输电线路故障辨识与故障测距方法、装置和电子设备

本发明涉及一种输电线路故障辨识，具体涉及一种基于伏安特性曲线图像识别的输电线路故障辨识与故障测距方法、装置和电子设备。

背景技术：

1、输电线路安全可靠运行是确保电力系统安全稳定运行的重要条件。架空输电线路地域分布广泛，结构更加复杂，运行环境多变，尤其在恶劣天气条件、自然灾害、人为破坏等影响下，输电线路容易发生多种类型故障。及时准确地识别故障类型和原因，对于指导自适应重合闸和恢复线路送电，减少线路停运时间，保障电力系统安全稳定运行，具有重要意义。电力一次设备感知和量测技术的进步，提高了数据采样精度，丰富了故障录波数据中的故障信息，为感知输电线路运行状态提供了可能。

2、在构建故障类型辨识器方面，现有研究方法通常使用故障位置、类型、起始相角、过渡电阻等参数均匀分布的故障类型样本集来建立故障类型辨识器。但是，从电网公司获取的故障跳闸记录看，单相接地、两相短路等故障类型，雷击、山火、异物等故障原因，其样本数量存在严重的类不平衡问题。由于检修能力缺失造成的小故障样本集问题也未被充分考虑。并且，现有研究方法普遍采用分别建立故障类型辨识器与故障距离辨识器来实现故障辨识与故障测距，未考虑故障测距与故障辨识的关联关系。

3、而且，在选择输入集方面，现有研究方法普遍依赖于信号分析与特征量提取，选取的故障特征易受电压电流波形、故障距离以及过渡电阻等因素的影响，且特征选取过程复杂，其分类辨识准确性并不理想。并且，这些方案中有许多需要高采样率。但是，实际情况中的电流互感器(ct)采样频率往往不超过20khz，这也是此类方法实际效果不佳的原因。

4、因此，有必要设计一种新的输电线路故障辨识方法，以解决上述技术问题。

技术实现思路

1、有鉴于此，本发明提供一种输电线路故障辨识与故障测距方法，采用伏安特性图为输入，不依赖于信号处理算法，可实现特征量的自提取，可有效应对录波数据含有白噪声的问题，并且对电压、电流的采样频率要求低。此外，本发明基于采用伏安特性曲线图像训练出的深度学习神经网络模型进行，能够减少故障距离对故障原因的干扰以及故障原因对故障测距的干扰，同时实现对故障原因与故障距离的辨识。

2、本发明第一方面公开了一种输电线路故障辨识与故障测距方法，包括以下步骤：

3、获取输电线路的线路数据；

4、基于获取的输电线路的线路数据构建输电线路的伏安特性曲线；

5、将基于输电线路的线路数据构建的伏安特性曲线归一化为单张总伏安特性曲线图像，作为故障类型辨识伏安特性曲线图；

6、根据预先构建的故障类型识别模型对故障类型辨识伏安特性曲线图进行识别，并且输出识别后的故障类型；

7、基于识别后的故障类型获得输电线路与故障类型相对应的故障相，然后构建与故障相相对应的单张故障相伏安特性曲线图像，作为故障原因及距离辨识伏安特性曲线图；

8、根据预先构建的故障原因及距离识别模型对故障原因及距离辨识伏安特性曲线图进行识别和处理，以输出识别后的故障原因和故障距离。

9、在预先构建的故障类型识别模型中，故障类型标记包括：单相接地，两相短路，两相短路接地，三相短路。在上述实现过程中，先获取待测输电线路的线路数据，然后将获取的当前线路数据转换为对应的伏安特性曲线，其中根据线路数据的位置和相别的不同，伏安特性曲线能够为多条。将获得的多条伏安特性曲线进行归一化处理为单张总伏安特性曲线图像，将获得的单张总伏安特性曲线图像作为故障类型辨识伏安特性曲线图输入到预先构建的故障类型识别模型中，通过预先构建的故障类型识别模型进行识别，最终会输出识别后的故障类型标记。当相应被测输电线路的故障类型被辨识出后，根据故障类型确定输电线路与之相对应的故障相，然后基于确定后的故障相，构建与故障相相对应的单张故障相伏安特性曲线图像，之后将获得的单张故障相伏安特性曲线图像作为故障原因及距离辨识伏安特性曲线图输入到预先构建的故障原因及距离识别模型中，最终获得识别后的故障原因和故障距离。其中，所谓“单张总伏安特性曲线图像”是指包含有基于输电线路的线路数据构建的所有伏安特性曲线的单张图像，所谓“单张故障相伏安特性曲线图像”是指仅包含有与故障相相对应的伏安特性曲线的单张图像。也就是说，与单张总伏安特性曲线图像相比，在单张故障相伏安特性曲线图像中不包含与非故障相相对应的伏安特性曲线。

