本发明公开了一种电网线路故障识别模型训练方法，包括以下步骤：步骤S1、采集目标线路的电气参量，并将所述目标线路的电气参量转化为目标线路的故障识别图；步骤S2、基于所述故障识别图对深度神经网络进行图像识别训练获得线路故障识别模型；步骤S3、利用特征相似度分析更新故障识别图实现对线路故障识别模型的更新。本发明将电气参量进行同属性聚类成簇，并进行簇内融合将离散的电气参量量化成与图形R像素值、G像素值、B像素值一致的三个识别参量，利用三个识别参量构建成与深度神经网络擅长处理领域一致的故障识别图，能够提高深度神经网络基于电气参量对电力系统故障的识别匹配度，提高故障识别精度。
1.一种电网线路故障识别模型训练方法，其特征在于，包括以下步骤：步骤S1、采集目标线路的电气参量，并将所述目标线路的电气参量转化为目标线路的故障识别图；
步骤S2、基于所述故障识别图对深度神经网络进行图像识别训练获得线路故障识别模型；
步骤S3、利用特征相似度分析更新故障识别图实现对线路故障识别模型的更新；
所述步骤S1中，将所述目标线路的电气参量转化为目标线路的故障识别图的具体方法包括：
步骤S101、将所述电气参量进行聚类分析实现将所有电气参量划分为三个参量簇；
步骤S102、将每个所述参量簇内的所有电气参量进行融合归一实现将三个参量簇整合为三个识别参量；
步骤S103、将三个识别参量分别转化为图形R像素值、G像素值、B像素值，并将目标线路的线路编号和目标线路的三个识别参量的采集时序作为所述图形R像素值、G像素值、B像素值的图形坐标点构成所述故障识别图；
所述步骤S101中，所述电气参量进行聚类分析的具体方法包括：依次将所有目标线路的电气参量按同类别汇合标定为参量向量集，其中， 表征为第i个参量向量项， 表征为目标线路n的第i个电气参量；
在所述参量向量集I中选取三个差异度最大的向量项作为三个簇中心，并将所述参量向量集I基于所述三个簇中心进行K‑means聚类分析获得三个参量簇，分别为, ,
分别表征为参量簇 、 、 的第 、 、 个参量向量项， 、 、 分别表征为目标线路n的第 、 、 个电气参量；
所述步骤S102中，将三个参量簇整合为三个识别参量的具体方法包括：将所述参量簇内的参量向量形式转换为目标线路的电气参量向量形式，其中， ， ， ， ， 、 、 表征为目标线路k按所述参量簇 、 、 聚类格式排列的电气参量， 表征为目标线路的线路编号终值；
将所述目标线路的电气参量向量形式 按所述参量簇 、 、 进行簇内线性整合转化为目标线路的识别参量向量形式，所述目标线路的识别参量向量形式为：
其中， 表征为乘积运算符， 、 、 分别表征为目标线路k的第 、 、个电气参量；
所述步骤S103，将识别参量 进行标准化处理至[0,255]取值范围内分别作为图形R像素值、G像素值、B像素值；
所述步骤S2中，所述基于所述故障识别图对深度神经网络进行图像识别训练获得线路故障识别模型的具体方法包括：步骤S201、获取故障识别图格式的模型训练样本，其中，对对应电网运行正常的故障识别图样本赋予正标签，对对应电网运行异常的故障识别图样本赋予负标签；
步骤S202、将所述故障识别图样本进行预处理为三通道的图向量，并将图向量作为深度神经网络的输入，所述故障识别图样本的标签作为深度神经网络的输出进行图像识别训练，实现学习到判定电网运行状况的线路故障识别模型。
2.根据权利要求1所述的一种电网线路故障识别模型训练方法，其特征在于：所述步骤S3中，更新线路故障识别模型的具体方法包括：设定监听间隔，将目标线路的故障识别图每经过一个所述监听间隔进行一次相似度监听，所述相似度监听用于监听目标线路的拓扑变动属性；
将监听后目标线路的故障识别图与监听前目标线路的故障识别图的整体相似度设定为监听系数，所述监听系数的运算公式： ；
