[go: up one dir, main page]

CN117272143A - 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 - Google Patents

基于格拉姆角场与残差网络的输电线故障辨识方法和装置 Download PDF

Info

Publication number
CN117272143A
CN117272143A CN202311255429.0A CN202311255429A CN117272143A CN 117272143 A CN117272143 A CN 117272143A CN 202311255429 A CN202311255429 A CN 202311255429A CN 117272143 A CN117272143 A CN 117272143A
Authority
CN
China
Prior art keywords
fault
transmission line
recording data
phase
model
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
CN202311255429.0A
Other languages
English (en)
Inventor
陈军
南东亮
赵启
王建
张路
谭金龙
高兴
彭寅章
林丰恺
段玉
刘欢庆
王畅
欧阳金鑫
赵振民
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.)
Chongqing University
Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd
Original Assignee
Chongqing University
Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd
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 Chongqing University, Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd filed Critical Chongqing University
Priority to CN202311255429.0A priority Critical patent/CN117272143A/zh
Publication of CN117272143A publication Critical patent/CN117272143A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Locating Faults (AREA)

Abstract

本发明涉及一种基于格拉姆角场与残差网络的输电线故障辨识方法，包括构建故障类型和故障原因辨识模型的步骤，其包括：构建基于多目标残差网络的原始识别模型；获取输电线路故障样本的三相故障录波数据，基于格拉姆角场将获取的三相故障录波数据转换为二维彩色图形，作为故障样本图像；将故障样本图形按照故障类型和故障原因进行分类，同时对小样本类型做Smote过采样处理，以获得故障样本集；基于故障样本集对原始识别模型进行训练和测试，获得最终辨识模型。本发明通过GAF方法将一维故障录波数据转化成为二维彩色图像，降低了电压电流波形、故障距离以及过渡电阻等因素对故障特征提取的影响，同时也可以很好地应对数据间的类不平衡问题。

