本发明属于低压台区光伏漏电检测，涉及一种含光伏电源的低压配电台区漏电故障检测方法，具体涉及一种基于双流注意力残差卷积神经网络的含光伏电源的低压配电台区漏电故障检测方法。
背景技术：
1、随着全球能源需求不断上涨，环境问题日益突出，在“双碳”背景下，我国大力推动新能源的开发利用，促进清洁能源发展。光伏发电作为一种重要的可再生能源技术，因其具有环保、可持续的特点，被广泛应用于发电领域，已经成为我国能源结构调整和绿色发展的重要支撑。然而，光伏系统内电力电子设备与传统负荷并网运行，使得配电系统的运行环境更为复杂。当下许多光伏电源未经有效的电隔离直接接入配电网中，由于光伏系统与大地之间存在寄生电容，从而产生漏电流，影响电网稳定运行。
2、目前，有许多漏电故障检测的研究，传统的方法有自适应阈值法、对称分量法、鉴相鉴幅法、聚类分析等方法。这些方法对单相故障和漏电故障等有较好的检测精度，但光伏漏电会给电网带来高频谐波分量，且随着寄生电容的增大，剩余电流也会增大，传统的方法不适用检测光伏漏电故障。
3、因此如何克服现有技术的不足是目前低压台区光伏漏电检测技术领域亟需解决的问题。
技术实现思路
1、本发明的目的是为了解决现有技术的不足，提供含光伏电源的低压配电台区漏电故障检测方法。
2、为实现上述目的，本发明采用的技术方案如下：
3、含光伏电源的低压配电台区漏电故障检测方法，包括如下步骤：
4、步骤(1)，采集含光伏电源的低压配电台区电流数据，对含光伏电源的低压系统漏电故障原理进行分析，获取多种故障类型剩余电流及剩余电流变化量；所述的故障类型包括正常、分布电容漏电故障、接地漏电故障和共模漏电故障；
5、步骤(2)，对获取到的剩余电流及剩余电流变化量标注对应的故障类型标签，并对剩余电流及剩余电流变化量数据进行预处理，然后采用滑动时间窗口对标注标签的剩余电流及剩余电流变化量进行分割，构造特征数据集；
6、步骤(3)，以故障类型作为输出，以故障类型对应的预处理后的剩余电流及剩余电流变化量作为输入，对基于改进残差结构的双流卷积神经网络模型进行训练，并进行测试与验证，得到含光伏电源的低压配电台区漏电故障检测模型；
7、步骤(4)，实时采集漏电故障电流数据，获取剩余电流及剩余电流变化量，利用含光伏电源的低压配电台区漏电故障检测模型，得到含光伏电源的低压配电台区的漏电故障类型。
8、进一步，优选的是，步骤(1)的具体方法为：
9、(1.1)在电网及负荷未发生漏电故障时，低压配电台区的剩余电流为：
10、
11、式中：和分别为泄漏电流、重复接地电流和共模电流；
12、
13、式中：znline为零线阻抗，为三相不平衡电流，zrg为重复接地电阻，zsg为中性点对地阻抗；
14、
15、式中：cpv为太阳能电池板对地寄生电容；共模电压对时间的变化；
16、
17、式中：为a、b、c三相对地泄漏电流；
18、(1.2)低压配电台区发生漏电故障后剩余电流为：
19、
20、式中：为故障漏电流；分别为受外界用电环境影响和产生的变化量；
21、令可得
22、其中，λ为中间变量；
23、(1.3)计算多种故障类型剩余电流及剩余电流变化量：
24、1)对于分布电容漏电故障，剩余电流表示为：
25、
26、其剩余电流偏差量表示为：
27、
28、2)对于接地漏电故障，剩余电流表示为：
29、
30、其剩余电流偏差量表示为：
31、
32、式中：为接地漏电故障下的剩余电流量；
33、3)对于共模漏电故障，剩余电流表示为：
34、
35、其剩余电流偏差量表示为：
36、
37、式中：为共模漏电故障下的剩余电流量。
38、进一步，优选的是，步骤(2)的具体方法为：
