一种配电网故障定位方法
技术领域
本发明涉及配电网维护
技术领域
，尤其涉及一种配电网故障定位方法。背景技术
配电网是电力系统中的重要组成部分，作为直接与电力用户相连的电力网末端，其可靠、稳定的运行将直接影响用户对供电安全、电能质量等方面的满意度。而故障后快速准确确定故障点位置，可以有效减少停电面积、缩短用户停电时间，从而有效改善电网供电质量和供电可靠性。
随着智能电网的快速发展，分布式电源的大量的不确定接入，使得配电网故障信息越发复杂，故障的准确快速分析变得越发困难。为保障配电网高度智能化运行，需要对馈线运行数据进行实时监控、异常情况及时预警及故障快速定位及处理。因此配电网络通常会加装线路故障指示器和馈线终端等装置，利用这些装置对配电网运行情况进行录波。目前现有技术中，针对故障定位的方法方一般均需要人工提取录波特征，再利用特征进行接地故障的识别及定位。但现有的波形特征提取准确性差，效率低，影响故障点的位置判断精度，进而延误配电网故障的维护。
发明内容
(一)发明目的
为解决背景技术中存在的技术问题，本发明提出一种配电网故障定位方法。本发明设置多个监测段，通过监测模块、故障决策中心、数据获取模块和故障定位模块配合，通过滤波器连接卷积神经网络和反卷积神经网络，构建故障定位模型，采用反卷积神经网络和卷积神经网络结合，将波形可视化、特征化处理，提高波形特征的准确性、稳定性，配合载波信号调制放大处理，提高了对异常波形的捕获效率，最后经过校正得到故障点位置，提高了固定点位置判断的精准性，此外还具有故障锁定、决策功能，实现配电网维护的智能化和高效化。
(二)技术方案
为解决上述问题，本发明提供了一种配电网故障定位系统，包括多个监测模块和故障决策中心；多个监测模块分散设置在配电线路上，将其分隔为多个监测段，且相邻的监测模块之间信号连通；每个监测段上设置有数据获取模块和故障定位模块；数据获取模块和故障定位模块之间信号连接，同时与两侧的监测模块信号连接；监测模块上设置有监测单元和故障预测单元；数据获取模块包括波形镜像单元、波形模拟单元、波形截取单元、波形特征提取单元和波形特征转换单元；故障定位模块上设置有故障定位模型；故障定位模型上设置有波形特征捕单元、故障警报单元、载波信号发生单元、校正单元以、定位单元及波形特征对比池。
优选的，故障定位模型上设置有故障训练器；通过向故障训练器输入训练数据集，采用神经网络技术，结合梯度下降法、指数加权平均法、动量梯度下降法和RMSProp算法，进行机器学习，优化故障定位模型。
优选的，通过滤波器连接卷积神经网络和反卷积神经网络，构建故障定位模型框架，采用无监督两层堆叠反卷积神经网络从原始波形中学习得到特征映射矩阵，将该特征映射矩阵作为深度卷积神经网络的卷积核,对原始波形图像进行逐层卷积和池化操作，得到特征化波形，再逆向操作，得到可视化波形，实现波形在可视化和特征化之间随意转化。
优选的，波形特征对比池用于波形特征、模拟波形特征、载波信号的混合、对比。
优选的，波形特征捕单元上设置有捕获器；捕获器的感应端伸入波形特征对比池。
优选的，数据获取模块生成监测段的实时波形镜像，截取公共时间区段波形，提取其特征，与模拟出的正常波形对比。
优选的，校正单元根据异常波形信息，向两侧的监测模块上发送校正参数，对故障点位置进行校正。
优选的，故障定位模型将校正单元的校正数据发送至故障决策中心。
优选的，还包括存储模块；存储模块对系统数据和配电网数据进行存储、备份。
本发明又提供一种配电网故障定位方法，步骤如下：
S1、构建监测段；
S2、配电网故障时，数据获取模块生成监测段的实时波形镜像，截取公共时间区段波形，提取其特征，与模拟出的正常波形对比，同时对波形特征进行唯一编号，格式转化；
S3、采用无监督两层堆叠反卷积神经网络从原始波形中学习得到特征映射矩阵，将该特征映射矩阵作为深度卷积神经网络的卷积核,对原始波形图像进行逐层卷积和池化操作，得到特征化波形，再逆向操作，得到可视化波形；
S4、将可视化波形和特征化波形输入故障定位模型，被载波信号调制，再与模拟波形特征混合，对比；
S5、捕获器捕获异常波形，获取其编号；
S6、定位单元根据波形编号判断故障点位置；
S7、校正单元同时获取异常波形信息，向两侧的监测模块上发送校正参数，对故障点位置进行校正；
S8、监测模块获取故障点位置，并做出故障预测；
S9、故障决策中心对故障点位置进行锁定，并根据故障预测做出故障决策。