Description

基于格拉姆角场与残差网络的输电线故障辨识方法和装置
技术领域
本发明涉及输电线路故障辨识技术领域，特别涉及一种基于格拉姆角场与残差网络的输电线故障辨识方法和装置。
背景技术
输电线路的安全可靠运行是确保电力系统安全稳定运行的重要条件。但是由于架空输电线路地域分布范围广，跨区域面积大，运行环境复杂多变，易受恶劣自然环境影响，因此其在运行过程中容易发生多种类型故障。及时准确地辨识出故障原因和故障类型，对指导保护和安全自动装置快速切除故障，恢复后续电力供应，减少线路停运时间，保障电力系统稳定运行具有重要意义。
现有的输电线路故障辨识研究，通常会对采集到的故障电压、电流数据进行信号分解，以提取故障波形的特征来辨识故障。有文献通过小波变换来直接分析不同性质的信号，以达到故障检测与分类的目的。另有文献利用离散傅里叶变换(Discrete FourierTransform，DFT)来对频率特性急剧变化的电压、电流信号的相位进行评估，最后通过故障信号的相位差异来区分故障。此外，还有文献通过采用傅里叶变换来提取故障信号特征，同时结合频率响应方法，提出了一种卷积神经网络(Convolutional Neural Network，CNN)和长短期记忆(Long Short Term Memory，LSTM)相结合的故障辨识模型。但是仅对一维信号进行信号分解处理的方法在选取故障的特征时易受电压电流波形、故障距离以及过渡电阻等因素的影响，且特征选取过程复杂，分类辨识的准确率并不理想，并且从电网公司获取得到的故障跳闸记录看，输电线路的故障样本往往还存在着严重的类不平衡性，因此也导致了此类方法实际的辨识效果不佳。
因此，有必要设计一种新的输电线路故障辨识方法，以解决上述问题。
发明内容
有鉴于此，本发明提供一种基于格拉姆角场与多目标残差网络的输电线路故障辨识方法，通过格拉姆角场(GAF)方法将搜集得到的一维三相故障电压、电流录波数据转化为二维的彩色图像，作为后续多目标残差网络的输入，并且利用图像识别中多目标残差网络提取数据特征能力强这一特性，充分挖掘故障录波数据中的故障特征以实现对网络模型的训练。此外，针对输电线路故障样本中存在的类不平衡问题，本发明通过采用Somte过采样的方式，消除数据间的类不平衡性，最终实现对输电线路故障类型和故障原因的有效辨识。
本发明第一方面公开了一种基于格拉姆角场与残差网络的输电线故障辨识方法，包括以下步骤：
获取输电线路的二次侧三相录波数据；
基于格拉姆角场将提取得到的输电线路的二次侧三相录波数据转换为二维彩色图像，作为故障辨识图像；
根据预先构建的输电线路故障辨识模型对获得的故障辨识图形进行识别，所述输电线路故障辨识模型为基于多目标残差网络的多输出卷积神经网络架构，其能够将故障原因和故障类型作为预测结果进行同步输出。
在上述实现过程中，借助于格拉姆角场方法，将所获取的输电线路的二次侧的三相录波数据转换为二维彩色图像，然后将二维彩色图像输入至预先构建好的输电线路故障辨识模型进行故障识别。由于本发明的输电线路故障辨识模型能够将故障原因和故障类型作为预测结果进行同步输出，从而使得能够对被测输电线路的故障原因和故障类型进行同步预测。
根据本发明第一方面所公开的基于格拉姆角场与残差网络的输电线故障辨识方法，其中，在获取输电线路的三相录波数据之前，还包括构建输电线路故障辨识模型的步骤，包括：
构建原始辨识模型，所述原始辨识模型为基于多目标残差网络的多输出卷积神经网络架构；借助于多目标残差网络的多输出卷积神经网络架构，使得能够在原始辨识模型中构建故障原因原始辨识子模型和故障类型原始辨识子模型；
获取故障输电线路二次侧的三相故障录波数据；
基于格拉姆角场将获取的每一故障输电线路的二次侧三相故障录波数据转换为二维彩色图像，作为故障样本图像；
将转换获得的故障样本图像按照故障类型和故障原因分别进行分类，同时对少数类故障样本做Smote过采样处理，获得故障样本集；
将基于二维彩色图像的故障样本集作为输入，对原始辨识模型进行训练和测试，以获得训练好的所述输电线路故障辨识模型；在该步骤中，对原始辨识模型进行训练和测试的过程也是对故障原因辨识子模型和故障类型原始辨识子模型进行训练和测试的过程。
根据本发明第一方面所公开了的基于格拉姆角场与残差网络的输电线故障辨识方法，优选地，输电线路二次侧的三相故障录波数据中的三相分别指A相、B相和C相，其中二次侧三相故障录波数据包括输电线路二次侧三相的故障电压暂态录波数据和故障电流暂态录波数据，具体地，包括：输电线路的二次侧A相电压和电流的暂态录波数据；输电线路的二次侧B相电压和电流的暂态录波数据；输电线路的二次侧C相电压和电流的暂态录波数据。
在一个优选的实施例中，故障录波数据的采样区间为故障发生前一周波至故障发生后两周波。
根据本发明第一方面所公开了的基于格拉姆角场与残差网络的输电线故障辨识方法，其中在基于格拉姆角场将获取的每一故障输电线路的二次侧三相故障录波数据转换为二维彩色图像的步骤中，包括：
将故障输电线路的二次侧三相电压和电流的一维时间序列数组拼接成二维张量矩阵；
将故障输电线路二次侧三相的故障电压暂态录波数据和故障电流暂态录波数据进行归一化处理；
将归一化后获得的数据进行极坐标系变换，以得到每一数据点所对应的半径和角度；
利用和角关系和差角关系，对二维张量矩阵进行计算以得到各自对应的格拉姆角场变换。
