CN106980073A - 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法 - Google Patents

Abstract

本发明涉及一种基于卷积神经网络的输电线路双端故障录波数据匹配方法。首先搭建线路故障仿真模型，对参数进行遍历，形成参数矩阵，得到故障时两端的电流数据作为样本的输入，将匹配结果作为样本的输出，同理生成测试样本。其次，列出网络结构，对网络进行训练测试，得到测试样本的错误率，错误率最小的网络结构即为最佳网络结构。然后，在最佳网络结构下，改变批处理数，增加训练次数，保存训练好的错误率低的网络结构参数和权值偏置矩阵。最后，在每次故障之后，将需要匹配的数据输入到训练好的网络，即可输出匹配结果。该方法所需电气量少，不受系统频率、过渡电阻、故障位置、故障类型的影响，数据匹配的准确率比数据匹配三重判据结果更高。

Description

一种基于卷积神经网络的输电线路双端故障录波数据匹配 方法

技术领域

本发明涉及一种输电线路故障匹配方法，尤其是涉及一种基于卷积神经网络的输电线路双端故障录波数据匹配方法。

背景技术

故障信息系统中含有海量的故障录波数据，其往往具有时序性、时钟不同步性、不一致性、不完整性、冗余性等特征，同一时标下的输电线路两端录波数据并不一定是匹配的。把输电线路两端双端故障录波数据匹配，将其应用于双端故障测距，保护行为分析，故障回放、事故状态下等值校验等，将能更好的发挥数据的价值，对故障分析与故障恢复具有重要的意义。

目前的故障数据匹配方法：首先选定线路一端故障数据作为本次故障的数据源，提取故障时间和故障相别等特征量，通过分析对端故障数据的电气量，确定故障相别一致后，故障时间差异最小的故障数据为该次输电线路故障的匹配数据。该方法相比于传统的时标法准确性有所提高，但是在发生连续性故障或保护装置重合闸的情况下，时标不够精确且为同种故障时仍然可能导致故障数据匹配错误

深度学习的主要模型有卷积神经网络、深度置信网、堆栈自编码网络、循环神经网络等。随着人工智能的发展，深度学习备受关注，在手写字识别、人脸识别、语音识别、图像识别等方面展现出强大的优势。深度学习在电力工业方面也开始发挥其优势。积神经网络作为深度学习的典型模型之一，具有强大的学习泛化能力，在电力工业已经开始有所应用，其中，风电场功率预测、电力变压器故障诊断、发电机故障挖掘等方面的应用研究已经开展，为许多电力问题提供了更好的解决方案，但其在输电线路双端故障数据匹配方面的应用尚为空白。

针对上述背景，本发明设计了一种基于卷积神经网络的输电线路双端故障录波数据匹配方法，用于准确、可靠地进行输电线路双端故障录波数据匹配。

发明内容

本发明的目的是克服现有输电线路双端故障录波数据匹配方法的不足，提供一种基于卷积神经网络的输电线路双端故障录波数据匹配方法，该方法所需电气量少(仅需电流，不需要电压)且不需要对各种参数和阈值进行整定，该方法基本不受系统频率、过渡电阻、故障位置、故障类型等因素的影响，数据匹配的准确率比数据匹配三重判据结果更高。

本发明技术方案提供一种输电线路故障匹配方法，包括以下步骤，

一种基于卷积神经网络的输电线路双端故障录波数据匹配方法，其特征在于，包括：

步骤1、获取卷积神经网络的训练样本和测试样本，实现方式如下，

1.1、在电力系统仿真软件(MATLAB等)中搭建电力系统输电线路故障模型，其原理图如图1所示，其中，为电源电压，Z_m、Z_n为电源等效阻抗，f为系统频率，l为输电线路长度，x为故障位置，过渡电阻R_g，i_m、i_n为保护安装处采样电流，m为线路m侧，n为线路n侧；

1.2、编写程序代码对电力系统的参数进行排列组合生成参数矩阵。参数包括系统频率、故障位置、电源电压相角和幅值、故障类型，两端电源的等级，电源等效阻抗、输电线路长度、线路参数、相间故障电阻、接地故障电阻等一系列与短路故障有关的因素，根据工程情况对每种因素在其可变范围内进行取值，按照排列组合的方式对参数进行遍历，形成参数矩阵，矩阵中每一行代表依次故障中所有可变参数的一种组合，每一列表示一种参数；

1.3、编写批处理程序，将1.2中生成的参数矩阵以行为单位，依次输入模型并运行，得到故障时两端的电流数据作为样本的输入，将匹配结果作为样本的输出。样本由两部分组成，一部分为仿真生成的输电线路两端匹配的数据，另一部分为通过随机函数对输电线路两端数据进行随机组合生成的不匹配数据，将输入与输出一一对应，得到训练样本；

