相量测量装置PMU，即M＝12，即图3中旁边有PMU文字的矩形框的母线节点代表布置有PMU，包括母线节点B3、B5、B8、B11、B14、B16、B19、B23、B25、B27、B29、B39。
分别仿真了三相短路、单相接地、两相接地和两相短路四种线路故障。构建了各故障类型的辅助分类生成对抗网络，然后进行网络的参数设置和优化，分类器中设置学习率λ＝0.0002，训练次数为10000次。
由于生成对抗网络是交替训练，首先需要对判别器输入图片进行预测，若其判别结果正确，则固定其参数，并先对生成器进行训练，若判定结果错误，则需先固定生成器参数并对判别器进行训练。设置每一个批次取54个样本进行训练，定义生成器和判别器的损失函数，生成器通过收集对输入生成图片和标签时被判定为假时的情况计算损失，判别器需要输入真实图片时输出判定为真实图片及其标签，输入生成图片时输出判定为假图片及其对应标签，当出现判定错误时即计算损失。生成器和判别器都使用Adam优化器，使用随机梯度下降法进行训练。
取IEEE 39节点系统的15条线路，每条线路每10％长度设一个故障位置，共9个故障点，模拟了单相接地、两相短路接地、两相短路、三相短路4种故障类型，0.01Ω、300Ω2种接地电阻的情况，即一个故障点有6种故障情景，则共有15×6×9＝810组数据，其中80％(648)个数据集被用于训练4种故障类型的辅助分类生成对抗网络，另外有20％(162)个数据集用于测试网络的性能。
1)对不同故障类型的识别正确性分析。对于线路发生A相接地故障，图5为判别器线路识别正确率随训练次数变换曲线，图6为判别器线路识别损失值随训练次数变换曲线，在训练7000次以后，判别器的识别正确率、损失值都达到了稳定值，生成器共生成了40000个生成图片。再对两相短路接地、两相短路、三相短路故障分别进行仿真验证，最终得到在同一PMU覆盖率下辅助分类生成对抗网络的线路故障检测准确率为表1所示。
表1 IEEE 39节点系统在4种故障类型下辅助分类生成对抗网络的线路故障检测准确率
由表1可见，对于仅12个节点布置PMU的低覆盖率下，对于4种故障类型，所构建的辅助分类生成对抗网络都有较好的识别能力，识别准确率均高于95％。对所有故障类型统计分析后，对15条线路的故障识别，总正确率达到了96.68％，对于4种故障类型，它们的识别率没有明显的差异。
2)对不同PMU覆盖率下的线路故障识别正确性分析。针对不同PMU覆盖率的情况，分别对安装8个PMU节点，即减少节点8、19、29、39，安装10个PMU节点，即减少节点8、29，与12个PMU节点情况下A相接地故障进行对比，得到它们的线路故障检测准确率如表2所示。
表2 IEEE 39节点系统在不同PMU覆盖率下辅助分类生成对抗网络的线路故障检测准确率
由表2可见，随着布置PMU节点数的增加，辅助分类生成对抗网络的线路故障检测准确率得到了一定的提高。
3)对不同接地过渡电阻的故障检测准确率分析。对于接地故障情况，对低阻和高阻的不同接地电阻情况作了分析，其线路故障检测准确率如表3所示。
表3 IEEE 39节点系统在不同接地电阻下辅助分类生成对抗网络的线路故障检测准确率
由表3可见，在不同接地过渡电阻的情况下，辅助分类生成对抗网络的的识别不受过渡电阻变动的影响。
最后，需要注意的是：以上列举的仅是本发明的具体实施例子，当然本领域的技术人员可以对本发明进行改动和变型，倘若这些修改和变型属于本发明权利要求及其等同技术的范围之内，均应认为是本发明的保护范围。
