一种基于LSTM的单端故障点反射波头识别方法

技术领域

本发明涉及电力工程故障定位技术领域，具体地说，涉及一种基于LSTM的单端故障点反射波头识别方法。

背景技术

随着我国电网现代化进程发展，人们对供电质量提出了更高的要求。一旦发生故障，必须在第一时间定位出故障发生的地点，以便检修人员尽可能快地修复故障，恢复电网的正常运行。故障巡线是故障恢复中必不可少的环节，精确的故障定位技术能够，提高巡线的效率，有效地减少巡线人员的工作量，加快故障愈合的速度。输电线路准确的故障定位，有利于工作人员快速进行故障处理，减少停电时间，降低故障损失，现有的故障测距方法主要有行波法和阻抗法。

行波测距技术以其独特的优势广泛地应用于高压输电线路的故障测距系统中。行波测距法投入运行多年，逐渐地累积经验，随着采样频率的升高及其他技术的突破，行波测距的原理方法与设备也在不断推陈出新，测距的精度与可靠性也与时俱进，行波测距技术已经能够满足高压输电线路的故障定位要求，成为高压输电线路的测距技术的主要手段之一。行波法主要有单端法、双端法和多端法。双端法是指在线路的两侧都设置行波测距装置，测距可靠性高。随着GPS的成熟应用，双端对时误差减小，这种方法已经广泛地应用于高压输电线路。

但双端法也存在着自身的缺陷，投资比较大、维护成本较高。行波测距的精度受诸多条件的限制，有的可以通过算法来进行修正，而有的误差是无法单纯地通过算法来进行修正，属于系统误差。现如今我国大多数输电线路装有行波测距装置，一般是以双端测距装置为主体，单端测距装置为辅助。双端法误差的主要来源之一便是对时误差。这一直是制约行波测距发展的一大因素，该误差会因为其他技术的突破而得以改善。

单端法利用故障初始行波和故障点反射波到测量点的时间差测距；双端法通过检测故障初始行波到达线路两端的时间进行测距，实际输电线路行波故障测距系统一般以双端法为主，单端法为辅。当线路某一端行波装置未能捕捉到故障初始行波时，双端法就会失败，为避免该问题有文献研究了多端法。多端法利用故障初始行波透射到母线上其他线路，多点记录的行波信号进行测距。但对于一些末端线路，无法应用多端测距方法。对于末端线路，单端法如能自动准确测距，将有效提高测距系统的可靠性。

输电线路单端法利用故障初始行波与故障点反射波或对端母线的反射波到达一侧测量端的时间差来进行测距，不受双端对时误差等影响，但是受相邻线路和阻抗不匹配点折反射的影响，存在着故障点反射波头识别困难的问题。通过小波变换的模极大值可以得到各故障行波到达测量端的时间列表，该时间列表包括故障初始行波、故障点反射波、对端母线反射波及其他反射波的到达时间，但无法准确识别出故障点反射波或对端母线反射波的到达时间，根据单端测距方法会得出多个故障距离，因此需要对测距结果进行筛选。

现有的解决方法一般在原有的单端法上引入阻抗法，通过阻抗法得出一个初步故障距离，来对测距结果进行筛选，以此来提高波头识别的准确性。该方法需要同时采取工频信号和行波信号，测距成本较高，因此需要进一步研究便捷有效的解决措施。鉴于此，我们提出了一种基于LSTM的单端故障点反射波头识别方法。

发明内容

本发明的目的在于提供一种基于LSTM的单端故障点反射波头识别方法，以解决上述背景技术中提出的问题。

为实现上述技术问题的解决，本发明的目的之一在于，提供了一种基于LSTM的单端故障点反射波头识别方法，将交流试送设备采集到的电信号使用长短期记忆LSTM网络处理，实现对单端故障点反射波头的智能识别；具体方法流程包括如下步骤：

