(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111545612.5 (22)申请日 2021.12.16 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 郭谋发　刘雯丽　高健鸿　高伟　 郑泽胤　洪翠　杨耿杰　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 代理人 陈明鑫　蔡学俊 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/04(2020.01) (54)发明名称 一种配电网高阻接地故障人工智能识别方 法 (57)摘要 本发明涉及一种配电网高阻接地故障人工 智能识别方法。 采集高阻接地故障、 非故障零序 电流信号， 将高阻接地故障样 本划分为训练集与 测试集； 分别对训练集样本与测试集样本进行间 隔采样， 获得待增强训练集与未增强测试集； 搭 建生成对抗网络GAN模型； 使用待增强训练集与 随机噪声向量训练生成对抗网络， 经过循环对抗 训练后生 成器与判别器达到二者纳什均衡状态， 保存模型参数； 利用训练好的生 成对抗网络定向 生成属于少数类的高阻接地故障样本以扩充训 练集； 搭建深度卷积神经网络CNN故障识别模型； 利用增强后的平衡训练集训练深度卷积神经网 络模型， 并使用未增强测试集进行测试。 本发明 能够实现在非均衡场景下对配电网高阻接地故 障的准确识别。 权利要求书1页 说明书6页 附图1页 CN 114169249 A 2022.03.11 CN 114169249 A 1.一种配电网高阻接地故障人工智能识别方法， 其特 征在于， 包括如下步骤： 步骤S1、 采集各馈线首段高阻接地故障、 正常工况零序电流信号， 将采集的原始信号划 分为待增强训练集与测试集； 步骤S2、 对步骤S1获取的训练集与测试集分别进行间隔采样， 获得待增 强训练集与未 增强测试集； 步骤S3、 搭建生成对抗网络GAN模型； 步骤S4、 使用步骤S2 获取的待增强训练集与随机噪声向量训练生成对抗网络GAN模型， 经过循环对抗训练后生成器与判别器达 到二者的纳什均衡点， 训练完成， 保存 模型参数； 步骤S5、 利用步骤S4获取的训练完成的生成对抗网络GAN模型定向生成高阻接地故障 样本， 生成样本数据分布与真实样 本一致； 将所述高阻接地 故障样本加入待增强训练集， 解 决数据集的样本类别不平衡问题， 获得增强训练集； 步骤S6、 搭建深度卷积神经网络 CNN故障识别模型； 步骤S7、 利用步骤S5获取的增强训练集训练深度卷积神经网络CNN故障识别 模型， 训练 完成后使用未增强测试集进行测试， 测试结果表明未知标签样本属于高阻接地故障样本或 非故障样本 。 2.根据权利要求1所述的一种配电网高阻接地故障人工智能识别方法， 其特征在于， 生 成对抗网络GAN模型由一个生成器G网络和一个判别器D网络组成， 其训练损失函数如下式 所示： 式中， E[·]表示期望运算； D(～)代表判别器对输入数据来源的判断输出分数； max表 示当输入为真实样 本时， 最大化判别器输出分数D(x)， 当输入为伪样 本G(z)时， 最小化判别 器输出分数D(G(z))， 即最大化1 ‑D(G(z))； min表示生 成器在迭代训练中不断提高生 成样本 的质量， 企图欺骗判别器使其误以为是真实样本， 获得判别器的高分输出D(G(z))， 即最小 化1‑D(G(z))。 3.根据权利要求1所述的一种配电网高阻接地故障人工智能识别方法， 其特征在于， 生 成对抗网络GAN模型采用循环对抗训练方式， 具体实现如下： 3.1、 初始化生成器G和判别器D网络参数， 设置包括学习率、 迭代次数、 批训练样本数量 的超参数； 3.2、 固定生成器G网络参数， 使用同等数量的待增 强训练样本和生成器生成样本训练 判别器D网络多次； 参数的训练采用随机梯度下降法， 优化的参数包括判别器D神经网络线 性层的权 重ω和偏置b； 3.3、 固定判别器D网络参数， 噪声数据输入训练生成器G网络进行少次训练； 参数的训 练采用随机梯度下降法， 优化的参数包括 生成器G神经网络线性层的权 重ω和偏置b； 3.4、 重复3.2和3.3训练步骤， 直至达到最大迭代次数； 判别器和生成器通过循环对抗 训练提升各自的判别能力和生成能力， 最 终达到二者的纳什均衡状态， 训练结束， 保存生成 器和判别器网络参数。权　利　要　求　书 1/1 页 2 CN 114169249 A 2一种配电网高阻接地故障人工智能识别方 法 技术领域 [0001]本发明涉及一种配电网高阻接地故障人工智能识别方法。 背景技术 [0002]配电网作为电力系统的终端环节， 其供电可靠性直接影响着生产生活用电。 随着 配电网规模的不断增大， 结构日趋复杂， 配电线路发生单相高阻接地故障的次数与日俱增。 高阻接地故障是指配电线路经 由树枝、 沙土、 水泥等非理想导体接地， 其故障电流微弱， 故 障特征受接地介质的影响具有随机性， 因此传统的零序过电流保护装置难以进行有效识 别。 但如若不及时识别故障， 切除故障线路， 微弱的故障电流长时间存在将使得故障点 温度 升高， 破坏设备 的绝缘， 造成电气设备 的损坏， 甚至引发更为严重的安全事故， 例如山林火 灾、 人身触电等事故。 因此， 实现高阻接地 故障的可靠识别对配电网的稳定运行及保障社会 公共安全具有重大意 义。 [0003]近年来， 数据驱动方法被广泛应用于高阻接地故障识别领域。 数据驱动识别方法 能够有效应用于现场的前提是拥有数量充足且类别 分布平衡的训练样本。 然而， 配电网高 阻接地故障的现场 实验成本高昂， 多次实验甚至可能造成设备的绝缘损伤， 降低配电网的 供电稳定性。 同时， 与电容器投切、 负荷投切 等正常工况相比， 高阻接地故障发生机率属于 小概率事件， 使得故障样本数量远低于非故障样本数量， 导致训练集存在严重的样本类别 非均衡问题。 使用样本类别非均衡数据集训练数据驱动识别模型， 将导致模型更加关注多 数类样本特征， 倾向于简单 的将所有样本划分为多数类， 而无法真正学习到如何区分故障 与非故障样本特征， 进而导致数据驱动的故障识别方法存在容易过拟合、 模型泛化能力低、 现场应用识别准确率低等问题， 难以满足配电网的高可靠性供电要求。 [0004]针对实际高阻接地故障检测存在的数据集失衡问题， 目前的主流解决思路是通过 重新调整训练集的正负样本比例分布来降低或消除不平衡性， 即对原始数据集进 行欠采样 或过采样操作。 欠采样算法通过随机舍弃部 分多数类样本， 实现不同类别样 本的数量平衡， 但这可能导致潜在的有用信息丢失， 降低数据驱动模型对故障特征的挖掘能力。 相对应的， 过采样算法则是通过增加少数类样本的数量实现数据集的类别平衡。 其中， 传统的随机过 采样算法随机抽取部分少数类样本进 行复制， 虽然这种数据扩充方式能够降低正负样本的 不平衡比例， 但是并没有增加样本的多样性， 可能导致数据驱动模型训练过拟合。 在随机过 采样算法的基础上， 衍生出了经典的合成少数类过采样技术(synthetic  minority   oversampling  technique,SMOTE)。 与随机过采样不同， SMOTE算法通过对部分少数类样本 进行插值计算合成全新的样本。 但是， 该方法产生新样本的过程只考虑到了少数类的部分 子集， 并未兼顾数据的整体分布特性， 对于模型的训练仍旧存在过拟合 风险。 [0005]为提高数据驱动方法在非平衡场景下的识别准确率， 本发明提出一种配电网高阻 接地故障人工智能识别方法。 生成对抗网络无需任何先验知识， 基于零和博弈思想学习 数 据间的潜在特征分布 规律并生成新的合成样本， 能够克服传统过采样算法未考虑数据整体 分布信息的缺陷。 通过生成器和判别器的循环对抗训练， 仅使用少量的现场数据样本就能说　明　书 1/6 页 3 CN 114169249 A 3