CN110223195A - 基于卷积神经网络的配电网故障检测方法 - Google Patents
基于卷积神经网络的配电网故障检测方法 Download PDFInfo
- Publication number
- CN110223195A CN110223195A CN201910428215.6A CN201910428215A CN110223195A CN 110223195 A CN110223195 A CN 110223195A CN 201910428215 A CN201910428215 A CN 201910428215A CN 110223195 A CN110223195 A CN 110223195A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- fault
- distribution network
- network failure
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 17
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 230000015556 catabolic process Effects 0.000 abstract description 5
- 230000000306 recurrent effect Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 2
- 239000011248 coating agent Substances 0.000 description 8
- 238000000576 coating method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 206010033799 Paralysis Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种基于卷积神经网络的配电网故障检测方法，在故障类型、故障相位和故障位置三个问题上提供技术支持，包括如下步骤：S1，采集配电网故障数据集；S2，利用简化的希尔伯特‑黄变换对电流序列数据进行数据预处理；S3，初始化本专利设计的卷积神经网络；S4，利用预处理后数据对卷积神经网络进行训练；S5，利用测试集对故障检测方法进行测试。本发明利用卷积神经网络和简化后的希尔伯特‑黄变换，能够对配电网故障类型、相位和位置进行准确的判断，同时相较于利用循环神经网络进行故障判断的方法，速度得到极大提升。
Description
技术领域
本发明属于深度学习技术领域，具体地，涉及一种基于卷积神经网络的配电 网故障检测方法，利用卷积神经网络和简化的希尔伯特-黄变换进行配电网故障 检测。
背景技术
在当今社会，电力作为主要能源，在日常的工作生活中起着至关重要的作用， 随着城市化建设的发展，用电区域和用电设备也快速增加，因此有必要建设起合 理可靠的配电网。2016年提起了对于电力建设的计划，强调智能电网应该成为 未来电网发展的趋势，并且对于城镇和乡村的智能电网的建设，规划也会给予相 应的资金支持。从中可以看出智能电网的建设受到政府的关注程度以及政府改造 电网的决心。同时，历史上也有多起因为电力瘫痪而发生的巨大灾害事件，发生 在2008年的雪灾造成湖南省电力瘫痪，瘫痪时间长达两周，严重威胁了人民的 生命和财产安全。因此，建立可靠有效的智能配电网将直接影响着用户侧的用电 质量，因此建设起可靠安全的配电网势在必行。
通过对常见配电网故障的分析，在所有的配电网故障的类型中，单相接地故 障最常发生，大概有80％的故障均为单相接地故障。同时，如果配电网故障未能 及时发现，将会使得故障长期存在于配电网当中，并最终引发更为严重的故障。 因此对于配电网故障的检测必须及时有效。同时，传统的电网保护装置虽然也能 够完成故障检测的任务，但是往往将故障检测、故障类型判断以及故障位置这三 个任务割裂开来，尤其是故障位置检测，通常采用的做法是地毯式搜查或者逐级 排查来查询故障位置，这种做法往往消耗大量的人力物力且效率低下，使得不能 在第一时间将故障区域隔离，因此建立起新的配电网涵盖故障类型判断、故障相 位判断和故障位置判断的故障检测方法势在必行。
