本发明公开了一种基于门控循环单元网络的智能变电站故障定位方法，包括如下步骤：步骤A：针对智能变电站各间隔二次设备的每个故障情景，收集来自相关设备的告警信号，形成告警信号集合及对应故障位置；步骤B：分别构造各间隔的GRU网络，在其后添加全连接Dense层，最后添加Softmax分类层，进而构造各间隔的GRU故障定位模型；步骤C：对各间隔的GRU故障定位模型进行训练，分别送入各自的训练数据进行故障定位训练，并以准确率作为指标优化GRU故障定位模型中各参数；在GRU故障定位模型训练完成后，再分别送入各自的测试数据进行测试，并统计各GRU故障定位模型的准确率。本发明能够对变电站二次系统的故障进行准确定位，为运维人员提供高效准确的辅助决策。
基于门控循环单元网络的智能变电站故障定位方法
技术领域
[0001] 本发明涉及智能变电站二次系统故障定位技术领域，特别是涉及一种基于门控循环单元网络的智能变电站故障定位方法。
背景技术
[0002] 智能变电站的安全可靠运行对于电力系统运行至关重要，近年来，因智能变电站二次系统故障造成了系统非安全运行。智能变电站二次系统发生异常并产生大量告警信号，运维检修人员很难从中提取出有用信息，很难准确地确定出故障位置。
[0003] 国内外对于二次系统的故障定位做了许多研究。专利“基于图神经网络的变电站二次回路故障定位方法及系统”提出了基于图神经网络的变电站二次回路故障定位方法，提取并解析二次系统产生的不同告警信号以及网络拓扑信息；来找出所有关联故障设备，并对所述告警信号进行预处理，判断所述关联故障设备是否构成连通图，利用所述图神经网络模型预测得到所述关联故障设备的故障种类。专利“一种基于改进IDNN模型的二次系统故障定位方法”公开了一种基于改进IDNN模型的二次系统故障定位方法，首先对二次系统故障的告警信号进行触发预处理；然后利用历史故障样本集训练构建的基于IDNN的故障诊断模型，对输入的二次系统故障断面的特征集进行故障位置诊断；最后输出故障定位结果。以上专利虽然采用了神经网络进行故障定位，但未考虑到各故障情景下仅靠告警信号，有时候是不能准确地故障定位，需要模拟量进行辅助判断；各间隔中各二次设备发生故障的训练样本的数量差异较大，即样本数量不均衡，会严重影响故障定位神经网络的准确率，因此需要对告警信号训练样本进行扩充处理。
[0004] 专利“一种智能变电站二次系统故障自动定位装置”通过保护与控制逻辑定位模块，能够综合判断保护逻辑错误、遥控失败的原因等，避免用户针对这类问题，须依靠经验丰富的专业人士才完成的现状态。但该专利基于专家规则，对于某些故障位置的故障情景如果没有相应的专家规则，就不能准确定位。
[0005] 文献“任博,郑永康,王永福,盛四清,李劲松,张海洋,郑超.基于深度学习的智能变电站二次设备故障定位研究[J].电网技术,2021,45(02):713‑721.”建立基于循环神经网络的二次设备故障定位模型，并给出了故障定位步骤进行故障定位，但该文献并未考虑到通信网络延迟和告警信号到达站控层设备的时间先后顺序，对于顺序错乱的告警信号不能准确识别，并且每个故障情景均使用了电流的模拟量，导致需要收集信息太多。
[0006] 为了解决上述已有文献存在的各间隔中各二次设备发生故障的训练样本数量不均衡影响神经网络的准确率等问题，本发明基于门控循环单元(Gated Recurrent Unit，GRU)的深度学习网络，对线路间隔、变压器间隔、母线间隔、中心交换机间隔共4类间隔分别进行了建模，考虑了通信网络延迟带来的告警信号到达顺序错乱而被误判故障位置，对各故障情景下的告警信号集合进行顺序打乱，适应告警信号顺序错乱的情况，能够增强神经网络故障定位的容错性。本发明只针对线路间隔下线路合并单元的CT断线故障情景，增加了电流采样值的判断量，用于辅助定位，增强了故障定位的准确性，减少了模拟信号的收集量。本发明所构造的各间隔的GRU网络能够高效准确地对二次系统进行故障定位，可为运维人员提供高效的辅助决策，具有较好的工程意义。
[0007] 因此，现有技术的缺陷是，缺少一种基于门控循环单元网络的智能变电站故障定位方法，能够对变电站二次系统故障进行定位，为运维人员提供高效的辅助决策。
