[发明专利]基于首层宽卷积核深度残差网络的输电线路短路故障诊断方法

说明书

基于首层宽卷积核深度残差网络的输电线路短路故障诊断方法，采集短路故障信息，包括电压相量、电流相量、故障时刻、持续时间等参数。对短路故障信息数据进行处理。构建高维时空故障样本矩阵，作为深度学习网络的输入进行训练；设置TensorFlow中的深度残差网络残差模块，将首层卷积层设为宽卷积核，而将残差模块中的卷积层设置为小卷积核；设置SENet子网络结构。堆叠一定数量的基本模块以及卷积层、批标准化、激活函数、全局均值池化以及全连接输出层；实时获取实际运行中的故障信息，传输至诊断网络中，得到当前输电线路短路故障的诊断结果。本发明能有效地弥补传统机器学习方法存在的人工提取故障特征、算力不足、泛化能力不强等缺陷。

技术领域

本发明涉及输电线路短路故障检测技术领域，具体涉及一种基于首层宽卷积核深度残差网络的输电线路短路故障诊断方法。

背景技术

输电线路作为电力系统中故障率最高的部分，对于系统的安全稳定运行至关重要，外力、绝缘老化、过电压或误操作都可能会导致输电线路发生故障。而其中最频繁、故障后影响最大的是各种类型的短路。采用合适的故障诊断方法，在线路发生故障时能够及时准确地识别故障类型，将大大减少事故进一步扩大的可能性，这对电力系统的安全稳定运行具有重要意义。

近年来，国内外在此领域普遍使用人工神经网络、支持向量机、决策树、K-近邻、贝叶斯网络等一般机器学习算法应用于输电线路故障诊断，较为常见的是利用人工神经网络对输电线路故障类型进行分类识别，但这些一般机器学习算法的训练学习需要专门从原始信息中提取故障特征，而大部分的机器学习项目由于缺乏足够大的训练数据规模，其自动生成的特征尚无法为人所信任，因而基于人工经验设计的特征提取依然是一般机器学习中的主流。可是基于人工经验设计的特征提取，造成诊断模型对于拥有相似故障特征的不同类型故障的区分度不足，引起诊断准确度的提升不明显。

有鉴于此，有必要发明一种能够有效消除人工特征提取与选择所带来的不确定性的故障诊断方法。

发明内容

本发明的目的在于针对现有方法的不足，提出一种基于首层宽卷积核深度残差网络的输电线路短路故障诊断方法，能有效地弥补传统机器学习方法存在的人工提取故障特征、算力不足、泛化能力不强等缺陷。此外，还在深度残差网络输入层之后的首层卷积层设置为宽卷积核，能够有效地提取短时特征，扩大感受野区域，进而更高效地学习面向诊断对象的有用特征，过滤掉无用信息。

本发明采取的技术方案为：

基于首层宽卷积核深度残差网络的输电线路短路故障诊断方法，包括以下步骤：

S1：通过电网广域监测系统，采集短路故障信息，包括电压相量、电流相量、故障时刻、持续时间等参数。

S2：利用TensorFlow1.0平台，对短路故障信息数据进行处理，具体步骤如下：

S2..1:根据对称分量法将故障发生时的电气量分解成正序分量P1、负序分量P2、零序分量P0，计算式为：

式中：a＝1∠120°；P₀、P₁、P₂表示分解后零序、正序和负序电压或电流分量；R、S、T为需要进行分解的三相线路上的电气量。

S2..2:构建高维时空故障样本矩阵，作为深度学习网络的输入进行训练；

S3：设置TensorFlow中的深度残差网络残差模块，将首层卷积层设为宽卷积核，而将残差模块中的卷积层设置为小卷积核；

S4：设置SENet子网络结构，以实现深度注意力机制下的软阈值化。

S5：堆叠一定数量的基本模块以及卷积层、批标准化、激活函数、全局均值池化以及全连接输出层，能够得到经过注意力机制与软阈值函数优化的完整的深度残差网络；