一种基于卷积神经网络的输电线路双端故障录波数据匹配方法组成比例

本发明专利技术涉及一种基于卷积神经网络的输电线路双端故障录波数据匹配方法。首先搭建线路故障仿真模型，对参数进行遍历，形成参数矩阵，得到故障时两端的电流数据作为样本的输入，将匹配结果作为样本的输出，同理生成测试样本。其次，列出网络结构，对网络进行训练测试，得到测试样本的错误率，错误率最小的网络结构即为最佳网络结构。然后，在最佳网络结构下，改变批处理数，增加训练次数，保存训练好的错误率低的网络结构参数和权值偏置矩阵。最后，在每次故障之后，将需要匹配的数据输入到训练好的网络，即可输出匹配结果。该方法所需电气量少，不受系统频率、过渡电阻、故障位置、故障类型的影响，数据匹配的准确率比数据匹配三重判据结果更高。

Data matching method for double end fault recording of transmission line based on convolutional neural network

The invention relates to a double end fault recording data matching method of a transmission line based on convolutional neural network. The first set of line fault simulation model, traverse parameters, formation parameter matrix, get the fault current at both ends of the sample data as input, the matching result as the sample output, in generating test sample. Secondly, list the network structure, train and test the network, get the error rate of the sample, and the network structure with the least error rate is the best network structure. Then, under the optimum network structure, the batch number is changed, the training times are increased, and the network structure parameters and the weight bias matrix with low training error rate are preserved. Finally, after each failure, the matched data is input to the trained network, and the matching results can be output. The method requires less electrical energy and is not affected by system frequency, transition resistance, fault location and fault type. The accuracy of data matching is higher than that of data matching, the three criterion is higher.