1.4、改变1.2中程序参数，重新生成不同的参数矩阵，然后重复1.3，得到测试样本。程序参数包括电线路长度，线路参数，系统频率，故障位置，电源电压相角和幅值，故障类型，两端电源的等级，电源等效阻抗，相间故障电阻，接地故障电阻

步骤2、数据预处理。对训练样本与测试样本的数据进行归一化处理，使矩阵中的每一个元素的值介于区间[0，1]之内；

步骤3、对步骤2得到的数据进行min-max归一化处理，然后寻找卷积神经网络进行输电线路双端故障录播数据的最佳结构，实现方式如下，

3.1、列出网络结构，为卷积层(C层)采样层(S层)交替重复，本层的输出作为下一层的输入，使网络结构对输入样本有较高的畸变容忍能力，更准确地实现对数据的分级表达。假设每个卷积层的输入矩阵维度为m_i*n_i*i，其中m_i为每个输入样本矩阵的行数，n_i为每个输入样本矩阵的列数，i为输入样本总数；输出矩阵维度为m_o*n_o*o，其中m_o为每个输出样本矩阵的行数，n_o为每个输出样本矩阵的列数，o为输出样本总数，卷积层的卷积核为k*k，则每个卷积层的输入输出必须满足如下公式：

m_i，n_i，i，m_o，n_o，o为整数

3.2、设置批处理数量和训练次数为定值，对不同网络结构进行训练和测试，得到错误率最低的网络结构，该结构即为最佳网络结构。

步骤4、在最佳网络结构下，改变批处理数，增加训练次数，使测试样本的错误率降到最低，然后保存训练好的网络结构参数和权值偏置矩阵；

步骤5、将需要匹配的数据输入到训练好的网络，即可输出匹配结果，无需再次训练，原理如图2所示。

与现有技术相比，本发明的优势在于：1、本发明通过卷积神经网络进行输电线路双端故障录波数据匹配。不存在传统数据匹配方法匹配准确率低，受故障类型影响大，连续故障或保护重合闸时故障数据不能正确分辨等问题；2、本发明通过对系统频率、故障类型、过渡电阻等一系列影响输电线路双端故障录波数据匹配的因素进行了遍历，通过卷积神经网络强大的泛化学习能力，使该方法基本不受系统频率、过渡电阻、故障位置、故障类型等因素的影响，具有很高的可靠性；3、该方法所需电气量少(仅需电流，不需要电压)，且不需要对各种参数、阈值进行整定，数据匹配更加方便准确；4、通过搭建仿真模型对电源电压、系统频率、输电线路参数、故障位置、过渡电阻、故障类型等一系列影响区内外故障判断和故障选相的因素进行遍历仿真，得到海量的双端电流数据，以此作为训练样本，依托卷积神经网络强大的学习泛化能力，有望实现用同一权重偏置参数对电力系统中所有线路故障进行输电线路故障录波数据进行匹配，在未来智能电网的发展中具有广阔应用前景；5、本发明通过训练好的网络进行数据匹配，无需再次训练，匹配迅速，很大程度的满足工程需要。

附图说明

图1是本发明双端供电系统简图。

图2是本发明输电线路双端故障录波数据匹配原理图。

图3是本发明实施例的实施步骤。

具体实施方式

以下结合附图和实施例对本发明的技术方案进行详细说明。

为解决现有输电线路双端故障录波数据匹配方法匹配准确率低，受故障类型影响大，连续故障或保护重合闸时故障数据不能正确分辨等问题本发明实施例提供一种利用卷积神经网络进行输电线路双端故障录波数据匹配的新方法，具体实施步骤如下：

步骤1、获取卷积神经网络的训练样本和测试样本，实现方式如下，

1.1、在电力系统仿真软件(MATLAB等)中搭建电力系统输电线路故障模型，其原理图如图1所示，其中，为电源电压，Z_m、Z_n为电源等效阻抗，f为系统频率，l为输电线路长度，x为故障位置，过渡电阻R_g，i_m、i_n为保护安装处采样电流；

1.2、编写程序代码对电力系统的参数进行排列组合生成参数矩阵。参数包括系统频率、故障位置、电源电压相角和幅值、故障类型，两端电源的等级，电源等效阻抗、输电线路长度、线路参数、相间故障电阻、接地故障电阻等一系列与短路故障有关的因素，根据工程情况对每种因素在其可变范围内进行取值，按照排列组合的方式对参数进行遍历，形成参数矩阵，矩阵中每一行代表依次故障中所有可变参数的一种组合，每一列表示一种参数；

