【技术实现步骤摘要】
本专利技术涉及输电线路线运维，具体涉及一种基于多源数据的输电线路故障辨识方法、装置及电子设备。
技术介绍
1、输电线路作为电力系统的重要组成部分，运行环境复杂，易受气象因素和外力破坏的干扰，这给电网的稳定运行带来了很大的挑战。然而，目前电网运维应用的故障分析装置功能和精度有限，线路的重合闸相对较为盲目，往往会出现同一线路在较短时间内出现多次跳闸的情况，或者保护动作不正确的情况。此外，故障性质的判断主要依靠人工巡线，也无法及时准确地判断故障性质和给出恢复措施。
2、为了提高电网的运行安全性和可靠性，需要加强对输电线路的监测和维护。采用全面且精准的故障分析装置，结合多源数据，利用机器学习和人工智能技术对线路的运行状态进行全面、准确的分析，及时地给出故障恢复措施和预测性维护建议，有助于保障电力系统的安全稳定运行，提高电网的故障运维效率和有效性，维护其安全稳定性。而现有考虑包含输电线路电气量和气象因素的多源数据作为故障特征的研究主要将气象因素按主观因素简单分类，并未考虑精细化气象因素与故障特性的联系。而且电气量特征也主要由提取的波形特征参数构成，并不全面。
3、综上，目前尚缺少利用电气量和气象因素的多源数据判断故障原因、故障类型和故障性质的研究。
技术实现思路
1、有鉴于此，本专利技术提供一种基于多源数据的输电线路故障辨识方法、装置和电子设备，其能够根据输电线路故障后的多源数据判断故障性质并给出线路重合闸决策建议，并可视化显示与系统界面，解决了现有研究难以准确判断故
2、本专利技术第一方面公开了一种基于多源数据的输电线路故障辨识方法，其包括以下步骤：
3、s1，获取故障线路的故障录波数据，以及故障线路所在区域与故障时刻对应的气象同化数据；
4、s2，基于所述故障录波数据获得故障暂态录波图像，作为波形图像特征；将所述气象同化数据转换为张量形式，作为环境张量特征；
5、s3，将基于故障录波数据的波形图像特征和基于气象同化数据的环境张量特征共同作为输入特征，输入预先构建好的故障分类模型，以输出故障结果，所述故障结果包括故障原因和发生概率、故障类型和故障性质；
6、s4，现场巡线确定真实故障标签，将真实故障结果和基于故障分类模型输出的故障结果作为积累故障样本，在积累故障样本达到预定规模时对故障分类模型进行更新。
7、具体地，在步骤s1中，通过提取输电线路中跳闸的故障线路两端节点的故障录波作为故障线路的故障录波数据。优选地，在步骤s1中，提取故障发生后故障线路的故障录波是指提取三相和零序电压、电流数据，以跳闸后长度为三个周期的数据窗口提取数据。即，本专利技术中的故障录波数据是指故障线路的三相和零序电压、电流数据。
8、另外优选地，在步骤s1中，提取故障线路所在区域的气象同化数据是指基于电网设备运维服务的网格化管理模式提取故障线路所在的区域网格的气象同化数据，提取的气象同化数据的时段包含故障时刻，区域网格的空间分辨率包括故障线路，优选地，网格空间分辨率为1-6km，时间分辨率为6-60min。
9、优选地，在步骤s1中，提取的气象同化数据包括以下中的至少一种：2m气温、2m比湿、气压、10m水平风速、10m竖直风速、降水、云量和积雪。
10、在步骤s2中，波形图像特征的形成过程为：将提取的三相和零序电压、电流数据经滤波、去噪、数据均衡化和归一化处理后分别形成时域曲线，在将分别对应电压和电流的时域曲线分别形成电压和电流暂态波形图，然后将分别的电压和电流暂态波形图组合在一张新的图像上作为暂态波形图像特征。在一个优选的实施例中，三相电压和零序电压为一张图像，a、b、c三相颜色分别为黄、绿和红色，零序颜色为灰色。而且优选地，电流图像与电压形成方式相同，电压和电流的分辨率基准值为10khz，当录波数据采样率高于基准值时降采样，低于时通过插值提高采样率。
11、现有技术中所采用的基于深度神经网络的线路故障辨识方法，要么是单独的采用单图像特征，要么是采用单张量特征作为输入，并没有考虑到多源数据的融合，而在根据本专利技术第一方面所公开的基于多源数据的输电线路故障辨识方法中，实现的是波形图像特征和环境张量特征的共同输入，也就是说，在本专利技术中，实现了图像特征和张量特征二者的共同输入。具体地，在根据本专利技术第一方面的方法中，将基于故障录波数据获得故障暂态录波图像作为波形图像特征，同时将基于气象同化数据转换成的张量作为环境张量特征，并且两者共同作为故障分类模型的输入特征，相较于现有技术中基于单图像或但张量特征的输入，本专利技术可以利用更多有效信息，从而有助于提升分类能力，从而提高了故障特征的准确性和全面性，可以提高线路的稳定性和安全性，降低故障发生的概率，减少停电时间和损失。
