本發(fā)明涉及交流輸電線路繼電保護?，更具體地，涉及一種基于智能模型的線路故障原因辨識方法及系統(tǒng)。

背景技術：

1、隨著能源轉型加快推進，保供壓力不斷增大。近年來，供電負荷持續(xù)攀升，負荷高峰期易與極端天氣疊加，設備故障停運嚴重削弱網(wǎng)架結構，威脅電網(wǎng)安全和供電可靠。高壓輸電線路作為公司的重要資產(chǎn)及電能傳輸?shù)闹鞲傻?，其故障后停運后快速、準確地判別故障類型和原因，有助于輔助現(xiàn)場運維人員和調(diào)度運行人員開展故障處置和設備搶修，有效提升生產(chǎn)一線員工的工作質(zhì)效，進一步夯實電網(wǎng)本質(zhì)安全基礎。

2、現(xiàn)有技術1，（申請名稱：基于高低頻小波特征關聯(lián)的輸電線路故障原因辨識方法），提出了基于高低頻小波特征關聯(lián)的輸電線路故障原因辨識方法，通過建立高頻行波數(shù)據(jù)的小波特征與低頻錄波數(shù)據(jù)的小波特征的關聯(lián)模型，采用低頻錄波數(shù)據(jù)實現(xiàn)故障原因的辨識。首先，提取多種故障相電流樣本并建立數(shù)據(jù)庫，通過小波變換和bp神經(jīng)網(wǎng)絡提取低頻和高頻特征向量。其次根據(jù)上述結果建立故障特征量與故障類型的關聯(lián)關系模型。最后，將待測故障原因的樣本的特征量依次帶入多種故障類型的關聯(lián)關系模型，選取擬合度最大且大于設定值的輸出結果，判斷該待測故障原因的樣本數(shù)據(jù)為該輸出結果對應的模型中的故障類型。然而，現(xiàn)有技術1為通過故障電流信息進行故障原因辨識，而在多種交流線路故障類型中，不同故障間可能存在相似的故障電流，僅利用故障電流信息判斷故障原因準確性不高。

3、由于現(xiàn)有技術的故障辨識方法主要依靠人工分析，從現(xiàn)場巡線調(diào)查到系統(tǒng)供電恢復往往所需要的時間較長。此外，在故障現(xiàn)象不明顯時，基于人工分析的故障辨識方法難以準確區(qū)分。

4、因此，需要一種技術，以實現(xiàn)基于智能模型對線路故障原因進行辨識。

技術實現(xiàn)思路

1、本發(fā)明技術方案提供一種基于智能模型的線路故障原因辨識方法及系統(tǒng)，以解決如何基于智能模型對線路故障原因進行辨識的問題。

2、為了解決上述問題，本發(fā)明提供了一種基于智能模型的線路故障原因辨識方法，所述方法包括：

3、獲取故障線路的故障辨識數(shù)據(jù)；

4、基于所述故障辨識數(shù)據(jù)對每種故障類型的故障判斷項目進行賦值，基于不同類型故障的故障判斷項目預設的權重與賦值，獲取每種故障類型的故障判斷結果；

5、基于所述故障判斷結果生成故障機理判別結果分數(shù)矩陣，對所述故障機理判別結果分數(shù)矩陣進行歸一化處理，生成歸一化機理判別矩陣；

6、建立故障數(shù)據(jù)集，基于所述故障數(shù)據(jù)集，通過訓練后的智能模型輸出判別概率分布矩陣；

7、對所述歸一化機理判別矩陣以及所述判別概率分布矩陣進行融合處理，生成融合矩陣；

8、基于線路故障時氣象信息與故障原因的關聯(lián)關系，建立氣象關聯(lián)矩陣；

9、通過所述融合矩陣以及所述氣象關聯(lián)矩陣相乘，建立最終故障原因辨識矩陣，基于所述最終故障原因辨識矩陣對線路故障原因進行辨識。

10、優(yōu)選地，所述故障類型包括：雷擊故障、風偏故障、低阻異物故障、高阻異物故障、山火故障、污閃故障、覆冰舞動故障、覆冰閃絡故障、樹閃故障、鳥害故障以及機械外力故障；

11、所述故障判斷項目包括：故障類型項、故障性質(zhì)項、重合成功率項、非周期分量項、諧波含量項、故障時刻項、季節(jié)項、時間項以及負荷項。

12、優(yōu)選地，所述基于所述故障判斷結果生成故障機理判別結果分數(shù)矩陣，對所述故障機理判別結果分數(shù)矩陣進行歸一化處理，生成歸一化機理判別矩陣，包括：

13、所述故障機理判別結果分數(shù)矩陣ms=[ m1,..., mi,..., m9]t,msi∈[0,100]?,?si=1…9;?將所述故障機理判別結果分數(shù)矩陣歸一化得到歸一化機理判別矩陣ms：

