[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

说明书

本发明涉及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，使用PSS/E等电力系统仿真软件产生足够的带有故障类型、故障位置与故障线路标签的故障数据用于以训练深度学习模型，进行深度特征抽取，之后将抽取的深度特征迁移到实际电力系统中的工业数据，利用数据集之间的高维相似性实现从源域到目标域的迁移、域适应。有益效果是解决小规模、不平衡数据集进行故障精准分类、定位与选线的难题，应对实际工业界带标签数据数据不足、数据不平衡的问题。

【技术领域】

本发明涉及配电线路故障检测技术领域，具体涉及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。

【背景技术】

配网线路故障分类、故障定位、故障选线一般用于辅助电力工作人员进行线路管理与决策，能够提高故障查找速度，有效地缩短故障处理时间，保障供电可靠性；所以配电线路故障的准确分类和定位对于保证电力系统安全可靠运行意义重大。配电线路的故障分类即区分电力系统的主要故障包括三相接地短路、单相接地短路、两相相间短路、两相接地短路这四种故障类型，每种故障对应的电压、电流故障特征不同。故障定位即故障选线以及故障测距，即确定故障发生在哪条线路以及发生在配电线路上的哪个位置。故障测距，是一种对于高压输电线路检查用语。故障选线即检测并选择配电网中发生故障的配电线路。

泛在电力物联网(UEIOT；Ubiquitous Electric Internet of Things)，就是围绕电力系统各环节，充分应用移动互联、人工智能等现代信息技术、先进通信技术，实现电力系统各环节万物互联、人机交互，具有状态全面感知、信息高效处理、应用便捷灵活特征的智慧服务系统。随着泛在物联网的提出，基于大数据和人工智能技术的数据驱动方法在电力系统中具有广阔的应用前景。然而由于业界缺乏高质量的标签数据(即带有故障类型和故障位置的数据)，很难快速将深度学习的方法应用于实际电力系统。

传统的配电线路故障分类方法有基于傅立叶变换、S-变换、小波变换以及Clark变换的特征提取方法，这些方法的泛化能力弱，计算复杂，一定程度上依赖经验，难以发觉电网的时空数据的高维特征。而传统的机器学习方法如支持向量机、决策树、随机森林等准确率又不够高。传统的故障定位方法如单端双端行波法、单端双端故障分析法也存在泛化能力弱、准确度不够高的问题。这些传统方法大多基于数学物理模型，难以适应复杂度急剧增加的现代电网。

深度神经网络具有强大的拟合能力和泛化能力，直接以数据作为驱动，发掘数据内部高维的关联性。然而由于业界缺乏高质量的标签数据(即带有故障类型和故障位置的数据)，很难快速将深度学习的方法应用于实际电力系统。带标签数据量不足以及数据分布不均衡成为制约深度学习在电网中大规模应用的最大障碍，因为深度学习的有效性建立在大数据上，足够多的样本中才能学到足够多的特征，小数据集容易造成过拟合。