1.3、编写批处理程序，将1.2中生成的参数矩阵以行为单位，依次输入模型并运行，得到线路两端的电流采样序列，取故障前一周波和故障后一周波的采样序列作为有效数据，对其进行预处理得到输入矩阵，输入矩阵为三维矩阵，其中第一维是电气量随时间变化的采样序列；第二维是电气量种类，即输电线路两端的三相电流i_ma、i_mb、i_mc和i_na、i_nb、i_nc，故第二维度为6；第三维度是样本数，其中前1/2数据为仿真生成数据通过随机函数随机生成的组合，大部分为不匹配数据，后1/2数据为仿真生成的线路两端匹配的数据。将匹配结果作为样本的输出，每个输入样本对应一个输出样本，输出矩阵第一维是输出的分类结果，故第一维度为2，第二维度为样本数。得到故障时两端的电流数据作为样本的输入，将匹配结果作为样本的输出，将输入与输出一一对应，得到训练样本；

1.4、改变1.2中程序参数，重新生成不同的参数矩阵，然后重复1.3，得到测试样本。

步骤2、数据预处理。对训练样本与测试样本的数据进行归一化处理(如min-max标准化、z-score标准化方法等)，使矩阵中的每一个元素的值介于区间[0，1]之内；

步骤3、寻找卷积神经网络进行输电线路双端故障录播数据的最佳结构，实现方式如下，

3.1、列出尽可能多可能的网络结构。一般为卷积层(C层)采样层(S层)交替重复，本层的输出作为下一层的输入，使网络结构对输入样本有较高的畸变容忍能力，更准确地实现对数据的分级表达。假设每个卷积层的输入矩阵维度为m_i*n_i*i，其中m_i为每个输入样本矩阵的行数，n_i为每个输入样本矩阵的列数，i为输入样本总数；输出矩阵维度为m_o*n_o*o，其中m_o为每个输出样本矩阵的行数，n_o为每个输出样本矩阵的列数，o为输出样本总数，卷积层的卷积核为k*k，则每个卷积层的输入输出必须满足如下公式：

m_i，n_i，i，m_o，n_o，o为整数

3.2、设置批处理数量和训练次数为定值，对不同网络结构进行训练和测试，得到错误率最低的网络结构，该结构即为最佳网络结构。

步骤4、在最佳网络结构下，改变批处理数，增加训练次数，使测试样本的错误率降到最低，然后保存训练好的网络结构参数和权值偏置矩阵；

步骤5、将需要匹配的数据输入到训练好的网络，即可输出匹配结果，无需再次训练，原理如图2所示。

为验证本发明方法的准确性和可靠性，采用本实施例方法进行以下的仿真实验：

线路长度l为100km，线路正序电感为0.9337mH/km，正序电容为0.01274μF/km，正序电阻为0.0127Ω/km，采样率为1.2kHz，电压等级为220kV，两侧系统阻抗为1+j31.4Ω。仿真模型采用pi型等效线路模型；短路开始时刻为0.05s，切除结束时刻为0.1s，仿真总时长为0.1s。

根据步骤1得到训练样本和测试样本，其中，训练样本的可变参数如表1所示，所有组合一共有种，故样本总数为18000个；测试样本的可变参数如表2所示，所有组合一共有种，故样本总数为7000个。综上所述，训练样本输入矩阵(train_x)为48×6×18000维度矩阵，输出矩阵(train_y)为2×18000维度矩阵；测试样本输入矩阵(test_x)为48×6×7500维度矩阵，输出矩阵(test_y)为2×7500维度矩阵。

表1训练样本参数遍历表

表2测试样本参数遍历表

依据步骤3，寻找最佳网络结构。设置批处理数为50，训练次数为2，在批处理数和训练次数相同的情况下，通过设置不同的网络结构与卷积核进行训练测试。其中，C表示卷积层，S表示降采样层，卷积核一栏中两个数字分别为两个卷积层的卷积核维度，批处理数表示训练过程中每批输入的训练样本个数，错误率为训练好的网络对测试样本进行测试后得到的输出结果错误的样本占测试样本总数的百分比，训练时间为对训练样本完成设定训练次数所消耗的时间，测试结果如表3所示。

