一种用于小样本与不平衡样本的输电线路故障辨识方法及系统

本发明涉及电力系统继电保护与自动化，尤其是涉及一种用于小样本与不平衡样本的输电线路故障辨识方法及系统。

背景技术：

1、输电线路作为电力系统的核心输送通道，其安全可靠运行是保障电力系统安全稳定运行的重要基础。然而，由于输电线路地域分布范围广、跨区域面积大、运行环境复杂多变，长期暴露于野外易受雷击、覆冰、山火、风偏、外力破坏等恶劣自然环境和外部事件的影响，导致线路在运行过程中发生多种类型的故障。及时准确地辨识出故障原因和故障类型，对于指导保护及安全自动装置快速切除故障、恢复后续电力供应、减少线路停运时间、保障电力系统稳定运行具有重要意义。

2、输电线路故障辨识的基本任务包括故障检测和故障分类两部分。现有经典辨识方法主要基于行波测距和故障录波分析，通过提取电压电流波形在时域或频域中的特征量来实现故障判别。在此基础上，研究者进一步发展了基于人工特征工程的支持向量机、决策树等传统机器学习方法，以及基于卷积神经网络（cnn）的深度学习方法。然而，传统深度学习方法的性能高度依赖于大量标注样本的数量与质量，其网络结构设计复杂，超参数调参严重依赖人工经验。此外，实际工程中故障样本获取困难，不同故障类型间的样本分布极不均衡，使得模型训练容易偏向于多数类故障，对发生次数较少的故障类型识别准确率较低，且在小样本条件下的泛化能力严重不足。

3、近年来，深度学习技术在输电线路故障辨识领域逐渐兴起。深度学习模型，尤其是卷积神经网络，具有自动提取层次化特征、无需人工设计特征、计算高效等优点。已有研究将迁移学习与alexnet相结合，通过仿真生成不平衡故障样本集，实现了输电线路在不平衡样本条件下的故障辨识，但该方法对罕见故障的识别能力仍然有限，且未充分考虑不同线路参数差异带来的泛化问题。部分研究提出结合迁移学习与改进yolov8s的故障识别算法，并设计了基于样本相关性的源域样本选择模块以提升小样本识别效果，然而该方法主要面向图像数据，对电气量时序特征的适配性不足，且模型结构较为复杂。另有研究将变分自编码器（vae）与生成对抗网络（gan）相结合，利用gan判别器的隐藏层特征替代逐像素均方误差以提升生成样本的真实性，但该方法侧重于图像生成质量，其判别器仅用于区分生成样本与真实样本的真伪，输出的判别结果未直接用于故障类别的分类，且其损失函数设计围绕图像生成逼真度展开，未涉及故障辨识任务中类别不平衡条件下的分类损失优化。

4、经检索，中国专利公开号cn117272143a公开了一种基于格拉姆角场与残差网络的输电线路故障辨识方法，该方法通过获取输电线路二次侧的三相故障录波数据，基于格拉姆角场将一维时序数据转换为二维彩色图像，利用多目标残差网络实现故障类型与故障原因的多输出同步辨识，并采用smote过采样处理少数类样本以缓解类不平衡问题。然而，该方法的多分类模型在处理多类故障辨识时，各类别之间共享同一组网络参数，类别间可能存在相互干扰；该方案虽然引入了smote过采样处理少数类样本，但smote仅通过线性插值生成新样本，难以充分拟合故障数据中存在的非线性分布特征。

5、因此，如何在故障样本稀缺且类别不平衡的条件下，实现对输电线路故障类型的准确辨识，是需要解决的技术问题。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于小样本与不平衡样本的输电线路故障辨识方法及系统。

2、本发明的目的可以通过以下技术方案来实现：

3、根据本发明的第一方面，提供了一种用于小样本与不平衡样本的输电线路故障辨识方法，包括：

4、获取输电线路两端故障前后的三相电压和三相电流时序数据，将获取的时序数据重排为二维矩阵；

5、将输电线路故障的多分类任务分解为对应于不同故障类别的多个二分类子任务；

6、为每一故障类别分别构建一个包含生成器和二分类判别器的生成对抗网络，所述二分类判别器用于输出输入样本属于对应故障类别的概率；

7、利用所述二维矩阵对每一故障类别对应的生成对抗网络进行交替对抗训练，其中，所述二分类判别器采用焦点损失函数作为训练损失函数的一部分，以在训练中为正类样本分配高于负类样本的损失权重；

8、将待辨识的时序数据分别输入各故障类别对应的训练完成的二分类判别器，获得各判别器输出的属于对应故障类别的概率，取最大概率值对应的故障类别作为最终辨识结果。

9、作为优选的技术方案，将获取的时序数据重排为二维矩阵，具体包括：

10、对输电线路故障前后两端的三相电压时序数据和三相电流时序数据进行等间隔采样，针对每个故障样本，将采样得到的时序数据按照各电气量通道排列为二维矩阵，使所述二维矩阵的行方向对应采样时间序列，列方向对应各电气量通道。

11、作为优选的技术方案，各所述生成对抗网络训练完成后，仅保留各所述二分类判别器用于输出待辨识样本属于对应故障类别的概率。

12、作为优选的技术方案，所述焦点损失函数的表达式为：

13、，

14、其中，为模型对故障类别的预测概率；

γ为聚焦参数；

α∈[0,1]为用于平衡正负类样本权重的平衡因子；

15、对于每一个二分类判别器，其正类样本为该判别器对应故障类别的样本，负类样本为所有其他故障类别的样本以及非故障样本；在训练样本集中，所述正类样本的总数量少于所述负类样本的总数量。

16、作为优选的技术方案，所述交替对抗训练具体包括：

17、固定当前二分类判别器参数，更新生成器参数，使所述生成器生成的伪样本在所述二分类判别器上的预测结果趋近于正类，以使所述生成器学习对应故障类别的样本分布；

18、固定当前生成器参数，更新二分类判别器参数，使所述二分类判别器对真实正类样本的输出趋近于1，对真实负类样本和伪样本的输出趋近于0，同时最小化所述焦点损失函数；

19、重复以上交替更新直至达到预设的训练轮次或损失函数收敛。

20、作为优选的技术方案，所述方法还包括，针对每个二分类子任务，分别为对应的判别器自动搜索最优训练超参数：

21、预设超参数搜索空间，所述超参数搜索空间包括所述焦点损失函数中的聚焦参数γ、类别平衡因子α以及所述生成对抗网络的训练轮次和学习率；

22、利用训练子集对各组候选超参数下的生成对抗网络进行训练，并在验证子集上计算综合评分，所述综合评分为f1分数与平衡准确率的加权和；

23、选取综合评分最高的超参数组合作为该二分类子任务的最优超参数配置；

24、不同故障类别对应的二分类子任务采用彼此独立的最优超参数配置。

25、作为优选的技术方案，所述二维矩阵来自源域输电线路的故障数据，待辨识的时序数据来自目标域输电线路，所述源域输电线路与所述目标域输电线路为不同的输电线路；

26、各所述二分类判别器在所述源域输电线路的故障数据上训练完成后，以训练完成后的参数直接对所述目标域输电线路的待辨识时序数据进行故障类别预测。

27、作为优选的技术方案，所述二分类判别器还用于生成特征可视化图像，具体包括：

28、提取所述二分类判别器中全连接层的特征向量；

29、对所述特征向量进行降维、重塑和归一化处理，生成特征可视化图像；

30、所述特征可视化图像用于表征所述二分类判别器对所述二维矩阵中不同区域的特征激活程度，以定位所述二分类判别器做出故障类别判决时所依据的关键波形区段和关键电气量通道，所述不同区域分别对应于不同采样时刻或不同电气量通道。

31、作为优选的技术方案，所述故障类别包括单相接地故障、两相故障、两相接地故障和三相故障。

32、根据本发明的第二个方面，提供了一种用于实现所述用于小样本与不平衡样本的输电线路故障辨识方法的系统，包括：

33、数据获取与预处理模块，用于获取输电线路故障前后的三相电压和三相电流时序数据，将获取的时序数据重排为二维矩阵；

34、模型构建模块，将输电线路故障类型的多分类任务分解为多个独立的二分类子任务，为每一故障类别分别构建一个包含生成器和二分类判别器的生成对抗网络；

35、训练模块，利用所述二维矩阵对每一故障类别对应的生成对抗网络进行交替对抗训练，其中，所述二分类判别器采用焦点损失函数作为训练损失函数的一部分，以在训练中为正类样本分配高于负类样本的损失权重；

36、辨识模块，用于将待辨识的时序数据分别输入各故障类别对应的训练完成的二分类判别器，获得各判别器输出的属于对应故障类别的概率，取最大概率值对应的故障类别作为最终辨识结果。

37、与现有技术相比，本发明具有以下优点：

38、1、本发明通过采用一对多策略将多分类任务分解为多个独立的二分类子任务，并为每一故障类别分别构建独立的生成对抗网络，使各二分类判别器仅需专注于单一故障类别的判别，结合焦点损失函数在训练中为正类样本分配高于负类样本的损失权重，有效抑制了样本稀缺和类别不均衡对辨识精度的偏置影响，实现了在故障样本稀缺且类别不平衡条件下对输电线路故障类型的准确辨识。

39、2、本发明在判别器训练中引入焦点损失函数，通过调制因子降低易分类负类样本的损失贡献，使模型在训练过程中主动聚焦于难分类的少数类正类样本，有效克服了故障样本类别不均衡导致模型偏向多数类的问题，提升了稀有故障类型的辨识灵敏度。

40、3、本发明的二分类判别器在生成对抗网络的交替对抗训练中通过区分真实样本与生成器生成的伪样本，学习故障类别的本质分布特征；训练完成后仅保留二分类判别器作为最终分类器，避免了小样本条件下独立训练分类器容易过拟合的问题，同时节省了模型参数存储和推理计算资源。

41、4、本发明各二分类判别器在源域输电线路的故障数据上训练完成后，以训练完成后的参数直接对目标域输电线路的待辨识时序数据进行故障类别预测，无需在目标域数据上进行参数微调或重新训练，实现了跨线路的直接迁移应用，适用于实际工程中目标线路无历史故障样本的应用场景。

42、5、本发明将输电线路两端故障前后的三相电压和三相电流时序数据重排为二维矩阵，无需进行复杂信号处理即可适配卷积神经网络的输入格式，避免了小样本条件下人工特征提取不充分的问题，简化了数据预处理流程。