本發(fā)明涉及配電線路故障檢測，尤其涉及一種基于故障行波電流特征的樹線放電故障識別方法。

背景技術(shù)：

1、架空輸電通道是電力系統(tǒng)的重要組成部分，當10kv架空線路穿越山林地區(qū)時，極易受到大風、雷雨等天氣因素的影響，導(dǎo)致線路與較高的樹干相接觸，誘發(fā)包括絕緣擊穿、導(dǎo)線對樹木放電、導(dǎo)線斷線墜落等形式在內(nèi)的電力電路接地故障。如果樹線放電故障不能被及時發(fā)現(xiàn)并得到排除，可能演變成弧光接地故障，成為引發(fā)山火的潛在威脅。如果在樹線放電初期甚至是萌芽期就盡早發(fā)現(xiàn)風險并及時制止，將能起到更加積極的預(yù)防作用。

2、但是現(xiàn)有技術(shù)在面對復(fù)雜環(huán)境時，電流波形容易受到外界因素的干擾，導(dǎo)致特征點識別的準確性下降。由于波形的連續(xù)性不夠，重構(gòu)的電流信號可能存在不完整或失真的情況，這種現(xiàn)象增加了故障識別的難度，并可能導(dǎo)致誤判或漏判。這些不足可能導(dǎo)致在早期階段未能及時發(fā)現(xiàn)樹線放電故障，從而增加了事故發(fā)生的風險。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是解決現(xiàn)有技術(shù)中存在的缺點，而提出的一種基于故障行波電流特征的樹線放電故障識別方法。

2、為了實現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案，一種基于故障行波電流特征的樹線放電故障識別方法，包括以下步驟：

3、基于故障行波電流信號，對配電線路上的電流波形進行高頻采樣，將信號劃分為多個時間片段，通過計算每個片段的時間和頻率分量變化趨勢，分析每個時段的電流波動特性，逐步匹配時頻變化，生成時頻片段集合；

4、基于所述時頻片段集合，對每個片段內(nèi)的瞬態(tài)波形進行插值處理，選擇片段之間波形差值的最小路徑，通過擬合波形完成片段的平滑過渡，逐步合并重構(gòu)完整波形信號，通過片段信號重構(gòu)，獲取合成信號序列；

5、基于所述合成信號序列，篩選電流波形中的波形特征，提取波形中特征點的時間位置和幅值，逐一計算每個特征點與相鄰點之間的時間差和幅值差異，篩選波形中特征點的有效性與準確性，得到關(guān)鍵信號特征點集；

6、基于所述關(guān)鍵信號特征點集，分析配電線路電流中的特征點分布，通過計算每個特征點的時間差和幅值差，依次校正特征點的位置，優(yōu)化特征點的時序分布，調(diào)整特征點的空間分布，生成優(yōu)化信號特征分布；

7、基于所述優(yōu)化信號特征分布，分析配電線路故障信號的時域與頻域特征，通過逐一比對特征點的時頻特性，分類標注符合故障特征的信號，生成故障識別結(jié)果。

8、較佳的，所述時頻片段集合包括時間片段的頻率分布、相位信息和幅值變化，所述合成信號序列包括重構(gòu)波形的整體趨勢、時間序列的連續(xù)性和平滑的幅值信息，所述關(guān)鍵信號特征點集包括目標的時間點、幅值和特征點之間的差異，所述優(yōu)化信號特征分布包括調(diào)整后的特征點位置、校正后的時間間隔和優(yōu)化的空間布局，所述故障識別結(jié)果包括識別的故障類型、故障的時間標識和空間位置。

9、較佳的，所述時頻片段集合的獲取步驟具體如下：

10、基于故障行波電流信號，對電流波形進行高頻采樣，將信號劃分為多個時間片段，采用固定時間窗口，逐一提取每個片段的時間和頻率分量，計算時間頻率特征，通過分析波形變化趨勢，生成分段時頻特征；

11、基于所述分段時頻特征，分析每個時間片段內(nèi)的電流波動特性，通過片段間頻率和時間的逐步匹配，關(guān)聯(lián)時段內(nèi)的頻率變化，建立片段之間的頻率關(guān)系，生成時頻關(guān)聯(lián)數(shù)據(jù)；

12、基于所述時頻關(guān)聯(lián)數(shù)據(jù)，將每個時間片段的頻率和時間信息進行整合，采用歸納整理的方式合并片段之間的關(guān)聯(lián)關(guān)系，通過片段間時頻信息的統(tǒng)一整合，生成時頻片段集合。

13、較佳的，所述合成信號序列的獲取步驟具體如下：

14、基于所述時頻片段集合，對每個片段內(nèi)的瞬態(tài)波形進行插值處理，選擇片段之間的波形差值路徑，通過計算最小差值路徑，逐步平滑連接每個片段間波形，將片段之間差值最小化，生成波形插值結(jié)果；

15、基于所述波形插值結(jié)果，對插值后的每個片段波形進行平滑處理，通過逐步合并相鄰片段的波形差值，采用加權(quán)平滑方式處理片段連接處的波形過渡，將合并后的片段波形進行整理，生成平滑波形序列；

16、基于所述平滑波形序列，對重構(gòu)的波形信號進行整合，通過逐步合并片段內(nèi)的時間序列，將整合后的時間序列與波形進行匹配，將重構(gòu)后的片段信號合成為連續(xù)的波形信號，生成合成信號序列。

17、較佳的，所述關(guān)鍵信號特征點集的獲取步驟具體如下：

18、基于所述合成信號序列，篩選重構(gòu)波形中的關(guān)鍵特征點，逐一提取特征點的時間位置和幅值信息，將每個特征點的時間位置與相鄰點進行對比，通過計算相鄰特征點間的差異性，生成初步特征點集；

19、基于所述初步特征點集，逐一計算特征點與相鄰點之間的時間差與幅值差異，通過累積計算確定有效特征點，將有效特征點與相鄰點進行匹配，并對特征點間的差異值進行篩選，生成有效特征點集；

20、基于所述有效特征點集，通過分析特征點間的時間差異與幅值變化，對特征點的有效性與精度進行判斷，并將有效特征點篩選歸類，生成關(guān)鍵信號特征點集。

21、較佳的，所述優(yōu)化信號特征分布的獲取步驟具體如下：

22、基于所述關(guān)鍵信號特征點集，分析配電線路電流中的特征點分布，通過計算每個特征點的時間差異，將特征點的時間分布數(shù)據(jù)進行歸類整理，并將相鄰特征點的時間差異信息進行整合，生成特征時間序列；

23、基于所述特征時間序列，依次校正特征點的位置，通過逐步調(diào)整特征點的時間分布和空間布局，將校正后的特征點進行排序，將調(diào)整后的特征點位置與時間分布進行匹配，生成校正特征分布；

24、基于所述校正特征分布，對特征點的時序分布進行優(yōu)化，通過分析特征點的空間布局，逐步調(diào)整特征點的時序信息，將優(yōu)化后的特征點與時序信息進行統(tǒng)一整合，生成優(yōu)化信號特征分布。

25、較佳的，所述故障識別結(jié)果的獲取步驟具體如下：

26、基于所述優(yōu)化信號特征分布，采用長短期記憶神經(jīng)網(wǎng)絡(luò)進行時序數(shù)據(jù)分析，逐步提取每個時序段的時間特征信息，分析每個時間特征的動態(tài)變化趨勢，生成時域故障特征；

27、基于所述時域故障特征，分析故障信號的頻域特征，逐段比對特征點的頻率信息，通過匹配特征點的頻域變化，將符合故障特征的頻域數(shù)據(jù)進行歸類整理，并對頻域特征進行統(tǒng)一歸納，生成頻域故障特征；

28、基于所述頻域故障特征，通過統(tǒng)一分類標注符合故障特征的信號，將每個標注后的故障信號進行整理分類，生成故障識別結(jié)果。

29、較佳的，所述長短期記憶神經(jīng)網(wǎng)絡(luò)按照公式：

30、

31、計算時域故障特征，其中，ht為當前時刻的隱狀態(tài)，wh為隱狀態(tài)和輸入的權(quán)重矩陣，ht-1為前一時刻的隱狀態(tài)，xt為當前時刻的輸入數(shù)據(jù)，bh為偏置項，αt為動態(tài)調(diào)整的時間延遲參數(shù)，δt為時序特征權(quán)重，γ為與輸入相關(guān)的權(quán)重系數(shù)，λ為隱狀態(tài)補償系數(shù)，ρt為調(diào)整因子，βt為環(huán)境噪聲修正項，ξ為噪聲放大因子，σ為激活函數(shù)。

32、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點和積極效果在于：

33、本發(fā)明通過高頻采樣電流波形，并分段分析其時頻變化，使得電流波動特征的捕捉更加細致，避免了外界干擾對信號的影響。通過逐步重構(gòu)波形，保證了波形過渡的平滑性和信號的完整性，避免因波形不連續(xù)性引發(fā)的信號失真。對特征點的篩選與校正，確保這些點能夠準確反映實際的故障情況，減少誤報或漏報的可能性。最后，通過對特征點的時頻特性進行精確比對和分類標注，提升了故障識別的準確度與可靠性，使得早期風險能夠及時被發(fā)現(xiàn)并加以制止，減少潛在危險。