CN113848471B - 继电保护系统的故障智能定位方法及系统 - Google Patents

Abstract

本发明公开了一种继电保护系统的故障智能定位方法及系统，包括对继电保护系统故障的分类；以实验的方式模拟继电保护系统的故障，建立故障数据库；对故障数据采集、预处理、规范化处理并合成；为区分故障类型，提出了一种十六进制故障定位矩阵和相应的二进制配置规则，将故障点和智能定位方法连接；对故障数据进行以深度神经网络DNN，合成少数类过采样技术SMOTE和随机森林RF为基底的深度学习，训练并保存深度学习参数，得到完整的智能定位方法。本发明可以帮助继电保护人员快速定位故障，缩短二次回路故障排查时间、大大提高定位的准确性和效率。

Description

继电保护系统的故障智能定位方法及系统

技术领域

本发明涉及电力系统的继电保护领域，特别是继电保护系统的故障智能定位方法及系统。

技术背景

随着现代电网规模的发展，设备数量不断增加，传统继电保护定期检修模式已不适应电网生产运行需要。而作为电网第一道防线的继电保护设备，其运维检修质量将直接影响到电网的安全稳定运行，因此开展继电保护检修新模式探索十分必要。继电保护系统的回路分为两部分，一部分是拥有自检能力的通信回路；另一部分则是缺少硬件自检且难以监测状态的交流回路、直流回路以及工作电源回路等二次回路。二次回路由许多继电器和连接设备的电缆组成，具有点多、分散的特点，其工作状态的确定是通过部分自检和人员巡检来完成的，缺少智能诊断设备和方法。一般而言，回路中因绝缘破坏导致的一点接地状态不直接影响二次回路的正常运行，但若不能迅速定位并消除故障，发生多点接地故障，就很有可能引起保护误动作。

由于二次回路系统的结构复杂、器件繁多，缺陷种类多达上百种，处理二次回路相关缺陷不仅要求继电保护工作者对二次回路非常熟悉，而且要综合考虑故障现场的多种因素，特别是一个缺陷对应多个可能故障的部位，更需要综合考虑。因此，在继电保护班组的工作中，消除缺陷通常要由经验丰富的专业人员来处理，经验判断在消缺过程中起着主导作用，具有较强的主观和片面性，而且不利于技术传承学习和掌握。

国内外许多学者在继电保护装置及其状态检测方面开展了卓有成效的研究工作，但对继电保护相关二次回路却涉及不多。电网事故案例分析表明，二次回路缺陷是引发继电保护系统事故的主要原因。长期以来，由于继电保护相关的二次回路较为复杂，因而无法对其进行有效检测。

发明内容

本发明的目的在于提供一种基于深度神经网络，并结合合成少数类过采样技术和随机森林算法的智能定位方法，实现继电保护系统故障的智能定位，同时为实现高效准确便捷的智能定位，设计了一套继电保护故障定位矩阵规则和故障定位表，对采集的故障数据进行编号，完善故障数据库。

实现本发明目的的技术解决方案为：一种继电保护系统的故障智能定位方法，包括以下步骤：

步骤1、采集继电保护系统故障的历史数据，分析故障现象和产生故障的原因，将继电保护系统故障类型分类，并将每个故障类型细分为多种故障子类型；

步骤2、根据划分的故障类型，计算各子类型发生的概率，筛选出概率高于阈值的继电保护故障子类型；

步骤3、设置继电保护故障模拟实验，模拟步骤2中筛选出的高频继电保护故障，采集故障实验数据，对故障数据进行合并，组成故障数据库；

步骤4、采用故障定位矩阵规则对步骤3中的实验进行编号，该规则能够将相关的继电保护故障类型与故障定位矩阵以0-1数组合的方式，一一对应形成一组共16位0-1结合的二进制数，通过十六进制数和相应的二进制数配对组成完整的继电保护故障定位矩阵，再将十六进制故障矩阵与故障点相对应，形成由16位二进制故障定位矩阵对应4位十六进制故障定位矩阵，再形成对应故障点的故障定位表；