12、而且，更重要地，在本专利技术第一方面所公开的基于多源数据的输电线路故障辨识方法中，输入的基于故障录波数据的波形图像特征和输入的基于气象同化数据的环境张量特征能够在故障分类模型中获得融合，从而共同作为故障识别特征。这实现了多源数据的融合，而非单独使用为故障识别特征。这相较于现有技术中将图像特征或张量特征单独作为故障识别特征的方式，出人意料地提高了故障辨识的准确性和全面性。
13、本专利技术中波形图像特征和环境张量特征的多源融合的具体实现过程能够从下面公开的实现方式中获得。
14、在本专利技术中，故障分类模型通过深度神经网络单元搭建，包括输入层、中间隐藏层和输出层，其中的深度神经网络单元能够为resnet的残差块。在步骤s3中，将暂态波形图像特征与环境张量特征作为多模态特征输入到故障分类模型中，这也就使得在故障分类模型的输入层中包括暂态波形图像特征模态和环境张量特征模态。
15、根据本专利技术第一方面所公开的基于多源数据的输电线路故障辨识方法，所述故障分类模型构造为：
16、在故障分类模型中，能够将输入的基于故障录波数据的波形图像特征转换为录波单行张量；
17、将所述录波单行张量与输入的、基于气象同化数据的环境张量特征结合为新的单行张量，作为故障识别单行张量；
18、基于故障识别单行张量计算对应故障结果的概率，取概率最大的故障标签作为输出。
19、进一步地，将输入的基于故障录波数据的波形图像特征转换为录波单行张量的步骤包括：
20、输入的波形图像特征经故障分类模型的卷积层和最大池化层进行处理；
21、再经过多残差块转换为特征图，其中保持特征图尺寸不变；
22、使用全局平均池化层对特征图进行池化操作，将每个特征图的高度和宽度减少到1，而后以参数不变的方式将特征图展开为所述录波单行张量。
23、在上述波形图像特征和环境张量特征融合的过程中，优选地，自故障分类模型的输入层输入的暂态波形图像特征和环境张量特征二者分别经过卷积层形成特征图后进入中间隐藏层，中间隐藏层包含若干残差块，优选为8个，本文档来自技高网...
【技术保护点】
1.一种基于多源数据的输电线路故障辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源数据的输电线路故障辨识方法，其特征在于，
3.根据权利要求2所述的基于多源数据的输电线路故障辨识方法，其特征在于，
4.根据权利要求2所述的基于多源数据的输电线路故障辨识方法，其特征在于，
5.根据权利要求1所述的基于多源数据的输电线路故障辨识方法，其特征在于，
6.根据权利要求1-5中任一项所述的基于多源数据的输电线路故障辨识方法，其特征在于，
7.根据权利要求6所述的基于多源数据的输电线路故障辨识方法，其特征在于，
8.一种基于多源数据的输电线路故障辨识装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的基于多源数据的输电线路故障辨识方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机
...【技术特征摘要】
1.一种基于多源数据的输电线路故障辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源数据的输电线路故障辨识方法，其特征在于，
3.根据权利要求2所述的基于多源数据的输电线路故障辨识方法，其特征在于，
4.根据权利要求2所述的基于多源数据的输电线路故障辨识方法，其特征在于，
5.根据权利要求1所述的基于多源数据的输电线路故障辨识方法，其特征在于，
6.根据权利要求1-5中任一项所述的基于多源数据的输电线路故障辨识方法，其特征在于，
7.根据权利要求6所述...
【专利技术属性】
技术研发人员：王建，张博，赵启，林丰恺，吴昊，南东亮，欧阳金鑫，张路，谭金龙，
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。