[发明专利]基于行波数据深度学习的输电线路故障选线与定位方法

权利要求书

1.一种基于行波数据深度学习的输电线路故障选线与定位方法，其特征在于，包括如下步骤：

S1：获取多个输电线路组的时序行波数据，对所述时序行波数据标注标签后形成数据集，将所述数据集分为训练集和测试集；

S2：提取所述数据集的特征，然后将提取的特征及其标签送入循环神经网络模型进行多次迭代训练，将训练好的模型采用所述测试集进行测试，得到输电线路故障选线模型；

S3：针对任意线路组内的线路故障，采用所述输电线路故障选线模型确定故障线路，然后将故障线路的行波数据两等分形成两个滑动窗口，逐渐减小其中一个所述滑动窗口的大小，此时另外一个滑动窗口的大小对应增加，确保两个滑动窗口完全包含所述故障线路的全部行波数据，将两个所述滑动窗口的行波数据分别送入孪生神经网络模型的两个子网络中输出对应的表征，计算两个表征的欧式距离，得到两个所述滑动窗口行波数据的相似程度，当两个所述滑动窗口的相似程度达到最大时，则此时两个所述滑动窗口相接位置所对应的点即为线路故障点；

S4：分别记录线路两端接收到故障点信号的时间，计算两个接收时间的比值，即为线路故障点分别到故障线路两端的距离比值，确定线路故障点的具体位置。

2.根据权利要求1所述的基于行波数据深度学习的输电线路故障选线与定位方法，其特征在于，所述时序行波数据为电流行波数据或电压行波数据。

3.根据权利要求1所述的基于行波数据深度学习的输电线路故障选线与定位方法，其特征在于，所述输电线路组中包含若干条正常线路和一条故障线路，标注的过程是为了每条线路的时序行波数据打上标签，故障线路标记为1，正常线路标记为0。

4.根据权利要求1所述的基于行波数据深度学习的输电线路故障选线与定位方法，其特征在于，所述数据集中训练集与测试集的比例为8:2。

5.根据权利要求1所述的基于行波数据深度学习的输电线路故障选线与定位方法，其特征在于，提取的特征包括行波数据的平均欧式偏离度、平均差分偏离度、最大欧式偏离度、最小欧式偏离度，最大差分偏离度及最小差分偏离度。