【技术实现步骤摘要】
一种基于卷积神经网络的输电线路双端故障录波数据匹配方法
本专利技术涉及一种输电线路故障匹配方法，尤其是涉及一种基于卷积神经网络的输电线路双端故障录波数据匹配方法。
技术介绍
故障信息系统中含有海量的故障录波数据，其往往具有时序性、时钟不同步性、不一致性、不完整性、冗余性等特征，同一时标下的输电线路两端录波数据并不一定是匹配的。把输电线路两端双端故障录波数据匹配，将其应用于双端故障测距，保护行为分析，故障回放、事故状态下等值校验等，将能更好的发挥数据的价值，对故障分析与故障恢复具有重要的意义。目前的故障数据匹配方法：首先选定线路一端故障数据作为本次故障的数据源，提取故障时间和故障相别等特征量，通过分析对端故障数据的电气量，确定故障相别一致后，故障时间差异最小的故障数据为该次输电线路故障的匹配数据。该方法相比于传统的时标法准确性有所提高，但是在发生连续性故障或保护装置重合闸的情况下，时标不够精确且为同种故障时仍然可能导致故障数据匹配错误深度学习的主要模型有卷积神经网络、深度置信网、堆栈自编码网络、循环神经网络等。随着人工智能的发展，深度学习备受关注，在手写字识别、人脸识别、语音识别、图像识别等方面展现出强大的优势。深度学习在电力工业方面也开始发挥其优势。积神经网络作为深度学习的典型模型之一，具有强大的学习泛化能力，在电力工业已经开始有所应用，其中，风电场功率预测、电力变压器故障诊断、发电机故障挖掘等方面的应用研究已经开展，为许多电力问题提供了更好的解决方案，但其在输电线路双端故障数据匹配方面的应用尚为空白。针对上述背景，本专利技术设计了一种基于卷积神经网络的输电线路双端故障录波数据匹配方法，用于准确、可靠地进行输电线路双端故障录波数据匹配。
技术实现思路
本专利技术的目的是克服现有输电线路双端故障录波数据匹配方法的不足，提供一种基于卷积神经网络的输电线路双端故障录波数据匹配方法，该方法所需电气量少(仅需电流，不需要电压)且不需要对各种参数和阈值进行整定，该方法基本不受系统频率、过渡电阻、故障位置、故障类型等因素的影响，数据匹配的准确率比数据匹配三重判据结果更高。本专利技术技术方案提供一种输电线路故障匹配方法，包括以下步骤，一种基于卷积神经网络的输电线路双端故障录波数据匹配方法，其特征在于，包括：步骤1、获取卷积神经网络的训练样本和测试样本，实现方式如下，1.1、在电力系统仿真软件(MATLAB等)中搭建电力系统输电线路故障模型，其原理图如图1所示，其中，为电源电压，Zm、Zn为电源等效阻抗，f为系统频率，l为输电线路长度，x为故障位置，过渡电阻Rg，im、in为保护安装处采样电流，m为线路m侧，n为线路n侧；1.2、编写程序代码对电力系统的参数进行排列组合生成参数矩阵。参数包括系统频率、故障位置、电源电压相角和幅值、故障类型，两端电源的等级，电源等效阻抗、输电线路长度、线路参数、相间故障电阻、接地故障电阻等一系列与短路故障有关的因素，根据工程情况对每种因素在其可变范围内进行取值，按照排列组合的方式对参数进行遍历，形成参数矩阵，矩阵中每一行代表依次故障中所有可变参数的一种组合，每一列表示一种参数；1.3、编写批处理程序，将1.2中生成的参数矩阵以行为单位，依次输入模型并运行，得到故障时两端的电流数据作为样本的输入，将匹配结果作为样本的输出。样本由两部分组成，一部分为仿真生成的输电线路两端匹配的数据，另一部分为通过随机函数对输电线路两端数据进行随机组合生成的不匹配数据，将输入与输出一一对应，得到训练样本；1.4、改变1.2中程序参数，重新生成不同的参数矩阵，然后重复1.3，得到测试样本。程序参数包括电线路长度，线路参数，系统频率，故障位置，电源电压相角和幅值，故障类型，两端电源的等级，电源等效阻抗，相间故障电阻，接地故障电阻步骤2、数据预处理。对训练样本与测试样本的数据进行归一化处理，使矩阵中的每一个元素的值介于区间[0，1]之内；步骤3、对步骤2得到的数据进行min-max归一化处理，然后寻找卷积神经网络进行输电线路双端故障录播数据的最佳结构，实现方式如下，3.1、列出网络结构，为卷积层(C层)采样层(S层)交替重复，本层的输出作为下一层的输入，使网络结构对输入样本有较高的畸变容忍能力，更准确地实现对数据的分级表达。假设每个卷积层的输入矩阵维度为mi*ni*i，其中mi为每个输入样本矩阵的行数，ni为每个输入样本矩阵的列数，i为输入样本总数；输出矩阵维度为mo*no*o，其中mo为每个输出样本矩阵的行数，no为每个输出样本矩阵的列数，o为输出样本总数，卷积层的卷积核为k*k，则每个卷积层的输入输出必须满足如下公式：mi，ni，i，mo，no，o为整数3.2、设置批处理数量和训练次数为定值，对不同网络结构进行训练和测试，得到错误率最低的网络结构，该结构即为最佳网络结构。步骤4、在最佳网络结构下，改变批处理数，增加训练次数，使测试样本的错误率降到最低，然后保存训练好的网络结构参数和权值偏置矩阵；步骤5、将需要匹配的数据输入到训练好的网络，即可输出匹配结果，无需再次训练，原理如图2所示。与现有技术相比，本专利技术的优势在于：1、本专利技术通过卷积神经网络进行输电线路双端故障录波数据匹配。不存在传统数据匹配方法匹配准确率低，受故障类型影响大，连续故障或保护重合闸时故障数据不能正确分辨等问题；2、本专利技术通过对系统频率、故障类型、过渡电阻等一系列影响输电线路双端故障录波数据匹配的因素进行了遍历，通过卷积神经网络强大的泛化学习能力，使该方法基本不受系统频率、过渡电阻、故障位置、故障类型等因素的影响，具有很高的可靠性；3、该方法所需电气量少(仅需电流，不需要电压)，且不需要对各种参数、阈值进行整定，数据匹配更加方便准确；4、通过搭建仿真模型对电源电压、系统频率、输电线路参数、故障位置、过渡电阻、故障类型等一系列影响区内外故障判断和故障选相的因素进行遍历仿真，得到海量的双端电流数据，以此作为训练样本，依托卷积神经网络强大的学习泛化能力，有望实现用同一权重偏置参数对电力系统中所有线路故障进行输电线路故障录波数据进行匹配，在未来智能电网的发展中具有广阔应用前景；5、本专利技术通过训练好的网络进行数据匹配，无需再次训练，匹配迅速，很大程度的满足工程需要。附图说明图1是本专利技术双端供电系统简图。图2是本专利技术输电线路双端故障录波数据匹配原理图。图3是本专利技术实施例的实施步骤。具体实施方式以下结合附图和实施例对本专利技术的技术方案进行详细说明。为解决现有输电线路双端故障录波数据匹配方法匹配准确率低，受故障类型影响大，连续故障或保护重合闸时故障数据不能正确分辨等问题本专利技术实施例提供一种利用卷积神经网络进行输电线路双端故障录波数据匹配的新方法，具体实施步骤如下：步骤1、获取卷积神经网络的训练样本和测试样本，实现方式如下，1.1、在电力系统仿真软件(MATLAB等)中搭建电力系统输电线路故障模型，其原理图如图1所示，其中，为电源电压，Zm、Zn为电源等效阻抗，f为系统频率，l为输电线路长度，x为故障位置，过渡电阻Rg，im、in为保护安装处采样电流；1.2、编写程序代码对电力系统的参数进行排列组合生成参数矩阵。参数包括系统频率、故障位置、电源电压相角和幅值、故障类型，本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的输电线路双端故障录波数据匹配方法，其特征在于，包括：步骤1、获取卷积神经网络的训练样本和测试样本，实现方式如下，步骤1.1、在电力系统仿真软件中搭建电力系统输电线路故障模型，定义

