基于深度学习的高压电缆局部放电故障定位方法及系统技术方案

本发明专利技术涉及高压电缆技术领域，具体涉及基于深度学习的高压电缆局部放电故障定位方法及系统。方法包括以下步骤：S1:采用同步相量测量装置获取电力系统的原始局部放电脉冲的特征参数；S2:对原始局部放电脉冲的特征参数进行预处理，构建局部放电信号特征数据集，所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波；S3:将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中，输出故障区域识别结果或故障定位结果。利用了RMT和动态卡尔曼滤波对数据处理的优势，将PUMs采集的原始数据进行处理，得到更强的鲁棒性。性。性。

【技术实现步骤摘要】
基于深度学习的高压电缆局部放电故障定位方法及系统


[0001]本专利技术涉及高压电缆
，特别是一种基于深度学习的高压电缆局部放电故障定位方法及系统。

技术介绍

[0002]由于目前大量的电网动态数据测量存储应用，部分学者已开始利用基于数据驱动的人工智能方法解决电气设备故障区域定位问题，利用深度学习改变传统的电气设备诊断方式。本专利技术使用深度卷积神经网络完成对高压电缆的局部放电故障定位。为判断故障区域，评估电缆状态，及时发现故障征兆，实现故障预警，制定合理检修计划提供了科学依据。
[0003]目前可以通过阻抗法、行波法、广域通信法对电气设备进行故障定位。其中，阻抗法易受到路径阻抗，过渡电阻以及线路负荷的影响出现伪故障点；由于结构复杂，行波法会导致波阻抗不连续点多，难在行波信号中提取出有用的信息；广域通信法对通信要求高，且自动化开关等保护装置在整定值不正确时会引起误操作，因此难以兼顾灵敏性与可靠性问题。上述方法仅支持特定情况，不具备广泛意义。

