[go: up one dir, main page]

CN114076902A - 接地故障方向性检测方法、设备及计算机可读存储介质 - Google Patents

接地故障方向性检测方法、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114076902A
CN114076902A CN202010794832.0A CN202010794832A CN114076902A CN 114076902 A CN114076902 A CN 114076902A CN 202010794832 A CN202010794832 A CN 202010794832A CN 114076902 A CN114076902 A CN 114076902A
Authority
CN
China
Prior art keywords
ground fault
neural network
current signal
fault
directivity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010794832.0A
Other languages
English (en)
Inventor
任睿
李容
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Schneider Electric Industries SAS
Original Assignee
Schneider Electric Industries SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Schneider Electric Industries SAS filed Critical Schneider Electric Industries SAS
Priority to CN202010794832.0A priority Critical patent/CN114076902A/zh
Priority to EP21306105.4A priority patent/EP3955405A1/en
Priority to US17/397,265 priority patent/US11874317B2/en
Publication of CN114076902A publication Critical patent/CN114076902A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/58—Testing of lines, cables or conductors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H3/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection
    • H02H3/16—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection responsive to fault current to earth, frame or mass

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

公开了一种用于小电流接地系统中的接地故障方向性检测方法、接地故障方向性检测设备和计算机可读存储介质。该接地故障方向性检测方法包括：对电流信号的至少一部分进行采样以获取数值矩阵；将所述数值矩阵作为输入提供给接地故障方向性检测神经网络；由所述接地故障方向性检测神经网络计算对应于所述数值矩阵的标签向量，所述标签向量指示所述电流信号是上游故障电流信号还是下游故障电流信号；由所述接地故障方向性检测神经网络接收接地故障确认信号；以及由所述接地故障方向性检测神经网络在所述接地故障确认信号指示所述电流信号为接地故障电流信号的情况下，输出所述标签向量。

