本发明涉及电力自动化，尤其是涉及一种基于电压电流可视化的有源配电网故障区段定位方法。
背景技术：
1、配电线路是现代电力系统的组成部分，直接影响供电的安全稳定，随着分布式电源的广泛接入也给传统的配电网运行和管理带来了一系列挑战，尤其是在故障检测、定位和隔离方面。这是因为分布式电源改变了配电网的电力流向和故障电流的分布，影响了传统故障定位方法的有效性。有效的电力系统保护方案应该能够尽快检测到所有发生的故障，准确、及时的故障诊断对于配电系统的安全运行和供电可靠性具有重要意义。一般来说，故障诊断方法可分为基于模型、基于信号和数据驱动的方法。与前面两种方法不同，数据驱动的故障诊断方法只需要利用大量的历史数据，它具有在使用历史数据进行训练的同时自学习和调整权重和阈值的能力。然而，传统的智能方法限制了电力网络物理结构和数据信息的利用，且容易受到异常数据输入和未知的影响，从而影响模型的模型的性能和泛化能力。因此，研究故障数据特征并进行加工处理以及对深度学习模型的改造，从而更好地从图像域中提取更关键的特征和信息，对提高模型性能和泛化能力，提高配电网故障区段定位准确度，保证配电网的稳定安全运行具有重要意义。
技术实现思路
1、本发明的目的是提供一种基于电压电流可视化的有源配电网故障区段定位方法，可以大幅度提高故障处理的效率和反应速度，减少故障带来的损失和影响，还可以提升配电网的运行安全性和可靠性。
2、为实现上述目的，本发明提供了一种基于电压电流可视化的有源配电网故障区段定位方法，包括以下步骤：
3、s1、建立有源中压配电网模型，收集故障数据；
4、s2、将收集到的数据进行标准化处理；
5、s3、将标准化处理后的数据进行可视化处理并复合成三维特征立方体数据，建立三维特征立方体数据集；
6、s4、搭建三维卷积神经网络模型；
7、s5、将三维特征立方体数据集划分成训练集和测试集，将训练集输入至三维卷积神经网络模型进行迭代训练，然后将测试集输入至三维卷积神经网络模型，最后输出模型定位结果。
8、优选的，在步骤s1中，使用simulink软件构建有源中压配电网模型，在不同线路区段设置不同类型的故障，并采集配电网故障特征数据，即每个节点的三相电压和电流。
9、优选的，采集的配电网故障特征数据包含故障时段与非故障时段的故障特征数据。
10、优选的，在步骤s2中，首先对收集到的数据进行滤波和去噪，然后再根据最大最小标准化准则对故障数据进行标准化，定义最大最小标准化准则公式如下：
11、
12、其中，d为收集的原始数据，为处理后的数据，dmax和dmin分别为正常状态下的最大值和最小值。
13、优选的，在步骤s3中，利用信号转图像算法将标准化后的电压电流数据转化成可视化热图，将每个节点对应的热图嵌入复合成三维特征立方体数据，具体为：
14、在每个故障区段设置故障触发器，每个三维特征立方体数据中的热图是由是配电网在同一故障类型和故障位置的情况下采集的故障数据转化而成，将各个节点对应的热图数据沿着z轴纵深嵌入形成三维特征立方体数据；
15、对于每个三维特征立方体数据，根据其对应的故障位置手动设置标签，并建立三维特征立方体数据集；其中，标签的设置遵循一致的分类体系，且标签以独热编码的形式存在。
16、优选的，在步骤s4中，构建输入层、三维卷积层、池化层以及全链接层的结构；三维卷积层设置有若干个，每个三维卷积层后面接一个激活层和一个池化层；每个三维卷积层的计算公式为：
17、f(x,y,z)＝(k*v)(x,y,z)＝∑i,j,kk(i,j,k)·v(x-i,y-j,z-k)
18、其中，k为卷积核，v为输入体积，x，y，z为在输入体积中的位置，i，j，k为卷积核中的相对位置；
19、三维卷积神经网络模型训练采用的损失函数是交叉熵损失，其表达式为：
20、
21、其中，yo,c为真实的独热编码，po,c为模型对于每一类的预测概率，m为类别总数；优化算法选择adam优化器。
22、优选的，三维卷积神经网络模型中还引入了批量归一化层和丢弃层。
23、优选的，在步骤s5中，还设置有独立的验证集，在验证集上进行测试，通过计算损失率、以及最后的定位准确度来验证三维卷积神经网络模型的有效性和准确性。
24、因此，本发明采用上述一种基于电压电流可视化的有源配电网故障区段定位方法的有益效果为：
25、(1)本发明通过构建三维特征立方体，有效地在z轴上嵌入时间序列数据，使得网络能够在三维空间中提取更加丰富和深层的特征，从而提升了故障识别的准确性。
26、(2)通过对三维数据的深度学习，使得本网络模型能够快速识别出故障发生的具体位置和类型，相比传统方法，大幅度提高了故障处理的效率和反应速度，减少了故障带来的损失和影响。
27、(3)本发明不受配电网规模和结构的限制，能够适应不同规模和复杂性的配电网环境，提升了配电网的运行安全性和可靠性，也为配电网的智能化管理提供了强有力的技术支持。
28、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种基于电压电流可视化的有源配电网故障区段定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于电压电流可视化的有源配电网故障区段定位方法，其特征在于：在步骤s1中，使用simulink软件构建有源中压配电网模型，在不同线路区段设置不同类型的故障，并采集配电网故障特征数据，即每个节点的三相电压和电流。
3.根据权利要求2所述的一种基于电压电流可视化的有源配电网故障区段定位方法，其特征在于：采集的配电网故障特征数据包含故障时段与非故障时段的故障特征数据。
4.根据权利要求1所述的一种基于电压电流可视化的有源配电网故障区段定位方法，其特征在于：在步骤s2中，首先对收集到的数据进行滤波和去噪，然后再根据最大最小标准化准则对故障数据进行标准化，定义最大最小标准化准则公式如下：
5.根据权利要求1所述的一种基于电压电流可视化的有源配电网故障区段定位方法，其特征在于：在步骤s3中，利用信号转图像算法将标准化后的电压电流数据转化成可视化热图，将每个节点对应的热图嵌入复合成三维特征立方体数据，具体为：
6.根据权利要求1所述的一种基于电压电流可视化的有源配电网故障区段定位方法，其特征在于：在步骤s4中，构建输入层、三维卷积层、池化层以及全链接层的结构；三维卷积层设置有若干个，每个三维卷积层后面接一个激活层和一个池化层；每个三维卷积层的计算公式为：
7.根据权利要求6所述的一种基于电压电流可视化的有源配电网故障区段定位方法，其特征在于：三维卷积神经网络模型中还引入了批量归一化层和丢弃层。
8.根据权利要求1所述的一种基于电压电流可视化的有源配电网故障区段定位方法，其特征在于：在步骤s5中，还设置有独立的验证集，在验证集上进行测试，通过计算损失率、以及最后的定位准确度来验证三维卷积神经网络模型的有效性和准确性。
