一种输电线路故障波头定位方法、装置、设备及存储介质与流程

1.本发明涉及故障定位技术领域，尤其涉及一种输电线路故障波头定位方法、装置、设备及存储介质。


背景技术：

2.随着我国社会经济的发展，行业对电网输电线路的可靠性、稳定性都提出了更高的要求。在发生故障的时候，故障解决时间越长，对经济的影响也越大。因此，快速定位故障发生位置，才能为解决故障争取更多的响应时间。传统的故障定位方法，更多依靠人工进行线路巡检，需要大量的人力、物力，具有时间长，效率低的特点。
3.行波采集的频率通常都很高，容易受到各种噪音的干扰，也容易产生杂波。以上问题会导致在一段行波波形中确定波头的位置变得非常困难。目前行业行波故障告警的准确度较低，通常需要人工接入，对疑似故障波形进行筛选，然后还需要通过人工经验来诊断波头的位置，并在系统中手动划线标定。这种方法需要时间较长，对运维人员的经验值要求非常高。
4.使用机器学习方法进行故障定位，目前存在以下问题：如果使用工频波形作为输入，波形规律性较好，判断有无故障，以及故障分类的准确性高，但是由于工频的采样频率较低，波头的定位误差会对定位故障的实际效果产生很大的影响。因此，工频一般只适合作为有无故障的判断依据；如果使用行波波形作为输入，波形通常缺乏规律，杂波非常多，即使人工进行判断也很难达到高准确率。


技术实现要素：

5.本发明提供了一种输电线路故障波头定位方法、装置、设备及存储介质，用于解决现有的行波波头定位算法存在对故障波形的误报率高，波头定位精度不高的技术问题。
6.本发明提供了一种输电线路故障波头定位方法，包括：
7.采集第一故障波形数据；
8.对所述第一故障波形数据进行数据归一化处理，得到输入数据；
9.提取所述输入数据的第一隐空间变量；
10.对所述第一隐空间变量进行分类，获取第二故障波形数据；
11.从所述第二故障波形数据中，提取疑似故障波头数据；
12.提取所述疑似故障波头数据的第二隐空间变量；
13.判断所述第二隐空间变量是否属于故障波形；
14.若是，通过预设第一循环神经网络模型，在所述故障波形中识别故障波头位置。
15.可选地，所述采集第一故障波形数据的步骤，包括：
16.采集工频电流波形数据，并获取经典故障波形数据；
17.计算所述工频电流波形数据与所述经典故障波形数据的相似度；
18.当所述相似度达到预设相似度阈值时，将所述工频电流波形数据确定为第一故障
波形数据。
19.可选地，所述提取所述输入数据的第一隐空间变量的步骤，包括：
20.采用自动编码器缩小所述输入数据的长度，得到所述输入数据的第一隐空间变量。
21.可选地，所述从所述第二故障波形数据中，提取疑似故障波头数据的步骤，包括：
22.将所述第二故障波形数据输入预设第二循环神经网络，输出故障时间窗口；
23.在所述第二故障波形数据中匹配所述故障时间窗口，得到疑似故障波头数据。
24.可选地，所述判断所述第二隐空间变量是否属于故障波形的步骤，包括：
25.将所述第二隐空间变量输入预设随机森林模型，输出分类结果；
26.根据所述分类结果判断所述第二隐空间变量是否属于故障波形。
27.本发明还提供了一种输电线路故障波头定位装置，包括：
28.采集模块，用于采集第一故障波形数据；
29.归一化模块，用于对所述第一故障波形数据进行数据归一化处理，得到输入数据；
30.第一隐空间变量提取模块，用于提取所述输入数据的第一隐空间变量；
31.分类模块，用于对所述第一隐空间变量进行分类，获取第二故障波形数据；
32.疑似故障波头数据提取模块，用于从所述第二故障波形数据中，提取疑似故障波头数据；
33.第二隐空间变量提取模块，用于提取所述疑似故障波头数据的第二隐空间变量；
34.判断模块，用于判断所述第二隐空间变量是否属于故障波形；
35.故障波头位置识别模块，用于若是，通过预设第一循环神经网络模型，在所述故障波形中识别故障波头位置。
36.可选地，所述采集模块，包括：
37.采集子模块，用于采集工频电流波形数据，并获取经典故障波形数据；
38.相似度计算子模块，用于计算所述工频电流波形数据与所述经典故障波形数据的相似度；
39.第一故障波形数据确定子模块，用于当所述相似度达到预设相似度阈值时，将所述工频电流波形数据确定为第一故障波形数据。
40.可选地，所述第一隐空间变量提取模块，包括：
41.第一隐空间变量提取子模块，用于采用自动编码器缩小所述输入数据的长度，得到所述输入数据的第一隐空间变量。
42.本发明还提供了一种电子设备，所述设备包括处理器以及存储器：
43.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
44.所述处理器用于根据所述程序代码中的指令执行如上任一项所述的输电线路故障波头定位方法。
45.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的输电线路故障波头定位方法。
