CN108562821B - 一种基于Softmax确定配电网单相接地故障选线的方法及*** - Google Patents

Abstract

本发明公开了一种基于Softmax确定配电网单相接地故障选线的方法及***，包括：获取配电网中线路的多个预设节点中每个预设节点的故障数据；对所述故障数据进行处理，获取故障特征数据，并建立故障标识与故障特征数据库；将所述故障标识与故障特征数据库中的数据按照故障类型分为训练集和测试集，并根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型；利用所述最优参数对应的Softmax回归模型根据电网的实时故障数据对故障类型和位置进行预测，以确定配电网单向接地故障选线。本发明运用数据对Softmax回归模型进行训练并验证，提升了数据处理能力及选线准确性，促进了新型配电终端的研发与应用。

Description

一种基于Softmax确定配电网单相接地故障选线的方法及 ***

技术领域

本发明涉及配电网风险分析与控制技术领域，并且更具体地，涉及一种基于Softmax确定配电网单相接地故障选线的方法及***。

背景技术

小电流接地问题是世界性难题，目前对于故障辨识主要存在的难点在于：一是小电流单相接地，故障电流小，难以检测；二是***结构复杂，中性点接地方式不同，故障位置不同，故障类型不同，导致的故障特征也不同，检测的门槛值很难整定；三是故障特征信号在网络内经过折反射，互相叠加干扰，不容易分离出有意义的特征量。

同时，对于已有方法的有效性差的主要原因有以下三点：(1)不进行具体故障数据分析，只整定短路电流，小电流接地电流值较小，单纯限制短路电流很难对小电流接地进行判断；(2)只基于某一种特征信号进行选线，由于不同小电流接地故障因中性点接地方式不同、接地电阻不同而呈现多样化，单一特征信号无法描述所有类型的故障特征，故基于一种特征信号进行选线的方法有效性便受到局限；(3)由于实际配电网络无法大量进行接地故障模拟，故基于多信号数据特征量的选线方法通常采用动态仿真的方式进行，但数字仿真建模并不能完全精确模拟真实配网设备的情况，会忽略暂态特性等影响因素，同时由于仿真步长的限制，对提供的暂态信号频率范围有一定限制，导致所提出方法在实际***中应用效果受限。

Softmax回归算法是一种典型的多分类问题回归算法，在此之前，广泛应用于机器学习领域，用于手写数字识别，动植物分类等多分类用途之中，也有应用该算法进行液压泵的故障诊断的应用实例。但Softmax回归算法在电力***领域，未见应用。在电力***领域，近年中国各省配置大量的录波型故障指示器，获取的了大量真实配电网故障数据，同时却对数据的处理分析能力不足。

目前，若想提出基于真实有效数据的单相接地选线策略，需要解决以下几个问题：一是获得有效的故障发生状态下的波形数据，该数据要与故障的类型与故障发生位置，在选线策略中位置信息即为线路编号，同时所录取数据波形的采样率要足够高，包含故障数据特征；二是录取的数据波形无法直接用于故障辨识，需进行预处理，以达到分离出与故障数据特征强相关的特征量，一次进行故障辨识；三是要提出故障特征的应用方法，一般情况下，故障特征与故障位置信息并非线性对应关系，要经过回归算法进行分类，以达到有效选择故障线路的目的。

因此，由于以上各种缺陷与不足，为提出更有效的选线策略，充分利用真实配电网中的故障数据，需要一种配电网单相接地故障选线方法，以解决无法准确的确定发生故障的路线的问题。

发明内容

本发明提出一种基于Softmax确定配电网单相接地故障选线的方法及***，以解决无法准确的确定发生故障的路线的问题。

为了解决上述问题，根据本发明的一个方面，提供了一种基于Softmax确定配电网单相接地故障选线的方法，其特征在于，所述方法包括：

步骤1，获取配电网中线路的多个预设节点中每个预设节点的故障数据，其中所述故障数据包括：三相电压数据、三相电流数据、电压的相位数据、电流的相位信息以及故障发生的绝对时间信息；