Description

接地故障方向性检测方法、设备及计算机可读存储介质
技术领域
本公开涉及接地故障方向性检测方法、设备及计算机可读存储介质，更具体地，涉及用于小电流接地系统中的接地故障方向性检测方法。
背景技术
在小电流接地系统中，线路上发生接地故障时，线路上的电力设备(例如环网柜等)可以带故障运行一段时间(通常不超过2小时)，在这段时间之内，需要诊断出接地故障的方向，判断接地故障是下游故障(即区内故障)还是上游故障(即区外故障)，以便通知对口的维修团队进行维修。
发明内容
本公开涉及一种基于神经网路、仅需电流信息而无需电压信息就能进行接地故障方向性检测的方法和设备。
根据本公开的一方面，公开了一种接地故障方向性检测方法。该方法包括：对电流信号的至少一部分进行采样以获取数值矩阵；将所述数值矩阵作为输入提供给接地故障方向性检测神经网络；由所述接地故障方向性检测神经网络计算对应于所述数值矩阵的标签向量，所述标签向量指示所述电流信号是上游故障电流信号还是下游故障电流信号；由所述接地故障方向性检测神经网络接收接地故障确认信号；以及由所述接地故障方向性检测神经网络在所述接地故障确认信号指示所述电流信号为接地故障电流信号的情况下，输出所述标签向量。
可选地，该方法还包括：检测所述数值矩阵中的最大值是否大于预设启动阈值；并且仅当所述数值矩阵中的最大值大于或等于所述预设启动阈值时才将所述数值矩阵作为输入提供给所述接地故障方向性检测神经网络。
可选地，所述电流信号是三相电流信号，并且所述数值矩阵的一行或一列与所述三相电流信号中的一相对应。
可选地，所述接地故障方向性检测神经网络采用卷积神经网络。
可选地，所述接地故障方向性检测神经网络是经训练的神经网络，并且所述训练包括以下步骤：步骤1，获取用于训练所述接地故障方向性检测神经网络的接地故障电流信号训练样本集；步骤2，将所述接地故障电流信号训练样本集中的训练样本作为输入提供给所述接地故障方向性检测神经网络；步骤3，由所述接地故障方向性检测神经网络计算对应于所述训练样本的标签向量；步骤4，基于所述训练样本的标签向量确定所述接地故障方向性检测神经网络的处理损失；步骤5：如果所述处理损失大于或等于预设处理损失阈值，则更新所述接地故障方向性检测神经网络的参数并基于更新的接地故障方向性检测神经网络进行步骤2至步骤5，并且如果所述处理损失小于或等于预设处理损失阈值，则停止所述训练。
可选地，所述接地故障方向性检测神经网络至少包括卷积层、第一全连接层、第二全连接层、激活层以及输出层；以及所述接地故障方向性检测神经网络的参数至少包括所述卷积层所包括的卷积核的权重矩阵、所述第一全连接层所包括的第一权重矩阵、所述第二全连接层所包括的第二权重矩阵。
可选地，所述接地故障方向性检测神经网络还可以包括池化层。
可选地，所述卷积层采用尺寸为5×5的卷积核；以及所述激活函数是sigmoid函数、relu函数、tanh函数之一。
可选地，所述接地故障电流信号训练样本集中的一个或多个训练样本通过电磁暂态仿真程序EMTP生成。
根据本公开的另一方面，提供了一种接地故障方向性检测设备。该设备包括：采样模块，对电流信号的至少一部分进行采样以获取数值矩阵；输入模块，将所述数值矩阵作为输入提供给接地故障方向性检测神经网络；以及分类模块，其中配置有所述接地故障方向性检测神经网络，由所述接地故障方向性检测神经网络计算对应于所述数值矩阵的标签向量，所述标签向量指示所述电流信号是上游故障电流信号还是下游故障电流信号，所述接地故障方向性检测神经网络还接收接地故障确认信号并且在所述接地故障确认信号指示所述电流信号为接地故障电流信号的情况下输出所述标签向量。
可选地，所述输入模块还被配置为检测所述数值矩阵中的最大值是否大于预设启动阈值，并且仅当所述数值矩阵中的最大值大于或等于所述预设启动阈值时才将所述数值矩阵作为输入提供给所述接地故障方向性检测神经网络。
根据本公开的另一方面，提供了一种接地故障方向性检测设备。该设备包括：处理器；以及存储器，其中，所述存储器中存储有计算机可执行程序，当所述程序被所述处理器执行时，使得所述设备执行如以上任一项所述的方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实施如以上任一项所述的方法。
根据本公开的上述各方面，通过利用神经网络来判断接地故障的方向性，只需要电流信息且无需电压信息，克服了经典接地故障检测法必须要电压信息和电流信息两者才能执行检测的缺点，并且由于神经网络在特征提取和分类方面的显著优势，提高了接地故障方向性检测的准确度。
附图说明
通过下面结合附图对本公开的描述，本公开的这些和/或其他方面、特征和优点将变得更加清楚和容易理解，其中：
图1是根据本公开实施例的接地故障方向性检测设备的使用场景示意图；
图2是根据本公开实施例的接地故障方向性检测方法的流程图；
图3是根据本公开另一实施例的接地故障方向性检测方法的流程图；
图4是根据本公开实施例的接地故障方向性检测神经网络的训练方法的流程图；
图5是根据本公开实施例的接地故障方向性检测神经网络的结构示意图；
图6示出了对根据本公开实施例的接地故障方向性检测神经网络进行测试所得到的测试结果。
图7是示出根据本公开实施例的接地故障方向性检测设备的模块框图。
图8是示出根据本公开另一实施例的接地故障方向性检测设备的硬件框图。
图9是示出根据本公开实施例的计算机可读存储介质的示意图。
具体实施方式
下面将参考本公开的示例性实施例对本公开进行详细描述。然而，本公开不限于这里所描述的实施例，其可以以许多不同的形式来实施。所描述的实施例仅用于使本公开彻底和完整，并全面地向本领域的技术人员传递本公开的构思。所描述的各个实施例的特征可以互相组合或替换，除非明确排除或根据上下文应当排除。
目前用于检测接地故障方向性的方法主要有例如：群体比幅比相法，其原理是先用“最大值”从线路中选出三条及以上的零序电流最大的线路，然后比较这三条零序电流的相位，相位不同于另外两条线路的就是接地线路，若三条线路零序电流的相位都相同，则判断为母线接地；五次谐波判定法，其原理是在中性点经消弧线圈接地系统，由于消弧线圈对系统的补偿，导致系统中零序电流的基波分量非常小，所以基于基波分量的选线分析判定无法实现，而线路零序电流中含有丰富的谐波成分，则比较所有线路零序电流5次谐波分量的幅值与相位；有功功率判定法，其原理是对于中性点经消弧线圈接地系统，故障线路的零序电流的有功分量与正常线路极性相反，用这个特点进行选线；小波变换法，其原理是根据能量最大原则确定暂态电流最集中的特征频带，再比较各条线路特征频带的模最大值首半波的极性以确定故障线路；首半波判定法，其原理是在发生故障的最初半个周波内，故障线路零序电流与正常线路零续电流极性相反，因此可以通过比较首半波的零序电流极性进行故障选线；中值电阻法，其原理是通过开关在系统中性点接入一套电阻器装置或在经消弧线圈中与消弧线圈并联接入一套电阻器装置，发生接地故障时，若为瞬时性故障，则电阻不投入，如果是永久接地故障，则延时一段时间后闭合开关投入电阻，该电阻产生的有功电流仅流过故障线路；脉冲电流式，其原理是脉冲电流式小电流接地精准选线装置，是在小电流选线装置中增加了可以控制的脉冲电流发生装置，即在系统的中性点上增加一套可以控制并脉冲输出电流的电阻器装置；多频导纳法，其原理是利用接地故障发生的瞬间，三相对地放电电流为高频电容电流为主，按照一定的权重，在此时间窗口内抽取电流特定阶数的高频分量，因为消弧线圈对高频电容电流近似于开路，所以通过选取高频分量进行处理，算法可以参照不接地系统的向量法，根据零序电压和零序电流的相角来得到结果。