发明内容
[0008] 有鉴于现有技术的至少一个缺陷，本发明的目的是提供一种基于门控循环单元网络的智能变电站故障定位方法，能够对变电站二次系统故障进行定位，为运维人员提供高效准确的辅助决策。
[0009] 为了达到上述目的，本发明采用如下技术方案：一种基于门控循环单元网络的智能变电站故障定位方法，包括如下步骤：
[0010] 步骤A：针对智能变电站线路间隔、母线间隔、变压器间隔、中心交换机间隔下二次设备的每个故障情景，收集来自相关设备的告警信号，形成一个告警信号集合及对应的故障位置；
[0011] 步骤B：分别构造线路间隔、母线间隔、变压器间隔、中心交换机间隔的GRU故障定位模型，设计它们的网络结构；
[0012] 步骤C：对各间隔的GRU故障定位模型进行训练与测试，分别送入各自的训练数据进行分类训练，并以准确率作为指标优化GRU故障定位模型中各参数；在各GRU故障定位模型训练完成后，再分别送入各自的测试数据进行分类测试，并统计各GRU故障定位模型的测试准确率。
[0013] 所述的基于门控循环单元网络的智能变电站故障定位方法，所述步骤A包括：
[0014] 站控层设备收集各间隔下二次设备发生故障时由相关设备发出的告警信号，形成该故障情景下的告警信号集合及其对应的故障位置，故障位置包括二次设备及其发送网口与接收网口、光纤、交换机端口；针对线路间隔下线路合并单元的CT断线故障情景，线路保护装置获得的A相、B相、C相电流幅值为零，同时母线保护装置闭锁，这时需要获得母线电流采样值，检查线路保护A相、B相、C相电流幅值是否为零，如果是，就定义相应的判断量为1，否则该判断量为0，将这些判断量作为模拟信号辅助变量，将它们加入到相应故障情景的告警信号集合中；
[0015] 本发明只针对CT断线故障情景增加了电流采样值的判断量，用于辅助定位，增强了故障定位的准确性，减少了模拟信号的收集量。
[0016] 针对每个间隔的所有告警信号集合，统计该间隔拥有的告警信号和模拟信号辅助变量的总数M，统计该间隔拥有的故障位置总数N；然后对各告警信号和模拟信号辅助变量进行从1到M的编号，对各故障位置进行从1到N的编号，并将正常情况编号为N+1；
[0017] 在每个间隔下一个二次设备发生故障的一个故障情景中，站控层设备先后分别收到不同时刻时相关多个设备发来的告警信号，将同一个设备发来的告警信号看作该时刻的告警信号，统计该故障时刻下的告警信号个数，统计该故障情景下的故障时刻个数；将该间隔下各故障情景的故障时刻个数的最大值记为T，将该间隔下各故障情景的各故障时刻的告警信号个数的最大值记为A；
[0018] 所述步骤B包括：分别构造各间隔的GRU故障定位网络，在其后添加全连接Dense层，最后添加Softmax分类层，进而构造各间隔的GRU故障定位模型。
[0019] 所述的基于门控循环单元网络的智能变电站故障定位方法，所述步骤A还包括：
[0020] 针对每个间隔下每个故障情景下每个故障时刻，将其拥有的告警信号和模拟信号辅助变量的编号组成1×A的行向量，A为上述的该间隔各故障情景的各故障时刻的告警信号个数的最大值；如果该时刻下的告警信号个数小于A，则该向量中的不足元素填充为0；
[0021] 将该故障情景下各故障时刻的行向量进行组合，形成该故障情景下的T×A输入矩阵，T为上述的该间隔各故障情景的故障时刻个数的最大值；如果该故障情景下的故障时刻个数小于T，则输入矩阵中不足的行向量中各元素填充为0；
[0022] 考虑到各二次设备在上传告警信号到站控层设备时存在网络延时，可能会出现有些告警信号滞后的现象，即应该先到的告警信号后到达；针对各间隔的每个故障情景，将该故障情景下各时刻的行向量的顺序打乱，可得到多个T×A的输入矩阵，使它们都对应到该故障情景对应的故障位置；
[0023] 针对每个间隔，正常运行时也会产生一些告警信号，不指向具体的故障位置，将各设备的该告警信号按上述方法组织成1个行向量，再组织成T×A的输入矩阵，或将先后依次发生的两个设备的告警信号按上述方法组织成2个行向量，再组织成T×A的输入矩阵，对应的故障位置编号为正常情况编号N+1；
