一种输电线路故障分类方法

摘要

本发明公开了一种输电线路故障分类方法，步骤a：提取电流故障样本数据并将电流故障样本分类，根据电流故障类型建立电流样本矩阵；步骤b：设置判定值，并依据样本矩阵建立深度字典学习的数学模型；步骤c：对数学模型进行训练；步骤d：根据判定值判定数学模型是否训练完成；若不符合判定值条件则重复步骤c，若符合判定值条件则跳转步骤e。步骤e：数学模型完成建立并输出；本发明有三个技术优点，能自动动提取特征；物理含义明确；模型性能好。

权利要求

1.一种输电线路故障分类方法，其特征在于，包括：步骤a：提取电流故障样本数据并将所述电流故障样本分类，根据所述电流故障类型建立电流样本矩阵；

步骤b：设置判定值，并依据所述样本矩阵建立深度字典学习的数学模型；

步骤c：对所述数学模型进行训练；

步骤d：根据所述判定值判定所述数学模型是否训练完成；若不符合所述判定值条件则重复步骤c，若符合所述判定值条件则跳转步骤e；

步骤e：所述数学模型完成建立并输出；

所述步骤a中，通过搭建故障电流仿真模型获取三相电流和零序电流，按顺序堆叠所述三相电流和所述零序电流并进行归一化处理得到所述故障样本；将所述故障样本通过故障类型进行分类并形成所述样本矩阵Y；

Y＝[Y1…Yi…Y10]，N×M N×Mi

其中Y∈R ，Yi∈R 表示属于第i类样本的样本子集，Mi表示属于第i类故障样本总数；

所述步骤b中，首先设置最大字典层数n和每轮迭代次数Tmax，随后建立数学模型：j

其中i表示故障类型，j表示第j层，字典Di由K‑均值初始化得到，Δi的初始值等于样本j

矩阵Yi；Xi表示系数矩阵；Mi表示属于第i类故障样本总数；xm表示系数矩阵的第m行；

所属步骤c中还包括：

j j

步骤c1：固定字典Di，并计算式中的系数矩阵Xi；

j j

步骤c2：固定所述系数矩阵Xi，并更新所述字典Di；

j j j+1

其中经Tmax次轮迭，得到的Di和Xi并求解新一层残差矩阵Δi ，其中，n表示最大字典层数；j表示第j层 表示第i类故障在第j层的残差矩阵；xm表示系数矩阵的第m行

所述步骤d中，步骤d1：当j小于n时，重复步骤c；若j等于n时，判断i是否小于10；

步骤d2：若是，则令i＝i+1,返回步骤b；若否，输出此时总的故障字典D；

所述步骤e中故障率波装置采集的故障电流样本用所述字典模型表示；所述系数矩阵X按故障类型进行重构，其中重构误差最小的分类是所述样本所属的故障类别。

2.根据权利要求1所述的一种输电线路故障分类方法，其特征在于，其中根据，判断所述故障类别；

其中class(y)为判定所述的样本所属的所述故障类别。

说明书

一种输电线路故障分类方法

技术领域

[0001] 本发明涉及继电保护技术领域，更具体的说是涉及一种输电线路故障分类方法。

背景技术

[0002] 电力系统中输电线路运行环境复杂，易受各种人为或自然因素影响而发生故障。在线路故障后快速、准确地识别出故障类型，对于提高故障定位精度、缩短故障线路恢复运
行时间以及提高电力系统稳定性等具有重要意义。

[0003] 目前主要的输电线路故障分类方法大致可分为基于物理模型的分类方法和基于人工智能的分类方法。基于物理模型的方法是利用不同类别故障在预定义特征指标上的差
异实现故障类别的判断，具有物理意义明确、易于微机实现的优点。但基于物理模型的方法
也存在着易受故障条件或系统参数变化影响，且部分分类方法对硬件要求较高等缺点；而
基于人工智能的故障分类方法设计流程相对简单，无需复杂的建模，但在故障特征提取等
方面，仍需人为参与，费时费力。而且现有的深度学习分类方法所提取的特征缺乏可解释
性，物理含义不明确。

[0004] 因此，如何提供一种输电线路故障分类方法是本领域技术人员亟需解决的问题。

发明内容

[0005] 有鉴于此，本发明提供了一种输电线路故障分类方法。本发明的方法无需人为参与就能自动提取故障特征，训练后的字典模型在噪声环境和不同的系统模型中仍能精确地
判断线路故障的种类，具有优良的抗噪性能和泛化能力。此外，该方法所提取的故障特征符
合直观认识，物理含义明确，一定程度上解决了基于数据驱动方法所提取故障特征的可解
释性问题。

