[發明專利]一種電網線路故障識別模型訓練方法

有效

• 申請號: 202111103885.4
• 申請日: 2021-09-22
• 公開（公告）號: CN113554010B
• 公開（公告）日: 2022-01-21
• 發明（設計）人: 藍海森;陳啟銳;李秋惠;周勇;岳能盛;陳萬發;莫建勛
• 申請（專利權）人: 廣東電網有限責任公司東莞供電局
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 杜嘉偉

1.一種電網線路故障識別模型訓練方法，其特征在于，包括以下步驟：

步驟S1、采集目標線路的電氣參量，并將所述目標線路的電氣參量轉化為目標線路的故障識別圖；

步驟S2、基于所述故障識別圖對深度神經網絡進行圖像識別訓練獲得線路故障識別模型；

步驟S3、利用特征相似度分析更新故障識別圖實現對線路故障識別模型的更新；

所述步驟S1中，將所述目標線路的電氣參量轉化為目標線路的故障識別圖的具體方法包括：

步驟S101、將所述電氣參量進行聚類分析實現將所有電氣參量劃分為三個參量簇；

步驟S102、將每個所述參量簇內的所有電氣參量進行融合歸一實現將三個參量簇整合為三個識別參量；

步驟S103、將三個識別參量分別轉化為圖形R像素值、G像素值、B像素值，并將目標線路的線路編號和目標線路的三個識別參量的采集時序作為所述圖形R像素值、G像素值、B像素值的圖形坐標點構成所述故障識別圖；

所述步驟S101中，所述電氣參量進行聚類分析的具體方法包括：

依次將所有目標線路的電氣參量按同類別匯合標定為參量向量集，其中，表征為第i個參量向量項，表征為目標線路n的第i個電氣參量；

在所述參量向量集I中選取三個差異度最大的向量項作為三個簇中心，并將所述參量向量集I基于所述三個簇中心進行K-means聚類分析獲得三個參量簇，分別為, ,,其中，，，、、分別表征為參量簇、、的第、、個參量向量項， 、、分別表征為目標線路n的第、、個電氣參量；

所述步驟S102中，將三個參量簇整合為三個識別參量的具體方法包括：

將所述參量簇內的參量向量形式轉換為目標線路的電氣參量向量形式，其中，，，，，、、表征為目標線路k按所述參量簇、、聚類格式排列的電氣參量，表征為目標線路的線路編號終值；

將所述目標線路的電氣參量向量形式按所述參量簇、、進行簇內線性整合轉化為目標線路的識別參量向量形式，所述目標線路的識別參量向量形式為：

；

其中，表征為乘積運算符，、、分別表征為目標線路k的第、、個電氣參量；

所述步驟S103，將識別參量 進行標準化處理至[0,255]取值范圍內分別作為圖形R像素值、G像素值、B像素值；

所述步驟S2中，所述基于所述故障識別圖對深度神經網絡進行圖像識別訓練獲得線路故障識別模型的具體方法包括：

步驟S201、獲取故障識別圖格式的模型訓練樣本，其中，對對應電網運行正常的故障識別圖樣本賦予正標簽，對對應電網運行異常的故障識別圖樣本賦予負標簽；

步驟S202、將所述故障識別圖樣本進行預處理為三通道的圖向量，并將圖向量作為深度神經網絡的輸入，所述故障識別圖樣本的標簽作為深度神經網絡的輸出進行圖像識別訓練，實現學習到判定電網運行狀況的線路故障識別模型。

2.根據權利要求1所述的一種電網線路故障識別模型訓練方法，其特征在于：所述步驟S3中，更新線路故障識別模型的具體方法包括：

設定監聽間隔，將目標線路的故障識別圖每經過一個所述監聽間隔進行一次相似度監聽，所述相似度監聽用于監聽目標線路的拓撲變動屬性；

將監聽后目標線路的故障識別圖與監聽前目標線路的故障識別圖的整體相似度設定為監聽系數，所述監聽系數的運算公式：

；

其中，表征為監聽系數，表征為故障識別圖的圖向量總數目，、分別表征為監聽后和監聽前故障識別圖的第j個圖向量。