基于异构模型融合的线路故障诊断方法及装置制造方法及图纸

本发明专利技术公开了一种基于异构模型融合的线路故障诊断方法及装置，其中，该方法包括：获取测试样本的线路故障行波信号，并对所述故障行波信号进行解析；分别提取所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征；分别基于所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征构建单一的故障预诊断模型，并利用故障预诊断模型对测试样本的线路故障的类别进行初步诊断；基于D

【技术实现步骤摘要】
基于异构模型融合的线路故障诊断方法及装置


[0001]本专利技术涉及线路故障诊断
，尤其涉及一种基于异构模型融合的线路故障诊断方法、装置、电子设备及可读存储介质。

技术介绍

[0002]随着电力负荷需求的飞速增长，电力系统规模日益扩大，输电距离和电压等级也随之增长，电网的安全稳定运行极为重要，对于电力系统继电保护的诸多要求也随之升高。由于我国一次能源和负荷中心分布极不均匀，需要通过输电线路来完成大容量远距离的输电任务。输电线路作为发电侧到输配电侧的重要组成部分，在电力系统安全稳定运行扮演着着至关重要的角色。近年来，由天气灾害、外力破坏和线路老化引起的输电线路事故频发，线路出现故障的可能性也高于其他组件。在线路发生故障时，会产生故障电流，通过故障电流快速、准确识别出故障并采取处理措施，是缩小停电范围，恢复系统正常运行，保证系统稳定性的必要条件。
[0003]传统线路故障分类方法，如阈值法、模糊逻辑推理法等，需要大量专家经验且存在分类精度不足问题。近年来，随着人工智能技术的发展，已有部分学者提出了基于机器学习方法的线路故障分类技术，但往往采取单一的类型特征进行机器学习，并且需要采用大量的模拟数据进行训练才能够达到足够精确的效果，而实际中，线路故障样本量往往到不到所需训练数据量的要求，并且实际数据相比于模拟数据，更加复杂，更多噪声，因此，现有基于人工智能的线路故障分类方法就会存在预测精度不准确的问题。
[0004]有鉴于此，有必要提出对目前的技术进行进一步的改进。