由于电网故障可以由各种因素引发，常见的引发条件包括负载故障、恶劣天 气或者人为操作等，这些复杂因素使得故障发生时的条件千变万化，同时在实际 环境中，通过电器设备获取的电信号会受到噪声干扰，使得获取电气量的设备获 得的信号存在误差，所以很难建立一个准确的数学模型来对电网故障进行描述和 检测。随着人工智能技术的发展，电网故障的智能化检测得到了广泛应用，其中 包括专家系统、人工神经网络、贝叶斯网络、Petri网和深度学习等方法。但是 随着电网规模的扩大，故障情形日渐复杂，需要根据专家知识和经验构建的规则 也越来越复杂，导致整个系统非常臃肿，耗时较长而无法满足现实场景的需求。
在利用深度学习对配电网故障进行检测的方法中，循环神经网络在印度电网 和典型的电网算例上，取得了一定的效果。与其它采用决策树或随机森林的方法 相比，在准确率上取得了极大的进步，但是仍无法满足快速、准确的故障判断要 求。
目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的 资料。
发明内容
针对现有技术中存在的上述不足，本发明的目的是提出一种基于卷积神经网 络的配电网故障检测方法，该方法能够快速有效地对配电网常见的单相接地、两 相接地、两相短路和三相短路故障进行检测，给出故障类型、故障相位和故障位 置的判断，该方法与传统算法相比识别精度和效率更高，与其它基于循环神经网 络的故障检测方法相比，训练和推断速度大大加快，同时准确率也有所提升。
本发明是通过以下技术方案实现的。
一种基于卷积神经网络的配电网故障检测方法，包括：
S1，采集三相电流信号数据构成配电网故障数据集，生成训练样本和测试样 本；其中，配电网故障数据集中的每一组数据均设置有故障信息标签；
S2，利用简化的希尔伯特-黄变换对配电网故障数据集进行数据预处理，得 到训练样本和测试样本的数据分量；
S3，设置卷积神经网络初始化参数。
S4，将训练样本数据分量的瞬时频率和瞬时幅度输入卷积神经网络，对卷积 神经网络进行训练，得到故障检测网络模型；
S5，将测试样本数据分量的瞬时频率和瞬时幅度输入故障检测网络模型中， 得到对测试样本的故障信息判断结果并与测试样本的故障信息标签比对，得到关 于故障信息的准确率以及误差。
优选地，所述S1中，通过电力系统全数字实时仿真装置进行配电网故障数 据集的采集和生成；所述配电网故障数据集按照三比一的比例形成训练样本和测 试样本。
优选地，所述S2，包括如下步骤：
S2-1，找出三相电流信号数据的电流信号中全部的极值点，并采用三次样条 插值法，分别获得极大值点的包络线emax(t)和极小值点的包络线emin(t)；利用 emax(t)和emin(t)获得均值包络线m1(t)
m1(t)＝(emax(t)+emin(t))/2
利用s(t)和m1(t)做差，得到第一层原始信号的分解量h1(t)
h1(t)＝s(t)-m1(t)
其中，s(t)为原始的电流数据；
S2-2，重复S2-1，直至获取3层分量；
S2-3，对得到的3层分量进行希尔伯特变化，获取分量瞬时频率和瞬时幅 度。
优选地，所述S3中，设置卷积神经网络初始化参数，采用均值为0、方差 为0.05的正态分布初始化。
优选地，所述S3中，卷积神经网络包括：由5层卷积层和2层最大池化层 构成的五部分以及3层全连接层；其中，第一部分为两层卷积层，分别采用16 通道的2x7和1x7的卷积核；第二部分为池化窗口大小为1x2的池化层；第三部 分为两层卷积层，分别采用32通道的2x7和1x7的卷积核；第四部分为池化窗 口大小为1x2的池化层；第五部分为1层卷积层，采用8通道的1x1的卷积核； 第一层全连层的输入为第五层卷积的特征图的展开和三相电流信号数据分量的 统计特征的拼接。
优选地，所述S4中，对卷积神经网络进行训练，包括如下步骤：
S4-1，从训练集中随机选取样本Xi进行训练，训练样本数据分量瞬时频率 和瞬时幅度将会被输入第一部分的两层卷积层，得到第一部分的特征图F2；同时 计算训练样本数据分量瞬时频率和瞬时幅度的统计特征；
S4-2，对特征图F2进行池化操作，经过第二部分的池化层，得到第二部分 的特征图F3；
S4-3，将特征图F3输入第三部分的两层卷积层，得到第三部分的特征图F5；
S4-4，对特征图F5进行池化操作，经过池化窗口大小为1x2的池化层，得 到第二部分的特征图F6；
S4-5，将特征图F6输入第五部分的卷积层，得到第三部分的特征图F7；
S4-6，对特征图F7进行展开，并与S4-1中得到的统计特征连接在一起，将 连接后得到的特征送入全连接层部分；
S4-7，采用反向传播和Adam梯度下降算法更新网络参数，降低卷积神经网 络的误差值；通过梯度下降算法进行N次迭代训练之后，停止训练并保存模型， 即得到故障检测网络模型。
优选地，所述统计特征包括：三相电流信号的最大值、最小值、标准差、均 值、斜度和能量。
