基于人工智能技术的输电线路故障识别系统研究

陈 洋，李 敏

（国网宁夏电力有限公司 超高压公司，宁夏 银川 750001）

0 引 言

输电线路故障识别工作本质是通过快速判定输电线路中的故障元件或开关，助力电力技术人员完成故障排查工作，从而快速恢复输电线路的正常运行，保证电网的运行效率。现阶段，输电线路故障识别方法已成为国内学者研究的重点内容。郭嘉睿等人提出了基于小波变换的输电线路故障识别方法，利用小波变换的方法分析各故障类型在输电线路频域上的能量分布特征，建立故障类型识别模型，完成对输电线路故障的快速识别[1]。薛嘉等人将知识图谱技术引入到传统输电线路故障识别方法中，以此解决输电线路单端故障识别精度差、故障识别工作效率低等问题[2]。文章在国内各学者研究的基础上，提出利用人工智能技术中的Seq2Seq 技术，构建完整的输电线线路故障识别框架，通过将长短期记忆（Long Short Term Memory，LSTM）作为网络神经元，建立基于深度学习模型的故障识别系统，以期更快速、更精准地识别输电线路故障，提高电网诊断智能化水平。

1 基于Seq2Seq 技术的输电线路故障类型识别框架

Seq2Seq 技术的本质是一个Encoder-Decoder 结构的网络，它的输入是一个序列，输出也是一个序列。基于Seq2Seq 技术所构建的输电线路故障类型识别框架可分为故障数据处理与故障类型识别2 部分，如图1 所示。

图1 Seq2Seq 技术下的输电线路故障类型识别框架

1.1 故障数据处理

输电线路故障数据包括故障采样数据与故障类型标志数据[3]。由于故障采样数据与故障类型标志数据在该识别框架中是作为输入数据和输出数据，为精准判定输电线路的故障类型，应对上述初始采样数据进行统一化处理[4]。统一化的计算公式为

式中：为统一化后的故障数据；n为原始故障数据；nmax为n的最大值；nmin为n的最小值。

统一化的故障数据应集成到相同类型的故障矩阵中，再构建故障数据与故障类型之间的对应关系。在故障数据统一化的过程中，初始的输入数据为时序型数据，后期的输出数据为非时序型数据。经过处理后，故障采样数据的输入过程为

式中：A、B、C为现有输电线路故障类型；T为故障样本数据采样时间；M为采样电流、阀侧电流等故障数据的总量；xA、xB、xC分别为A、B、C故障样本的总数。

将样本的输入数据整合为输入矩阵，完成输电线路故障数据的处理工作。建立故障样本数据集，为下一阶段的故障类型识别奠定坚实的数据基础。

1.2 故障类型识别组成要素

1.2.1 LSTM 神经元

LSTM 神经元具有循环式的鲜明特点，可高效处理时序型数据。将LSTM 神经元作为本次输电线路故障类型识别框架的基础元素，可高效识别输电网的故障类型[5]。LSTM 神经元数学模型可描述为

式中：pt为遗忘门；zt为输入门；Qt为输出门；为待更新记忆单元状态；kt为神经元输出；Bt为神经元状态；F为各输入参数的权重值；c为各输入参数的偏置值；σ(·)为sigmoid 函数；tanh(·)为双曲正弦函数。

1.2.2 Seq2Seq 技术

Seq2Seq 技术的本质是通过一个序列的输入，再完成一个序列的输出。其对输电网故障类型的识别由Encoder 模型和Decoder 模型共同组成，如图2 所示。

图2 Encoder-Decoder 模型

Encoder 模型是将故障采样数据这一输入序列输出为一个固定长度的向量，而Decoder 模型则是继续将这一固定长度的向量再转化为故障类型标志数据这一输出序列。中间状态将Encoder 模型与Decoder 模型隔离，保证2 部分的工作流程可分步进行[6]。实际工作中，Encoder 模型按照输入序列的进入时间依次处理，同时将最后一个神经元状态信息以中间状态的形式传递给Decoder 模型。Decoder 模型则可根据神经元状态和输入的信息，按照时间排序进行解码，形成链式输出，直至输出所有神经元序列，至此完成对故障采样数据的解码工作。在此模式下，以Encoder模型最后一个时间输入的LSTM 神经元状态作为中间状态。

2 验证与分析

为进一步验证基于Seq2Seq 技术的输电线路故障识别系统的故障检测效率，获取输电线路的故障样本数据，在计算机Keras 平台上进行模拟验证。文章所提出的输电线路故障识别系统可验证6 种输电线路故障类型，包括单相短路故障、两相短路故障、三相短路故障、相间短路故障、单相断线故障、两相断线故障以及三相断线故障。通过故障数据处理方法完成输电线路故障样本处理，以此得出本次模拟验证中的故障样本集合。将故障样本随机分为6 份，每份包含150 个故障样本。分别利用文章所提出的故障识别系统、基于人工免疫算法的故障识别系统、基于SVM算法的故障识别系统、基于GRNN 算法的故障识别系统、基于RBF 算法的故障识别系统以及基于DT 算法的故障识别系统进行故障识别诊断，保证验证结果的客观性与准确性。

通过Keras 平台的模拟验证，不同方法对于输电线路故障识别的结果如图3 所示。

图3 输电线路故障类型识别结果

与其他5 种输电线路故障类型识别方法相比，文章所提出的基于Seq2Seq 技术的输电线路故障识别方法精度更高，故障判定准确度可达到100%。其中，SVW算法判定输电线路故障准确率明显低于其他识别方法，这是因为SW 算法在故障判定时需要对故障特征的电气特征量开展筛选工作，但此过程进行时常常会忽略一部分较为隐秘且关键的故障类型识别信息[7]。

3 结 论

文章对输电线路故障识别系统进行了大胆创新，将人工智能技术有效融入到故障识别系统中，通过对Seq2Seq 技术和LSTM 神经元的高效应用，系统故障判定准确率达到100%，明显高于其他故障类型识别方法。由此可知，在电力故障诊断中，应用人工智能技术不仅能减少电力技术人员的工作量，还能节省故障识别工作中的时间成本和经济成本，实现对故障的精准识别，具有实践推广价值。