步骤5、将步骤3中的故障数据与步骤4中的故障定位矩阵绑定，形成完整的故障数据对应故障编号的故障数据库；

步骤6、将完整的故障数据库，导入合成少数类过采样技术SMOTE，产生新的样本数据，数据接入随机森林Random Forest，由随机森林筛选数据的特征，将筛选后的特征导入基于深度神经网络DNN的智能定位算法，以十六进制故障定位矩阵为输出结果，完成对故障数据库的训练，保存深度神经网络训练的各层参数；

步骤7、将出现的继电保护故障的数据导入步骤6中的智能定位算法，输出十六进制故障定位结果，将输出结果与故障定位表对比，查找出实际的故障点，完成继电保护故障消缺的工作。

一种继电保护系统的故障智能定位系统，具体包括：

数据预处理单元，用于缩放采样特征值范围至0～1，规范化处理采用最小值-最大值缩放，采样值处理后转换为无量纲的纯数值，模拟实验后，采集的数据为第一类数据，将第一类数据接入规范化处理后保存为第二类数据；

样本增强单元，合成少数类过采样技术SMOTE，在个体样本间内插产生新样本，在原始数据样本中提取少数类样本并扩充少数类样本，将数据预处理单元输出的第二类数据接入样本增强单元生成第三类数据；

特征筛选单元，用于筛选出对样本标签或者输出表现出强相关的特征；随机森林是一种在决策树套袋法基础上改进，并采用特征套袋的方式选中对样本标签或者输出表现出强相关特征的树学习算法；将样本增强单元输出的第三类数据放入随机森林算法中，输出样本的特征重要性数值，筛选出得分不为0的特征量，形成第四类数据；

训练单元，将特征筛选单元输出的第四类数据作为深度神经网络的输入，以故障定位矩阵作为输出，进行深度训练；

导入单元，用于导入继电保护装置的数据；将导入单元与上述单元相连接，由导入单元导入需要定位的故障数据，经由训练单元输出故障矩阵结果；

故障定位单元，用于将故障定位矩阵与故障定位表做比对，输出故障可能的点；接入导入单元输出的故障矩阵结果，由故障定位单元完成最终的故障点的具体定位，输出故障定位结果；

其中，构建的深度神经网络包括：一个全连接深度神经网络，该网络可分为7层：包括1层输入层、5层隐藏层和1层输出层；输入层输入维度为随机森林筛选后的特征数目127，输入层感知器个数为1536；设置kernel_initializer为random_uniform，激活函数采用sigmoid；对故障定位码进行onehot编码，即对输出内容标签化处理；

其中，训练单元输出层结构包括：激活函数采用softmax，设置kernel_regularizer为regularizers.l2(0.002)；优化器选用nAdam；损失函数为绝对均值损失；输出onehot编码，将编码与故障码绑定，最终输出故障矩阵；

其中，训练单元的神经网络最终保存参数包括：5层隐藏层采用相同的结构，每层感知器个数为1536，激活函数均为relu；为防止过拟合，每层都增加了Dropout(0.3)层、GaussianNoise(0.3)层和BatchNormalization层；

其中，导入单元在实际使用过程中，只需采集故障对应的数据，数据直接作为输入，最终输出故障矩阵，比对故障定位表，查明故障点完成消缺工作。

本发明与现有技术相比，其显著优点为：(1)本故障智能定位方法及故障定位矩阵及故障分类方法，完善了继电保护故障分类，有利于现场事故分析及快速定位；(2)以智能方式定位继电保护系统故障，帮助继电保护人员正确定位故障点的同时极大缩短消缺时间，提高工作效率，符合智能电网时代下对于继电保护的要求；(3)继电保护系统或二次回路智能故障定位方法不依赖人员的经验判断，并且能够快速的找出继电保护系统的故障，对其完成定位，应用前景可观，可大量节省人力物力，节约劳动力成本；(4)面向运检需求，研究继电保护系统故障检测与故障定位方法，实现继电保护状态信息的整合与分析，辨识继电保护状态信息隐藏的继电保护关键态，定位异常是继电保护运行可靠，运维有效性与便捷性提高的重要支撑。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；