本发明的上述技术方案具有如下有益的技术效果：
本发明设置多个监测段，通过监测模块、故障决策中心、数据获取模块和故障定位模块配合，通过滤波器连接卷积神经网络和反卷积神经网络，构建故障定位模型，采用反卷积神经网络和卷积神经网络结合，将波形可视化、特征化处理，提高波形特征的准确性、稳定性，配合载波信号调制放大处理，提高了对异常波形的捕获效率，最后经过校正得到故障点位置，提高了固定点位置判断的精准性，此外还具有故障锁定、决策功能，实现配电网维护的智能化和高效化。
附图说明
图1为本发明提出的一种配电网故障定位系统的结构框图。
图2为本发明提出的一种配电网故障定位方法的流程框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
实施例1
如图1所示，本发明提出的一种配电网故障定位系统，包括多个监测模块和故障决策中心；多个监测模块分散设置在配电线路上，将其分隔为多个监测段，且相邻的监测模块之间信号连通；每个监测段上设置有数据获取模块和故障定位模块；数据获取模块和故障定位模块之间信号连接，同时与两侧的监测模块信号连接；监测模块上设置有监测单元和故障预测单元；数据获取模块包括波形镜像单元、波形模拟单元、波形截取单元、波形特征提取单元和波形特征转换单元；故障定位模块上设置有故障定位模型；故障定位模型上设置有波形特征捕单元、故障警报单元、载波信号发生单元、校正单元以、定位单元及波形特征对比池。
在一个可选的实施例中，故障定位模型上设置有故障训练器；通过向故障训练器输入训练数据集，采用神经网络技术，结合梯度下降法、指数加权平均法、动量梯度下降法和RMSProp算法，进行机器学习，优化故障定位模型。
在一个可选的实施例中，通过滤波器连接卷积神经网络和反卷积神经网络，构建故障定位模型框架，采用无监督两层堆叠反卷积神经网络从原始波形中学习得到特征映射矩阵，将该特征映射矩阵作为深度卷积神经网络的卷积核,对原始波形图像进行逐层卷积和池化操作，得到特征化波形，再逆向操作，得到可视化波形，实现波形在可视化和特征化之间随意转化。
在一个可选的实施例中，波形特征对比池用于波形特征、模拟波形特征、载波信号的混合、对比。
在一个可选的实施例中，波形特征捕单元上设置有捕获器；捕获器的感应端伸入波形特征对比池。
在一个可选的实施例中，数据获取模块生成监测段的实时波形镜像，截取公共时间区段波形，提取其特征，与模拟出的正常波形对比。
在一个可选的实施例中，校正单元根据异常波形信息，向两侧的监测模块上发送校正参数，对故障点位置进行校正。
在一个可选的实施例中，故障定位模型将校正单元的校正数据发送至故障决策中心。
在一个可选的实施例中，还包括存储模块；存储模块对系统数据和配电网数据进行存储、备份。
实施例2
如图2所示，本发明又提供一种配电网故障定位方法，步骤如下：
S1、构建监测段；
S2、配电网故障时，数据获取模块生成监测段的实时波形镜像，截取公共时间区段波形，提取其特征，与模拟出的正常波形对比，同时对波形特征进行唯一编号，格式转化；
S3、采用无监督两层堆叠反卷积神经网络从原始波形中学习得到特征映射矩阵，将该特征映射矩阵作为深度卷积神经网络的卷积核,对原始波形图像进行逐层卷积和池化操作，得到特征化波形，再逆向操作，得到可视化波形；
S4、将可视化波形和特征化波形输入故障定位模型，被载波信号调制，再与模拟波形特征混合，对比；
S5、捕获器捕获异常波形，获取其编号；
S6、定位单元根据波形编号判断故障点位置；
S7、校正单元同时获取异常波形信息，向两侧的监测模块上发送校正参数，对故障点位置进行校正；
S8、监测模块获取故障点位置，并做出故障预测；
S9、故障决策中心对故障点位置进行锁定，并根据故障预测做出故障决策。
本发明设置多个监测段，通过监测模块、故障决策中心、数据获取模块和故障定位模块配合，通过滤波器连接卷积神经网络和反卷积神经网络，构建故障定位模型，采用反卷积神经网络和卷积神经网络结合，将波形可视化、特征化处理，提高波形特征的准确性、稳定性，配合载波信号调制放大处理，提高了对异常波形的捕获效率，最后经过校正得到故障点位置，提高了固定点位置判断的精准性，此外还具有故障锁定、决策功能，实现配电网维护的智能化和高效化。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