步骤2，对所述故障数据进行处理，获取故障特征数据，并根据所述故障特征数据、故障类型和故障位置标识建立故障标识与故障特征数据库，其中所述故障特征数据包括多个特征量；

步骤3，将所述故障标识与故障特征数据库中的数据按照故障类型分为训练集和测试集，并根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型；

步骤4，利用所述最优参数对应的Softmax回归模型根据电网的实时故障数据对故障类型和位置进行预测，以确定配电网单向接地故障选线。

优选地，其中利用录波型故障指示器采集每个预设节点处的故障数据。

优选地，其中所述对所述故障数据进行处理，获取故障特征数据，包括：

对所述故障数据进行处理，合成获取故障状态量，其中所述故障状态量包括：频率的变化量、电压的变化量、频率的变化率、电压的变化率、电流的变化率、相角的变化率、有功率的变化率、无功率的变化率、频率随功率的变化率、电流谐波失真、电压谐波失真、功率因数以及电压和电流的各次谐波分量；

根据粗糙集理论对所述故障状态量进行处理，去除掉相关度低的故障状态量，获取故障特征数据。

优选地，其中所述根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型，包括：

确定Softmax回归算法的代价函数，代价函数为：

其中，Softmax回归模型的样本来自k个类，共有m个，则由这些样本组成的训练集为{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))}，其中

标签：y^(t)∈{1,2,…,k}，对于给定的输入x，假设函数针对每一个类别j估算出概率值p(y＝j|x)，用来估计x的每一种分类结果出现的概率；

根据预设迭代次数对所述代价函数采用梯度下降法进行选线辨识训练，确定最优参数，获取最优参数对应的Softmax回归模型。

优选地，其中所述方法还包括：

利用所述最优参数对应的Softmax回归模型对测试集中样本的故障特征数据对应的故障类型和故障位置进行预测；

计算预测准确度，并判断预测准确度是否大于等于预设准确度阈值；其中，

若预测准确度大于等于预设准确度阈值，则直接利用已确定最优参数对应的Softmax回归模型确定配电网单相接地故障选线；

若预测准确度小于预设准确度阈值，则根据预设迭代步长增加迭代次数，并返回步骤3利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型。

根据本发明的另一个方面，提供了一种基于Softmax确定配电网单相接地故障选线的***，其特征在于，所述***包括：

故障数据获取单元，用于获取配电网中线路的多个预设节点中每个预设节点的故障数据，其中所述故障数据包括：三相电压数据、三相电流数据、电压的相位数据、电流的相位信息以及故障发生的绝对时间信息；

数据库建立单元，用于对所述故障数据进行处理，获取故障特征数据，并根据所述故障特征数据、故障类型和故障位置标识建立故障标识与故障特征数据库，其中所述故障特征数据包括多个特征量；

模型确定单元，用于将所述故障标识与故障特征数据库中的数据按照故障类型分为训练集和测试集，并根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型；

故障选线确定单元，用于用所述最优参数对应的Softmax回归模型根据电网的实时故障数据对故障类型和位置进行预测，以确定配电网单向接地故障选线。

优选地，其中利用录波型故障指示器采集每个预设节点处的故障数据。

优选地，其中所述故障数据获取单元，对所述故障数据进行处理，获取故障特征数据，包括：

对所述故障数据进行处理，合成获取故障状态量，其中所述故障状态量包括：频率的变化量、电压的变化量、频率的变化率、电压的变化率、电流的变化率、相角的变化率、有功率的变化率、无功率的变化率、频率随功率的变化率、电流谐波失真、电压谐波失真、功率因数以及电压和电流的各次谐波分量；

根据粗糙集理论对所述故障状态量进行处理，去除掉相关度低的故障状态量，获取故障特征数据。

优选地，其中所述模型确定单元，根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型，包括：

确定Softmax回归算法的代价函数，代价函数为：

其中，Softmax回归模型的样本来自k个类，共有m个，则由这些样本组成的训练集为{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))}，其中

