[发明专利]一种输电线路故障分类方法

说明书

本发明公开了一种输电线路故障分类方法，步骤a：提取电流故障样本数据并将电流故障样本分类，根据电流故障类型建立电流样本矩阵；步骤b：设置判定值，并依据样本矩阵建立深度字典学习的数学模型；步骤c：对数学模型进行训练；步骤d：根据判定值判定数学模型是否训练完成；若不符合判定值条件则重复步骤c，若符合判定值条件则跳转步骤e。步骤e：数学模型完成建立并输出；本发明有三个技术优点，能自动动提取特征；物理含义明确；模型性能好。

技术领域

本发明涉及继电保护技术领域，更具体的说是涉及一种输电线路故障分类方法。

背景技术

电力系统中输电线路运行环境复杂，易受各种人为或自然因素影响而发生故障。在线路故障后快速、准确地识别出故障类型，对于提高故障定位精度、缩短故障线路恢复运行时间以及提高电力系统稳定性等具有重要意义。

目前主要的输电线路故障分类方法大致可分为基于物理模型的分类方法和基于人工智能的分类方法。基于物理模型的方法是利用不同类别故障在预定义特征指标上的差异实现故障类别的判断，具有物理意义明确、易于微机实现的优点。但基于物理模型的方法也存在着易受故障条件或系统参数变化影响，且部分分类方法对硬件要求较高等缺点；而基于人工智能的故障分类方法设计流程相对简单，无需复杂的建模，但在故障特征提取等方面，仍需人为参与，费时费力。而且现有的深度学习分类方法所提取的特征缺乏可解释性，物理含义不明确。

因此，如何提供一种输电线路故障分类方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种输电线路故障分类方法。本发明的方法无需人为参与就能自动提取故障特征，训练后的字典模型在噪声环境和不同的系统模型中仍能精确地判断线路故障的种类，具有优良的抗噪性能和泛化能力。此外，该方法所提取的故障特征符合直观认识，物理含义明确，一定程度上解决了基于数据驱动方法所提取故障特征的可解释性问题。

为了实现上述目的，本发明采用如下技术方案：

一种输电线路故障分类方法，包括：

步骤a：提取电流故障样本数据并将所述电流故障样本分类，根据所述电流故障类型建立电流样本矩阵；

步骤b：设置判定值，并依据所述样本矩阵建立深度字典学习的数学模型；

步骤c：对所述数学模型进行训练；

步骤d：根据所述判定值判定所述数学模型是否训练完成；若不符合所述判定值条件则重复步骤c，若符合所述判定值条件则跳转步骤e。

步骤e：所述数学模型完成建立并输出；

优选的，所述步骤a中，通过搭建故障电流仿真模型获取三相电流和零序电流，按顺序堆叠所述三相电流和所述零序电流并进行归一化处理得到所述故障样本；将所述故障样本通过故障类型进行分类并形成所述样本矩阵Y；

Y＝[Y1…Yi…Y10]，

其中Y∈R^N×M，Y_i∈R^N×Mi表示属于第i类样本的样本子集，Mi表示属于第i类故障样本总数。

优选的，所述步骤b中，首先设置最大字典层数n和每轮迭代次数Tmax，随后建立数学模型：

其中i表示故障类型，j表示第j层，字典由K-均值初始化得到，Δ_i的初始值等于样本矩阵Y_i。

优选的，所属步骤c中还包括：

步骤c1：固定字典并计算式中的系数矩阵