表3不同网络结构下输电线路两端故障录波数据匹配结果

由表3可知，序号4对应的错误率最低，故网络结构为6C-1S-12C-2S，卷积核依次为2和4时，CNN进行数据匹配具有更好的效果。

在表3序号4对应的网络结构下，分别设置不同的批处理数和训练次数，得到对应的错误率，结果如表4所示。由表可知，在相同的批处理数下，随着训练次数的增多，训练时间增长，错误率降低，最后错误率稳定在某一值附近；在训练次数相同的条件下，批处理数越小，训练时间越长，错误率越低。一般情况下，权值调整次数越多，错误率越低，训练时间越长。由表4中实验结果可知，在训练样本不变的情况下，测试结果的错误率可以降到0.95％，为传统故障数据匹配三重判据(针对测试样本错误率为3.8％)的1/4左右，由此可见，基于卷积神经网络进行数据匹配算法具有更高的准确度。

表4最佳网络结构下卷积神经网络用于输电线路两端故障录波数据匹配结果

由实验可知：在测试样本中，测试样本中的系统频率、故障位置、故障类型、过渡电阻与训练样本不同的情况下，卷积神经网络仍能够进行数据匹配，而且匹配准确率高，基本不受上述因素的影响，仅需要电流量即可进行数据匹配，不需要其他电气量，也不需要对各种阈值进行整定，由此可见卷积神经网络具有强大的泛化能力与学习能力，可以很好的应用于数据匹配。综合上述分析，当样本数足够时，卷积神经网络用于输电线路双端故障录波数据匹配具有极高的准确率。

以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变换或变型，因此所有等同的技术方案，都落入本发明的保护范围。

Claims (1)

1.一种基于卷积神经网络的输电线路双端故障录波数据匹配方法，其特征在于，包括：

步骤1、获取卷积神经网络的训练样本和测试样本，实现方式如下，

步骤1.1、在电力系统仿真软件中搭建电力系统输电线路故障模型，定义为电源电压，Z_m、Z_n为电源等效阻抗，f为系统频率，l为输电线路长度，x为故障位置，过渡电阻R_g，i_m、i_n为保护安装处采样电流，m为线路m侧，n为线路n侧；

步骤1.2、对电力系统的参数进行排列组合生成参数矩阵；参数包括系统频率、故障位置、电源电压相角和幅值、故障类型，两端电源的等级，电源等效阻抗、输电线路长度、线路参数、相间故障电阻、接地故障电阻等一系列与短路故障有关的因素，根据工程情况对每种因素在其可变范围内进行取值，按照排列组合的方式对参数进行遍历，形成参数矩阵，矩阵中每一行代表依次故障中所有可变参数的一种组合，每一列表示一种参数；

步骤1.3、将步骤1.2中生成的参数矩阵以行为单位，依次输入模型并运行，得到故障时两端的电流数据作为样本的输入，将匹配结果作为样本的输出；样本由两部分组成，一部分为仿真生成的输电线路两端匹配的数据，另一部分为通过随机函数对输电线路两端数据进行随机组合生成的不匹配数据，将输入与输出一一对应，得到训练样本；

步骤1.4、改变步骤1.2中程序参数，重新生成不同的参数矩阵，然后重复1.3，得到测试样本；程序参数包括电线路长度，线路参数，系统频率，故障位置，电源电压相角和幅值，故障类型，两端电源的等级，电源等效阻抗，相间故障电阻，接地故障电阻

步骤2、数据预处理；对训练样本与测试样本的数据进行归一化处理，使矩阵中的每一个元素的值介于区间[0，1]之内；

步骤3、对步骤2得到的数据进行min-max归一化处理，然后寻找卷积神经网络进行输电线路双端故障录播数据的最佳结构，实现方式如下，

步骤3.1、列出网络结构，为卷积层(C层)采样层(S层)交替重复，本层的输出作为下一层的输入，使网络结构对输入样本有较高的畸变容忍能力，更准确地实现对数据的分级表达；假设每个卷积层的输入矩阵维度为m_i*n_i*i，其中m_i为每个输入样本矩阵的行数，n_i为每个输入样本矩阵的列数，i为输入样本总数；输出矩阵维度为m_o*n_o*o，其中m_o为每个输出样本矩阵的行数，n_o为每个输出样本矩阵的列数，o为输出样本总数，卷积层的卷积核为k*k，则每个卷积层的输入输出必须满足如下公式：

步骤3.2、设置批处理数量和训练次数为定值，对不同网络结构进行训练和测试，得到错误率最低的网络结构，该结构即为最佳网络结构；

步骤4、在最佳网络结构下，改变批处理数，增加训练次数，使测试样本的错误率降到最低，然后保存训练好的网络结构参数和权值偏置矩阵；

步骤5、将需要匹配的数据输入到训练好的网络，即可输出匹配结果，无需再次训练。