优选地，故障信息包括故障类型、故障相位以及故障位置。
优选地，所述S5中，通过故障检测网络模型对故障信息进行判断，采用不 同类型的loss函数对每一种故障信息进行判断；其中：
对故障类型的判断属于多分类问题，采用多类别交叉熵损失函数；
对故障相位的判断属于多标签问题，采用二分类交叉熵损失函数；
对故障位置的判断属于回归问题，采用均方误差作为损失函数；
得到关于故障信息的准确率以及误差包括：故障类型和故障相位的准确率以 及故障位置的误差。
与传统故障检测算法相比，本发明具有如下有益效果：
1、本发明提供的基于卷积神经网络的配电网故障检测方法，无需具有对配 电网故障的专家知识，无论是简化的希尔伯特-黄变换还是卷积神经网络结构， 都可对配电网故障进行自适应的故障特征提取，与传统算法相比，更加简单、灵 活。
2、本发明提供的基于卷积神经网络的配电网故障检测方法，设计了适用于 配电网故障检测的卷积神经网络，与采用循环神经网络的方法相比，速度更快。
3、本发明提供的基于卷积神经网络的配电网故障检测，提出将简化的希尔 伯特-黄变换的统计特征与卷积神经网络特征连接在一起，送入全连接层部分进 行判断，提高了故障检测的性能。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它 特征、目的和优点将会变得更明显：
图1为本发明故障判断流程图；
图2为IEEE14节点的算例示意图；
图3为本发明卷积神经网络结构图。
具体实施方式
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下 进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域 的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改 进，这些都属于本发明的保护范围。
本发明实施例提供了一种基于卷积神经网络的配电网故障检测方法，主要包 括以下步骤：
步骤S1，采集三相电流信号数据构成配电网故障数据集，通过电力系统全 数字实时仿真装置(Advanced Digital Power System Simulator,ADPSS)进行数据集 的采集和生成，其中包含不同类别的故障和配电网正常工作时的数据，按照三比 一的比例分成训练样本和测试样本。
步骤S2，对配电网故障数据集进行简化的希尔伯特-黄变换，得到训练样本 和测试样本的数据分量；原始希尔伯特-黄在经验模态分解阶段，需要循环计算 直至得到的分量为本征模函数，但是采用非本征模函数已经能够取得准确的结果， 因此本发明实施例中采用的希尔伯特-黄变换不再进行循环计算，而是利用极大 值和极小值包络得到分量，并进行下一层分量的计算，既减少了计算量，同时也 避免了循环计算带来的计算次数不确定。
步骤S3，设置卷积神经网络初始化参数，采用均值为0，方差为0.05的正 态分布初始化。
步骤S4，训练卷积神经网络，读取配电故障数据集中的训练样本，将经过 简化的希尔伯特-黄变换得到的数据分量的瞬时频率和瞬时幅度输入给卷积神经 网络，通过训练来降低实际网络输出与指定目标输出之间的误差值，当达到一定 迭代次数后，停止训练，得到最终模型，即故障检测网络模型；
步骤S5，网络测试，读取配电故障数据集中的测试样本，将测试样本通过 简化的希尔伯特-黄变换处理后得到的数据分量的瞬时频率和瞬时幅度输入到故 障检测网络模型中，得到对测试样本的故障信息判断结果并与测试集标签比对， 得到关于故障信息的准确率以及误差，即故障类型和故障相位的准确率以及故障 位置的误差。
所述步骤S2中的简化的希尔伯特-黄变换计算步骤如下：
步骤S2-1，找出三相电流数据的电流信号中全部的极值点，并采用三次样 条插值法，分别获得极大值点的包络线emax(t)和极小值点的包络线emin(t)。利 用emax(t)和emin(t)获得均值包络线m1(t)
m1(t)＝(emax(t)+emin(t))/2
利用s(t)和m1(t)做差，得到第一层原始信号的分解量h1(t)
h1(t)＝s(t)-m1(t)
步骤S2-2，重复步骤S2-1，直至获取3层分量。
步骤S2-3，对得到三层分量进行希尔伯特变化，获取分量瞬时频率和瞬时 幅度。
