基于分解降噪和新型卷积神经网络的故障测距方法和系统与流程

本发明属于电力系统，具体地，涉及一种基于分解降噪和新型卷积神经网络的故障测距方法和系统。

背景技术：

1、随着人们生活水平的日益提升，日常生活中对于电能的依赖性也越来越大，对配电网的安全可靠性提出了更高的要求。保证配电网安全稳定运行的措施之一就是能够实现故障的快速定位，对于非故障区能够快速恢复供电。

2、现有的配电网故障测距方法中，主要有以下几种方法：

3、1.利用行波的时差特性进行故障测距，该方法原理直观但是易受外界干扰，并且对设备的要求也比较高。

4、2.利用混合量测状态故障的方法对配电网进行故障测距，该方法结合了电网中智能电表等量测设备的采集量，可靠性较高，但是在应用中需要加装多个采集装置，提高了成本。

5、3.利用bp神经网络算法，将采集到的电气量输入到bp神经网络中，能够有效对数据进行处理，但是缺乏对原始数据的预处理，最终的测距结果可能会受到干扰。

6、上述方法大多不能保证故障测距的精度，并且上述方法没有采取抗干扰措施，使得最终结果易受干扰的影响，因此有必要就上述问题对故障测距算法进行研究。

技术实现思路

1、有鉴于上述背景技术的不足，本发明的目的是提出了一种基于分解降噪和新型卷积神经网络的故障测距方法和系统，用于解决现有的故障测距方法准确性低，并且抗干扰能力差，可靠性难以保证的问题。

2、本发明为实现上述目的采用的技术方案是：

3、按照本发明的第一方面，提供了一种基于分解降噪和新型卷积神经网络的故障测距方法，本发明采用信号分解与重构对原始信号进行降噪处理，通过引入降噪方法，来提高系统的抗干扰能力。采用格拉姆角场对采集到的数据进行图像转换，将时序信号转换为二维图像信号，并且对信号进行数据增强。引入新型卷积神经网络，将采集到的信号输入到该神经网络中进行特征学习，最后输出故障距离。

4、所述方法具体包括如下步骤：

5、步骤1：按照设定的采样频率，采集线路三相电流信号，作为原始电流信号；

6、若采样频率过高则会增加数据规模，降低了计算效率。若采样频率过低，则会丢失特征，影响测距精度。本发明在实验配电网模型中采取的采样频率为5khz。

7、步骤2：采用iceemdan算法对采集到的原始电流信号进行分解降噪处理；

8、具体过程如下：

9、首先取原始电流信号x[n]，并且添加高斯白噪声构造加噪信号共i组；

10、x(i)＝x+β0e1(w(i)) (1)

11、式中，x(i)为添加了高斯白噪声后的第i个电流信号，x为原始电流信号，w(i)表示添加的第i组白噪声，其中i＝1,2,…,i，设w(i)为均值0、单位方差的gauss白噪声；算子e1(·)表示求一个信号emd分解的1阶imf分量，β0表示加入噪声分量时的权重系数，该系数代表的是加入噪声的信噪比与所述噪声分量标准差之比；

12、引入局部算子m(·)，其代表求信号的局部均值；计算可得每个x(i)所对应的1阶imf分量

13、

14、对上述分量求和可得原始电流信号x的第1阶imf分量d1；

15、

16、求得第1阶残差r1：

17、r1＝x-d1 (4)

18、第2阶残差r2：

19、

20、其中，β1是指第2阶残差中加入噪声的权重系数；算子e2(·)是指求信号emd分解的第二阶imf分量；

21、可得第2阶imf分量d2为：

22、

23、重复上述步骤可得，第k阶残差rk，k＝3,4,…,k，k为总分解阶数；

24、

25、其中，βk-1是指第k-1阶残差中加入噪声的权重系数；算子ek(·)是指求信号emd分解的第k阶imf分量；

26、第k阶imf分量dk为：

27、dk＝rk-1-rk (8)

