CN112147462A - 一种基于深度学习的输电线路故障辨识方法 - Google Patents

Abstract

一种基于深度学习的输电线路故障辨识方法，包括提取录波***中的故障电流与电压信号；采用傅里叶分析技术对故障电流与电压信号的特征信息进行提取和分析；然后计算零序电流与零序电压的基波分量与三次谐波分量；最后，根据分类模型进行具体的故障辨识。该判断方法包括线性分类模块和非线性分类模块，其中线性分类是通过零序电流和零序电压将数据样本进行初步分类；在此基础上根据输电线路故障的数据特点，选用深度学习对多类故障数据进行分类，最终实现输电线路故障辨识。

Description

一种基于深度学习的输电线路故障辨识方法

技术领域

本发明涉及一种基于深度学习的输电线路故障辨识方法，属电力线路技术领域。

背景技术

我国输电线路的地理环境较恶劣，输电网络覆盖区域广，有些线路可能途经山地、河海、平原等地貌，长期暴露在野外，经常受到雷电、强风、雨雾、冰雪等恶劣天气的影响或外力破坏，极易发生跳闸事故。

故障发生后，电力公司会安排人员到故障测距定位的范围内巡线待查找出具体的故障原因，再组织专业人员进行故障抢修。而输电线路故障往往发生郊区，从跳闸到恢复线路正常供电可能需要花费数小时，这将对社会经济和人民生活造成很大影响。如果在线路跳闸后，根据故障相关信息及时推断出引发故障的可能原因，即可指导巡线人员的查找重点，节省搜索时间，同时制定消除故障的合理方案，这对于减少停电损失具有重大意义。同时，确定每一次线路故障的原因并进行统计分析，有利于运行部口发现线路的隐患与薄弱环节，从而提出改进措施，提髙电网的运行维护水平。本发明可利用深度学习技术，开展输电线路故障辨识。

发明内容

本发明的目的是，为了解决现有输电线路故障识别效率较低的技术问题，实现输电线路故障的高效识别，提出一种基于深度学习的输电线路故障辨识方法。

实现本发明的技术方案如下：一种基于深度学习的输电线路故障辨识方法，包括以下步骤：

(1)收集输电线路送电侧和受电侧变电站故障录波数据，提取三相电流和三相电压信号。

(2)采用傅里叶变换计算三相电流与三相电压对应的零序电流和零序电压，并提取零序电流和零序电压的三次谐波含量；计算故障相电流，电压的基波分量以及三次谐波分量；利用集中参数法计算输电线路故障时的过渡电阻。

(3)通过判断输电线路故障后是否存在零序电流，将输电线路故障初步划分为两类；若存在零序电流则为接地短路故障，若不存在零序电流则为相间短路故障；其中接地短路故障包括单相接地短路和两相接地短路；相间短路故障包括两相相间短路和三相短路。

(4)采用相电流差突变量方法来判断发生故障是单相接地短路、两相接地短路、两相相间短路或三相短路。

(5)通过深度学习网络结构，将过渡电阻、零序电流和零序电压的三次谐波含量、时段、月份、天气条件、落雷情况和重合闸情况作为原始输入参数，经过输入参数归一化处理后进行深度学习网络样本训练，输出结果为经过实际现场查找出的故障类型；故障类型包括山火、树竹放电、异物短路(非金属性)、异物短路(金属性)、吊车碰线、鸟闪、雷击、污闪共八种。

(6)重复步骤(1)～(5)，对历史收集的至少300组数据样本进行训练和优化，获得深度学习模型。

(7)利用深度学习模型，对未进行训练至少50组的数据样本进行故障类型判断，并与实际故障类型进行验证，若满足预期误差率＜5％，则说明步骤(6)获得的深度学习模型有效，执行步骤(8)；若不满足则重复执行步骤(6)。

(8)在满足预期误差率后，对所要判断的实际输电线路三相电流信号进行采集，并执行步骤(1)～(5)来判断实际输电线路故障类型。

本发明通过对故障相电流，相电压提取三次谐波分量进行特征分析与验证。鉴于录波采样数据的离散性，本发明采用离散傅里叶变换方法(DFT)，对故障后一周波的故障相电流和相电压采样数据i(n),n＝0,1,2,…N-1进行分解，转化为各次谐波的展开。

其中k＝0,1,2,…N-1表示谐波次数，N为一周波的采样点数。

在式(1)中，当k＝1时，I(1)表示电流基波分量；当k＞1时，I(k)表示电流k次谐波分量；在式(2)中，当k＝1时，U(1)表示电压基波分量；当k＞1时，U(k)表示电压k次谐波分量。