39、(2.1)故障电流数据采集：
40、剩余电流及剩余电流变化量数据标注标签，标注对应的故障类型标签，设置正常、分布电容漏电故障、接地漏电故障和共模漏电故障标签，分别用0、1、2和3表示；
41、(2.2)数据预处理：
42、对带有标签的剩余电流及剩余电流变化量数据采用小波变换去噪法进行去噪，然后进行归一化处理，得到预处理后的数据集；
43、(2.3)基于滑动时间窗口的数据周期性分割：
44、采用滑动时间窗口对预处理后的数据集进行分割，得到特征数据集。
45、进一步，优选的是，步骤(2.2)中，采用最大-最小归一化法进行归一化处理。
46、进一步，优选的是，步骤(2.3)中，采用滑动时间窗口进行分割时，滑动窗口的数据区间长度为2000个采样点。
47、进一步，优选的是，步骤(3)中，将特征数据集的样本按照7:1:2比例划分为训练集、验证集与测试集。
48、进一步，优选的是，步骤(3)中，所述基于改进残差结构的双流卷积神经网络模型包括双向并行的卷积神经网络模块；所述的卷积神经网络模块包括顺序连接的融合cbam的残差网络层和lstm网络层；两个lstm网络层的输出与全连接层的输入相连，全连接层输出与softmax层。
49、进一步，优选的是，cbam中包含空间和通道维度的注意力。
50、进一步，优选的是，基于改进残差结构的双流卷积神经网络模型中采用的激活函数均为gelu激活函数。
51、进一步，优选的是，模型训练时，分别以以故障类型对应的预处理后的剩余电流、剩余电流变化量作为两个卷积神经网络模块的输入，以故障类型作为输出进行训练。
52、本发明(1.3)中，利用剩余电流偏差量法，定量分析剩余电流扰动因子对剩余电流的影响；由于在线路绝缘良好情况下，线路对地绝缘电阻接近无穷大，因此在本发明分析中，将线路对地正常泄漏电流视为容性电流，故障电流为阻性电流，基于两者之间的矢量关系，构建正常泄漏电流其变化量数学模型、重复接地电流变化量数学模型、共模电流及其变化量数学模型三种故障类型剩余电流变化量模型；其中，共模电流是共模电压在逆变器、光伏面板对地寄生电容、rlc滤波器与低压电网组成的回路中形成的；因此，此时有：
53、
54、本发明中，训练集用于模型建模，通过设置分类器参数，训练分类模型。验证集用于调节模型超参数，并对模型进行预测，选出效果最佳模型所对应的超参数。使用测试集(全新的、与训练集和验证集完全独立的数据)对模型进行预测，以此衡量模型的性能与分类能力，并输出对模型的预测结果，若检测精度满足要求，则模型建立完成，否则继续利用训练集、验证集与测试集完成对模型的训练、参数调优及预测的过程，直至模型达到理想效果。
55、本发明设计了融合卷积块注意力模块的双流卷积神经网络，如图3所示。分支特征提取网络中加入了卷积注意力模块，加强了对图像中关键特征的学习能力，避免了计算冗余特征信息，提升网络的特征学习效率。
56、本发明对于同一漏电故障数据，分别从空间流网络和时间流网络均采用融合卷积注意力模块的残差网络作为特征提取网络；通过对漏电电流特征的通道和空间两个维度形成注意力机制，加强模型对主体的关注，减少对非主体背景信息的冗余计算；最后，两个分支网络均经过lstm网络层后，通过全连接层融合，然后通过softmax层分类，得到对应的故障类型标签。
57、本发明针对含光伏电源的低压配电台区中剩余电流受多种因素影响，使正常泄漏电流波动，造成漏电流故障难以被准确识别的问题。首先，对含光伏电源的低压系统漏电故障原理进行分析，为进行故障特性分析和特征参数提取奠定基础；其次，通过对漏电故障特性分析，构建多维故障特征向量与特征数据集，为故障检测算法输入提供数据支撑；最后，提出一种基于双流注意力残差卷积神经网络的含光伏电源的低压配电台区漏电故障检测方法，并通过仿真模型验证了所提方法的故障检测准确率和稳定性更高、抗干扰能力更强。