在上述过程中，由于电压和电流的一维时间序列数组拼接成二维张量矩阵，并且基于张量矩阵进行归一化处理和极坐标转换，使得最终基于格拉姆角场变换而来的图形特征得到放大，进而使得故障波形的特征更加明显，从而非常有利于卷积网络进行特征提取。而且，在上述实现过程中，以张量的形式进行格拉姆角场的变换，它的运算过程可以更加简便，可以非常快的就将这些参数计算出来，比起仅计算一维数据来进行格拉姆角场变化而言运算速度更快，计算步骤更少。
根据本发明第一方面所公开了的基于格拉姆角场与残差网络的输电线故障辨识方法，其中在将故障输电线路的二次侧三相电压和电流的一维时间序列数组拼接成二维张量矩阵的步骤中，所述二维张量矩阵的表达式为：
将故障输电线路二次侧三相的故障电压暂态录波数据和故障电流暂态录波数据进行归一化处理的步骤中，归一化处理的公式为：
式中：xij为A、B、C三相故障电压和故障电流所采集得到的故障数据点；Xi为A、B、C三相故障电压和故障电流所对应各自的电气量向量；
在将归一化后获得的数据进行极坐标系变换，以得到每一数据点所对应的半径和角度的步骤中，极坐标系变换的公式为：
式中：φij为二维张量矩阵中每一个数据点所对应的相角；rij为每一个数据点所对应的半径；tij每一个数据点在故障录波数据中所对应的时间号；N为采集得到的故障录波数据采样点总数；
在利用和角关系和差角关系，对二维张量矩阵进行计算以得到各自对应的格拉姆角场变换的步骤中，所采用的计算公式为：
式中：φin，φim为各电气量中的每一个数据点所对应的相角值，其中i就是指的A、B、C三相电压、电流里面的一相，n、m指的就是这些数据点所对应的相角；I为单位向量；GASF格拉姆角和场变换公式；GADF为格拉姆角差场变换公式。
在本发明中，在输电线路故障辨识模型被构建好之后，对输电线路的故障原因和故障类型进行预测的实现过程中，在其中的基于格拉姆角场将获取的输电线路二次侧的三相录波数据转换为二维彩色图像的步骤中，同样采用包括步骤：将待预测输电线路二次侧的三相电压和电流的一维时间序列数组拼接成二维张量矩阵；二维张量矩阵的基础上，将待预测输电线路二次侧三相的电压暂态录波数据和电流暂态录波数据进行归一化处理；将归一化后获得的数据进行极坐标系变换，以得到二维张量矩阵中每一数据点所对应的半径和角度；利用和角关系和差角关系，对二维张量矩阵进行计算以得到各自对应的格拉姆角场变换。在这些步骤中，所采用的公式与前述相对应的公式一致。
根据本发明第一方面所公开了的基于格拉姆角场与残差网络的输电线故障辨识方法，在将转换获得的故障样本图像按照故障类型和故障原因分别进行分类的步骤中，先对转换完成后的二维图像按照故障类型进行分类，优选地，分类能够得到A相单相接地故障、B相单相接地故障、C相单相接地故障、A和B两相、A和C两相、B和C两相故障、A和B两相接地故障、A和C两相接地故障、B和C两相接地故障、ABC三相故障共计10种故障类型。进一步地，还包括对转换完成后的二维彩色图像按照故障原因进行分类，其中优选地，故障原因包括雷击故障、异物故障、山火故障、风偏故障、覆冰故障、树闪故障等i种。
在一个优选的实施例中，将转换获得的故障样本图像按照故障类型和故障原因分别进行分类的步骤中，还包括对少数类故障样本做Smote过采样处理的步骤，在该步骤中，包括：将分类后的故障暂态波形图像转化为像素点矩阵，利用Smote过采样算法，计算少数类故障样本集中的每一个少数类故障样本到少数类故障样本集中所有样本的欧式距离；然后根据欧式距离计算得到该少数类故障样本的k邻近点，并且随机从k个邻近点中选择一个邻近点，在该邻近点与该少数类故障样本点间的直线上选择任意一个位置，采用线性插值的方式生成新的故障样本。
在上述分类结束后，将生成的样本分成训练集与测试集两大类，以对原始辨识模型进行训练和测试。
根据本发明第一方面所公开了的基于格拉姆角场与残差网络的输电线故障辨识方法，其中原始辨识模型的卷积神经网络采用基于多残差网络模块的多输出卷积神经网络架构，使得原始辨识模型能够具有故障类型原始辨识子模型和故障原因原始辨识子模型；
在所述故障类型原始辨识子模型和所述故障原因原始辨识子模型之间搭建有特征融合层，以将两子模型训练得到的特征参数融合起来；借助于基于特征融合层实现的融合参数，所述故障类型原始辨识子模型和所述故障原因原始辨识子模型实现各自的输出。
在上述实现过程中，由于原始辨识模型的卷积神经网络采用基于多残差网络模块的多输出卷积神经网络架构，使得原始辨识模型具有故障类型原始辨识子模型和故障原因原始辨识子模型，从而使得最终训练后的输电线路故障辨识模型中具有输电线路故障类型辨识子模型和输电线路故障原因辨识子模型，以实现对故障原因和故障类型的同步预测和输出。
并且，在上述实现过程中，由于在两个子模型间搭建有特征融合层，从而能够利用特征融合层将两子模型训练得到的特征参数融合起来，从而消除故障特征差异对最终模型性能的影响。
根据本发明第一方面所公开了的基于格拉姆角场与残差网络的输电线故障辨识方法，其中在所述多残差网络模块的多输出卷积神经网络架构中，每一残差神经网络模块含有两个相同的基本计算单元，并且在两个基本计算单元中连接有能够防止模型过拟合的跳远连接层。
在一个优选的实施例中，原始辨识模型的优化器均采用SGD算法进行优化，损失函数采用与Softmax分类器相结合的交叉熵损失函数。模型的训练步长设置为64，模型的初始学习率设置为0.001；进一步地，在卷积神经网络的训练过程中，将故障类型和故障原因辨识样本集随机抽取70％作为训练样本集，剩余作为测试样本集，将其作为目标域数据输入给多输出卷积神经网络模型，以故障类型和故障原因为输出进行训练。