所述的步骤S3中，卷积神经网络包括：由5层卷积层和2层最大池化层构 成的五部分以及3层全连接层；其中，第一部分为两层卷积层，分别采用16通 道的2x7和1x7的卷积核；第二部分为池化窗口大小为1x2的池化层；第三部分 为两层卷积层，分别采用32通道的2x7和1x7的卷积核；第四部分为池化窗口 大小为1x2的池化层；第五部分为1层卷积层，采用8通道的1x1的卷积核。全 连接层部分共三层，前两层的维度分别为128和64，两层全连接层后的激活层 均为sigmoid层，并且dropout设置为30％。对故障类型判断的网络最后一层的 全连接维度为5，其后的激活层为softmax；对故障相位判断的全连接层维度为3， 其后的激活层为sigmoid层；对故障位置判断的全连接层维度为1，其后的激活 层为sigmoid。
表1
卷积神经网络的具体结构如表2所示。
表2卷积神经网络参数设置
| 名称 | 主要参数 | 输入 | 输出 |
| Conv1-1 | 卷积层，2x7卷积核 | 预处理后数据 | F<sub>1</sub> |
| Pool1-2 | 卷积层，1x7卷积核 | F<sub>1</sub> | F<sub>2</sub> |
| Pool1 | 池化层，1x2池化核 | F<sub>2</sub> | F<sub>3</sub> |
| Conv2-1 | 卷积层，2x7卷积核 | F<sub>3</sub> | F<sub>4</sub> |
| Conv2-2 | 卷积层，1x7卷积核 | F<sub>4</sub> | F<sub>5</sub> |
| Pool2 | 池化层，1x2池化核 | F<sub>5</sub> | F<sub>6</sub> |
| Conv3 | 卷积层，1x1卷积核 | F<sub>6</sub> | F<sub>7</sub> |
| Fc4 | 全连接层，输出128 | F<sub>7</sub>+统计特征数据 | F<sub>8</sub> |
| Fc5 | 全连接层，输出64 | F<sub>8</sub> | F<sub>9</sub> |
| Fc6 | 全连接层，输出5、3、1 | F<sub>9</sub> | F<sub>10</sub> |
所述的步骤S4，对卷积神经网络进行训练，具体步骤如下：
步骤S4-1，从训练集中随机选取样本Xi进行训练，训练样本数据分量瞬时 频率和瞬时幅度将会被输入第一部分的两层卷积层，得到第一部分的特征图F2， 同时计算训练样本数据分量瞬时频率和瞬时幅度的统计特征；
步骤S4-2，对特征图F2进行池化操作，经过第二部分的池化层，得到第二 部分的特征图F3；
步骤S4-3，将特征图F3输入第三部分的两层卷积层，得到第三部分的特征 图F5；
步骤S4-4，对特征图F5进行池化操作，经过池化窗口大小为1x2的池化层， 得到第二部分的特征图F6；
步骤S4-5，将特征图F6输入第五部分的卷积层，得到第三部分的特征图F7；
步骤S4-6，对特征图F7进行展开，并与步骤S4-1中得到的统计特征连接在 一起，将连接后得到的特征送入全连接层部分；
步骤S4-7，采用反向传播和Adam梯度下降算法更新网络参数，降低卷积神 经网络的误差值；通过梯度下降算法进行5000次迭代训练之后，停止训练并保 存模型，即得到故障检测网络模型。
进一步地，对于对故障信息(包括故障类型、相位和位置)不同的判断，采 用不同的loss函数，对于故障类型和故障相位的判断，属于分类问题，采用交叉 熵损失函数进行判断；对于故障位置的判断，属于回归问题，采用均方误差进行 判断。
在本发明实施例中：
对三相电流数据进行简化的希尔伯特-黄变换，所述的简化希尔伯特-黄变换 的步骤如下：
步骤S2中，采集其三层分量的瞬时频率和瞬时幅度作为预处理数据的方法。
步骤S3中，按照指定的统计特征对信息处理后的数据进行故障特征提取， 包括最大值、最小值、标准差、均值、斜度和能量这六个统计特征进行故障特征 提取。
为了使本发明实现的措施、创作特征、达成目的与功效易于明白了解，下面 结合附图，进一步阐述本发明。
图1为本发明的流程图，包括如下步骤：
步骤1，采集配电网故障数据集，通过ADPSS进行数据集的采集和生成， 其中包含不同类别的故障和配电网正常工作时的数据，按照三比一的比例分成训 练样本和测试样本；
步骤2，对数据进行简化的希尔伯特-黄变换，原始希尔伯特-黄在经验模态 分解阶段，需要循环计算直至得到的分量为本征模函数，此处不再进行循环计算， 在利用极大值和极小值包络得到分量之后即进行下一层分量的计算。
步骤3，设置网络初始化参数，采用均值为0，方差为0.05的正态分布初始 化；
步骤4，训练卷积神经网络，读取训练故障数据集，将经过简化的希尔伯特 -黄变换处理得到的分量的频率和幅度分量输入给神经网络，通过训练来降低实 际网络输出与指定目标输出之间的误差值，当达到一定迭代次数后，停止训练， 得到最终模型；
步骤5，网络测试，读取测试故障数据集，将测试数据通过简化的希尔伯特 -黄变换处理后得到的分量的频率和幅度分量输入到训练完成后的模型中，得到 对测试样本的故障信息判断结果并与测试集标签比对，得到关于故障类型和故障 相位的准确率以及故障位置的误差。
所述的步骤1中，图2为本发明采用的电网的算例模型，利用ADPSS软件 进行仿真分析，仿真的具体故障设置条件如表3所示。电网频率采用中国电网标 准频率50Hz，输出步长设置为100微秒，每个故障的仿真时间设置为0.5s，并 从中截取包含故障发生时刻的1.6个周期的数据作为用于故障判断的电流序列。 之所以选择1.6个周期是为了保证配电网中完整周期的数据能够被采集得到，因 此每组电流序列包括3个相位的320个电流强度值，构成3x320的矩阵，如下式 所示。
表3
所述步骤2中的简化的希尔伯特-黄变换计算步骤如下：
步骤2-1，找出电流信号中全部的极值点，并采用三次样条插值法，分别获 得极大值点的包络线emax(t)和极小值点的包络线emin(t)。利用emax(t)和emin(t) 获得均值包络线m1(t)
m1(t)＝(emax(t)+emin(t))/2
利用s(t)和m1(t)做差，得到第一个原始信号的分解量h1(t)
h1(t)＝s(t)-m1(t)
步骤2-2，重复步骤2-1，直至获取3层分量。
步骤2-3，对得到分量进行希尔伯特变化，获取瞬时频率和瞬时幅度。
所述步骤3中的卷积神经网络具体参数设置如下：
步骤3-1，所用的初始化模型是一个包含5层卷积层，2层池化层，3层全 连接层的网络，具体网络结构如图3所示。在网络的训练过程中，输入数据维度 为6x360x3，每一层的特征图大小如表4所示。
表4卷积神经网络的输入输出大小关系
| 名称 | 主要参数 | 输入大小 | 输出大小 |
| Conv1-1 | 卷积层，2x7卷积核 | 6x360x3 | 6x360x16 |
| Pool1-2 | 卷积层，1x7卷积核 | 6x360x16 | 6x360x16 |
| Pool1 | 池化层，1x2池化核 | 6x360x16 | 6x180x16 |
| Conv2-1 | 卷积层，2x7卷积核 | 6x180x16 | 6x180x32 |
| Conv2-2 | 卷积层，1x7卷积核 | 6x180x32 | 6x180x32 |
| Pool2 | 池化层，1x2池化核 | 6x180x32 | 6x90x32 |
| Conv3 | 卷积层，1x1卷积核 | 6x90x32 | 6x90x16 |
| Fc4 | 全连接层，输出128 | 6x90x16+6x6x3 | 128 |
| Fc5 | 全连接层，输出64 | 128 | 64 |
| Fc6 | 全连接层，输出5、3、1 | 64 | 5、3、1 |
步骤3-2，全连接层部分共三层，前两层全连接层后的激活层均为sigmoid 层，并且dropout设置为30％。对故障类型判断的网络最后一层的全连接维度为 5，其后的激活层为softmax；对故障相位判断的全连接层维度为3，其后的激活 层为sigmoid层；对故障位置判断的全连接层维度为1，其后的激活层为sigmoid。
所述步骤4中的深度学习平台，训练机器主要是一台CPU型号为Intel(R) Xeon(R)E5-1620，GPU型号为NVIDIA GTX 1080Ti的服务器，软件系统主要 是Ubuntu16.04以及开源的深度学习训练框架Tensorflow和keras；
所述步骤4中的卷积神经网络的训练步骤如下：
步骤4-1，将训练样本利用简化的希尔伯特-黄变换进行处理，选择其前三层 分量的频率和幅度值作为输入，如果处理后不足三层，则用0进行补充；
将处理后的数据分别送入卷积神经网络的卷积层、池化层中获取特征图， 同时对数据提取统计特征；
之后将卷积层得到的特征与统计特征连接，送入全连接网络进行判断；
在网络训练过程中，初始的学习率设置为0.001，整个训练集迭代3000次 后停止训练。
所述步骤5中的故障检测测试的步骤如下：
步骤5-1，通过测试集的测试，得到整个检测框架的测试效果，其中故障类 型和故障相位利用准确率进行衡量，故障位置利用与真实值的误差进行衡量。
本发明上述实施例提供的基于卷积神经网络的配电网故障检测方法，主要针 对配电网故障检测问题，在故障类型、故障相位和故障位置三个问题上提供技术 支持，本发明上述实施例提供的基于卷积神经网络的配电网故障检测方法，利用 卷积神经网络和简化后的希尔伯特-黄变换，能够对配电网故障类型、相位和位 置进行准确的判断，同时相较于利用循环神经网络进行故障判断的方法，速度得 到极大提升。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于 上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修 改，这并不影响本发明的实质内容。