其中， 表征为监听系数， 表征为故障识别图的图向量总数目， 、 分别表征为监听后和监听前故障识别图的第j个图向量。
3.根据权利要求2所述的一种电网线路故障识别模型训练方法，其特征在于，所述步骤S3中，更新线路故障识别模型的具体方法还包括：设定监听阈值，将所述监听系数与所述监听阈值比较，具体的：若所述监听系数低于所述监听阈值，则监听前的线路故障识别模型无需更新；
若所述监听系数高于所述监听阈值，则监听前的线路故障识别模型需要更新，具体的：计算监听后目标线路的故障识别图中每个图向量与监听前目标线路的故障识别图中每个图向量的单项相似度，并在监听后的目标线路的故障识别图中选取出单项相似度高于监听阈值的所有图向量作为图向量更新链，所述单项相似度的计算公式为： ；
其中， 表征为监听后的目标线路的故障识别图中第j个图向量 与监听前的目标线路的故障识别图中第j个图向量 间单项相似度；
将所述图向量更新链替换至监听前的目标线路的故障识别图中对应图向量处，完成适应目标线路拓扑变动属性的故障识别图的更新，并将完成更新的故障识别图带入所述线路故障识别模型中进行训练，完成线路故障识别模型的更新。
4.根据权利要求3所述的一种电网线路故障识别模型训练方法，其特征在于，所述线路故障识别模型以识别率和训练时间为优化目标，确定深度神经网络的最优参数。
5.根据权利要求4所述的一种电网线路故障识别模型训练方法，其特征在于，所述电网运行日志由输电线路故障仿真模型生成目标线路的故障时序数据，所述目标线路的拓扑变动属性由输电线路故障仿真模型仿真产生，所述目标线路的电气参量由输电线路故障仿真模型仿真产生。
一种电网线路故障识别模型训练方法
技术领域
[0001] 本发明涉及故障识别技术领域，具体涉及一种电网线路故障识别模型训练方法。
背景技术
[0002] 故障识别作为电力系统故障诊断的重要环节，电网数据采集系统和故障信息系统的建立，可以提供故障期间的事件信息和录波数据，为人工智能算法的应用奠定了数据基
础。相关研究者已提出将传统人工智能算法应用到故障类型识别，然而传统浅层学习算法
均包含特征参数提取环节和分类识别环节两部分，其识别效果很大程度上依赖人工设计的
特征参数提取环节，特征参数选择的优劣会直接影响整个模型的识别效果。深度学习不依
赖于人工设计特征提取环节，通过海量数据训练，构建深层神经网络，自动提取输入数据特
征并进行归纳分类，在故障类型识别方面具有巨大应用潜力。
[0003] 现有技术中故障诊断所用的深度神经网络的擅长场景为图像处理识别，直接运用到电力参数上容易出现匹配度降低，造成故障诊断精度降低，而且，定期对故障识别模型进
行更新，用来适应目标线路的拓扑变动，而在实际中，目标线路的拓扑并不是时时刻刻都在
发生，由于目标线路量以及特征数据量的巨大，在模型更新时刻会造成巨大的运算压力，如
果对目标线路无差别更新只会造成运算资源的浪费和运算时间的延长，降低诊断的运行效
率。
发明内容
[0004] 本发明的目的在于提供一种电网线路故障识别模型训练方法，以解决现有技术中故障诊断所用的深度神经网络的擅长场景为图像处理识别，直接运用到电力参数上容易出
现匹配度降低，造成故障诊断精度降低，以及对目标线路无差别更新只会造成运算资源的
浪费和运算时间的延长，降低诊断的运行效率的技术问题。
[0005] 为解决上述技术问题，本发明具体提供下述技术方案：
[0006] 一种电网线路故障识别模型训练方法，包括以下步骤：
[0007] 步骤S1、采集目标线路的电气参量，并将所述目标线路的电气参量转化为目标线路的故障识别图；
[0008] 步骤S2、基于所述故障识别图对深度神经网络进行图像识别训练获得线路故障识别模型；
