(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111414342.4 (22)申请日 2021.11.25 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 郑天晴　刘亚东　严英杰　丛子涵　 江秀臣　 (74)专利代理 机构 上海恒慧知识产权代理事务 所(特殊普通 合伙) 31317 代理人 张宁展 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01)G06F 113/04(2020.01) (54)发明名称 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 (57)摘要 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。 权利要求书4页 说明书16页 附图1页 CN 114169231 A 2022.03.11 CN 114169231 A 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S 6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，权　利　要　求　书 1/4 页 2 CN 114169231 A 2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。 5.根据权利要求4所述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S3构建用于测试和训练深度前馈网络DFN模型的高维 时空故障样本矩阵具体过程 为： 设置模拟配电网络1传输线两端的总线为ibus和jbus， 功率流向为从ibus到jbus， 将k 时刻ibus和jbus的电压幅度和相角设置为： ui(k)， θi(k)， uj(k)， θj(k)(k＝1， 2， ...， T) 流过ibus和jbus的电流 为： ii(k)， ij(k)， (k＝0， 1， 2， . ..， T) 其中k是最大采样时间； 六个采样信号融合为特征时间序列为g， 同时将故障类型和故障距离记录为l1和l2， 用 0、 1、 2、 3分别表示三相接地短路故 障、 单相接地短路故 障、 两相相间短路故 障、 和两相接地 短路故障四种类型的故障， 距离 定义为故障点与ibus之间的距离与整个传输线的比例： g＝[ui(0)， θi(0)， ii(0)， uj(0)， θj(0)， ij(0)...， uT(T)， θi(T)， ii(T)， uj(T)， θj(T)， ij (T)] l1＝[type]， type∈{0， 1， 2， 3} l2＝[distance]， distance∈(0， 1) 令 为第m种故障的第 n个样本， m＝0、 1、 2、 3， 将其扩展为包含传输线两端的两条总 线 信息的多维高维时空故障样本矩阵： 最大采样时间点为T＝126， 模拟配电网络1为6机23总线系统， 每个故障样本包括与每 个采样时间相对应的ibus和jbus的电压幅度， 相角和电流， 总计126 ×6＝756个值； 对四种典型故障三相接地短路故障、 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， 不同的随机故障距离、 随机接地、 随机电压扰动、 随机频率扰动、 随机测量误差 进行随机动态仿真， 通过将10,000个随机故障应用于每种类型的故障总共生 成40,000个训 练样本， 通过将2,0 00个随机故障应用于每种故障类型总共生成8,0 00个测试样本； 然后获得训练样本集矩阵： Gtrain∈R40000×756 故障类型的训练标签集： Label1train∈R40000×1 故障位置的训练标签集： Label2train∈R40000×1 测试样本集矩阵： Gtest∈R8000×756 故障类型的测试 标签集： Label1test∈R8000×1 故障位置的测试 标签集： Label2test∈R8000×1 获得深度前馈网络DFN模型的完整数据集， 用于测试和训练深度前馈网络DFN模型的高 维时空故障样本矩阵。 6.根据权利要求5所述一种基于迁移学习获取配电线路故障分类、 定位与选线深度学权　利　要　求　书 2/4 页 3 CN 114169231 A 3