【技术特征摘要】
1.一种基于卷积神经网络的输电线路双端故障录波数据匹配方法，其特征在于，包括：步骤1、获取卷积神经网络的训练样本和测试样本，实现方式如下，步骤1.1、在电力系统仿真软件中搭建电力系统输电线路故障模型，定义为电源电压，Zm、Zn为电源等效阻抗，f为系统频率，l为输电线路长度，x为故障位置，过渡电阻Rg，im、in为保护安装处采样电流，m为线路m侧，n为线路n侧；步骤1.2、对电力系统的参数进行排列组合生成参数矩阵；参数包括系统频率、故障位置、电源电压相角和幅值、故障类型，两端电源的等级，电源等效阻抗、输电线路长度、线路参数、相间故障电阻、接地故障电阻等一系列与短路故障有关的因素，根据工程情况对每种因素在其可变范围内进行取值，按照排列组合的方式对参数进行遍历，形成参数矩阵，矩阵中每一行代表依次故障中所有可变参数的一种组合，每一列表示一种参数；步骤1.3、将步骤1.2中生成的参数矩阵以行为单位，依次输入模型并运行，得到故障时两端的电流数据作为样本的输入，将匹配结果作为样本的输出；样本由两部分组成，一部分为仿真生成的输电线路两端匹配的数据，另一部分为通过随机函数对输电线路两端数据进行随机组合生成的不匹配数据，将输入与输出一一对应，得到训练样本；步骤1.4、改变步骤1.2中程序参数，重新生成不同的参数矩阵，然后重复1.3，得到测试样本；程序参数包括电线...

【专利技术属性】
技术研发人员：龚庆武，魏东，刘栋，乔卉，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42