然而，这些方法有的需要额外部署电压传感器来获得电压信息，有的需要额外投入电阻器或电阻器装置才能实施，有的实现效果可靠性差，例如首半波判定法中难以选取用来做极性比较的波形的时间窗口，若时间窗口选取不恰当，则有可能得出完全相反的判断结果。
鉴于以上情况，本公开提供了一种基于神经网络的接地故障方向性检测方法，该方法只需要接地故障的电流信息而无需电压信息。
图1是根据本公开实施例的接地故障方向性检测设备100的使用场景示意图。
如图1所示的场景可作为小电流接地系统的一个示例，变电站通过变压器向诸如商务中心、写字楼等负载A、B、C供电。变压器通过母线将电压分配到馈线A、馈线B和馈线C，以经由馈线A、馈线B和馈线C向负载A、负载B和负载C供电。馈线A上布置有电流互感器CT1和CT2、继电器R1和R2，馈线B上布置有电流互感器CT3和继电器R3，馈线C上布置有电流互感器CT4和继电器R4。此外，各个馈线上还布置有断路器Q1～Q4、负载等以及其它未示出的设备或装置。
根据本公开实施例的接地故障方向性检测设备100可以作为继电器的一部分被集成在每一个继电器R1～R4中，也可以被集成在位于继电器外部且通过有线或无线网络与继电器交换数据或命令的其它装置中，还可以位于部署在线路上的故障通道指示器FPI中。
当在线路的某处发生接地故障F时，接地故障方向性检测设备100可以对接地故障电流信号IF进行采样、检测该电流信号IF的方向性、并且生成检测结果，该检测结果可以指示该电流信号IF属于代表上游故障的电流信号(以下称为上游故障电流信号)还是代表下游故障的电流信号(以下称为下游故障电流信号)。上游故障和下游故障是按照保护设备(例如继电器R1-R4或FPI)的保护范围来划分的，例如对于继电器R1～R4中的每一个来说，在其保护范围内发生的故障是下游故障，反之，在其保护范围之外发生的故障则是上游故障。例如，当在馈线A的如图1所示的位置处发生故障F时，对于继电器R1，其属于下游故障，而对于继电器R2～R4，其属于上游故障。例如，当故障F发生时，继电器R1和R2中所配置的接地故障方向性检测设备100分别对接地故障电流信号IF进行方向性检测，继电器R1中的接地故障方向性检测设备100将得出指示下游故障的检测结果，继电器R2中的接地故障方向性检测设备100将得出指示上游故障的检测结果。考虑这些检测结果，可以知道故障发生在继电器R1所保护的范围内。
具体地，接地故障方向性检测设备100中配置有如本公开实施例的接地故障方向性检测神经网络，利用该神经网络，可以对接地故障电流信号IF执行特征提取处理，并基于提取的特征生成检测结果，该检测结果指示接地故障属于上游故障，还是下游故障。接地故障方向性检测神经网络需要预先使用根据本公开实施例的接地故障方向性检测神经网络的训练方法训练成能够执行故障检测方向性检测的神经网络。
此外，接地故障方向性检测设备100还可以将检测结果输出到显示设备(图中未示出)中，该显示设备可以文本、数字、图像等用户友好接受的方式显示该检测结果。
在本公开的实施例中，由于检测结果是接地故障方向性检测设备100利用训练好的接地故障方向性检测神经网络生成的，借助于神经网络在特征提取和分类方面显著的优势，其克服了诸如需要采集电压信息、需要额外投入电阻器、检测结果可靠性低等缺点，实现更高效和准确的接地故障方向性检测。
图2是根据本公开的实施例的接地故障方向性检测方法200的流程图。
图2中所示的接地故障方向性检测方法200可以由图1中的接地故障方向性检测设备100来实施，在接地故障方向性检测设备100中配置有根据本公开实施例的训练方法训练好的接地故障方向性检测神经网络。如图2所示，接地故障方向性检测方法100可以包括步骤S201-S205。
在步骤S201中，对电流信号I的至少一部分进行采样以获取数值矩阵M。该步骤中的电流信号I还可以是经过适当预处理的电流信号，该预处理包括但不限于经过电流互感器将数值较大的接地故障电流信号按一定比率转换成数值较小的电流信号等。此外，该步骤中，对电流信号I进行采样时的采样分辨率为每工频周期k个采样点，k的值可以根据实际需要进行选择，例如，k＝24、32、48等，采样范围为N个周期，例如，N＝1、2等。该步骤中的数值矩阵M是接地故障电流信号I的采样值的排列，其中的一行或一列对应于电流信号中的一相。例如，在接地故障电流信号I为三相电流的情况下，对其中的N个周期进行采样，将得到大小为3×Nk的数值矩阵M，数值矩阵M中的一行对应于该三相电流信号中的一相。
在步骤S202中，将数值矩阵M作为输入提供给接地故障方向性检测神经网络。接地故障方向性检测神经网络是已经训练好的神经网络，其训练方法将在下文结合图4进行描述。
在步骤S203中，由接地故障方向性检测神经网络计算对应于该数值矩阵M的标签向量V，该标签向量V指示该电流信号I为上游故障电流信号还是下游故障电流信号。该步骤中，接地故障方向性检测神经网络对电流信号I执行特征提取处理，并且基于提取的特征生成检测结果。换言之，接地故障方向性检测神经网络对在步骤S203中输入的数值矩阵M进行一系列运算，得到指示该接地故障为上游故障还是下游故障的标签向量V。标签向量V中的最大值所对应的类别即为接地故障方向性检测神经网络的预测结果。
需要特别注意的是，步骤S201～S203是基于电流信号I是接地故障电流信号的假设而进行的。也就是说，如果电流信号I被确定为接地故障电流信号，则步骤S203所计算的标签向量V有效，如果电流信号I被确定为不是接地故障电流信号，则步骤S203所计算的标签向量V无效。因此，以下在步骤S204和S205中进一步结合接地故障确认信号来确定是否应当输出标签向量V。这样做的原因是，在小电流接地系统中，接地故障电流信号的捕获时机很短，其只能在持续时间很短的故障暂态期间捕获，如果等待电流信号被确定为接地故障电流信号之后再进行步骤S201～S203，则可能错过接地故障电流信号的捕获时机。换言之，下文步骤S204和S205中提到的接地故障确认信号的产生过程是与步骤S201～S203同步进行的。
在步骤S204中，由接地故障方向性检测神经网络接地故障确认信号。接地故障确认信号可以是来自于其它设备、装置或组件(例如继电器中的其它组件)按照特定算法计算出的可以指示步骤S201至步骤S203中的电流信号是否为接地故障电流信号的信号。确定电流信号是否为接地故障电流信号可以使用本领域技术人员熟知的多种原理，例如当满足监测残余电压信号持续超过门槛值达一定时长(在无需额外投入电压传感器的情况下)，例如500ms，或者持续采集到残余电流傅里叶值比故障前的值大于获得等于3安培等条件时就认为电流信号是接地故障电流信号。由于确定电流信号是否为接地故障电流信号不是本公开的主题，为避免模糊本公开，对此不做详细描述。
