本發(fā)明涉及一種輸電線路故障匹配方法，尤其是涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路雙端故障錄波數(shù)據(jù)匹配方法。

背景技術(shù)：

故障信息系統(tǒng)中含有海量的故障錄波數(shù)據(jù)，其往往具有時序性、時鐘不同步性、不一致性、不完整性、冗余性等特征，同一時標(biāo)下的輸電線路兩端錄波數(shù)據(jù)并不一定是匹配的。把輸電線路兩端雙端故障錄波數(shù)據(jù)匹配，將其應(yīng)用于雙端故障測距，保護(hù)行為分析，故障回放、事故狀態(tài)下等值校驗等，將能更好的發(fā)揮數(shù)據(jù)的價值，對故障分析與故障恢復(fù)具有重要的意義。

目前的故障數(shù)據(jù)匹配方法：首先選定線路一端故障數(shù)據(jù)作為本次故障的數(shù)據(jù)源，提取故障時間和故障相別等特征量，通過分析對端故障數(shù)據(jù)的電氣量，確定故障相別一致后，故障時間差異最小的故障數(shù)據(jù)為該次輸電線路故障的匹配數(shù)據(jù)。該方法相比于傳統(tǒng)的時標(biāo)法準(zhǔn)確性有所提高，但是在發(fā)生連續(xù)性故障或保護(hù)裝置重合閘的情況下，時標(biāo)不夠精確且為同種故障時仍然可能導(dǎo)致故障數(shù)據(jù)匹配錯誤

深度學(xué)習(xí)的主要模型有卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)、堆棧自編碼網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等。隨著人工智能的發(fā)展，深度學(xué)習(xí)備受關(guān)注，在手寫字識別、人臉識別、語音識別、圖像識別等方面展現(xiàn)出強(qiáng)大的優(yōu)勢。深度學(xué)習(xí)在電力工業(yè)方面也開始發(fā)揮其優(yōu)勢。積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的典型模型之一，具有強(qiáng)大的學(xué)習(xí)泛化能力，在電力工業(yè)已經(jīng)開始有所應(yīng)用，其中，風(fēng)電場功率預(yù)測、電力變壓器故障診斷、發(fā)電機(jī)故障挖掘等方面的應(yīng)用研究已經(jīng)開展，為許多電力問題提供了更好的解決方案，但其在輸電線路雙端故障數(shù)據(jù)匹配方面的應(yīng)用尚為空白。

針對上述背景，本發(fā)明設(shè)計了一種基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路雙端故障錄波數(shù)據(jù)匹配方法，用于準(zhǔn)確、可靠地進(jìn)行輸電線路雙端故障錄波數(shù)據(jù)匹配。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是克服現(xiàn)有輸電線路雙端故障錄波數(shù)據(jù)匹配方法的不足，提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路雙端故障錄波數(shù)據(jù)匹配方法，該方法所需電氣量少(僅需電流，不需要電壓)且不需要對各種參數(shù)和閾值進(jìn)行整定，該方法基本不受系統(tǒng)頻率、過渡電阻、故障位置、故障類型等因素的影響，數(shù)據(jù)匹配的準(zhǔn)確率比數(shù)據(jù)匹配三重判據(jù)結(jié)果更高。

本發(fā)明技術(shù)方案提供一種輸電線路故障匹配方法，包括以下步驟，

一種基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路雙端故障錄波數(shù)據(jù)匹配方法，其特征在于，包括：

步驟1、獲取卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和測試樣本，實(shí)現(xiàn)方式如下，

1.1、在電力系統(tǒng)仿真軟件(matlab等)中搭建電力系統(tǒng)輸電線路故障模型，其原理圖如圖1所示，其中，為電源電壓，zm、zn為電源等效阻抗，f為系統(tǒng)頻率，l為輸電線路長度，x為故障位置，過渡電阻rg，im、in為保護(hù)安裝處采樣電流，m為線路m側(cè)，n為線路n側(cè)；

1.2、編寫程序代碼對電力系統(tǒng)的參數(shù)進(jìn)行排列組合生成參數(shù)矩陣。參數(shù)包括系統(tǒng)頻率、故障位置、電源電壓相角和幅值、故障類型，兩端電源的等級，電源等效阻抗、輸電線路長度、線路參數(shù)、相間故障電阻、接地故障電阻等一系列與短路故障有關(guān)的因素，根據(jù)工程情況對每種因素在其可變范圍內(nèi)進(jìn)行取值，按照排列組合的方式對參數(shù)進(jìn)行遍歷，形成參數(shù)矩陣，矩陣中每一行代表依次故障中所有可變參數(shù)的一種組合，每一列表示一種參數(shù)；

1.3、編寫批處理程序，將1.2中生成的參數(shù)矩陣以行為單位，依次輸入模型并運(yùn)行，得到故障時兩端的電流數(shù)據(jù)作為樣本的輸入，將匹配結(jié)果作為樣本的輸出。樣本由兩部分組成，一部分為仿真生成的輸電線路兩端匹配的數(shù)據(jù)，另一部分為通過隨機(jī)函數(shù)對輸電線路兩端數(shù)據(jù)進(jìn)行隨機(jī)組合生成的不匹配數(shù)據(jù)，將輸入與輸出一一對應(yīng)，得到訓(xùn)練樣本；

1.4、改變1.2中程序參數(shù)，重新生成不同的參數(shù)矩陣，然后重復(fù)1.3，得到測試樣本。程序參數(shù)包括電線路長度，線路參數(shù)，系統(tǒng)頻率，故障位置，電源電壓相角和幅值，故障類型，兩端電源的等級，電源等效阻抗，相間故障電阻，接地故障電阻

步驟2、數(shù)據(jù)預(yù)處理。對訓(xùn)練樣本與測試樣本的數(shù)據(jù)進(jìn)行歸一化處理，使矩陣中的每一個元素的值介于區(qū)間[0，1]之內(nèi)；

步驟3、對步驟2得到的數(shù)據(jù)進(jìn)行min-max歸一化處理，然后尋找卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行輸電線路雙端故障錄播數(shù)據(jù)的最佳結(jié)構(gòu)，實(shí)現(xiàn)方式如下，

3.1、列出網(wǎng)絡(luò)結(jié)構(gòu)，為卷積層(c層)采樣層(s層)交替重復(fù)，本層的輸出作為下一層的輸入，使網(wǎng)絡(luò)結(jié)構(gòu)對輸入樣本有較高的畸變?nèi)萑棠芰?，更?zhǔn)確地實(shí)現(xiàn)對數(shù)據(jù)的分級表達(dá)。假設(shè)每個卷積層的輸入矩陣維度為mi*ni*i，其中mi為每個輸入樣本矩陣的行數(shù)，ni為每個輸入樣本矩陣的列數(shù)，i為輸入樣本總數(shù)；輸出矩陣維度為mo*no*o，其中mo為每個輸出樣本矩陣的行數(shù)，no為每個輸出樣本矩陣的列數(shù)，o為輸出樣本總數(shù)，卷積層的卷積核為k*k，則每個卷積層的輸入輸出必須滿足如下公式：

mi，ni，i，mo，no，o為整數(shù)

3.2、設(shè)置批處理數(shù)量和訓(xùn)練次數(shù)為定值，對不同網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練和測試，得到錯誤率最低的網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)即為最佳網(wǎng)絡(luò)結(jié)構(gòu)。

步驟4、在最佳網(wǎng)絡(luò)結(jié)構(gòu)下，改變批處理數(shù)，增加訓(xùn)練次數(shù)，使測試樣本的錯誤率降到最低，然后保存訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和權(quán)值偏置矩陣；

步驟5、將需要匹配的數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)，即可輸出匹配結(jié)果，無需再次訓(xùn)練，原理如圖2所示。

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)勢在于：1、本發(fā)明通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行輸電線路雙端故障錄波數(shù)據(jù)匹配。不存在傳統(tǒng)數(shù)據(jù)匹配方法匹配準(zhǔn)確率低，受故障類型影響大，連續(xù)故障或保護(hù)重合閘時故障數(shù)據(jù)不能正確分辨等問題；2、本發(fā)明通過對系統(tǒng)頻率、故障類型、過渡電阻等一系列影響輸電線路雙端故障錄波數(shù)據(jù)匹配的因素進(jìn)行了遍歷，通過卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的泛化學(xué)習(xí)能力，使該方法基本不受系統(tǒng)頻率、過渡電阻、故障位置、故障類型等因素的影響，具有很高的可靠性；3、該方法所需電氣量少(僅需電流，不需要電壓)，且不需要對各種參數(shù)、閾值進(jìn)行整定，數(shù)據(jù)匹配更加方便準(zhǔn)確；4、通過搭建仿真模型對電源電壓、系統(tǒng)頻率、輸電線路參數(shù)、故障位置、過渡電阻、故障類型等一系列影響區(qū)內(nèi)外故障判斷和故障選相的因素進(jìn)行遍歷仿真，得到海量的雙端電流數(shù)據(jù)，以此作為訓(xùn)練樣本，依托卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)泛化能力，有望實(shí)現(xiàn)用同一權(quán)重偏置參數(shù)對電力系統(tǒng)中所有線路故障進(jìn)行輸電線路故障錄波數(shù)據(jù)進(jìn)行匹配，在未來智能電網(wǎng)的發(fā)展中具有廣闊應(yīng)用前景；5、本發(fā)明通過訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)匹配，無需再次訓(xùn)練，匹配迅速，很大程度的滿足工程需要。

附圖說明

圖1是本發(fā)明雙端供電系統(tǒng)簡圖。

圖2是本發(fā)明輸電線路雙端故障錄波數(shù)據(jù)匹配原理圖。

圖3是本發(fā)明實(shí)施例的實(shí)施步驟。

具體實(shí)施方式

以下結(jié)合附圖和實(shí)施例對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。

為解決現(xiàn)有輸電線路雙端故障錄波數(shù)據(jù)匹配方法匹配準(zhǔn)確率低，受故障類型影響大，連續(xù)故障或保護(hù)重合閘時故障數(shù)據(jù)不能正確分辨等問題本發(fā)明實(shí)施例提供一種利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行輸電線路雙端故障錄波數(shù)據(jù)匹配的新方法，具體實(shí)施步驟如下：

步驟1、獲取卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和測試樣本，實(shí)現(xiàn)方式如下，

1.1、在電力系統(tǒng)仿真軟件(matlab等)中搭建電力系統(tǒng)輸電線路故障模型，其原理圖如圖1所示，其中，為電源電壓，zm、zn為電源等效阻抗，f為系統(tǒng)頻率，l為輸電線路長度，x為故障位置，過渡電阻rg，im、in為保護(hù)安裝處采樣電流；

1.2、編寫程序代碼對電力系統(tǒng)的參數(shù)進(jìn)行排列組合生成參數(shù)矩陣。參數(shù)包括系統(tǒng)頻率、故障位置、電源電壓相角和幅值、故障類型，兩端電源的等級，電源等效阻抗、輸電線路長度、線路參數(shù)、相間故障電阻、接地故障電阻等一系列與短路故障有關(guān)的因素，根據(jù)工程情況對每種因素在其可變范圍內(nèi)進(jìn)行取值，按照排列組合的方式對參數(shù)進(jìn)行遍歷，形成參數(shù)矩陣，矩陣中每一行代表依次故障中所有可變參數(shù)的一種組合，每一列表示一種參數(shù)；

1.3、編寫批處理程序，將1.2中生成的參數(shù)矩陣以行為單位，依次輸入模型并運(yùn)行，得到線路兩端的電流采樣序列，取故障前一周波和故障后一周波的采樣序列作為有效數(shù)據(jù)，對其進(jìn)行預(yù)處理得到輸入矩陣，輸入矩陣為三維矩陣，其中第一維是電氣量隨時間變化的采樣序列；第二維是電氣量種類，即輸電線路兩端的三相電流ima、imb、imc和ina、inb、inc，故第二維度為6；第三維度是樣本數(shù)，其中前1/2數(shù)據(jù)為仿真生成數(shù)據(jù)通過隨機(jī)函數(shù)隨機(jī)生成的組合，大部分為不匹配數(shù)據(jù)，后1/2數(shù)據(jù)為仿真生成的線路兩端匹配的數(shù)據(jù)。將匹配結(jié)果作為樣本的輸出，每個輸入樣本對應(yīng)一個輸出樣本，輸出矩陣第一維是輸出的分類結(jié)果，故第一維度為2，第二維度為樣本數(shù)。得到故障時兩端的電流數(shù)據(jù)作為樣本的輸入，將匹配結(jié)果作為樣本的輸出，將輸入與輸出一一對應(yīng)，得到訓(xùn)練樣本；

1.4、改變1.2中程序參數(shù)，重新生成不同的參數(shù)矩陣，然后重復(fù)1.3，得到測試樣本。

步驟2、數(shù)據(jù)預(yù)處理。對訓(xùn)練樣本與測試樣本的數(shù)據(jù)進(jìn)行歸一化處理(如min-max標(biāo)準(zhǔn)化、z-score標(biāo)準(zhǔn)化方法等)，使矩陣中的每一個元素的值介于區(qū)間[0，1]之內(nèi)；

步驟3、尋找卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行輸電線路雙端故障錄播數(shù)據(jù)的最佳結(jié)構(gòu)，實(shí)現(xiàn)方式如下，

3.1、列出盡可能多可能的網(wǎng)絡(luò)結(jié)構(gòu)。一般為卷積層(c層)采樣層(s層)交替重復(fù)，本層的輸出作為下一層的輸入，使網(wǎng)絡(luò)結(jié)構(gòu)對輸入樣本有較高的畸變?nèi)萑棠芰?，更?zhǔn)確地實(shí)現(xiàn)對數(shù)據(jù)的分級表達(dá)。假設(shè)每個卷積層的輸入矩陣維度為mi*ni*i，其中mi為每個輸入樣本矩陣的行數(shù)，ni為每個輸入樣本矩陣的列數(shù)，i為輸入樣本總數(shù)；輸出矩陣維度為mo*no*o，其中mo為每個輸出樣本矩陣的行數(shù)，no為每個輸出樣本矩陣的列數(shù)，o為輸出樣本總數(shù)，卷積層的卷積核為k*k，則每個卷積層的輸入輸出必須滿足如下公式：

mi，ni，i，mo，no，o為整數(shù)

3.2、設(shè)置批處理數(shù)量和訓(xùn)練次數(shù)為定值，對不同網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練和測試，得到錯誤率最低的網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)即為最佳網(wǎng)絡(luò)結(jié)構(gòu)。

步驟4、在最佳網(wǎng)絡(luò)結(jié)構(gòu)下，改變批處理數(shù)，增加訓(xùn)練次數(shù)，使測試樣本的錯誤率降到最低，然后保存訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和權(quán)值偏置矩陣；

步驟5、將需要匹配的數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)，即可輸出匹配結(jié)果，無需再次訓(xùn)練，原理如圖2所示。

為驗證本發(fā)明方法的準(zhǔn)確性和可靠性，采用本實(shí)施例方法進(jìn)行以下的仿真實(shí)驗：

線路長度l為100km，線路正序電感為0.9337mh/km，正序電容為0.01274μf/km，正序電阻為0.0127ω/km，采樣率為1.2khz，電壓等級為220kv，兩側(cè)系統(tǒng)阻抗為1+j31.4ω。仿真模型采用pi型等效線路模型；短路開始時刻為0.05s，切除結(jié)束時刻為0.1s，仿真總時長為0.1s。

根據(jù)步驟1得到訓(xùn)練樣本和測試樣本，其中，訓(xùn)練樣本的可變參數(shù)如表1所示，所有組合一共有種，故樣本總數(shù)為18000個；測試樣本的可變參數(shù)如表2所示，所有組合一共有種，故樣本總數(shù)為7000個。綜上所述，訓(xùn)練樣本輸入矩陣(train_x)為48×6×18000維度矩陣，輸出矩陣(train_y)為2×18000維度矩陣；測試樣本輸入矩陣(test_x)為48×6×7500維度矩陣，輸出矩陣(test_y)為2×7500維度矩陣。

表1訓(xùn)練樣本參數(shù)遍歷表

表2測試樣本參數(shù)遍歷表

依據(jù)步驟3，尋找最佳網(wǎng)絡(luò)結(jié)構(gòu)。設(shè)置批處理數(shù)為50，訓(xùn)練次數(shù)為2，在批處理數(shù)和訓(xùn)練次數(shù)相同的情況下，通過設(shè)置不同的網(wǎng)絡(luò)結(jié)構(gòu)與卷積核進(jìn)行訓(xùn)練測試。其中，c表示卷積層，s表示降采樣層，卷積核一欄中兩個數(shù)字分別為兩個卷積層的卷積核維度，批處理數(shù)表示訓(xùn)練過程中每批輸入的訓(xùn)練樣本個數(shù)，錯誤率為訓(xùn)練好的網(wǎng)絡(luò)對測試樣本進(jìn)行測試后得到的輸出結(jié)果錯誤的樣本占測試樣本總數(shù)的百分比，訓(xùn)練時間為對訓(xùn)練樣本完成設(shè)定訓(xùn)練次數(shù)所消耗的時間，測試結(jié)果如表3所示。

表3不同網(wǎng)絡(luò)結(jié)構(gòu)下輸電線路兩端故障錄波數(shù)據(jù)匹配結(jié)果

由表3可知，序號4對應(yīng)的錯誤率最低，故網(wǎng)絡(luò)結(jié)構(gòu)為6c-1s-12c-2s，卷積核依次為2和4時，cnn進(jìn)行數(shù)據(jù)匹配具有更好的效果。

在表3序號4對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)下，分別設(shè)置不同的批處理數(shù)和訓(xùn)練次數(shù)，得到對應(yīng)的錯誤率，結(jié)果如表4所示。由表可知，在相同的批處理數(shù)下，隨著訓(xùn)練次數(shù)的增多，訓(xùn)練時間增長，錯誤率降低，最后錯誤率穩(wěn)定在某一值附近；在訓(xùn)練次數(shù)相同的條件下，批處理數(shù)越小，訓(xùn)練時間越長，錯誤率越低。一般情況下，權(quán)值調(diào)整次數(shù)越多，錯誤率越低，訓(xùn)練時間越長。由表4中實(shí)驗結(jié)果可知，在訓(xùn)練樣本不變的情況下，測試結(jié)果的錯誤率可以降到0.95％，為傳統(tǒng)故障數(shù)據(jù)匹配三重判據(jù)(針對測試樣本錯誤率為3.8％)的1/4左右，由此可見，基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)匹配算法具有更高的準(zhǔn)確度。

表4最佳網(wǎng)絡(luò)結(jié)構(gòu)下卷積神經(jīng)網(wǎng)絡(luò)用于輸電線路兩端故障錄波數(shù)據(jù)匹配結(jié)果

由實(shí)驗可知：在測試樣本中，測試樣本中的系統(tǒng)頻率、故障位置、故障類型、過渡電阻與訓(xùn)練樣本不同的情況下，卷積神經(jīng)網(wǎng)絡(luò)仍能夠進(jìn)行數(shù)據(jù)匹配，而且匹配準(zhǔn)確率高，基本不受上述因素的影響，僅需要電流量即可進(jìn)行數(shù)據(jù)匹配，不需要其他電氣量，也不需要對各種閾值進(jìn)行整定，由此可見卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的泛化能力與學(xué)習(xí)能力，可以很好的應(yīng)用于數(shù)據(jù)匹配。綜合上述分析，當(dāng)樣本數(shù)足夠時，卷積神經(jīng)網(wǎng)絡(luò)用于輸電線路雙端故障錄波數(shù)據(jù)匹配具有極高的準(zhǔn)確率。

以上實(shí)施例僅供說明本發(fā)明之用，而非對本發(fā)明的限制，有關(guān)技術(shù)領(lǐng)域的技術(shù)人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變換或變型，因此所有等同的技術(shù)方案，都落入本發(fā)明的保護(hù)范圍。