【技术实现步骤摘要】
基于行波数据深度学习的输电线路故障选线与定位方法
[0001]本专利技术涉及输电线路
,具体涉及一种基于行波数据深度学习的输电线路故障选线与定位方法。
技术介绍
[0002]输电线路故障会对用电端带来极大的不便,因此,需要快速对输电线路中的故障点进行定位。输电线路故障的定位主要包括两个部分,其中一个部分为判别发生故障的线路,另一个部分为判别故障点在线路中的位置。
[0003]相关技术中,输电线路的故障定位方法通常为:根据经验构建数据库,然后预设规则将待判别的线路与数据库中的相关数据进行匹配来确定发生故障的线路,然后基于双端匹配法计算故障点的位置。但是该种故障定位方法存在以下两个不足:(1)输电线路发生故障时,故障线路会对其他同组线路产生电磁干扰,使得选取的故障线路容易出现偏差;(2)故障线路中行波数据传递时因能量损耗,使得双端行波数据因能量损耗不同步导致大量信号损失,从而造成匹配不准确的问题。
[0004]因此,有必要提供一种基于行波数据深度学习的输电线路故障选线与定位方法以解决上述问题。
技术实现思路
[0005]本专利技术要解决的技术问题是在于提供一种基于行波数据深度学习的输电线路故障选线与定位方法以解决上述问题,可以提高故障点及故障位置的匹配准确性。
[0006]为实现上述目的,本专利技术的技术方案为:
[0007]一种基于行波数据深度学习的输电线路故障选线与定位方法,包括如下步骤:
[0008]S1:获取多个输电线路组的时序行波数据,对 ...
【技术保护点】
【技术特征摘要】
1.一种基于行波数据深度学习的输电线路故障选线与定位方法,其特征在于,包括如下步骤:S1:获取多个输电线路组的时序行波数据,对所述时序行波数据标注标签后形成数据集,将所述数据集分为训练集和测试集;S2:提取所述数据集的特征,然后将提取的特征及其标签送入循环神经网络模型进行多次迭代训练,将训练好的模型采用所述测试集进行测试,得到输电线路故障选线模型;S3:针对任意线路组内的线路故障,采用所述输电线路故障选线模型确定故障线路,然后将故障线路的行波数据两等分形成两个滑动窗口,逐渐减小其中一个所述滑动窗口的大小,此时另外一个滑动窗口的大小对应增加,确保两个滑动窗口完全包含所述故障线路的全部行波数据,将两个所述滑动窗口的行波数据分别送入孪生神经网络模型的两个子网络中输出对应的表征,计算两个表征的欧式距离,得到两个所述滑动窗口行波数据的相似程度,当两个所述滑动窗口的相似程度达到最大时,则此时两个所述滑动窗口相接位置所对应的点即为线路故障点;S4:分别记录线路两端接收到故障点信号的时间,计算两个接收时间的比值,即为线路故障点分别到故障线路两端的距离比值,确定线路故障点的具体位置。2.根据权利要求1所述的基于行波数据深度学习的输电线路故障选线与定位方法,其特征在于,所述时序行波数据为电流行波数据或电压行波数据。3.根据权利要求1所述的基于行波数据深度学习的输电线路故障选线与定位方法,其特征在于,所述输电线路组中包含若干条正常线路和一条故障线路,标注的过程是为了每条线路的时序行波数据打上标签,故障线路标记为1,正常线路标记为0。4.根据权利要求1所述的基于行波数据深度学习的输电线路故障选线与定位方法,其特征在于,所述数据集中训练集与测试集的比例为8:2。5.根据权利要求1所述的基于行波数据深度学习的输电线路故障选线与定位方法,其特征在于,提取的特征包括行波数据的平均欧式偏离度、平均差分偏离度、最大欧式偏离度、最小欧式偏离度,最大差分偏离度及最小差分偏离度。6.根据权利要求5所述的基于行波数据深度学习的输电线路故障选线与定位方法,其特征在于,所述步骤S2中“提取所述数据集的特征”具体为:在提取特征之前,需要计算输电线路组中各线路的欧式距离S
i
,形成集合S={S1,S2…
S
i
…
S
n
},任意线路i的欧式距离S
i
等于该条线路与其他所有线路的欧式距离之和;任意线路i的欧式偏离度是计算除S
i
和集合S中的最大值外,集合S中其他数值相比于S
i
的偏离度,欧式偏离度X
i
表示为:式中,n表示输电线路组中线路的数量;计算所述输电线路中所有线路的欧式偏离度,形成集合X={X1,X2…
X
i
…
X
n
},则平均欧式偏离度为average(X1,X2…
【专利技术属性】
技术研发人员:万望龙,王瑞,秦拯,邓名高,张吉昕,欧露,高诗慧,尹键溶,
申请(专利权)人:湖南湘能智能电器股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。