在步骤S205中，由接地故障方向性检测神经网络在接地故障确认信号指示电流信号I为接地故障电流信号的情况下，输出所述标签向量V。该步骤中，如果接地故障确认信号指示在步骤S201～S203中所分析的电流信号I为接地故障信号，则认为在步骤S203中计算的标签向量V有效，并且输出标签向量V。反之，如果接地故障确认信号指示在步骤S201～S203中所分析的电流信号I不是接地故障信号，则认为在步骤S203中计算的标签向量V无效，并且不输出标签向量V。
在本公开的实施例中，利用接地故障方向性检测神经网络来判断接地故障为上游故障还是下游故障，由于其只需对电流信号做分析而无需采集电压信息，且线路中的电流互感器和继电器本身就可以采集电流信号，因此可以便捷地实施根据本公开实施例的接地故障检测方法而无需考虑另外部署电压传感器，这节约了成本并且使得故障方向性检测更容易地执行。此外，由于神经网络在特征提取和基于特征分类的方面具有显著的优势，所以该方法还提高了接地故障方向性检测的准确度。
图3是根据本公开另一实施例的接地故障方向性检测方法300的流程图。
在大多数情况下，接地故障只是偶尔发生，因此没有必要针对每时每刻的电流信号进行接地故障方向性分析。而接地故障发生时，通常电流信号的电流值会有所增大，因此，为了节约计算资源，可以为接地故障方向性检测神经网络设置启动阈值。
如图3所示，接地故障方向性检测方法300可以包括步骤S301-S306。方法300中的步骤S301与图2中的步骤S201相同，不同的是增加了步骤302处的预设启动阈值判断操作。
在步骤S302，判断在步骤S301中获得的数值矩阵M中的最大值是否大于预设启动阈值，该最大值对应于被采样的电流信号I中的最大电流值。预设启动阈值Tenable是启动接地故障方向性检测神经网络以进行特征提取和分类的门槛值，该Tenable可以根据实际需求来设置，例如可以设置为电流信号I的采样值的突变量Xdelta，Xdelta包括但不限于满足Xdelta＝Xk–Xk-2N，其中K为每周波的采样点数，例如k＝48，该等式的含义是用故障刚发生时采集得到的信号量Xk减去故障前正常负荷状态下的信号量Xk-2N可得到最能体现故障特征的量，这里例如取2个采样周期前的信号量作为正常符合状态时的参考量。并且该预设启动阈值Tenable可以人为地更改，例如根据继电器保护范围内的电力环境调整。
如果步骤S302的判断结果是数值矩阵M中的最大值大于或等于预设启动阈值Tenable，则方法300前进到步骤S303。与方法200的步骤S202相同，在步骤S303中，将数值矩阵M作为输入提供给接地故障方向性检测神经网络。与方法200的步骤S203相同，在步骤S304中，由接地故障方向性检测神经网络计算对应于数值矩阵M的标签向量V，该标签向量V指示电流信号I是上游故障电流还是下游故障电流。如果步骤S302的判断结果是数值矩阵M中的最大值小于预设启动阈值Tenable，则等待在步骤301中获得的下一个数值矩阵M。应当理解，图3中的步骤S301可以持续不断地执行，即持续不断地对电流信号I进行采集(例如，每次采集范围为电流信号I的一个周期)，因此，步骤S302～S306针对步骤S301中获取的每个数值矩阵而重复。
步骤S305和S306分别与图2中的步骤S204和S205相同，此处不再赘述。
在本公开的实施例中，通过设置在满足预设启动阈值才启动接地故障方向性检测神经网络，节约了计算资源。
图4是根据本公开的实施例的接地故障方向性检测神经网络的训练方法400的流程图。
如图4所示，接地故障方向性检测神经网络的训练方法400包括步骤S401～S407。
在步骤S401中，获取用于训练接地故障方向性检测神经网络的接地故障电流信号训练样本集。在本公开的实施例中，接地故障电流信号训练样本集中的每一个样本可以是实际接地故障发生场景中搜集到的接地故障电流信号或者通过电磁暂态仿真程序EMTP或其他软件程序按照特定算法生成的接地故障电流信号，这些接地故障电流信号可以包括代表上游故障的电流信号和代表下游故障电流信号。例如，当所搜集的来自于实际接地故障发生场景中的接地故障电流信号太少而不满足训练接地故障方向性检测神经网络所需的样本量时，由EMTP生成的训练样本可以作为补充。对于接地故障电流信号训练样本集中的每一个样本，无论其来源是前述两种情况中的哪一种，该样本的真实标签向量都是已知的，而接地故障方向性检测神经网络计算的标签向量，应该与该样本的真实标签向量一致。因此，训练接地故障方向性检测神经网络的目标是使得对于接地故障电流信号训练样本集中的每一个样本，由接地故障方向性检测神经网络计算的标签向量与其真实标签向量的差异最小化。
在步骤S402中，将电流信号训练样本集中的训练样本作为输入提供给接地故障方向性检测神经网络。在该步骤中输入的训练样本可以是训练样本集的全部样本、一部分样本或一个样本，这可以根据样本集的样本量大小、计算资源大小、网络预测准确度的要求等来选择。
在步骤S403中，由接地故障方向性检测神经网络计算对应于训练样本的标签向量。如前所述，接地故障方向性检测神经网络对在步骤S402中输入的训练样本进行特征提取，并根据提取的特征分类，得到指示该训练样本对应的电流信号是上游故障电流信号还是下游故障电流信号的标签向量V。
在步骤S404，基于该训练样本的标签向量确定接地故障方向性检测神经网络的处理损失。对于在步骤S402中输入的训练样本，可以比较由接地故障方向性检测神经网络输出的标签向量和已知的其真实标签向量。例如，已知对于实际为上游故障的训练样本，其真实标签向量为[1,0]，表示该训练样本是上游故障电流信号的概率为1，是下游故障电流信号的概率为0；对于实际为下游故障的训练样本，其真实标签向量为[0,1]，表示该训练样本是上游故障电流信号的概率为0，是下游故障电流信号的概率为1。在接地故障方向性检测神经网络尚未训练完成时，输出的训练样本标签向量可能与该训练样本的真实标签向量差异较大，对于已知为上游故障电流信号的训练样本，例如输出标签向量可能为[0.2,0.8]，表明该神经网络认为该样本是上游故障电流信号的概率为0.2，是下游故障电流信号的概率为0.8，该结果说明神经网络对该样本的检测是完全错误的，又例如计算出标签向量为[0.7,0.3]，表明接地故障检测神经网络认为该训练样本是下游故障电流信号的概率为0.7，是下游故障电流信号的概率为0.3，虽然此结果表明该训练样本是上游故障电流信号的可能性大于下游故障电流信号，但是其与真实标签向量之间的差异还比较大，即准确度较低，尚未达到使神经网络计算的标签向量与真实标签向量之间的差异最小的训练目标。接地故障检测神经网络所输出的标签向量与真实标签向量之间的差异可以通过处理损失L来衡量。处理损失L的确定与选择用于接地故障方向性检测神经网络的损失函数有关，例如损失函数可以是诸如均方误差函数、交叉熵损失函数、L1损失函数、L2损失函数等之一。分别对应于在步骤402中输入的训练样本是训练样本集的全部样本、一部分样本或一个样本，可以依据批量梯度下降(Batch Gradient Descent，BGD)、小批梯度下降(Mini-BatchGradient Descent，SGD)或随机梯度下降(Stochastic Gradient Descent，MBGD)来确定处理损失L。