[0006] 为了实现上述目的，本发明采用如下技术方案：

[0007] 一种输电线路故障分类方法，包括：

[0008] 步骤a：提取电流故障样本数据并将所述电流故障样本分类，根据所述电流故障类型建立电流样本矩阵；

[0009] 步骤b：设置判定值，并依据所述样本矩阵建立深度字典学习的数学模型；

[0010] 步骤c：对所述数学模型进行训练；

[0011] 步骤d：根据所述判定值判定所述数学模型是否训练完成；若不符合所述判定值条件则重复步骤c，若符合所述判定值条件则跳转步骤e。

[0012] 步骤e：所述数学模型完成建立并输出；

[0013] 优选的，所述步骤a中，通过搭建故障电流仿真模型获取三相电流和零序电流，按顺序堆叠所述三相电流和所述零序电流并进行归一化处理得到所述故障样本；将所述故障
样本通过故障类型进行分类并形成所述样本矩阵Y；

[0014] Y＝[Y1…Yi…Y10]，

[0015] 其中Y∈RN×M，Yi∈RN×Mi表示属于第i类样本的样本子集，Mi表示属于第i类故障样本总数。

[0016] 优选的，所述步骤b中，首先设置最大字典层数n和每轮迭代次数Tmax，随后建立数学模型：

[0017]

[0018]

[0019] 其中i表示故障类型，j表示第j层，字典 由K‑均值初始化得到，Δi的初始值等于样本矩阵Yi。

[0020] 优选的，所属步骤c中还包括：

[0021] 步骤c1：固定字典 并计算式中的系数矩阵

[0022]

[0023]

[0024] 步骤c2：固定所述系数矩阵 并更新所述字典

[0025]

[0026] 其中经Tmax次轮迭，得到的 和 并求解新一层残差矩阵

[0027]

[0028] 优选的，所述步骤d中，

[0029] 步骤d1：当j小于n时，重复步骤c；若j等于n时，判断i是否小于10；

[0030] 步骤d2：若是，则令i＝i+1,返回步骤b；若否，输出此时总的故障字典D；

[0031]

[0032] 优选的，所述步骤e中故障率波装置采集的故障电流样本用所述字典模型表示；所述系数矩阵X按故障类型进行重构，其中重构误差最小的分类是所述样本所属的故障类别。

[0033] 优选的，其中根据，

[0034]

[0035] 判断所述故障类别，其中class(y)为判定所述的样本所属的所述故障类别。

[0036] 经由上述的技术方案可知，本发明公开提供了一种输电线路故障分类方法，有以下三个技术优点，第一，自动提取特征。构建的深层字典能自动挖掘故障数据的内在特征且
不需人为参与；第二，物理含义明确。低层字典包含故障的总体特征，高层字典揭示了故障
的细节特征，一定程度上解决了基于人工智能方法所提取故障特征的可解释性问题；第三，
模型性能好。深度字典模型精确性、稳定性好，抗噪性能优异，模型学习到的是故障的普遍
特征，而非针对特定模型，具有较好的泛化能力。

附图说明

[0037] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据
提供的附图获得其他的附图。

[0038] 图1A附图为本发明提供的输电线路故障分类方法流程图；

[0039] 图1B附图为本发明提供的输电线路故障分类方法具体步骤图；

[0040] 图1C附图为本发明提供的故障电流的归一化样本；

[0041] 图2A附图为本发明提供的双端电源系统故障仿真模型；

[0042] 图2B附图为本发明提供的抗噪性能验证数据图；

[0043] 图2C附图为本发明提供的基于IEEE标准9节点系统的故障仿真模型；

[0044] 图2D附图为本发明提供的验证模型的分类效果图；

[0045] 图2E附图为本发明提供的待分类样本的重建误差对比及分类效果图；

[0046] 图2F附图为本发明提供的待分类样本及其稀疏表示字典原子图。

具体实施方式

[0047] 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，所描述的实施例仅仅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做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。

