本發(fā)明涉及一種輸電線路區(qū)內(nèi)外故障判斷及故障選相方法，尤其是涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路區(qū)內(nèi)外故障判斷及故障選相方法。

背景技術(shù)：

電力系統(tǒng)中，輸電線路區(qū)內(nèi)外故障判斷和故障選相是繼電保護必不可少的環(huán)節(jié)，區(qū)內(nèi)外故障判斷對繼電保護裝置的選擇性有重要意義，可靠快速的故障選相是保護準確動作、故障正確處理重要前提，對電力系統(tǒng)穩(wěn)定具有極其重要的意義。輸電線路區(qū)內(nèi)外故障判斷主要是通過縱聯(lián)保護來實現(xiàn)的，主要分為方向比較縱聯(lián)保護和縱聯(lián)電流差動保護，整定值不正確會引起誤動作，存在整定復雜且難以兼顧靈敏性與可靠性等問題。

故障選相是繼電保護必不可少的環(huán)節(jié)，可靠快速的故障選相是保護準確動作、故障正確處理重要前提，對電力系統(tǒng)安全運行具有極其重要的意義。電力系統(tǒng)故障選相的方法主要有穩(wěn)態(tài)量選相和突變量選相。穩(wěn)態(tài)量選相包括電壓選相、電流選相、序分量選相和阻抗選相等。電壓選相在弱電源側(cè)具有較高的靈敏度，但在強電源側(cè)靈敏度偏低；電流選相的靈敏度在單相經(jīng)高阻接地、弱電源側(cè)及運行方式發(fā)生較大變化等情況下存在不足；序分量選相在單相接地故障中不受過渡電阻的影響，但在弱電源側(cè)同樣存在靈敏度不足的問題，而且并不是所有故障均存在負序和零序分量；阻抗選相受系統(tǒng)運行方式影響小，但在單相經(jīng)高阻接地情況下靈敏度不足。突變量選相主要包括突變量電流選相、突變量電壓選相以及電壓電流綜合突變量選相。突變量電流選相具有速動性好、受過渡電阻影響小的優(yōu)點，但在弱電源側(cè)選相靈敏度低；突變量電壓選相在弱電源側(cè)具有較高的靈敏度，但在強電源側(cè)靈敏度低；電壓電流綜合突變量選相則在三相故障方面存在不足。

深度網(wǎng)絡(luò)和深度學習的概念被正式提出之后，因其強大的學習性能，迅速成為研究熱點，在語音識別、圖像識別和人工智能等方面取得重要進展。卷積神經(jīng)網(wǎng)絡(luò)作為深度學習的典型模型之一，具有強大的學習泛化能力，在電力工業(yè)已經(jīng)開始有所應用，其中，風電場功率預測、電力變壓器故障診斷、發(fā)電機故障挖掘等方面的應用研究已經(jīng)開展，但在區(qū)內(nèi)外故障判斷和故障選相方面還沒有相關(guān)研究。

針對上述背景，本發(fā)明設(shè)計了一種基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路區(qū)內(nèi)外故障判斷及故障選相方法，通過對卷積神經(jīng)網(wǎng)絡(luò)進行輸出部分的改進，用同一網(wǎng)絡(luò)解決了區(qū)內(nèi)外故障判斷和故障選相兩種非獨立分類的分類問題，實現(xiàn)了非獨立分類問題的權(quán)值共享，無需計算各種整定值，結(jié)果準確可靠。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是克服現(xiàn)有區(qū)內(nèi)外故障判斷和故障選相方法的不足，通過對卷積神經(jīng)網(wǎng)絡(luò)進行輸出部分的改進，提供一種用同一網(wǎng)絡(luò)解決區(qū)內(nèi)外故障判斷和故障選相兩種非獨立分類的方法，該方法對采樣率要求低，無需計算各種整定值，不受系統(tǒng)頻率、故障位置、負荷電流、過渡電阻等因素的影響，結(jié)果準確可靠，對設(shè)備無特殊要求，方便實施。