在步骤S405，判断处理损失L是否大于或等于预设处理损失阈值TL。预设处理损失阈值TL可以结合基于接地故障方向性检测设备所涉及的保护范围对接地故障方向性检测神经网络的预测精度来选值，例如，可以选择0.01、0.02。如果判断出处理损失L大于或等于预设处理损失阈值TL，则认为接地故障方向性检测神经网络训练尚未完成，则前进到步骤S406。反之，如果判断出处理损失L小于预设处理损失阈值TL，则认为接地故障方向性检测神经网络训练已经完成，则前进到步骤S407。
在步骤S406，更新接地故障方向性检测神经网络的参数。该步骤可以利用反向传播算法进行，更新接地故障方向性检测神经网络中的一个或多个参数，这些参数主要包括该神经网络各层的权重参数，例如，卷积层中的一个或多个卷积核的权重矩阵、第一和/或第二全连接层的权重矩阵等。更新完成后，则重复步骤S402至步骤S405，直到在步骤S405中判断处理损失L小于预设处理损失阈值TL，则在步骤S407，停止训练接地故障方向性检测神经网络。
图5是根据本公开的实施例的接地故障方向性检测神经网络的结构示意图。
如图5所示，接地故障方向性检测神经网络可以是包括卷积层、第一全连接层、第二全连接层、激活层以及输出层的卷积神经网络。卷积层可以包括n个卷积核：卷积核1、卷积核2、…、卷积核n。输入到接地故障方向性检测神经网络的数值矩阵为M。
数值矩阵M被输入到接地故障方向性检测神经网络后，首先被卷积层处理。卷积层所包含的卷积核1至n中的每一个与该数值矩阵M卷积，得到第一卷积层的卷积结果，即数值矩阵C。数值矩阵C中的一行对应于卷积核1至n之一与该数值矩阵M的卷积结果。
接下来，将数值矩阵C展开成一行或一列，展开结果即为第一全连接层，记为数值矩阵U1。
接下来，数值矩阵U1与第一全连接层的权重矩阵W1相乘，得到第二全连接层，记为数值矩阵U2。
接下来，数值矩阵U2与第二全连接层的权重矩阵W2相乘，得到加权合向量S。
最后，通过激活层的激活函数G(z)将加权和向量S转换成标签向量V。标签向量V可以指示被检测的电流信号是上游故障电流信号还是下游故障电流信号。激活层的激活函数G(z)可以包括但不限于sigmoid函数、relu函数、tanh函数之一。
需要注意的是，图5所示的接地故障方向性检测神经网络的具体结构仅仅是为方便说明而列举的示例。在特定的环境下，可以对该结构做出改变和修改而不脱离本公开的保护范围，例如，为了减少待计算的数据量，可以在卷积层之后包括池化层，池化层可以采用平均池化法或最大池化法来对卷积层的结果数值矩阵C降维；又例如，卷积层、池化层、全连接层、激活层等的数量可以根据接地故障方向性检测神经网络的训练情况修改，例如当训练过程出现过拟合时可以对接地故障方向性检测神经网络的结构进行简化，如减少卷积层等；又例如各卷积层所包括的卷积核的数量和大小可以修改，且各卷积层所包括的卷积核的大小可以不同等。本公开在此不一一穷举。
为方便理解，下面以一个详细的示例说明图5所示的接地故障检测神经网络根据图4所示的训练方法的训练过程，以及使用训练好的接地故障检测神经网络来计算对应于电流信号I的标签向量V的过程。
为方便说明，对该示例做以下设定：采样分辨率为k＝48、每次采样范围为N＝1个周期，接地故障方向性检测神经网络的卷积层包含的卷积核的数量为2，即n＝2，卷积核1和2的大小为5×5，处理损失函数采用交叉熵损失函数
Figure BDA0002625150270000121
处理损失阈值TL设为0.01，激活层采用激活函数σ(z)＝1/(1+e-z)。
以该示例说明图5所示的接地故障方向性检测神经网络根据图4所示的训练方法的训练过程。
对应于步骤S401，采用EMTP生成4000个代表被采样的接地故障电流信号的数值矩阵作为训练样本集，该训练样本集中包括2000个对应于上游故障电流信号的数值矩阵和2000个对应于下游故障电流信号的数值矩阵。将这4000个数值矩阵随机排序并按顺序给定编号为M1～M4000。对于上游故障电流信号样本，其真实标签向量为[1,0]，表示该样本是上游故障电流信号的概率为1，是下游故障电流信号的概率为0；对于下游故障电流信号样本，其真实标签向量应该为[0,1]，表示该样本是上游故障电流信号的概率为0，是下游故障电流信号的概率为1。
对应于步骤S402，将训练样本M1提供给接地故障方向性检测神经网络。已知M1的是上游故障电流信号样本，其真实标签向量为[1,0]。
对应于步骤S403，由接地故障方向性检测神经网络输出对应于M1的标签向量y1，例如为[0.4,0.6]，也就是说，此时的接地故障方向性检测神经网络认为样本M1是上游故障电流信号的概率为0.4，且是下游故障电流信号的概率为0.6，这说明此时接地故障方向性检测神经网络对样本M1的分类是完全错误的。
对应于步骤S404，基于损失函数
Figure BDA0002625150270000131
接地故障方向性检测神经网络可以确定其处理损失L1＝-(1×log0.4+0×log0.6)＝0.91。
对应于步骤S405，接地故障方向性检测神经网络判断其处理损失L1＝0.91≥TL＝0.01。
对应于步骤S406，接地故障方向性检测神经网络根据反向传播算法更新其参数，这些参数包括卷积层的卷积核1和2的大小为5×5的权重矩阵、第一全连接层的大小为20×44权重矩阵W1，第二全连接层的大小为2×20权重矩阵W2。
更新完成后，再重复执行步骤S402～S406，即，将训练样本M2提供给接地故障方向性检测神经网络，然后再执行对训练样本M2的特征提取、分类、处理损失计算等。直到在步骤S405中判断处理损失L<TL，则执行步骤S407，即训练结束。
训练完成后，将得到卷积层的对应于2个卷积核的确定的2×5×5的权重矩阵、第一全连接层的对应于权重矩阵W1的确定的20×44权重矩阵、以及第二全连接层的对应于权重矩阵W2的确定的2×20权重矩阵，这些参数与先前设定的接地故障方向性检测神经网络的结构、损失函数、激活函数等共同构成训练好的接地故障方向性检测神经网络。
需要说明的是，以上简单的示例仅仅是为了方便说明，并不限制本公开，根据实际需要，可以对其进行各种修改和改变。例如在步骤S402中可以每次输出多个样本，则在步骤S404中计算的处理损失是这些样本的处理损失的平均值等，对此，本公开不一一穷举。
下面继续以此示例说明使用训练好的接地故障方向性检测神经网络检测计算对应于电流信号I的标签向量V的过程。
参考图1和图4，以配置在继电器R1中的接地故障方向性检测设备100所执行的检测过程为例，接地故障检测设备100检测到经由电流互感器转换的变压器的三相电流信号I，按照采样分辨率k＝48，对该电流信号的N＝1个周期进行采样，得到大小为3×48的数值矩阵M，M中的一行代表一相的采样值，如图4中Iph1、Iph2、Iph3所示。