14、

15、優(yōu)選地，所述故障數(shù)據(jù)集包括電氣量特征數(shù)據(jù)以及與故障類型對應的標簽，建立所述故障數(shù)據(jù)集包括：

16、截取故障前預設時間與故障后預設時間的數(shù)據(jù)窗長，基于預設的采樣率進行故障數(shù)據(jù)采樣，建立故障數(shù)據(jù)與故障類型對應的故障數(shù)據(jù)集d=[(x1,y1),...(xi,yi),...,(xn,yn)]，其中xi(i=1,2,3...n)為第i個故障數(shù)據(jù)錄波所有通道的電氣量特征數(shù)據(jù)，yi(i=1,2,3...n)為第i個故障數(shù)據(jù)錄波的實際故障類型對應的標簽，yi∈[1,2,3,4,5,6,7,8,9]。

17、優(yōu)選地，還包括建立智能模型：

18、所述智能模型為包括k個inception深度模塊、全局平均池化以及全連接層的inception深度卷積神經(jīng)網(wǎng)絡模型；

19、隨機初始化全連接層參數(shù)wfc,bfc，隨機初始化inception深度卷積神經(jīng)網(wǎng)絡模型的所有卷積核ck；

20、設計inception深度卷積神經(jīng)網(wǎng)絡模型的損失函數(shù)：

21、

22、其中，表示模型預測的概率值，表示樣本真實的類別標簽， j為第 j個卷積核，c為卷積核總數(shù)，z為最終分類標簽。

23、優(yōu)選地，還包括通過如下步驟對所述智能模型進行訓練：

24、前向傳播，輸入特征圖，通過卷積核和池化操作生成多組特征圖；將生成的多組特征圖在深度方向上進行拼接，生成最終的輸出特征圖；將所述輸出特征圖通過全連接層進行處理，輸出最終的分類標簽z；

25、計算全連接層的權重wfc和偏置bfc的梯度：

26、

27、其中， l為損失函數(shù);

28、計算所有卷積核ck的梯度，當存在一個卷積核的輸出為 c o時，計算損失函數(shù)對輸出為 c o卷積核權重wck和偏置bck的梯度：

29、

30、其中， l為損失函數(shù)，?w為權重，b為偏置;

31、反向傳播，按照梯度更新卷積核和全連接層參數(shù):

32、

33、其中，為學習率，w old為迭代前權重，w new為迭代后權重，b old為迭代前偏置，b new為迭代后偏置；

34、重復執(zhí)行對所述智能模型進行訓練的步驟，直至損失函數(shù)收斂時，所述智能模型完成訓練。

35、優(yōu)選地，所述對所述歸一化機理判別矩陣以及所述判別概率分布矩陣進行融合處理，生成融合矩陣，包括：

36、所述智能模型輸出的所述判別概率分布矩陣mai=[ mai1,..., maii,..., mai9]t, maii∈[0,1]，與所述歸一化機理判別矩陣 ms進行融合：

37、

38、其中，mmerge為融合矩陣。

39、優(yōu)選地，所述通過所述融合矩陣以及所述氣象關聯(lián)矩陣相乘，建立最終故障原因辨識矩陣，包括：

40、mmergenew=ammerge

41、其中，a為氣象關聯(lián)矩陣，mmergenew為最終故障原因辨識矩陣。

42、基于本發(fā)明的另一方面，本發(fā)明提供一種基于智能模型的線路故障原因辨識方法，所述方法包括：

43、機理判斷單元，用于獲取故障線路的故障辨識數(shù)據(jù)；基于所述故障辨識數(shù)據(jù)對每種故障類型的故障判斷項目進行賦值，基于不同類型故障的故障判斷項目預設的權重與賦值，獲取每種故障類型的故障判斷結果；基于所述故障判斷結果生成故障機理判別結果分數(shù)矩陣，對所述故障機理判別結果分數(shù)矩陣進行歸一化處理，生成歸一化機理判別矩陣；

44、概率判斷單元，用于建立故障數(shù)據(jù)集，基于所述故障數(shù)據(jù)集，通過訓練后的智能模型輸出判別概率分布矩陣；

45、結果單元，用于對所述歸一化機理判別矩陣以及所述判別概率分布矩陣進行融合處理，生成融合矩陣；基于線路故障時氣象信息與故障原因的關聯(lián)關系，建立氣象關聯(lián)矩陣；通過所述融合矩陣以及所述氣象關聯(lián)矩陣相乘，建立最終故障原因辨識矩陣，基于所述最終故障原因辨識矩陣對線路故障原因進行辨識。

46、優(yōu)選地，所述故障類型包括：雷擊故障、風偏故障、低阻異物故障、高阻異物故障、山火故障、污閃故障、覆冰舞動故障、覆冰閃絡故障、樹閃故障、鳥害故障以及機械外力故障；

47、所述故障判斷項目包括：故障類型項、故障性質(zhì)項、重合成功率項、非周期分量項、諧波含量項、故障時刻項、季節(jié)項、時間項以及負荷項。

48、優(yōu)選地，所述機理判斷單元，用于基于所述故障判斷結果生成故障機理判別結果分數(shù)矩陣，對所述故障機理判別結果分數(shù)矩陣進行歸一化處理，生成歸一化機理判別矩陣，還用于：

