本發(fā)明實施例涉及電力系統(tǒng)，尤其涉及一種基于遷移學習的輸電線路故障定位方法與系統(tǒng)。

背景技術：

1、隨著電力系統(tǒng)的日益復雜化，輸電線路作為電力系統(tǒng)的重要組成部分，其運行狀態(tài)直接關系到整個電網的安全穩(wěn)定。在惡劣天氣或意外情況下，輸電線路可能會發(fā)生短路、斷線等故障，這些故障不僅會導致大面積停電，影響人們的正常生活，還會對電力設備造成損害，增加維修成本。因此，快速準確地定位輸電線路故障位置對于及時恢復供電、減少經濟損失具有重要意義。

2、目前，輸電線路故障定位主要依賴于行波法、阻抗法和信號注入法等傳統(tǒng)技術。行波法利用故障產生的暫態(tài)電壓或電流波形傳播特性來確定故障距離；阻抗法則通過測量線路兩端的電壓與電流來計算等效阻抗，進而推算出故障點的位置；而信號注入法則是在線路中注入特定頻率的測試信號，通過分析響應信號來判斷故障位置。行波法和阻抗法對線路參數(shù)變化敏感，如溫度、濕度、線路老化等因素會影響波形和阻抗值的準確性，導致定位誤差增大;在長距離輸電線路上，由于數(shù)據(jù)量龐大，傳統(tǒng)方法需要進行大量的計算，耗時較長，難以滿足實時性的要求;傳統(tǒng)方法通常針對特定類型的故障設計，當遇到不同類型的故障或新的故障模式時，往往需要重新調整算法參數(shù)，缺乏足夠的靈活性和自適應能力。

技術實現(xiàn)思路

1、本發(fā)明實施例提供一種基于遷移學習的輸電線路故障定位方法與系統(tǒng)，用以解決現(xiàn)有技術中環(huán)境因素干擾大、定位誤差大、難以滿足實時性要求、缺乏足夠的靈活性和自適應能力的問題。

2、第一方面，本發(fā)明實施例提供一種基于遷移學習的輸電線路故障定位方法，包括：

3、收集目標輸電線路的實時監(jiān)測數(shù)據(jù)，結合氣象信息以及衛(wèi)星遙感影像，使用深度神經網絡和圖像識別技術分析所述目標輸電線路周圍的環(huán)境變化，得到環(huán)境變化信息，利用變分自編碼器對所述環(huán)境變化信息進行異常檢測，得到異常數(shù)據(jù)集，基于所述異常數(shù)據(jù)集構建綜合故障特征空間；

4、基于綜合故障特征空間，采用對抗領域適應算法減小已有故障數(shù)據(jù)集與所述異常數(shù)據(jù)集間的分布差距，得到優(yōu)化故障特征空間；

5、基于所述優(yōu)化故障特征空間，應用訓練后長短期記憶網絡分析所述異常數(shù)據(jù)集中故障特征之間的長期依賴關系，并結合注意力機制算法從故障特征中選擇關鍵特征，利用圖卷積網絡分析所述目標輸電線路的網絡結構的影響，得到結構影響結果，基于所述長期依賴關系、所述關鍵特征以及所述結構影響結果，生成增強后故障特征表示；

6、構建基于貝葉斯優(yōu)化的集成學習框架，利用所述增強后故障特征表示對所述集成學習框架中的基礎學習器進行訓練，得到多個初步基礎模型，利用每個所述初步基礎模型分別對所述目標輸電線路進行預測，得到對應的預測結果，通過自適應加權策略整合所有所述初步基礎模型對應的預測結果，生成初始故障概率分布；

7、利用地理信息系統(tǒng)技術和拓撲排序算法，基于所述初始故障概率分布確定所述目標輸電線路的故障定位信息。

8、可選地，所述利用地理信息系統(tǒng)技術和拓撲排序算法，基于所述初始故障概率分布確定所述目標輸電線路的故障定位信息，包括：

9、利用拓撲排序算法對所述目標輸電線路的網絡結構進行分析，以確定網絡結構內節(jié)點之間的拓撲關系，得到目標拓撲排序結果，所述拓撲排序算法包括卡恩算法；

10、基于所述目標拓撲排序結果優(yōu)化所述初始故障概率分布，得到目標故障概率分布，以縮小故障定位的范圍；

11、利用地理信息系統(tǒng)技術，將所述目標故障概率分布中的目標概率值在目標輸電線路地圖中對應的地理位置坐標確定為所述目標輸電線路的故障定位信息，所述目標概率值是高于預設概率值的故障概率值。

12、可選地，所述利用拓撲排序算法對所述目標輸電線路的網絡結構進行分析，以確定網絡結構內節(jié)點之間的拓撲關系，得到目標拓撲排序結果，所述拓撲排序算法包括卡恩算法，包括：

13、應用圖遍歷算法分析所述目標輸電線路的網絡結構，提取所有節(jié)點和線路段的信息，得到節(jié)點和線路段的信息列表,所述節(jié)點表征所述目標輸電線路中的網絡連接點，所述節(jié)點包括輸電塔、變電站以及開關站，所述線路段表征連接兩個節(jié)點之間的輸電線路部分，所述線路段包括一段導線或電纜；

14、基于所述節(jié)點和線路段的信息列表，構建網絡圖模型；

15、基于所述網絡圖模型，使用卡恩算法對網絡結構內節(jié)點進行拓撲排序，得到初始拓撲排序結果，驗證所述初始拓撲排序結果，驗證通過得到中間拓撲排序結果，所述驗證通過的條件為所有節(jié)點入度值為0；

16、將所述中間拓撲排序結果與所述目標輸電線路的網絡結構進行匹配，以使中間拓撲排序結果中的節(jié)點順序與所述網絡結構中的節(jié)點之間的拓撲關系一致；在匹配成功后，基于所述中間拓撲排序結果，對所述網絡結構中的節(jié)點進行聚類，得到聚類結果；

17、結合所述聚類結果優(yōu)化所述中間拓撲排序結果，生成目標拓撲排序結果。

18、可選地，所述基于所述網絡圖模型，使用卡恩算法對網絡結構內節(jié)點進行拓撲排序，得到初始拓撲排序結果，驗證所述初始拓撲排序結果，驗證通過得到中間拓撲排序結果，所述驗證通過的條件為所有節(jié)點入度值為0，包括：

19、遍歷所述網絡圖模型中的邊，統(tǒng)計所述邊中每個節(jié)點的入度值，將所有入度值為0的節(jié)點加入隊列，得到初始化入度表和隊列，所述入度值表征指向節(jié)點的邊的數(shù)量，所述入度值為0的節(jié)點作為拓撲排序的起始點；

20、基于所述初始化入度表和隊列，使用卡恩算法，隨機提取一個節(jié)點作為目標節(jié)點，減少所述目標節(jié)點的鄰居節(jié)點的入度值，若所述鄰居節(jié)點的入度值為0，則將所述鄰居節(jié)點加入所述初始化入度表和隊列，重復執(zhí)行減少所述鄰居節(jié)點的入度值操作，直至所述初始化入度表和隊列為空，生成初始拓撲排序結果，所述初始拓撲排序結果包含目標節(jié)點和所有入度值為0的鄰居節(jié)點，所述初始化入度表和隊列為空表征所有節(jié)點入度值為0；

21、基于所述初始拓撲排序結果，驗證拓撲排序流程是否結束，若所述拓撲排序結果中所有節(jié)點的入度值均為0，則確定拓撲排序流程結束，若所述初始化入度表和隊列為空，但存在入度值不為0的節(jié)點，則確定所述網絡圖模型存在環(huán)路；

22、當所述網絡圖模型存在環(huán)路時，使用循環(huán)檢測算法確認環(huán)路的位置，并采取相應措施消除環(huán)路，得到處理后網絡圖模型，基于所述處理后網絡圖模型，重復執(zhí)行卡恩算法，直至所有節(jié)點入度值為0，得到中間拓撲排序結果。

23、可選地，所述使用循環(huán)檢測算法確認環(huán)路的位置，并采取相應措施消除環(huán)路，得到處理后網絡圖模型，基于所述處理后網絡圖模型，重復執(zhí)行卡恩算法，直至所有節(jié)點入度值為0，得到中間拓撲排序結果，包括：

24、基于所述網絡圖模型，選擇循環(huán)檢測算法中的深度優(yōu)先搜索算法；

25、基于所述深度優(yōu)先搜索算法，從所述網絡圖模型中隨機選取初始節(jié)點，從所述初始節(jié)點開始進行深度優(yōu)先搜索，記錄深度優(yōu)先搜索過程中每個節(jié)點的訪問狀態(tài)，若檢測到訪問狀態(tài)為正在訪問的節(jié)點，則確定存在環(huán)路，并生成環(huán)路的位置信息，所述訪問狀態(tài)包括未訪問、正在訪問以及已訪問；

26、基于所述環(huán)路的位置信息，采取相應措施，使環(huán)路斷開，以得到處理后網絡圖模型，所述相應措施包括刪除環(huán)路中的邊或節(jié)點，以及改變環(huán)路中邊的方向；

27、基于處理后網絡圖模型，重復執(zhí)行卡恩算法，直至所有節(jié)點入度值為0，得到中間拓撲排序結果。

28、可選地，所述構建基于貝葉斯優(yōu)化的集成學習框架，利用所述增強后故障特征表示對所述集成學習框架中的基礎學習器進行訓練，得到多個初步基礎模型，利用每個所述初步基礎模型分別對所述目標輸電線路進行預測，得到對應的預測結果，通過自適應加權策略整合所有所述初步基礎模型對應的預測結果，生成初始故障概率分布，包括：

29、基于所述增強后故障特征表示，選擇初始的集成學習框架，并使用貝葉斯優(yōu)化方法優(yōu)化所述初始的集成學習框架，得到基于貝葉斯優(yōu)化的集成學習框架；

30、將所述增強后故障特征表示劃分為訓練集和驗證集，使用所述訓練集對對所述基于貝葉斯優(yōu)化的集成學習框架中的多個基礎學習器進行訓練，得到多個初步基礎模型；

31、將增強后故障特征表示輸入到所述初步基礎模型中，得到與所述初步基礎模型對應的多個預測結果，所述預測結果表征所述目標輸電線路發(fā)生故障的概率；

32、使用自適應加權策略，根據(jù)所述初步基礎模型在所述驗證集上的表現(xiàn)，計算出各所述初步基礎模型的權重，將所有所述初步基礎模型的權重和對應的預測結果相乘，得到多個乘積結果，將所述多個乘積結果相加得到最終預測結果，基于所述最終預測結果，生成初始故障概率分布。

33、可選地，所述基于所述優(yōu)化故障特征空間，應用訓練后長短期記憶網絡分析所述異常數(shù)據(jù)集中故障特征之間的長期依賴關系，并結合注意力機制算法從故障特征中選擇關鍵特征，利用圖卷積網絡分析所述目標輸電線路的網絡結構的影響，得到結構影響結果，基于所述長期依賴關系、所述關鍵特征以及所述結構影響結果，生成增強后故障特征表示，包括：

34、基于所述優(yōu)化故障特征空間，構建長短期記憶網絡模型，并使用所述優(yōu)化故障特征空間中的時間序列數(shù)據(jù)訓練所述長短期記憶網絡模型，得到訓練后長短期記憶網絡模型，使用所述訓練后長短期記憶網絡模型分析所述異常數(shù)據(jù)集中故障特征之間的長期依賴關系；

35、基于所述長期依賴關系，引入注意力機制，計算所述訓練后長短期記憶網絡模型中每個特征在不同時間步的重要性權重，以從故障特征中選擇關鍵特征；

36、構建圖卷積網絡模型，使用所述圖卷積網絡模型分析所述目標輸電線路的網絡結構對故障特征的影響，得到結構影響結果；

37、融合所述長期依賴關系、所述關鍵特征以及所述結構影響結果，生成增強后故障特征表示。

38、第二方面，本發(fā)明實施例提供一種基于遷移學習的輸電線路故障定位系統(tǒng)，包括：

39、采集模塊，用于收集目標輸電線路的實時監(jiān)測數(shù)據(jù)，結合氣象信息以及衛(wèi)星遙感影像，使用深度神經網絡和圖像識別技術分析所述目標輸電線路周圍的環(huán)境變化，得到環(huán)境變化信息，利用變分自編碼器對所述環(huán)境變化信息進行異常檢測，得到異常數(shù)據(jù)集，基于所述異常數(shù)據(jù)集構建綜合故障特征空間；

40、優(yōu)化模塊，用于基于綜合故障特征空間，采用對抗領域適應算法減小已有故障數(shù)據(jù)集與所述異常數(shù)據(jù)集間的分布差距，得到優(yōu)化故障特征空間；

41、生成模塊，用于基于所述優(yōu)化故障特征空間，應用訓練后長短期記憶網絡分析所述異常數(shù)據(jù)集中故障特征之間的長期依賴關系，并結合注意力機制算法從故障特征中選擇關鍵特征，利用圖卷積網絡分析所述目標輸電線路的網絡結構的影響，得到結構影響結果，基于所述長期依賴關系、所述關鍵特征以及所述結構影響結果，生成增強后故障特征表示；

42、構建模塊，用于構建基于貝葉斯優(yōu)化的集成學習框架，利用所述增強后故障特征表示對所述集成學習框架中的基礎學習器進行訓練，得到多個初步基礎模型，利用每個所述初步基礎模型分別對所述目標輸電線路進行預測，得到對應的預測結果，通過自適應加權策略整合所有所述初步基礎模型對應的預測結果，生成初始故障概率分布；

43、確定模塊，用于利用地理信息系統(tǒng)技術和拓撲排序算法，基于所述初始故障概率分布確定所述目標輸電線路的故障定位信息。

44、第三方面，本發(fā)明實施例提供一種計算設備，包括處理器和存儲器，所述存儲器中存儲有計算機程序，所述處理器被設置為運行所述計算機程序以執(zhí)行第一方面任一所述的一種基于遷移學習的輸電線路故障定位方法。

45、第四方面，本發(fā)明實施例提供一種計算機存儲介質，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)第一方面中任意一項所述的一種基于遷移學習的輸電線路故障定位方法。

46、本發(fā)明實施例中，收集目標輸電線路的實時監(jiān)測數(shù)據(jù)，結合氣象信息以及衛(wèi)星遙感影像，使用深度神經網絡和圖像識別技術分析所述目標輸電線路周圍的環(huán)境變化，得到環(huán)境變化信息，利用變分自編碼器對所述環(huán)境變化信息進行異常檢測，得到異常數(shù)據(jù)集，基于所述異常數(shù)據(jù)集構建綜合故障特征空間；基于綜合故障特征空間，采用對抗領域適應算法減小已有故障數(shù)據(jù)集與所述異常數(shù)據(jù)集間的分布差距，得到優(yōu)化故障特征空間；基于所述優(yōu)化故障特征空間，應用訓練后長短期記憶網絡分析所述異常數(shù)據(jù)集中故障特征之間的長期依賴關系，并結合注意力機制算法從故障特征中選擇關鍵特征，利用圖卷積網絡分析所述目標輸電線路的網絡結構的影響，得到結構影響結果，基于所述長期依賴關系、所述關鍵特征以及所述結構影響結果，生成增強后故障特征表示；構建基于貝葉斯優(yōu)化的集成學習框架，利用所述增強后故障特征表示對所述集成學習框架中的基礎學習器進行訓練，得到多個初步基礎模型，利用每個所述初步基礎模型分別對所述目標輸電線路進行預測，得到對應的預測結果，通過自適應加權策略整合所有所述初步基礎模型對應的預測結果，生成初始故障概率分布；利用地理信息系統(tǒng)技術和拓撲排序算法，基于所述初始故障概率分布確定所述目標輸電線路的故障定位信息。本發(fā)明提供的技術方案提供了一種高效、準確、可靠的輸電線路故障定位方法，能夠精確提供具體的故障定位信息，為電力系統(tǒng)的安全運行提供了有力支持。

47、本發(fā)明的這些方面或其他方面在以下實施例的描述中會更加簡明易懂。