CN117368639A - 基于人工智能的输电线路故障识别系统及方法 - Google Patents

Abstract

本申请涉及智能检测技术领域，其具体地公开了一种基于人工智能的输电线路故障识别系统及方法，其利用深度学习技术，对故障前后时间段内多个预定时间点的三相电压、三相电流、零序电流的幅值数据进行时序变化特征提取和关联特征分析，并以此来判断输电线路的故障类型。这样，能够有效地提高输电线路故障分类的准确性和效率，减少人工识别的不确定性。

Description

基于人工智能的输电线路故障识别系统及方法

技术领域

本申请涉及智能检测技术领域，且更为具体地，涉及一种基于人工智能的输电线路故障识别系统及方法。

背景技术

高压输电线路作为电力系统的重要组成部分,是沟通各类电站和终端用户的桥梁,肩负着电力传输的重要使命。线路故障一旦发生,势必严重影响工农业的生产和人民群众的生活。随着电网规模日渐扩大，电力系统的安全稳定运行对人们生活质量有着重要影响。但是，由于设备故障、天气条件、外部干扰、操作失误等多种原因可能会引起输配电网短路、过载等故障，为了确保输配电网的稳定运行，需要进行定期的设备检修和维护工作。

我国输电线路成网络状结构分布，分支多，且多数地区地形复杂，线路故障率很高，而人工巡检的方式过于依赖工作人员的职业素养和个人能力，可靠性低，工作效率差，增加了故障识别难度和时间。

因此，期待一种基于人工智能的输电线路故障识别系统及方法。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的输电线路故障识别系统及方法，其利用深度学习技术，对故障前后时间段内多个预定时间点的三相电压、三相电流、零序电流的幅值数据进行时序变化特征提取和关联特征分析，并以此来判断输电线路的故障类型。这样，能够有效地提高输电线路故障分类的准确性和效率，减少人工识别的不确定性。

相应地，根据本申请的一个方面，提供了一种基于人工智能的输电线路故障识别系统，其包括：

数据采集模块，用于获取输电线路故障前后时间段内多个预定时间点的监测参数，所述监测参数包括三相电压、三相电流、零序电流的幅值数据；

监测参数特征提取模块，用于将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量；

高斯融合模块，用于基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵；

融合特征提取模块，用于将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵；

优化模块，用于对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；

识别结果生成模块，用于将所述优化分类特征矩阵通过多标签分类器以得到分类结果，所述分类结果用于表示该输电线路具有各类故障的概率值。

在上述基于人工智能的输电线路故障识别系统中，所述监测参数特征提取模块，包括：第一尺度特征提取单元，用于使用所述第一卷积神经网络模型的第一卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第一卷积层的最后一层输出第一尺度监测参数特征向量；第二尺度特征提取单元，用于使用所述第一卷积神经网络模型的第二卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第二卷积层的最后一层输出第二尺度监测参数特征向量；多尺度特征融合单元，用于融合所述第一尺度监测参数特征向量和所述第二尺度监测参数特征向量以得到所述多尺度监测参数特征向量。

在上述基于人工智能的输电线路故障识别系统中，所述高斯融合模块，包括：高斯密度图构造单元，用于以如下高斯公式来构造所述多个多尺度监测参数特征向量的高斯密度图；其中，所述高斯公式为：其中，μ是所述多个多尺度监测参数特征向量之间的按位置均值向量，而σ是所述多个多尺度监测参数特征向量中各个位置的特征值之间的方差，/>表示高斯密度概率函数，x表示高斯密度图的变量；高斯离散化单元，用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述监测参数协同特征矩阵。

在上述基于人工智能的输电线路故障识别系统中，所述融合特征提取模块，用于：使用所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的第一层的输入为所述监测参数协同特征矩阵，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的最后一层的输出为所述分类特征矩阵。

在上述基于人工智能的输电线路故障识别系统中，所述优化模块，包括：参数化编码向量构造单元，用于构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值；参数化特征提取单元，用于将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量；余弦相似度计算单元，用于计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵；几何拓扑特征提取单元，用于将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵；融合单元，用于融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵。

在上述基于人工智能的输电线路故障识别系统中，所述识别结果生成模块，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括输电线路所有可能具有的故障类型。

