本发明专利技术公开了一种基于暂态波形图像识别的输电线路故障辨识分类器，包括：AlexNet网络，通过以下方式构建将输电线路故障所对应该的输电线路首端电压/电流信号、末端电压/电流信号以及首末端的零序分量的暂态波形数据做归一化处理；以同一故障所对应的归一化处理后的暂态波形数据生成一张二维暂态波形图像作为故障样本；获得多个所述故障样本形成的故障样本集；取经过预训练且第一全连接层、第二全连接层和分类输出层重置为待训练状态的AlexNet网络，输入所述故障样本集进行训练直至收敛。本发明专利技术还公开了基于该分类器的故障识别方法和识别系统，本发明专利技术利用图像特征提取避免了特征量选取的困难，可以实现精准输电线路故障辨识。故障辨识。故障辨识。
【技术实现步骤摘要】
基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及系统
[0001]本专利技术涉及输电线路故障辨识
，具体涉及一种基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及系统。
技术介绍
[0002]架空输电线路地域分布广泛、结构更加复杂、运行环境多变，导致电力系统安全运行易受影响。输电线路故障辨识可以实现及时准确识别故障原因和故障类型，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。
[0003]现有的输电线路故障辨识思路为利用故障录波装置记录的电流、电压暂态波形数据，通过时域信号的峰值、持续时间以及频域信号的能量谱等特征，开展故障分类识别。现有的输电线路在线监测的主要方法有：
①
选取波形特征、气象因素、季节时段特征、背景信息等作为特征量，建立分类器模型，利用实际故障录波数据对模型进行训练和测试；
②
选取波形特征、线路两端正序电流故障分量、故障电流高频行波模态分量初始极性等作为特征量，建立分类器模型，利用均衡故障仿真样本对模型进行训练和测试；
③
利用数学形态学方法提取特征量。
[0004]以上方法存在的不足有：
①
在实际应用中，影响故障辨识效果的关键点和难点就是选取最有效的特征量，且特征量选取合理性的评估指标存在主观性；
②
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；
③
实际录波数据的故障标签往往存在缺失、模糊等问题，且同一条线路故障样本有限，对模型训练和测试的效果较差；
④
构建均衡故障样本并未考虑故障类型、故障相别、过渡电阻等因素的不平衡性，样本与实际差距较大，训练和测试分类模型的结果存疑。
[0005]因此，亟需专利技术一种无需单独选取特征量、利用大量有标签的故障样本训练和测试分类器模型的输电线路故障辨识方法。
技术实现思路
[0006]本专利技术针对现有方法的不足，意在利用AlexNet网络在图像分类学习能力强的特点，通过迁移学习方法构建基于暂态波形图像识别的输电线路故障辨识分类器，并基于该分类器构建输电线路故障辨识方法和系统。
[0007]本专利技术的目的之一是提供一种基于暂态波形图像识别的输电线路故障辨识分类器，包括：
[0008]AlexNet网络；
[0009]所述AlexNet网络通过以下方式构建：
[0010]S1、将输电线路故障所对应该的输电线路首端电压/电流信号、末端电压/电流信号以及首末端的零序分量的暂态波形数据做归一化处理；
[0011]以同一故障所对应的归一化处理后的暂态波形数据，生成一张二维暂态波形图像作为故障样本；
[0012]获得多个所述故障样本形成的故障样本集；
[0013]S2、取经过预训练且第一全连接层、第二全连接层和Softmax层重置为待训练状态的AlexNet网络，输入所述故障样本集进行训练直至收敛。
[0014]优先地，所述故障样本的分类标签包括，故障类型、故障相及故障原因。
[0015]优选地，所述归一化处理中，各所述暂态波形数据的采样时间相同。
[0016]优选地，所述归一化处理中，根据输电线路的电压等级和输电容量，设定二维暂态波形图像上各波形的纵坐标尺度，且遵循以下原则：
[0017]a.输电线路首端/末端电压信号采用同样的纵坐标尺度；
[0018]b.输电线路首端/末端电流信号采用同样的纵坐标尺度；
[0019]c.首末端的零序分量采用同样的纵坐标尺度；
[0020]d.各纵坐标尺度在不会使得任一暂态波形数据被截断显示的前提下，尽可能的小。
[0021]优选地，所述二维暂态波形图像中，输电线路首端/末端电压/电流信号各相别的暂态波形数据重叠显示。
[0022]优选地，A、B、C各相别的暂态波形数据间以不同颜色区分。
[0023]优选地，所述二维暂态波形图像中，首/末端的零序分量的暂态波形数据重叠显示。
[0024]优选地，零序电压、电流的暂态波形数据间以不同颜色区分。