[0009] 步骤S3、利用特征相似度分析更新故障识别图实现对线路故障识别模型的更新。
[0010] 作为本发明的一种优选方案，所述步骤S1中，将所述目标线路的电气参量转化为目标线路的故障识别图的具体方法包括：
[0011] 步骤S101、将所述电气参量进行聚类分析实现将所有电气参量划分为三个参量簇；
[0012] 步骤S102、将每个所述参量簇内的所有电气参量进行融合归一实现将三个参量簇整合为三个识别参量；
[0013] 步骤S103、将三个识别参量分别转化为图形R像素值、G像素值、B像素值，并将目标线路的线路编号和目标线路的三个识别参量的采集时序作为所述图形R像素值、G像素值、B
像素值的图形坐标点构成所述故障识别图。
[0014] 作为本发明的一种优选方案，所述步骤S101中，所述电气参量进行聚类分析的具体方法包括：
[0015] 依次将所有目标线路的电气参量按同类别汇合标定为参量向量集，其中， 表征为第i个参量向量项， 表征为目标线路n的
第i个电气参量；
[0016] 在所述参量向量集I中选取三个差异度最大的向量项作为三个簇中心，并将所述参量向量集I基于所述三个簇中心进行K‑means聚类分析获得三个参量簇，分别为
, ,
,其中， ， ， 、 、
分别表征为参量簇 、 、 的第 、 、个参量向量项， 、 、 分别表征为目标线
路n的第 、 、个电气参量。
[0017] 作为本发明的一种优选方案，所述步骤S102中，将三个参量簇整合为三个识别参量的具体方法包括：
[0018] 将所述参量簇内的参量向量形式转换为目标线路的电气参量向量形式，其中， ， ， ， ， 、 、
表征为目标线路k按所述参量簇 、 、 聚类格式排列的电气参量， 表征为目标线路
的线路编号终值；
[0019] 将所述目标线路的电气参量向量形式 按所述参量簇 、、 进行簇内线性整合转化为目标线路的识别参量向量形式，所述目标线路的识别参量向
量形式为：
[0020] ；
[0021] 其中， 表征为乘积运算符， 、 、 分别表征为目标线路k的第 、、 个电气参量。
[0022] 作为本发明的一种优选方案，所述步骤S103，将识别参量进行标准化处理至[0,255]取值范围内分别作为图形R像素
值、G像素值、B像素值。
[0023] 作为本发明的一种优选方案，所述步骤S2中，所述基于所述故障识别图对深度神经网络进行图像识别训练获得线路故障识别模型的具体方法包括：
[0024] 步骤S201、获取故障识别图格式的模型训练样本，其中，对对应电网运行正常的故障识别图样本赋予正标签，对对应电网运行异常的故障识别图样本赋予负标签；
[0025] 步骤S202、将所述故障识别图样本进行预处理为三通道的图向量，并将图向量作为深度神经网络的输入，所述故障识别图样本的标签作为深度神经网络的输出进行图像识
别训练，实现学习到判定电网运行状况的线路故障识别模型。
[0026] 作为本发明的一种优选方案，所述步骤S3中，更新线路故障识别模型的具体方法包括：
[0027] 设定监听间隔，将目标线路的故障识别图每经过一个所述监听间隔进行一次相似度监听，所述相似度监听用于监听目标线路的拓扑变动属性；
[0028] 将监听后目标线路的故障识别图与监听前目标线路的故障识别图的整体相似度设定为监听系数，所述监听系数的运算公式：
[0029] ；
[0030] 其中， 表征为监听系数， 表征为故障识别图的图向量总数目 、 分别表征为监听后和监听前故障识别图的第j个图向量；
[0031] 作为本发明的一种优选方案，所述步骤S3中，更新线路故障识别模型的具体方法还包括：
[0032] 设定监听阈值，将所述监听系数与所述监听阈值比较，具体的：
