[發(fā)明專利]一種輸電線路故障類型識(shí)別方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201911373921.1
• 申請(qǐng)日: 2019-12-27
• 公開(kāi)（公告）號(hào): CN111046581B
• 公開(kāi)（公告）日: 2022-10-04
• 發(fā)明（設(shè)計(jì)）人: 楊毅;崔玉;黃強(qiáng);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(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)江蘇省電力有限公司電力科學(xué)研究院;國(guó)家電網(wǎng)有限公司;國(guó)網(wǎng)江蘇省電力有限公司;華中科技大學(xué);中國(guó)電力科學(xué)研究院有限公司;江蘇省電力試驗(yàn)研究院有限公司
• 主分類號(hào): G06F30/20
• 分類號(hào): G06F30/20;G06N3/04;G06N3/08;G01R31/08
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司 32224
• 代理人: 耿英

本發(fā)明公開(kāi)了一種輸電線路故障類型識(shí)別方法和系統(tǒng)，利用輸電線路故障仿真模型生成目標(biāo)線路各類型的故障時(shí)序數(shù)據(jù)，對(duì)故障時(shí)序數(shù)據(jù)進(jìn)行處理，產(chǎn)生面向卷積神經(jīng)網(wǎng)絡(luò)CNN的目標(biāo)域數(shù)據(jù)樣本；利用目標(biāo)域數(shù)據(jù)樣本對(duì)預(yù)訓(xùn)練模型進(jìn)行卷積核遷移訓(xùn)練，形成目標(biāo)域模型；采用目標(biāo)域模型對(duì)目標(biāo)線路的故障類型進(jìn)行識(shí)別。本方法能夠?qū)崿F(xiàn)利用少量數(shù)據(jù)對(duì)深度模型進(jìn)行遷移，生成適用于目標(biāo)線路的深度學(xué)習(xí)模型，避免了針對(duì)各個(gè)線路單獨(dú)訓(xùn)練深度學(xué)習(xí)模型，提高了深度學(xué)習(xí)模型的泛化能力。

技術(shù)領(lǐng)域

本發(fā)明涉及一種輸電線路故障類型識(shí)別方法，屬于電力系統(tǒng)保護(hù)領(lǐng)域。

背景技術(shù)

故障類型識(shí)別作為電力系統(tǒng)故障診斷的重要環(huán)節(jié)，傳統(tǒng)故障類型識(shí)別方法主要基于故障時(shí)的電氣量，分為暫態(tài)量選相、穩(wěn)態(tài)量選相或兩者相結(jié)合選相三種。基于電氣量的選相方法實(shí)現(xiàn)較為簡(jiǎn)單，但容易受負(fù)荷電流、系統(tǒng)運(yùn)行方式、故障位置、過(guò)渡電阻及故障相角等因素限制其有效性，且不同類型的故障需要使用不同類型的選相元件。

電網(wǎng)數(shù)據(jù)采集系統(tǒng)和故障信息系統(tǒng)的建立，可以提供故障期間的事件信息和錄波數(shù)據(jù)，為人工智能算法的應(yīng)用奠定了數(shù)據(jù)基礎(chǔ)。相關(guān)研究者已提出將傳統(tǒng)人工智能算法應(yīng)用到故障類型識(shí)別，然而傳統(tǒng)淺層學(xué)習(xí)算法均包含特征參數(shù)提取環(huán)節(jié)和分類識(shí)別環(huán)節(jié)兩部分，其識(shí)別效果很大程度上依賴人工設(shè)計(jì)的特征參數(shù)提取環(huán)節(jié)，特征參數(shù)選擇的優(yōu)劣會(huì)直接影響整個(gè)模型的識(shí)別效果。深度學(xué)習(xí)不依賴于人工設(shè)計(jì)特征提取環(huán)節(jié)，通過(guò)海量數(shù)據(jù)訓(xùn)練，構(gòu)建深層神經(jīng)網(wǎng)絡(luò)，自動(dòng)提取輸入數(shù)據(jù)特征并進(jìn)行歸納分類，在故障類型識(shí)別方面具有巨大應(yīng)用潛力。目前，已有部分國(guó)內(nèi)外學(xué)者將深度學(xué)習(xí)應(yīng)用到輸電線路的故障類型識(shí)別。然而，深度學(xué)習(xí)模型構(gòu)建過(guò)程需要海量訓(xùn)練數(shù)據(jù)，面臨數(shù)據(jù)量不足或數(shù)據(jù)缺失等問(wèn)題，且訓(xùn)練出的模型只適用于特定線路，難以針對(duì)每條輸電線路構(gòu)建特定的深度學(xué)習(xí)模型。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題：