10、在上述过程中，采用伏安特性曲线图作为输入，不依赖于信号处理算法，可实现特征量的自提取，可有效应对录波数据含有白噪声的问题，并且采样频率要求低。

11、进一步地，在上述输电线路故障辨识与故障测距方法中，构建与故障相相对应的单张故障相伏安特性曲线图像，包括：基于获得的与故障类型相对应的故障相，对所述单张总伏安特性曲线图像进行处理，从中获得与故障相相对应的单张故障相伏安特性曲线图像。在该实施例中，单张故障相伏安特性曲线图像是通过直接对之前获得的单张总伏安特性曲线图像进行处理得出的，即直接从之前获得的单张总伏安特性曲线图像中获得与故障相相对应的伏安特性曲线，以形成单张故障相伏安特性曲线图像。

12、在其他的实施例中，单张故障相伏安特性曲线图像也能够通过这样的方式获得：基于判别的输电线路与故障类型相对应故障相，从基于输电线路的线路数据构建的伏安特性曲线中直接筛选出与故障相相对应的伏安特性曲线，然后对筛选出的、与故障相相对应的伏安特性曲线进行归一化处理，形成单张故障相伏安特性曲线图像。

13、进一步地，在上述输电线路故障辨识与故障测距方法中，所述线路数据包括输电线路两端的二次侧三相电压和电流信号的录波数据、零序电压和电流信号的录波数据；所述基于获取的输电线路的线路数据构建输电线路的伏安特性曲线，包括：构建输电线路首端侧的三相伏安特性曲线和零序伏安特性曲线，以及构建输电线路末端侧的三相伏安特性曲线和零序伏安特性曲线。

14、输电线路的三相是指a相、b相和c相。在上述实现过程中，获取的线路数据包括：输电线路首端(m端)的二次侧a相电压和电流的暂态录波数据，输电线路首端的二次侧b相电压和电流的暂态录波数据，输电线路首端的二次侧c相电压和电流的暂态录波数据和输电线路首端的二次侧零序电压和电流的暂态录波数据，以及输电线路末端(n端)的二次侧a相电压和电流的暂态录波数据，输电线路末端的二次侧b相电压和电流的暂态录波数据，输电线路末端的二次侧c相电压和电流的暂态录波数据和输电线路末端的二次侧零序电压和电流的暂态录波数据。与这些数据一一对应，被测量的输电线路共构建六条伏安特性曲线，并将这六条伏安特性曲线归一化处理为单张总伏安特性曲线图像，作为用于故障类型识别的故障类型辨识伏安特性曲线图。在故障类型被识别后，基于故障类型所涉及的相，构建仅包括有与故障类型所涉及的相相对应的伏安特性曲线的单张故障相伏安特性曲线图像，然后将其作为故障原因及距离辨识图输入到故障原因及距离识别模型中进行识别。

15、进一步地，在上述输电线路故障辨识与故障测距方法中，在获取输电线路的线路数据之前，所述方法还包括：

16、构建故障类型原始识别模型和故障原因及距离原始识别模型；

17、获取多条用于故障样本的故障输电线路的线路数据，以形成故障样本数据集；

18、基于故障样本数据集获取线路故障类型样本集和线路故障原因及距离样本集；

19、将获得的线路故障样本集输入所述故障类型原始识别模型进行迁移学习训练直至收敛，得到所述故障类型识别模型；以及，

20、将获得的线路故障原因及距离样本集输入所述故障原因及距离原始识别模型进行迁移学习训练直至收敛，得到所述故障原因及距离识别模型。

21、进一步地，在上述输电线路故障辨识与故障测距方法中，所述获取线路故障类型样本集，包括：

22、基于获取的故障样本数据集构建相应故障输电线路的伏安特性曲线；

23、将所构建的相应故障输电线路的伏安特性曲线归一化为单张总伏安特性曲线图像样本，作为故障类型辨识伏安特性曲线图样本；

24、获取多个所述故障类型辨识伏安特性曲线图样本以形成线路故障类型样本集。

25、进一步地，所述故障样本数据集包括有故障类型标记，所述获取线路故障原因及距离样本集，包括：

26、基于故障样本数据集中的故障类型标记，对所述单张总伏安特性曲线图像样本进行处理，从中获得与故障相相对应的单张故障相伏安特性曲线图像样本；

27、获取多个所述单张故障相伏安特性曲线图像样本，形成线路故障原因及距离样本集。

28、在上述实现过程中，无论是对线路故障类型样本集的构建，还是对线路故障原因及距离样本集的构建，都是基于采样数据构建的伏安特性曲线进行的。也就是说，在对相应的原始模型的训练和测试均是基于伏安特性曲线图像进行的。

29、现有技术中普遍采用分别建立故障类型辨识器与故障距离辨识器来实现故障辨识与故障测距。而在本发明中，由于采用伏安特性曲线图像作为模型的输入特征值对深度学习神经网络进行训练，借助于故障样本的已知数据以及伏安特性曲线的参数特性，不仅能够实现在同一深度学习神经网络模型中进行对故障原因和故障距离识别的训练和测试，而且能够减少故障距离对故障原因的干扰以及故障原因对故障测距的干扰，使得最终能够借助故障原因和故障距离模型同时实现对故障原因与故障距离的辨识。具体地，在本发明的方法中，收敛后最终形成的故障原因及距离识别模型可以同时提取出故障原因及距离伏安特性曲线图像的谐波、幅值、斜率等特征，通过模型的add层形成特征图，并通过全连接层(fc_3)从特征图中自动提取影响故障原因辨识的特征，通过全连接层(fc_2)从特征图中自动提取影响故障距离辨识的特征。

30、进一步地，在上述输电线路故障辨识与故障测距方法中，所述故障输电线路的线路数据包括：输电线路两端的二次侧三相电压和电流信号的录波数据、二次侧零序电压和电流信号的录波数据、故障类型标记、故障原因标记和故障距离标记。

31、进一步地，在上述输电线路故障辨识与故障测距方法中，在所述获取多条用于故障样本的故障输电线路的线路数据，以形成故障样本数据集的步骤中，包括：

32、将各故障类型占总故障类型的比例和各故障原因占总故障原因的比例作为分类权重；和/或，在所述获取多条用于故障样本的故障输电线路的线路数据，以形成故障样本数据集的步骤中，还包括：建立半监督模型以标记无标签的故障样本。

33、通过参考实际故障记录中故障类型、故障类型相别、故障原因的统计概率分布，设置深度学习神经网络模型(原始识别模型)的分类权重，有利于故障辨识识别模型的训练，能够提高其对于实际情况的泛化能力和应用效果。另外，参考实际情况中缺少有标签样本和存在大量无标签样本的情况，建立基于半监督学习的再标记方法，能够有效的扩充真实样本数据集，有利于故障辨识原始模型的训练。

34、进一步地，在上述输电线路故障辨识与故障测距方法中，故障类型原始识别模型为单输出卷积神经网络架构，所述故障原因及距离原始识别模型为多输出卷积神经网络架构。

35、本发明第二方面还公开了一种输电线路故障辨识与故障测距装置，输电线路故障辨识与故障测距装置包括：

36、第一获取单元，用于获取输电线路的线路数据；

37、伏安特性曲线构建单元，用于基于获取的输电线路的线路数据构建输电线路的伏安特性曲线；

38、归一化处理单元，用于将基于输电线路的线路数据构建的伏安特性曲线归一化为单张总伏安特性曲线图像，作为故障类型辨识伏安特性曲线图；

39、故障类型辨识单元，用于根据预先构建的故障类型识别模型对故障类型辨识伏安特性曲线图进行识别，并且输出识别后的故障类型；

40、图像构建单元，用于基于识别后的故障类型获得输电线路与故障类型相对应的故障相，然后构建与故障相相对应的单张故障相伏安特性曲线图像，作为故障原因及距离辨识伏安特性曲线图；

41、故障原因及距离辨识单元，用于根据预先构建的故障原因及距离识别模型对故障原因及距离辨识伏安特性曲线图进行识别和处理，以输出识别后的故障原因和故障距离。

42、进一步地，在上述本发明第二方面公开的装置中，还包括：

43、模型构建单元，用于在获取输电线路的线路数据之前，分别构建故障类型原始识别模型和故障原因及距离原始识别模型；

44、第二获取单元，用于获取多条用于故障样本的故障输电线路的线路数据，以形成故障样本数据集；

45、样本集分类单元，用于基于故障样本数据集获取线路故障类型样本集和线路故障原因及距离样本集；

46、第一训练单元，用于将获得的线路故障样本集输入所述故障类型原始识别模型进行迁移学习训练直至收敛，得到所述故障类型识别模型；以及，

47、第二训练单元，用于将获得的线路故障原因及距离样本集输入所述故障原因及距离原始识别模型进行迁移学习训练直至收敛，得到所述故障原因及距离识别模型。

48、本发明第三方面公开一种电子设备，其包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行前述第一方面中所描述的输电线路故障辨识与故障测距方法。

49、本发明的第四方面还公开了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本发明第一方面中所描述的输电线路故障辨识与故障测距方法。

50、有益效果：在本发明的输电线路故障辨识与故障测距方法，采用伏安特性图为输入，不依赖于信号处理算法，可实现特征量的自提取，可有效应对录波数据含有白噪声的问题，并且对电压、电流的采样频率要求低。并且，在本发明中，由于采用伏安特性曲线图作为输入，能够在同一模型中实现对故障原因和故障距离的分别识别，避免了现有技术中所存在的故障原因和故障距离间相互干扰的技术问题。

51、下面结合附图中所示的实施例以及附图标记详细公开本发明的输电线路故障辨识与故障测距方法。