[0033] 若所述监听系数低于所述监听阈值，则监听前的线路故障识别模型无需更新；
[0034] 若所述监听系数高于所述监听阈值，则监听前的线路故障识别模型需要更新，具体的：
[0035] 计算监听后目标线路的故障识别图中每个图向量与监听前目标线路的故障识别图中每个图向量的单项相似度，并在监听后的目标线路的故障识别图中选取出单项相似度
高于监听阈值的所有图向量作为图向量更新链，所述单项相似度的计算公式为：
[0036] ；
[0037] 其中， 表征为监听后的目标线路的故障识别图中第j个图向量 与监听前的目标线路的故障识别图中第j个图向量 间单项相似度；
[0038] 将所述图向量更新链替换至监听前的目标线路的故障识别图中对应图向量处，完成适应目标线路拓扑变动属性的故障识别图的更新，并将完成更新的故障识别图带入所述
线路故障识别模型中进行训练，完成线路故障识别模型的更新。
[0039] 作为本发明的一种优选方案，所述线路故障识别模型以识别率和训练时间为优化目标，确定深度神经网络的最优参数。
[0040] 作为本发明的一种优选方案，所述电网运行日志由输电线路故障仿真模型生成目标线路的故障时序数据，所述目标线路的拓扑变动属性由输电线路故障仿真模型仿真产
生，所述目标线路的电气参量由输电线路故障仿真模型仿真产生。
[0041] 本发明与现有技术相比较具有如下有益效果：
[0042] 本发明将电气参量进行同属性聚类成簇，并进行簇内融合将离散的电气参量量化成与图形R像素值、G像素值、B像素值一致的三个识别参量，利用三个识别参量构建成与深
度神经网络擅长处理领域一致的故障识别图，能够提高深度神经网络基于电气参量对电力
系统故障的识别匹配度，提高故障识别精度，并且通过设定监听系数，获取目标线路的拓扑
变动信息，并对发生拓扑变动的目标线路进行故障识别模型更新，无需对未发生拓扑变动
的目标线路进行故障识别模型更新，沿用原有故障识别模型即可，可避免对目标线路无差
别更新而造成运算资源的浪费和运算时间的延长，提高诊断的运行效率。
附图说明
[0043] 为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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
仅是示例性的，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
提供的附图引伸获得其它的实施附图。
[0044] 图1为本发明实施例提供的电网线路故障识别模型训练方法流程图。
具体实施方式
[0045] 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。
[0046] 如图1所示，本发明提供了一种电网线路故障识别模型训练方法，包括以下步骤：
[0047] 电网线路故识别模型大多利用的深度神经网络，但是深度神经网络擅长处理的领域是对图像的处理，即输入是图像的图向量，输出为图像的标签，如果直接将电网线路的电
气参量作为深度神经网络的输入，导致输入项与深度神经网络不匹配，导致训练出的故障
识别模型精度降低，因此本实施例提供了一种将电气参量转化为图形格式，从而匹配深度
神经网络的输入，充分发挥深度神经网络的特征处理优势，电气参量转化为图形格式的具
体步骤如下：
[0048] 步骤S1、采集目标线路的电气参量，并将目标线路的电气参量转化为目标线路的故障识别图；
[0049] 步骤S1中，将目标线路的电气参量转化为目标线路的故障识别图的具体方法包括：
[0050] 步骤S101、将电气参量进行聚类分析实现将所有电气参量划分为三个参量簇；
[0051] 步骤S101中，电气参量进行聚类分析的具体方法包括：
[0052] 依次将所有目标线路的电气参量按同类别汇合标定为参量向量集，其中， 表征为第i个参量向量项， 表征为目标线路
n的第i个电气参量；
[0053] 在参量向量集I中选取三个差异度最大的向量项作为三个簇中心，并将参量向量集I基于三个簇中心进行K‑means聚类分析获得三个参量簇，分别为
, ,
其中， ， ， 、 、
分别表征为参量簇 、 、 的第 、 、 个参量向量项， 、 、 分
别表征为目标线路n的第 、 、 个电气参量。
[0054] 具体的，为了使故障识别模型的识别准确度越高，则需要的电气参量数越多，将数量多的电气参量转换为图形格式，则需要将电气参量压缩至三个，从而与图形的R、G、B像素
相符，因此本实施例将电气参量进行聚类分析，使得电气参量进行同属性聚类成簇，即划分
至同一参量簇内的所有电气参量具有较为相似属性。
[0055] 步骤S102、将每个参量簇内的所有电气参量进行融合归一实现将三个参量簇整合为三个识别参量；
[0056] 步骤S102中，将三个参量簇整合为三个识别参量的具体方法包括：
[0057] 将参量簇内的参量向量形式转换为目标线路的电气参量向量形式，其中， ， ， ， ， 、 、
表征为目标线路k按参量簇 、 、 聚类格式排列的电气参量， 表征为目标线路的线
路编号终值；
[0058] 将目标线路的电气参量向量形式 按参量簇 、 、 进行簇内线性整合转化为目标线路的识别参量向量形式，目标线路的识别参量向量形式为：
[0059] ；
[0060] 其中， 表征为乘积运算符， 、 、 分别表征为目标线路k的第 、、 个电气参量。
[0061] 具体的，将处于同一参量簇内的所有电气参量进行线性相乘统一成单个识别参量，从而将目标线路的电气参量向量显示由多个离散项压缩成三个融合项，即形成匹配成
图形R、G、B像素形式的三个融合项。
[0062] 步骤S103、将三个识别参量分别转化为图形R像素值、G像素值、B像素值，并将目标线路的线路编号和目标线路的三个识别参量的采集时序作为图形R像素值、G像素值、B像素
值的图形坐标点构成故障识别图。
[0063] 具体的，利用线路编号作为纵坐标和时序作为横坐标构建图形坐标系，并利用每个目标线路的线路编号和目标线路的三个识别参量的采集时序将目标线路标定为图形像
素点，而目标线路的三个识别参量分别转化为对应图形像素点的图形R像素值、G像素值、B
像素值，最终将目标线路的参量转化为图形格式作为深度神经网络的输入。
[0064] 步骤S103，将识别参量 进行标准化处理至[0,255]取值范围内分别作为图形R像素值、G像素值、B像素值。
[0065] 步骤S2、基于故障识别图对深度神经网络进行图像识别训练获得线路故障识别模型；
[0066] 步骤S2中，线路故障识别模型训练的具体方法包括：
[0067] 步骤S201、获取故障识别图格式的模型训练样本，其中，对对应电网运行正常的故障识别图样本赋予正标签，对对应电网运行异常的故障识别图样本赋予负标签；
[0068] 步骤S202、将故障识别图样本进行预处理为三通道的图向量，并将图向量作为深度神经网络的输入，故障识别图样本的标签作为深度神经网络的输出进行图像识别训练，
实现学习到判定电网运行状况的线路故障识别模型。
[0069] 步骤S3、利用特征相似度分析更新故障识别图实现对线路故障识别模型的更新。
[0070] 步骤S3中，更新线路故障识别模型的具体方法包括：
[0071] 设定监听间隔，将目标线路的故障识别图每经过一个监听间隔进行一次相似度监听，相似度监听用于监听目标线路的拓扑变动属性；
[0072] 将监听后目标线路的故障识别图与监听前目标线路的故障识别图的整体相似度设定为监听系数，监听系数的运算公式：