因此故障相电流，电压的基波分量以及三次谐波分量计算式分别如下所示：

分别计算电流三次谐波分量与基波的比值I₃与电压三次谐波分量与基波的比值U₃作为故障相谐波含量的评定指标，表达式分别如下为：

I₃＝I(3)/I(1) (7)

U₃＝U(3)/U(1) (8)

鉴于故障发生初期中故障信号中大量的高频暂态分量的考虑，本发明选取故障发生时刻一个周波后的录波数据进行分析，高频分量多衰减殆尽，因此显著减小暂态分量对待求参数的影响。

本发明输电线路故障时的过渡电阻计算方法如下：

图2为单相线路内部故障示意图，其中故障点为F，m、n分别为两端母线位置，即故障录波测量的位置，Z_S、Z_R分别为两端的***阻抗。

根据单相线路内部故障示意图，可得以下两个电压方程：

式中，U_m为m端测量到的电压，单位kV；I_m为m端测量到的电流，单位kA；U_n为n端测量到的电压，单位kV；I_n为n端测量到的电流，单位kA；Z为线路单位长度的阻抗，单位Ω/km；D_L为线路总长度，单位km；D_mF为m端到故障点F的距离，单位km；R_F为故障点的过渡电阻，单位Ω；I_F为故障点的短路电流，单位kA。

上述表达式只适用于单相电路。在三相电力***中的不对称故障分析中广泛采用对称分量法。

对不同序网可以写出以下电压方程的统一表达式：

式中，J为序网号，由故障类型决定，对三相短路J＝1；对两相短路，J＝1,2；对接地短路，J＝1,2,0。

从上述测距表达式可知，利用任一序量都可进行故障测距。然而在正、负、零三序中，只有正序能适用于所有类型的故障。在利用正序量进行测距的条件下，对于不对称短路和接地故障，还可同时用负序量或零序量进行测距计算，并用其结果与用正序量的测距结果进行对比，以使测距结果更为可靠。还应指出，利用正序量测距还有利于消除并行线路互感的影响。

联立求解式(11)和式(12)，消去故障点电压U_FJ可求出故障距离。

用下式求得故障点处的短路电流各序分量：

过渡电阻按如下公式计算：

所述深度学习网络结构，包括三部分：输入层，隐藏层与输出层。视应用场景而定，输入层一般归一化为0～1之间的输入向量。

三层隐藏层构成上述的RBM网络。而用于分类的输出层采用Softmax函数，回归则采用Regression函数。

1、输入层

经过归一化的输入向量作为深度学习网络的输入层，与第一层隐藏层构成RBM(可见层非二值)。与传统神经网络对比，深度学习网络可以通过增加网络深度来提取信号特征而不发生梯度递减和陷入局部最优的问题，可直接将提取的的特征量经过归一化后作为输入层。

2、隐藏层

深度学习网络的隐藏层是由若干个RBM堆叠而成的。前层RBM的隐藏层作为后层的可见层，依次堆叠。

受限玻尔兹曼机(Restricted Boltzmann machines,RBM)是基于能量模型的二值无向概率图模型，其结构如图4所示。假设可见层神经元为n_v维二值状态向量v，隐藏层神经元为n_h维二值状态向量h，其对应的偏置向量分别为

为连接可见层与隐藏层神经元的权重矩阵。对于状态(v,h)，其联合分布函数可表达为：

其中，Z为配分函数，用于概率归一化，E(v,h)为RBM的能量函数，定义如下：

其中，i,j分别表示第i个可见层神经元，第j个隐藏层神经元。由(17)可知，当RBM网络的状态能量E(v,h)处于最低时，此状态的概率最大。从能量函数的物理意义而言，此状态下的网络也是最稳定的。

因为RBM层间无连接的结构，RBM的可见层与隐藏层是条件独立的。结合公式(16)、(17)以及上述属性，可以推导出较为常见的神经网络激活函数概率公式：

其中，σ为sigmoid函数。依靠上式(18)，RBM可以利用Gibbs采样算法，在已知其中一层的状态下，近似得到另一层的状态。尽管RBM的结构比一般的神经网络简单，但配分函数的解空间是相当大