當(dāng)輸電線路發(fā)生故障時(shí)，線路兩端的電壓、電流等電氣量會(huì)發(fā)生相應(yīng)變化，當(dāng)前的故障類型識(shí)別方法主要基于單個(gè)電氣量的變化特征對(duì)故障類型進(jìn)行判別，由于過(guò)渡電阻、電源強(qiáng)弱和故障類型的影響會(huì)影響判別靈敏度或正確率。基于深度學(xué)習(xí)的輸電線路故障類型識(shí)別方法可以綜合各電氣量的變化特征對(duì)輸電線路的故障類型進(jìn)行判別，但單個(gè)模型需要大量完整帶標(biāo)簽的訓(xùn)練數(shù)據(jù)，且訓(xùn)練成功的模型僅能用于特定線路，無(wú)法遷移應(yīng)用到其他線路。因此，如何將訓(xùn)練成功的模型遷移至其他類似線路是本發(fā)明主要解決的技術(shù)問(wèn)題。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用以下技術(shù)方案：

一種輸電線路故障類型識(shí)別方法，包括以下步驟：

利用預(yù)先構(gòu)建的輸電線路故障仿真模型生成目標(biāo)線路各類型的故障時(shí)序數(shù)據(jù)，對(duì)故障時(shí)序數(shù)據(jù)進(jìn)行處理，產(chǎn)生面向卷積神經(jīng)網(wǎng)絡(luò)CNN的目標(biāo)域數(shù)據(jù)樣本；

利用目標(biāo)域數(shù)據(jù)樣本對(duì)預(yù)先構(gòu)建的預(yù)訓(xùn)練模型進(jìn)行卷積核遷移訓(xùn)練，形成目標(biāo)域模型；

采用目標(biāo)域模型對(duì)目標(biāo)線路的故障類型進(jìn)行識(shí)別。

進(jìn)一步地，所述預(yù)訓(xùn)練模型的構(gòu)建步驟為：

利用預(yù)先構(gòu)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(shí)序數(shù)據(jù)，對(duì)該源線路的故障時(shí)序數(shù)據(jù)進(jìn)行處理，產(chǎn)生面向卷積神經(jīng)網(wǎng)絡(luò)CNN的源域數(shù)據(jù)樣本；

構(gòu)建初始卷積神經(jīng)網(wǎng)絡(luò)，輸入源域數(shù)據(jù)樣本對(duì)初始卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，得到預(yù)訓(xùn)練模型。

進(jìn)一步地，輸電線路故障仿真模型的構(gòu)建步驟為：

構(gòu)建單條輸電線路故障仿真模型；

設(shè)置輸電線路參數(shù)遍歷表，對(duì)不同參數(shù)故障期間的電氣量進(jìn)行遍歷采集，產(chǎn)生可用于預(yù)訓(xùn)練和遷移訓(xùn)練的輸電線路兩端三相電壓和三相電流的時(shí)序數(shù)據(jù)。

進(jìn)一步地，參數(shù)遍歷表中包含的輸電線路參數(shù)有電壓、頻率、故障位置、負(fù)荷、過(guò)渡電阻和故障類型。