进一步地，根据本发明第一方面所公开了的基于格拉姆角场与残差网络的输电线故障辨识方法，其中在对原始辨识模型进行训练和测试的步骤中，设置最大训练次数并且判断模型的损失函数是否收敛，若损失函数收敛则达到最大训练次数后就可以完成模型的训练，若损失函数未收敛则增大最大训练次数，直至收敛为止，最终得到所述输电线路故障辨识模型。
本发明第二方面还公开了一种基于格拉姆角场与残差网络的输电线故障辨识装置，包括：
获取单元，用于获取输电线路的二次侧三相录波数据；
格拉姆角场转换单元，用于基于格拉姆角场将提取得到的输电线路的二次侧三相录波数据转换为二维彩色图像，作为故障辨识图像；
输电线故障辨识单元，用于根据预先构建的输电线路故障辨识模型对获得的故障辨识图形进行识别，所述输电线路故障辨识模型为基于多目标残差网络的多输出卷积神经网络架构，其能够将故障原因和故障类型作为预测结果进行同步输出；
其中，还包括：
模型构建单元，用于构建原始辨识模型，所述原始辨识模型为基于多目标残差网络的多输出卷积神经网络架构；
第二获取单元，用于获取故障输电线路的二次侧三相故障录波数据；
所述格拉姆角场转换单元还用于基于格拉姆角场将获取的每一故障输电线路的二次侧三相故障录波数据转换为二维彩色图像，作为故障样本图像；
故障样本分类单元，用于将转换获得的故障样本图像按照故障类型和故障原因分别进行分类，同时对少数类故障样本做Smote过采样处理，获得故障样本集；
训练单元，用于将基于二维彩色图像的故障样本集作为输入，对原始辨识模型进行训练和测试，以获得训练好的所述输电线路故障辨识模型。
本发明第三方面公开了一种电子设备，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如前所述的基于格拉姆角场与残差网络的输电线故障辨识方法。
本发明与现有技术相比，具有如下有益效果：
(1)本发明的基于格拉姆角场与残差网络的输电线故障辨识方法，可实现特征量的自提取，降低了电压电流波形、故障距离以及过渡电阻等因素对故障特征提取的影响，可有效应对录波数据含有白噪声的问题，并且对电压、电流的采样频率要求低。
(2)本发明将故障三相电压、电流波形转化为格拉姆角场图，使得其故障特征量得到了放大，有利于网络对故障波形特征量的提取，从而提高了网络的辨识效果。
(3)本发明将A、B、C三相电压、电流的一维数据整合成二维张量矩阵的形式，在后续计算机处理的过程中避免了需要对每一个电气量进行重复且又繁琐的计算步骤，因此其处理起来计算过程更加简便，运算速度更加快捷。
(4)对于类不平衡问题，该方法使用了Smote过采样技术，降低了数据间的类不平衡性对网络训练性能的影响，提高了网络的辨识准确率。
下面结合附图中所示的实施例以及附图标记详细公开本发明的基于格拉姆角场与残差网络的输电线故障辨识方法和装置。
附图说明
图1示出了本发明的基于格拉姆角场与残差网络的输电线故障辨识方法的步骤流程图。
图2示出了本发明中构建输电线路故障辨识模型的步骤流程图。
图3示出了本发明实施例中某线路A相雷击接地短路故障录波及其GAF变换图。
图4示出了本发明实施例中某线路B相风偏接地短路故障录波及其GAF变换图。
图5示出了本发明实施例中某线路C相外力破坏接地短路故障录波及其GAF变换图。
图6示出了本发明实施例中优选使用的多目标残差网络的示意性结构图。
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的一部分实施例，而不是全部的实施例。基于本发明的实施例，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。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围内。
结合图1所示，本发明公开了一种基于格拉姆角场与残差网络的输电线故障辨识方法，包括：构建输电线路故障辨识模型；获取输电线路的二次侧三相录波数据；基于格拉姆角场将提取得到的输电线路的二次侧三相录波数据转换为二维彩色图像，作为故障辨识图像；和，根据预先构建的输电线路故障辨识模型对获得的故障辨识图形进行识别，以将故障类型和故障原因作为预测结果进行输出，从而能够对待测输电线路的故障原因和故障类型进行准确预测。
在本方面的方法实施例中，所述输电线路故障辨识模型为基于多目标残差网络的多输出卷积神经网络架构，其能够将故障原因和故障类型作为预测结果进行同步输出。
在上述实现过程中，借助于格拉姆角场方法，将所获取的输电线路的二次侧的三相录波数据转换为二维彩色图像，然后将二维彩色图像输入至预先构建好的输电线路故障辨识模型进行故障识别。由于本发明的输电线路故障辨识模型能够将故障原因和故障类型作为预测结果进行同步输出，从而使得能够对被测输电线路的故障原因和故障类型进行同步预测。
由于在本发明中借助于格拉姆角场将三相录波数据转换为了二维彩色图像作为故障辨识图像，并且输电线路故障辨识模型是基于多目标残差网络进行构建的，这相较于现有借助于信号处理方法进行输电线路故障预测的方式，起到了这样意料不到的协同效果：多目标残差网络本身即具有提取数据特征能力强的优点，能够实现对特征量的自提取，而进一步地，在本申请中，在二维矩阵的基础上，基于格拉姆角场将故障录波数据转换而来的二维彩色图像的特征能够得到进一步的放大，从而使得故障特征更加明显，从而进一步有利于基于多残差网络的卷积神经网络的自提取，即，在本申请将基于残差网络的卷积神经网络与格拉姆角场相结合，在将基于格拉姆角场的二维彩色图像作为识别特征的前提下，降低了电压电流波形、故障距离以及过渡电阻等因素对故障特征提取的影响，可有效应对录波数据含有白噪声的问题，并且对电压、电流的采样频率要求低。