因此求解起来也是相当复杂的。因此，RBM的训练采用对比散度算法加速Gibbs采样过程。

3、输出层

本发明将深度学习网络应用在识别与分类的问题上，因此，在深度学习网络的输出层叠加逻辑回归层(logistic regression,LR)。LR是概率线性分类器，由权重矩阵w_lr与偏置向量b_lr组成。输入向量x属于第i类，即类别变量Y＝i的概率记作：

为了获取较为直接的分类结果，可使用Argmax{P}函数挑选概率最大的结果作为输出，即：

y_p＝Arg max_i{P(Y＝i|x,w_lr,b_lr)} (20)

本发明的有益效果是，本发明通过对故障现场提取的真实录波数据的研究分析，按照不同原因类型。分别对故障发生的外部气象因素以及内部因素两个方面进行深入挖掘，总结天气、季节、时间、重合闸、故障线路三相电流及电压三次谐波含量以及过渡电阻性质方面的特征规律。综合外部气象特征以及录波所得内部特征，使用深度学习算法建立故障特征与类别之间非线性对应关系，实现故障原因辨识。

附图说明

图1是本发明的流程图；

图2是单相线路内部故障示意图；

图3是三层隐藏层的深度学习网络结构图；

图4是受限玻尔兹曼机结构图。

具体实施方式

下面结合附图，对实施例作详细说明。

为了验证前面提出的输电线路故障辨识模型的有效性和参数设置的合理性，采集某地区电力公司录波数据形成测试集进行验证。具体方法步骤如下：

步骤1，从录波***的历史数据库中选取数据进行故障分类方法参数调整。本实施例的算法用到录波电流与电压，所以首先按照既定的数据转换规则从上述录波文件中转换得到输电线路录波电流与电压序列；然后生成电流与电压序列文本，此序列数据采集间隔为0.3125ms，即每秒钟采集3200个等间隔的数据。在调整参数时，需要选择合适时间段的数据作为训练数据集和测试数据集，本实施例参数训练集及测试集的数据包含35kV、110kV、220kV和500kV输电线路发生故障时的数据，训练样本的多样性保证了参数设置的合理性，通过对某地区电网公司2012年1月至2020年3月发生过的输电线路短路故障进行统计，选取其中的300组典型数据作为样本进行分类模型的训练及验证。其中200组数据样本作为训练数据；100组样本作为测试数据，用来验证方法的有效性及参数的准确性。

步骤2，数据预处理

对于训练集中的录波数据进行数据预处理。通过傅里叶变换对故障电流、电压信号进行分解。

计算故障电流与电压的基波分量，三次谐波分量。

本实施例采用离散傅里叶变换方法(DFT)，对故障后一周波的故障相电流和相电压采样数据i(n),n＝0,1,2,…N-1进行分解，转化为各次谐波的展开：

其中k＝0,1,2,…N-1表示谐波次数，N为一周波的采样点数。

在式(1)中，当k＝1时，I(1)表示电流基波分量；当k＞1时，I(k)表示电流k次谐波分量；在式(2)中，当k＝1时，U(1)表示电压基波分量；当k＞1时，U(k)表示电压k次谐波分量。

因此故障相电流，电压的基波分量以及三次谐波分量计算式分别如下所示：

分别计算电流三次谐波分量与基波的比值I₃与电压三次谐波分量与基波的比值U₃作为故障相谐波含量的评定指标，表达式分别如下为：

I₃＝I(3)/I(1) (7)

U₃＝U(3)/U(1) (8)

步骤3，通过判断输电线路故障后是否存在零序电流，将输电线路故障初步划分为两类，若存在零序电流则为接地短路故障，若不存在零序电流则为相间短路故障；其中接地短路故障包括单相接地短路和两相接地短路；相间短路故障包括两相相间短路和三相短路。

步骤4，采用相电流差突变量方法来判断发生故障是单相接地短路、两相接地短路、两相相间短路或三相短路。

步骤5，将故障波形的原始数据与故障时间与天气环境作为训练样本输入深度学习网络进行训练，建立起对应的山火，树竹放电，异物短路(非金属性)，异物短路(金属性)，吊车碰线，鸟闪，雷击，污闪等八种故障类型。

步骤6，故障诊断流程

通过对输电线路的故障录波进行深入的研究分析发现，以山火故障为例，山火故障的短路通道是由空气间隙、火焰碳化颗粒放电电弧构成，火焰电阻率高达9.09kΩ·m，总体故障呈现为典型的非线性的高阻值接地故障。山火故障是一种典型的单相高阻接地故障，而高阻接地故障绝大多是电弧性故障，因此山火故障的故障相电流具有突出非线性特征，含有丰富的谐波。山火故障跳闸后，重合闸多数不成功。