本發(fā)明技術(shù)方案提供一種故障錄波數(shù)據(jù)故障起點檢測方法，包括以下步驟，

一種基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路區(qū)內(nèi)外故障判斷及故障選相方法，其特征在于，基于一個故障模型，該故障模型的輸出采用兩個Softmax分類器，一個用于解決故障選相問題，一個用于解決區(qū)內(nèi)外故障判斷問題，從而實現(xiàn)對兩種不同問題分類的權(quán)值共享，其中，故障類型一共有10種分類，區(qū)內(nèi)外故障有2種分類，設(shè)置輸出端口數(shù)為12；將前10個輸出劃分為一類，用于進行故障選相，每個輸出索引號與一種故障類型對應，索引號為1～10，依次代表AG、BG、CG、AB、BC、CA、ABG、BCG、CAG、ABCG十種故障類型，在該10個輸出中，將輸出值最大的置1，進而得到故障類型；第11～12兩個輸出用于進行區(qū)內(nèi)外故障判斷，兩個輸出中，取較大者置1較小者置0，第11號為1表示區(qū)內(nèi)故障，第12號索引號表示區(qū)外故障，具體包括：

步驟1、故障模型基于個等效拓撲，所述等效拓撲包括電源電壓經(jīng)輸電線路后與電源電壓連接，其中，Z_m、Z_n為電源等效阻抗，f為系統(tǒng)頻率，l為輸電線路長度，x為故障位置，過渡電阻R_g，i_m、i_n為保護安裝處采樣電流，然后獲取訓練樣本和測試樣本；

步驟2、根據(jù)步驟1建立的故障模型尋找卷積神經(jīng)網(wǎng)絡(luò)的最佳結(jié)構(gòu)；

步驟3、根據(jù)確定的最佳網(wǎng)絡(luò)結(jié)構(gòu)，增加訓練次數(shù)，對批處理數(shù)進行改變，使測試樣本的錯誤率降為0，然后保存訓練好的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和權(quán)值偏置矩陣；

步驟4、在每次故障后，獲取故障電流，輸入到訓練好的網(wǎng)絡(luò)，即可輸出選相結(jié)果。

在上述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的故障選相方法，所述步驟1具體包括：

步驟1.1.基于電力系統(tǒng)仿真軟件搭建雙端供電系統(tǒng)仿真模型；

步驟1.2.生成參數(shù)矩陣，參數(shù)是與故障選相有關(guān)的因素，包括：兩端電源的等級，電源等效阻抗，系統(tǒng)頻率，輸電線路長度、線路參數(shù)，故障位置，故障類型，相間故障電阻、接地故障電阻，兩端電源相角差、幅值差，然后對每種因素在其可變范圍內(nèi)進行取值，按照排列組合的方式對參數(shù)進行遍歷，形成參數(shù)矩陣，矩陣中每一行代表依次故障中所有可變參數(shù)的一種組合，每一列表示一種參數(shù)；

步驟1.3.將步驟1.2中生成的參數(shù)矩陣以行為單位，依次輸入模型并運行，得到故障時兩端的電流數(shù)據(jù)作為樣本的輸入，將故障類型作為樣本的輸出，將輸入與輸出一一對應，得到訓練樣本；

步驟1.4.改變步驟1.2中程序參數(shù)，重新生成不同的參數(shù)矩陣，然后重復1.3，得到測試樣本。

在上述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的故障選相方法，所述步驟2具體包括：

步驟2.1、列出所有網(wǎng)絡(luò)結(jié)構(gòu)；網(wǎng)絡(luò)結(jié)構(gòu)均為卷積層和采樣層交替重復，本層的輸出作為下一層的輸入，使網(wǎng)絡(luò)結(jié)構(gòu)對輸入樣本有較高的畸變?nèi)萑棠芰Γ鼫蚀_地實現(xiàn)對數(shù)據(jù)的分級表達；定義每個卷積層的輸入矩陣維度為m_i*n_i*i，其中m_i為每個輸入樣本矩陣的行數(shù)，n_i為每個輸入樣本矩陣的列數(shù)，i為輸入樣本總數(shù)；輸出矩陣維度為m_o*n_o*o，其中m_o為每個輸出樣本矩陣的行數(shù)，n_o為每個輸出樣本矩陣的列數(shù)，o為輸出樣本總數(shù)，卷積層的卷積核為k*k，則每個卷積層的輸入輸出必須滿足如下公式：

步驟2.2、設(shè)置批處理數(shù)量和訓練次數(shù)為定值，對不同網(wǎng)絡(luò)結(jié)構(gòu)進行訓練和測試，得到錯誤率最低的網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)即為最佳網(wǎng)絡(luò)結(jié)構(gòu)。

