CN109917223A - 一种输电线路故障电流行波特征提取方法 - Google Patents
一种输电线路故障电流行波特征提取方法 Download PDFInfo
- Publication number
- CN109917223A CN109917223A CN201910175104.9A CN201910175104A CN109917223A CN 109917223 A CN109917223 A CN 109917223A CN 201910175104 A CN201910175104 A CN 201910175104A CN 109917223 A CN109917223 A CN 109917223A
- Authority
- CN
- China
- Prior art keywords
- traveling wave
- feature
- convolution
- transmission line
- line malfunction
- 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
Links
Landscapes
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种输电线路故障电流行波特征提取方法,涉及输电网故障监测领域,通过对获取输电线路故障时刻行波信号并进行整合,并进行归一化处理,然后进行多次卷积和池化计算,使原波形特征增强,降低噪音、数据维度并保留了行波与其特征在视觉上的一致性。而且,每一层里的卷积核的值和长度与其它层中的都不相同;每个卷积核在整个信号中滑动,检测图像不同位置上的同一特征,最后的卷积结果构成了输入信号的特征图,提取出信号的局部特征;再利用池化降采样对特征进行压缩,保留主要特征,降低了数据维度,减少了计算处理量,提高了计算速度,更好的保留了原始行波与其特征视觉上的一致性,识别的准确率更高。
Description
技术领域
本发明属于输电网故障监测领域,尤其涉及一种基于卷积和池化的输电线路故障电流行波特征提取方法。
背景技术
输电线路多位于野外,点多面广,不但维护困难,还经常受到雷电、强风、雨雾、冰雪等恶劣天气的影响,导致跳闸故障。另一方面,因城镇建设或者人为作用造成的外力破坏引起输电线路故障时有发生。及时的故障原因辨识研究可以指导巡线,加快检修及线路供电恢复,因此,深入研究和分析输电线路的各类故障的行波特征对于输电线路突发故障的快速查找与检修排除具有重要意义。
目前输电线路故障监测领域中,故障原因和性质通常根据故障行波电流特征、形态来辨识。现有的特征提取方法有傅里叶变换法和小波包能量分解法。现有行波特征提取技术中,由于行波是一种典型的非平稳信号,而傅里叶变换法处理非平稳信号有局限性,它只能获取一段信号总体上包含哪些频率的成分,但是对各成分出现的时刻并无所知。因此时域相差很大的两个信号,可能频谱图一样。所以得到的特征不够直观且解释性不强。另一个小波包能量分解法,虽然在相比于傅里叶变换法,小波包能量分解法处理非平稳信号具有更高的分辨率,但仍然存在一个主要问题。小波包分解的层数与信号的时频分析精度息息相关,分解层数少,频带分辨率低,提取特征的解释性低;分解层数越多,频带分辨率越高,提取特征的解释性越强。但是随着小波包分解层次的增大,提取特征的维数呈指数增大,导致计算过于复杂,计算时间久。
针对现有输电线路故障电流行波特征提取的不足之处,本发明提出一种基于卷积和池化的行波特征提取方法。
发明内容
本发明的目的在于提供一种输电线路故障电流行波特征提取方法,从而克服了现有输电线路故障电流行波特征提取计算过于复杂、计算时间久的缺点。
为实现上述目的,本发明提供了一种输电线路故障电流行波特征提取方法,包括以下步骤:
S1、获取输电线路故障时刻行波信号并进行整合,然后进行归一化处理,减少各维度数据取值范围的差异而带来的干扰;
S2、对归一化后的每条行波数据进行卷积计算,提取行波特征;
S3、对卷积后的行波数据进行池化法采样,提取新的行波特征;
S4、对所述新的行波特征重复S2-S3,直至得到所需数量的特征向量,即为最终所提取的特征。
进一步的,所述归一化处理的公式为:
式(1)中,xi为原行波信号x中的第i个点,i=1,2,3...m,xmin为原行波信号中最小值,xmax为原行波信号中最大值,X(i)为原行波信号x中的第i个点归一化处理后得到的新数据,i=1,2,3...m。
进一步的,所述S2具体包括:
S21、对归一化后的每条行波数据进行卷积计算卷积计算:
式(2)中,以卷积核k的长度n为一个卷积窗口,在长度为m的行波数据X中滑动,s为滑动步长,计算每个卷积窗口中行波数据X与卷积核k相乘的值后,再求和,得到的值y为当前卷积窗口所提取出的特征;j=1,2,3...L,i为归一化后行波信号X与卷积核k中的第i个点,j为新数据y中的第j个点;
S22、卷积后得到的新的行波数据y的长度
进一步的,所述池化降采样采用最大值池化法或平均值池化法。
进一步的,所述卷积窗口长度和滑动步长均为所述卷积核长度。
与现有的技术相比,本发明具有如下有益效果:本发明所提供的一种输电线路故障电流行波特征提取方法,通过对获取输电线路故障时刻行波信号并进行整合,然后进行归一化处理,然后进行多次卷积计算和池化,使原波形特征增强,降低噪音、数据维度并保留了行波与其特征在视觉上的一致性。而且,每一层里的卷积核的值和长度与其它层中的都不相同;每个卷积核在整个信号中滑动,检测图像不同位置上的同一特征,最后的卷积结果构成了输入信号的特征图,提取出信号的局部特征;再利用池化降采样对特征进行压缩,保留主要特征,降低了数据维度,减少了计算处理量,提高了计算速度。相比于其他行波特征提取方法,速度更快,更好的保留了原始行波与其特征视觉上的一致性,识别的准确率更高。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一个实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种输电线路故障电流行波特征提取方法的流程图;
图2是本发明的最大值池化法的运算过程的示意图;
图3是本发明的平均值池化法的运算过程的示意图;
图4是本发明的实施例雷击行波数据的波形图;
图5是本发明的实施例雷击行波数据进行卷积和池化得到的波形图;
图6是本发明的实施例原始数据波形图与最终得到的特征图对比的示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的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。
如图1所示,本发明所提供的一种输电线路故障电流行波特征提取方法包括以下步骤:
S1、获取输电线路故障时刻行波信号并进行整合,然后进行归一化处理,减少各维度数据取值范围的差异而带来的干扰;
归一化处理的公式为:
式(1)中,xi为原行波信号x中的第i个点,xmin为原行波信号中最小值,xmax为原行波信号中最大值,X(i)为行波信号中的第i个点归一化处理后得到的数据,i=1,2,3...m,m为原行波信号(数据)x和归一化后行波信号X的长度,由于原始行波和归一化后行波的点数相同,所以原始行波的第i个点进行归一化后得到的新数据为归一化后行波的第i个点,i一直为同一个值。
S2、对归一化后的每条行波数据进行卷积计算,提取行波特征;具体如下:
S21、对归一化后的每条行波数据进行卷积计算卷积计算:
式(2)中,以卷积核k的长度n为一个卷积窗口,在长度为m的行波数据X中滑动,s为滑动步长,计算每个卷积窗口中行波数据X与卷积核k相乘的值后,再求和,得到的值y为当前卷积窗口所提取出的特征;i=1,2,3...m;j=1,2,3...L,i为归一化后行波信号X与卷积核k中的第i个点,j为新数据y中的第j个点;
S22、卷积后得到的新的行波数据y的长度
S3、对卷积后的行波数据进行池化法采样,提取新的行波特征;池化降采样采用最大值池化法或平均值池化法;
采用最大值池化法时,先设定好窗口的长度与滑动步长,在卷积计算得到在窗口中滑动的y值,在每个窗口中取最大值作为新提取的特征z。最大值池化法的运算过程如图2所示,设定窗口的长度为3(即一个窗口包括3个数,例如图2中的第一个窗口包含(1,3,5))、滑动步长为3,通过最大池化法得到最终提取特征z(5,6,8,9)。
采用平均值池化法时,先设定好窗口的长度与滑动步长,在卷积计算得到在窗口中滑动的y值,在每个窗口中取最大值作为新提取的特征z。平均值池化法的运算过程如图3所示,设定窗口的长度为3、滑动步长为3,通过平均值池化法得到最终提取特征z(3,4,6,4)。
S4、对新的行波特征重复S2-S3,直至得到所需数量的特征向量,即为最终所提取的特征z。利用多次卷积计算和池化,使原波形特征增强,降低噪音、数据维度并保留了行波与其特征在视觉上的一致性。而且,每一层里的卷积核的值和长度与其它层中的都不相同;每个卷积核在整个信号中滑动,检测图像不同位置上的同一特征,最后的卷积结果构成了输入信号的特征图,提取出信号的局部特征;再利用池化降采样对特征进行压缩,保留主要特征,降低了数据维度,减少了计算处理量,提高了计算速度。相比于其他行波特征提取方法,速度更快,更好的保留了原始行波与其特征视觉上的一致性,识别的准确率更高。
对本发明输电线路故障电流行波特征提取方法的实施例进行详细说明,以使本领域技术人员更了解本发明:
选取871条故障电流行波数据,其中雷击行波有306条,非雷击行波有565条。每条波形的采样点数为2400,采样频率为2MHz,对其进行特征提取。按照发明步骤:
S1、首先读取故障电流行波数据,通过软件分别对雷击行波数据和非雷击行波数据进行分组整合,然后对每组数据进行归一化处理;如图4所示,图4为雷击行波数据的波形图及该行波归一化后的波形图;通过图4可看出,归一化后该行波总共采样点数不变,仅幅值压缩至0-1之间。
S2-S3、对每组数据进行卷积计算,第一层卷积核为边缘算子[-1,0,1],用于提取波形的边缘特征;其中,卷积窗口长度和滑动步长均为卷积核长度,卷积后每条波形点数减少为800。再对其进行最大值池化法,窗口和滑动步长为2,池化后数据维度减少到400。S2-S3得到的雷击行波数据的波形图如图5所示。
S4、对S2-S3得到的行波再经过第二次卷积,卷积核为[0,0,1,3,5,3],为了提取行波主波处特征;其中,卷积窗口长度和滑动步长为卷积核长度,滑动步长为5,卷积后点数降为80。再进行第二次最大值池化法,窗口和滑动步长为2,每条波形仅剩40个点,作为最后提取的行波特征。根据S4得到的波形图如6所示,图6中的原始行波1为雷击行波数据的波形图,特征图1为原始行波1经过上述步骤后得到的特征值;原始原始行波2为非雷击行波数据的波形图,特征图2为原始行波2经过上述步骤后得到的特征值。
按照以上步骤对所有行波进行处理,并记录提取特征所用时间。利用已有的支持向量机识别模型进行训练和测试,结果与小波包能量分解法进行对比,对比结果如下表1所示。
表1:
方法 | 时间(秒) | 特征数量 | 识别雷击行波准确率 |
本发明 | 1.752 | 40 | 95.63% |
小波包能量分解法 | 15.332 | 32 | 89.49% |
通过上述实施案例说明,采用本发明所提供的一种输电线路故障电流行波特征提取方法,可以更快速的提取有效的行波特征。并且,本发明也保留了行波与其特征在视觉上的一致性。更加有利于通过经验对产生行波的故障原因进行辨识。
以上所揭露的仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或变型,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种输电线路故障电流行波特征提取方法,其特征在于:包括以下步骤:
S1、获取输电线路故障时刻行波信号并进行整合,然后进行归一化处理;
S2、对归一化后的每条行波数据进行卷积计算,提取行波特征;
S3、对卷积后的行波数据进行池化法采样,提取新的行波特征;
S4、对所述新的行波特征重复S2-S3,直至得到所需数量的特征向量,即为最终所提取的特征。
2.根据权利要求1所述的输电线路故障电流行波特征提取方法,其特征在于:所述归一化处理的公式为:
式(1)中,xi为原行波信号x中的第i个点,i=1,2,3...m,xmin为原行波信号中最小值,xmax为原行波信号中最大值,X(i)为原行波信号x中的第i个点归一化处理后得到的新数据,i=1,2,3...m。
3.根据权利要求1所述的输电线路故障电流行波特征提取方法,其特征在于:所述S2具体包括:
S21、对归一化后的每条行波数据进行卷积计算卷积计算:
式(2)中,以卷积核k的长度n为一个卷积窗口,在长度为m的行波数据X中滑动,s为滑动步长,计算每个卷积窗口中行波数据X与卷积核k相乘的值后,再求和,得到的值y为当前卷积窗口所提取出的特征;j=1,2,3...L,i为归一化后行波信号X与卷积核k中的第i个点,j为新数据y中的第j个点;
S22、卷积后得到的新的行波数据y的长度
4.根据权利要求1所述的输电线路故障电流行波特征提取方法,其特征在于:所述池化降采样采用最大值池化法或平均值池化法。
5.根据权利要求3所述的输电线路故障电流行波特征提取方法,其特征在于:所述卷积窗口长度和滑动步长均为所述卷积核长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175104.9A CN109917223A (zh) | 2019-03-08 | 2019-03-08 | 一种输电线路故障电流行波特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175104.9A CN109917223A (zh) | 2019-03-08 | 2019-03-08 | 一种输电线路故障电流行波特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109917223A true CN109917223A (zh) | 2019-06-21 |
Family
ID=66963888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910175104.9A Pending CN109917223A (zh) | 2019-03-08 | 2019-03-08 | 一种输电线路故障电流行波特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109917223A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219296A (zh) * | 2021-03-22 | 2021-08-06 | 昆明理工大学 | 一种输电线路行波故障数据片段自适应截取方法 |
CN114200327A (zh) * | 2022-01-18 | 2022-03-18 | 哈尔滨工业大学 | 一种考虑多因素影响的电池包中单体电池soc估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841930A (zh) * | 2017-04-13 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种输电线路故障行波的检测方法 |
CN107909118A (zh) * | 2017-12-11 | 2018-04-13 | 北京映翰通网络技术股份有限公司 | 一种基于深度神经网络的配电网工况录波分类方法 |
WO2018125580A1 (en) * | 2016-12-30 | 2018-07-05 | Konica Minolta Laboratory U.S.A., Inc. | Gland segmentation with deeply-supervised multi-level deconvolution networks |
CN109188198A (zh) * | 2018-08-30 | 2019-01-11 | 武汉大学 | 一种基于卷积神经网络的故障数据匹配方法 |
-
2019
- 2019-03-08 CN CN201910175104.9A patent/CN109917223A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018125580A1 (en) * | 2016-12-30 | 2018-07-05 | Konica Minolta Laboratory U.S.A., Inc. | Gland segmentation with deeply-supervised multi-level deconvolution networks |
CN106841930A (zh) * | 2017-04-13 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种输电线路故障行波的检测方法 |
CN107909118A (zh) * | 2017-12-11 | 2018-04-13 | 北京映翰通网络技术股份有限公司 | 一种基于深度神经网络的配电网工况录波分类方法 |
CN109188198A (zh) * | 2018-08-30 | 2019-01-11 | 武汉大学 | 一种基于卷积神经网络的故障数据匹配方法 |
Non-Patent Citations (3)
Title |
---|
VINCENT DUMOULIN 等: "A guide to convolution arithmetic for deep learning", 《STATISTICS》 * |
王明 等: "基于卷积神经网络的网络入侵检测系统", 《信息安全研究》 * |
魏东 等: "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研究", 《中国电机工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219296A (zh) * | 2021-03-22 | 2021-08-06 | 昆明理工大学 | 一种输电线路行波故障数据片段自适应截取方法 |
CN113219296B (zh) * | 2021-03-22 | 2022-07-01 | 昆明理工大学 | 一种输电线路行波故障数据片段自适应截取方法 |
CN114200327A (zh) * | 2022-01-18 | 2022-03-18 | 哈尔滨工业大学 | 一种考虑多因素影响的电池包中单体电池soc估计方法 |
CN114200327B (zh) * | 2022-01-18 | 2023-07-28 | 哈尔滨工业大学 | 一种考虑多因素影响的电池包中单体电池soc估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104132250B (zh) | 一种基于改进小波包的管道泄漏特征向量提取方法 | |
CN104655423B (zh) | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 | |
CN103488941B (zh) | 硬件木马检测方法及系统 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN105094111B (zh) | 基于联合降噪和经验模态分解的控制系统健康状态分析方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN106934125A (zh) | 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 | |
CN102512157B (zh) | 基于模型的动态心电图t波交替定量分析方法 | |
CN104808107A (zh) | 一种xlpe电缆局部放电缺陷类型识别方法 | |
CN105426822A (zh) | 基于双树复小波变换的非平稳信号多重分形特征提取方法 | |
CN101088456A (zh) | 基于进化型小波域维纳去卷积的心电特征提取方法 | |
CN105976383A (zh) | 一种基于极限学习机图像识别的输电设备故障诊断方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN104714075B (zh) | 一种电网电压闪变包络参数提取方法 | |
CN109917223A (zh) | 一种输电线路故障电流行波特征提取方法 | |
CN105572501A (zh) | 一种基于sst变换和ls-svm的电能质量扰动识别方法 | |
CN103197124A (zh) | 基于时频矩阵奇异值的过电压识别方法 | |
CN108072517A (zh) | 一种旋转机械微弱故障信号检测方法 | |
CN108645620A (zh) | 一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法 | |
CN106950475A (zh) | 一种基于小波变换的局部放电信号提取方法及装置 | |
Zhang et al. | An adaptive graph morlet wavelet transform for railway wayside acoustic detection | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN103528820B (zh) | 一种基于距离评估因子势能函数的滚动轴承故障诊断方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |