一种基于CNN-LSTM的单端输电线路故障快速定位方法技术

本发明专利技术公开了一种基于CNN

【技术实现步骤摘要】
一种基于CNN
‑
LSTM的单端输电线路故障快速定位方法


[0001]本专利技术涉及电力工程领
，具体为一种基于CNN
‑
LSTM的单端输电线路故障快速定位方法。

技术介绍

[0002]输电线路通常非常长，因此精确的故障定位技术可以帮助电力工程师更快地到达故障点，从而显著节省劳动力，并加快修复和恢复过程。传统的故障定位方法可以分为双端和单端方法。双端方法使用线路两端的电压或电流测量值来估计故障距离。这种方法通常能够提供较高的准确性，但需要获得双端数据、同时还需要可靠的通信，并且在大多数情况下需要精确的数据和时间同步技术。相比之下，单端方法更加便捷，因为它只需要一个端的测量值，通信和数据同步要求更低。
[0003]单端方法通常有两种典型的方法：阻抗法和行波法。单端阻抗法使用测量的基频来通过计算从故障点到末端的阻抗从而确定故障位置。其性能受到故障路径电阻、负载和源参数的影响。此外，单端阻抗法通常需要更长时间故障数据，因为故障测量的前一两个周期包含许多直流和高频成分，这会极大地影响故障位置的准确性。单端行波法通过监测波的到达时间来确定故障位置。当输电线路发生故障时，电压和电流波将以接近光速的速度从故障点向两个端点传播。基于单个端口第一次和第二次(或第三次)到达波之间的时间间隔，可以很容易地估算故障距离。然而，当故障发生在母线附近或故障发生角度较小时，其准确性存在疑问。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述存在的问题，提出了本专利技术。
[0006]因此，本专利技术解决的技术问题是：常用单端故障定位方法如阻抗法和行波法是常用的单端故障定位方法，以及其他双端故障定位方法具有以下的一些缺点：受负载变化的影响：输电线路的负载和源的参数会对阻抗值产生影响，导致阻抗法的故障定位精度下降。受线路结构和故障类型的影响：行波法的故障定位精度受到线路结构和故障类型的影响，例如在母线附近或故障发生角度较小时，其定位精度可能下降。双端故障定位方法需要测量两个端口之间的到达时间差，并进行多次测量求平均，因此需要较长的时间来完成定位，大多数情况下还需要精确的时间同步方法。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种基于CNN
‑
LSTM的单端输电线路故障快速定位方法，包括：
[0008]采集参数数据，并将其存储；
[0009]对采集到的数据进行预处理；
[0010]设计并搭建基于CNN
‑
LSTM的快速定位模型；
[0011]使用采集的数据进行模型训练；
[0012]使用已训练好的模型对新的输电线路数据进行故障定位。
[0013]作为本专利技术所述的基于CNN
‑
LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述参数数据包括故障发生时的电压、电流、时序数据和故障位置点；
[0014]所述预处理包括：去除噪声、异常值和缺失值。
[0015]作为本专利技术所述的基于CNN
‑
LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述基于CNN
‑
LSTM的快速定位模型，具体包括：
[0016]输入层、CNN层、LSTM层、全连接层、输出层。
[0017]作为本专利技术所述的基于CNN
‑
LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述输入层，包括：
[0018]接收采集到的参数数据，并传输到CNN层。
[0019]作为本专利技术所述的基于CNN
‑
LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述CNN层，由卷积层、ReLU层和最大池化函数层组成，
[0020]所述卷积层，包括，卷积函数：
[0021][0022]其中，f表示滤波器特征函数，
ɡ
表示与滤波器相对应的输入，n表示滤波器中卷积核，r表示卷积核中的每一个元素；卷积运算的输出经过所述ReLU层激活，然后进行最大池化操作以降低维度；
[0023]所述最大池化函数层，包括，最大池化函数公式：