[0048] 本发明实施例公开了一种输电线路故障分类方法，包括：

[0049] 步骤a：提取电流故障样本数据并将所述电流故障样本分类，根据所述电流故障类型建立电流样本矩阵；

[0050] 步骤b：设置判定值，并依据所述样本矩阵建立深度字典学习的数学模型；

[0051] 步骤c：对所述数学模型进行训练；

[0052] 步骤d：根据所述判定值判定所述数学模型是否训练完成；若不符合所述判定值条件则重复步骤c，若符合所述判定值条件则跳转步骤e。

[0053] 步骤e：所述数学模型完成建立并输出；

[0054] 更具体的，图1A、图1B是根据一示例性实施例一示出的本发明提供的输电线路故障分类方法流程图；输电线路故障分类方法具体流程图；故障电流的归一化样本。

[0055] 为了进一步优化上述技术方案，所述步骤a中，通过搭建故障电流仿真模型获取三相电流和零序电流，按顺序堆叠所述三相电流和所述零序电流并进行归一化处理得到所述
故障样本；将所述故障样本通过故障类型进行分类并形成所述样本矩阵Y；

[0056] Y＝[Y1…Yi…Y10]，

[0057] 其中Y∈RN×M，Yi∈RN×Mi表示属于第i类样本的样本子集，Mi表示属于第i类故障样本总数。

[0058] 更具体的，故障类型有单相接地故障、相间短路故障、两相接地短路故障和三相短路故障，共计十种故障类型。

[0059] 为了进一步优化上述技术方案，所述步骤b中，首先设置最大字典层数n和每轮迭代次数Tmax，随后建立数学模型：

[0060]

[0061]

[0062] 其中i表示故障类型，j表示第j层，字典 由K‑均值初始化得到，Δi的初始值等于样本矩阵Yi。

[0063] 为了进一步优化上述技术方案，所属步骤c中还包括：

[0064] 步骤c1：固定字典 并计算式中的系数矩阵

[0065]

[0066]

[0067] 步骤c2：固定所述系数矩阵 并更新所述字典

[0068]

[0069] 其中经Tmax次轮迭，得到的 和 并求解新一层残差矩阵

[0070]

[0071] 为了进一步优化上述技术方案，所述步骤d中，

[0072] 步骤d1：当j小于n时，重复步骤c；若j等于n时，判断i是否小于10；

[0073] 步骤d2：若是，则令i＝i+1,返回步骤b；若否，输出此时总的故障字典D；

[0074]

[0075] 为了进一步优化上述技术方案，所述步骤e中故障率波装置采集的故障电流样本用所述字典模型表示；所述系数矩阵X按故障类型进行重构，其中重构误差最小的分类是所
述样本所属的故障类别。

[0076] 为了进一步优化上述技术方案，其中根据，

[0077] 判断所述故障类别；

[0078] 其中class(y)为判定所述的样本所属的所述故障类别。

[0079] 更具体的，图2A是根据一示例性实施例示出的双端电源系统故障仿真模型；

[0080] 搭建双端电源模型，如图2A所示，获取大量故障样本形成样本矩阵。设置字典层数为5层，字典中原子总数为样本总数的0.3倍。采用本发明提出的方法交替迭代求解得到可
用于故障分类的深度字典，在不同噪声强度下的分类正确率和重建误差均值如图2B所示：
抗噪性能验证数据如图。

[0081] 为验证模型的泛化能力，将双端电源系统所学习到的字典模型直接应用于如图2C所示的IEEE标准9节点故障仿真系统，分类结果及重建误差均值如图2D所示：验证模型的分
类效果如图。

[0082] 基于双端电源系统的深度故障字典可直接用于IEEE标准9节点模型上，说明深度故障字典学习提取的是故障的普遍特征，证明了所提算法的泛化性能以及将其应用于实际
工程的潜力。

[0083] 图2E所示为某C相接地故障样本的重建误差对比，可以看到cg类字典的重建误差明显小于其他类的重建误差，基于重建误差最小分类方法可以将其正确分类，表明了所提
方法的有效性。如图2F所示为不同层字典所提取的特征，可以看到低层字典原子主要反映
了故障样本的概貌特征，高层字典原子主要揭示了故障时刻的突变量等细节特征，且随着
字典层数的增加，突变量等细节信息更为凸显。因此，利用本发明方法能够自动准确地判断
故障类别，具备较好的物理意义和泛化能力，拥有实际的应用潜力和价值。

[0084] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置
而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说
明即可。

[0085] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的
一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明
将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一
致的最宽的范围。