49、所述故障機理判別結果分數(shù)矩陣ms=[ m1,..., mi,..., m9]t,msi∈[0,100]?,?si=1…9;?將所述故障機理判別結果分數(shù)矩陣歸一化得到歸一化機理判別矩陣ms：

50、

51、優(yōu)選地，所述故障數(shù)據(jù)集包括電氣量特征數(shù)據(jù)以及與故障類型對應的標簽，概率判斷單元，用于建立所述故障數(shù)據(jù)集，還用于：

52、截取故障前預設時間與故障后預設時間的數(shù)據(jù)窗長，基于預設的采樣率進行故障數(shù)據(jù)采樣，建立故障數(shù)據(jù)與故障類型對應的故障數(shù)據(jù)集d=[(x1,y1),...(xi,yi),...,(xn,yn)]，其中xi(i=1,2,3...n)為第i個故障數(shù)據(jù)錄波所有通道的電氣量特征數(shù)據(jù)，yi(i=1,2,3...n)為第i個故障數(shù)據(jù)錄波的實際故障類型對應的標簽，yi∈[1,2,3,4,5,6,7,8,9]。

53、優(yōu)選地，所述概率判斷單元，還用于建立智能模型：

54、所述智能模型為包括k個inception深度模塊、全局平均池化以及全連接層的inception深度卷積神經(jīng)網(wǎng)絡模型；

55、隨機初始化全連接層參數(shù)wfc,bfc，隨機初始化inception深度卷積神經(jīng)網(wǎng)絡模型的所有卷積核ck；

56、設計inception深度卷積神經(jīng)網(wǎng)絡模型的損失函數(shù)：

57、

58、其中，表示模型預測的概率值，表示樣本真實的類別標簽， j為第 j個卷積核，c為卷積核總數(shù)，z為最終分類標簽優(yōu)選地，所述概率判斷單元，還用于通過如下步驟對所述智能模型進行訓練：

59、前向傳播，輸入特征圖，通過卷積核和池化操作生成多組特征圖；將生成的多組特征圖在深度方向上進行拼接，生成最終的輸出特征圖；將所述輸出特征圖通過全連接層進行處理，輸出最終的分類標簽z；

60、計算全連接層的權重wfc和偏置bfc的梯度：

61、

62、其中， l為損失函數(shù);

63、計算所有卷積核ck的梯度，當存在一個卷積核的輸出為 c o時，計算損失函數(shù)對輸出為 c o卷積核權重wck和偏置bck的梯度：

64、

65、其中， l為損失函數(shù)，?w為權重，b為偏置;

66、反向傳播，按照梯度更新卷積核和全連接層參數(shù):

67、

68、其中，為學習率，w old為迭代前權重，w new為迭代后權重，b old為迭代前偏置，b new為迭代后偏置；

69、重復執(zhí)行對所述智能模型進行訓練的步驟，直至損失函數(shù)收斂時，所述智能模型完成訓練。

70、優(yōu)選地，所述結果單元，用于對所述歸一化機理判別矩陣以及所述判別概率分布矩陣進行融合處理，生成融合矩陣，還用于：

71、所述智能模型輸出的所述判別概率分布矩陣mai=[ mai1,..., maii,..., mai9]t, maii∈[0,1]，與所述歸一化機理判別矩陣 ms進行融合：

72、

73、其中，mmerge為融合矩陣。

74、優(yōu)選地，所述結果單元，用于通過所述融合矩陣以及所述氣象關聯(lián)矩陣相乘，建立最終故障原因辨識矩陣，還用于：

75、mmergenew=ammerge

76、其中，a為氣象關聯(lián)矩陣，mmergenew為最終故障原因辨識矩陣。

77、本發(fā)明技術方案提供了一種基于智能模型的線路故障原因辨識方法及系統(tǒng)，其中方法包括：獲取故障線路的故障辨識數(shù)據(jù)；基于故障辨識數(shù)據(jù)對每種故障類型的故障判斷項目進行賦值，基于不同類型故障的故障判斷項目預設的權重與賦值，獲取每種故障類型的故障判斷結果；基于故障判斷結果生成故障機理判別結果分數(shù)矩陣，對故障機理判別結果分數(shù)矩陣進行歸一化處理，生成歸一化機理判別矩陣；建立故障數(shù)據(jù)集，基于故障數(shù)據(jù)集，通過訓練后的智能模型輸出判別概率分布矩陣；對歸一化機理判別矩陣以及判別概率分布矩陣進行融合處理，生成融合矩陣；基于線路故障時氣象信息與故障原因的關聯(lián)關系，建立氣象關聯(lián)矩陣；通過融合矩陣以及氣象關聯(lián)矩陣相乘，建立最終故障原因辨識矩陣，基于最終故障原因辨識矩陣對線路故障原因進行辨識。本發(fā)明技術方案提供了一種結合人工智能技術的線路故障原因辨識方法及系統(tǒng)，綜合利用了人工智能技術、故障機理分析及氣象-故障原因關聯(lián)知識，融合了電網(wǎng)歷史故障“數(shù)據(jù)”與故障機理分析的“知識”，協(xié)同實現(xiàn)輸電線路故障原因快速精準辨識，有力保障電網(wǎng)安全、電力保供和清潔能源消納。