1.一种输电线路故障诊断系统,其特征在于,包括:
输电线路参数获取模块,用于获取输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值;
参数结构化模块,用于将所述多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值按照样本维度和时间维度排列为参数全时序输入矩阵;
参数特征提取模块,用于将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;
特征矩阵切分模块,用于将所述参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵;
矩阵展开模块,用于将所述多个参数时序关联子矩阵进行展开以得到多个参数时序关联向量;
分类特征生成模块,用于将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量;
故障结果生成模块,用于将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述输电线路是否存在故障。
2.根据权利要求1所述的输电线路故障诊断系统,其特征在于,所述参数特征提取模块,包括:第一尺度参数特征提取单元,用于使用所述多尺度特征感知器的第一卷积神经网络模型对所述参数全时序输入矩阵基于第一空洞率的空洞卷积核进行第一尺度深度卷积编码以得到第一尺度参数全时序关联矩阵;
第二尺度参数特征提取单元,用于使用所述多尺度特征感知器的第二卷积神经网络模型对所述参数全时序输入矩阵基于第二空洞率的空洞卷积核进行第二尺度深度卷积编码以得到第二尺度参数全时序关联矩阵;
多尺度参数特征融合单元,用于融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到所述参数全时序关联矩阵。
3.根据权利要求2所述的输电线路故障诊断系统,其特征在于,所述第一尺度参数特征提取单元,用于:使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行基于所述第一空洞率的空洞卷积核的卷积处理以得到卷积特征图;
对所述卷积特征图进行沿通道维度的池化以得到池化特征图;
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第一卷积神经网络模型的最后一层的输出为所述第一尺度参数全时序关联矩阵,所述第一卷积神经网络模型的第一层的输入为所述参数全时序输入矩阵。
4.根据权利要求3所述的输电线路故障诊断系统,其特征在于,所述第二尺度参数特征提取单元,用于:使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行基于所述第二空洞率的空洞卷积核的卷积处理以得到卷积特征图;
对所述卷积特征图进行沿通道维度的池化以得到池化特征图;
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度参数全时序关联矩阵,所述第二卷积神经网络模型的第一层的输入为所述参数全时序输入矩阵。
5.根据权利要求4所述的输电线路故障诊断系统,其特征在于,所述多尺度参数特征融合单元,包括:特征表达强化子单元,用于使用高斯密度图对所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵进行基于高斯先验分布的特征表达强化以得到第一高斯强化特征矩阵和第二高斯强化特征矩阵;
转移类单应空间矩阵计算子单元,用于分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的转移类单应空间矩阵以得到多个转移类单应空间矩阵;
余弦相似度计算子单元,用于分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的余弦相似度以得到类聚类中心权重特征向量;
加权子单元,用于以所述类聚类中心权重特征向量中各个位置的特征值作为权重,计算所述多个转移类单应空间矩阵的按位置加权和以得到转移中心类单应空间矩阵;
单应映射矩阵生成子单元,用于将所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵分别与所述转移中心类单应空间矩阵进行相乘以得到单应映射第一尺度参数全时序关联矩阵和单应映射第二尺度参数全时序关联矩阵;
级联子单元,用于将所述单应映射第一尺度参数全时序关联矩阵和所述单应映射第二尺度参数全时序关联矩阵进行级联以得到所述参数全时序关联矩阵。
6.根据权利要求5所述的输电线路故障诊断系统,其特征在于,所述分类特征生成模块,包括:向量排列单元,用于将所述多个参数时序关联向量排列为输入向量;
输入向量转化单元,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;
自注意关联矩阵生成单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;
标准化处理单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;
激活单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;
注意力施加单元,用于将所述自注意力特征矩阵与以所述多个参数时序关联向量中各个参数时序关联向量作为值向量分别进行相乘以得到多个上下文特征向量;
上下文级联单元,用于将所述多个上下文特征向量进行级联以得到所述分类特征向量。
7.根据权利要求6所述的输电线路故障诊断系统,其特征在于,所述故障结果生成模块,用于:使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果;
其中,所述分类公式为:
O=softmax{(Mc,Bc)│Vc}
其中O为所述分类结果,Vc表示所述分类特征向量,Mc为全连接层的权重矩阵,Bc表示全连接层的偏向向量,softmax为归一化指数函数。
8.一种输电线路故障诊断方法,其特征在于,包括:
获取输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值;
将所述多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值按照样本维度和时间维度排列为参数全时序输入矩阵;
将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵,其中,所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核;
将所述参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵;
将所述多个参数时序关联子矩阵进行展开以得到多个参数时序关联向量;
将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量;
将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述输电线路是否存在故障。
9.根据权利要求8所述的输电线路故障诊断方法,其特征在于,将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量,包括:将所述多个参数时序关联向量排列为输入向量;
将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;
计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;
对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;
将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;
将所述自注意力特征矩阵与以所述多个参数时序关联向量中各个参数时序关联向量作为值向量分别进行相乘以得到多个上下文特征向量;
将所述多个上下文特征向量进行级联以得到所述分类特征向量。
10.根据权利要求9所述的输电线路故障诊断方法,其特征在于,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述输电线路是否存在故障,包括:使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果;
其中,所述分类公式为:
O=softmax{(Mc,Bc)│Vc}
其中O为所述分类结果,Vc表示所述分类特征向量,Mc为全连接层的权重矩阵,Bc表示全连接层的偏向向量,softmax为归一化指数函数。