数值矩阵M被输入到接地故障方向性检测神经网络后，卷积层所包含的2个卷积核1和2分别与其卷积，每个卷积核与M的卷积结果是包括22个数值的数值向量，因而2个卷积核与M的卷积结果是大小为2×22数值矩阵C。
接下来，将数值矩阵C展开成一行或一列的第一全连接层，在本示例中采用展开成一列的形式，得到大小为44×1的数值矩阵U1。
接下来，数值矩阵U1与第一全连接层的大小为20×44权重矩阵W1相乘，得到大小为20×1的数值矩阵U2，作为第二全连接层。
接下来，数值矩阵U2与第二全连接层的大小为2×20的权重矩阵W2相乘，得到加权合向量S。
最后，通过激活层的激活函数G(z)将加权和向量S转换成标签向量V。激活层的激活函数G(z)可以包括但不限于sigmoid函数、relu函数、tanh函数之一。
图6示出了对根据本公开实施例的接地故障方向性检测神经网络进行测试所得到的测试结果。图6中左侧示出了测试样本集中的一个属于下游故障的接地故障电流信号样本的示例，其横坐标为采样点的索引，纵坐标为电流值，单位为A。与结合图4和图5所描述的示例相同地，对该接地故障电流信号样本按照采样分辨率k＝48采样一个周期，得到大小为3×48的数值矩阵，将该数值矩阵输入到接地故障方向性检测神经网络中，接地故障方向性检测神经网络计算的标签向量为如图所示的[1.5835431468075839e-06,0.999998671408647]，标签向量中的最大值0.999998671408647对应的分类为下游故障，所以接地故障方向性检测神经网络将该样本预测为下游故障电流信号。图6中右侧示出了测试样本集中的一个属于上游故障的接地故障电流信号样本的示例，其横坐标为采样点的索引，纵坐标为电流值，单位为A。同样对该样本按照采样分辨率k＝48采样一个周期，得到大小为3×48的数值矩阵，将该数值矩阵输入到接地故障方向性检测神经网络中，接地故障方向性检测神经网络计算的标签向量为如图所示的[0.9999976969348218,3.2066364547510186e-06]，标签向量V中的最大值0.9999976969348218对应的分类为上游故障，所以接地故障方向性检测神经网络将该样本预测为上游故障电流信号。
需要注意的是，图6中为了说明仅示出了两个测试样本，但测试样本集中的样本数量可以根据实际需要来确定，例如可以为训练样本集的样本量的一定比例，例如20％，30％等。
本公开通过上述示例性卷积神经网络的测试表明根据本公开实施例的接地故障方向性检测方法能够仅通过对接地故障电流信号提取特征来实现接地故障的方向性检测。显然，本领域的技术人员清楚本公开的接地故障方向性检测方法不限于采用上述示例性卷积神经网络，同样可以采用其它合适的神经网络。
图7是示出根据本公开实施例的接地故障方向性检测设备700的模块框图。
如图7所示，接地故障方向性检测设备700包括采样模块701、输入模块702、分类模块703。这三个模块可以配置为同一物理位置，例如都被集成在图1所示的继电器R1-R4内，也可以集成在线路上的其它具有计算能力的设备中，例如故障通道指示器FPI。可替代地，这三个模块中的一个或两个也可以与另外两个或一个配置为不在同一物理位置，并且通过有线或者无线通信网络连接，从而在相互之间传输数据或者命令。例如采样模块701可以被集成在继电器R1-R4或故障通道指示器FPI中，而输入模块702和分类模块703可以被集成在诸如控制室的计算机、服务器等计算设备中。由于小电流接地系统中允许电力设备带故障运行一段时间，所以可以不考虑采样模块701与输入模块702和/或分类模块703之间的数据和命令传输所花费的时间。
采样模块701被配置为对电流信号I的至少一部分进行采样以获得数值矩阵M。其采样分辨率为每工频周期采样k个样本点，例如k＝24、32、48等。并且每一次的采样范围可以是接地故障电流信号I的N个周期，例如，N＝1、2等。
输入模块702将采样模块701获取的数值矩阵M作为输入提供给接地故障方向性检测神经网络。并且，输入模块702还可以检测数值矩阵M中的最大值是否大于预设启动阈值，并且仅当该最大值大于或等于预设启动阈值时才将数值矩阵M作为输入提供给接地故障方向性检测神经网络。
分类模块703，其中配置了如本公开实施例的接地故障方向性检测神经网络，并且由所述接地故障方向性检测神经网络输出对应于数值矩阵M的标签向量V，标签向量V指示电流信号I是上游故障电流信号还是下游故障电流信号，此外，接地故障方向性检测神经网络还接收接地故障确认信号并且在接地故障确认信号指示电流信号为接地故障电流信号的情况下输出标签向量V。
显然，上文关于接地故障方向性检测方法的说明同样适用于接地方向性检测设备700，这里不再重复。
图8是示出根据本公开另一实施例的接地故障方向性检测设备800的硬件框图。
根据本公开实施例的电子设备800至少包括用于存储计算机程序指令的存储器和用于执行该计算机程序指令的处理器。当计算机程序指令由处理器加载并运行时，处理器执行上述接地故障方向性检测神经网络的训练方法和接地故障检测方法。
图7所示的接地故障方向性检测设备800具体地可以包括：中央处理单元(CPU)801、图形处理单元(GPU)802和主存储器803。这些单元通过总线804互相连接。中央处理单元(CPU)801和/或图形处理单元(GPU)802可以用作上述处理器，主存储器803可以用作上述存储计算机程序指令的存储器。此外，电子设备800还可以包括通信单元805、存储单元806、输出单元808、输入单元808和外部设备809，这些单元也连接到总线804。
图9是示出根据本公开的实施例的计算机可读存储介质的示意图。如图9所示，根据本公开实施例的计算机可读存储介质900其上存储有计算机程序指令901。当所述计算机程序指令901由处理器运行时，执行参照以上附图描述的根据本公开实施例的接地故障方向性检测神经网络的训练方法和接地故障方向性检测方法。
该计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存、光盘、磁盘等。
以上，参照附图描述了根据本公开实施例的基于神经网络的接地故障方向性检测方法和设备。基于神经网络强大的特征提取和分类功能，利用神经网络的接地故障方向性检测方法、接地故障方向性检测设备和计算机可读存储介质能够在仅需要电流信息而无需电压信息的情况下准确地判断出接地故障是上游故障还是下游故障。该检测结果可以帮助定位接地故障的来源，以通知对口的维修团队进行维修。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC(即A和B和C)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是，在本公开的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (13)