[0024] 针对各间隔中各二次设备，将其输入矩阵分为训练集和测试集，采用SMOTE理论，对该间隔下每个二次设备的训练集进行扩充，使得相应的训练集中输入矩阵个数达到同一个数值，该数值为该间隔下各二次设备的训练集中输入矩阵个数的最大值。
[0025] 所述的基于门控循环单元网络的智能变电站故障定位方法；
[0026] 采用SMOTE理论，对该间隔下每个二次设备的训练集进行扩充包括：
[0027] 针对各间隔，将其下每个二次设备故障时的输入矩阵依照7:3的比例划分为训练集和测试集，将每个二次设备故障拥有的训练集中输入矩阵的个数的最大值记为B，采用SMOTE理论，针对当前间隔下训练集中输入矩阵个数小于B的二次设备，将其拥有的训练集中输入矩阵进行扩充，扩充的输入矩阵个数为B减去训练集中原输入矩阵的个数。
[0028] 即扩充后训练集中输入矩阵的个数为B。
[0029] 所述的基于门控循环单元网络的智能变电站故障定位方法；
[0030] 所述SMOTE理论生成新样本的方法包括：
[0031] ①对于少数类中每个样本X，采用欧氏距离，计算它到少数类样本集中所有样本的距离，根据这些距离中最小的K个距离，获得相应的K个样本，作为样本X的K个近邻；
[0032] ②对于每个样本X，从其K个近邻中随机选择一个样本，假设选择的近邻为Xn；
[0033] ③对于每个随机选出的近邻Xn，分别与原样本X，按照如下公式构建一个新样本Xnew；
[0034] Xnew＝X+rand(0,1)×(Xn‑X) (2)；
[0035] 其中rand(0,1)是0到1之间的随机数。
[0036] 所述的基于门控循环单元网络的智能变电站故障定位方法，所述构造各间隔的GRU故障定位模型，具体操作如下：
[0037] 构造线路间隔的GRU故障定位模型；
[0038] 该线路间隔的GRU故障定位模型包括输入层、2个GRU层、1个全连接Dense层、输出层；该间隔有81个告警信号和模拟信号辅助变量，对各告警信号和模拟信号辅助变量进行从1到81的编号，作为输入矩阵的元素；该线路间隔有16个故障位置，对各故障位置进行从1到16的编号，并将正常情况编号为17；
[0039] 输入层：由各告警信号和模拟信号辅助变量组成的输入矩阵的维度为3×5；由各故障位置组成的输出矩阵的维度为1×17；
[0040] 第1个GRU层：神经元个数为64，激活函数为tanh，步长为1；
[0041] 第2个GRU层：神经元个数为32，激活函数为tanh，步长为1；
[0042] 全连接Dense层：神经元个数为32，激活函数为relu；
[0043] 输出层：神经元个数为17，激活函数为softmax。
[0044] 所述的基于门控循环单元网络的智能变电站故障定位方法，所述构造各间隔的GRU故障定位模型，具体操作如下包括：构造母线间隔的GRU故障定位模型；
[0045] 该母线间隔的GRU故障定位模型包括输入层、2个GRU层、2个全连接Dense层、1个Dropout层、输出层；该母线间隔有47个告警信号和模拟信号辅助变量，对各告警信号和模拟信号辅助变量进行从1到47的编号，作为输入矩阵的元素；该母线间隔有5个故障位置，对各故障位置进行从1到5的编号，并将正常情况编号为6；
[0046] 输入层：由各告警信号和模拟信号辅助变量组成的输入矩阵的维度为4×3；由各故障位置组成的输出矩阵的维度为1×6；
[0047] 第1个GRU层：神经元数为32，激活函数为tanh，步长为1；
[0048] 第2个GRU层：神经元数为16，激活函数为tanh，步长为1；
[0049] 第1个全连接Dense层：神经元数为32，激活函数为relu；
[0050] Dropout层：设置神经元激活概率为0.5；
[0051] 第2个全连接Dense层：神经元数为16，激活函数为relu；
[0052] 输出层：神经元数为6，激活函数为softmax。
[0053] 所述的基于门控循环单元网络的智能变电站故障定位方法，所述构造各间隔的GRU故障定位模型，具体操作如下：
[0054] 构造变压器间隔的GRU故障定位模型；
[0055] 该变压器间隔的GRU故障定位模型包括输入层、2个GRU层、1个全连接Dense层、输出层；该变压器间隔有29个告警信号和模拟信号辅助变量，对各告警信号和模拟信号辅助变量进行从1到29的编号，作为输入矩阵的元素；该变压器间隔有7个故障位置，对各故障位置进行从1到7的编号，并将正常情况编号为8；
[0056] 输入层：由各告警信号和模拟信号辅助变量组成的输入矩阵的维度为3×2；由各故障位置组成的输出矩阵的维度为1×8；
[0057] 第1个GRU层：神经元数为32，激活函数为tanh，步长为1；
[0058] 第2个GRU层：神经元数为16，激活函数为tanh，步长为1；
[0059] 全连接Dense层：神经元数为16，激活函数为relu；
[0060] 输出层：神经元数为8，激活函数为softmax。
[0061] 所述的基于门控循环单元网络的智能变电站故障定位方法，所述构造各间隔的GRU故障定位模型，具体操作如下：
[0062] 构造中心交换机间隔的GRU故障定位模型；
[0063] 该中心交换机间隔的GRU故障定位模型包括输入层、2个GRU层、2个全连接Dense层、1个Dropout层、输出层；该中心交换机间隔有13个告警信号和模拟信号辅助变量，对各告警信号和模拟信号辅助变量进行从1到13的编号，作为输入矩阵的元素；该间隔有8个故障位置，对各故障位置进行从1到8的编号，并将正常情况编号为9；
[0064] 输入层：由各告警信号和模拟信号辅助变量组成的输入矩阵的维度为3×3；由各故障位置组成的输出矩阵的维度为1×9；
[0065] 第1个GRU层：神经元数为32，激活函数为tanh，步长为1；
[0066] 第2个GRU层：神经元数为16，激活函数为tanh，步长为1；
[0067] 第1个全连接Dense层：神经元数为32，激活函数为relu；
[0068] Dropout层：设置神经元激活概率为0.5；
[0069] 第2个全连接Dense层：神经元数为16，激活函数为relu；
[0070] 输出层：神经元数为9，激活函数为softmax。
[0071] 所述的基于门控循环单元网络的智能变电站故障定位方法，对各间隔的GRU故障定位模型进行训练与测试，具体操作如下：
[0072] 针对各个间隔，各GRU故障定位模型的输入数据在送入GRU故障定位模型之前均进行了打乱时刻顺序的处理；在各GRU故障定位模型训练完成后，送入各间隔下的测试数据分别进行测试；
[0073] 各GRU故障定位模型的训练参数和评估指标如下：
[0074] 1)线路间隔的GRU故障定位模型的训练参数和评估指标；
[0075] 设置损失函数为交叉熵“categorical_crossentropy”，采用Adam算法对梯度进行计算并优化网络参数，学习率取0.0005，每批使用4组样本进行训练，训练总迭代次数设置为50；设置评估指标为准确率；
[0076] 2)母线间隔的GRU故障定位模型的训练参数和评估指标；
[0077] 设置损失函数为交叉熵“categorical_crossentropy”，采用Adam算法对梯度进行计算并优化网络参数，学习率取0.001，每批次使用1组样本进行训练，训练总迭代次数设置为20；设置评估指标为准确率；
[0078] 3)变压器间隔的GRU故障定位模型的训练参数和评估指标；
[0079] 设置损失函数为交叉熵“categorical_crossentropy”，采用Adam算法对梯度进行计算并优化网络参数，学习率取0.001，每批使用1组样本进行训练，训练总迭代次数设置为25；设置评估指标为准确率；
[0080] 4)中心交换机间隔的GRU故障定位模型的训练参数和评估指标；
[0081] 设置损失函数为交叉熵“categorical_crossentropy”，采用Adam算法对梯度进行计算并优化网络参数，学习率取0.001，每批使用1组样本进行训练，训练总迭代次数设置为40；设置评估指标为准确率。