根据本申请的另一个方面，提供了一种基于人工智能的输电线路故障识别方法，其包括：

获取输电线路故障前后时间段内多个预定时间点的监测参数，所述监测参数包括三相电压、三相电流、零序电流的幅值数据；

将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量；

基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵；

将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵；

对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；

将所述优化分类特征矩阵通过多标签分类器以得到分类结果，所述分类结果用于表示该输电线路具有各类故障的概率值。

在上述基于人工智能的输电线路故障识别方法中，将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量，包括：使用所述第一卷积神经网络模型的第一卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第一卷积层的最后一层输出第一尺度监测参数特征向量；使用所述第一卷积神经网络模型的第二卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第二卷积层的最后一层输出第二尺度监测参数特征向量；融合所述第一尺度监测参数特征向量和所述第二尺度监测参数特征向量以得到所述多尺度监测参数特征向量。

在上述基于人工智能的输电线路故障识别方法中，基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵，包括：以如下高斯公式来构造所述多个多尺度监测参数特征向量的高斯密度图；其中，所述高斯公式为：其中，μ是所述多个多尺度监测参数特征向量之间的按位置均值向量，而σ是所述多个多尺度监测参数特征向量中各个位置的特征值之间的方差，/>表示高斯密度概率函数，x表示高斯密度图的变量；以及，对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述监测参数协同特征矩阵。

在上述基于人工智能的输电线路故障识别方法中，将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵，包括：使用所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的第一层的输入为所述监测参数协同特征矩阵，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的最后一层的输出为所述分类特征矩阵。

与现有技术相比，本申请提供的基于人工智能的输电线路故障识别系统及方法，其利用深度学习技术，对故障前后时间段内多个预定时间点的三相电压、三相电流、零序电流的幅值数据进行时序变化特征提取和关联特征分析，并以此来判断输电线路的故障类型。这样，能够有效地提高输电线路故障分类的准确性和效率，减少人工识别的不确定性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于人工智能的输电线路故障识别系统的框图。

图2为根据本申请实施例的基于人工智能的输电线路故障识别系统的架构示意图。

图3为根据本申请实施例的基于人工智能的输电线路故障识别系统中监测参数特征提取模块的框图。

图4为根据本申请实施例的基于人工智能的输电线路故障识别系统中高斯融合模块的框图。

图5为根据本申请实施例的基于人工智能的输电线路故障识别系统中识别结果生成模块的框图。

图6为根据本申请实施例的基于人工智能的输电线路故障识别方法的流程图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

示例性系统

图1为根据本申请实施例的基于人工智能的输电线路故障识别系统的框图。如图1所示，根据本申请实施例的基于人工智能的输电线路故障识别系统100，包括：数据采集模块110，用于获取输电线路故障前后时间段内多个预定时间点的监测参数，所述监测参数包括三相电压、三相电流、零序电流的幅值数据；监测参数特征提取模块120，用于将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量；高斯融合模块130，用于基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵；融合特征提取模块140，用于将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵；优化模块150，用于对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；识别结果生成模块160，用于将所述优化分类特征矩阵通过多标签分类器以得到分类结果，所述分类结果用于表示该输电线路具有各类故障的概率值。

图2为根据本申请实施例的基于人工智能的输电线路故障识别系统的架构示意图。如图2所示，首先，获取输电线路故障前后时间段内多个预定时间点的监测参数，所述监测参数包括三相电压、三相电流、零序电流的幅值数据。然后，将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量。接着，基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵。继而，将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵。其次，对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵。最后，将所述优化分类特征矩阵通过多标签分类器以得到分类结果，所述分类结果用于表示该输电线路具有各类故障的概率值。

在上述基于人工智能的输电线路故障识别系统100中，所述数据采集模块110，用于获取输电线路故障前后时间段内多个预定时间点的监测参数，所述监测参数包括三相电压、三相电流、零序电流的幅值数据。如上述背景技术所言，我国输电线路成网络状结构分布，分支多，且多数地区地形复杂，线路故障率很高，而人工巡检的方式过于依赖工作人员的职业素养和个人能力，可靠性低，工作效率差，增加了故障识别难度和时间。因此，期待一种智能高效的输电线路故障识别方案。