28、重复上述步骤即可得iceemdan分解得到的各imf分量。

29、步骤3：计算各个imf分量的熵值，并将熵值大于阈值的imf分量筛除，其余imf分量进行重构，得到去噪后的信号；

30、本发明采用的是线性重构，阈值根据实验模型和条件不同有所差别，本发明实验中采取的阈值为0.9。

31、步骤4：用格拉姆角场算法将去噪后信号转换为二维特征图像，并对得到的二维特征图像进行数据增强，生成二维特征图像数据集；

32、所述数据增强包括垂直翻转、水平翻转、灰度化、调整亮度和增加噪声操作。

33、步骤5：将生成的二维特征图像数据集输入到新型卷积神经网络模型中，得到测距结果，至此完成故障测距；

34、所述新型卷积神经网络模型包括：

35、基础模块：convnext block包括以下部分：

36、convnext网络的核心构建块是一个类似resnet的结构模块，但引入了许多现代化调整：

37、1)深度卷积层(depthwise convolution)，执行一个深度卷积操作，将输入特征图中的每个通道独立地进行卷积计算。这种操作能够极大地降低计算量和参数量。在该层中，输入特征图被分成多个通道，每个通道分别进行卷积，输出与输入具有相同的通道数。

38、2)点卷积层(1x1 convolution)，紧接在深度卷积后执行，负责线性组合不同通道的信息。这类似于resnet中的点卷积。在该层中，经过深度卷积后的特征图，所有通道被线性组合生成新的通道。

39、3)归一化层(layernormalization)，对特征图的每一层进行归一化操作，稳定训练过程并提升模型性能。该层中的特征图的每个通道都进行标准化处理，使得输出均值为0，方差为1。

40、4)gelu激活函数，为非线性激活函数，将线性组合后的特征引入非线性，以增加模型的表达能力。经过激活函数处理后，输出的特征保留了原始特征的非线性信息。

41、5)随机丢弃路径(droppath)，在训练时随机丢弃一些路径，以增加模型的泛化能力，类似于dropout，但更适合深层网络。

42、convnext总体结构如下：

43、convnext是由多个convnext block组成，并且采用了与resnet类似的层次结构，即包含了多个阶段，每个阶段的分辨率不同，通道数逐渐增加。

44、1)初始卷积层(stem layer)

45、最初输入的是原始图像，经过该层后进行尺寸的缩减和通道的扩展。将输入的图像通过一个大核卷积(通常为4x4)和较大的步长(通常为4)进行卷积，输出特征图的空间尺寸被缩小，而通道数则被扩展。

46、2)阶段结构(stages)

47、convnext的结构通常分为4个阶段，每个阶段包含若干个convnext block。每个阶段的主要作用是提取特定尺度的特征。在每个阶段开始时，特征图的分辨率会下降(通过池化或卷积操作)，而通道数会增加。

48、在进入每个新阶段之前，输入特征图会先通过一个下采样操作(通常是通过步长为2的卷积实现)，以减小分辨率。然后，特征图会依次通过多个convnext block进行处理，通道数在每个阶段保持不变。在每个阶段结束时，输出的特征图会被传递到下一个阶段。

49、3)分类层(final classification layer)，最后用于图像分类任务。将最后一个阶段输出的特征图展平后，输入到一个全连接层，输出类别概率。最后一个阶段的输出特征图被全局池化为一个固定大小的向量，然后通过全连接层或线性层，输出最终的分类结果。

50、按照本发明的第二方面，提供了一种基于分解降噪和新型卷积神经网络的故障测距系统，包括：计算机可读存储介质和处理器；

51、所述计算机可读存储介质用于存储可执行指令；

52、所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行上述基于分解降噪和新型卷积神经网络的故障测距方法的步骤。

53、通过上述设计方案，本发明可以带来如下有益效果：

54、第一，提高准确性：通过采用新型卷积神经网络，对所得数据进行特征学习，能够充分挖掘信号的特征信息，从而提高了准确性。

55、第二，增强可靠性：通过降噪算法对信号进行降噪处理，增强了系统的可靠性和鲁棒性。