S1、采集交流试送设备的电信号，并确定LSTM网络的结构；

S2、将交流试送设备的电信号输入到LSTM网络，计算LSTM网络输出和导数大小；

S3、判断输出是否满足单调性约束；若满足则跳转步骤S5；若不满足则跳转步骤S6；

S4、采用LSTM网络的权值阈值更新公式；

S5、计算权值阈值更新公式；

S6、判断LSTM网络的学习训练过程是否已经满足停止条件和最大迭代次数；若不满足则继续重复步骤S2～S5，直至满足要求，结束网络训练。

作为本技术方案的进一步改进，所述步骤S1中，LSTM网络的结构为：在传统的循环神经网络RNN的结构上添加了一个隐藏细胞状态，并在此基础上设计了三个门结构，三个门结构分别表示为输入门、遗忘门和输出门；其中：

输入门主要用于决定是否保留部分信息；

遗忘门主要用于决定是否需要剔除部分信息；

输出门主要用于计算输入门、遗忘门的细胞状态结果。

作为本技术方案的进一步改进，所述LSTM网络的结构中，各结构的计算方法分别为：

输入门(input gate)：根据当前的输入和上一个时间步骤的输出，决定添加到细胞状态中的新信息：

在上式中，i

遗忘门(forget gate)：能够决定在上一个时间步骤中哪些信息需要被遗忘，哪些信息需要保留在细胞状态中：

f

在上式中，f

细胞状态：用于存储和传输信息，并在遗忘门和输入门的控制下更新状态；更新细胞状态的过程为：

在上式中，f

输出门(output gate)：基于当前的输入和细胞状态，决定当前的输出值：

o

h

在上式中，o

最后，设y

y

在上式中，V代表全连接矩阵，h

作为本技术方案的进一步改进，所述LSTM网络的结构确认后，还需要设置LSTM网络的惩罚系数，具体为：

应用惩罚函数法的基本处理方法是，将有约束问题转化为无约束问题；

根据问题中的约束关系，用数学关系表达式，添加一个惩罚项到目标函数中，而这个惩罚项就是问题中的约束条件；两者相结合，得到一个新的函数表达式，而惩罚函数法的关键在于惩罚项的确定；

在LSTM网络的反向传播过程中，将单调性约束以数学表达式的形式添加到LSTM网络的性能函数中，并且设置不同取值的惩罚系数来进行仿真实验。

作为本技术方案的进一步改进，所述步骤S2中，LSTM网络的输入为采集到电信号的电流电压值，输出为是否是单端故障点反射波头；

计算LSTM网络输出和导数大小时，LSTM网络的迭代方法采用梯度下降法，该方法的重点问题在于，计算参数的偏导数时需要结合网络的损失函数；如下所示为损失函数L的数学表达式，L(t)通常会分为两部分，分别为时刻t位置的损失，以及时刻t之后损失：

定义两个隐藏状态h

而在最后的索引位置τ的两个隐藏状态的偏导数

本层输出梯度的误差会决定

而

至此，依据上述算法原理，可以求得各输入映射矩阵U、隐藏状态传播矩阵W及偏置值b等参数的梯度。

作为本技术方案的进一步改进，所述步骤S4中，采用LSTM网络的权值阈值更新公式的过程如下：

输入门：

遗忘门：

细胞状态：

输出门：

上式中，a

作为本技术方案的进一步改进，所述步骤S5中，计算权值阈值更新公式的过程为：

上式中，V代表全连接矩阵，c表示系统的偏置量；

而后，LSTM网络通过前述的三个门结构公式以及细胞状态公式的不断更新迭代，可以得出输入门的映射矩阵U

本发明的目的之二在于，提供了一种识别运行平台装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述的基于LSTM的单端故障点反射波头识别方法的步骤。

本发明的目的之三在于，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于LSTM的单端故障点反射波头识别方法的步骤。

与现有技术相比，本发明的有益效果：

1.该基于LSTM的单端故障点反射波头识别方法中，使用LSTM进行单端故障点反射波头识别，根据LSTM网络在时序上具有长效记忆、遗忘的特点，利用其门控机制可以避免梯度消失和梯度爆炸的问题；

2.该基于LSTM的单端故障点反射波头识别方法中，其针对输电线路故障定位单端法如何解决故障点反射波头识别困难的问题，利用LSTM(长短期记忆网络)实现单端故障点反射波头识别，并自动准确测距，可有效提高测距系统的可靠性，提高线路故障定位的精确性和效率。

附图说明

图1为本发明中示例性的整体识别方法流程图；

图2为本发明中示例性的RNN结构图；

图3为本发明中示例性的LSTM网络的单元结构图；

图4为本发明中示例性的反向传播图解示意图；

图5为本发明中示例性的算法训练流程图；

图6为本发明中示例性的仿真验证实施例的故障行波线模分量波动图；

图7为本发明中示例性的电子计算机平台装置结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1-图5所示，本实施例提供了一种基于LSTM的单端故障点反射波头识别方法，将交流试送设备采集到的电信号使用长短期记忆LSTM网络处理，实现对单端故障点反射波头的智能识别；具体方法流程包括如下步骤。

S1、采集交流试送设备的电信号，并确定LSTM网络的结构；

本实施例中，LSTM神经网络是RNN(RNN结构图如图2所示)的一种特殊形式，使用该网络的初衷是由于传统神经网络很少有记忆功能，并且传统神经网络都会存在梯度消失或梯度爆炸的问题，这在网络训练过程中是无法避免的，导致的原因是传统神经网络在学习过程中随着时间的增加网络层数会变多。LSTM神经网络能够解决上述传统神经网络的缺点是由于在它的结构上添加了一个隐藏细胞状态，并且在此基础之上还巧妙的设计了三个门结构，这样就能达到增加或者减少信息到细胞状态的目的。LSTM神经网络还能够记忆较长时间的信息，这是由于在输入数据时，学者可以根据自己的需求来控制“门”的输入数据，这样神经网络的自循环权重就是可变的，以此达到记忆的效果。

进一步地，LSTM网络的结构为：在传统的循环神经网络RNN的结构上添加了一个隐藏细胞状态，并在此基础上设计了三个门结构，三个门结构分别表示为输入门、遗忘门和输出门；其中：

输入门主要用于决定是否保留部分信息；

遗忘门主要用于决定是否需要剔除部分信息；

输出门主要用于计算输入门、遗忘门的细胞状态结果。

具体地，LSTM网络的单元结构图如图3所示，LSTM神经网络能存储较长时间的数据信息是通过更新内部状态来实现的，图3中字母A表示相同的同构单元格；

其中，图3中，U表示输入映射矩阵；W表示隐藏状态传播矩阵；V表示输出映射矩阵；x表示输入，即交流试送设备采集到的电信号；o表示输出；σ表示sigmoid激活函数，该函数的输出上下界为(0，1)，其中0表示丢弃状态，1表示成功通过状态；tanh表示tanh激活函数，其输出上下界为(-1，1)。

本步骤中，LSTM网络的结构中，各结构的计算方法分别为：

输入门(input gate)：根据当前的输入和上一个时间步骤的输出，决定添加到细胞状态中的新信息：

i

在上式中，i

遗忘门(forget gate)：能够决定在上一个时间步骤中哪些信息需要被遗忘，哪些信息需要保留在细胞状态中：

f

在上式中，f

细胞状态：用于存储和传输信息，并在遗忘门和输入门的控制下更新状态；更新细胞状态的过程为：

在上式中，f

输出门(output gate)：基于当前的输入和细胞状态，决定当前的输出值：

o

h

在上式中，o

最后，设y

y

在上式中，V代表全连接矩阵，h

进一步地，LSTM网络的结构确认后，还需要设置LSTM网络的惩罚系数，具体为：

应用惩罚函数法的基本处理方法是，将有约束问题转化为无约束问题；

根据问题中的约束关系，用数学关系表达式，添加一个惩罚项到目标函数中，而这个惩罚项就是问题中的约束条件；两者相结合，得到一个新的函数表达式，而惩罚函数法的关键在于惩罚项的确定；

