[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

本發明公開了一種電網線路故障識別模型訓練方法，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。本發明將電氣參量進行同屬性聚類成簇，并進行簇內融合將離散的電氣參量量化成與圖形R像素值、G像素值、B像素值一致的三個識別參量，利用三個識別參量構建成與深度神經網絡擅長處理領域一致的故障識別圖，能夠提高深度神經網絡基于電氣參量對電力系統故障的識別匹配度，提高故障識別精度。

技術領域

本發明涉及故障識別技術領域，具體涉及一種電網線路故障識別模型訓練方法。

背景技術

故障識別作為電力系統故障診斷的重要環節，電網數據采集系統和故障信息系統的建立，可以提供故障期間的事件信息和錄波數據，為人工智能算法的應用奠定了數據基礎。相關研究者已提出將傳統人工智能算法應用到故障類型識別，然而傳統淺層學習算法均包含特征參數提取環節和分類識別環節兩部分，其識別效果很大程度上依賴人工設計的特征參數提取環節，特征參數選擇的優劣會直接影響整個模型的識別效果。深度學習不依賴于人工設計特征提取環節，通過海量數據訓練，構建深層神經網絡，自動提取輸入數據特征并進行歸納分類，在故障類型識別方面具有巨大應用潛力。

現有技術中故障診斷所用的深度神經網絡的擅長場景為圖像處理識別，直接運用到電力參數上容易出現匹配度降低，造成故障診斷精度降低，而且，定期對故障識別模型進行更新，用來適應目標線路的拓撲變動，而在實際中，目標線路的拓撲并不是時時刻刻都在發生，由于目標線路量以及特征數據量的巨大，在模型更新時刻會造成巨大的運算壓力，如果對目標線路無差別更新只會造成運算資源的浪費和運算時間的延長，降低診斷的運行效率。

發明內容

本發明的目的在于提供一種電網線路故障識別模型訓練方法，以解決現有技術中故障診斷所用的深度神經網絡的擅長場景為圖像處理識別，直接運用到電力參數上容易出現匹配度降低，造成故障診斷精度降低，以及對目標線路無差別更新只會造成運算資源的浪費和運算時間的延長，降低診斷的運行效率的技術問題。

為解決上述技術問題，本發明具體提供下述技術方案：

一種電網線路故障識別模型訓練方法，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。

作為本發明的一種優選方案，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。

作為本發明的一種優選方案，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；