[发明专利]基于深度学习的高压电缆局部放电故障定位方法及系统

说明书

本发明涉及高压电缆技术领域，具体涉及基于深度学习的高压电缆局部放电故障定位方法及系统。方法包括以下步骤：S1:采用同步相量测量装置获取电力系统的原始局部放电脉冲的特征参数；S2:对原始局部放电脉冲的特征参数进行预处理，构建局部放电信号特征数据集，所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波；S3:将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中，输出故障区域识别结果或故障定位结果。利用了RMT和动态卡尔曼滤波对数据处理的优势，将PUMs采集的原始数据进行处理，得到更强的鲁棒性。

技术领域

本发明涉及高压电缆技术领域，特别是一种基于深度学习的高压电缆局部放电故障定位方法及系统。

背景技术

由于目前大量的电网动态数据测量存储应用，部分学者已开始利用基于数据驱动的人工智能方法解决电气设备故障区域定位问题，利用深度学习改变传统的电气设备诊断方式。本发明使用深度卷积神经网络完成对高压电缆的局部放电故障定位。为判断故障区域，评估电缆状态，及时发现故障征兆，实现故障预警，制定合理检修计划提供了科学依据。

目前可以通过阻抗法、行波法、广域通信法对电气设备进行故障定位。其中，阻抗法易受到路径阻抗，过渡电阻以及线路负荷的影响出现伪故障点；由于结构复杂，行波法会导致波阻抗不连续点多，难在行波信号中提取出有用的信息；广域通信法对通信要求高，且自动化开关等保护装置在整定值不正确时会引起误操作，因此难以兼顾灵敏性与可靠性问题。上述方法仅支持特定情况，不具备广泛意义。

发明内容

本发明的目的在于：针对现有技术存在的问题，提出了基于深度循环神经网络(DRNN)的新型深度学习(DL)分类和回归模型实现高压电缆局部放电故障区域识别和定位诊断方法，即提供了一种基于深度学习的高压电缆局部放电故障定位方法及系统，旨在完成电力系统中涉及的局放信号的故障区域识别和定位，提高系统保护灵敏度和可靠性，维持电力系统连续正常运行。

为了实现上述目的，本发明采用的技术方案为：

一种基于深度学习的高压电缆局部放电故障定位方法，包括：

S1:采用同步相量测量装置获取电力系统的原始局部放电脉冲的特征参数，所述原始局部放电脉冲的特征参数包括电流角，电流幅值，电压角和电压幅值。

S2:对原始局部放电脉冲的特征参数进行预处理，构建局部放电信号特征数据集，所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波；

S3:将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中，输出故障区域识别结果或故障定位结果；

所述深度循环神经网络包括输入层、隐藏LSTM层、LSTM层、全连接层、用于故障区域识别的Softmax层或用于故障定位的回归层、输出层。

作为本发明的优选方案，步骤S2中所述预处理的步骤包括：

实时滑动窗口从原始局部放电脉冲的特征参数获取原始矩阵；

以所述随机矩阵理论数据为检测依据，以动态卡尔曼滤波器为数据调节器对所述原始矩阵进行调整，得到修订后的矩阵，将所述修订后的矩阵作为局部放电信号特征数据集。

作为本发明的优选方案，所述数据调节器通过调整测量噪声协方差矩阵降低原始局部放电脉冲的特征参数中的噪声。

作为本发明的优选方案，采用以所述随机矩阵理论数据为检测依据具体是指将平均谱半径作为数据检测的指标，以降低原始局部放电脉冲的特征参数中的噪声并恢复缺失样本。

作为本发明的优选方案，步骤S1中，所述原始局部放电脉冲的特征参数是按照区域进采集的，每个区域的采集数据构成一个多维数组，包括用于故障区域识别的数组和用于故障定位判断的数组。