[發明專利]一種輸電線路故障類型識別方法及系統

有效

• 申請號: 201911373921.1
• 申請日: 2019-12-27
• 公開（公告）號: CN111046581B
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 楊毅;崔玉;黃強;殷浩然;吳奕;范棟琛;韓佶;杜云龍;苗世洪;袁宇波;高磊;王文煥;宋亮亮;宋爽;齊貝貝
• 申請（專利權）人: 國網江蘇省電力有限公司電力科學研究院;國家電網有限公司;國網江蘇省電力有限公司;華中科技大學;中國電力科學研究院有限公司;江蘇省電力試驗研究院有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/04;G06N3/08;G01R31/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 耿英

1.一種輸電線路故障類型識別方法，其特征是，包括以下步驟：

利用預先構建的輸電線路故障仿真模型生成目標線路各類型的故障時序數據，對故障時序數據進行處理，產生面向卷積神經網絡CNN的目標域數據樣本；

利用目標域數據樣本對預先構建的預訓練模型進行卷積核遷移訓練，形成目標域模型；

采用目標域模型對目標線路的故障類型進行識別；

其中，所述預訓練模型的構建步驟為：

利用預先構建的輸電線路故障仿真模型生成源線路的各類型的故障時序數據，對該源線路的故障時序數據進行處理，產生面向卷積神經網絡CNN的源域數據樣本；

構建初始卷積神經網絡，輸入源域數據樣本對初始卷積神經網絡進行預訓練，得到預訓練模型；

輸電線路故障仿真模型的構建步驟為：

構建單條輸電線路故障仿真模型；

設置輸電線路參數遍歷表，對不同參數故障期間的電氣量進行遍歷采集，產生可用于預訓練和遷移訓練的輸電線路兩端三相電壓和三相電流的時序數據；

對故障時序數據進行處理，包括：首先對故障時序數據進行等間隔采樣，選取故障前后等間隔的若干數據點；隨后以二維矩陣形式對數據進行排列，構建12×12的二維數據矩陣；最后對數據進行分別歸一化，最終產生面向卷積神經網絡CNN的目標域數據樣本。

2.根據權利要求1所述的一種輸電線路故障類型識別方法，其特征是，參數遍歷表中包含的輸電線路參數有電壓、頻率、故障位置、負荷、過渡電阻和故障類型。

3.根據權利要求1所述的一種輸電線路故障類型識別方法，其特征是，對故障時序數據進行處理的步驟包括：

等間隔采樣、二維數據矩陣構建和歸一化的步驟。

4.根據權利要求1所述的一種輸電線路故障類型識別方法，其特征是，預訓練時，以識別率和訓練時間為優化目標，確定最優深度網絡參數。

5.根據權利要求4所述的一種輸電線路故障類型識別方法，其特征是，最優深度網絡參數包括迭代次數、卷積核維度和池化核維度。

6.根據權利要求1所述的一種輸電線路故障類型識別方法，其特征是，遷移訓練時，優化的參數為遷移訓練迭代次數。

7.一種輸電線路故障類型識別系統，其特征是，包括：

故障數據生成模塊：利用預先構建的輸電線路故障仿真模型生成目標線路各類型的故障時序數據；

數據處理模塊：對故障時序數據進行處理，產生面向卷積神經網絡CNN的目標域數據樣本；

遷移訓練模塊：利用目標域數據樣本對預先構建的預訓練模型進行卷積核遷移訓練，形成目標域模型；

故障類型識別模塊：采用目標域模型對目標線路的故障類型進行識別；

其中，所述預訓練模型的構建步驟為：

利用預先構建的輸電線路故障仿真模型生成源線路的各類型的故障時序數據，對該源線路的故障時序數據進行處理，產生面向卷積神經網絡CNN的源域數據樣本；

構建初始卷積神經網絡，輸入源域數據樣本對初始卷積神經網絡進行預訓練，得到預訓練模型；

輸電線路故障仿真模型的構建步驟為：

構建單條輸電線路故障仿真模型；

設置輸電線路參數遍歷表，對不同參數故障期間的電氣量進行遍歷采集，產生可用于預訓練和遷移訓練的輸電線路兩端三相電壓和三相電流的時序數據；

對故障時序數據進行處理，包括：首先對故障時序數據進行等間隔采樣，選取故障前后等間隔的若干數據點；隨后以二維矩陣形式對數據進行排列，構建12×12的二維數據矩陣；最后對數據進行分別歸一化，最終產生面向卷積神經網絡CNN的目標域數據樣本。

8.根據權利要求7所述的一種輸電線路故障類型識別系統，其特征是，進一步包括：

仿真模型構建模塊，用于預先構建單條輸電線路故障仿真模型；設置輸電線路參數遍歷表，對不同參數故障期間的電氣量進行遍歷采集，產生可用于預訓練和遷移訓練的輸電線路兩端三相電壓和三相電流的時序數據，得到輸電線路故障仿真模型；

預訓練模型構建模塊，用于利用預先構建的輸電線路故障仿真模型生成源線路的各類型的故障時序數據，對該源線路的故障時序數據進行處理，產生面向卷積神經網絡CNN的源域數據樣本；構建初始卷積神經網絡，輸入源域數據樣本對初始卷積神經網絡進行預訓練，得到預訓練模型。