输电线路故障原因识别方法及系统.pdf

《输电线路故障原因识别方法及系统.pdf》由会员分享，可在线阅读，更多相关《输电线路故障原因识别方法及系统.pdf（16页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010522516.8 (22)申请日 2020.06.10 (71)申请人 国网江苏省电力有限公司电力科学 研究院 地址 210029 江苏省南京市江宁区帕威尔 路1号 申请人 国家电网有限公司 国网江苏省电力有限公司 山东山大电力技术股份有限公司 江苏省电力试验研究院有限公司 (72)发明人 杨毅范栋琛宋亮亮宋爽 黄哲忱李现军武凯崔玉 杜云龙高磊曹海欧 (74)专利代理机构 南京纵横知识产权代理有限 公司 32224 代理人 史俊军 (51)Int.Cl. G06N 3。

2、/04(2006.01) G06N 3/08(2006.01) G01R 31/08(2006.01) G01R 31/58(2020.01) G01W 1/10(2006.01) (54)发明名称 一种输电线路故障原因识别方法及系统 (57)摘要 本发明公开了一种输电线路故障原因识别 方法， 包括获取输电线路的故障数据和气象数 据； 根据故障数据、 气象数据和预设特征提取准 则， 提取故障数据特征和气象数据特征； 将故障 数据特征和气象数据特征组合成综合特征向量； 将综合特征向量输入预先训练的神经网络模型， 识别出输电线路故障原因。 同时公开了相应的系 统。 本发明将故障数据特征和气象数据特。

3、征结 合， 采用更加全面的数据进行， 输电线路故障原 因识别， 提高了准确度。 权利要求书2页 说明书11页 附图2页 CN 111898729 A 2020.11.06 CN 111898729 A 1.一种输电线路故障原因识别方法， 其特征在于： 包括， 获取输电线路的故障数据和气象数据； 根据故障数据、 气象数据和预设特征提取准则， 提取故障数据特征和气象数据特征； 将故障数据特征和气象数据特征组合成综合特征向量； 将综合特征向量输入预先训练的神经网络模型， 识别出输电线路故障原因。 2.根据权利要求1所述的一种输电线路故障原因识别方法， 其特征在于： 预设特征提取 准则为， 特征与故障。

4、原因类型关联， 且各特征之间互相独立； 特征能有效提取， 且用于特征提取的数据能在故障后获取。 3.根据权利要求1所述的一种输电线路故障原因识别方法， 其特征在于： 将故障数据特 征和气象数据特征均采用数值量化， 将量化的数值组合成综合特征向量。 4.根据权利要求3所述的一种输电线路故障原因识别方法， 其特征在于： 气象数据特征 包括天气类特征、 季节类特征、 时段类特征； 其中天气类特征包括晴天、 阴天、 雷雨、 雾霾和 雨雪， 季节类特征包括春、 夏、 秋和冬， 时段类特征包括清晨、 白天、 傍晚和午夜； 故障数据特 征包括重合闸、 过渡电阻、 过渡电阻伏安特性、 故障相电流直流含量和故障。

5、相电流谐波含 量。 5.根据权利要求4所述的一种输电线路故障原因识别方法， 其特征在于： 故障数据特征 和气象数据特征采用数值量化， 具体如下， 气象数据特征和重合闸： 采用0和1量化， 其中， 0表示对应的特征没有发生， 1表示对应 的特征发生； 过渡电阻： 采用故障期间一个周期内的过渡电阻均值量化； 过渡电阻伏安特性： 采用故障期间一个周期内过渡电阻瞬时值的标准偏差量化； 故障相电流直流含量： 采用直流分量与基波分量的比值量化； 故障相电流谐波含量： 采用电流三次谐波分量与基波分量的比值量化。 6.根据权利要求1所述的一种输电线路故障原因识别方法， 其特征在于： 响应于识别出 的输电线路故。