图1是本申请中基于深度神经网络的继电保护系统故障智能定位方法流程示意图。

图2是本申请中统计继电保护故障次数及各类型故障次数的数据示意图。

图3是本申请中采集故障数据仪表界面的示意图。

图4是本申请中故障定位矩阵设计规则示意图。

图5是本申请中故障定位表示意图。

图6是基于深度神经网络的继电保护系统故障智能定位方法的准确率。

图7是基于深度神经网络的继电保护系统故障智能定位方法的损失曲线示意图。

具体实施方式

结合图1，本发明一种继电保护系统的故障智能定位方法，包括以下步骤：

步骤1、采集继电保护系统故障的历史数据，分析故障现象和产生故障的原因，将继电保护系统故障类型分类，并将每个故障类型细分为多种故障子类型；

步骤2、根据划分的故障类型，计算各子类型发生的概率，筛选出概率高于阈值的继电保护故障子类型；

步骤3、设置继电保护故障模拟实验，模拟步骤2中筛选出的高频继电保护故障，采集故障实验数据，对故障数据进行合并，组成故障数据库；

步骤4、采用故障定位矩阵规则对步骤3中的实验进行编号，该规则能够将相关的继电保护故障类型与故障定位矩阵以0-1数组合的方式，一一对应形成一组共16位0-1结合的二进制数，通过十六进制数和相应的二进制数配对组成完整的继电保护故障定位矩阵，再将十六进制故障矩阵与故障点相对应，形成由16位二进制故障定位矩阵对应4位十六进制故障定位矩阵，再形成对应故障点的故障定位表；

步骤5、将步骤3中的故障数据与步骤4中的故障定位矩阵绑定，形成完整的故障数据对应故障编号的故障数据库；

步骤6、将完整的故障数据库，导入合成少数类过采样技术SMOTE，产生新的样本数据，数据接入随机森林Random Forest，由随机森林筛选数据的特征，将筛选后的特征导入基于深度神经网络DNN的智能定位算法，以十六进制故障定位矩阵为输出结果，完成对故障数据库的训练，保存深度神经网络训练的各层参数；

步骤7、将出现的继电保护故障的数据导入步骤6中的智能定位算法，输出十六进制故障定位结果，将输出结果与故障定位表对比，查找出实际的故障点，完成继电保护故障消缺的工作。

进一步地，步骤1中将继电保护系统故障类型分类，具体分为以下四大类：

第一类为人为因素造成的继电保护故障；

第二类为设备、元器件和光纤电缆线路问题造成的事故；

第三类为电磁干扰和无线电信号干扰造成的二次回路故障；

第四类为电源故障引起的继电保护事故。

进一步地，步骤1中将每个故障类型细分为多种故障子类型，具体如下：

第一类包括：(1)整定计算人员的误整定：整定计算错误和保护控制字、跳闸矩阵填写错误；(2)现场工作人员整定值输入错误或疏忽造成的整定问题；(3)二次回路接线错误、误接线或敷设线路存在问题这些人为原因造成的故障；(4)工作人员误操作、误碰、未按规程操作或操作不到位导致的故障；

第二类包括：(1)温度、湿度以及老化因素造成设备硬件的零漂现象；(2)元器件在使用过程中损坏或质量、工艺存在瑕疵；(3)二次回路老化使得绝缘损坏或自身质量不过关造成绝缘击穿；(4)运行过程中，端子接线松动脱落、光纤损耗、电缆短路、断路引起的事故；(5)设备软件在逻辑、动作条件上存在漏洞；(6)设备硬件质量不可靠；

第三类包括：(1)无线电干扰；(2)电磁波类型的干扰；

第四类包括：(1)变电站交流电源故障或交直流混用；(2)变电站直流电源问题；(3)包括保护装置逆变电源故障的其他电源故障问题。

进一步地，步骤2中根据划分的故障类型，计算各子类型发生的概率，筛选出概率高于阈值的继电保护故障子类型，具体如下：

筛选出的概率高于阈值的继电保护故障子类型为运行过程中端子或接线松动、二次回路接线错误、整定计算人员的误整定、工作人员的工作失误及设备自身的逻辑和质量问题这五类子故障，其中：运行过程中端子或接线松动共53次，占比17.4％；二次回路接线错误共51次，占比16.72％；整定计算人员的误整定共37次，占比12.13％；工作人员的工作失误共36次，占比11.8％；备自身的逻辑和质量问题共36次，占比11.8％。

进一步地，步骤3中模拟步骤2筛选出的高频继电保护故障类型，采集故障实验数据，对故障数据进行合并，组成故障数据库，具体如下：

模拟高频继电保护故障类型，模拟双绕组变压器继电保护系统故障，模拟故障类型包括：模拟正常运行、电压互感器TV接线错误、电流互感器TA接线错误、电压互感器TV断线、电流互感器TA断线、软压板投入错误、硬压板投入错误和空气开关损坏；

模拟继电保护故障实验中六类实验的具体模拟故障方式如下：

(1)TA高压侧A相出线至端子排断路：继电保护装置在运行一段时间后会出现端子松动脱落的事故，模拟高压侧电流A相断开，录入与正常情况相同的电压电流数据后，继电保护装置跳闸灯亮起，故障记录显示大部分组别先出现AB纵差保护动作，后出现ABC纵差保护动作，时间在17ms和19ms，采集故障实验数据；

(2)TA低压侧出线至端子排接线错误，A端子接入B相电流，B端子接入A相电流：在新建成的变电站中，工作人员未按图纸执行，出现端子接线错误；模拟低压侧电流A和B相反接，录入电压电流数据后，继电保护装置各组均出现AB纵差保护动作，时间在17ms，采集故障实验数据；

(3)空气开关损坏：在正常运行过程中，空气开关上下端子电压不一致，出现需要更换空气开关的情况，即空气开关故障；断开空气开关前电压输入，模拟空气开关故障，采集故障实验数据；

(4)TA高压侧变比输入错误：由于工作人员疏忽，变比输入错误导致故障；模拟变比错误时，将变压器变比由4000改为1000后，录入正常运行时的电压电流，看到的实验现象为ABC纵差保护动作，采集故障实验数据；

(5)软压板投入错误：工作人员疏忽易造成该类故障；模拟变压器纵差保护软压板未投入，分两部分实验，第一部分为继电保护测试仪输入正常情况下的电压电流量，此时装置提示装置报警，保护板报警触发录波，但无跳闸现象；第二部分为测试仪输入正常时应该出现纵差保护动作的电压电流量，此时装置同样提示装置报警、差流越限和保护板报警触发录波，但也未出现纵差保护动作，采集故障实验数据。

进一步地，步骤4形成故障定位表，具体如下：

采集故障数据后，需对每组数据编号；继电保护故障定位矩阵根据继电保护的故障类型及可能出现的位置，将计算机语言二进制数与十六进制数相结合，在处理故障时定位二进制部分分为16格，每格含义如下：D15：处于运行状态；D14：产生故障现象；D13：整定问题；D12：短路故障；D11：断路故障；D10～D8：表明故障相序或作为序号，用于区分同类不同相的故障；D7～D4：判断电压还是电流故障以及故障发生在高压侧还是低压侧；D3～D0：用于说明故障发生相关部分及特殊情况；每类故障依据实际填表，判断为是则填入1，否则为0，序号依据二进制顺序填入或根据故障发生相序填入；由二进制故障定位码推导至十六进制故障矩阵，而故障矩阵与故障点的关系可由故障定位表查明。

进一步地，步骤6中对故障数据的处理包括：合并、规范化处理；规范化处理采用最小值-最大值缩放，缩放后的采样特征值范围缩小至0～1，采样值处理后转换为无量纲的纯数值，削弱数据维度差异对建模的影响。

进一步地，步骤6中数据接入随机森林Random Forest，由随机森林筛选数据的重要特征，具体如下：

SMOTE过采样合成的样本放入随机森林算法中，不预先输入期望的特征数目，只保留得分大于0的特征项，输出样本的特征重要性数值，筛选得分不为0的特征量。

进一步地，步骤6中深度神经网络DNN，具体结构如下：

该深度神经网络DNN分为7层：包括1层输入层、5层隐藏层和1层输出层；

输入层输入维度为随机森林筛选后的特征数目，输入层感知器个数为1536个；设置kernel_initializer为random_uniform，激活函数采用sigmoid；对故障定位码进行onehot编码，即对输出内容标签化处理；输出层激活函数采用softmax，设置kernel_regularizer为regularizers.l2(0.002)，对权重参数ω作出L2方法的设置；优化器选用nAdam；输出onehot编码，将编码与故障码绑定，最终输出故障矩阵；

5层隐藏层采用相同的结构，每层感知器个数为1536，激活函数均为relu；每层都增加了Dropout(0.3)层、GaussianNoise(0.3)层和BatchNormalization层；损失函数为绝对均值损失。

完成对继电保护故障数据库的训练，组合形成继电保护智能定位方法，由职能定位方法完成对故障数据的分析，最终输出故障定位的结果，完成消缺工作。

本发明一种继电保护系统的故障智能定位系统，具体包括：

数据预处理单元，用于缩放采样特征值范围至0～1，规范化处理采用最小值-最大值缩放，采样值处理后转换为无量纲的纯数值，模拟实验后，采集的数据为第一类数据，将第一类数据接入规范化处理后保存为第二类数据；

样本增强单元，合成少数类过采样技术SMOTE，在个体样本间内插产生新样本，在原始数据样本中提取少数类样本并扩充少数类样本，将数据预处理单元输出的第二类数据接入样本增强单元生成第三类数据；

特征筛选单元，用于筛选出对样本标签或者输出表现出强相关的特征；随机森林是一种在决策树套袋法基础上改进，并采用特征套袋的方式选中对样本标签或者输出表现出强相关特征的树学习算法；将样本增强单元输出的第三类数据放入随机森林算法中，输出样本的特征重要性数值，筛选出得分不为0的特征量，形成第四类数据；

训练单元，将特征筛选单元输出的第四类数据作为深度神经网络的输入，以故障定位矩阵作为输出，进行深度训练；

导入单元，用于导入继电保护装置的数据；将导入单元与上述单元相连接，由导入单元导入需要定位的故障数据，经由训练单元输出故障矩阵结果；

故障定位单元，用于将故障定位矩阵与故障定位表做比对，输出故障可能的点；接入导入单元输出的故障矩阵结果，由故障定位单元完成最终的故障点的具体定位，输出故障定位结果；

其中，构建的深度神经网络包括：一个全连接深度神经网络，该网络可分为7层：包括1层输入层、5层隐藏层和1层输出层；输入层输入维度为随机森林筛选后的特征数目127，输入层感知器个数为1536；设置kernel_initializer为random_uniform，激活函数采用sigmoid；对故障定位码进行onehot编码，即对输出内容标签化处理；

其中，训练单元输出层结构包括：激活函数采用softmax，设置kernel_regularizer为regularizers.l2(0.002)；优化器选用nAdam；损失函数为绝对均值损失；输出onehot编码，将编码与故障码绑定，最终输出故障矩阵；

其中，训练单元的神经网络最终保存参数包括：5层隐藏层采用相同的结构，每层感知器个数为1536，激活函数均为relu；为防止过拟合，每层都增加了Dropout(0.3)层、GaussianNoise(0.3)层和BatchNormalization层；

其中，导入单元在实际使用过程中，只需采集故障对应的数据，数据直接作为输入，最终输出故障矩阵，比对故障定位表，查明故障点完成消缺工作。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明分析了继电保护故障类型，提出了一种基于深度神经网络，并结合随机森林和合成少数类过采样技术的智能定位方法，同时提出一种故障定位矩阵，便于故障定位，以此解决上述问题。

