本技術(shù)涉及配電網(wǎng)接地故障分類領(lǐng)域，更具體的，涉及一種配電網(wǎng)接地故障分類方法、系統(tǒng)及介質(zhì)。

背景技術(shù)：

1、每種接地故障都有其獨特的物理機制和表現(xiàn)形式，但在實際情況下，這些故障特征往往被復雜的現(xiàn)場環(huán)境所掩蓋或混淆。故障信號可能包含大量的噪聲和干擾，使得有用的故障特征難以提取和識別。

2、接地故障涵蓋了從自然環(huán)境因素（如鳥窩搭線、鳥碰線）到人為因素（如車碰線、異物搭線），再到設備自身問題（如變壓器絕緣不良、避雷器故障）等多個方面。這種多樣性導致故障之間的界限模糊，增加了分類的難度。

3、在實際運營中，某些類型的接地故障可能更為常見，而其他類型的故障則相對較少發(fā)生。這種數(shù)據(jù)量不平衡的問題可能導致機器學習算法在訓練過程中偏向于多數(shù)類，從而影響對少數(shù)類故障的識別能力。

4、接地故障需要及時準確地識別和處理，以避免對電力系統(tǒng)和用戶造成更大的影響。然而，在實際應用中，算法的實時性和準確性往往受到計算資源、數(shù)據(jù)質(zhì)量等多種因素的限制。

5、由于接地故障的多樣性和復雜性，設計一個能夠適用于所有情況的通用算法是非常困難的。算法需要在不同的環(huán)境、不同的設備以及不同的故障條件下都能保持穩(wěn)定的性能。

6、在配電網(wǎng)接地故障的分類與診斷領(lǐng)域，現(xiàn)有技術(shù)主要依賴于傳統(tǒng)的信號處理方法和機器學習算法，如支持向量機（svm）、k近鄰（knn）和決策樹（dt）等。這些方法雖然在一定程度上能夠?qū)崿F(xiàn)故障分類，但仍存在以下顯著缺點：特征提取能力有限：傳統(tǒng)方法往往依賴于人工設計的特征，這些特征在復雜多變的配電網(wǎng)接地故障環(huán)境中可能無法全面反映故障特性，導致分類準確率受限。對高維特征處理能力不足：隨著配電網(wǎng)規(guī)模的擴大和智能化程度的提高，故障數(shù)據(jù)日益復雜，傳統(tǒng)方法在處理高維特征時顯得力不從心，難以捕捉細微的故障特征差異。實時性差：在處理大規(guī)模配電網(wǎng)數(shù)據(jù)時，傳統(tǒng)方法的計算復雜度較高，難以滿足實時性要求，這對于需要快速響應的接地故障分類場景尤為不利。適應性差：配電網(wǎng)的運行環(huán)境復雜多變，故障類型繁多，傳統(tǒng)方法在面對新型故障或復雜故障場景時，往往需要重新設計特征或調(diào)整參數(shù)，缺乏良好的自適應能力。對高阻接地故障識別困難：高阻接地故障由于過渡電阻較大，故障特征微弱，傳統(tǒng)方法難以有效識別，導致這類故障的處理成為技術(shù)難題。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例的目的在于提供一種配電網(wǎng)接地故障分類方法、系統(tǒng)及介質(zhì)，將智能優(yōu)化算法與深度學習技術(shù)相結(jié)合，為配電網(wǎng)的智能化運維和故障管理提供了新的思路和技術(shù)手段，有助于提升電力系統(tǒng)的整體運行效率和可靠性。

2、為實現(xiàn)上述目的，本技術(shù)提供如下技術(shù)方案：

3、第一方面，本技術(shù)實施例提供一種配電網(wǎng)接地故障分類方法，包括以下步驟：

4、采集多種配電網(wǎng)接地故障原始數(shù)據(jù)，并對數(shù)據(jù)進行預處理；

5、對數(shù)據(jù)進行標簽編碼，標注每個數(shù)據(jù)點是否屬于故障及其故障類型；

6、通過改進的麻雀搜索算法將接地故障數(shù)據(jù)嵌入到高維軌跡矩陣中，對故障矩陣進行奇異值分解，提取主要的信號成分；

7、將從issa中提取的奇異值特征向量作為lstm模型的輸入數(shù)據(jù)；

8、建立lstm模型，確定模型核心部分遺忘門、輸入門、輸出門的參數(shù)；

9、設置issa算法相應的參數(shù)與lstm初始超參數(shù)；

10、使用issa優(yōu)化lstm網(wǎng)絡中的超參數(shù)，結(jié)合形成issa-lstm模型；

11、使用測試集的數(shù)據(jù)對issa-lstm模型進行驗證。

12、所述采集多種配電網(wǎng)接地故障原始數(shù)據(jù)，并對數(shù)據(jù)進行預處理具體為，

13、采集15種配電網(wǎng)接地故障原始數(shù)據(jù)，并對數(shù)據(jù)進行預處理，其中包括處理缺失值、去除噪聲、平滑數(shù)據(jù)、標準化數(shù)據(jù)，確保數(shù)據(jù)的一致性和準確性，運用均值插補的方法對數(shù)據(jù)的缺失值進行處理，則缺失值有：

14、，

15、其中為缺失值，運用進行替代，

16、運用標準差法去除噪聲，使用均值和標準差判斷數(shù)據(jù)點是否為異常值，如果數(shù)據(jù)點的值超出的范圍則被認為是噪聲，即：

17、?

18、通過指數(shù)加權(quán)平均來平滑時間序列數(shù)據(jù)，簡單指數(shù)平滑公式為：

19、

20、其中為平滑后的值，是平滑系數(shù)，

21、最后將處理的數(shù)據(jù)進行標準化，將特征值縮放到范圍內(nèi)：

22、?。

23、所述對數(shù)據(jù)進行標簽編碼，標注每個數(shù)據(jù)點是否屬于故障及其故障類型具體為，將故障設置為0-14的15種類標簽，分別對應樹枝搭擔、樹障、變壓器接頭、熔斷器故障、柱上開關(guān)故障、pt故障、柱上入地電纜故障、導線搭擔、地纜絕緣不良、地纜放電、柜室電纜放電、柜內(nèi)動物闖入、低壓故障、雷擊、避雷線脫落。

24、所述通過改進的麻雀搜索算法將接地故障數(shù)據(jù)嵌入到高維軌跡矩陣中，對故障矩陣進行奇異值分解，提取主要的信號成分具體為，

25、將每一種故障信號數(shù)據(jù)構(gòu)造成一個矩陣，假設每個信號的數(shù)據(jù)點數(shù)量為n，信號的長度為l，那么可以將信號數(shù)據(jù)重構(gòu)為一個l×k的軌跡矩陣x，其中，

26、對重構(gòu)后的軌跡矩陣x進行奇異值分解，具體公式為：

27、

28、式中：為左奇異矩陣，為右奇異矩陣，

29、從奇異值矩陣中選擇前幾個主要的奇異值，這些奇異值對應于故障信號的主要特征，通過分析這些奇異值的大小，有效地區(qū)分不同的故障類型，從而達到優(yōu)化lstm的分類能力的目的。

30、所述將從issa中提取的奇異值特征向量作為lstm模型的輸入數(shù)據(jù)具體為，

31、將從issa中提取的奇異值特征向量作為lstm模型的輸入數(shù)據(jù)，對于每個時間步，lstm模型接收一組奇異值特征向量，形成特征序列輸入：

32、?（6）

33、式中為不同時間步。

34、所述建立lstm模型，確定模型核心部分遺忘門、輸入門、輸出門的參數(shù)具體為，模型參數(shù)設定中，lstm層的隱藏單元數(shù)設置為50、學習率設置為0.001、并選擇交叉熵函數(shù)作為損失函數(shù),激活函數(shù)采用tanh函數(shù)，模型訓練過程中，通過訓練集進行迭代優(yōu)化，同時使用驗證集進行調(diào)優(yōu)以防過擬合，最終，訓練好的lstm模型用于對新數(shù)據(jù)進行接地故障分類，輸出各類別的概率分布，從中確定具體的故障類型。

35、所述設置issa算法相應的參數(shù)與lstm初始超參數(shù)具體為，

36、對issa-lstm模型的參數(shù)進行設置，將新收集到的未經(jīng)標注的故障數(shù)據(jù)輸入到預訓練的issa-lstm模型中，對模型進行多次重復的訓練，并驗證模型對故障分類的準確率，形成最終的issa-lstm模型。

37、所述使用issa優(yōu)化lstm網(wǎng)絡中的超參數(shù)，結(jié)合形成issa-lstm模型具體為，運用issa優(yōu)化lstm的超參數(shù)，首先，生成初始種群，每個個體代表一組lstm超參數(shù)，然后訓練lstm模型并評估每組參數(shù)的性能并根據(jù)適應度評估結(jié)果更新種群，生成新的個體，選擇適應度較高的個體用于下一輪迭代，最后，迭代執(zhí)行上述步驟，直到達到最大迭代次數(shù)或滿足停止條件。

38、第二方面，本技術(shù)實施例提供一種配電網(wǎng)接地故障分類系統(tǒng)，該系統(tǒng)包括：存儲器及處理器，所述存儲器中包括配電網(wǎng)接地故障分類方法的程序，所述配電網(wǎng)接地故障分類方法的程序被所述處理器執(zhí)行時實現(xiàn)以下步驟：采集多種配電網(wǎng)接地故障原始數(shù)據(jù)，并對數(shù)據(jù)進行預處理；對數(shù)據(jù)進行標簽編碼，標注每個數(shù)據(jù)點是否屬于故障及其故障類型；通過改進的麻雀搜索算法將接地故障數(shù)據(jù)嵌入到高維軌跡矩陣中，對故障矩陣進行奇異值分解，提取主要的信號成分；將從issa中提取的奇異值特征向量作為lstm模型的輸入數(shù)據(jù)；建立lstm模型，確定模型核心部分遺忘門、輸入門、輸出門的參數(shù)；設置issa算法相應的參數(shù)與lstm初始超參數(shù)；使用issa優(yōu)化lstm網(wǎng)絡中的超參數(shù)，結(jié)合形成issa-lstm模型；使用測試集的數(shù)據(jù)對issa-lstm模型進行驗證。

39、第三方面，本技術(shù)實施例提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有程序代碼，所述程序代碼被處理器執(zhí)行時，實現(xiàn)如上所述的配電網(wǎng)接地故障分類方法的步驟。

40、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

41、1.提高故障分類準確性：

42、（1）優(yōu)化模型性能：通過使用改進的麻雀搜索算法（issa）來優(yōu)化lstm網(wǎng)絡的超參數(shù)，能夠提升模型對配電網(wǎng)故障特征的學習能力，提高故障分類的準確性。

43、（2）捕捉復雜特征：lstm網(wǎng)絡擅長處理時間序列數(shù)據(jù)，能夠有效識別配電網(wǎng)中故障信號的時序特征，結(jié)合issa可進一步增強對復雜故障模式的識別。

44、2.?增強實時監(jiān)測能力

45、（1）快速響應故障：配電網(wǎng)的故障需要快速定位和分類，以減少停電時間和經(jīng)濟損失。issa-lstm能夠?qū)崿F(xiàn)高效的實時監(jiān)測與分析，為運維人員提供及時的故障診斷信息。

46、（2）動態(tài)調(diào)整：該模型可以根據(jù)實時數(shù)據(jù)動態(tài)調(diào)整參數(shù)，以適應配電網(wǎng)運行狀態(tài)的變化，提高在線故障分類的靈活性。

47、3.?處理多樣化故障類型

48、（1）廣泛適用性：配電網(wǎng)中可能發(fā)生多種類型的故障，issa-lstm能夠結(jié)合不同故障的特征進行綜合學習，從而提高對各類故障的分類能力。

49、（2）多維數(shù)據(jù)融合：該模型可以整合來自不同傳感器和監(jiān)測設備的數(shù)據(jù)，綜合分析故障情況，提升分類的全面性和準確性。

50、4.?降低誤報率

51、（1）減少誤診：傳統(tǒng)的故障分類方法可能會導致較高的誤報率，issa-lstm通過優(yōu)化學習過程，能夠提高模型的判別能力，降低誤報和漏報的風險。

52、（2）智能決策支持：更高的分類準確性使得運維決策更加可靠，有助于制定有效的維護和應急響應策略。

53、5.?提高訓練效率

54、加速模型訓練：issa能夠加快lstm模型的訓練過程，通過優(yōu)化算法參數(shù)，使得模型更快收斂，提高整體訓練效率，為實際應用提供更快速的解決方案。