表1输电线路故障数值特征规律

步骤7，参数训练

通过训练集200组数据样本对深度学习模型进行训练，使得分类模型能够准确确定出输电线路发生的故障类型。

表2深度学习模型分类结果举例

步骤8，验证方法的有效性及准确性

为了进一步验证本发明提出方法的有效性，测试集可选择某地区23个月内发生典型故障时的录波电流数据。此处选取的测试集共包含100组数据。通过对测试集中数据故障的逐一分析，最终正确分类97组，错误分类3组；诊断准确率为97％，误诊断率为3％，符合工程误差率。至此，整个电力***输电线路故障辨识及方法验证流程结束。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于深度学习的输电线路故障辨识方法，其特征在于，所述方法包括以下步骤：

(1)收集输电线路送电侧和受电侧变电站故障录波数据，提取三相电流和三相电压信号；

(2)采用傅里叶变换计算故障相电流，电压的基波分量以及三次谐波分量；利用集中参数法计算输电线路故障时的过渡电阻；

(3)通过判断输电线路故障后是否存在零序电流，将输电线路故障初步划分为两类；若存在零序电流则为接地短路故障，若不存在零序电流则为相间短路故障；其中接地短路故障包括单相接地短路和两相接地短路；相间短路故障包括两相相间短路和三相短路；

(4)采用相电流差突变量方法来判断发生故障是单相接地短路、两相接地短路、两相相间短路或三相短路；

(5)通过深度学习网络结构，将过渡电阻、零序电流和零序电压的三次谐波含量、时段、月份、天气条件、落雷情况和重合闸情况作为原始输入参数，经过输入参数归一化处理后进行深度学习网络样本训练，输出结果为经过实际现场查找出的故障类型；

(6)重复步骤(1)～(5)，对历史收集的至少300组数据样本进行训练和优化，获得深度学习模型；

(7)利用深度学习模型，对未进行训练至少50组的数据样本进行故障类型判断，并与实际故障类型进行验证，若满足预期误差率＜5％，则说明步骤(6)获得的深度学习模型有效，执行步骤(8)；若不满足则重复执行步骤(6)；

(8)在满足预期误差率后，对所要判断的实际输电线路三相电流信号进行采集，并执行步骤(1)～(5)来判断实际输电线路故障类型。

2.根据权利要求1所述的一种基于深度学习的输电线路故障辨识方法，其特征在于，所述深度学习网络结构包括输入层、隐藏层与输出层，并在深度学习网络的输出层叠加逻辑回归层；逻辑回归层是概率线性分类器，由权重矩阵w_lr与偏置向量b_lr组成；输入向量x属于第i类，即类别变量Y＝i的概率记作：

为了获取较为直接的分类结果，使用Argmax{P}函数挑选概率最大的结果作为输出，即：

y_p＝Argmax_i{P(Y＝i|x,w_lr,b_lr)}

其中，y_p为深度学习网络的输出层结果。

3.根据权利要求1所述的一种基于深度学习的输电线路故障辨识方法，其特征在于，所述故障相电流，电压的基波分量以及三次谐波分量计算式为：

其中，U(1)表示电压基波分量；U(3)表示电压三次谐波分量；I(1)表示电流基波分量；I(3)表示电流三次谐波分量；N为一周波的采样点数。

4.根据权利要求1所述的一种基于深度学习的输电线路故障辨识方法，其特征在于，所述过渡电阻按下式计算：

其中，U_FJ为故障点电压；I_FJ为故障点处的短路电流；

故障点处的短路电流各序分量如下式：

5.根据权利要求1所述的一种基于深度学习的输电线路故障辨识方法，其特征在于，所述故障类型，包括山火、树竹放电、异物短路(非金属性)、异物短路(金属性)、吊车碰线、鸟闪、雷击、污闪共八种。

6.根据权利要求2所述的一种基于深度学习的输电线路故障辨识方法，其特征在于，所述隐藏层是由若干个RBM堆叠而成的。前层RBM的隐藏层作为后层的可见层，依次堆叠；因为RBM层间无连接的结构，RBM的可见层与隐藏层是条件独立的；

神经网络激活函数概率公式为：

其中，σ为sigmoid函数；i,j分别表示第i个可见层神经元，第j个隐藏层神经元；v是可见层神经元为n_v维的二值状态向量；h是隐藏层神经元为n_h维的二值状态向量。

Images