[0025]优选地，所述故障样本集为根据实际输电线路段构建的仿真模型产生的类不平衡的故障样本集。
[0026]优选地，仿真模型产生类不平衡的故障样本集的步骤包括：
[0027](1)根据输电线路MN长度L，在其范围内均匀抽样产生距离M侧母线的故障距离Lm，距离N侧母线的故障距离为Ln＝L
‑
Lm，；
[0028](2)在0～90
°
范围内均匀抽样产生故障相角；
[0029](3)根据单相接地故障、两相短路故障、两相接地故障或三相短路故障等故障类型对应的概率抽样生成故障类型；
[0030](4)判断故障类型，若是单相故障，首先根据不同相别的故障概率生成相别，而后则根据具体的单相故障原因对应的概率抽样生成单相故障原因并匹配相应的过渡电阻；
[0031]其他故障类型则均匀的抽样生成故障相；
[0032](5)对于单相接地故障，按其生成的故障原因的对应过渡电阻概率均匀抽样生成过渡电阻；
[0033](6)对于两相短路故障和三相短路故障过渡电阻按相应值设固定设定置；
[0034](7)仿真生成故障样本，即二维暂态波形图像，并将前述步骤中确定的故障类型、故障相及故障原因作为该故障样本的标签；
[0035](8)重复上述步骤，直至仿真样本数目达到所需的数量。
[0036]本专利技术的另一目的是提供一种基于暂态波形图像识别的输电线路故障辨识方法，包括：
[0037]记录的输电线路故障时的输电线路首端电压/电流信号、末端电压/电流信号以及首末端的零序分量的暂态波形数据，并生成二维暂态波形图像；
[0038]将得到的二维暂态波形图像输入前述的分类器进行故障输电线路故障的辨识。
[0039]进一步的，所述输电线路故障辨识分类器部署在输电线路两端的变电站。
[0040]本专利技术的又一目的是提供一种基于暂态波形图像识别的输电线路故障辨识系统，包括，
[0041]二维暂态波形图像生成模块，用于获取输电线路故障所对应该的输电线路首端电压/电流信号、末端电压/电流信号以及首末端的零序分量的暂态波形数据，并生成和输出二维暂态波形图像；
[0042]前述的输电线路故障辨识分类器，与所述二维暂态波形图像生成模块相连，用于根据输入的二维暂态波形图像进行故障输电线路故障的辨识。
[0043]本专利技术中的基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及系统，与现有技术相比，具有如下有益效果：
[0044](1)以输电线路双端母线处监测的故障暂态波形图像为输入量，并且利用深度学习方法进行暂态波形图像分类识别，有助于降低故障特征提取的复杂性。
[0045](2)现有基于小规模平衡故障样本本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于暂态波形图像识别的输电线路故障辨识分类器，其特征在于，包括：AlexNet网络；所述AlexNet网络通过以下方式构建：S1、将输电线路故障所对应该的输电线路首端电压/电流信号、末端电压/电流信号以及首末端的零序分量的暂态波形数据做归一化处理；以同一故障所对应的归一化处理后的暂态波形数据，生成一张二维暂态波形图像作为故障样本；获得多个所述故障样本形成的故障样本集；S2、取经过预训练且第一全连接层、第二全连接层和分类输出层重置为待训练状态的AlexNet网络，输入所述故障样本集进行训练直至收敛。2.根据权利要求1所述的输电线路故障辨识分类器，其特征在于，所述故障样本的分类标签包括，故障类型、故障相及故障原因。3.根据权利要求1所述的输电线路故障辨识分类器，其特征在于，所述归一化处理中，根据输电线路的电压等级和输电容量，设定二维暂态波形图像上各波形的纵坐标尺度，且遵循以下原则：a.输电线路首端/末端电压信号采用同样的纵坐标尺度；b.输电线路首端/末端电流信号采用同样的纵坐标尺度；c.首末端的零序分量采用同样的纵坐标尺度；d.各纵坐标尺度在不会使得任一暂态波形数据被截断显示的前提下，尽可能的小。4.根据权利要求1所述的输电线路故障辨识分类器，其特征在于，所述二维暂态波形图像中，输电线路首端/末端电压/电流信号各相别的暂态波形数据重叠显示。5.根据权利要求4所述的输电线路故障辨识分类器，其特征在于，A、B、C各相别的暂态波形数据间以不同颜色区分。6.根据权利要求1所述的输电线路故障辨识分类器，其特征在于，所述二维暂态波形图像中，首/末端的零序分量的暂态波形数据重叠显示。7.根据权利要求1所述的输电线路故障辨识分类器，其特征在于，所述故障样本集为根据实际输电线路段构建的仿真模型产生的类不平衡的故障样本集。8.根据权利要求7所述的输电线路故障辨识分类器，其特征在于，仿真模型产生类不平衡的...
【专利技术属性】
技术研发人员：王建，吴昊，张博，熊小伏，欧阳金鑫，
申请(专利权)人：重庆大学，
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。