相应地，考虑到在故障发生时，输电线路的电压、电流等参数通常会出现明显的变化，并且不同的故障类型存在着相应的参数变化特征，因此，可以通过对输电线路故障前后的电压、电流等参数进行特征分析来构建输电线路故障识别方案。基于此，在本申请的技术方案中，利用深度学习技术，对故障前后时间段内多个预定时间点的三相电压、三相电流、零序电流的幅值数据进行时序变化特征提取和关联特征分析，并以此来判断输电线路的故障类型。这样，能够有效地提高输电线路故障分类的准确性和效率，减少人工识别的不确定性。具体地，在本申请的技术方案中，首先，通过传感器获取输电线路故障前后时间段内多个预定时间点的监测参数，所述监测参数包括三相电压、三相电流、零序电流的幅值数据。

在上述基于人工智能的输电线路故障识别系统100中，所述监测参数特征提取模块120，用于将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量。应可以理解，输电线路故障通常会导致监测参数在时间上的变化。通过按照时间维度排列监测参数，可以保留时间上的相关性，使得模型能够学习到故障发生前后的动态变化模式。同时，不同时间尺度上的特征对于故障分类和识别都具有重要意义，这里，通过使用包含第一卷积层和第二卷积层的卷积神经网络模型，在不同层级上提取多个尺度的特征。例如，第一卷积层可以提取局部特征，而第二卷积层可以提取更高层次的抽象特征。这样可以捕捉到不同时间尺度上的故障特征，提高故障分类的准确性。并且，卷积神经网络具有参数共享和权值共享的特性，可以有效减少模型的参数量，提高模型的训练效率和泛化能力。通过在多个时间点上共享权值和参数，可以在不同时间点上共享特征提取的过程，提高模型对于故障特征的提取能力。

图3为根据本申请实施例的基于人工智能的输电线路故障识别系统中监测参数特征提取模块的框图。如图3所示，所述监测参数特征提取模块120，包括：第一尺度特征提取单元121，用于使用所述第一卷积神经网络模型的第一卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第一卷积层的最后一层输出第一尺度监测参数特征向量；第二尺度特征提取单元122，用于使用所述第一卷积神经网络模型的第二卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第二卷积层的最后一层输出第二尺度监测参数特征向量；多尺度特征融合单元123，用于融合所述第一尺度监测参数特征向量和所述第二尺度监测参数特征向量以得到所述多尺度监测参数特征向量。

在上述基于人工智能的输电线路故障识别系统100中，所述高斯融合模块130，用于基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵。为了将不同类型监测参数的特征进行整合，以提高故障分类和识别的准确性，进一步使用高斯密度图对所述多个多尺度监测参数特征向量进行融合。应可以理解，高斯密度图是一种常用的概率密度估计方法，常用于描述数据的分布情况。通过基于高斯密度图对所述多个多尺度监测参数特征向量进行融合，可以将所述多个多尺度监测参数特征向量的权重与其在特征空间中的分布情况相关联，从而更好地捕捉到故障特征的空间分布信息，提高故障分类和识别的精度。并且，将不同参数的特征信息整合到统一的特征表示中，减少了特征维度的冗余，提取更加鲁棒和代表性的特征，有利于后续的分类器训练和故障识别任务。

图4为根据本申请实施例的基于人工智能的输电线路故障识别系统中高斯融合模块的框图。如图4所示，所述高斯融合模块130，包括：高斯密度图构造单元131，用于以如下高斯公式来构造所述多个多尺度监测参数特征向量的高斯密度图；其中，所述高斯公式为：其中，μ是所述多个多尺度监测参数特征向量之间的按位置均值向量，而σ是所述多个多尺度监测参数特征向量中各个位置的特征值之间的方差，/>表示高斯密度概率函数，x表示高斯密度图的变量；高斯离散化单元132，用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述监测参数协同特征矩阵。

在上述基于人工智能的输电线路故障识别系统100中，所述融合特征提取模块140，用于将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵。应可以理解，第二卷积神经网络模型的相邻层使用互为转置的卷积核，相当于对所述监测参数协同特征矩阵进行逆向的卷积操作，能够提取更高层次的特征表示。这样，通过反卷积操作将所述监测参数协同特征矩阵进行编码，相当于对特征进行重建，可以增强特征的表达能力和区分度，使得分类器能够更好地区分不同类别的故障。并且通过反卷积操作将特征从高维度空间转换为低维度的特征表示，这种降维操作可以减少特征的冗余和噪声，提高分类器的训练效率和泛化能力。