在本发明的一个实施例中，结合图2所示，构建输电线路故障辨识模型的步骤包括：
步骤S1，构建原始辨识模型；
步骤S2，获取故障输电线路二次侧的三相故障录波数据；
步骤S3，基于格拉姆角场将获取的每一故障输电线路的二次侧三相故障录波数据转换为二维彩色图像，作为故障样本图像；
步骤S4，将转换获得的故障样本图像按照故障类型和故障原因分别进行分类，同时对少数类故障样本做Smote过采样处理，获得故障样本集；
步骤S5，将基于二维彩色图像的故障样本集作为输入，对原始辨识模型进行训练和测试，以获得训练好的所述输电线路故障辨识模型。
在本发明中，在步骤S1中，所述原始辨识模型为基于多目标残差网络的多输出卷积神经网络架构；借助于多目标残差网络的多输出卷积神经网络架构，使得能够在原始辨识模型中构建故障原因原始辨识子模型和故障类型原始辨识子模型。
具体地，如图5所示，原始辨识模型为多目标残差网络模型，其具体为基于多个残差神经网络的多输出卷积神经网络架构，由于使用的是多输出卷积神经网络架构，能够使得将输电线路故障类型辨识子模型和输电线路故障原因辨识子模型集成在一个网络架构中。
在一个优选的实施例中，每一子模型均包括多个残差神经网络模块，在每一个残差神经网络模块中均包括两个相同的基本计算单元(即，Res_a单元和Res_b单元)，基本计算单元包括卷积层conv_1，卷积核大小为3×3×1，滑动步长为1；卷积层conv_2，卷积核大小为3×3×1，滑动步长为1；归一化层bacthnorm_1、bacthnorm_2；激活函数层relu_1、relu_2；在两个基本计算单元中还连接有一个shortcut跳远连接层，以防止模型过拟合。
在整个多目标残差网络的搭建模型过程中，其最初模型包括一层输入大小为224×224×3的卷积层conv_1，其卷积核大小为7×7×1，滑动步长为2，padding为3；归一化层bacthnorm_1；激活函数层relu_1；输入大小为64×112×112的最大池化层MaxPooling_1，其卷积核大小为3×3×1，滑动步长为1。
其中，在搭建输电线路故障类型辨识子模型过程中，该子模型包含一层输入大小为64×112×112的卷积层conv_2，其卷积核大小为6×6×1，滑动步长为2，padding为1；归一化层bacthnorm_2；激活函数层relu_2，之后连接2个前后相连接的残差神经网络模块；一层平均池化层AvgPooling_1。
在图6中，卷积层简写为Cov层，归一化层简写为BN层，激活函数层简写为Re1u层。
在搭建输电线路故障原因辨识子模型过程中，该子模型包含一层输入大小为64×112×112的卷积层conv_3，其卷积核大小为5×5×1，滑动步长为2，padding为1；归一化层bacthnorm_3；激活函数层relu_3，之后连接4个前后相连接的残差神经网络模块；一层平均池化层AvgPooling_2。
在一个优选的实施例中，在输电线路故障类型辨识子模型和输电线路故障原因辨识子模型之间，搭建有特征融合层Fusion Layer，利用特征融合层Fusion Layer将两模块训练得到的特征参数融合起来。每一子模型的训练得到的参数经特征融合层将特征参数融合之后，再通过输电线路故障类型辨识子模型的全连接层fc_1，线性层Linear_1，以及Softmax1层实现对输电线路故障类型的辨识，通过输电线路故障原因辨识子模型的全连接层fc_2，线性层Linear_2，以及Softmax2层实现对输电线路故障类原因的辨识。
在步骤S2中，提取的故障录波数据来源于某地区输电线路的A相、B相和C相故障录波数据，共计354组。获取得到的三相输电线路故障录波数据包括：输电线路的二次侧A相电压和电流的暂态录波数据；输电线路的二次侧B相电压和电流的暂态录波数据；输电线路的二次侧C相电压和电流的暂态录波数据。
并且，在步骤S2中，设置故障录波数据的采样区间为故障发生前一周波至故障发生后两周波，以此得到本方法所需要的故障录波数据。
在步骤S3基于格拉姆角场将获取的每一故障输电线路的二次侧三相故障录波数据转换为二维彩色图像的步骤中，包括：
步骤S301，将故障输电线路的二次侧三相电压和电流的一维时间序列数组拼接成二维张量矩阵，该二维张量的表达式如下所示：
步骤S302，将故障输电线路二次侧三相的故障电压暂态录波数据和故障电流暂态录波数据进行归一化处理，，归一化处理的公式为：
式中：xij为A、B、C三相故障电压和故障电流所采集得到的故障数据点；Xi为A、B、C三相故障电压和故障电流所对应各自的电气量向量。
步骤S303，将归一化后获得的数据进行极坐标系变换，以得到每一数据点所对应的半径和角度，极坐标系变换的公式为：
式中：φij为二维张量矩阵中每一个数据点所对应的相角；rij为每一个数据点所对应的半径；tij每一个数据点在故障录波数据中所对应的时间号；N为采集得到的故障录波数据采样点总数。
步骤S304，利用和角关系和差角关系，对二维张量矩阵进行计算以得到各自对应的格拉姆角场变换，所采用的计算公式为：
式中：I为单位向量；GASF格拉姆角和场变换公式；GADF为格拉姆角差场变换公式。