标签：y^(t)∈{1,2,…,k}，对于给定的输入x，假设函数针对每一个类别j估算出概率值p(y＝j|x)，用来估计x的每一种分类结果出现的概率；

根据预设迭代次数对所述代价函数采用梯度下降法进行选线辨识训练，确定最优参数，获取最优参数对应的Softmax回归模型。

优选地，其中所述***还包括：准确度验证单元，

用于利用所述最优参数对应的Softmax回归模型对测试集中样本的故障特征数据对应的故障类型和故障位置进行预测；

用于计算预测准确度，并判断预测准确度是否大于等于预设准确度阈值；其中，

若预测准确度大于等于预设准确度阈值，则直接利用已确定最优参数对应的Softmax回归模型确定配电网单相接地故障选线；

若预测准确度小于预设准确度阈值，则根据预设迭代步长增加迭代次数，并返回模型确定单元利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型。

本发明提供了一种基于Softmax确定配电网单相接地故障选线的方法及***，获取配电网中线路的故障数据；对所述故障数据进行处理，获取故障特征数据并建立故障标识与故障特征数据库；将所述故障标识与故障特征数据库中的数据按照故障类型分为训练集和测试集，并根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数对应的Softmax回归模型；最后，利用所述最优参数对应的Softmax回归模型根据电网的实时故障数据对故障类型和位置进行预测，以确定配电网单向接地故障线路。本发明利用真实数据，通过对数据的处理提取与故障位置相关的特征量，将Softmax回归模型引入单相接地数据辨识领域，运用数据对Softmax回归模型进行训练并验证，开辟出了以条故障辨识新路径，提升了数据处理能力及选线准确性，为新型配电终端保护算法、阈值设定、动作逻辑策略的验证提供新思路，促进了新型配电终端的研发与应用。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为根据本发明实施方式的基于Softmax确定配电网单相接地故障选线的方法100的流程图；

图2为根据本发明实施方式的粗糙集模型图；

图3为根据本发明实施方式的配电网典型架空线网架结构图；

图4为根据本发明实施方式的迭代500次得到的数据分离点图；

图5为根据本发明实施方式的迭代1000次得到的数据分离点图；以及

图6为根据本发明实施方式的校基于Softmax确定配电网单相接地故障选线的***600的结构示意图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为根据本发明实施方式的基于Softmax确定配电网单相接地故障选线的方法100的流程图。如图1所示，本发明的实施方式提供的基于Softmax确定配电网单相接地故障选线的方法利用真实数据，通过对数据的处理提取与故障位置相关的特征量，将Softmax回归模型引入单相接地数据辨识领域，运用数据对Softmax回归模型进行训练并验证，开辟出了以条故障辨识新路径，提升了数据处理能力及选线准确性，为新型配电终端保护算法、阈值设定、动作逻辑策略的验证提供新思路，促进了新型配电终端的研发与应用。本发明的实施方式提供的基于Softmax确定配电网单相接地故障选线的方法100从步骤101处开始，在步骤101获取配电网中线路的多个预设节点中每个预设节点的故障数据，其中所述故障数据包括：三相电压数据、三相电流数据、电压的相位数据、电流的相位信息以及故障发生的绝对时间信息。

优选地，其中利用录波型故障指示器采集每个预设节点处的故障数据。

优选地，在步骤102，对所述故障数据进行处理，获取故障特征数据，并根据所述故障特征数据、故障类型和故障位置标识建立故障标识与故障特征数据库，其中所述故障特征数据包括多个特征量。

优选地，其中所述对所述故障数据进行处理，获取故障特征数据，包括：对所述故障数据进行处理，合成获取故障状态量，其中所述故障状态量包括：频率的变化量、电压的变化量、频率的变化率、电压的变化率、电流的变化率、相角的变化率、有功率的变化率、无功率的变化率、频率随功率的变化率、电流谐波失真、电压谐波失真、功率因数以及电压和电流的各次谐波分量；

根据粗糙集理论对所述故障状态量进行处理，去除掉相关度低的故障状态量，获取故障特征数据。

在本发明的实施方式中，对记录的故障数据进行处理，合成频率的变化量Δf_i，电压的变化量ΔV_i，频率的变化率(Δf/Δt)_i，电压的变化率(ΔV/Δt)_i，电流的变化率(ΔI/Δt)_i，相角的变化率