相应地，在一个具体示例中，所述融合特征提取模块140，用于：使用所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的第一层的输入为所述监测参数协同特征矩阵，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的最后一层的输出为所述分类特征矩阵。

在上述基于人工智能的输电线路故障识别系统100中，所述优化模块150，用于对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵。在本申请的技术方案中，因为所述分类特征矩阵是通过特定编码方式得到，因此所述分类特征矩阵的数据结构内部存在特定的数据结构和内在规律，也就是，所述分类特征矩阵的参数化特征按照一定规则成有序的结构，因此，如果能够利用所述分类特征矩阵的参数化特征的几何秩序化，则能够优化所述分类特征矩阵的特征表达。

具体地，在本申请的技术方案中，构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值。接着，将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量，也就是，利用全连接编码来捕捉所述分类特征矩阵中各个位置的参数特征的隐含信息。进而，计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵，也就是，以所述像素位置参数化编码特征向量之间的余弦相似度来表示参数化特征的几何秩序特征值。进而，将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵，也就是，以卷积编码来捕捉所述秩序化几何拓扑矩阵中所隐含的秩序化几何拓扑特征。进而融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵，例如，将所述秩序化几何拓扑特征矩阵与所述分类特征矩阵进行矩阵相乘以将所述分类特征矩阵映射到所述秩序化几何拓扑特征矩阵的特征空间中以得到所述优化分类特征矩阵。

这样，对所述分类特征矩阵进行基于参数化特征的几何秩序化以将所述分类特征矩阵按照一定的规则排列为有序的结构，以提高所述分类特征矩阵的表达能力和分类效果。同时，通过基于参数化特征的几何秩序化还可以使得所述分类特征矩阵更加紧凑和有效，有利于提高分类任务的准确率和效率。

相应地，在一个具体示例中，所述优化模块150，包括：参数化编码向量构造单元，用于构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值；参数化特征提取单元，用于将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量；余弦相似度计算单元，用于计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵；几何拓扑特征提取单元，用于将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵；融合单元，用于融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵。

在上述基于人工智能的输电线路故障识别系统100中，所述识别结果生成模块160，用于将所述优化分类特征矩阵通过多标签分类器以得到分类结果，所述分类结果用于表示该输电线路具有各类故障的概率值。应可以理解，多标签分类器能够将所述优化分类特征矩阵映射到各个故障类别上，将输电线路的状态与已知的故障类别进行对比和匹配，以确定可能存在的故障类型，并输出每个故障类别的概率值，表示输电线路具有该类故障的可能性。这样，能够根据分类结果帮助运维人员快速了解线路的故障情况，并及时采取相应的维修和处理措施。

图5为根据本申请实施例的基于人工智能的输电线路故障识别系统中识别结果生成模块的框图。如图5所示，所述识别结果生成模块160，包括：展开单元161，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接单元162，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元163，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括输电线路所有可能具有的故障类型。

综上，根据本申请实施例的基于人工智能的输电线路故障识别系统被阐明，其利用深度学习技术，对故障前后时间段内多个预定时间点的三相电压、三相电流、零序电流的幅值数据进行时序变化特征提取和关联特征分析，并以此来判断输电线路的故障类型。这样，能够有效地提高输电线路故障分类的准确性和效率，减少人工识别的不确定性。

示例性方法

图6为根据本申请实施例的基于人工智能的输电线路故障识别方法的流程图。如图6所示，根据本申请实施例的基于人工智能的输电线路故障识别方法，包括步骤：S110，获取输电线路故障前后时间段内多个预定时间点的监测参数，所述监测参数包括三相电压、三相电流、零序电流的幅值数据；S120，将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量；S130，基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵；S140，将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵；S150，对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；S160，将所述优化分类特征矩阵通过多标签分类器以得到分类结果，所述分类结果用于表示该输电线路具有各类故障的概率值。

这里，本领域技术人员可以理解，上述基于人工智能的输电线路故障识别方法中的各个步骤的具体操作已经在上面参考图1到图5的基于人工智能的输电线路故障识别系统的描述中得到了详细介绍，并因此，将省略其重复描述。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于人工智能的输电线路故障识别系统，其特征在于，包括：

