[发明专利]一种利用深度学习挖掘行波时-频域特征的故障定位方法

说明书

本发明公开了一种利用深度学习挖掘行波时‑频域特征的故障定位方法，涉及电力系统技术领域，具体包括以下步骤：获取各种故障条件下的故障行波线模分量；对所述故障行波线模分量进行连续小波变换，获得故障行波时频域分布，作为深度学习的训练集和测试集；构建卷积神经网络，对所述卷积神经网络进行训练，得到所述故障行波时频域分布与故障位置的映射关系；将电网实际故障时记录的电压行波数据进行连续小波变换，获得实际故障行波时频域分布；将所述实际故障行波时频域分布输入到所述卷积神经网络中，得到精确故障点位置。本发明方法具有定位精度高、不依赖波头准确标定、无需选取波速度等优点。

技术领域

本发明涉及电力系统领域，更具体的说是涉及一种利用深度学习挖掘行波时-频域特征的故障定位方法。

背景技术

在电力系统运行中，输电线路担负着电能输送分配的重要任务，当输电线路出现故障时，应快速查找故障点，以加快故障修复速度、减小停电损失。然而，高压输电线路距离长，人工巡线查找故障点的方法效率低下且可靠性不高。因此，研发准确可靠的输电线路故障定位方法，对保障电力系统安全运行具有重要意义。

故障行波响应速度快，不受分布式电容、系统振荡、互感器饱和等因素的影响，具有较为明显的技术优势，故障行波定位技术在理论上具有较高的定位精度，在输电线路中获得了广泛的应用。目前，故障行波定位方法主要分为以下两种：基于时域信息和基于频域信息；基于时域信息的行波定位方法，利用初始行波波头和第二反射波波头到达时刻计算故障位置，需要准确检测初始行波波头的幅值、极性和到达时刻，并正确辨识后续折、反射波形的性质，对采样率要求较高，特别在高阻接地故障或电压过零点故障时，难以检测微弱的波头信号；基于频域信息的行波定位方法，依据故障行波固有频率主成分与故障位置的函数关系进行故障定位，该方法的关键在于准确提取固有频率成分，但当电网拓扑结构复杂时，固有频率发生混叠，导致固有频率无法准确提取。

现有的行波定位方法仅基于时域信息或频域单一频段信息，导致行波定位可靠性较低，在高阻接地故障、电压过零点故障和检测点出口处故障，实际应用定位误差较大，甚至定位失败。因此，如何提取多次折反射过程中的故障行波时-频域故障特征，如何根据故障行波时-频域特征进行故障定位，仍是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种利用深度学习挖掘行波时-频域特征的故障定位方法，有效提高了行波故障定位的可靠性和精度。

为了实现上述目的，本发明采用如下技术方案：一种利用深度学习挖掘行波时-频域特征的故障定位方法，具体包括以下步骤：

获取各种故障条件下的故障行波线模分量；

对所述故障行波线模分量进行连续小波变换，获得故障行波时频域分布，作为深度学习的训练集和测试集；

构建卷积神经网络，对所述卷积神经网络进行训练，得到所述故障行波时频域分布与故障位置的映射关系；

将电网实际故障时记录的电压行波数据进行连续小波变换，获得实际故障行波时频域分布；

将所述实际故障行波时频域分布输入到所述卷积神经网络中，得到精确故障点位置。

优选的，所述故障行波线模分量获取的具体步骤为：

在检测点收集输电线路上各个位置在各种故障条件下检测到的三相电压行波数据；

以故障发生后固定时间作为时间窗，将所述三相电压行波数据与未故障时的正常三相电压行波数据作差，获得三相电压故障分量；

对所述三相电压故障分量进行相模变换，得到所述故障行波线模分量。

优选的，对所述卷积神经网络进行训练的具体步骤为：