在步骤S4中，对转化完成后的二维彩色图像按照故障类型进行分类，分类得到A相单相接地故障、B相单相接地故障、C相单相接地故障、A和B两相、A和C两相、B和C两相故障、A和B两相接地故障、A和C两相接地故障、B和C两相接地故障、ABC三相故障共计10种故障类型；对转化完成后的二维彩色图像按照故障原因进行分类，可以分类得到雷击故障、异物故障、山火故障、风偏故障、覆冰故障、外力破坏故障、鸟害故障、污闪故障、树闪故障9种故障原因。其中，附图3-图5作为示例，展示了雷击、风偏、外力破坏的故障录波数据及其转换后的GAF图，用作后续深度学习的输入。
在步骤S4中，还包括对少数类故障样本做Smote过采样处理的步骤，其能够减少数据间的类不平衡性，其包括：对故障数据集中的小样本类型的故障，将其分类后的彩色图像转化为像素点矩阵，利用Smote过采样算法，计算少数类中的每一个样本到少数类样本集中所有样本的欧式距离；根据欧式距离计算出少数类样本的k邻近点，并且随机从k个邻近点中选择一个邻近点，在该邻近点与少数类样本点间的直线上选择任意一个位置，采用线性插值的方式生成新的故障样本。
在步骤S5中，还包括设置模型训练参数的步骤，优选地，本地模型训练的优化器均采用SGD算法进行优化，损失函数采用与Softmax分类器相结合的交叉熵损失函数。模型的训练步长设置为64，模型的初始学习率设置为0.001。
步骤S5还包括对模型进行训练的步骤，包括：将故障类型和故障原因辨识样本集随机抽取70％作为训练样本集，剩余作为测试样本集，将其作为目标域数据输入给多输出卷积神经网络模型，以故障类型和故障原因为输出进行训练，设置最大训练次数并且判断损失函数是否收敛，若损失函数收敛则达到最大训练次数后就可以完成模型的训练，若损失函数未收敛则增大最大训练次数，直至收敛为止，最终得到所述的故障类型和故障原因辨识模型。
本发明的实施例还还公开了一种基于格拉姆角场与残差网络的输电线故障辨识装置，包括：
获取单元，用于获取输电线路的二次侧三相录波数据；
格拉姆角场转换单元，用于基于格拉姆角场将提取得到的输电线路的二次侧三相录波数据转换为二维彩色图像，作为故障辨识图像；
输电线故障辨识单元，用于根据预先构建的输电线路故障辨识模型对获得的故障辨识图形进行识别，所述输电线路故障辨识模型为基于多目标残差网络的多输出卷积神经网络架构，其能够将故障原因和故障类型作为预测结果进行同步输出。
在本发明的基于格拉姆角场与残差网络的输电线故障辨识装置中，还包括：
模型构建单元，用于构建原始辨识模型，所述原始辨识模型为基于多目标残差网络的多输出卷积神经网络架构；
第二获取单元，用于获取故障输电线路的二次侧三相故障录波数据；
所述格拉姆角场转换单元还用于基于格拉姆角场将获取的每一故障输电线路的二次侧三相故障录波数据转换为二维彩色图像，作为故障样本图像；
故障样本分类单元，用于将转换获得的故障样本图像按照故障类型和故障原因分别进行分类，同时对少数类故障样本做Smote过采样处理，获得故障样本集；
训练单元，用于将基于二维彩色图像的故障样本集作为输入，对原始辨识模型进行训练和测试，以获得训练好的所述输电线路故障辨识模型。
本发明的实施例还公开了一种电子设备，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如前所述的基于格拉姆角场与残差网络的输电线故障辨识方法。
本发明的实施例还公开了一种计算机可读存储介质，其存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行本发明实施例第一方面中的基于格拉姆角场与残差网络的输电线故障辨识方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的实施例的方法可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于格拉姆角场与残差网络的输电线故障辨识方法，其特征在于，包括以下步骤：
获取输电线路二次侧的三相录波数据；
基于格拉姆角场将获取的输电线路二次侧的三相录波数据转换为二维彩色图像，作为故障辨识图像；
根据预先构建的输电线路故障辨识模型对获得的故障辨识图形进行识别，所述输电线路故障辨识模型为基于多目标残差网络的多输出卷积神经网络架构，其能够将故障原因和故障类型作为预测结果进行同步输出；
其中，在获取输电线路的三相录波数据之前，还包括构建输电线路故障辨识模型的步骤，包括：
构建原始辨识模型，所述原始辨识模型为基于多目标残差网络的多输出卷积神经网络架构；
获取故障输电线路二次侧的三相故障录波数据；
基于格拉姆角场将获取的每一故障输电线路的二次侧三相故障录波数据转换为二维彩色图像，作为故障样本图像；
将转换获得的故障样本图像按照故障类型和故障原因分别进行分类，同时对少数类故障样本做Smote过采样处理，获得故障样本集；
将基于二维彩色图像的故障样本集作为输入，对原始辨识模型进行训练和测试，以获得训练好的所述输电线路故障辨识模型。
2.根据权利要求1所述的基于格拉姆角场与残差网络的输电线故障辨识方法，其特征在于，所述三相故障录波数据包括输电线路二次侧三相的故障电压暂态录波数据和故障电流暂态录波数据。
3.根据权利要求2所述的基于格拉姆角场与残差网络的输电线故障辨识方法，其特征在于，在基于格拉姆角场将获取的每一故障输电线路二次侧的三相故障录波数据转换为二维彩色图像的步骤中，包括：
将故障输电线路二次侧的三相电压和电流的一维时间序列数组拼接成二维张量矩阵；
在所述二维张量矩阵的基础上，将故障输电线路二次侧三相的故障电压暂态录波数据和故障电流暂态录波数据进行归一化处理；