具体涉及继电保护系统故障的模拟及故障定位举证，还涉及一种以深度神经网络为基底，集合随机森林和合成少数类过采样技术组成的故障智能定位方法

结合图2～图5，本发明提供一种提供了一种故障分类方法及故障定位矩阵，包括以下步骤：

步骤一：收集继电保护系统历史故障数据，分析继电保护故障数据，将继电保护系统故障归纳为四类；

步骤二：统计继电保护故障次数及各类型故障次数，并依据故障次数排序，筛选出高概率的故障类型，依据故障类型设计故障实验；

步骤三：对继电保护系统故障进行模拟实验，并采集相关的故障数据，将故障数据合并，组建故障数据库；

步骤四：继电保护故障定位矩阵根据继电保护的故障类型及可能出现的位置，将计算机语言二进制码与十六进制矩阵相结合，形成故障矩阵规则，并将故障矩阵与故障点相结合，建立故障定位表，完善故障定位过程。

进一步的技术方案是，在所述步骤三和步骤四中，模拟多样故障，不局限于统计出的高频故障，将更多故障类型纳入故障实验范围，扩充故障数据库，增加数据的多样性，旨在完善继电保护系统故障定位的准确性和多样性。

进一步的，故障矩阵具体规则为，D15：处于运行状态；D14：产生故障现象；D13：整定问题；D12：短路故障；D11：断路故障；D10～D8：表明故障相序或作为序号，用于区分同类不同相的故障；D7～D4：判断电压还是电流故障以及故障发生在高压侧还是低压侧；D3～D0：用于说明故障发生相关部分及特殊情况。每类故障依据实际填表，判断为是则填入1，否则为0，序号依据二进制顺序填入或根据故障发生相序填入。同类型不同故障点或不同类型的故障都可能造成同样的故障现象，针对这种故障，需要更细致的定位。

请参考图1、6及7，本申请提供一种基于深度神经网络的继电保护故障系统智能定位方法，所述方法包括：

导入单元，用于导入继电保护装置的数据；

数据预处理单元，用于缩放采样特征值范围至0～1，规范化处理采用最小值-最大值缩放。模拟实验后，采集的数据为第一类数据，将第一类数据接入规范化处理后保存为第二类数据；

样本增强单元，合成少数类过采样技术，是一种在个体样本间内插产生新样本的技术，能在原始数据样本中，提取少数类样本并扩充少数类样本。将第二类数据接入样本增强单元生成第三类数据；

特征筛选单元，随机森林是一种在决策树套袋法基础上改进，并采用特征套袋的方式选中对样本标签或者输出表现出强相关特征的树学习算法。将第三类数据放入随机森林算法中，为避免人为因素影响，不预先输入期望的特征数目，只保留得分大于0的特征项，输出样本的特征重要性数值，筛选出得分不为0的特征量，形成第四类数据。

训练单元，用于将第四类数据作为深度神经网络的输入，以故障定位矩阵作为输出，进行深度训练。

故障定位单元，用于将故障定位矩阵与故障定位表做比对，输出故障可能的点。

下面结合具体的例子对本方法进行介绍：

在继电保护系统运行过程中，假设出现了TA高压侧A相出线至端子排断路。继电保护装置在运行一段时间后常出现端子松动脱落的事故，假设高压侧电流A相断开，继电保护装置跳闸灯亮起，故障记录显示先出现AB纵差保护动作，后出现ABC纵差保护动作，时间大约在17ms和19ms，采集的故障实验数据和正常情况下数据对比：

高压A相电流幅值由输入的电流值变为0A；高压自产零序电流幅值由0A变为设定电流值左右，出现了较大抬升；高压侧电压电流A相夹角变为非固定值；纵差高压A相调整电流幅值由正常调整值变为其他两相值的一半；纵差高压-低压A相电流夹角仍为180度，纵差高压-低压B相电流夹角变为160度左右，纵差高压-低压C相电流夹角变为200度。

将故障数据接入继电保护系统智能故障定位方法，经过推算得到故障定位矩阵为CC90，依据故障定位表可知故障发生在TA高压侧A相出线至端子排。

经过综合分析和判断即可查明故障点，继电保护工作人员便可以对故障进行消缺，保障电站的安全运行，帮助继电保护人员正确定位故障点的同时极大缩短消缺时间，提高工作效率。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种继电保护系统的故障智能定位方法，其特征在于，包括以下步骤：