[0024]给定一个n
×
m的输入矩阵X，和一个k
×
k的池化窗口，则最大池化函数的输出矩阵Y的元素y
i,j
计算公式如下：
[0025][0026]其中，x
i
×
k+p,j
×
k+q
表示输入矩阵X的第i
×
k+p行，第j
×
k+q列的元素，p表示行循环变量，q表示列循环变量，k表示池化窗口的边长数；对于输出矩阵Y的每个元素，在输入矩阵中找到对应的池化窗口，然后取窗口内的最大值作为输出元素的值。
[0027]作为本专利技术所述的基于CNN
‑
LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述LSTM层，具体包括：
[0028]输入门：在每一个时间步，根据当前的输入和前一时间步的输出来确定需要被保留的信息，并将它们加入到LSTM的状态中，其中，被保留的信息表示为：
[0029]i
t
＝σ(W
i
[x
t
,h
t
‑
1]+b
i
)
[0030]其中，x
t
表示当前时间步的输入，h
t
‑1表示前一时间步的输出，σ表示sigmoid函数，W
i
是输入门的权重矩阵，b
i
是输入门的偏置向量；
[0031]遗忘门：根据当前的输入和前一时间步的输出来决定需要从LSTM的状态中删除的信息，并更新LSTM的状态，其中，被保留的旧信息表示为：
[0032]f
t
＝σ(W
f
[x
t
,h
t
‑1]+b
f
)
[0033]其中，W
f
是遗忘门的权重矩阵，b
f
是遗忘门的偏置向量，其余字符含义与上述相同；
[0034]输出门：当LSTM的状态已经包含了历史信息之后，输出门会根据当前的输入和前一时间步的输出来决定需要被输出到下一层或者作为最终输出的信息，其中，输出到下一层或者作为最终输出的信息表示为：
[0035]o
t
＝σ(W
o
[x
t
,h
t
‑1]+b
o
)
[0036]其中，W
o
是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
LSTM的单端输电线路故障快速定位方法，其特征在于，包括：采集参数数据，并将其存储；对采集到的数据进行预处理；设计并搭建基于CNN
‑
LSTM的快速定位模型；使用采集的数据进行模型训练；使用已训练好的模型对新的输电线路数据进行故障定位。2.如权利要求1所述的基于CNN
‑
LSTM的单端输电线路故障快速定位方法，其特征在于：所述参数数据包括故障发生时的电压、电流、时序数据和故障位置点；所述预处理包括：去除噪声、异常值和缺失值。3.如权利要求2所述的基于CNN
‑
LSTM的单端输电线路故障快速定位方法，其特征在于：所述基于CNN
‑
LSTM的快速定位模型，具体包括：输入层、CNN层、LSTM层、全连接层、输出层。4.如权利要求3所述的基于CNN
‑
LSTM的单端输电线路故障快速定位方法，其特征在于：所述输入层，包括：接收采集到的参数数据，并传输到CNN层。5.如权利要求4所述的基于CNN
‑
LSTM的单端输电线路故障快速定位方法，其特征在于：所述CNN层，由卷积层、ReLU层和最大池化函数层组成，所述卷积层，也括，卷积函数：其中，f表示滤波器特征函数，
ɡ
表示与滤波器相对应的输入，n表示滤波器中卷积核，r表示卷积核中的每一个元素；卷积运算的输出经过所述ReLU层激活，然后进行最大池化操作以降低维度；所述最大池化函数层，包括，最大池化函数公式：给定一个n
×
m的输入矩阵X，和一个k
×
k的池化窗口，则最大池化函数的输出矩阵Y的元素y
i,j
计算公式如下：其中，x
i
×
k+p,j
×
k+q
表示输入矩阵X的第i
×
k+p行，第j
×
k+q列的元素，p表示行循环变量，q表示列循环变量，k表示池化窗口的边长数；对于输出矩阵Y的每个元素，在输入矩阵中找到对应的池化窗口，然后取窗口内的最大值作为输出元素的值。6.如权利要求5所述的基于CNN
‑
LSTM的单端输电线路故障快速定位方法，其特征在于：所述LSTM层，具体包括：输入门：在每一个时间步，根据当前的输入和前一时间步的输出来确定需要被保留的信息，并将它们加入到LSTM的状态中，其中，被保留的信息表示为：i
t
＝σ(W
i
[x

【专利技术属性】
技术研发人员：杨永祥，金学煜，李国航，
申请(专利权)人：云南拓洲科技有限公司，
类型：发明
国别省市：