1.一种接地故障方向性检测方法，包括：
对电流信号的至少一部分进行采样以获取数值矩阵；
将所述数值矩阵作为输入提供给接地故障方向性检测神经网络；
由所述接地故障方向性检测神经网络计算对应于所述数值矩阵的标签向量，所述标签向量指示所述电流信号是上游故障电流信号还是下游故障电流信号；
由所述接地故障方向性检测神经网络接收接地故障确认信号；以及
由所述接地故障方向性检测神经网络在所述接地故障确认信号指示所述电流信号为接地故障电流信号的情况下，输出所述标签向量。
2.如权利要求1所述的接地故障方向性检测方法，还包括：
检测所述数值矩阵中的最大值是否大于预设启动阈值；并且
仅当所述数值矩阵中的最大值大于或等于所述预设启动阈值时才将所述数值矩阵作为输入提供给所述接地故障方向性检测神经网络。
3.如权利要求1所述的接地故障方向性检测方法，其中
所述电流信号是三相电流信号，并且所述数值矩阵的一行或一列与所述三相电流信号中的一相对应。
4.如权利要求1所述的接地故障方向性检测方法，其中
所述接地故障方向性检测神经网络采用卷积神经网络。
5.如权利要求1所述的接地故障方向性检测方法，其中
所述接地故障方向性检测神经网络是经训练的神经网络，并且所述训练包括以下步骤：
步骤1，获取用于训练所述接地故障方向性检测神经网络的接地故障电流信号训练样本集；
步骤2，将所述接地故障电流信号训练样本集中的训练样本作为输入提供给所述接地故障方向性检测神经网络；
步骤3，由所述接地故障方向性检测神经网络计算对应于所述训练样本的标签向量；
步骤4，基于所述训练样本的标签向量确定所述接地故障方向性检测神经网络的处理损失；
步骤5：如果所述处理损失大于或等于预设处理损失阈值，则更新所述接地故障方向性检测神经网络的参数并基于更新的接地故障方向性检测神经网络进行步骤2至步骤5，并且如果所述处理损失小于或等于预设处理损失阈值，则停止所述训练。
6.如权利要求5所述的接地故障方向性检测方法，其中
所述接地故障方向性检测神经网络至少包括卷积层、第一全连接层、第二全连接层、激活层以及输出层；以及
所述接地故障方向性检测神经网络的参数至少包括所述卷积层所包括的卷积核的权重矩阵、所述第一全连接层所包括的第一权重矩阵、所述第二全连接层所包括的第二权重矩阵。
7.如权利要求6所述的接地故障方向性检测方法，其中
所述接地故障方向性检测神经网络还可以包括池化层。
8.如权利要求7所述的接地故障方向性检测方法，其中
所述卷积层采用尺寸为5×5的卷积核；以及
所述激活函数是sigmoid函数、relu函数、tanh函数之一。
9.如权利要求5所述的接地故障方向性检测方法，其中
所述接地故障电流信号训练样本集中的一个或多个训练样本通过电磁暂态仿真程序EMTP生成。
10.一种接地故障方向性检测设备，包括：
采样模块，对电流信号的至少一部分进行采样以获取数值矩阵；
输入模块，将所述数值矩阵作为输入提供给接地故障方向性检测神经网络；以及
分类模块，其中配置有所述接地故障方向性检测神经网络，由所述接地故障方向性检测神经网络计算对应于所述数值矩阵的标签向量，所述标签向量指示所述电流信号是上游故障电流信号还是下游故障电流信号，所述接地故障方向性检测神经网络还接收接地故障确认信号并且在所述接地故障确认信号指示所述电流信号为接地故障电流信号的情况下输出所述标签向量。
11.如权利要求1所述的接地故障方向性检测设备，其中
所述输入模块还被配置为检测所述数值矩阵中的最大值是否大于预设启动阈值，并且仅当所述数值矩阵中的最大值大于或等于所述预设启动阈值时才将所述数值矩阵作为输入提供给所述接地故障方向性检测神经网络。
12.一种接地故障方向性检测设备，包括：
处理器；以及
存储器，其中，所述存储器中存储有计算机可执行程序，当所述程序被所述处理器执行时，使得所述设备执行权利要求1-9中任一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实施如权利要求1-9中的任一项所述的方法。
CN202010794832.0A 2020-08-10 2020-08-10 接地故障方向性检测方法、设备及计算机可读存储介质 Pending CN114076902A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010794832.0A CN114076902A (zh) 2020-08-10 2020-08-10 接地故障方向性检测方法、设备及计算机可读存储介质
EP21306105.4A EP3955405A1 (en) 2020-08-10 2021-08-09 Ground fault directionality detection method, device and computer readable storage medium
US17/397,265 US11874317B2 (en) 2020-08-10 2021-08-09 Ground fault directionality detection method, device and computer readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010794832.0A CN114076902A (zh) 2020-08-10 2020-08-10 接地故障方向性检测方法、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114076902A true CN114076902A (zh) 2022-02-22

