基于录波数据和深度学习的输电线路故障起因辨识

电力系统是关系民生大计的重要基础设施,电网的安全稳定运行在国家经济健康发展和人民幸福生活中扮演者不可或缺的角色。随着电气设备制造技术和运维能力的提高,电力系统故障主要原因已经转变为雷击、鸟害等自然因素以及山火、施工碰线等外力破坏因素。输电线路作为电力系统的关键组成元件,覆盖范围广阔且长期暴露在野外,工作环境恶劣,容易受到上述因素影响而发生故障。输电线路跳闸不但冲击电力设备,严重时还会诱发大规模停电事故,威胁生命财产安全。故障发生时,由于继电保护装置发挥作用,故障痕迹可能不甚明显,这对运维人员快速查找故障原因提出了挑战。及时明确线路故障原因,不但可以快速恢复供电,减少停电损失,更有利于对重点区域采取针对性防护措施,从根本上排除安全漏洞,提升电网运维水平。目前关于输电线路故障起因的研究较少或识别对象较为单一,缺少较为系统的辨识方法。文中主要对输电线路中较为多发或危害较大的雷击、鸟害、污闪、山火、树闪和施工碰线这几种起因导致的单相接地短路加以研究。在分析不同起因引起的故障机理的基础上,结合录波数据提供的故障信息,针对性地选取最简洁有效的辨识特征,发掘出故障特征与起因之间复杂的非线性关系。录波文件中提供的环境特征包括季节、时段信息,其分布规律特征可由数理统计方法得出。电气特征则包括故障相电流在故障期间的波形变化,以及通过对波形数据进行处理可以提取的诸如故障期间直流含量大小、过渡电阻变化、三次谐波的时频分布等特征。由于录波数据故障标签不完备,文中采用可进行无监督学习的深度学习算法深度信念网络作为分类模型,并使用合成少数类过采样技术对录波数据进行预加工,以降低样本的不平衡度。以前文所述选取的故障期间电气特征直接作为输入量,六种起因类型为输出量,经过多层网络对数据特征进行逐层提取,构建了基于深度信念网络的两层辨识模型。其输入量无需经过人为设置阈值、赋权等中间处理步骤,减少了分类模型的系统误差。输出量则以概率的形式呈现,结合前述环境特征的统计概率,最后使用DS证据理论将两者结果融合,达到了兼顾环境特征和电气特征的效果,提高了该辨识方法的容错性。本文以大量不同种类的录波数据为样本,使用Matlab对文中所述的故障起因综合辨识方法进行了验证评估。结果表明,文中采用的基于深度学习和录波数据的输电线路故障起因综合辨识方法具有良好的识别能力,能够准确、有效建立起录波信息与故障起因之间的映射关系,可为快速查找故障原因提供决策支持,符合实际需求。