[发明专利]一种基于深度学习LSTM模型的输电线路故障类型识别方法

说明书

本发明公开了一种基于深度学习LSTM模型的输电线路故障类型识别方法，具体包括：获取输电线路发生故障之后的三相故障电流采样序列；制作含有多个样本的数据集，每个样本包含输电线路故障对应的三相电流采样序列和故障类型标签；建立基于深度学习LSTM网络的输电线路故障分类模型，并进行前向传播输出；通过损失函数对模型进行反向传播训练；验证、测试并保存训练得到的输电线路故障分类模型；将欲进行故障分类的输电线路三相故障电流采样序列作为模型的输入，从而得到故障类型。该方法不仅能够克服传统输电线路故障分类算法中特征难以提取的局限，而且具有更加良好的性能，并且不受故障位置、故障电阻和初始相位等因素的影响。

技术领域

本发明涉及输电线路故障识别领域，具体涉及一种基于深度学习LSTM模型的输电线路故障类型识别方法。

背景技术

电力系统的快速发展导致现在输电线路的数量和总长度都在很大程度上不断增加。由于输电线路具有跨度大、距离远和受恶劣环境和天气影响大等特点，输电线路对于整个电力系统的稳定性具有很重要的作用。然而，在电力系统运行过程中，由于雷电、污闪、风偏、覆冰、鸟害、外力破坏、设备故障、误操作、人为错误、过载和老化等原因，一些输电线路会不可避免的出现各种故障。若输电线路发生故障而不能及时有效的排除故障，则会对整个电力系统产生很大的影响。轻则降低电网供电可靠性、引起电厂窝电、造成电网局部供电紧张，或直接造成用户停电，重则进一步引起电网事故，触发保护误动、系统振荡、电网解裂，从而造成全城甚至更大范围停电。当电力传输线路上发生故障时，对其进行故障类型的识别可以更加快速且有效地排除故障，恢复供电。因此，输电线路故障类型识别对电力系统的稳定运行具有重要意义。

输电线路在运行过程中常见故障类型包括单相接地故障、两相短路故障、两相接地故障、三相短路故障4种类型,最常见的是单相接地故障,占到故障总数的90％以上。目前已经提出的输电线路故障类型识别方法中主要包括故障特征量提取和故障类型识别两个部分。输电线路故障特征量主要是手工从电流的时域、频域信号中提取。小波变换是目前使用最广泛的来获取输电线路故障特征的方法，其他用于提取输电线路故障特征的方法还包括傅里叶变换、主成分分析法和经验模态分解等。常用于输电线路故障识别的分类器主要有人工神经网络、支持向量机、极端学习机、聚类、随机森林和决策树等。

然而，在实际应用中，由于受到各种因素的干扰，这些传统的特征提取算法对复杂输电线路故障的特征提取较为困难，而且输电线路故障的特征提取不光依赖各类形式的数学模型，还与分析人员相应的专业经验等有关，所以，在应用时存在过程繁琐和识别的准确率较低的问题。因此，需要一种更加简单准确的方法来对输电线路的故障类型进行识别，从而解决上述问题。

发明内容

本发明的目的在于公开一种基于深度学习LSTM模型的输电线路故障类型识别方法，以达到准确快速识别出输电线路故障类型的目的，这对于后续排除电力传输线路上的故障、确保电力系统的稳定运行具有重要意义。

本发明对输电线路故障类型进行识别是通过以下具体步骤①～⑥实现的。

步骤①采集输电线路发生不同类型故障之后，输电线路产生的三相故障电流波形数据，并对其进行采样得到三相故障电流信号的采样序列。三相故障电流波形数据为故障发生后一个周期内的三相电流信号，输电线路系统频率为50Hz，即为输电线路故障发生后0.02s的三相电流信号；对采集到的故障后的三相电流信号进行采样，使用的采样频率为20KHz，即采样时间间隔为0.05ms，即三相电流信号中的每一相电流信号的采样序列都包含400个采样值。

步骤②使用步骤①中所得到的三相故障电流信号的采样序列，制作包含多个不同类型故障样本的数据集。每个样本包含输电线路三相故障电流信号的采样序列和对应的故障类型标签向量。接着，将数据集按照一定比例划分为训练集、测试集和验证集；其中，训练集用于LSTM模型的训练，测试集用于模型训练完成后检验模型的泛化能力，验证集用于检验训练完成的模型是否出现过拟合现象。