技术实现思路

[0004]本专利技术的目的在于：针对现有技术存在的问题，提出了基于深度循环神经网络(DRNN)的新型深度学习(DL)分类和回归模型实现高压电缆局部放电故障区域识别和定位诊断方法，即提供了一种基于深度学习的高压电缆局部放电故障定位方法及系统，旨在完成电力系统中涉及的局放信号的故障区域识别和定位，提高系统保护灵敏度和可靠性，维持电力系统连续正常运行。
[0005]为了实现上述目的，本专利技术采用的技术方案为：
[0006]一种基于深度学习的高压电缆局部放电故障定位方法，包括：
[0007]S1:采用同步相量测量装置获取电力系统的原始局部放电脉冲的特征参数，所述原始局部放电脉冲的特征参数包括电流角，电流幅值，电压角和电压幅值。
[0008]S2:对原始局部放电脉冲的特征参数进行预处理，构建局部放电信号特征数据集，所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波；
[0009]S3:将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中，输出故障区域识别结果或故障定位结果；
[0010]所述深度循环神经网络包括输入层、隐藏LSTM层、LSTM层、全连接层、用于故障区域识别的Softmax层或用于故障定位的回归层、输出层。
[0011]作为本专利技术的优选方案，步骤S2中所述预处理的步骤包括：
[0012]实时滑动窗口从原始局部放电脉冲的特征参数获取原始矩阵；
[0013]以所述随机矩阵理论数据为检测依据，以动态卡尔曼滤波器为数据调节器对所述原始矩阵进行调整，得到修订后的矩阵，将所述修订后的矩阵作为局部放电信号特征数据集。
[0014]作为本专利技术的优选方案，所述数据调节器通过调整测量噪声协方差矩阵降低原始局部放电脉冲的特征参数中的噪声。
[0015]作为本专利技术的优选方案，采用以所述随机矩阵理论数据为检测依据具体是指将平均谱半径作为数据检测的指标，以降低原始局部放电脉冲的特征参数中的噪声并恢复缺失样本。
[0016]作为本专利技术的优选方案，步骤S1中，所述原始局部放电脉冲的特征参数是按照区域进采集的，每个区域的采集数据构成一个多维数组，包括用于故障区域识别的数组和用于故障定位判断的数组。
[0017]作为本专利技术的优选方案，当所述深度循环神经网络模型用于故障区域识别时，所述隐藏LSTM层和LSTM层均包括183个LSTM单元；
[0018]当所述深度循环神经网络模型用于故障定位时，所述隐藏LSTM层和LSTM层均包括100个LSTM单元。
[0019]作为本专利技术的优选方案，当所述深度循环神经网络模型用于故障区域识别时，全连接层的输出被馈送到Softmax层的输入，Softmax层输出故障区域识别结果，所述Softmax层采用了交叉熵损失函数。
[0020]作为本专利技术的优选方案，当所述深度循环神经网络模型用于故障定位时，全连接层的输出被馈送到回归层的输入，回归层输出故障定位结果，使用随机梯度下降法以监督的方式训练LSTM单元，通过时间反向传播来计算故障位置。
[0021]基于相同的构思，还提出了一种基于深度学习的高压电缆局部放电故障定位系统，包括：
[0022]原始数据采集模块：用于获取同步相量测量装置输出的电力系统的原始局部放电脉冲的特征参数，所述原始局部放电脉冲的特征参数包括电流角，电流幅值，电压角和电压幅值；
[0023]特征数据集构建模块：用于对原始局部放电脉冲的特征参数进行预处理，构建局部放电信号特征数据集，所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波；
[0024]定位识别模块：用于将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中，输出故障区域识别结果或故障定位结果；
[0025]所述深度循环神经网络包括输入层、隐藏LSTM层、LSTM层、全连接层、用于故障区域识别的Softmax层或用于故障定位的回归层。
[0026]基于相同的构思，还提出了一种基于深度学习的高压电缆局部放电故障定位装置，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
[0027]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
[0028]本专利技术提出一种基于深度循环神经网络的新型深度学习分类和回归模型，同时，提出基于随机矩阵理论和卡尔曼滤波的数据预处理方案。首次将其应用到高压电缆局部放电信号故障诊断中。该专利技术利用了RMT和动态卡尔曼滤波对数据处理的优势，将PUMs采集的原始数据进行处理，得到更强的鲁棒性。实验结果表明，采用改进后的动态卡尔曼滤波器，数据在信噪比(SNR最低取了5)较低的情况下，比不使用滤波器的均方根误差(RMSE)降低了
10左右，比使用传统卡尔曼滤波器处理后的RMSE降低了5左右，降噪能力明显提高。同时，当原始PMUs缺失30％的样本情况下，恢复其中13％左右的样本，具有缺失数据恢复的能力。
附图说明
[0029]图1是本专利技术的实施例1中一种基于深度学习的高压电缆局部放电故障定位方法的流程图；
[0030]图2是本专利技术实施例1中对原始局部放电脉冲的特征参数进行预处理的流程图；
[0031]图3是本专利技术实施例1中深度循环神经网络模型的结构图；
[0032]图4是本专利技术实施例2中具体的一种基于深度学习的高压电缆局部放电故障定位诊断方法的流程图。
具体实施方式
[0033]下面结合附图，对本专利技术作详细的说明。
[0034]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0035]实施例1
[0036]图1是本专利技术的一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的高压电缆局部放电故障定位方法，其特征在于，包括：S1:采用同步相量测量装置获取电力系统的原始局部放电脉冲的特征参数，所述原始局部放电脉冲的特征参数包括电流角，电流幅值，电压角和电压幅值；S2:对原始局部放电脉冲的特征参数进行预处理，构建局部放电信号特征数据集，所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波；S3:将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中，输出故障区域识别结果或故障定位结果；所述深度循环神经网络包括输入层、隐藏LSTM层、LSTM层、全连接层、用于故障区域识别的Softmax层或用于故障定位的回归层、输出层。2.根据权利要求1所述的基于深度学习的高压电缆局部放电故障定位方法，其特征在于，步骤S2中所述预处理的步骤包括：实时滑动窗口从原始局部放电脉冲的特征参数获取原始矩阵；以所述随机矩阵理论数据为检测依据，以动态卡尔曼滤波器为数据调节器对所述原始矩阵进行调整，得到修订后的矩阵，将所述修订后的矩阵作为局部放电信号特征数据集。3.根据权利要求2所述的基于深度学习的高压电缆局部放电故障定位方法，其特征在于，所述数据调节器通过调整测量噪声协方差矩阵降低原始局部放电脉冲的特征参数中的噪声。4.根据权利要求3所述的基于深度学习的高压电缆局部放电故障定位方法，其特征在于，采用以所述随机矩阵理论数据为检测依据具体是指将平均谱半径作为数据检测的指标，以降低原始局部放电脉冲的特征参数中的噪声并恢复缺失样本。5.根据权利要求1所述的基于深度学习的高压电缆局部放电故障定位方法，其特征在于，步骤S1中，所述原始局部放电脉冲的特征参数是按照区域进采集的，每个区域的采集数据构成一个多维数组，包括用于故障区域识别的数组和用于故障定位判断的数组。6.根据权利要求1所述的基于深度学习的高压电缆局部放电故障定位方法，其特征在于，当所述深度循环神经网络模型用于故障区...

【专利技术属性】
技术研发人员：马国庆，段玉兵，张皓，李鹏飞，陈子龙，葛瑾，陈立民，殷艳华，
申请(专利权)人：国网山东省电力公司潍坊供电公司成都恒锐智科数字技术有限公司，
类型：发明
国别省市：