[0082] 显著效果:本发明提供了一种基于门控循环单元网络的智能变电站故障定位方法，能够对变电站二次系统的故障进行定位，为运维人员提供高效准确的辅助决策。
附图说明
[0083] 图1为本发明的方法流程图；
[0084] 图2为本发明对智能变电站二次系统故障定位的一个详细流程图；
[0085] 图3为线路间隔的GRU故障定位模型结构图；
[0086] 图4为母线间隔的GRU故障定位模型结构图；
[0087] 图5为变压器间隔的GRU故障定位模型结构图；
[0088] 图6为中心交换机间隔的GRU故障定位模型结构图；
[0089] 图7为线路间隔的GRU故障定位模型的训练准确率曲线图；
[0090] 图8为线路间隔的GRU故障定位模型的训练损失值曲线图。
具体实施方式
[0091] 下面结合附图和具体实施例对本发明作进一步详细说明。
[0092] 如图1‑图8所示，一种基于门控循环单元网络的智能变电站故障定位方法，包括如下步骤：步骤一：针对不同间隔，如线路间隔、变压器间隔、母线间隔、中心交换机间隔4类间隔，分别收集各间隔中各二次设备及其网口、光纤、交换机端口等位置发生故障时相关设备发出的告警信号，构造各间隔在各故障情景下的告警信号集合及其对应的故障位置，具体操作如下：
[0093] 1)站控层设备收集各间隔下一个二次设备发生故障时由相关设备发出的告警信号，形成该故障情景下的告警信号集合及其对应的故障位置，故障位置包括二次设备及其发送网口与接收网口、光纤、交换机端口等；针对线路间隔下线路合并单元的CT断线故障情景，线路保护装置获得的A相、B相、C相电流幅值为零，同时母线保护装置闭锁，需要获得母线电流采样值，检查线路保护A相、B相、C相电流幅值是否为零，如果是，就定义相应的判断量为1，否则该判断量为0，将这些判断量作为模拟信号辅助变量，将它们加入到相应故障情景的告警信号集合中；
[0094] 2)针对每个间隔的告警信号集合，统计其拥有的告警信号和模拟信号辅助变量的总数M，统计该间隔下的故障位置总数N；然后对各告警信号和辅助变量进行从1到M的编号，对各故障位置进行从1到N的编号，并将正常情况编号为N+1；
[0095] 3)在一个间隔下一个二次设备发生故障的一个故障情景中，站控层设备先后分别收到不同时刻时相关多个设备发来的告警信号，将同一个设备发来的告警信号看作该时刻的告警信号，统计该故障时刻下的告警信号个数，统计该故障情景下的故障时刻个数；将该间隔下各故障情景的故障时刻个数的最大值记为T，将该间隔下所有故障情景下各故障时刻的告警信号个数的最大值记为A；
[0096] 针对每个故障情景下每个故障时刻，将其拥有的告警信号和辅助变量的编号组成1×A的行向量，如果该时刻下的告警信号个数小于A，该向量中不足的元素填充为0；
[0097] 将该故障情景下各故障时刻的行向量组合，形成该故障情景下的T×A输入矩阵，如果该故障情景下的故障时刻个数小于T，则不足的行向量中各元素填充为0；
[0098] 4)考虑到各二次设备在上传告警信号到站控层设备时存在网络延时，可能会出现有些告警信号滞后的现象，即应该先到的告警信号后到达；针对各间隔的每个故障情景，将该故障情景下各时刻的行向量的顺序打乱，可得到多个T×A的输入矩阵，使它们都对应到同一个故障位置，可增强对告警信号到达顺序错乱而被误判故障位置的容错性；最终建立各故障情景下告警信号和辅助变量组成的输入矩阵、故障位置编号及其对应关系；
[0099] 针对每个间隔，正常运行时也会产生一些告警信号，不指向具体的故障位置，将各设备的该告警信号按上述方法组织成1个行向量，再组织成T×A的输入矩阵，或将先后依次发生的两个设备的告警信号按上述方法组织成2个行向量，再组织成T×A的输入矩阵，对应的故障位置编号为正常情况编号N+1；
[0100] 5)针对各间隔中各二次设备，其输入矩阵被分为训练输入矩阵和测试输入矩阵，其中训练输入矩阵的数量差异较大，会严重影响到后面GRU故障定位模型的准确率，采用SMOTE理论，对该间隔下每个二次设备的训练输入矩阵进行扩充，使得相应的训练输入矩阵个数达到同一个数值，该数值为该间隔下各二次设备的训练输入矩阵个数的最大值。
[0101] 步骤二：考虑到各二次设备上传告警信号到站控层设备时存在时间先后顺序，门控循环单元(Gated Recurrent Unit，GRU)是一种深度学习网络，它能够很好地处理时序信息，使用了门控开关减少了网络需要优化的参数，训练速度快；针对线路间隔、变压器间隔、母线间隔、中心交换机间隔，分别构造各间隔的GRU网络，在其后添加全连接Dense层，最后添加Softmax分类层，进而构造各间隔的GRU故障定位模型；
[0102] 步骤三：对各间隔的GRU故障定位模型进行训练与测试，分别送入各自的训练数据进行分类训练，并以准确率作为指标优化模型中各参数；在模型训练完成后，再分别送入各自的测试数据进行分类测试，并统计各模型的测试准确率；实验结果表明，各间隔的GRU模型能够很好地完成分类，能够准确地实现二次系统故障定位；
[0103] 使用SMOTE理论，对该间隔下每个二次设备的训练输入矩阵进行扩充，具体操作如下：
[0104] 1)合成少数过采样技术(Synthetic Minority Over‑Sampling Technique，SMOTE)；
[0105] 针对各间隔下的训练输入矩阵的个数差异较大问题，采用SMOTE合成新样本，SMOTE具体原理如下：
[0106] 所述SMOTE理论生成新样本的方法包括：
[0107] ①对于少数类中每个样本X，采用欧氏距离，计算它到少数类样本集中所有样本的距离，根据这些距离中最小的K个距离，获得相应的K个样本，作为样本X的K个近邻；
[0108] ②对于每个样本X，从其K个近邻中随机选择一个样本，假设选择的近邻为Xn；
[0109] ③对于每个随机选出的近邻Xn，分别与原样本X，按照如下公式构建一个新样本Xnew；
[0110] Xnew＝X+rand(0,1)×(Xn‑X) (3)；
[0111] 其中rand(0,1)是0到1之间的随机数。
[0112] 2)训练输入矩阵的扩充方法；
[0113] 针对各间隔，将其下每个二次设备故障时的输入矩阵依照7:3的比例划分为训练集和测试集，将每个二次设备故障拥有的训练集中输入矩阵的个数的最大值记为B，采用SMOTE理论，按照上述步骤，针对当前间隔下训练集中输入矩阵个数小于B的二次设备，将其拥有的训练集中输入矩阵进行扩充，扩充的输入矩阵个数为B减去训练集中原输入矩阵的个数。
[0114] 以线路间隔为例，线路合并单元装置发生故障时的故障情景最多，其训练集有31个输入矩阵样本，则B＝31，智能终端发生故障时的故障情景较少，其训练集有5个输入矩阵样本，由于31远大于5，神经网络会忽略智能终端故障样本的学习，将智能终端发生故障时的样本输入全部误判为线路合并单元装置；因此采用SMOTE理论对智能终端的输入矩阵进行扩充，生成新样本，使智能终端的训练输入矩阵样本数量扩充到31，此时模型能够准确识别智能终端发生故障；线路间隔下的其它二次设备也做类似的训练输入矩阵的扩充处理，最终所有二次设备均含有31个训练输入矩阵样本，保持了数量的均衡，提高了模型的准确率。其它间隔也参照线路间隔进行类似的扩充处理。
[0115] 构造各间隔的GRU故障定位模型，具体操作如下：
[0116] 针对不同间隔，基于Python编程语言，在深度学习框架TensorFlow中，搭建了各GRU故障定位模型；各模型的组成结构如下：
[0117] 1)线路间隔的GRU故障定位模型
[0118] 该间隔的GRU故障定位模型包括输入层、2个GRU层、1个全连接Dense层、输出层；该间隔有81个告警信号和辅助变量，对各告警信号和辅助变量进行从1到81的编号，作为输入矩阵的元素；该间隔有16个故障位置，对各故障位置进行从1到16的编号，并将正常情况编号为17；
[0119] 输入层：由各告警信号和辅助变量组成的输入矩阵的维度为3×5；由各故障位置组成的输出矩阵的维度为1×17；
[0120] 第1个GRU层：神经元个数为64，激活函数为tanh，步长为1；
[0121] 第2个GRU层：神经元个数为32，激活函数为tanh，步长为1；
[0122] 全连接Dense层：神经元个数为32，激活函数为relu；
