[发明专利]一种基于深度学习的输电线路故障辨识方法

说明书

一种基于深度学习的输电线路故障辨识方法，包括提取录波系统中的故障电流与电压信号；采用傅里叶分析技术对故障电流与电压信号的特征信息进行提取和分析；然后计算零序电流与零序电压的基波分量与三次谐波分量；最后，根据分类模型进行具体的故障辨识。该判断方法包括线性分类模块和非线性分类模块，其中线性分类是通过零序电流和零序电压将数据样本进行初步分类；在此基础上根据输电线路故障的数据特点，选用深度学习对多类故障数据进行分类，最终实现输电线路故障辨识。

技术领域

本发明涉及一种基于深度学习的输电线路故障辨识方法，属电力线路技术领域。

背景技术

我国输电线路的地理环境较恶劣，输电网络覆盖区域广，有些线路可能途经山地、河海、平原等地貌，长期暴露在野外，经常受到雷电、强风、雨雾、冰雪等恶劣天气的影响或外力破坏，极易发生跳闸事故。

故障发生后，电力公司会安排人员到故障测距定位的范围内巡线待查找出具体的故障原因，再组织专业人员进行故障抢修。而输电线路故障往往发生郊区，从跳闸到恢复线路正常供电可能需要花费数小时，这将对社会经济和人民生活造成很大影响。如果在线路跳闸后，根据故障相关信息及时推断出引发故障的可能原因，即可指导巡线人员的查找重点，节省搜索时间，同时制定消除故障的合理方案，这对于减少停电损失具有重大意义。同时，确定每一次线路故障的原因并进行统计分析，有利于运行部口发现线路的隐患与薄弱环节，从而提出改进措施，提髙电网的运行维护水平。本发明可利用深度学习技术，开展输电线路故障辨识。

发明内容

本发明的目的是，为了解决现有输电线路故障识别效率较低的技术问题，实现输电线路故障的高效识别，提出一种基于深度学习的输电线路故障辨识方法。

实现本发明的技术方案如下：一种基于深度学习的输电线路故障辨识方法，包括以下步骤：

(1)收集输电线路送电侧和受电侧变电站故障录波数据，提取三相电流和三相电压信号。

(2)采用傅里叶变换计算三相电流与三相电压对应的零序电流和零序电压，并提取零序电流和零序电压的三次谐波含量；计算故障相电流，电压的基波分量以及三次谐波分量；利用集中参数法计算输电线路故障时的过渡电阻。

(3)通过判断输电线路故障后是否存在零序电流，将输电线路故障初步划分为两类；若存在零序电流则为接地短路故障，若不存在零序电流则为相间短路故障；其中接地短路故障包括单相接地短路和两相接地短路；相间短路故障包括两相相间短路和三相短路。

(4)采用相电流差突变量方法来判断发生故障是单相接地短路、两相接地短路、两相相间短路或三相短路。

(5)通过深度学习网络结构，将过渡电阻、零序电流和零序电压的三次谐波含量、时段、月份、天气条件、落雷情况和重合闸情况作为原始输入参数，经过输入参数归一化处理后进行深度学习网络样本训练，输出结果为经过实际现场查找出的故障类型；故障类型包括山火、树竹放电、异物短路(非金属性)、异物短路(金属性)、吊车碰线、鸟闪、雷击、污闪共八种。

(6)重复步骤(1)～(5)，对历史收集的至少300组数据样本进行训练和优化，获得深度学习模型。

(7)利用深度学习模型，对未进行训练至少50组的数据样本进行故障类型判断，并与实际故障类型进行验证，若满足预期误差率＜5％，则说明步骤(6)获得的深度学习模型有效，执行步骤(8)；若不满足则重复执行步骤(6)。

(8)在满足预期误差率后，对所要判断的实际输电线路三相电流信号进行采集，并执行步骤(1)～(5)来判断实际输电线路故障类型。

本发明通过对故障相电流，相电压提取三次谐波分量进行特征分析与验证。鉴于录波采样数据的离散性，本发明采用离散傅里叶变换方法(DFT)，对故障后一周波的故障相电流和相电压采样数据i(n),n＝0,1,2,…N-1进行分解，转化为各次谐波的展开。