[发明专利]一种基于胶囊网络的输电线路故障类型判别方法及系统

权利要求书

1.一种基于胶囊网络的输电线路故障类型判别方法，其特征在于，所述方法包括以下步骤：

S1：搭建电网仿真模型，设定模型参数和运行条件，获取输电线路故障时的相量测量装置PMU数据；

S2：对所述PMU数据选取特征量进行归一化处理后将PMU数据转化生成雷达图；

S3：构建基于胶囊网络的输电线路故障类型判别模型，随机划分训练集与测试集；

S4：通过训练集样本对模型进行训练，对PMU数据雷达图进行特征提取和学习，得到训练好的输电线路故障类型判别模型；

S5：将测试集输入训练好的输电线路故障类型判别模型中进行测试，采用测试后的模型进行输电线路故障类型的判别。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：

基于电力系统仿真软件DIgSILENT搭建仿真模型，并根据电网实测潮流对模型进行潮流调整，提高模型准确度。

3.根据权利要求2所述的方法，其特征在于，所述步骤S2包括：

选取输电线路的三相电压幅值、三相电流和零序电流幅值作为特征量，对选取的7个电气特征量进行归一化处理后将数值映射到[0，1]之间，然后设定图形区间为[-0.5，1.5]，隐藏相应的横纵坐标后将PMU数据转化为7维雷达图。

4.根据权利要求3所述的方法，其特征在于，所述步骤S3中，

所述胶囊网络模型包括一个卷积层、一个主胶囊层、一个数字胶囊层和三个全连接层的网络，所述模型输入PMU数据雷达图，经过卷积层32个卷积核进行32次卷积运算后输出特征图，经过主胶囊层8个卷积核8次卷积运算后得到9组特征图，随后将特征图展平，通过数字胶囊转化为4个18维胶囊，传输至全连接层经过flatten函数展平后重构出和输入图像尺寸大小相同的图像，并通过构建Softmax分类器对故障类型进行分类。

5.根据权利要求4所述的方法，其特征在于，所述步骤S3包括：

将转化生成的大量PMU数据雷达图按8：2的比例随机划分为训练集和测试集，训练集和测试集样本中都带有相应的标签，所述标签包括：单相接地短路，两相短路，两相接地短路，三相短路。

6.根据权利要求5所述的方法，其特征在于，所述步骤S4包括：

将训练集输入模型对其进行训练，提取学习PMU数据雷达图特征，经过反复地模型参数寻优和超参数调整后得到训练后的输电线路故障类型判别模型。

7.根据权利要求6所述的方法，其特征在于，所述步骤S5包括：

将测试集样本输入经由训练集训练和反复调参后得到判别模型，最终输出混淆矩阵，包括输电线路故障类型判别的准确率、精确率、召回率和F1值评价指标和故障类型判别结果。

8.一种基于胶囊网络的输电线路故障类型判别系统，用于实现强烈要求1-7所述的方法，其特征在于，

所述系统包括故障数据获取模块、数据图形转化模块、模型构建模块、模型训练模块、模型测试模块和输出模块；

所述故障数据获取模块用于搭建电网仿真模型，设定模型参数和运行条件，获取输电线路故障时的PMU数据；

所述数据图形转化模块用于将获取的PMU数据转化生成7维雷达图，将PMU数据雷达图按8：2的比例随机划分为训练集和测试集；

所述模型构建模块用于构建基于胶囊网络的输电线路故障类型判别模型；

所述模型训练模块采用训练集对胶囊网络进行训练；

所述模型测试模块采用测试集对训练好的胶囊网络进行测试，经过胶囊网络对PMU数据雷达图的特征提取和学习以及故障类型分类，实现对输电线路故障类型的判别；

所述输出模块输出混淆矩阵，包括输电线路故障类型判别的准确率、精确率、召回率和F1值评价指标和故障类型判别结果。