[0123] 输出层：神经元个数为17，激活函数为softmax；
[0124] 2)母线间隔的GRU故障定位模型；
[0125] 该间隔的GRU故障定位模型包括输入层、2个GRU层、2个全连接Dense层、1个Dropout层、输出层；该间隔有47个告警信号和辅助变量，对各告警信号和辅助变量进行从1到47的编号，作为输入矩阵的元素；该间隔有5个故障位置，对各故障位置进行从1到5的编号，并将正常情况编号为6；
[0126] 输入层：由各告警信号和辅助变量组成的输入矩阵的维度为4×3；由各故障位置组成的输出矩阵的维度为1×6；
[0127] 第1个GRU层：神经元数为32，激活函数为tanh，步长为1；
[0128] 第2个GRU层：神经元数为16，激活函数为tanh，步长为1；
[0129] 第1个全连接Dense层：神经元数为32，激活函数为relu；
[0130] Dropout层：设置神经元激活概率为0.5；
[0131] 第2个全连接Dense层：神经元数为16，激活函数为relu；
[0132] 输出层：神经元数为6，激活函数为softmax；
[0133] 3)变压器间隔的GRU故障定位模型；
[0134] 该间隔的GRU故障定位模型包括输入层、2个GRU层、1个全连接Dense层、输出层；该间隔有29个告警信号和辅助变量，对各告警信号和辅助变量进行从1到29的编号，作为输入矩阵的元素；该间隔有7个故障位置，对各故障位置进行从1到7的编号，并将正常情况编号为8；
[0135] 输入层：由各告警信号和辅助变量组成的输入矩阵的维度为3×2；由各故障位置组成的输出矩阵的维度为1×8；
[0136] 第1个GRU层：神经元数为32，激活函数为tanh，步长为1；
[0137] 第2个GRU层：神经元数为16，激活函数为tanh，步长为1；
[0138] 全连接Dense层：神经元数为16，激活函数为relu；
[0139] 输出层：神经元数为8，激活函数为softmax；
[0140] 4)中心交换机间隔的GRU故障定位模型；
[0141] 该间隔的GRU故障定位模型包括输入层、2个GRU层、2个全连接Dense层、1个Dropout层、输出层；该间隔有13个告警信号和辅助变量，对各告警信号和辅助变量进行从1到13的编号，作为输入矩阵的元素；该间隔有8个故障位置，对各故障位置进行从1到8的编号，并将正常情况编号为9；
[0142] 输入层：由各告警信号和辅助变量组成的输入矩阵的维度为3×3；由各故障位置组成的输出矩阵的维度为1×9；
[0143] 第1个GRU层：神经元数为32，激活函数为tanh，步长为1；
[0144] 第2个GRU层：神经元数为16，激活函数为tanh，步长为1；
[0145] 第1个全连接Dense层：神经元数为32，激活函数为relu；
[0146] Dropout层：设置神经元激活概率为0.5；
[0147] 第2个全连接Dense层：神经元数为16，激活函数为relu；
[0148] 输出层：神经元数为9，激活函数为softmax。
[0149] 对各间隔的GRU故障定位模型进行训练与测试，具体操作如下：
[0150] 针对不同间隔，为了抑制模型过拟合，提高模型的泛化能力，各GRU故障定位模型的输入数据在送入模型之前均进行了打乱时刻顺序的处理；在各GRU故障定位模型训练完成后，送入各间隔下的测试数据分别进行测试；
[0151] 各GRU故障定位模型的训练参数和评估指标如下：
[0152] 1)线路间隔的GRU故障定位模型的训练参数和评估指标：
[0153] 设置损失函数为交叉熵“categorical_crossentropy”，采用Adam算法对梯度进行计算并优化网络参数，学习率取0.0005，每批使用4组样本进行训练，训练总迭代次数设置为50；设置评估指标为准确率；
[0154] 2)母线间隔的GRU故障定位模型的训练参数和评估指标：
