[發(fā)明專利]基于多源信息融合的特高壓直流輸電線路故障原因辨識方法

有效

• 申請?zhí)枺?/td>: 201811366886.6
• 申請日: 2018-11-16
• 公開（公告）號: CN109270407B
• 公開（公告）日: 2022-02-25
• 發(fā)明（設計）人: 李玉敦;李寬;施雨;蘇欣;張繁斌;王志遠;劉萌;趙斌超;張婉婕;楊超;王昕;麻常輝;張國輝;王永波
• 申請（專利權）人: 國網山東省電力公司電力科學研究院
• 主分類號: G01R31/08
• 分類號: G01R31/08
• 代理公司: 濰坊鳶都專利事務所 37215
• 代理人: 臧傳進

本發(fā)明涉及一種基于多源信息融合的特高壓直流輸電線路故障原因辨識方法，其包括：獲取特高壓直流輸電線路的電氣量故障數據和非電氣量信息；提取特高壓直流輸電線路電氣特征量，構造電氣特征輸入向量；提取特高壓直流輸電線路非電氣特征量，構造非電氣特征輸入向量；對雷擊、山火、污穢、風偏、鳥害分別構建綜合神經網絡辨識模型，神經網絡模型的隱含層的層數采用最小誤差的方法選?。徊捎米詫W習的方法進行具體故障原因辨識。本發(fā)明綜合電氣量信息和非電氣量信息，尋找特征規(guī)律，利用神經網絡本身的融合性將多源信息的進行融合，利用大數據方法的思想，利用多源故障信息，結合神經網絡算法，進行原因的辨識，充分保證了原因辨識的準確性。

技術領域

本發(fā)明涉及高壓輸電線路運維領域，具體的說是一種基于多源信息融合的特高壓直流輸電線路故障原因辨識方法。

背景技術

特高壓直流輸電線路長度可達上千公里，大多位于山區(qū)丘陵等地段，容易受到各種自然災害、外力破壞等影響發(fā)生故障，而及時的故障原因的辨識研究可以指導巡線，加快檢修及線路供電恢復。

輸電線路故障主要包括由雷擊、山火、污穢、鳥害和風偏等原因造成的故障。對故障起因的識別需要以對各種故障原理及過程的理解為前提，在此基礎上對特定故障的特征進行挖掘分析，以此形成原因辨識的依據。

其中，故障特征包括電氣量的故障特征和非電氣量的故障特征，不同原因下的電氣量特征存在著相似性，非電氣量也存在著特有的因素，僅僅依靠一種因素無法準確識別。目前還沒有一套完整的針對特高壓直流輸電線路故障原因辨識的方法，在輸電線路發(fā)生故障后，無法給運行檢修人員提供決策上的輔助。因此有必要提供一種基于電氣量和非電氣量等多源信息融合的特高壓直流輸電線路故障原因辨識方法。

發(fā)明內容

本發(fā)明要解決的技術問題是提供一種基于多源信息融合的特高壓直流輸電線路故障原因辨識方法，該方法結合電氣量信息和非電氣量信息，尋找特征規(guī)律，為后續(xù)神經網絡分類模型的建立提供數據來源，同時，本發(fā)明構造故障原因辨識的神經網絡的結構和整體原因辨識架構，利用神經網絡本身的融合性將以上的多源信息的進行融合，利用大數據方法的思想，利用多源故障信息，結合神經網絡算法，進行原因的辨識，充分保證了原因辨識的準確性。

為解決上述技術問題，本發(fā)明的基于多源信息融合的特高壓直流輸電線路故障原因辨識方法，包括如下步驟：

步驟1)獲取特高壓直流輸電線路的電氣量故障數據和非電氣量信息；

步驟2)提取特高壓直流輸電線路電氣特征量，構造電氣特征輸入向量；

步驟3)提取特高壓直流輸電線路非電氣特征量，構造非電氣特征輸入向量；

步驟4)對雷擊、山火、污穢、風偏、鳥害構建綜合神經網絡辨識模型，神經網絡模型的隱含層的節(jié)點數采用最小誤差的方法選?。?/p>

步驟5)采用自學習的方法進行具體故障原因辨識；

步驟4)中，采用三層BP神經網絡結構，輸入層節(jié)點數為33，隱含層采用最小誤差的方法選取，輸出層節(jié)點數為5；隱含層和輸出層的激活函數均采用log-sigmoid型函數，可以將輸出控制在0-1范圍之內；訓練方法采用trainlm算法，訓練目標誤差設置為1e-4，訓練次數設置為1000次；

BP神經網絡是根據誤差反向傳播算法訓練的多層前饋神經網絡，設輸入層包含N個神經元，輸出層包含M個神經元，輸入向量為X，輸出向量為Y，隱含層包含L個神經元節(jié)點，w_ij表示輸入層到隱含層之間的連接權值，w_jk表示隱含層到輸出層之間的連接權值，θ_j表示隱含層神經元的閾值，θ_k表示輸出層神經元的閾值，表示隱含層的激活函數，φ(·)表示輸出層的激活函數；

log-sigmoid型函數為S型的對數函數，S型的對數函數為：