6、障原因与实际故障原因无偏差， 用该识别结果调整神经网络模型训练样本 库， 重新训练神经网络模型。 7.根据权利要求6所述的一种输电线路故障原因识别方法， 其特征在于： 响应于识别出 的输电线路故障原因与实际故障原因无偏差， 用该识别结果调整神经网络模型训练样本 库， 重新训练新的神经网络模型， 具体过程为， 响应于识别出的输电线路故障原因与实际故障原因无偏差， 将该输电线路故障原因和 对应的综合特征向量作为新样本， 替换神经网络模型训练样本库中的一个样本； 响应于当前使用神经网络模型准确度低于阈值， 基于替换后的神经网络模型训练样本 库重新训练神经网络模型。 8.一种输电线路故障原因识别系统，。

7、 其特征在于： 包括， 数据获取模块： 获取输电线路的故障数据和气象数据； 特征提取模块： 根据故障数据、 气象数据和预设特征提取准则， 提取故障数据特征和气 象数据特征； 综合特征向量模块： 将故障数据特征和气象数据特征组合成综合特征向量； 权利要求书 1/2 页 2 CN 111898729 A 2 识别模块： 将综合特征向量输入预先训练的神经网络模型， 识别出输电线路故障原因。 9.一种存储一个或多个程序的计算机可读存储介质， 其特征在于： 所述一个或多个程 序包括指令， 所述指令当由计算设备执行时， 使得所述计算设备执行根据权利要求1至7所 述的方法中的任一方法。 10.一种计算设备，。

8、 其特征在于： 包括， 一个或多个处理器、 存储器以及一个或多个程序， 其中一个或多个程序存储在所述存 储器中并被配置为由所述一个或多个处理器执行， 所述一个或多个程序包括用于执行根据 权利要求1至7所述的方法中的任一方法的指令。 权利要求书 2/2 页 3 CN 111898729 A 3 一种输电线路故障原因识别方法及系统 技术领域 0001 本发明涉及一种输电线路故障原因识别方法及系统， 属于输电线路故障识别技术 领域。 背景技术 0002 近年来， 随着我国经济迅速发展， 农村日益城镇化， 城市日益都市化， 我国每年民 用用电量呈爆炸性增长， 高低压输电线路迅速扩长。 输电线路的故障识。

9、别是保障输电线路 安全的基础。 现有的输电线路故障识别大多采用神经网络算法， 根据多种输电线路数据进 行预测， 数据的不全面往往导致无法准确的追踪真正的故障原因。 发明内容 0003 本发明提供了一种输电线路故障原因识别方法及系统， 解决了背景技术中披露的 问题。 0004 为了解决上述技术问题， 本发明所采用的技术方案是： 0005 一种输电线路故障原因识别方法， 包括， 0006 获取输电线路的故障数据和气象数据； 0007 根据故障数据、 气象数据和预设特征提取准则， 提取故障数据特征和气象数据特 征； 0008 将故障数据特征和气象数据特征组合成综合特征向量； 0009 将综合特征向量。

10、输入预先训练的神经网络模型， 识别出输电线路故障原因。 0010 预设特征提取准则为， 0011 特征与故障原因类型关联， 且各特征之间互相独立； 0012 特征能有效提取， 且用于特征提取的数据能在故障后获取。 0013 将故障数据特征和气象数据特征均采用数值量化， 将量化的数值组合成综合特征 向量。 0014 气象数据特征包括天气类特征、 季节类特征、 时段类特征； 其中天气类特征包括晴 天、 阴天、 雷雨、 雾霾和雨雪， 季节类特征包括春、 夏、 秋和冬， 时段类特征包括清晨、 白天、 傍 晚和午夜； 故障数据特征包括重合闸、 过渡电阻、 过渡电阻伏安特性、 故障相电流直流含量 和故障相。

11、电流谐波含量。 0015 故障数据特征和气象数据特征采用数值量化， 具体如下， 0016 气象数据特征和重合闸： 采用0和1量化， 其中， 0表示对应的特征没有发生， 1表示 对应的特征发生； 0017 过渡电阻： 采用故障期间一个周期内的过渡电阻均值量化； 0018 过渡电阻伏安特性： 采用故障期间一个周期内过渡电阻瞬时值的标准偏差量化； 0019 故障相电流直流含量： 采用直流分量与基波分量的比值量化； 0020 故障相电流谐波含量： 采用电流三次谐波分量与基波分量的比值量化。 说明书 1/11 页 4 CN 111898729 A 4 0021 响应于识别出的输电线路故障原因与实际故障原。

12、因无偏差， 用该识别结果调整神 经网络模型训练样本库， 重新训练神经网络模型。 0022 响应于识别出的输电线路故障原因与实际故障原因无偏差， 用该识别结果调整神 经网络模型训练样本库， 重新训练新的神经网络模型， 具体过程为， 0023 响应于识别出的输电线路故障原因与实际故障原因无偏差， 将该输电线路故障原 因和对应的综合特征向量作为新样本， 替换神经网络模型训练样本库中的一个样本； 0024 响应于当前使用神经网络模型准确度低于阈值， 基于替换后的神经网络模型训练 样本库重新训练神经网络模型。 0025 一种输电线路故障原因识别系统， 包括， 0026 数据获取模块： 获取输电线路的故障。

13、数据和气象数据； 0027 特征提取模块： 根据故障数据、 气象数据和预设特征提取准则， 提取故障数据特征 和气象数据特征； 0028 综合特征向量模块： 将故障数据特征和气象数据特征组合成综合特征向量； 0029 识别模块： 将综合特征向量输入预先训练的神经网络模型， 识别出输电线路故障 原因。 0030 一种存储一个或多个程序的计算机可读存储介质， 所述一个或多个程序包括指 令， 所述指令当由计算设备执行时， 使得所述计算设备执行输电线路故障原因识别方法。 0031 一种计算设备， 包括一个或多个处理器、 存储器以及一个或多个程序， 其中一个或 多个程序存储在所述存储器中并被配置为由所述一。

14、个或多个处理器执行， 所述一个或多个 程序包括用于执行输电线路故障原因识别方法的指令。 0032 本发明所达到的有益效果： 1、 本发明将故障数据特征和气象数据特征结合， 采用 更加全面的数据进行， 输电线路故障原因识别， 提高了准确度； 2、 本发明不断用识别准确的 数据替换训练样本库中的老旧数据， 提高了神经网络模型的识别精度。 附图说明 0033 图1为本发明的流程图； 0034 图2为神经网络的训练流程示意图。 具体实施方式 0035 下面结合附图对本发明作进一步描述。 以下实施例仅用于更加清楚地说明本发明 的技术方案， 而不能以此来限制本发明的保护范围。 0036 如图1所示， 一种。

15、输电线路故障原因识别方法， 包括以下步骤： 0037 步骤1， 获取输电线路的故障数据和故障发生时对应的气象数据。 0038 步骤2， 根据故障数据、 气象数据和预设特征提取准则， 提取故障数据特征和气象 数据特征。 0039 预设特征提取准则如下： 0040 1)特征与故障原因类型有较大关联， 且各特征之间互相独立； 0041 2)特征能有效提取， 且用于特征提取的数据能在故障后及时准确获取。 0042 步骤3， 将故障数据特征和气象数据特征均采用数值量化， 将量化的数值组合成综 说明书 2/11 页 5 CN 111898729 A 5 合特征向量。 0043 气象数据特征包括天气类特征、。

16、 季节类特征、 时段类特征； 其中天气类特征包括晴 天、 阴天、 雷雨、 雾霾和雨雪， 季节类特征包括春(3月-5月)、 夏(6月-8月)、 秋(9月-11月)和 冬(12月-2月)， 时段类特征包括清晨(5时-9时)、 白天(10时-16时)、 傍晚(17时-22时)和午 夜(23时-4时)； 故障数据特征包括重合闸、 过渡电阻、 过渡电阻伏安特性、 故障相电流直流 含量和故障相电流谐波含量。 0044 常见的输电线路故障有雷击故障、 山火故障、 鸟害故障和覆冰故障， 每种类型都存 在差别， 为了便于进一步区分， 在合成综合特征向量时， 会额外加入故障类型的固有特征 或/和环境特征， 固有特。

17、征和环境特征采用实时采集的数据量化， 具体如表15所示。 0045 表1雷击故障原因对应的综合特征向量 0046 0047 其中， x1x19均为综合特征向量中依次排列的元素， 雷击电流幅值是雷击电流的 大小， 是雷击的固有特征。 0048 表2山火故障原因对应的综合特征向量 说明书 3/11 页 6 CN 111898729 A 6 0049 0050 0051 其中， x1x20均为综合特征向量中依次排列的元素， 温度、 湿度为环境特征。 0052 表3鸟害故障原因对应的综合特征向量 0053 0054 其中， x1x18均为综合特征向量中依次排列的元素。 0055 表4覆冰明显情况下覆冰。

18、故障原因对应的综合特征向量 说明书 4/11 页 7 CN 111898729 A 7 0056 0057 0058 其中， x1x22均为综合特征向量中依次排列的元素， 温度、 湿度、 风速为环境特 征。 0059 表5覆冰不明显情况下覆冰故障原因对应的综合特征向量 0060 0061 说明书 5/11 页 8 CN 111898729 A 8 0062 其中， x1x21均为综合特征向量中依次排列的元素， 风向、 湿度、 风速为环境特 征。 0063 故障数据特征和气象数据特征采用数值量化， 具体过程如下： 0064 1)气象数据特征和重合闸： 采用0和1量化， 其中， 0表示对应的特征没。

19、有发生， 1表 示对应的特征发生。 0065 如晴天时， 则向量的前5位为： 1， 0， 0， 0， 0； 如晴天时， 向量的69位为1， 0， 0， 0； 如 傍晚时， 向量的1013位为0， 0， 1， 0。 0066 故障重合闸特性与故障原因有一定对应关系， 例如雷击等瞬时性故障重合闸易成 功， 而山火、 覆冰故障重合闸不易成功。 因此将重含闸特性选作有效故障数值特征。 重合成 功向量14位为1， 不成功为0。 0067 2)环境特征， 对于这类特征提取实际数据， 然后像故障录波信息特征一样进行数 据归一化处理。 0068 3)过渡电阻： 采用故障期间一个周期内的过渡电阻均值量化。 00。

20、69 在数学定义中， 平均数反映的是一组数据的集中趋势。 采用故障期间一个周期内 的过渡电阻均值R， 反映过渡电阻的阻值大小特征； 0070 0071 其中， Rf(i)为过渡电阻瞬时值， N为一个周期内过渡电阻瞬时值总数， 即一个周期 内的采样点总数。 0072 4)过渡电阻伏安特性： 采用故障期间一个周期内过渡电阻瞬时值的标准偏差量 化。 0073 在数学定义中， 标准差反映的是一组数据内个体之间的离散程度。 采用故障期间 一个周期内过渡电阻瞬时值的标准偏差反映过渡电阻的伏安 特性特征。 当标准偏差大于一定值时， 说明过渡电阻值在计算周期内的离散度较大， 因此可 认为其伏安特性呈非线性变化。

21、； 反之， 则呈线性。 0074 5)故障相电流直流含量： 采用直流分量与基波分量的比值量化。 0075 对于波形为非标准正弦的故障电流， 可用傅里叶级数展开方法， 将其分解成一系 列频率为工频正整数倍的正弦量之和， 将故障录波采样的时域信号变换为频域信号， 即可 对故障相电流的谐波与直流含量特征进行分析。 0076 取故障发生后一个工频周期的零序电流采样值i(n),n0,1,2,N-1。 由于 电流采样数据是离散值， 可用离散傅里叶变换(DFT)将其分解为N次谐波； 0077 0078 其中， K0,1,2,N-1为谐波次数。 0079 零序电流的基波分量按下式计算： 说明书 6/11 页 。

22、9 CN 111898729 A 9 0080 0081 零序电流的直流分量按下式计算： 0082 0083 将零序电流的直流含量定义为： 直流分量与基波分量的比值， 则直流含量I0的表 达式为I0I(0)/I(1)。 0084 6)故障相电流谐波含量： 采用电流三次谐波分量与基波分量的比值量化。 0085 由于三次谐波在单相接地故障中的特征比其它次谐波更明显， 因此将故障相电流 谐波含量定义为： 电流三次谐波分量与基波分量的比值。 则三相谐波含量I3的表达式为I3 I(3)/I(1)。 0086 步骤4， 将综合特征向量输入预先训练的神经网络模型， 识别出输电线路故障原 因。 0087 与上。

23、述步骤13中的过程一样获取各种故障原因对应的综合特征向量， 构建训练 样本库。 因为实际采集的特征量因为单位不同， 数值大小有巨大的差别， 如果不对向量进行 处理， 那么将会影响神经网络的收敛速度甚至不收敛。 因此采用分量白化法进行归一化， 进 行处理后能够显著提高算法的神经网络的学习性能。 由于训练样本进行了归一化处理， 那 么在输入模型之前也需对综合特征向量进行归一化， 然后进行识别。 0088 分量白化是一种类似白化的处理方法， 它对训练样本库中所有样本的同一分量进 行处理。 分量白化方法： 0089 0090 0091 0092其中， 为某一特征值(量化值)的平均值， 为某一特征值的样。

24、本标准差， n 为样 本个数， 为归一化以后的值， xj为没有归一化的值。 0093 BP神经网络的学习过程是由信号的正向传播与误差的反向传播两个过程组成。 正 向传播时， 从输入信号进入输入层到信号被处理后， 信号都是向前传递到下一层的， 经过隐 含层的逐层处理后， 传向输出层， 若输出层的实际输出值与期望输出值不相符， 则转向误差 的反向传播阶段。 误差的反向传播是将输出误差以特定形式经过隐含层向输入层来进行层 层反传， 并将误差均分给各层的全部单元， 进而获得各层单元的误差信号， 此误差信号即作 为修正各单元权值的依据。 0094 神经网络的输出与输入值、 神经元连接权重、 偏置、 传输。

25、函数、 输入函数相关， 但输 说明书 7/11 页 10 CN 111898729 A 10 入函数和传输函数在神经网络建立后， 就不再改变， 因此神经网络的学习过程， 也就是不断 地对神经元连接权重和偏置进行调整的过程。 神经网络需要进行权值调整， 它的权值调整 过程需要有一个标准， 该标准就是给定输入的期望输出， 如果神经网络的期望输出与实际 输出是一致的， 那么可以认为该神经网络已经可以正常工作， 反之， 则需要根据期望输出与 实际输出之间的误差来调整网络的权值。 其中， 停止条件可以权重的更新低于某个阈值的 时候， 或者， 预测的错误率低于某个阈值， 或者， 达到预设一定的迭代次数。 。

26、0095 BP神经网络由输入层、 输出层和隐含层组成， 具体训练过程如图2所示： 0096 (4-1)前馈计算 0097 假设隐含层的第j个节点的输入和输出分别为： 0098 0099 Ojf(Ij) 0100其中， Ij为隐含层第j个节点的输入， f()为激励函数，Oj 为隐含层第j个节点的实际输出， wij为权重， Oi为期望输出， M为隐含层的层数； 0101 隐含层的输出就是输出层的输入， 那么输出层第k个节点的总输入和输出分别为： 0102 0103 ykOkf(Ik) 0104其中， Ik为输出层第k个节点的输入，Ok为输出层第k个节点 的实际输出， wjk为权重， Oj为期望输出。

27、， H为输出层的层数； 0105 假如神经网络的输出与实际输出存在误差， 就对误差信号进行反向传播， 并不停 的修正权值， 直至误差达到要求为止。 0106 (4-2)权值调整 0107 设误差函数定义为： 0108 0109 其中， 为学习速率， Ep为当前迭代里的误差函数值， E为上一次迭代的误差函数 值， dk为预测值； 说明书 8/11 页 11 CN 111898729 A 11 0110定义反传误差信号 k为： 0111 式中： 0112 0113 0114 f (Ik)f(Ik)1-f(Ik)Ok(1-Ok) 0115 所以： 0116 k(dk-Ok)Ok(1-Ok) 0117。

28、 又： 0118 0119 由此得输出层的任意神经元权值的修正公式： 0120 wjk kOk 0121 或： 0122 wjk Ok(1-Ok)(dk-Ok)Oj 0123 隐含层权值的调整： 0124 0125式中： 0126 由于误差函数E与隐含层输入Ij不存在直接的函数关系， 因此不能直接求得， 所 以； 说明书 9/11 页 12 CN 111898729 A 12 0127 0128 隐含层的反传误差信号为： 0129 0130 由此可得， 隐含层权值的修正公式为： 0131 0132或， 0133 步骤5， 响应于识别出的输电线路故障原因与实际故障原因无偏差， 用该识别结果 调整。

29、神经网络模型训练样本库， 重新训练神经网络模型。 0134 具体过程如下： 0135 51)响应于识别出的输电线路故障原因与实际故障原因无偏差， 将该输电线路故 障原因和对应的综合特征向量作为新样本， 替换神经网络模型训练样本库中的一个样本； 0136 52)响应于当前使用神经网络模型准确度低于阈值， 基于替换后的神经网络模型 训练样本库重新训练神经网络模型。 0137 上述将故障数据特征和气象数据特征结合， 采用更加全面的数据进行， 输电线路 故障原因识别， 提高了准确度； 同时上述方法不断用识别准确的数据替换训练样本库中的 老旧数据， 提高了神经网络模型的识别精度。 0138 一种输电线路。

30、故障原因识别系统， 包括， 0139 数据获取模块： 获取输电线路的故障数据和气象数据； 0140 特征提取模块： 根据故障数据、 气象数据和预设特征提取准则， 提取故障数据特征 和气象数据特征； 0141 综合特征向量模块： 将故障数据特征和气象数据特征组合成综合特征向量； 说明书 10/11 页 13 CN 111898729 A 13 0142 识别模块： 将综合特征向量输入预先训练的神经网络模型， 识别出输电线路故障 原因。 0143 一种存储一个或多个程序的计算机可读存储介质， 所述一个或多个程序包括指 令， 所述指令当由计算设备执行时， 使得所述计算设备执行输电线路故障原因识别方法。

31、。 0144 一种计算设备， 包括一个或多个处理器、 存储器以及一个或多个程序， 其中一个或 多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行， 所述一个或多个 程序包括用于执行输电线路故障原因识别方法的指令。 0145 本领域内的技术人员应明白， 本申请的实施例可提供为方法、 系统、 或计算机程序 产品。 因此， 本申请可采用完全硬件实施例、 完全软件实施例、 或结合软件和硬件方面的实 施例的形式。 而且， 本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机 可用存储介质(包括但不限于磁盘存储器、 CD-ROM、 光学存储器等)上实施的计算机程序产 品的形式。 014。

32、6 本申请是参照根据本申请实施例的方法、 设备(系统)、 和计算机程序产品的流程 图和/或方框图来描述的。 应理解可由计算机程序指令实现流程图和/或方框图中的每一流 程和/或方框、 以及流程图和/或方框图中的流程和/或方框的结合。 可提供这些计算机程序 指令到通用计算机、 专用计算机、 嵌入式处理机或其他可编程数据处理设备的处理器以产 生一个机器， 使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。 0147 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特 定方式工作的计算机可。

33、读存储器中， 使得存储在该计算机可读存储器中的指令产生包括指 令装置的制造品， 该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。 0148 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上， 使得在计 算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理， 从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一 个方框或多个方框中指定的功能的步骤。 0149 以上仅为本发明的实施例而已， 并不用于限制本发明， 凡在本发明的精神和原则 之内， 所做的任何修改、 等同替换、 改进等， 均包含在申请待批的本发明的权利要求范围之 内。 说明书 11/11 页 14 CN 111898729 A 14 图1 说明书附图 1/2 页 15 CN 111898729 A 15 图2 说明书附图 2/2 页 16 CN 111898729 A 16 。