[0155] 设置损失函数为交叉熵“categorical_crossentropy”，采用Adam算法对梯度进行计算并优化网络参数，学习率取0.001，每批次使用1组样本进行训练，训练总迭代次数设置为20；设置评估指标为准确率；
[0156] 3)变压器间隔的GRU故障定位模型的训练参数和评估指标：
[0157] 设置损失函数为交叉熵“categorical_crossentropy”，采用Adam算法对梯度进行计算并优化网络参数，学习率取0.001，每批使用1组样本进行训练，训练总迭代次数设置为25；设置评估指标为准确率；
[0158] 4)中心交换机间隔的GRU故障定位模型的训练参数和评估指标：
[0159] 设置损失函数为交叉熵“categorical_crossentropy”，采用Adam算法对梯度进行计算并优化网络参数，学习率取0.001，每批使用1组样本进行训练，训练总迭代次数设置为40；设置评估指标为准确率；
[0160] 下面结合附图和具体实施例对本发明作进一步详细说明。
[0161] 针对线路间隔、变压器间隔、母线间隔、中心交换机间隔，分别建立了各自的GRU故障定位模型，它们的结构如图3～图6所示。
[0162] 以线路间隔的GRU故障定位模型为例，对各告警信号和辅助变量进行从1到81的编号，作为输入矩阵的元素；故障位置包括光纤、二次设备及其发送网口与接收网口、交换机端口等，对故障位置进行从1到16的编号，并将正常情况编号为17，故障位置及其对应的编号如表1所示。
[0163] 表1 线路间隔的故障位置及其编号；
[0164]
[0165]
[0166] 将总故障样本划分为原始训练集和测试集，各故障位置和正常情况包含的样本数量如表2所示。
[0167] 表2 线路间隔的各故障位置和正常情况包含的样本数量
[0168]
[0169] 由表1可见，线路合并单元故障时对应的训练样本数为31，且数量最多。使用SMOTE理论，将该间隔下故障位置编号2～17的训练集样本均扩充为31个样本，则新的训练集总数为527，将这527组样本作为真正的训练集，送入线路间隔的GRU故障定位模型进行训练。
[0170] 线路间隔的GRU故障定位模型包括输入层、2个GRU层、1个全连接Dense层、输出层。输入层：由各告警信号和辅助变量组成的输入矩阵的维度为3×5；由各故障位置组成的输出矩阵的维度为1×17；
[0171] 第1个GRU层：神经元个数为64，激活函数为tanh，步长为1；
[0172] 第2个GRU层：神经元个数为32，激活函数为tanh，步长为1；
[0173] 全连接Dense层：神经元个数为32，激活函数为relu；
[0174] 输出层：神经元个数为17，激活函数为softmax；
[0175] 设置损失函数为交叉熵“categorical_crossentropy”，采用Adam算法对梯度进行计算并优化网络参数，学习率取0.0005，每批使用4组样本进行训练，训练总迭代次数设置为50；设置评估指标为准确率。
[0176] 线路间隔的GRU故障定位模型的训练准确率和损失值随迭代次数的变化曲线如图7、图8所示。
[0177] 由图7、图8所示，线路间隔的GRU故障定位模型的训练损失值随迭代次数迅速下降并逐渐收敛，训练准确率随迭代次数迅速上升并逐渐收敛。在迭代40次之后，训练损失值下降到0.0157，且非常接近于0，训练准确率达到了100％，且不再变化，说明了该模型已充分被训练。
[0178] 将各间隔的测试数据送入各自的GRU故障定位模型进行测试，各间隔的GRU故障定位模型测试准确率如表3所示。
[0179] 表3 各间隔的GRU故障定位模型的测试准确率
[0180]
[0181] 由表3可见，各间隔的GRU故障定位模型的测试准确率较高，说明了各模型的泛化能力强，能够解决告警报文到达站控层设备的顺序错乱、同一个间隔下不同二次设备的故障样本数量不均衡造成误判等问题，很好地实现了智能变电站二次系统的故障定位。
[0182] 最后，需要注意的是：以上列举的仅是本发明的具体实施例子，当然本领域的技术人员可以对本发明进行改动和变型，倘若这些修改和变型属于本发明权利要求及其等同技术的范围之内，均应认为是本发明的保护范围。