技术实现思路

[0005]为解决上述至少一技术问题，本专利技术的主要目的是提供一种于异构模型融合的线路故障诊断方法、装置、电子设备及可读存储介质。
[0006]为实现上述目的，本专利技术采用的第一个技术方案为：提供一种基于异构模型融合的线路故障诊断方法，包括：
[0007]获取测试样本的线路故障行波信号，并对所述故障行波信号进行解析；
[0008]分别提取所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征；
[0009]分别基于所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征构建单一的故障预诊断模型，并利用故障预诊断模型对测试样本的线路故障的类别进行初步诊断；
[0010]基于D
‑
S证据理论融合故障预诊断模型的初步诊断结果，构建故障诊断融合模型，以对所述线路故障类型进行最终诊断。
[0011]其中，所述基于D
‑
S证据理论融合故障预诊断模型的初步诊断结果，构建故障诊断融合模型的计算公式如下：
[0012][0013][0014]其中，n＝4，且n为特征域的数量，T
j
为故障的类别，m
i
(T
j
)为第i个单一的异构的线路故障预诊断模型预测测试样本属于类别T
j
的概率，C
m
表示特征域融合后的故障类别，R(C
m
)表示四个特征域融合后测试样本属于类别C
m
的概率，K表示冲突因子。
[0015]其中，所述分别基于所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征构建单一的故障预诊断模型，并输出对线路故障的类别进行初步诊断，具体包括：
[0016]将提取的时域特征作为特征向量输入逻辑回归模型进行训练，构建基于时域特征与逻辑回归的线路故障预诊断模型；
[0017]将提取的频域特征作为特征向量输入支持向量机进行训练，构建基于频域特征与支持向量机的线路故障预诊断模型；
[0018]将提取的时频特征作为特征向量输入深度信念网络进行训练,构建基于时频特征与深度信念网络的线路故障预诊断模型；以及
[0019]将提取的语义特征作为特征向量输入卷积神经网络进行训练，构建基于语义特征与卷积神经网络的线路故障预诊断模型；
[0020]利用各故障预诊断模型对测试样本进行诊断，输出对应类别的后验概率。
[0021]其中，所述分别提取所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征，具体包括：
[0022]对线路故障行波信号的时序特征进行提取，包括信号的最大值、最小值、极差、方差、均方根及峭度；
[0023]对故障行波信号进行快速傅里叶变换得到频域特征；
[0024]对故障行波信号进行小波包分解得到时频特征；以及
[0025]利用共生矩阵算法对故障行波信号进行处理，提取故障行波信号的语义特征。
[0026]其中，所述利用共生矩阵算法对故障行波信号进行处理，提取故障行波信号的语义特征具体包括：
[0027]对故障行波信号进行归一化处理，使故障行波信号的幅值处于[
‑
1,1]区间；
[0028]对归一化处理后的故障行波信号进行映射，将[
‑
1,1]按每0.01一个区间分成预设数量的区间，将故障行波信号的所有幅值映射到相应区间，得到语义特征。
[0029]其中，所述获取测试样本的线路故障行波信号，并对所述故障行波信号进行解析具体包括：
[0030]获取线路发生故障时的故障行波.mat类型文件，根据文件格式规范对故障行波.mat类型文件进行解析并提取时序信号。
[0031]其中，所述根据文件格式规范对故障行波.mat类型文件进行解析并提取时序信号之后，还包括：
[0032]将时序信号存储在.txt类型文件中，并对其进行故障类型的标记。
[0033]为实现上述目的，本专利技术采用的第二个技术方案为：提供一种基于异构模型融合的线路故障诊断装置，包括：
[0034]获取模块，用于获取测试样本的线路故障行波信号，并对所述故障行波信号进行解析；
[0035]提取模块，用于分别提取所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征；
[0036]构建模块，用于分别基于所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征构建单一的故障预诊断模型，并利用故障预诊断模型对测试样本的线路故障的类别进行初步诊断；
[0037]诊断模块，用于基于D
‑
S证据理论融合故障预诊断模型的初步诊断结果，构建故障诊断融合模型，以对所述线路故障类型进行最终诊断。
[0038]为实现上述目的，本专利技术采用的第三个技术方案为：提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法中的步骤。
[0039]为实现上述目的，本专利技术采用的第四个技术方案为：提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述方法中的步骤。
[0040]本专利技术的技术方案通过先获取测试样本的线路故障行波信号，并对所述故障行波信号进行解析；然后分别提取所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征，再分别基于所述线路故障行波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异构模型融合的线路故障诊断方法，其特征在于，所述基于异构模型融合的线路故障诊断方法包括：获取测试样本的线路故障行波信号，并对所述故障行波信号进行解析；分别提取所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征；分别基于所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征构建单一的故障预诊断模型，并利用故障预诊断模型对测试样本的线路故障的类别进行初步诊断；基于D
‑
S证据理论融合故障预诊断模型的初步诊断结果，构建故障诊断融合模型，以对所述线路故障类型进行最终诊断。2.如权利要求1所述的基于异构模型融合的线路故障诊断方法，其特征在于，所述基于D
‑
S证据理论融合故障预诊断模型的初步诊断结果，构建故障诊断融合模型的计算公式如下：下：其中，n＝4，且n为特征域的数量，T
j
为故障的类别，m
i
(T
j
)为第i个单一的异构的线路故障预诊断模型预测测试样本属于类别T
j
的概率，C
m
表示特征域融合后的故障类别，R(C
m
)表示四个特征域融合后测试样本属于类别C
m
的概率，K表示冲突因子。3.如权利要求1所述的基于异构模型融合的线路故障诊断方法，其特征在于，所述分别基于所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征构建单一的故障预诊断模型，并输出对线路故障的类别进行初步诊断，具体包括：将提取的时域特征作为特征向量输入逻辑回归模型进行训练，构建基于时域特征与逻辑回归的线路故障预诊断模型；将提取的频域特征作为特征向量输入支持向量机进行训练，构建基于频域特征与支持向量机的线路故障预诊断模型；将提取的时频特征作为特征向量输入深度信念网络进行训练，构建基于时频特征与深度信念网络的线路故障预诊断模型；以及将提取的语义特征作为特征向量输入卷积神经网络进行训练，构建基于语义特征与卷积神经网络的线路故障预诊断模型；利用各故障预诊断模型对测试样本进行诊断，输出对应类别的后验概率。4.如权利要求1所述的基于异构模型融合的线路故障诊断方法，其特征在于，所述分别提取所述线路故障行波信号的时域特征、频域特征、时频特征及语义特征，具体包括：对线路故障行波信号的时序特征进行...

【专利技术属性】
技术研发人员：万望龙，刘蔚，秦拯，廖鑫，张吉昕，胡玉鹏，欧露，高诗慧，尹键溶，杨辉，
申请(专利权)人：湖南大学，
类型：发明
国别省市：