步骤1、采集继电保护系统故障的历史数据，分析故障现象和产生故障的原因，将继电保护系统故障类型分类，并将每个故障类型细分为多种故障子类型；

步骤2、根据划分的故障类型，计算各子类型发生的概率，筛选出概率高于阈值的继电保护故障子类型；

步骤3、设置继电保护故障模拟实验，模拟步骤2中筛选出的高频继电保护故障，采集故障实验数据，对故障数据进行合并，组成故障数据库；

步骤4、采用故障定位矩阵规则对步骤3中的实验进行编号，该规则能够将相关的继电保护故障类型与故障定位矩阵以0-1数组合的方式，一一对应形成一组共16位0-1结合的二进制数，通过十六进制数和相应的二进制数配对组成完整的继电保护故障定位矩阵，再将十六进制故障矩阵与故障点相对应，形成由16位二进制故障定位矩阵对应4位十六进制故障定位矩阵，再形成对应故障点的故障定位表，具体如下：

采集故障数据后，需对每组数据编号；继电保护故障定位矩阵根据继电保护的故障类型及可能出现的位置，将计算机语言二进制数与十六进制数相结合，在处理故障时定位二进制部分分为16格，每格含义如下：D15：处于运行状态；D14：产生故障现象；D13：整定问题；D12：短路故障；D11：断路故障；D10～D8：表明故障相序或作为序号，用于区分同类不同相的故障；D7～D4：判断电压还是电流故障以及故障发生在高压侧还是低压侧；D3～D0：用于说明故障发生相关部分及特殊情况；每类故障依据实际填表，判断为是则填入1，否则为0，序号依据二进制顺序填入或根据故障发生相序填入；由二进制故障定位码推导至十六进制故障矩阵，而故障矩阵与故障点的关系可由故障定位表查明；

步骤5、将步骤3中的故障数据与步骤4中的故障定位矩阵绑定，形成完整的故障数据对应故障编号的故障数据库；

步骤6、将完整的故障数据库，导入合成少数类过采样技术SMOTE，产生新的样本数据，数据接入随机森林Random Forest，由随机森林筛选数据的特征，将筛选后的特征导入基于深度神经网络DNN的智能定位算法，以十六进制故障定位矩阵为输出结果，完成对故障数据库的训练，保存深度神经网络训练的各层参数；

步骤7、将出现的继电保护故障的数据导入步骤6中的智能定位算法，输出十六进制故障定位结果，将输出结果与故障定位表对比，查找出实际的故障点，完成继电保护故障消缺的工作。

2.根据权利要求1所述的继电保护系统的故障智能定位方法，其特征在于，步骤1中将继电保护系统故障类型分类，具体分为以下四大类：

第一类为人为因素造成的继电保护故障；

第二类为设备、元器件和光纤电缆线路问题造成的事故；

第三类为电磁干扰和无线电信号干扰造成的二次回路故障；

第四类为电源故障引起的继电保护事故。

3.根据权利要求2所述的继电保护系统的故障智能定位方法，其特征在于，步骤1中将每个故障类型细分为多种故障子类型，具体如下：

第一类包括：(1)整定计算人员的误整定：整定计算错误和保护控制字、跳闸矩阵填写错误；(2)现场工作人员整定值输入错误或疏忽造成的整定问题；(3)二次回路接线错误、误接线或敷设线路存在问题这些人为原因造成的故障；(4)工作人员误操作、误碰、未按规程操作或操作不到位导致的故障；

第二类包括：(1)温度、湿度以及老化因素造成设备硬件的零漂现象；(2)元器件在使用过程中损坏或质量、工艺存在瑕疵；(3)二次回路老化使得绝缘损坏或自身质量不过关造成绝缘击穿；(4)运行过程中，端子接线松动脱落、光纤损耗、电缆短路、断路引起的事故；(5)设备软件在逻辑、动作条件上存在漏洞；(6)设备硬件质量不可靠；

第三类包括：(1)无线电干扰；(2)电磁波类型的干扰；

第四类包括：(1)变电站交流电源故障或交直流混用；(2)变电站直流电源问题；(3)包括保护装置逆变电源故障的其他电源故障问题。

4.根据权利要求3所述的继电保护系统的故障智能定位方法，其特征在于，步骤6中对故障数据的处理包括：合并、规范化处理；规范化处理采用最小值-最大值缩放，缩放后的采样特征值范围缩小至0～1，采样值处理后转换为无量纲的纯数值，削弱数据维度差异对建模的影响。

5.根据权利要求4所述的继电保护系统的故障智能定位方法，其特征在于，步骤6中数据接入随机森林Random Forest，由随机森林筛选数据的重要特征，具体如下：

SMOTE过采样合成的样本放入随机森林算法中，不预先输入期望的特征数目，只保留得分大于0的特征项，输出样本的特征重要性数值，筛选得分不为0的特征量。

6.根据权利要求5所述的继电保护系统的故障智能定位方法，其特征在于，步骤6中深度神经网络DNN，具体结构如下：

该深度神经网络DNN分为7层：包括1层输入层、5层隐藏层和1层输出层；

输入层输入维度为随机森林筛选后的特征数目，输入层感知器个数为1536个；设置kernel_initializer为random_uniform，激活函数采用sigmoid；对故障定位码进行onehot编码，即对输出内容标签化处理；输出层激活函数采用softmax，设置kernel_regularizer为regularizers.l2(0.002)，对权重参数ω作出L2方法的设置；优化器选用nAdam；输出onehot编码，将编码与故障码绑定，最终输出故障矩阵；

5层隐藏层采用相同的结构，每层感知器个数为1536，激活函数均为relu；每层都增加了Dropout(0.3)层、GaussianNoise(0.3)层和BatchNormalization层；损失函数为绝对均值损失。

7.一种继电保护系统的故障智能定位系统，其特征在于，具体包括：

数据预处理单元，用于缩放采样特征值范围至0～1，规范化处理采用最小值-最大值缩放，采样值处理后转换为无量纲的纯数值，模拟实验后，采集的数据为第一类数据，将第一类数据接入规范化处理后保存为第二类数据；

样本增强单元，采用合成少数类过采样技术SMOTE，在个体样本间内插产生新样本，在原始数据样本中提取少数类样本并扩充少数类样本，将数据预处理单元输出的第二类数据接入样本增强单元生成第三类数据；

特征筛选单元，用于筛选出对样本标签或者输出表现出强相关的特征；随机森林是一种在决策树套袋法基础上改进，并采用特征套袋的方式选中对样本标签或者输出表现出强相关特征的树学习算法；将样本增强单元输出的第三类数据放入随机森林算法中，输出样本的特征重要性数值，筛选出得分不为0的特征量，形成第四类数据；

训练单元，将特征筛选单元输出的第四类数据作为深度神经网络的输入，以故障定位矩阵作为输出，进行深度训练；

导入单元，用于导入继电保护装置的数据；将导入单元与上述单元相连接，由导入单元导入需要定位的故障数据，经由训练单元输出故障矩阵结果；

故障定位单元，用于将故障定位矩阵与故障定位表做比对，输出故障可能的点；接入导入单元输出的故障矩阵结果，由故障定位单元完成最终的故障点的具体定位，输出故障定位结果；

其中，构建的深度神经网络包括：一个全连接深度神经网络，该网络可分为7层：包括1层输入层、5层隐藏层和1层输出层；输入层输入维度为随机森林筛选后的特征数目127，输入层感知器个数为1536；设置kernel_initializer为random_uniform，激活函数采用sigmoid；对故障定位码进行onehot编码，即对输出内容标签化处理；

其中，训练单元输出层结构包括：激活函数采用softmax，设置kernel_regularizer为regularizers.l2(0.002)；优化器选用nAdam；损失函数为绝对均值损失；输出onehot编码，将编码与故障码绑定，最终输出故障矩阵；

其中，训练单元的神经网络最终保存参数包括：5层隐藏层采用相同的结构，每层感知器个数为1536，激活函数均为relu；为防止过拟合，每层都增加了Dropout(0.3)层、GaussianNoise(0.3)层和BatchNormalization层；

其中，导入单元在实际使用过程中，只需采集故障对应的数据，数据直接作为输入，最终输出故障矩阵，比对故障定位表，查明故障点完成消缺工作。