46.从以上技术方案可以看出，本发明具有以下优点：本发明通过采集第一故障波形数据；对工频电流波形数据进行数据归一化处理，得到输入数据；提取输入数据的第一隐空间变量；对隐空间变量进行分类，获取第二故障波形数据；从第二故障波形数据中，提取疑
似故障波头数据；提取疑似故障波头数据的第二隐空间变量；判断第二隐空间变量是否属于故障波形；若是，通过预设第一循环神经网络模型，在故障波形中识别故障波头位置。降低了对故障波形的误报率，提高了波头定位精度。
附图说明
47.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
48.图1为本发明实施例提供的一种输电线路故障波头定位方法的步骤流程图；
49.图2为本发明实施例提供的一种输电线路故障波头定位方法的步骤流程图；
50.图3为本发明实施例提供的一种通过自动编码器提取第一隐空间变量的过程；
51.图4为本发明实施例提供的一种输电线路故障波头定位装置的结构框图。
具体实施方式
52.本发明实施例提供了一种输电线路故障波头定位方法、装置、设备及存储介质，用于解决现有的行波波头定位算法存在对故障波形的误报率高，波头定位精度不高的技术问题。
53.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
54.请参阅图1，图1为本发明实施例提供的一种输电线路故障波头定位方法的步骤流程图。
55.本发明提供的一种输电线路故障波头定位方法，具体可以包括以下步骤：
56.步骤101，采集第一故障波形数据；
57.在本发明实施例中，第一故障波形数据，是指采集到的经过初步筛选可能含有故障波形的数据。
58.步骤102，对第一故障波形数据进行数据归一化处理，得到输入数据；
59.归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。
60.在采集到第一故障波形数据后，可以将其进行数据归一化处理，以归纳第一故障波形数据的统计分布性，得到自动编码器的输入数据。
61.在本发明实施例中，可以采用min-max标准化来进行数据归一化处理。该过程公式如下：
[0062][0063]
其中，v'是归一化之后得到的目标向量，即自动编码器的输入数据，v是需要转换
的输入向量，即第一故障波形数据，min(a)是取所有原始特征里面的最小值，max(a)是取所有原始特征里面的最大值，new_max(a)是需要生成的目标向量的最大边界值，new_min(a)是需要生成的目标向量的最小边界值。
[0064]
步骤103，提取输入数据的第一隐空间变量；
[0065]
隐空间变量是多维空间中的一个变量，它包含的多维特征通常解释性较低，但是通过一定的映射之后，可以转换成完整的具有真实意义的多维向量特征。
[0066]
在获取到输入数据后，可以通过自动编码器来提取第一隐空间变量，以实现对输入的第一故障波形数据的降维和降噪处理。
[0067]
步骤104，对第一隐空间变量进行分类，获取第二故障波形数据；
[0068]
在本发明实施例中，可以通过深度神经网络对第一隐空间变量进行分类，过滤掉判别结果为非故障的波形，保留结果为故障的波形作为第二故障波形数据。
[0069]
通过该过程可以进一步去除杂波对故障波形判断的干扰，提高故障波形的识别率。
[0070]
步骤105，从第二故障波形数据中，提取疑似故障波头数据；
[0071]
在获取到第二故障波形数据后，可以预训练的循环神经网络从中提取疑似故障波头数据。
[0072]
步骤106，提取疑似故障波头数据的第二隐空间变量；
[0073]
在提取到疑似故障波头数据后，可以通过自动编码器提取其第二隐空间变量，以实现对疑似故障波头数据的降维和降噪。
[0074]
步骤107，判断第二隐空间变量是否属于故障波形；
[0075]
步骤108，若是，通过预设第一循环神经网络模型，在故障波形中识别故障波头位置。
[0076]
接着，通过随机森林判断该第二隐空间变量的波形是否属于故障波形，从而减少对故障波形的误判。当第二隐空间变量为故障波形时，可以通过第一循环神经网络模型，在故障波形中识别故障波头的位置。
[0077]
随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。
[0078]
在实际应用中，识别到故障波头的位置后，有助于故障点位置的定位。
[0079]
本发明通过采集第一故障波形数据；对工频电流波形数据进行数据归一化处理，得到输入数据；提取输入数据的第一隐空间变量；对隐空间变量进行分类，获取第二故障波形数据；从第二故障波形数据中，提取疑似故障波头数据；提取疑似故障波头数据的第二隐空间变量；判断第二隐空间变量是否属于故障波形；若是，通过预设第一循环神经网络模型，在故障波形中识别故障波头位置。降低了对故障波形的误报率，提高了波头定位精度。
[0080]