本發(fā)明具體如下優(yōu)點：1、通過對卷積神經(jīng)網(wǎng)絡(luò)進行輸出部分的改進，用同一網(wǎng)絡(luò)解決了區(qū)內(nèi)外故障判斷和故障選相兩種非獨立分類的分類問題，實現(xiàn)了非獨立分類問題的權(quán)值共享；2、本發(fā)明通過卷積神經(jīng)網(wǎng)絡(luò)進行區(qū)內(nèi)外故障判斷和故障選相，無需計算各種整定值，簡單易行，不存在序分量選相、突變量電流選相等在弱電源側(cè)靈敏度低的問題和電壓選相、突變量電壓選相在強電源側(cè)靈敏度低的問題，同時也不存在阻抗選相在單相高阻接地情況下靈敏度低的問題；3、本發(fā)明通過對系統(tǒng)頻率、故障位置等一系列影響區(qū)內(nèi)外故障判斷和故障選相的因素進行了遍歷，通過卷積神經(jīng)網(wǎng)絡(luò)強大的泛化學習能力，使該方法不受系統(tǒng)頻率、故障位置、負荷電流、過渡電阻等因素的影響，能準確、迅速地確定區(qū)內(nèi)外故障和故障相，具有很高的可靠性；4、通過搭建仿真模型對電源電壓、系統(tǒng)頻率、輸電線路參數(shù)、故障位置、過渡電阻、故障類型等一系列影響區(qū)內(nèi)外故障判斷和故障選相的因素進行遍歷仿真，得到海量的雙端電流數(shù)據(jù)，以此作為訓練樣本，不受工程實際中故障樣本缺少問題的困擾，依托卷積神經(jīng)網(wǎng)絡(luò)強大的學習泛化能力，有望實現(xiàn)用同一權(quán)重偏置參數(shù)對局部電網(wǎng)乃至全網(wǎng)進行準確的區(qū)內(nèi)外故障判斷與故障選相，在未來智能電網(wǎng)的發(fā)展中具有廣闊應用前景；5、本發(fā)明通過訓練好的網(wǎng)絡(luò)進行區(qū)內(nèi)外故障判斷和故障選相，無需再次訓練，選相迅速，很大程度的滿足工程需要。

附圖說明

圖1是改進后的卷積神經(jīng)網(wǎng)絡(luò)輸出分類及對應索引號圖。

圖2是本發(fā)明雙端供電系統(tǒng)簡圖。

圖3是本發(fā)明故障選相原理圖。

圖4是本發(fā)明的方法流程示意圖。

具體實施方式

以下結(jié)合附圖和實施例對本發(fā)明的技術(shù)方案進行詳細說明。

為解決現(xiàn)有區(qū)內(nèi)外故障判斷和故障選相方法需要設(shè)定整定值，在強電源或弱電源側(cè)靈敏度低，在阻抗選相在單相高阻接地情況下靈敏度低，受系統(tǒng)頻率、故障位置等因素影響大燈問題，本發(fā)明實施例提供一種利用卷積神經(jīng)網(wǎng)絡(luò)進行區(qū)內(nèi)外故障判斷和故障選相的新方法，具體實施步驟如下：

步驟1、為了用同一卷積神經(jīng)網(wǎng)絡(luò)解決區(qū)內(nèi)外故障判斷和故障選相兩種非獨立的分類問題，本文對網(wǎng)絡(luò)結(jié)構(gòu)的輸出部分進行改進，采用兩個Softmax分類器，一個用于解決故障選相問題，一個用于解決區(qū)內(nèi)外故障判斷問題，從而實現(xiàn)對兩種不同問題分類的權(quán)值共享，分類原理如圖1所示。其中，故障類型一共有10種分類，區(qū)內(nèi)外故障有2種分類，設(shè)置輸出端口數(shù)為12。將前10個輸出劃分為一類，用于進行故障選相，每個輸出索引號與一種故障類型對應，索引號為1～10，依次代表AG、BG、CG、AB、BC、CA、ABG、BCG、CAG、ABCG十種故障類型，在該10個輸出中，將輸出值最大的置1，進而得到故障類型；第11～12兩個輸出用于進行區(qū)內(nèi)外故障判斷，兩個輸出中，取較大者置1較小者置0，第11號為1表示區(qū)內(nèi)故障，第12號索引號表示區(qū)外故障。

步驟2、根據(jù)圖2所示雙端供電系統(tǒng)原理圖，搭建故障模型，其中，為線路兩端電源電壓，Z_m、Z_n為電源等效阻抗，f為系統(tǒng)頻率，l₁為故障區(qū)內(nèi)線路長度，l₂為故障區(qū)外線路長度，x為故障位置，i_m、i_n、i_a、i_b為保護安裝處采樣電流。獲取訓練樣本和測試樣本，實現(xiàn)方式如下，