数据采集模块，用于获取输电线路故障前后时间段内多个预定时间点的监测参数，所述监测参数包括三相电压、三相电流、零序电流的幅值数据；

监测参数特征提取模块，用于将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量；

高斯融合模块，用于基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵；

融合特征提取模块，用于将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵；

优化模块，用于对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；

识别结果生成模块，用于将所述优化分类特征矩阵通过多标签分类器以得到分类结果，所述分类结果用于表示该输电线路具有各类故障的概率值。

2.根据权利要求1所述的基于人工智能的输电线路故障识别系统，其特征在于，所述监测参数特征提取模块，包括：

第一尺度特征提取单元，用于使用所述第一卷积神经网络模型的第一卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第一卷积层的最后一层输出第一尺度监测参数特征向量；

第二尺度特征提取单元，用于使用所述第一卷积神经网络模型的第二卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第二卷积层的最后一层输出第二尺度监测参数特征向量；

多尺度特征融合单元，用于融合所述第一尺度监测参数特征向量和所述第二尺度监测参数特征向量以得到所述多尺度监测参数特征向量。

3.根据权利要求2所述的基于人工智能的输电线路故障识别系统，其特征在于，所述高斯融合模块，包括：

高斯密度图构造单元，用于以如下高斯公式来构造所述多个多尺度监测参数特征向量的高斯密度图；其中，所述高斯公式为：

其中，μ是所述多个多尺度监测参数特征向量之间的按位置均值向量，而σ是所述多个多尺度监测参数特征向量中各个位置的特征值之间的方差，表示高斯密度概率函数，x表示高斯密度图的变量；

高斯离散化单元，用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述监测参数协同特征矩阵。

4.根据权利要求3所述的基于人工智能的输电线路故障识别系统，其特征在于，所述融合特征提取模块，用于：使用所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：

对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；

对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；

其中，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的第一层的输入为所述监测参数协同特征矩阵，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的最后一层的输出为所述分类特征矩阵。

5.根据权利要求4所述的基于人工智能的输电线路故障识别系统，其特征在于，所述优化模块，包括：

参数化编码向量构造单元，用于构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值；

参数化特征提取单元，用于将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量；

余弦相似度计算单元，用于计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵；

几何拓扑特征提取单元，用于将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵；

融合单元，用于融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵。

6.根据权利要求5所述的基于人工智能的输电线路故障识别系统，其特征在于，所述识别结果生成模块，包括：

展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；

全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；

概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括输电线路所有可能具有的故障类型。

7.一种基于人工智能的输电线路故障识别方法，其特征在于，包括：

获取输电线路故障前后时间段内多个预定时间点的监测参数，所述监测参数包括三相电压、三相电流、零序电流的幅值数据；

将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量；

基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵；

将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵；

对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；

将所述优化分类特征矩阵通过多标签分类器以得到分类结果，所述分类结果用于表示该输电线路具有各类故障的概率值。

8.根据权利要求7所述的基于人工智能的输电线路故障识别方法，其特征在于，将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量，包括：

使用所述第一卷积神经网络模型的第一卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第一卷积层的最后一层输出第一尺度监测参数特征向量；

使用所述第一卷积神经网络模型的第二卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第二卷积层的最后一层输出第二尺度监测参数特征向量；

融合所述第一尺度监测参数特征向量和所述第二尺度监测参数特征向量以得到所述多尺度监测参数特征向量。

9.根据权利要求8所述的基于人工智能的输电线路故障识别方法，其特征在于，基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵，包括：

以如下高斯公式来构造所述多个多尺度监测参数特征向量的高斯密度图；其中，所述高斯公式为：

其中，μ是所述多个多尺度监测参数特征向量之间的按位置均值向量，而σ是所述多个多尺度监测参数特征向量中各个位置的特征值之间的方差，表示高斯密度概率函数，x表示高斯密度图的变量；

对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述监测参数协同特征矩阵。

10.根据权利要求9所述的基于人工智能的输电线路故障识别方法，其特征在于，将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵，包括：

使用所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：

对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；

对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；

其中，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的第一层的输入为所述监测参数协同特征矩阵，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的最后一层的输出为所述分类特征矩阵。