请参阅图2，图2为本发明实施例提供的一种输电线路故障波头定位方法的步骤流程图。具体可以包括以下步骤：
[0081]
步骤201，采集工频电流波形数据，并获取经典故障波形数据；
[0082]
步骤202，计算工频电流波形数据与经典故障波形数据的相似度；
[0083]
步骤203，当相似度达到预设相似度阈值时，将工频电流波形数据确定为第一故障波形数据；
[0084]
在本发明实施例中，可以将装置端采集到的工频电流数据与经典故障波形数据进行匹配，如果相似度达到预设相似度阈值，则可以将该工频电流数据确定为疑似故障电流数据，并将其作为第一故障波形数据上报给主站进行下一步筛选与识别。
[0085]
通过将工频电流与经典故障波形数据匹配来筛选第一故障波形数据，可以提高上报数据的质量，降低主站的运算负担，从而加快主站进行故障波头定位的速度。
[0086]
步骤204，对第一故障波形数据进行数据归一化处理，得到输入数据；
[0087]
在采集到第一故障波形数据后，可以将其进行数据归一化处理，以归纳第一故障波形数据的统计分布性，得到自动编码器的输入数据。
[0088]
步骤205，提取输入数据的第一隐空间变量；
[0089]
在获取到输入数据后，可以采用自动编码器缩小输入数据的长度，得到输入数据的第一隐空间变量，以实现对输入的第一故障波形数据的降维和降噪处理。
[0090]
自动编码器是用于无监督学习高效编码的人工神经网络。自动编码器的目的是学习一组数据的表示(编码)，通常用于降维。
[0091]
在具体实现中，如图3所示，通过自动编码器提取第一隐空间变量的过程可以包括以下环节：
[0092]
a、输入长度为2048的第一故障波形数据；
[0093]
b、使用一个多层的卷积神经网络c1，将长度为2048的输入缩小为长度1024的数组；
[0094]
c、使用一个多层的卷积神经网络c2，将上一层长度为1024的输入缩小为长度512的数组；
[0095]
d、使用一个多层的卷积神经网络c3，将上一层长度为512的输入缩小为长度256的数组；
[0096]
e、使用一个多层的卷积神经网络c4，将上一层长度为256的输入扩展为长度512的数组；
[0097]
f、使用一个多层的卷积神经网络c5，将上一层长度为256的输入扩展为长度1024的数组；
[0098]
g、使用一个多层的卷积神经网络c6，将上一层长度为256的输入扩展为长度2048的数组；
[0099]
h、至此，输出数据长度与初始输入长度相同。计算原始输入的第一故障波形数据与该输出的最小二乘误差，并使用反向传播法更新上述所有卷积神经网络的参数矩阵；直至原始输入的第一故障波形数据与c6输出的数据的最小二乘误差满足预设阈值范围，完成训练；
[0100]
i、在训练完成实际使用的时候，获取步骤d输出的长度为256的数组作为第一故障波形数据的第一隐空间变量。
[0101]
步骤206，对第一隐空间变量进行分类，获取第二故障波形数据；
[0102]
在本发明实施例中，可以通过深度神经网络对第一隐空间变量进行分类，过滤掉判别结果为非故障的波形，保留结果为故障的波形作为第二故障波形数据。
[0103]
通过该过程可以进一步去除杂波对故障波形判断的干扰，提高故障波形的识别率。
[0104]
步骤207，从第二故障波形数据中，提取疑似故障波头数据；
[0105]
在本发明实施例中，步骤207可以包括以下子步骤：
[0106]
s11，将第二故障波形数据输入预设第二循环神经网络，输出故障时间窗口；
[0107]
s12，在第二故障波形数据中匹配故障时间窗口，得到疑似故障波头数据。
[0108]
在本发明实施例中，可以将第二故障波形数据输入预设的第二循环神经网络中，输出故障时间窗口，用于对波头位置坐一个初步判断。
[0109]
其中，第二循环神经网络可以通过故障波形数据以及其对应的故障时间窗口训练得到。
[0110]
在得到故障时间窗口后，便可以在第二故障波形数据中找出疑似故障波头数据。
[0111]
步骤208，提取疑似故障波头数据的第二隐空间变量；
[0112]
在提取出疑似故障波头数据对应的行波数据后，就可以提取其第二隐空间变量，以对疑似故障波头数据进行降维度和降噪处理。
[0113]
步骤209，判断第二隐空间变量是否属于故障波形；
[0114]
在本发明实施例中，步骤209可以包括：
[0115]
s21，将第二隐空间变量输入预设随机森林模型，输出分类结果；
[0116]
s22，根据分类结果判断第二隐空间变量是否属于故障波形。
[0117]
在具体实现中，可以采用多个隐空间变量来训练随机森林模型，并设置两个分类结果，包括非故障波形和故障波形。在训练完成随机森林模型后，将第二隐空间变量输入已完成训练的随机森林模型中，获取对应的分类结果。该步骤的目的是对故障波形做进一步筛选，消除非故障波形(杂波)对故障波形识别的干扰。
[0118]
步骤210，若是，通过预设第一循环神经网络模型，在故障波形中识别故障波头位置。
[0119]
当第二隐空间变量为故障波形时，将其输入到第一循环神经网络模型中，来识别得到故障波头位置。
[0120]
其中，第一循环神经网络可以通过多个隐空间变量和对应的故障波头位置训练得到，以建立隐空间变量与故障波头位置之间的关联关系。从而获取到第二隐空间变量时，可以推算出对应的故障波头位置。
[0121]
本发明通过采集第一故障波形数据；对工频电流波形数据进行数据归一化处理，得到输入数据；提取输入数据的第一隐空间变量；对隐空间变量进行分类，获取第二故障波形数据；从第二故障波形数据中，提取疑似故障波头数据；提取疑似故障波头数据的第二隐空间变量；判断第二隐空间变量是否属于故障波形；若是，通过预设第一循环神经网络模型，在故障波形中识别故障波头位置。降低了对故障波形的误报率，提高了波头定位精度。
[0122]
请参阅图4，图4为本发明实施例提供的一种输电线路故障波头定位装置的结构框图。
[0123]
本发明实施例提供了一种输电线路故障波头定位装置，包括：
[0124]
采集模块401，用于采集第一故障波形数据；
[0125]
归一化模块402，用于对第一故障波形数据进行数据归一化处理，得到输入数据；
[0126]
第一隐空间变量提取模块403，用于提取输入数据的第一隐空间变量；
[0127]
分类模块404，用于对第一隐空间变量进行分类，获取第二故障波形数据；
[0128]
疑似故障波头数据提取模块405，用于从第二故障波形数据中，提取疑似故障波头数据；
[0129]
第二隐空间变量提取模块406，用于提取疑似故障波头数据的第二隐空间变量；
[0130]
判断模块407，用于判断第二隐空间变量是否属于故障波形；
[0131]
故障波头位置识别模块408，用于若是，通过预设第一循环神经网络模型，在故障波形中识别故障波头位置。
[0132]
在本发明实施例中，采集模块401，包括：
[0133]
采集子模块，用于采集工频电流波形数据，并获取经典故障波形数据；
[0134]
相似度计算子模块，用于计算工频电流波形数据与经典故障波形数据的相似度；
[0135]
第一故障波形数据确定子模块，用于当相似度达到预设相似度阈值时，将工频电流波形数据确定为第一故障波形数据。
[0136]
在本发明实施例中，第一隐空间变量提取模块403，包括：
[0137]
第一隐空间变量提取子模块，用于采用自动编码器缩小输入数据的长度，得到输入数据的第一隐空间变量。
[0138]
在本发明实施例中，疑似故障波头数据提取模块405，包括：
[0139]
故障时间窗口输出子模块，用于将第二故障波形数据输入预设第二循环神经网络，输出故障时间窗口；
[0140]
疑似故障波头数据提取子模块，用于在第二故障波形数据中匹配故障时间窗口，得到疑似故障波头数据。
[0141]
在本发明实施例中，判断模块407，包括：
[0142]
分类子模块，用于将第二隐空间变量输入预设随机森林模型，输出分类结果；
[0143]
判断子模块，用于根据分类结果判断第二隐空间变量是否属于故障波形。
[0144]
本发明实施例还提供了一种电子设备，设备包括处理器以及存储器：
[0145]
存储器用于存储程序代码，并将程序代码传输给处理器；
[0146]
处理器用于根据程序代码中的指令执行本发明实施例的输电线路故障波头定位方法。
[0147]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本发明实施例的输电线路故障波头定位方法。
[0148]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0149]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0150]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0151]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图
中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0152]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0153]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0154]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0155]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0156]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。