将归一化后获得的数据进行极坐标系变换，以得到二维张量矩阵中每一数据点所对应的半径和角度；
利用和角关系和差角关系，对二维张量矩阵进行计算以得到各自对应的格拉姆角场变换。
4.根据权利要求3所述的基于格拉姆角场与残差网络的输电线故障辨识方法，其特征在于，在将故障输电线路的二次侧三相电压和电流的一维时间序列数组拼接成二维张量矩阵的步骤中，所述二维张量矩阵的表达式为：
将故障输电线路二次侧三相的故障电压暂态录波数据和故障电流暂态录波数据进行归一化处理的步骤中，归一化处理的公式为：
式中：xij为A、B、C三相故障电压和故障电流所采集得到的故障数据点；Xi为A、B、C三相故障电压和故障电流所对应各自的电气量向量；
在将归一化后获得的数据进行极坐标系变换，以得到每一数据点所对应的半径和角度的步骤中，极坐标系变换的公式为：
式中：φij为二维张量矩阵中每一个数据点所对应的相角；rij为每一个数据点所对应的半径；tij每一个数据点在故障录波数据中所对应的时间号；N为采集得到的故障录波数据采样点总数；
在利用和角关系和差角关系，对二维张量矩阵进行计算以得到各自对应的格拉姆角场变换的步骤中，所采用的计算公式为：
式中：φin，φim为各电气量中的每一个数据点所对应的相角值，I为单位向量；GASF格拉姆角和场变换公式；GADF为格拉姆角差场变换公式。
5.根据权利要求1所述的基于格拉姆角场与残差网络的输电线故障辨识方法，其特征在于，在对少数类故障样本做Smote过采样处理的步骤中，包括：
将分类后的故障暂态波形图像转化为像素点矩阵，利用Smote过采样算法，计算少数类故障样本集中的每一个少数类故障样本到少数类故障样本集中所有样本的欧式距离；
根据欧式距离计算得到该少数类故障样本的k邻近点，并且随机从k个邻近点中选择一个邻近点，在该邻近点与该少数类故障样本点间的直线上选择任意一个位置，采用线性插值的方式生成新的故障样本。
6.根据权利要求1所述的基于格拉姆角场与残差网络的输电线故障辨识方法，其特征在于，所述原始辨识模型的卷积神经网络采用基于多残差网络模块的多输出卷积神经网络架构，使得原始辨识模型能够具有故障类型原始辨识子模型和故障原因原始辨识子模型；
在所述故障类型原始辨识子模型和所述故障原因原始辨识子模型之间搭建有特征融合层，以将两子模型训练得到的特征参数融合起来；借助于基于特征融合层实现的融合参数，所述故障类型原始辨识子模型和所述故障原因原始辨识子模型实现各自的输出。
7.根据权利要求6所述的基于格拉姆角场与残差网络的输电线故障辨识方法，其特征在于，在所述多残差网络模块的多输出卷积神经网络架构中，每一残差神经网络模块含有两个相同的基本计算单元，并且在两个基本计算单元中连接有能够防止模型过拟合的跳远连接层。
8.根据权利要求1所述的基于格拉姆角场与残差网络的输电线故障辨识方法，其特征在于，在对原始辨识模型进行训练和测试的步骤中，设置最大训练次数并且判断模型的损失函数是否收敛，若损失函数收敛则达到最大训练次数后就可以完成模型的训练，若损失函数未收敛则增大最大训练次数，直至收敛为止，最终得到所述输电线路故障辨识模型。
9.一种基于格拉姆角场与残差网络的输电线故障辨识装置，其特征在于，包括：
获取单元，用于获取输电线路的二次侧三相录波数据；
格拉姆角场转换单元，用于基于格拉姆角场将提取得到的输电线路的二次侧三相录波数据转换为二维彩色图像，作为故障辨识图像；
输电线故障辨识单元，用于根据预先构建的输电线路故障辨识模型对获得的故障辨识图形进行识别，所述输电线路故障辨识模型为基于多目标残差网络的多输出卷积神经网络架构，其能够将故障原因和故障类型作为预测结果进行同步输出；
其中，还包括：
模型构建单元，用于构建原始辨识模型，所述原始辨识模型为基于多目标残差网络的多输出卷积神经网络架构；
第二获取单元，用于获取故障输电线路的二次侧三相故障录波数据；
所述格拉姆角场转换单元还用于基于格拉姆角场将获取的每一故障输电线路的二次侧三相故障录波数据转换为二维彩色图像，作为故障样本图像；
故障样本分类单元，用于将转换获得的故障样本图像按照故障类型和故障原因分别进行分类，同时对少数类故障样本做Smote过采样处理，获得故障样本集；
训练单元，用于将基于二维彩色图像的故障样本集作为输入，对原始辨识模型进行训练和测试，以获得训练好的所述输电线路故障辨识模型。
10.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至8中任一项所述的基于格拉姆角场与残差网络的输电线故障辨识方法。
CN202311255429.0A 2023-09-25 2023-09-25 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 Pending CN117272143A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311255429.0A CN117272143A (zh) 2023-09-25 2023-09-25 基于格拉姆角场与残差网络的输电线故障辨识方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311255429.0A CN117272143A (zh) 2023-09-25 2023-09-25 基于格拉姆角场与残差网络的输电线故障辨识方法和装置

Publications (1)

Publication Number Publication Date
CN117272143A true CN117272143A (zh) 2023-12-22

Family

ID=89217370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311255429.0A Pending CN117272143A (zh) 2023-09-25 2023-09-25 基于格拉姆角场与残差网络的输电线故障辨识方法和装置

Country Status (1)

Country Link
CN (1) CN117272143A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116973684A (zh) * 2023-07-31 2023-10-31 中国南方电网有限责任公司超高压输电公司电力科研院 基于drn模型的高压直流输电系统故障诊断方法及系统
CN117743944A (zh) * 2024-01-04 2024-03-22 重庆大学 基于多源数据的输电线路故障辨识方法、装置及电子设备
CN118035923A (zh) * 2024-04-08 2024-05-14 东南大学 一种电网录波异常信号识别方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116973684A (zh) * 2023-07-31 2023-10-31 中国南方电网有限责任公司超高压输电公司电力科研院 基于drn模型的高压直流输电系统故障诊断方法及系统
CN116973684B (zh) * 2023-07-31 2024-10-01 中国南方电网有限责任公司超高压输电公司电力科研院 基于drn模型的高压直流输电系统故障诊断方法及系统
CN117743944A (zh) * 2024-01-04 2024-03-22 重庆大学 基于多源数据的输电线路故障辨识方法、装置及电子设备
CN117743944B (zh) * 2024-01-04 2024-06-18 重庆大学 基于多源数据的输电线路故障辨识方法、装置及电子设备
CN118035923A (zh) * 2024-04-08 2024-05-14 东南大学 一种电网录波异常信号识别方法
CN118035923B (zh) * 2024-04-08 2024-07-09 东南大学 一种电网录波异常信号识别方法

Similar Documents

Publication Publication Date Title
Teimourzadeh et al. High impedance single-phase faults diagnosis in transmission lines via deep reinforcement learning of transfer functions
Ray et al. Support vector machine based fault classification and location of a long transmission line
CN117272143A (zh) 基于格拉姆角场与残差网络的输电线故障辨识方法和装置
TWI425226B (zh) 高壓輸配電網路之故障偵測、辨識與定位之方法及系統
Resmi et al. Detection, classification and zone location of fault in transmission line using artificial neural network
CN112485598A (zh) 结合波形相关性与幅值特征的小电流接地故障定位方法
CN115932484B (zh) 输电线路故障辨识与故障测距方法、装置和电子设备
Han et al. Faulted-Phase classification for transmission lines using gradient similarity visualization and cross-domain adaption-based convolutional neural network
Gao et al. Advancing high impedance fault localization via adaptive transient process calibration and multiscale correlation analysis in active distribution networks
CN110702966A (zh) 一种基于概率神经网络的故障电弧检测方法、装置及系统
CN114239703A (zh) 主动配电系统故障诊断方法、系统、设备及存储介质
CN113610119B (zh) 基于卷积神经网络识别输电线路发展性故障的方法
CN115456111A (zh) 一种基于配电物联网的故障定位方法及定位系统
Li et al. Artificial intelligence for real-time topology identification in power distribution systems
CN115017828A (zh) 基于双向长短时记忆网络的电力电缆故障识别方法及系统
CN114252739A (zh) 配电网单相接地故障判别方法、系统、设备和存储介质
CN119291366A (zh) 基于改进边图注意力机制的配电网故障定位方法及装置
CN113627294A (zh) 一种基于深度学习的变电站异常智能识别方法及系统
Tian et al. Deep convolutional neural networks for distribution system fault classification
CN114325072B (zh) 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置
Apisit et al. An application of discrete wavelet transform and support vector machines algorithm for fault locations in underground cable
CN117347916A (zh) 一种基于参数辨识的绕组结构故障定位方法及装置
Balouji et al. A deep learning approach to earth fault classification and source localization
Wang et al. Substation Equipment Defect Detection based on Temporal-spatial Similarity Calculation
Zeng et al. Fault Detection of Flexible DC Distribution Network Based on GAF and Improved Deep Residual Network

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