CN108959732B - 一种基于卷积神经网络的输电线路故障类型识别方法 - Google Patents
一种基于卷积神经网络的输电线路故障类型识别方法 Download PDFInfo
- Publication number
- CN108959732B CN108959732B CN201810621653.XA CN201810621653A CN108959732B CN 108959732 B CN108959732 B CN 108959732B CN 201810621653 A CN201810621653 A CN 201810621653A CN 108959732 B CN108959732 B CN 108959732B
- Authority
- CN
- China
- Prior art keywords
- training
- phase
- fault
- sample
- error
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的输电线路故障类型识别方法,卷积神经网络算法属于深度学习算法的一种,通过将深度学习算法应用于输电线路的故障类型识别领域,进行故障类型识别无需人为提取故障特征,以往的基于人工智能算法的线路故障类型识别需要事先提取故障特征,该发明简化了故障类型识别的结构;提高线路故障类型识别的识别效率,基于深度学习的线路故障类型识别算法在应用中,众多的参数会导致该算法在训练过程中千差万别,本发明打算对其进行优化;降低线路故障类型识别的错误率,不同的激活函数会使训练误差截然不同,本发明使用不同的激活函数对其进行训练,找到最优的激活函数。
Description
技术领域
本发明涉及输电线路故障类型识别领域,特别是一种基于卷积神 经网络的输电线路故障类型识别方法。
背景技术
输电线路出现的各种故障类型中,其中短路故障出现次数最多而 且危害十分严重。短路事故严重时,会造成金属导体大面积的熔化, 特别严重时,会出现喷溅现象,最终导致一些灾难性的后果,比如火 灾的发生。此外,短路故障还会引起电力系统的电压大小普遍降低, 甚至会使部分用户的供电得不到保障。短路故障通常还会使电力系统 的稳定性发生变化,严重时可能会导致大范围的停电。甚至有些短路 情况会干扰通讯系统,影响人们的正常生活以及社会的安全稳定。研 究故障类型识别方法,能够快速的进行故障诊断,为继电保护装置动 作提供依据,以确保线路的正常运行,减少电力事故的危害范围,提高电力系统供电的安全可靠性。现有的输电线路故障类型识别方法如 下:
第一类:基于稳态信号的线路故障类型识别方法。该方法需要利 用谐波信号与稳态工频信号完成故障类型的识别。专家学者们在该方 面研究的有零序电流幅值、相位比较法、DESIR法等。基于稳态信号 的输电线路故障分类方法的主要问题是接地电流的稳态分量太小,不 利于检测,在发生故障时不能使选线装置可靠动作。
第二类:基于暂态信号的线路故障分类方法。暂态识别法通过暂 态信号完成故障类型分类。目前,研究较多的暂态识别法有首半波法、 暂态主频法等。基于暂态信号的输电线路故障分类方法的主要缺点是 该方法受故障类型以及电力系统的接线方式的影响。
第三类:基于人工智能领域的输电线路故障分类方法,主要以神 经网络算法为主。基于人工智能领域的神经网络的输电线路故障识别 方法需要将采集的故障信息进行预处理,并事先提取一定的故障特征, 然后形成输入样本,将故障类型形成目标值,目标值对应神经网络的 输出。从而实现了故障类型的选择,但由于传统的人工神经网络适合 于小样本训练,而且需要事先提取一定的故障特征,否则不利于训练, 对于较大的样本,在训练时间和精度上有些欠缺。
发明内容
本发明的目的是要解决现有技术中存在的不足,提供一种基于卷 积神经网络的输电线路故障类型识别方法。
为达到上述目的,本发明是按照以下技术方案实施的:
一种基于卷积神经网络的输电线路故障类型识别方法,包括以下 步骤:
S1、选择卷积神经网络CNN进行训练;
S2、使用电力系统电磁暂态仿真软件EMTP搭建仿真模型,设置 系统的参数,模拟双电源输电线路模型,R1=0.0212Ω/km; L1=0.8881mH/km;C1=0.0128μF/km;R0=0.1146Ω/km; L0=2.2901mH/km;C0=0.0051μF/km。电压等级设成220kv,电源为50Hz, 线路总长为200km,仿真时间为0~0.1s,故障时间为0.03~0.05s,故 障初始角为0°,线路模型选择LCC中的Bergeron模型;
S3、设置10种短路故障,分别为A相接地短路、B相接地短路、 C相接地短路、AB相接地短路、BC相接地短路、AC相接地短路、AB 相间短路、BC相间短路、AC相间短路以及ABC三相接地短路;10 种短路分别简记为:A-G、B-G、C-G、AB-G、BC-G、AC-G、AB、BC、 AC以及ABC-G;
S4、依次改变S2中搭建好的仿真模型的故障类型、故障电源初 始角、过渡阻抗以及故障距离,并同时采集故障三相电压和三相电流, 对采集后的三相电压和三相电流进行数据转换成MATLAB的数据形式, 进行数据处理,形成一个小样本,样本大小为1000×6,一直重复上 述的工作,直到采集完所有故障情况下的三相电压和三相电流,最终 形成一个大样本大小为9600×1000×6;
S5、将S4中所得的大样本随机划分成训练样本和测试样本,训 练样本大小为:7680×1000×6,测试样本大小为:7680×1000×6, 并针对训练样本和测试样本制作标签即目标值,按照不同的故障类型 制作不同的样本目标值;
S6、使用MATLAB仿真平台编写深度学习程序,由于该发明选择 的是卷积神经网络,搭建CNN的框架,包括将训练样本导入到深度 学习程序中进行训练,通过对训练参数的调整,完成训练过程,并显 示训练误差和训练时间。导入测试样本,通过测试样本观察卷积神经 网络识别输电线路故障类型的误差率;
S7、对CNN网络结构及参数进行优化,在样本数一定的情况下, 网络结构会影响到故障类型识别的错误率,比如卷积层和池化层的个 数、卷积层的卷积面的个数、池化层的维度等均会影响故障类型识别 的错误率;改变这些参数对网络进行调优;
S8、选择ELU激活函数,通过训练样本训练后得到较小的训练误 差,并通过测试样本对网络进行故障类型识别准确率验证。
与现有技术相比,本发明的有益效果为:
1、本发明在输电线路故障类型识别方面,现有的人工智能算法 还未出现深度学习算法,本发明首次将深度学习算法应用于该领域。
2、本发明使用了EMTP电力系统专业软件搭建仿真模型,并在 MATLAB实验仿真平台实现算法程序的运行和调试。
3、本发明在该算法的应用中,对CNN的层级结构及相关参数进 行了优化,降低了训练误差,提高了故障类型识别的精确率,以及提 高识别的效率。
4、本发明对CNN进行了改进,对激活函数进行了相关改进,在 研究Sigmoid激活函数函数和ReLU激活函数的基础上,提出了ELU 激活函数,该激活函数减小了训练误差,提高了输电线路故障类型识 别的精度。
附图说明
图1为本发明的卷积神经网络CNN的结构示意图。图2为本发 明的卷积神经网络CNN的输入层的数据处理过程图:(a)为起始数 据图;(b)去均值后的数据图;(c)归一化处理的数据图。
图3为本发明的卷积神经网络CNN的卷积层示意图。
图4为本发明的卷积神经网络CNN的池化层示意图。
图5为本发明电力系统电磁暂态仿真软件EMTP搭建的仿真模型。
图6为本发明采集的电力系统电磁暂态仿真软件EMTP搭建的仿 真模型的三相短路电压波形图。
图7为本发明采集的电力系统电磁暂态仿真软件EMTP搭建的仿 真模型的三相短路电流波形图。
图8为本发明的卷积神经网络CNN的故障类型对应的分类结构 对应关系图。
图9为本发明的Matlab生成的训练数据。
图10为本发明的Matlab生成的仿真结果图。
图11为本发明的Matlab训练结束及训练误差图。
图12为不同卷积神经网络CNN结构的训练结果对比图。
图13为卷积神经网络CNN的不同卷积核的训练结果对比图。
图14为卷积神经网络CNN的不同批次的训练结果对比图。
图15为卷积神经网络CNN的不同学习率的训练结果对比图。
图16为卷积神经网络CNN的不同激活函数的训练结果对比图。
图17为使用电力系统电磁暂态仿真软件EMTP搭建仿真模型进 行仿真、数据采集、数据转换以及数据过程图。
具体实施方式
下面结合具体实施例对本发明作进一步描述,在此发明的示意性 实施例以及说明用来解释本发明,但并不作为对本发明的限定。
本实施例的一种基于卷积神经网络的输电线路故障类型识别方 法,包括以下步骤:
S1、选择卷积神经网络CNN进行训练;
S2、使用电力系统电磁暂态仿真软件EMTP搭建仿真模型,设置 系统的参数,模拟双电源输电线路模型,R1=0.0212Ω/km; L1=0.8881mH/km;C1=0.0128μF/km;R0=0.1146Ω/km; L0=2.2901mH/km;C0=0.0051μF/km。电压等级设成220kv,电源为50Hz, 线路总长为200km,仿真时间为0~0.1s,故障时间为0.03~0.05s,故 障初始角为0°,线路模型选择LCC中的Bergeron模型;
S3、设置10种短路故障,分别为A相接地短路、B相接地短路、 C相接地短路、AB相接地短路、BC相接地短路、AC相接地短路、AB 相间短路、BC相间短路、AC相间短路以及ABC三相接地短路;10 种短路分别简记为:A-G、B-G、C-G、AB-G、BC-G、AC-G、AB、BC、 AC以及ABC-G;
S4、依次改变S2中搭建好的仿真模型的故障类型、故障电源初 始角、过渡阻抗以及故障距离,并同时采集故障三相电压和三相电流, 对采集后的三相电压和三相电流进行数据转换成MATLAB的数据形式, 进行数据处理,形成一个小样本,样本大小为1000×6,一直重复上 述的工作,直到采集完所有故障情况下的三相电压和三相电流,最终 形成一个大样本大小为9600×1000×6;
S5、将S4中所得的大样本随机划分成训练样本和测试样本,训 练样本大小为:7680×1000×6,测试样本大小为:7680×1000×6, 并针对训练样本和测试样本制作标签即目标值,按照不同的故障类型 制作不同的样本目标值;
S6、使用MATLAB仿真平台编写深度学习程序,由于该发明选择 的是卷积神经网络,搭建CNN的框架,包括将训练样本导入到深度 学习程序中进行训练,通过对训练参数的调整,完成训练过程,并显 示训练误差和训练时间。导入测试样本,通过测试样本观察卷积神经 网络识别输电线路故障类型的误差率;
S7、对CNN网络结构及参数进行优化,在样本数一定的情况下, 网络结构会影响到故障类型识别的错误率,比如卷积层和池化层的个 数、卷积层的卷积面的个数、池化层的维度等均会影响故障类型识别 的错误率;改变这些参数对网络进行调优;
S8、选择ELU激活函数,通过训练样本训练后得到较小的训练误 差,并通过测试样本对网络进行故障类型识别准确率验证。
如图1所示,卷积神经网络CNN由数据的输入层、卷积层、降 采样层、光栅化层、全连接层以及输出层构成。
1)输入层
输入层主要完成数据预处理工作,如将原始数据进行去均值、归 一化等,去均值是把输入数据各个维度都中心化到0,避免数据过多 偏差,若原始数据为vi,总数量为N,去均值后的值为:
ui=vi-(Σvi)/N (1)
数据归一化处理是数据挖掘的一项基本工作,评价指标会影响数据 处理的过程,这样的情况会影响数据分析的结构。为了能够降低指标 的影响,待分析的信号就要完成归一化处理,待分析的信号在归一化 完成后,指标才会位于相同的数量级。归一化方法具有两种,一种是 线性函数的归一化,是对原始数据的线性变换,使结果值映射到[0~1] 之间。其中x为输入起始数据,xmax表示的是在该样本中最大的数据 值,xmin表示的是该样本中最小的数据值。归一化形式如下:
另一种归一化是0均值归一化,归一化完成后,待处理的信号将 会变成均值是0、方差是1的数据集,转换函数为:
式中,μ表示的是原始信号的平均值,σ表示的是原始信号数据的 标准差。
图2中(b)就是去均值后的效果图,图2中(c)是归一化完成之后 的数据图。
(2)卷积层
卷积层相当于滤波层,卷积核相当于滤波器,示意图如图3所示:
卷积层相当于滤波层,卷积核相当于滤波器,如果输入层和输出 层之间全连接,会造成很大的权值参数,卷积层局部感知的功能能够 很大程度减少权值参数,如果将图像表示为P=f(x,y),其中f(x,y)为P 中的位于坐标(x,y)位置的灰度值,P的像素为M×N。卷积核表示为 k(x,y),大小为a×b,表示图像任何一点参与运算的领域的大小为a×b, C(s,t)为图像P与卷积核k卷积后的矩阵,运算表达式如式(4)所示:
式中,s与t的取值范围是1≤s≤M-a+1,1≤t≤N-b+1。
卷积运算类似于滤波的过程,即采用事先定义好的卷积核在图像 上进行滑动,卷积核滑到的部分与原图中的数据进行相乘,总体再进 行相加,相加的结果会形成一个新的矩阵,如图1,这个过程就为卷 积过程。卷积具有自己的优势,在某种程度上,不仅可以使原信号特 征更加突出,同时又可降低不良噪音。卷积运算的结果经过非线性变 换得到这一层的特征图,非线性变换函数通常是sigmoid函数,有些 文献也称作激励函数,其函数表达式为:
CNN的卷积层一般可写为:
式中,l表示的是本层网络的层级数,kij表示的是卷积核的权值 矩阵,Mj为输入特征图的一个集合,bj为卷积层中每个特征对应的一 个偏置项。Xj-1表示上一层的输出,Xj表示当前层的输出。
(3)降采样(池化)层
CNN的池化层的作用是对前一层的信号完成缩放映射,池化完 成后,数据维度会大大降低,同时还可以防止过拟合。池化通常分为 均值池化和最大值池化,一般采用均值池化,如图4所示:
输入、输出和池化矩阵维度满足m=n/k。S层的作用类似于模糊 滤波器,能够再次进行特征提取,其神经元计算方法如公式(1)所示:
式中,k为池化矩阵维度。
(4)全连接层
全连接层位于CNN的末尾位置,是用来分类的,这一层实际上构 成一个普通的多层前馈神经网络。池化层的输出经过初始化后进入全 连接层,全连接层的激励函数可为sigmoid函数,一般多分类用的是 softmax函数,可以实现多分类,输出层输出的是一个实数向量,一 般输出值不同,对应的输出值也应发生相应变换,节点对应的输出值 为当前输入的概率。
(5)CNN的训练过程
反向传播需求出输出与理想目标值之间的误差,再将误差值反向 传播,然后用随机梯度下降法调整网络参数。CNN的反向传播依赖损 失函数或代价误差函数来调节网络参数,具体过程如下:
①训练误差的计算
CNN的代价误差函数形式如下:
式中,r为所分类的类别数,Yk为输入样本对应的目标值的第k 维,Ok为前向训练得到的输出值的第k维。
代价误差函数用来衡量网络训练的误差,当批量输入样本时,代 价函数是所有训练样本的训练误差的总和。训练样本的输出结果取决 于输出层所采用的激活函数,如果采用sigmoid函数,则目标值是0 和1,如果采用tanh函数,则目标值为-1和1。
②全连接层的误差反向传播
在全连接层,用l表示特征向量层,则l+1表示输出层,xl表示 第l层的输出,W和b分别表示权值和偏置,f(.)是激活函数。
在反向传播过程中,其误差是偏置b的灵敏度,即误差对其的偏 导,b的灵敏度为:
由于式(10)中从式(10)可以看出,偏置b的灵敏度 以及误差E对某个节点的所有输入u的导数是相等的,这里 表示为:
式中,表示每个分量进行相乘,即矩阵的点积操作。
在误差传播的过程中,首先到达的是特征向量层,特征向量层是 由上一个降采样层连接而成的相量,灵敏度为:
δl=WTδl+1
(12)
③卷积层的误差反向传播
计算得到特征向量层的误差后,误差进行反向传播,依次经过池 化层S4,卷积层C3,池化层S2,卷积层C1。误差反向传播至池化层 S4时,只需将误差向量重塑为误差矩阵,该误差矩阵即作为S4层的误 差。对于卷积层C3和C1同理可得。边长变成原来池化区域边长的倒 数,即1/side,side为池化区域的边长。因此,在误差传递到卷积层 时,需要将池化层的误差扩充,即将误差与side×side的1矩阵做 Kronecker乘积,定义如下所示:
设A=(aij)∈Cm×n,B=(bij)∈Cp×q,式(13)中的分块矩阵叫做A的 Kronecker乘积,或称A与B的直积,简记为即是 一个m×n块的分块矩阵,最后是一个mp×nq阶的矩阵。
与降采样相对应,误差扩充的过程称为上采样,用函数up(.)来表 示,其形式为:
④用的是平均池化,池化层的各个节点的误差敏感度也是由卷积 层中对应区域的所有节点取均值得到。对于l的第j个图,可求得其 误差灵敏度为:
⑤池化层的误差反向传播
对于池化层S2,其误差是由卷积层C3传播而来的,因此求S2层 的误差时,只需将C3层的误差反卷积C3层的卷积核即可。假设池化 层是第l层,并且具有N个特征图,则第(l+1)层则为卷积层,且含M 个特征图。因为第(l+1)层的各个特征图不同于l层,其值大小是l层所有特征图的值与对应的卷积核做卷积之后的和,所以l层特征图的 误差灵敏度为(l+1)层全部卷积核的总和。池化层l的第i个特征图, 经过分析推导后,求得其误差的灵敏度如下:
⑥特征抽取层和全连接层的梯度
池化层不用计算梯度,只需计算卷积层和尾部全连接层的梯度。 求卷积层的梯度,实际上就是求代价函数相对于权值和偏置的导数, 由于CNN中的连接是权值共享的,因此在求其导数时,先求出其梯 度,最后将这些梯度相加。对于池化层(l-1),该层的第i个特征图需 要进行一些处理,即与卷积层第j个特征图连接的权值导数为:
式中,是(l-1)层第i个特征图中与卷积核逐个进行卷积的 区域,是的(u,v)项的值。
对l层中的所有特征图的节点求和,得到偏置的导数,如式(17):
对于全连接层,若特征向量的层数用l表示,则其权值和偏置的 导数分别如式(18)和(19)所示:
⑦参数更新
求得每个参数的导数之后,需要对每个参数更新,对于卷积层, 其权值更新和偏置更新的表达式分别如式(20)和(21)所示,对于 全连接层,更新如式(22)和(23)所示:
调整参数后,可将样本再次输入到已更新了的卷积神经网络模型 中,直达网络收敛或达到指定的迭代终止条件,此时训练过程完成。
本发明使用了EMTP电力系统专业软件搭建仿真模型,并在 MATLAB实验仿真平台实现算法程序的运行和调试。
使用电力系统电磁暂态仿真软件EMTP搭建仿真模型,如图5所 示,步骤如下:
(1)使用EMTP软件搭建如图5所示的仿真模型,并设置模型中 的线路、电源、过度阻抗、变压器、等效电阻以及开关等参数;
(2)依次改变系统参数进行数据采集、数据转换和数据保存, 比如:在F1处发生C相短路接地,过渡阻抗为100Ω,电源初相角 为0度时,模型仿真、数据采集、数据转换以及数据保存如图17所 示,实现了数据从EMTP软件的.ADF转换成MATLAB软件的.MAT文件;
(3)将所有故障情况依次进行仿真,然后将数据转换成MATLAB 文件并保存后,紧接着对采集到的数据进行归一化和去均值等预处理, 然后形成训练样本和测试样本,最终形成的样本如图9所示;
(4)调用MATLAB中的深度学习库,打开卷积神经网络CNN库程 序,并将形成的样本导入到CNN中,接下来就是进行训练和和调试。
然后,同时采集三相故障电压和电流,并导入到MATLAB中形成 样本如图6和图7所示。
故障类型对应的样本的目标值如图8所示:
样本的形式有两种,一种是原始的样本,即x1=1000×6形式, 另一种是经过矩阵分块变换的样本,即x2=100×60形式,100×60 形式的样本训练效果更佳,误差更小,所以本文研究的样本均为100 ×60的形式,将训练样本的输入数据定义成train_x=100×60×7680, 训练样本的目标值定义成train_y=10×7680;同理将测试样本的输 入数据定义成test_x=100×60×1920,将训练样本的理想目标值定 义成test_y=10×1920。形成的样本如图9所示:
借用MATLAB仿真平台编写深度学习程序,仿真过程如下:
实验测试平台为MATLAB实验平台,添加库 DeepLearnToolbox-master,并调用CNN库进行仿真,经EMTP仿真采 集到的数据形成样本导入到MATLAB中,仿真界面如图1,界面左侧 表示导入的样本集,上面表示运行的程序,下面表示正在训练中,生 成的仿真结果如图2,训练3000次结束的界面如图3,可以看出故障 类型识别的错误率为0.3125%,并不是0.3125,从图10中的er显示 也为0.0031。
本发明在该算法的应用中,对CNN的层级结构及相关参数进行了 优化,降低了训练误差,提高了故障类型识别的精确率,以及提高识 别的效率。
(1)对网络结构进行优化,设置结构1为6C-1S-12C-2S-12C-2S, 结构2为6C-2S-12C-1S,结构3为6C-1S-12C-2S为,卷积核统一设 置为3*3,均训练2000次,训练结果如图12所示:
结构1、2和3的测试样本错误率分别为90%、7.87%和9.27%, 可见不同的层级结构对训练结果影响很大,本发明选择最优的网络结 构2进行线路故障类型识别。
(2)对卷积核进行优化,训练结果如图13所示,图中结构1为 6C-3-2S-12C-2-1S,结构2为6C-3-2S-12C-3-1S,结构3为 6C-5-2S-12C-2-1S。从图中可以看出,在其余参数均相同的情况下, 结构3即卷积核大小为5*5和2*2的训练效果较好。经过对比,本发 明选择结构3的卷积核。
(3)对训练批次(Batchsize)进行优化,训练结果如下,图中分 别为批次(Batchsize)为5、10以及20的训练结果,可见训练批次不 影响迭代速度,仅影响迭代次数和训练误差,由图14可以观察出, 批次越小迭代的次数越多,训练误差会越小,但时间越大,本发明折 中考虑,选择训练批次为10。
(4)对学习率进行优化,训练结果如下,学习率1表示学习率 为0.001,学习率2表示学习率为0.01,学习率3表示学习率为0.1。 从图15中可以发现一些规律,即学习率并不是越小,训练效果越好, 也不是越大越好,试验结果表明学习率为0.01的训练效果较佳,本发明选择学习率为0.01。
本发明对CNN进行了改进,对激活函数进行了相关改进,在研究 Sigmoid激活函数函数和ReLU激活函数的基础上,提出了ELU激活 函数,该激活函数减小了训练误差,提高了输电线路故障类型识别的 精度。
如图16所示,ReLU激活函数的训练结果明显优于Sigmoid激活 函数,ELU激活函数的训练结果明显优于ReLU激活函数。训练1000 次后,ELU激活函数的训练误差基本接近0,而Sigmoid激活函数还 在0.15处波动。
训练结果和故障类型识别总结如下表:
表1网络结构下的不同激活函数的训练结果
统一设置卷积核为5*5和2*2,每一种结构分别采用了3种激活 函数进行训练,并且设置不同训练次数。训练结果可以看出,ReLU 激活函数的训练结果优于Sigmoid函数,ELU激活函数的训练结果优 于ReLU函数。在CNN训练集训练结束后,用于测试的时间很短,虽 然训练时间较大,但用来故障分类的时间很短,所以训练时间不会影 响故障分类的效率,综合训练结果,ELU激活函数的训练效果最好, 训练3000次时的训练误差为0.001291,故障类型识别的误差为 0.09223%。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发 明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (1)
1.一种基于卷积神经网络的输电线路故障类型识别方法,其特征在于,包括以下步骤:
S1、选择卷积神经网络CNN进行训练;
S2、使用电力系统电磁暂态仿真软件EMTP搭建仿真模型,设置系统的参数,模拟双电源输电线路模型,R1=0.0212Ω/km;L1=0.8881mH/km;C1=0.0128μF/km;R0=0.1146Ω/km;L0=2.2901mH/km;C0=0.0051μF/km;电压等级设成220kv,电源为50Hz,线路总长为200km,仿真时间为0~0.1s,故障时间为0.03~0.05s,故障初始角为0°,线路模型选择LCC中的Bergeron模型;
S3、设置10种短路故障,分别为A相接地短路、B相接地短路、C相接地短路、AB相接地短路、BC相接地短路、AC相接地短路、AB相间短路、BC相间短路、AC相间短路以及ABC三相接地短路;10种短路分别简记为:A-G、B-G、C-G、AB-G、BC-G、AC-G、AB、BC、AC以及ABC-G;
S4、依次改变S2中搭建好的仿真模型的故障类型、故障电源初始角、过渡阻抗以及故障距离,并同时采集故障三相电压和三相电流,将采集后的三相电压和三相电流进行数据转换成MATLAB的数据形式,进行数据处理,形成一个小样本,样本大小为1000×6,一直重复上述的工作,直到采集完所有故障情况下的三相电压和三相电流,最终形成一个大样本大小为9600×1000×6;
S5、将S4中所得的大样本随机划分成训练样本和测试样本,训练样本大小为:7680×1000×6,测试样本大小为:7680×1000×6,并针对训练样本和测试样本制作标签即目标值,按照不同的故障类型制作不同的样本目标值;
S6、使用MATLAB仿真平台编写深度学习程序,由于该发明选择的是卷积神经网络,搭建CNN的框架,包括将训练样本导入到深度学习程序中进行训练,通过对训练参数的调整,完成训练过程,并显示训练误差和训练时间;导入测试样本,通过测试样本观察卷积神经网络识别输电线路故障类型的误差率;
S7、CNN的层级结构及相关参数进行优化,以降低训练误差,提高故障类型识别的精确率,以及提高识别的效率,具体为:对网络结构进行优化、对卷积核进行优化、对训练批次进行优化和对学习率进行优化;
S8、选择ELU激活函数,通过训练样本训练后得到较小的训练误差,并通过测试样本对网络进行故障类型识别准确率验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810621653.XA CN108959732B (zh) | 2018-06-15 | 2018-06-15 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810621653.XA CN108959732B (zh) | 2018-06-15 | 2018-06-15 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108959732A CN108959732A (zh) | 2018-12-07 |
CN108959732B true CN108959732B (zh) | 2019-09-27 |
Family
ID=64489024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810621653.XA Active CN108959732B (zh) | 2018-06-15 | 2018-06-15 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108959732B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447766A (zh) * | 2021-08-17 | 2021-09-28 | 广东电网有限责任公司东莞供电局 | 一种高阻接地故障的检测方法、装置、设备和存储介质 |
CN113945862A (zh) * | 2021-10-18 | 2022-01-18 | 广东电网有限责任公司东莞供电局 | 一种配电网高阻接地故障识别方法、装置及设备 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657720B (zh) * | 2018-12-20 | 2021-05-11 | 浙江大学 | 一种电力变压器匝间短路故障的在线诊断方法 |
CN109782124B (zh) * | 2018-12-24 | 2021-07-23 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 |
CN110223195A (zh) * | 2019-05-22 | 2019-09-10 | 上海交通大学 | 基于卷积神经网络的配电网故障检测方法 |
CN110232409A (zh) * | 2019-05-30 | 2019-09-13 | 国网上海市电力公司 | 一种配网跳闸故障类型自动识别方法 |
CN110398663B (zh) * | 2019-07-03 | 2021-03-23 | 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 |
CN110262288A (zh) * | 2019-07-15 | 2019-09-20 | 北京七展国际数字科技有限公司 | 一种电力异构混合实时仿真系统 |
CN112240964B (zh) * | 2019-07-16 | 2023-06-20 | 北京映翰通网络技术股份有限公司 | 一种用于配电网故障类型识别的方法 |
CN110533331B (zh) * | 2019-08-30 | 2024-03-15 | 广东电网有限责任公司江门供电局 | 一种基于输电线路数据挖掘的故障预警方法和系统 |
CN111046581B (zh) * | 2019-12-27 | 2022-10-04 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及系统 |
CN111222255A (zh) * | 2020-02-25 | 2020-06-02 | 湖南世优电力科技股份有限公司 | 一种用于电气故障辨识的大数据模拟系统及模拟方法 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
CN111597182A (zh) * | 2020-05-20 | 2020-08-28 | 中国石油化工股份有限公司 | 一种基于卷积神经网络的抽油机驱动电机故障异常识别方法 |
CN112114231B (zh) * | 2020-09-18 | 2023-10-10 | 广西大学 | 一种具有连续学习能力的cnn故障选线方法 |
CN112149554B (zh) * | 2020-09-21 | 2024-05-07 | 广东电网有限责任公司清远供电局 | 故障分类模型的训练、故障检测方法及相关装置 |
CN112596016A (zh) * | 2020-12-11 | 2021-04-02 | 湖北省计量测试技术研究院 | 基于多个一维卷积神经网络集成的互感器故障诊断方法 |
CN113033837A (zh) * | 2021-03-05 | 2021-06-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
CN112784500B (zh) * | 2021-03-22 | 2022-07-01 | 重庆邮电大学 | 基于深度学习和pscad的电磁暂态仿真模型的敏捷生成方法 |
CN113610119B (zh) * | 2021-07-19 | 2023-10-27 | 西安交通大学 | 基于卷积神经网络识别输电线路发展性故障的方法 |
CN113740667B (zh) * | 2021-08-30 | 2022-06-14 | 华北电力大学 | 一种融合自编码器和卷积神经网络的电网故障诊断方法 |
CN113705695A (zh) * | 2021-08-31 | 2021-11-26 | 重庆邮电大学 | 一种基于卷积神经网络的配电网故障数据辨识方法 |
CN115047296B (zh) * | 2022-08-15 | 2022-10-25 | 四川轻化工大学 | 一种配电网故障区段定位方法 |
CN115932484B (zh) * | 2023-02-15 | 2023-07-18 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
CN115993507B (zh) * | 2023-03-23 | 2023-05-30 | 成都交大运达电气有限公司 | 一种电气化铁道牵引供电系统的故障测距方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
CN106291234A (zh) * | 2016-07-29 | 2017-01-04 | 武汉大学 | 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法 |
JP2017199235A (ja) * | 2016-04-28 | 2017-11-02 | 株式会社朋栄 | 学習型アルゴリズムによるフォーカス補正処理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
US10963737B2 (en) * | 2017-08-01 | 2021-03-30 | Retina-Al Health, Inc. | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
-
2018
- 2018-06-15 CN CN201810621653.XA patent/CN108959732B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
JP2017199235A (ja) * | 2016-04-28 | 2017-11-02 | 株式会社朋栄 | 学習型アルゴリズムによるフォーカス補正処理方法 |
CN106291234A (zh) * | 2016-07-29 | 2017-01-04 | 武汉大学 | 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法 |
Non-Patent Citations (3)
Title |
---|
A composite Fault Location Method of Competitive Neutral Network for Distribution Lines;Yan Feng 等;《2015 Fifth International Conference on Communication Systems and Network Technologies》;20151001;全文 * |
cable fault recognition using multiple wavelet neural networks;Mei Wang 等;《2008 International Conference on Wavelet Analysis and Pattern Recognition》;20080930;全文 * |
基于神经网络的三相电缆故障预测定位系统;汪梅 等;《西安科技学院学报》;20040630;第24卷(第2期);全文 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447766A (zh) * | 2021-08-17 | 2021-09-28 | 广东电网有限责任公司东莞供电局 | 一种高阻接地故障的检测方法、装置、设备和存储介质 |
CN113945862A (zh) * | 2021-10-18 | 2022-01-18 | 广东电网有限责任公司东莞供电局 | 一种配电网高阻接地故障识别方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108959732A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959732B (zh) | 一种基于卷积神经网络的输电线路故障类型识别方法 | |
El-Keib et al. | Application of artificial neural networks in voltage stability assessment | |
Perez et al. | Training an artificial neural network to discriminate between magnetizing inrush and internal faults | |
Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
CN108520301A (zh) | 一种基于深度置信网络的电路间歇故障诊断方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN109766853A (zh) | 基于lstm的电压暂降扰动分类方法 | |
CN110298374A (zh) | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 | |
Jia et al. | Validity evaluation of transformer DGA online monitoring data in grid edge systems | |
Chi et al. | A CNN recognition method for early stage of 10 kV single core cable based on sheath current | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
Zhang et al. | PA-DETR: End-to-end visually indistinguishable bolt defects detection method based on transmission line knowledge reasoning | |
Li | Research on application of convolutional neural network in intrusion detection | |
Wang et al. | Intermittent fault diagnosis of analog circuit based on enhanced one-dimensional vision transformer and transfer learning strategy | |
CN110288002A (zh) | 一种基于稀疏正交神经网络的图像分类方法 | |
Shi et al. | A fault location method for distribution system based on one-dimensional convolutional neural network | |
Li et al. | Visualization of CNN transient voltage classification based on feature recognition and enhancement | |
Lu et al. | Anomaly detection method for substation equipment based on feature matching and multi-Semantic classification | |
Wu et al. | Identification and correction of abnormal measurement data in power system based on graph convolutional network and gated recurrent unit | |
He et al. | Partial discharge pattern recognition algorithm based on sparse self-coding and extreme learning machine | |
Wang et al. | Substation Equipment Defect Detection based on Temporal-spatial Similarity Calculation | |
Long et al. | Recognition of Internal Overvoltage in Distribution Network Based on Convolutional Neural Network. | |
Ruirong et al. | Research on Fault Location Technology of Intelligent Distribution Network based on Neural Network | |
Shi et al. | Learn From Raw Data or Statistical Featuresƒ A Comparison Between Two Deep Learning Patterns in Power System Stability Analysis | |
Li et al. | Research on image classification based on deep learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |