【技术实现步骤摘要】
本专利技术涉及一种高压输电线路故障识别，是一种基于小波包能量比值的高压输电线路故障识别方法、装置、电子设备、存储介质及计算机程序。
技术介绍
1、高压输电线路在电力系统中起着重要作用，线路负责将电能从发电站传输到各个用电区域，在传输过程中，由于设备老化、人为干扰等多种原因，高压输电线路发生故障的频率相对较高，这些故障不仅会影响电力的正常调度，还会影响设备的使用寿命和工作人员的人身安全。
2、目前针对高压输电线路的传统故障识别方法包括单项识别、串联补偿识别，但同杆双回高压输电线路的结构复杂，故障发生的原因很多，传统故障识别方法不能对同杆双回高压输电线路的各类故障进行有效识别。
技术实现思路
1、本专利技术提供了一种方法，克服了上述现有技术之不足，其能有效解决传统故障识别方法存在的不能对同杆双回高压输电线路的故障进行有效识别的问题。
2、本专利技术的技术方案之一是通过以下措施来实现的：一种基于小波包能量比值的高压输电线路故障识别方法，包括：
3、获取待识别同杆双回线路两端的反行波电流，并对其进行小波分解，提取多个小波能量比组成特征向量；
4、将特征向量输入故障识别模型，得到故障识别结果，其中，故障识别模型是利用若干故障样本进行机器学习得到，其中每个故障样本均包括特征向量和故障类型的标签。
5、下面是对上述专利技术技术方案的进一步优化或/和改进：
6、上述获取待识别同杆双回线路两端的反行波电流，包括：
7
8、利用相模变换对行波电压与电流数据进行解耦；
9、选择同一模量计算待识别同杆双回线路两端的反行波电流。
10、上述对反行波电流进行小波分解，提取多个小波能量比组成特征向量，包括：
11、对反行波电流进行六层小波分解，得到六层小波分量；
12、基于六层小波分量，得到六个小波能量比，将六个小波能量比组成特征向量。
13、上述故障识别模型的构建，包括：
14、获取若干不同故障类型和不同故障初始角下的故障样本，其中，每个故障样本均包括特征向量和故障类型的标签；
15、利用smote算法对故障样本进行扩充，得到故障样本集，并按照比例将其划分为训练样本集和测试样本集；
16、结合训练停止条件利用训练样本集对支持向量机算法进行训练，得到故障识别模型；
17、利用测试样本集对故障识别模型进行测试，若满足测试要求则输出最终的故障识别模型，若不满足测试要求则调整支持向量机算法参数，并重新进行训练。
18、本专利技术的技术方案之二是通过以下措施来实现的：一种基于小波包能量比值的高压输电线路故障识别装置，包括：
19、特征提取单元，获取待识别同杆双回线路两端的反行波电流，并对其进行小波分解，提取多个小波能量比组成特征向量；
20、故障识别单元，将特征向量输入故障识别模型，得到故障识别结果，其中，故障识别模型是利用若干故障样本进行机器学习得到，其中每个故障样本均包括特征向量和故障类型的标签。
21、下面是对上述专利技术技术方案的进一步优化或/和改进：
22、上述特征提取单元，包括：
23、第一提取模块，获取待识别同杆双回线路两端的反行波电流，包括：
24、获取同杆双回线路两端的行波电压与电流数据；
25、利用相模变换对行波电压与电流数据进行解耦；
26、选择同一模量计算待识别同杆双回线路两端的反行波电流；
27、第二提取模块，对反行波电流进行小波分解，提取多个小波能量比组成特征向量，包括：
28、对反行波电流进行六层小波分解，得到六层小波分量；
29、基于六层小波分量，得到六个小波能量比，将六个小波能量比组成特征向量。
30、上述故障识别单元，包括：
31、训练模块，构建故障识别模型，包括：
32、获取若干不同故障类型和不同故障初始角下的故障样本，其中，每个故障样本均包括特征向量和故障类型的标签；
33、利用smote算法对故障样本进行扩充，得到故障样本集，并按照比例将其划分为训练样本集和测试样本集；
34、结合训练停止条件利用训练样本集对支持向量机算法进行训练，得到故障识别模型；
35、利用测试样本集对故障识别模型进行测试，若满足测试要求则输出最终的故障识别模型，若不满足测试要求则调整支持向量机算法参数，并重新进行训练；
36、识别模块，将特征向量输入故障识别模型，得到故障识别结果。
37、本专利技术的技术方案之三是通过以下措施来实现的：一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，计算机程序由处理器加载并执行以实现基于小波包能量比值的高压输电线路故障识别方法中的步骤。
38、本专利技术的技术方案之四是通过以下措施来实现的：一种存储介质，所述存储介质上存储有能被计算机读取的计算机程序，所述计算机程序被设置为运行时执行基于小波包能量比值的高压输电线路故障识别方法中的步骤。
39、本专利技术的技术方案之五是通过以下措施来实现的：一种计算机程序产品，包括计算机程序或指令，其特征在于，该计算机程序或指令被处理器执行时实现基于小波包能量比值的高压输电线路故障识别方法中的步骤。
40、本专利技术获取待识别同杆双回线路两端的反行波电流，利用小波分析对其进行分解，由此捕捉反行波电流中的局部特征，提取多个小波能量比组成特征向量，并结合故障识别模型对多个方向定位所属故障位置，由此获取更为精准的故障识别结果，故本专利技术能够有效适用于同杆双回高压输电线路这种结构复杂，故障发生的原因很多的场景。
本文档来自技高网...【技术保护点】
1.一种基于小波包能量比值的高压输电线路故障识别方法，其特征在于，包括：
2.根据权利要求1所述的基于小波包能量比值的高压输电线路故障识别方法，其特征在于，所述获取待识别同杆双回线路两端的反行波电流，包括：
3.根据权利要求1或2所述的基于小波包能量比值的高压输电线路故障识别方法，其特征在于，所述对反行波电流进行小波分解，提取多个小波能量比组成特征向量，包括：
4.根据权利要求1至3中任意一项所述的基于小波包能量比值的高压输电线路故障识别方法，其特征在于，所述故障识别模型的构建，包括：
5.一种应用如权利要求1至4中任意一项所述方法的基于小波包能量比值的高压输电线路故障识别装置，其特征在于，包括：
6.根据权利要求5所述的基于小波包能量比值的高压输电线路故障识别装置，其特征在于，所述特征提取单元，包括：
7.根据权利要求5或6所述的基于小波包能量比值的高压输电线路故障识别装置，其特征在于，所述故障识别单元，包括：
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，计算
9.一种存储介质，其特征在于，所述存储介质上存储有能被计算机读取的计算机程序，所述计算机程序被设置为运行时执行如权利要求1至4任一项所述的基于小波包能量比值的高压输电线路故障识别方法中的步骤。
10.一种计算机程序产品，包括计算机程序或指令，其特征在于，该计算机程序或指令被处理器执行时实现如权利要求1至4任一项所述的基于小波包能量比值的高压输电线路故障识别方法中的步骤。
...【技术特征摘要】
1.一种基于小波包能量比值的高压输电线路故障识别方法，其特征在于，包括：
2.根据权利要求1所述的基于小波包能量比值的高压输电线路故障识别方法，其特征在于，所述获取待识别同杆双回线路两端的反行波电流，包括：
3.根据权利要求1或2所述的基于小波包能量比值的高压输电线路故障识别方法，其特征在于，所述对反行波电流进行小波分解，提取多个小波能量比组成特征向量，包括：
4.根据权利要求1至3中任意一项所述的基于小波包能量比值的高压输电线路故障识别方法，其特征在于，所述故障识别模型的构建，包括：
5.一种应用如权利要求1至4中任意一项所述方法的基于小波包能量比值的高压输电线路故障识别装置，其特征在于，包括：
6.根据权利要求5所述的基于小波包能量比值的高压输电线路故障识别装置，其特征在于，所述...
【专利技术属性】
技术研发人员：欧阳鑫，刘礼良，熊海棚，袁登堂，李家豪，祁邦兴，李佩毅，王成芳，牛嘉敏，李国涛，董耀泽，
申请(专利权)人：国网新疆电力有限公司克州供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。