有功率的变化率(ΔP/Δt)_i，无功率的变化率(ΔQ/Δt)_i，频率随功率的变化率(Δf/ΔP)_i，电流谐波失真CTHD，电压谐波失真VTHD，功率因数

以及电压电流的各次谐波分量等状态量。然后，根据粗糙集理论去除掉相关度低的状态量，剩余的状态量即故障特征数据。

在本发明的实施方式中，设

X为故障信息，U为故障特征集合。R_B为U的一个等价关系，是基于现有知识进行判断，即所知道的故障位置信息，U/B＝{E₁,E₂,…,E_e}表示每一种故障信息与故障位置的对应程度。X关于R_B的下近似集、上近似集分别定义如下：

其中，上近似集表示根据现有知识R_B，判断U中一定属于或可能属于X的对象组成的集合，下近似集表示根据现有知识R_B，判断U中肯定属于X的对象组成的集合。

显然，

X的上、下近似集讲论域U划分为三个不相交的区域，即正域POS_RB(X)、边界域BND_RB(X)和负域NEG_RB(X)，其中，

POS_RB(X)＝R_B (X)，

图2为根据本发明实施方式的粗糙集模型图。如图2所示，直观的显示了X的正域、边界域和负域，落入正域的特征数据与故障位置相关度高，边界域显示了有部分特征数据是与故障位置相关的，负域中的特征数据是与故障位置完全不相关。用剩余的状态量即故障特征数据，与故障类型和故障位置信息组合，建立故障标识与故障特征数据库。并将不同类型的故障分为两组，一组用于故障辨识算法训练，另一组用于验证算法的有效性。

优选地，在步骤103，将所述故障标识与故障特征数据库中的数据按照故障类型分为训练集和测试集，并根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型。

优选地，其中所述根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型，包括：

确定Softmax回归算法的代价函数，代价函数为：

其中，Softmax回归模型的样本来自k个类，共有m个，则由这些样本组成的训练集为{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))}，其中

标签：y^(t)∈{1,2,…,k}，对于给定的输入x，假设函数针对每一个类别j估算出概率值p(y＝j|x)，用来估计x的每一种分类结果出现的概率；

根据预设迭代次数对所述代价函数采用梯度下降法进行选线辨识训练，确定最优参数，获取最优参数对应的Softmax回归模型。

在本发明的实施方式中，确定最优参数对应的Softmax回归模型，包括：

假设Softmax回归模型的样本来自k个类，共有m个，则由这些样本组成的训练集为{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))}。其中

标签：y^(t)∈{1,2,…,k}。对于给定的输入x，假设函数针对每一个类别j估算出概率值p(y＝j|x)，用来估计x的每一种分类结果出现的概率，因此，假设函数将输出一个k维向量(向量元素和为1)来表示这个k个估计的概率。假设函数h_θ(x)形式如下：

其中

是模型参数，对每一个特征量赋予一个θ，用以表征该特征量用于判断故障位置的能力。p(y⁽ⁱ⁾＝j|x⁽ⁱ⁾；θ_j)表示样本x⁽ⁱ⁾属于第j类的概率。

是归一化概率分布并使所有概率之和为1。为了方便表示，使用1{·}表示为一个指示性函数，即1{true}＝1，1{false}＝0。那么，Softmax回归算法的代价函数可定义为：

Softmax函数将k个可能的类别进行了累加，即在Softmax回归中将x分类为类别J的概率为：

其中最大概率所对应的类别即是x的分类类别。

在实际应用中，通常在上述代价函数中加入权重衰减以解决Softmax回归的参数冗余导致的数值问题，则代价函数变为：

有了这个权重衰减项，代价函数就变成了严格的凸函数，保证能够得到唯一解，有效解决了参数冗余问题。

对J(θ)求偏导数：

根据梯度下降法可得θ的更新过程：

其中，α为学习步长，因此可得：

通过梯度下降法迭代出趋近最优解的θ，再将所有θ值代回到假设函数h_θ(x)中，求取故障事件下众多特征量集合表达的所有位置标识的概率，得到训练好的Softmax回归模型。