在LSTM网络的反向传播过程中，将单调性约束以数学表达式的形式添加到LSTM网络的性能函数中，并且设置不同取值的惩罚系数来进行仿真实验。

S2、将交流试送设备的电信号输入到LSTM网络，计算LSTM网络输出和导数大小；

其中，LSTM网络的输入为采集到电信号的电流电压值，输出为是否是单端故障点反射波头。

本步骤中，计算LSTM网络输出和导数大小时，其他神经网络的迭代方法采用的是梯度下降法，LSTM神经网络同样适用；LSTM的反向传播过程如图4所示；

具体地，LSTM网络的迭代方法采用梯度下降法，该方法的重点问题在于，计算参数的偏导数时需要结合网络的损失函数；如下所示为损失函数L的数学表达式，L(t)通常会分为两部分，分别为时刻t位置的损失，以及时刻t之后损失：

定义两个隐藏状态h

而在最后的索引位置τ的两个隐藏状态的偏导数

本层输出梯度的误差会决定

而

至此，依据上述算法原理，可以求得各输入映射矩阵U、隐藏状态传播矩阵W及偏置值b等参数的梯度。

S3、判断输出是否满足单调性约束；若满足则跳转步骤S5；若不满足则跳转步骤S6。

S4、采用LSTM网络的权值阈值更新公式；

本步骤中，采用LSTM网络的权值阈值更新公式的过程如下：

输入门：

遗忘门：

细胞状态：

输出门：

上式中，a

S5、计算权值阈值更新公式；

本步骤中，计算权值阈值更新公式的过程为：

上式中，V代表全连接矩阵，c表示系统的偏置量；

而后，LSTM网络通过前述的三个门结构公式以及细胞状态公式的不断更新迭代，可以得出输入门的映射矩阵U

S6、判断LSTM网络的学习训练过程是否已经满足停止条件和最大迭代次数；若不满足则继续重复步骤S2～S5，直至满足要求，结束网络训练。融合单调性约束的LSTM神经网络算法流程如图5所示。

此外，值得说明的是，本方案中的LSTM网络层的网络结构及参数是可选的，例如，本方案中使用了3层LSTM网络(即上述的三个门结构)，但可选的，使用更少或更多的LSTM网络层数亦是可行的，但更少的网络层数会造成模型精度和效果下降，更多的网络层数会使计算效率降低，故使用3层LSTM网络是较优但不是唯一的选择。

本实施例还提供了一个示例性的仿真验证实施例，具体如下：

首先以上述的基于LSTM的单端故障点反射波头识别方法为基础，LSTM网络根据其在时序上具有长效记忆、遗忘的特点，利用其门控机制可以避免梯度消失和梯度爆炸的问题。

如图6所示，首先，在AC线路上设置单相接地故障，设置故障距离为60km，设置故障发生时间为0.2秒，设置故障点过渡电阻为10Ω。

再对测量端采集到的故障行波进行相模变换，使用单端测距公式得出：10.0km、59.8km、90.1km三个测距结果。

进而先对故障初始行波零模分量进行归一化处理，然后使用LSTM的单端故障点反射波头识别，从而识别波头2为故障点反射波，最终得到的测距结果为59.8km。

如图7所示，本实施例还提供了一种识别运行平台装置，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。

处理器包括一个或一个以上处理核心，处理器通过总线与存储器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的基于LSTM的单端故障点反射波头识别方法的步骤。

可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的基于LSTM的单端故障点反射波头识别方法的步骤。

可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于LSTM的单端故障点反射波头识别方法的步骤。

本领域普通技术人员可以理解，实现上述实施例的全部或部分步骤的过程可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。