2.1.在電力系統(tǒng)仿真軟件(如MATLAB等)搭建雙端供電系統(tǒng)仿真模型；

2.2編寫程序代碼，生成參數(shù)矩陣。參數(shù)包括兩端電源的等級，電源等效阻抗，系統(tǒng)頻率，輸電線路長度、線路參數(shù)，故障位置，故障類型，相間故障電阻、接地故障電阻，兩端電源相角差、幅值差等一系列與區(qū)內(nèi)外故障判斷和故障選相有關(guān)的因素，對每種因素在其可變范圍內(nèi)進行取值，按照排列組合的方式對參數(shù)進行遍歷，形成參數(shù)矩陣，矩陣中每一行代表依次故障中所有可變參數(shù)的一種組合，每一列表示一種參數(shù)；

2.3對故障參數(shù)進行批輸入運行。編寫程序代碼，將2.2中生成的參數(shù)矩陣以行為單位，依次輸入模型并運行，得到故障時一條輸電線路兩端的電流數(shù)據(jù)，同時與故障類型和區(qū)內(nèi)外故障一一對應；

2.4.生成訓練樣本。將2.3得到故障時兩端的電流數(shù)據(jù)的故障前一周波和故障后一周波的數(shù)據(jù)作為樣本的輸入，將故障類型和區(qū)內(nèi)外故障按照步驟1進行分類索引對應處理后作為樣本的輸出，得到訓練樣本，訓練樣本的可變參數(shù)如表1所示，考慮兩段線路，所有組合一共有種，故樣本總數(shù)為33000個；

表1訓練樣本參數(shù)遍歷表

2.5生成測試樣本。改變2.2程序中影響區(qū)內(nèi)外故障判斷和故障選相因素的取值，重新生成不同的參數(shù)矩陣，然后重復2.3，仿照2.4處理后得到測試樣本，測試樣本的參數(shù)遍歷表如表2所示。考慮兩段輸電線路，所有組合有種，樣本總數(shù)為4500個。

步驟3、尋找卷積神經(jīng)網(wǎng)絡(luò)的最佳結(jié)構(gòu)，實現(xiàn)方式如下，

3.1.列出盡可能多可能的網(wǎng)絡(luò)結(jié)構(gòu)。一般為卷積層(C層)采樣層(S層)交替重復，本層的輸出作為下一層的輸入，使網(wǎng)絡(luò)結(jié)構(gòu)對輸入樣本有較高的畸變?nèi)萑棠芰?，更準確地實現(xiàn)對數(shù)據(jù)的分級表達。假設(shè)每個卷積層的輸入矩陣維度為m_i*n_i*i，其中m_i為每個輸入樣本矩陣的行數(shù)，n_i為每個輸入樣本矩陣的列數(shù)，i為輸入樣本總數(shù)；輸出矩陣維度為m_o*n_o*o，其中m_o為每個輸出樣本矩陣的行數(shù)，n_o為每個輸出樣本矩陣的列數(shù)，o為輸出樣本總數(shù)，卷積層的卷積核為k*k，則每個卷積層的輸入輸出必須滿足如下公式：

3.2.設(shè)置批處理數(shù)量和訓練次數(shù)為定值，對不同網(wǎng)絡(luò)結(jié)構(gòu)進行訓練和測試，得到錯誤率最低的網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)即為最佳網(wǎng)絡(luò)結(jié)構(gòu)。

步驟4、根據(jù)確定的最佳網(wǎng)絡(luò)結(jié)構(gòu)，增加訓練次數(shù)，對批處理數(shù)進行改變，使測試樣本的總錯誤率降為0，然后保存訓練好的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和權(quán)值偏置矩陣；

步驟5、在每次故障后，獲取故障電流，輸入到訓練好的網(wǎng)絡(luò)，即可輸出選相結(jié)果，無需再次訓練，原理如圖3所示。

表2測試樣本參數(shù)遍歷表

為驗證本發(fā)明方法的準確性和可靠性，采用本實施例方法進行以下的仿真實驗：

設(shè)置模型參數(shù)如下：模型采樣率1200Hz；m側(cè)系統(tǒng)等效阻抗為Z_m＝1+j31.4Ω，n側(cè)系統(tǒng)等效阻抗為Z_n＝1+j31.4Ω；線路參數(shù)為：L₁＝0.9337mH/km，C₁＝0.01274μF/km，R₁＝0.0127Ω/km，輸電線路l₁全長100.002km，輸電線路l₂全長100.002km；短路開始時刻為0.05s，切除結(jié)束時刻為0.1s，仿真總時長為0.1s。

分別設(shè)置不同的網(wǎng)絡(luò)結(jié)構(gòu)，得到不同網(wǎng)絡(luò)結(jié)構(gòu)下的錯誤率和訓練時間，仿真結(jié)果如表3所示。對表中內(nèi)容作如下解釋：以序號1為例，網(wǎng)絡(luò)結(jié)構(gòu)為6C-1S-12C-2S，其中C表示卷積層，S表示降采樣層；卷積核中的兩個數(shù)字依次為第1個卷積層和第2個卷積層的卷積核；批處理數(shù)量為訓練過程中每批輸入的樣本數(shù)；總錯誤率為故障選相判斷錯誤或區(qū)內(nèi)外故障判斷錯誤或兩者均判斷錯誤的樣本占總測試樣本數(shù)的比率，選相錯誤率是故障選相失敗的樣本數(shù)占總測試樣本數(shù)的比率，區(qū)內(nèi)錯誤率是區(qū)內(nèi)外故障判斷錯誤樣本數(shù)占總測試樣本數(shù)的比率；訓練時間為訓練樣本在訓練過程中所消耗的時間。

表3卷積神經(jīng)網(wǎng)絡(luò)用于區(qū)內(nèi)外故障判斷及故障選相仿真結(jié)果

由表可知：在樣本數(shù)一定的情況下，網(wǎng)絡(luò)結(jié)構(gòu)、卷積核大小、批處理數(shù)量和訓練次數(shù)等均會影響區(qū)內(nèi)外故障判斷和故障選相的錯誤率。

由序號1和2對比，序號3、6和8對比知：相同網(wǎng)絡(luò)結(jié)構(gòu)下，卷積核大小不同，錯誤率不同；由序號4、5、6對比知：在網(wǎng)絡(luò)結(jié)構(gòu)和卷積核大小均相同時，在一定范圍內(nèi)，批處理數(shù)量越少，訓練過程中權(quán)值調(diào)整次數(shù)越多，錯誤率越低；由序號5、7、8對比知：在批處理數(shù)量相同時，一般隨著訓練次數(shù)增多，錯誤率降低，但當訓練次數(shù)達到一定值時，錯誤率基本維持在一個恒定值，并在附近波動。由序號1、2、3、4、9、10、11、12對比知：不同的網(wǎng)絡(luò)結(jié)構(gòu)下，錯誤率是不同的，多次試驗發(fā)現(xiàn)在6C-1S-12C-2S結(jié)構(gòu)下，卷積核依次為2*2和4*4時，錯誤率最低，區(qū)內(nèi)外判斷和故障選相效果最好。當批處理數(shù)為100，當訓練次數(shù)達到10次時，總錯誤率降為0％，可以實現(xiàn)對所有訓練樣本無錯誤的進行故障選相及區(qū)內(nèi)外故障判斷，不存在序分量選相、突變量電流選相等在弱電源側(cè)靈敏度低的問題和電壓選相、突變量電壓選相在強電源側(cè)靈敏度低的問題，同時也不存在阻抗選相在單相高阻接地情況下靈敏度低的問題。

由實驗可知：在測試樣本中系統(tǒng)頻率、故障位置、負荷電流、過渡電阻等參數(shù)與訓練樣本均不同的情況下，卷積神經(jīng)網(wǎng)絡(luò)仍然可以準確判斷區(qū)內(nèi)外故障并進行故障選相，這是因為訓練樣本數(shù)據(jù)對系統(tǒng)頻率、故障位置、負荷電流、過渡電阻等參數(shù)進行了遍歷，同時卷積神經(jīng)網(wǎng)絡(luò)具有很強的泛化能力與學習能力，因此基本不受系統(tǒng)頻率、故障位置、負荷電流、過渡電阻等因素的影響，不需要對任何參數(shù)進行整定。綜合上述分析，當樣本數(shù)足夠時，卷積神經(jīng)網(wǎng)絡(luò)用于故障選相和區(qū)內(nèi)外故障判斷具有極高的準確率。

以上實施例僅供說明本發(fā)明之用，而非對本發(fā)明的限制，有關(guān)技術(shù)領(lǐng)域的技術(shù)人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變換或變型，因此所有等同的技術(shù)方案，都落入本發(fā)明的保護范圍。