优选地，在步骤104，利用所述最优参数对应的Softmax回归模型根据电网的实时故障数据对故障类型和位置进行预测，以确定配电网单向接地故障选线。

优选地，其中所述方法还包括：

利用所述最优参数对应的Softmax回归模型对测试集中样本的故障特征数据对应的故障类型和故障位置进行预测；

计算预测准确度，并判断预测准确度是否大于等于预设准确度阈值；其中，

若预测准确度大于等于预设准确度阈值，则直接利用已确定最优参数对应的Softmax回归模型确定配电网单相接地故障选线；

若预测准确度小于预设准确度阈值，则根据预设迭代步长增加迭代次数，并返回步骤3利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型。

在本发明的实施方式中，将测试集中的样本数据代入假设函数计算其所属类别的概率，选择概率最大的类别作为预测结果，并验证准确率。将可能出现故障的线路进行编号，记做0～n，利用每个编号对应的故障特征的训练数据库对Softmax模型进行回归训练，以100次为基础迭代数，获取最优参数对应的Softmax回归模型，将训练好的模型利用测试数据进行测试。若准确率低于95％，则增加100次迭代次数，继续利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，并确定最优参数对应的Softmax回归模型，直到准确率高于95％为止。

以下具体举例说明本发明的实施方式

图3为根据本发明实施方式的配电网典型架空线网架结构图。如图3所示，为一个典型的10kV配电网网架结构，其中性点接地方式为直接接地、故障接地类型为金属性接地。在线路中所示的各节点位置，即646、645、632、633、634、611、684、652、671、680、692和675节点处安置12个录波型故障指示器，采集电压、电流、相位、时间信息，故障指示器之间进行对时，保持时间记录的同步性，并分别在图3中红字所示0～9线路上设置单相接地故障以及同步采集故障数据。

通过采集到的故障数据合成得到频率的变化量Δf_i，电压的变化量ΔV_i，频率的变化率(Δf/Δt)_i，电压的变化率(ΔV/Δt)_i，电流的变化率(ΔI/Δt)_i，相角的变化率

有功率的变化率(ΔP/Δt)_i，无功率的变化率(ΔQ/Δt)_i，频率随功率的变化率(Δf/ΔP)_i，电流谐波失真CTHD，电压谐波失真VTHD，功率因数

以及电压电流的3、5次谐波分量。然后，通过粗糙集理论对数据进行处理，确定故障特征数据包括：电压的变化量ΔV_i，电流的变化率(ΔI/Δt)_i，电压的变化率(ΔV/Δt)_i以及相角的变化率

共4个相关度较高的特征量。

在确定特征量后，对代价函数采用梯度下降法进行训练，获取最优参数，确定最优参数对应的Softmax回归模型。然后，利用测试集中的样本数据对准确度进行验证。

在本发明的实施例中，预设准确度阈值为95％，预测结果分为10类，对应为图3中所示相应馈线，分别为0～9。经过500次迭代得到验证数据分离点图如图4所示，1000次迭代如图5所示，由图可看出，图4中重叠较多，图5中重叠较少，迭代次数的增多可将不同特征数据对应的故障位置进行分类，重叠处即特征数据无法准确判断故障位置类别，完全分离则可准确判断。其中，图4的判断准确率为97％，大于预设准确度阈值95％，则可以直接利用已确定最优参数对应的Softmax回归模型确定配电网单相接地故障选线。

在确定最优参数对应的Softmax回归模型后，利用所述最优参数对应的Softmax回归模型根据电网的实时故障数据对故障类型和位置进行预测，确定配电网单向接地故障选线。

图6为根据本发明实施方式的基于Softmax确定配电网单相接地故障选线的***600的结构示意图。如图6所示，本发明的实施方式提供的基于Softmax确定配电网单相接地故障选线的***600包括：故障数据获取单元601、数据库建立单元602、模型确定单元603和故障选线确定单元604。优选地，在所述故障数据获取单元601，获取配电网中线路的多个预设节点中每个预设节点的故障数据，其中所述故障数据包括：三相电压数据、三相电流数据、电压的相位数据、电流的相位信息以及故障发生的绝对时间信息。

优选地，其中利用录波型故障指示器采集每个预设节点处的故障数据。

优选地，在所述数据库建立单元602，对所述故障数据进行处理，获取故障特征数据，并根据所述故障特征数据、故障类型和故障位置标识建立故障标识与故障特征数据库，其中所述故障特征数据包括多个特征量。

优选地，其中所述故障数据获取单元，对所述故障数据进行处理，获取故障特征数据，包括：

对所述故障数据进行处理，合成获取故障状态量，其中所述故障状态量包括：频率的变化量、电压的变化量、频率的变化率、电压的变化率、电流的变化率、相角的变化率、有功率的变化率、无功率的变化率、频率随功率的变化率、电流谐波失真、电压谐波失真、功率因数以及电压和电流的各次谐波分量；

根据粗糙集理论对所述故障状态量进行处理，去除掉相关度低的故障状态量，获取故障特征数据。

优选地，在所述模型确定单元603，将所述故障标识与故障特征数据库中的数据按照故障类型分为训练集和测试集，并根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型。

优选地，其中所述模型确定单元，根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型，包括：

确定Softmax回归算法的代价函数，代价函数为：

其中，Softmax回归模型的样本来自k个类，共有m个，则由这些样本组成的训练集为{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))}，其中

标签：y^(t)∈{1,2,…,k}，对于给定的输入x，假设函数针对每一个类别j估算出概率值p(y＝j|x)，用来估计x的每一种分类结果出现的概率；

根据预设迭代次数对所述代价函数采用梯度下降法进行选线辨识训练，确定最优参数，获取最优参数对应的Softmax回归模型。

优选地，在所述故障选线确定单元604，用所述最优参数对应的Softmax回归模型根据电网的实时故障数据对故障类型和位置进行预测，以确定配电网单向接地故障选线。

优选地，其中所述***还包括：准确度验证单元，

利用所述最优参数对应的Softmax回归模型对测试集中样本的故障特征数据对应的故障类型和故障位置进行预测；计算预测准确度，并判断预测准确度是否大于等于预设准确度阈值；其中，若预测准确度大于等于预设准确度阈值，则直接利用已确定最优参数对应的Softmax回归模型确定配电网单相接地故障选线；若预测准确度小于预设准确度阈值，则根据预设迭代步长增加迭代次数，并返回模型确定单元利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型。

本发明的实施例的基于Softmax确定配电网单相接地故障选线的***600与本发明的另一个实施例的基于Softmax确定配电网单相接地故障选线的方法100相对应，在此不再赘述。

已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。

通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (10)

1.一种基于Softmax确定配电网单相接地故障选线的方法，其特征在于，所述方法包括：

步骤1，获取配电网中线路的多个预设节点中每个预设节点的故障数据，其中所述故障数据包括：三相电压数据、三相电流数据、电压的相位数据、电流的相位信息以及故障发生的绝对时间信息；

步骤2，对所述故障数据进行处理，获取故障特征数据，并根据所述故障特征数据、故障类型和故障位置标识建立故障标识与故障特征数据库，其中所述故障特征数据包括多个特征量；

步骤3，将所述故障标识与故障特征数据库中的数据按照故障类型分为训练集和测试集，并根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型；

步骤4，利用所述最优参数对应的Softmax回归模型根据电网的实时故障数据对故障类型和位置进行预测，以确定配电网单向接地故障选线。

2.根据权利要求1所述的方法，其特征在于，利用录波型故障指示器采集每个预设节点处的故障数据。

3.根据权利要求1所述的方法，其特征在于，所述对所述故障数据进行处理，获取故障特征数据，包括：

对所述故障数据进行处理，合成获取故障状态量，其中所述故障状态量包括：频率的变化量、电压的变化量、频率的变化率、电压的变化率、电流的变化率、相角的变化率、有功率的变化率、无功率的变化率、频率随功率的变化率、电流谐波失真、电压谐波失真、功率因数以及电压和电流的各次谐波分量；