[0073] ；
[0074] 其中， 表征为监听系数， 表征为故障识别图的图向量总数目， 、 分别表征为监听后和监听前故障识别图的第j个图向量；
[0075] 步骤S3中，更新线路故障识别模型的具体方法还包括：
[0076] 设定监听阈值，将监听系数与监听阈值比较，具体的：
[0077] 若监听系数低于监听阈值，则监听前的线路故障识别模型无需更新；
[0078] 若监听系数高于监听阈值，则监听前的线路故障识别模型需要更新，具体的：
[0079] 计算监听后目标线路的故障识别图中每个图向量与监听前目标线路的故障识别图中每个图向量的单项相似度，并在监听后的目标线路的故障识别图中选取出单项相似度
高于监听阈值的所有图向量作为图向量更新链，单项相似度的计算公式为：
[0080] ；
[0081] 其中， 表征为监听后的目标线路的故障识别图中第j个图向量 与监听前的目标线路的故障识别图中第j个图向量 间单项相似度；
[0082] 将图向量更新链替换至监听前的目标线路的故障识别图中对应图向量处，完成适应目标线路拓扑变动属性的故障识别图的更新，并将完成更新的故障识别图带入线路故障
识别模型中进行训练，完成线路故障识别模型的更新。
[0083] 设置监听系数，可以快速识别目标线路是否发生拓扑变动，若发生将触发更新机制，而目标线路发生拓扑变动，则体现在故障识别图上为图向量发生变动，将目标线路的故
障识别图中图向量变动较大的进行变动替换，而保留原始变动较小的图向量，此时实现了
目标线路的拓扑结构的更新，而更新后的图向量不仅反应变动拓扑属性，而未更新的图像
量还具有原始拓扑属性，将此刻更新后的故障识别图带入故障识别模型中得出新的故障识
别模型，不仅具有适应目标线路的拓扑变动的识别功能，还具有适应目标线路的原有拓扑
的识别功能，可以实现为在原有故障识别模型基础上只对变动拓扑进行定向更新，无需对
为变动拓扑进行模型学习，因为变动大的图相连已经能够很好的满足变动属性的表征，可
以进一步的进行减少数据运算，减轻系统运行压力，提高响应速度，快速产生适应目标线路
新拓扑的故障识别模型。
[0084] 线路故障识别模型以识别率和训练时间为优化目标，确定深度神经网络的最优参数。
[0085] 电网运行日志由输电线路故障仿真模型生成目标线路的故障时序数据，目标线路的拓扑变动属性由输电线路故障仿真模型仿真产生，目标线路的电气参量由输电线路故障
仿真模型仿真产生。
[0086] 实际情况下无法在实际电网线路上进行故障识别模型的建立，因此可进行对实际电网线路进行输电线路故障仿真模型建立，获得大量的电网运行日志，便于实时采集电气
参量，以及提高目标线路拓扑变动属性的变动便捷性，能够更便利的实现模型训练样本的
收集，以及故障识别模型的实际应用效果的评估。
[0087] 本发明将电气参量进行同属性聚类成簇，并进行簇内融合将离散的电气参量量化成与图形R像素值、G像素值、B像素值一致的三个识别参量，利用三个识别参量构建成与深
度神经网络擅长处理领域一致的故障识别图，能够提高深度神经网络基于电气参量对电力
系统故障的识别匹配度，提高故障识别精度，并且通过设定监听系数，获取目标线路的拓扑
变动信息，并对发生拓扑变动的目标线路进行故障识别模型更新，无需对未发生拓扑变动
的目标线路进行故障识别模型更新，沿用原有故障识别模型即可，可避免对目标线路无差
别更新而造成运算资源的浪费和运算时间的延长，提高诊断的运行效率。
[0088] 以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各
种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