58、本发明与现有技术相比，其有益效果为：
59、相比于传统只采用卷积或者循环神经网络的方法，本发明所提结合融合cbam的残差网络和lstm网络可以提取更加丰富的特征。在残差卷积网络中，采用两组卷积块构成一个残差块，改善模型性能，同时采用批标准化减少梯度消失，加快收敛速度，也能够减少了对学习率的要求。
60、本发明采用融合cbam的残差网络，以保证模型的表达能力并且能够加速收敛。注意力增强的特征图抑制了不重要特征和噪声，从而提高漏电识别准确率。本发明仅采用两个残差模块，在保证性能的同时减少模型参数量。同时，采用两层lstm网络用于进一步的特征增强。
61、通过算例对比分析发现：cnn算法在分布电容漏电故障的识别上效果较差，仅有89.37％；cnn-lstm算法在共模漏电故障上的辨识效果较差，仅有96.75％；resnet18算法在分布电容漏电故障的识别上较差，仅有92.15％；而本发明提出的基于双流注意力残差卷积神经网络算法在三种故障和正常运行的识别准确率都能达到99.25％以上，实现了各种类别高精度的负荷辨识。值得注意的是，cnn和resnet18两种方法均为卷积网络，而都在分布电容漏电故障的准确率上最低，且误判为正常运行。而cnn-lstm与本发明提出的双流注意力残差卷积神经网络在这类故障识别上都能达到100％，这两种方法都使用lstm网络，表明lstm可能更能提取分布电容漏电故障的特征，使其能更好的辨识分布电容漏电故障。
1.含光伏电源的低压配电台区漏电故障检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的含光伏电源的低压配电台区漏电故障检测方法，其特征在于，步骤(1)的具体方法为：
3.根据权利要求1所述的含光伏电源的低压配电台区漏电故障检测方法，其特征在于，步骤 (2) 的具体方法为：
4.根据权利要求3所述的含光伏电源的低压配电台区漏电故障检测方法，其特征在于，步骤 (2.2) 中， 采用最大-最小归一化法进行归一化处理。
5.根据权利要求3所述的含光伏电源的低压配电台区漏电故障检测方法，其特征在于，步骤 (2.3) 中， 采用滑动时间窗口进行分割时， 滑动窗口的数据区间长度为2000个采样点。
6.根据权利要求1所述的含光伏电源的低压配电台区漏电故障检测方法，其特征在于，步骤(3) 中， 将特征数据集的样本按照7:1:2比例划分为训练集、验证集与测试集。
7.根据权利要求1所述的含光伏电源的低压配电台区漏电故障检测方法，其特征在于，步骤 (3) 中， 所述基于改进残差结构的双流卷积神经网络模型包括双向并行的卷积神经网络模块； 所述的卷积神经网络模块包括顺序连接的融合cbam的残差网络层和lstm网络层； 两个lstm网络层的输出与全连接层的输入相连，全连接层输出与softmax层。
8.根据权利要求7所述的含光伏电源的低压配电台区漏电故障检测方法，其特征在于，cbam中包含空间和通道维度的注意力。
9.根据权利要求7所述的含光伏电源的低压配电台区漏电故障检测方法，其特征在于，基于改进残差结构的双流卷积神经网络模型中采用的激活函数均为gelu激活函数。
10.根据权利要求7所述的含光伏电源的低压配电台区漏电故障检测方法，其特征在于，模型训练时，分别以以故障类型对应的预处理后的剩余电流、剩余电流变化量作为两个卷积神经网络模块的输入，以故障类型作为输出进行训练。