Family

ID=77465946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010794832.0A Pending CN114076902A (zh) 2020-08-10 2020-08-10 接地故障方向性检测方法、设备及计算机可读存储介质

Country Status (3)

Country Link
US (1) US11874317B2 (zh)
EP (1) EP3955405A1 (zh)
CN (1) CN114076902A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115754588B (zh) * 2022-11-07 2023-12-29 国网江苏省电力有限公司南通市海门区供电分公司 一种节约通道资源的输电线路行波测距方法
CN117368648B (zh) * 2023-11-08 2024-06-04 国网四川省电力公司电力科学研究院 配电网单相接地故障检测方法、系统、设备和存储介质
CN118937889A (zh) * 2024-07-18 2024-11-12 国网吉林省电力有限公司白山供电公司 基于暂态零序电流模糊熵波形相似度的小电流接地系统故障区段定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1890165A2 (fr) * 2006-06-23 2008-02-20 Schneider Electric Industries Sas Procédé de détection directionnel d'un défaut à la terre et dispositif pour sa mise en oeuvre
FR2936319A1 (fr) * 2008-09-25 2010-03-26 Schneider Electric Ind Sas Detection directionnelle d'un defaut a la terre par correlation lineaire
CN103226175A (zh) * 2013-03-21 2013-07-31 江苏省电力公司泰州供电公司 一种利用接地电阻阻性特征实现双端测距的方法
CN108279364A (zh) * 2018-01-30 2018-07-13 福州大学 基于卷积神经网络的配电网单相接地故障选线方法
CN110398663A (zh) * 2019-07-03 2019-11-01 东南大学 一种基于卷积神经网络的柔性直流电网故障识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015118163A1 (en) * 2014-02-10 2015-08-13 Katholieke Universiteit Leuven Direction detecting of a ground fault in a multiphase network
EP3460494B1 (en) * 2017-09-26 2023-01-25 Siemens Aktiengesellschaft A method and apparatus for automatic detection of a fault type

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1890165A2 (fr) * 2006-06-23 2008-02-20 Schneider Electric Industries Sas Procédé de détection directionnel d'un défaut à la terre et dispositif pour sa mise en oeuvre
FR2936319A1 (fr) * 2008-09-25 2010-03-26 Schneider Electric Ind Sas Detection directionnelle d'un defaut a la terre par correlation lineaire
CN103226175A (zh) * 2013-03-21 2013-07-31 江苏省电力公司泰州供电公司 一种利用接地电阻阻性特征实现双端测距的方法
CN108279364A (zh) * 2018-01-30 2018-07-13 福州大学 基于卷积神经网络的配电网单相接地故障选线方法
CN110398663A (zh) * 2019-07-03 2019-11-01 东南大学 一种基于卷积神经网络的柔性直流电网故障识别方法

Also Published As

Publication number Publication date
US11874317B2 (en) 2024-01-16
US20220043046A1 (en) 2022-02-10
EP3955405A1 (en) 2022-02-16

Similar Documents

Publication Publication Date Title
US11874317B2 (en) Ground fault directionality detection method, device and computer readable storage medium
Swetapadma et al. All shunt fault location including cross-country and evolving faults in transmission lines without fault type classification
EP3955010B1 (en) Method, device and computer readable storage medium for inrush current detection for a transformer
Raichura et al. Efficient CNN‐XGBoost technique for classification of power transformer internal faults against various abnormal conditions
Vyas et al. Protection of series compensated transmission line: issues and state of art
Aslan et al. Artificial neural-network-based fault location for power distribution lines using the frequency spectra of fault data
Resmi et al. Detection, classification and zone location of fault in transmission line using artificial neural network
Thwe et al. Fault detection and classification for transmission line protection system using artificial neural network
Musa et al. A covariance indices based method for fault detection and classification in a power transmission system during power swing
Sheng et al. Decision trees and wavelet analysis for power transformer protection
Ashok et al. Fault diagnosis scheme for cross-country faults in dual-circuit line with emphasis on high-impedance fault syndrome
CN111224386A (zh) 纵联保护方法、系统及终端设备
Patcharoen et al. Transient inrush current detection and classification in 230 kV shunt capacitor bank switching under various transient‐mitigation methods based on discrete wavelet transform
Hashim et al. Investigation of features extraction condition for impedance-based fault location in transmission lines
Shukla et al. Grey wolf optimization-tuned convolutional neural network for transmission line protection with immunity against symmetrical and asymmetrical power swing
Swetapadma et al. A hybrid method for fault location estimation in a fixed series compensated lines
Assef et al. Artificial neural networks for single phase fault detection in resonant grounded power distribution systems
CN105891665A (zh) 一种基于样本熵和经验模态分解的谐振接地系统选线方法
JP4110747B2 (ja) 電力系統における高調波監視システム
Patel Superimposed components of Lissajous pattern based feature extraction for classification and localization of transmission line faults
CN112345996B (zh) 一种基于边缘计算的能源控制器回路事件生成方法
CN112924812B (zh) 一种基于证据理论的电力终端错误数据辨识方法
Koley et al. Artificial neural network based protection scheme for one conductor open faults in six phase transmission line
CN113702760B (zh) 一种配电线路横向故障和铁磁谐振状态的辨识方法及系统
Jettanasen et al. A novel probabilistic neural network‐based algorithm for classifying internal fault in transformer windings

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination