一种输电线路单端故障测距方法及相关设备

本技术涉及故障测距，尤其涉及一种输电线路单端故障测距方法及相关设备。

背景技术：

1、输电线路故障约占电力系统全部故障的70%以上。故障发生后快速准确定位故障点，对缩短停电时间、降低巡线成本、保障电网安全稳定运行意义重大。

2、然而，行波在架空线—电缆连接点及t接分支点处发生阻抗突变，产生复杂的折射与反射。高频分量因集肤效应和介质损耗衰减更快，导致波头弥散、上升沿变缓，直接提取波头时刻的定位思路难以适应复杂拓扑，须转向基于波形全景特征的分析方法。

3、近年来，以卷积神经网络为代表的深度学习方法在电力系统故障诊断领域展现出显著潜力。然而，深度网络的规模化应用面临训练数据不足的瓶颈；此外，利用pscad等电磁暂态仿真软件生成大规模数量的样本，此方法耗时长、效率低。

技术实现思路

1、本技术实施例的主要目的在于提出一种输电线路单端故障测距方法、电子设备、存储介质及程序产品，能够高效生成足量的训练样本并构建与之匹配的深度学习模型，同时避免数据泄露对模型评估的干扰，成为推动智能故障定位技术实用化的关键。

2、为实现上述目的，本技术实施例的一方面提出了一种输电线路单端故障测距方法，所述方法包括：

3、构建复域暂态解析计算模型，对输电线路全参数扫描批量生成故障暂态行波时域波形样本，建立故障全景样本库；

4、针对所述故障暂态行波时域波形样本，分别采用高时域分辨率小波基和高频域分辨率小波基进行连续小波变换，生成多个灰度时频能量图，将所述多个灰度时频能量图分别映射至rgb三通道中，融合为三通道多小波时频融合特征图；

5、构建基于深度残差网络的多任务学习模型，所述多任务学习模型包含共享的卷积特征提取层以及并行的分类头和回归头，利用所述三通道多小波时频融合特征图对所述多任务学习模型进行训练，通过所述分类头输出故障发生区段，通过所述回归头输出故障点精确距离。

6、在一些实施例中，所述构建复域暂态解析计算模型，对输电线路全参数扫描批量生成故障暂态行波时域波形样本，建立故障全景样本库，包括：

7、根据输电线路的杆塔几何参数及导线参数，获取输电线路的频率响应参数，采用有理函数近似的矢量拟合算法，提取单位长度串联阻抗和复域并联导纳的复域表达：

8、

9、式中，

r(

s)为线路的单位长度电阻值，

l(

s)为单位长度电感值，

g(

s)和

c(

s)分别为单位长度电导值和单位长度电纳值，s为拉普拉斯算子，

s=

c+j

ω，

c为阻尼系数，j为复域虚数单位；

10、根据长线方程，建立输电线路的二端口复域导纳矩阵模型：

11、

12、式中，和分别为输电线路首端及末端的三相电流，和分别为输电线路首端及末端的三相电压，和分别为该线路的自导纳矩阵和互导纳矩阵；

13、对系统阻抗进行端口等值建模，采用变压器的п型等值电路对变压器进行等值，将各线路的复域自导纳子矩阵、互导纳子矩阵、系统阻抗导纳矩阵以及变压器等值导纳矩阵按照导纳矩阵构建规则共同构成故障后的系统复域节点导纳矩阵yall(

s)，对yall(

s)求逆得到系统复域节点阻抗矩阵zall(

s)；

14、从所述系统复域节点阻抗矩阵zall(

s)中提取故障节点对应的自阻抗zff(

s)，经对称分量变换得到故障节点的正序阻抗、负序阻抗和零序阻抗；

15、对故障节点施加阶跃故障激励电压源，根据不同故障类型的边界条件构造复合序网，计算故障端口各序复域短路电流，经对称分量反变换得到故障端口三相复域暂态短路电流；

16、根据所述系统复域节点阻抗矩阵zall(

s)及所述故障端口三相复域暂态短路电流，计算测量点处的三相复域暂态电压和三相复域暂态电流，经数值拉普拉斯反变换转换为时域暂态行波波形；

17、对故障合闸角、过渡电阻和故障距离进行全参数扫描，批量生成不同故障因素下的故障暂态行波时域波形样本，建立故障全景样本库。

18、在一些实施例中，所述故障激励电压源的时域表达式为：

19、

20、式中，表示故障相的故障激励电压源，为故障发生前故障点的瞬时电压幅值，为故障发生前故障点的故障合闸角，为系统工频，为故障发生时刻，为单位阶跃信号。

21、在一些实施例中，所述数值拉普拉斯反变换的公式为：

22、

23、式中，为复域序列，为经转换后在时域中对应的数值解，为汉宁窗函数，、分别为时域数值解和复域角频率的采样点数目。

24、在一些实施例中，所述高时域分辨率小波基为gaus1小波基和mexh小波基，所述高频域分辨率小波基为cmor1.5-1.0小波基；

25、所述针对所述故障暂态行波时域波形样本，分别采用高时域分辨率小波基和高频域分辨率小波基进行连续小波变换，生成多个灰度时频能量图，将所述多个灰度时频能量图分别映射至rgb三通道中，融合为三通道多小波时频融合特征图，包括：

26、对同一故障样本的故障相电压波形或故障相电流波形，分别采用gaus1小波基、mexh小波基和cmor1.5-1.0小波基执行连续小波变换，每个变换生成一个灰度时频能量图；

27、将gaus1小波基生成的灰度时频能量图赋值至r通道、mexh小波基生成的灰度时频能量图赋值至g通道、cmor1.5-1.0小波基生成的灰度时频能量图赋值至b通道，合并为一个三通道图像，作为所述三通道多小波时频融合特征图。

28、在一些实施例中，所述分类头的结构为全连接层加k维输出，经softmax函数输出各区段的后验概率；所述回归头的结构为全连接层加1维输出，经sigmoid函数后线性映射至[0，

l]区间，输出预测距离，其中

l为输电线路总长度。

29、在一些实施例中，所述多任务学习模型的联合损失函数为：

30、

31、

32、式中，为交叉熵分类损失，为均方误差回归损失，为分类类别的数量，为训练样本总数，和为预设的任务权重，为观测样本属于类别的预测概率，为观测样本真实的区段标签，为样本实际的故障距离，为模型输出的预测故障距离。

33、在一些实施例中，采用基于故障距离数值特征的确定性划分策略构建训练集与验证集，具体为：以预设步进生成故障样本，故障距离取值统一表示为，其中为整数，划分规则为：

34、当为偶数时，对应的故障样本划分至训练集；

35、当为奇数时，对应的故障样本划分至验证集。

36、为实现上述目的，本技术实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上所述的方法。

37、为实现上述目的，本技术实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上所述的方法。

38、为实现上述目的，本技术实施例的另一方面提出了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上所述的方法。

39、本技术实施例至少包括以下有益效果：本技术提供一种输电线路单端故障测距方法、电子设备、存储介质及程序产品，该方案通过构建复域暂态解析计算模型实现故障暂态行波时域波形的全参数扫描批量生成，有效解决了深度学习故障测距模型训练样本匮乏且传统电磁暂态仿真耗时长、效率低的瓶颈问题；在此基础上，针对生成的时域波形分别采用高时域分辨率小波基与高频域分辨率小波基进行连续小波变换并将多个灰度时频能量图映射融合为三通道多小波时频融合特征图，突破了单一波形或单一小波基受heisenberg不确定性原理约束而无法同时兼顾时域波头突变与频域精细纹理特征的局限，实现了跨分辨率时频信息的视觉互补与综合；进而构建包含共享卷积特征提取层及并行分类头和回归头的深度残差网络多任务学习模型，利用上述三通道融合特征图进行训练，使故障区段识别与精确测距在同一框架下联合优化、相互促进。三个技术步骤依次衔接、协同作用，共同构成从数据生成到特征表达到模型训练的完整端到端解决方案，显著提升了t接混合线路等复杂拓扑场景下的故障定段精度和测距精度，有效推动了智能故障定位技术的实用化。