根据粗糙集理论对所述故障状态量进行处理，去除掉相关度低的故障状态量，获取故障特征数据。

4.根据权利要求1所述的方法，其特征在于，所述根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型，包括：

确定Softmax回归算法的代价函数，代价函数为：

其中，Softmax回归模型的样本来自k个类，共有m个，则由这些样本组成的训练集为{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))}，其中

标签：y^(t)∈{1,2,…,k}，对于给定的输入x，假设函数针对每一个类别j估算出概率值p(y＝j|x)，用来估计x的每一种分类结果出现的概率；

根据预设迭代次数对所述代价函数采用梯度下降法进行选线辨识训练，确定最优参数，获取最优参数对应的Softmax回归模型。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用所述最优参数对应的Softmax回归模型对测试集中样本的故障特征数据对应的故障类型和故障位置进行预测；

计算预测准确度，并判断预测准确度是否大于等于预设准确度阈值；其中，

若预测准确度大于等于预设准确度阈值，则直接利用已确定最优参数对应的Softmax回归模型确定配电网单相接地故障选线；

若预测准确度小于预设准确度阈值，则根据预设迭代步长增加迭代次数，并返回步骤3利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型。

6.一种基于Softmax确定配电网单相接地故障选线的***，其特征在于，所述***包括：

故障数据获取单元，用于获取配电网中线路的多个预设节点中每个预设节点的故障数据，其中所述故障数据包括：三相电压数据、三相电流数据、电压的相位数据、电流的相位信息以及故障发生的绝对时间信息；

数据库建立单元，用于对所述故障数据进行处理，获取故障特征数据，并根据所述故障特征数据、故障类型和故障位置标识建立故障标识与故障特征数据库，其中所述故障特征数据包括多个特征量；

模型确定单元，用于将所述故障标识与故障特征数据库中的数据按照故障类型分为训练集和测试集，并根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型；

故障选线确定单元，用于用所述最优参数对应的Softmax回归模型根据电网的实时故障数据对故障类型和位置进行预测，以确定配电网单向接地故障选线。

7.根据权利要求6所述的***，其特征在于，利用录波型故障指示器采集每个预设节点处的故障数据。

8.根据权利要求6所述的***，其特征在于，所述故障数据获取单元，对所述故障数据进行处理，获取故障特征数据，包括：

对所述故障数据进行处理，合成获取故障状态量，其中所述故障状态量包括：频率的变化量、电压的变化量、频率的变化率、电压的变化率、电流的变化率、相角的变化率、有功率的变化率、无功率的变化率、频率随功率的变化率、电流谐波失真、电压谐波失真、功率因数以及电压和电流的各次谐波分量；

根据粗糙集理论对所述故障状态量进行处理，去除掉相关度低的故障状态量，获取故障特征数据。

9.根据权利要求6所述的***，其特征在于，所述模型确定单元，根据预设迭代次数利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型，包括：

确定Softmax回归算法的代价函数，代价函数为：

其中，Softmax回归模型的样本来自k个类，共有m个，则由这些样本组成的训练集为{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))}，其中

标签：y^(t)∈{1,2,…,k}，对于给定的输入x，假设函数针对每一个类别j估算出概率值p(y＝j|x)，用来估计x的每一种分类结果出现的概率；

根据预设迭代次数对所述代价函数采用梯度下降法进行选线辨识训练，确定最优参数，获取最优参数对应的Softmax回归模型。

10.根据权利要求6所述的***，其特征在于，所述***还包括：准确度验证单元，

用于利用所述最优参数对应的Softmax回归模型对测试集中样本的故障特征数据对应的故障类型和故障位置进行预测；

用于计算预测准确度，并判断预测准确度是否大于等于预设准确度阈值；其中，

若预测准确度大于等于预设准确度阈值，则直接利用已确定最优参数对应的Softmax回归模型确定配电网单相接地故障选线；

若预测准确度小于预设准确度阈值，则根据预设迭代步长增加迭代次数，并返回模型确定单元利用Softmax回归模型和训练集进行选线辨识训练确定最优参数，以确定最优参数对应的Softmax回归模型。

Images