[发明专利]一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法

权利要求书

1.一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法，其特征在于包括以下步骤：

S1、基于潮流计算、故障分析、网络等值和动态仿真的电力系统分析仿真软件实现模拟配电网络1动态仿真，并对模拟配电网络1实施电压和频率扰动；

S2、基于所述电力系统分析仿真软件对模拟配电网络1施加不同故障类型、不同故障位置、不同故障阻抗的故障后对暂态过程进行动态仿真一小段时间；

S3、重复步骤S1和S2自动化批量化生成基于全部或部分模拟配电网络1的用于测试和训练故障分类、定位与选线深度学习神经网络的分别带有故障类别标签、故障位置标签和故障线路标签的测试集故障样本数据和训练集故障样本数据，构建高维时空故障样本矩阵；

S4、对包括测试集故障样本数据和训练集故障样本数据的高维时空故障样本矩阵进行数据融合和归一化，完成数据预处理；

S5、使用包括故障类别标签、故障位置标签和故障线路标签的故障样本数据分别对故障分类、定位与选线深度学习神经网络进行训练，分别配置故障分类、定位与选线深度学习神经网络的网络参数，获得模拟配电网络1对应的故障分类模型、故障定位模型与故障选线模型；

S6、用步骤S5获得的模拟配电网络1对应的故障分类模型、故障定位模型与故障选线模型对实际配电网络2对应的故障分类模型、故障定位模型与故障选线模型进行初始化；

S7、收集少量实际配电网络2的故障样本数据，以步骤S4模拟配电网络1数据预处理后的高维时空故障样本矩阵和所述少量实际配电网络2的故障样本数据为源域数据，通过迁移学习获得目标域数据、即实际配电网络2对应的高维时空故障样本矩阵，对步骤S6初始化后的实际配电网络2对应的故障分类模型、故障定位模型与故障选线模型进行参数微调，得到用于实际配电网络2的故障分类、定位与选线深度学习模型。

2.根据权利要求1所述的一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法，其特征在于所述步骤S1具体为：所述电力系统分析仿真软件调用PSS/E的API接口，并导入PSS/E仿真函数库，导入模拟配电网络1基本数据文件，对模拟配电网络1节点的电压和频率施加基于高斯白噪声的扰动，基于O-U过程对负荷施加波动，将输出通道设置为全网络节点的电压幅值和相角以及电流幅值，配置输出文件。

3.根据权利要求2所述的一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法，其特征在于所述步骤S2具体为：基于所述电力系统分析仿真软件对模拟配电网络1进行动态仿真，随机运行一段时间后加入故障，所述故障是指三相接地短路故障、单相接地短路故障、两相相间短路故障、和两相接地短路故障，配置不同故障类型、不同故障位置、和不同故障阻抗的三相接地短路故障、单相接地短路故障、两相相间短路故障、和两相接地短路故障参数，随机仿真运行30ms～60ms后切除故障，并对切除故障后的暂态过程进行动态仿真0.5s。

4.根据权利要求3所述的一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法，其特征在于：所述模拟配电网络1是在PSS/E上构建的一个由6个机器组成的23节点模拟电力系统网络模型，即6机23总线系统，所述故障分类、和定位深度学习神经网络采用深度前馈网络DFN模型，所述故障选线深度学习网络采用卷积神经网络CNN模型，所述深度前馈网络DFN模型和卷积神经网络CNN模型采用的激活函数是Sigmoid、采用的优化器是Adam。