Claims (9)
1.一种基于卷积神经网络的配电网故障检测方法，其特征在于，包括：
S1，采集三相电流信号数据构成配电网故障数据集，生成训练样本和测试样本；其中，配电网故障数据集中的每一组数据均设置有故障信息标签；
S2，利用简化的希尔伯特-黄变换对配电网故障数据集进行数据预处理，得到训练样本和测试样本的数据分量；
S3，设置卷积神经网络初始化参数。
S4，将训练样本数据分量的瞬时频率和瞬时幅度输入卷积神经网络，对卷积神经网络进行训练，得到故障检测网络模型；
S5，将测试样本数据分量的瞬时频率和瞬时幅度输入故障检测网络模型中，得到对测试样本的故障信息判断结果并与测试样本的故障信息标签比对，得到关于故障信息的准确率以及误差。
2.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述S1中，通过电力系统全数字实时仿真装置进行配电网故障数据集的采集和生成；所述配电网故障数据集按照三比一的比例形成训练样本和测试样本。
3.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述S2，包括如下步骤：
S2-1，找出三相电流信号数据的电流信号中全部的极值点，并采用三次样条插值法，分别获得极大值点的包络线emax(t)和极小值点的包络线emin(t)；
利用emax(t)和emin(t)获得均值包络线m1(t)
m1(t)＝(emax(t)+emin(t))/2
利用s(t)和m1(t)做差，得到第一层原始信号的分解量h1(t)
h1(t)＝s(t)-m1(t)
其中，s(t)为原始的电流数据；
S2-2，重复S2-1，直至获取3层分量；
S2-3，对得到的3层分量进行希尔伯特变化，获取分量瞬时频率和瞬时幅度。
4.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述S3中，设置卷积神经网络初始化参数，采用均值为0、方差为0.05的正态分布初始化。
5.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述S3中，卷积神经网络包括：由5层卷积层和2层最大池化层构成的五部分以及3层全连接层；其中，第一部分为两层卷积层，分别采用16通道的2x7和1x7的卷积核；第二部分为池化窗口大小为1x2的池化层；第三部分为两层卷积层，分别采用32通道的2x7和1x7的卷积核；第四部分为池化窗口大小为1x2的池化层；第五部分为1层卷积层，采用8通道的1x1的卷积核；第一层全连层的输入为第五层卷积的特征图的展开和三相电流信号数据分量的统计特征的拼接。
6.根据权利要求5所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述S4中，对卷积神经网络进行训练，包括如下步骤：
S4-1，从训练集中随机选取样本Xi进行训练，训练样本数据分量瞬时频率和瞬时幅度将会被输入第一部分的两层卷积层，得到第一部分的特征图F2；同时计算训练样本数据分量瞬时频率和瞬时幅度的统计特征；
S4-2，对特征图F2进行池化操作，经过第二部分的池化层，得到第二部分的特征图F3；
S4-3，将特征图F3输入第三部分的两层卷积层，得到第三部分的特征图F5；
S4-4，对特征图F5进行池化操作，经过池化窗口大小为1x2的池化层，得到第二部分的特征图F6；
S4-5，将特征图F6输入第五部分的卷积层，得到第三部分的特征图F7；
S4-6，对特征图F7进行展开，并与S4-1中得到的统计特征连接在一起，将连接后得到的特征送入全连接层部分；
S4-7，采用反向传播和Adam梯度下降算法更新网络参数，降低卷积神经网络的误差值；通过梯度下降算法进行N次迭代训练之后，停止训练并保存模型，即得到故障检测网络模型。
7.根据权利要求5或6所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述统计特征包括：三相电流信号的最大值、最小值、标准差、均值、斜度和能量。
8.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述故障信息包括故障类型、故障相位以及故障位置。
9.根据权利要求8所述的基于卷积神经网络的配电网故障检测方法，其特征在于，所述S5中，通过故障检测网络模型对故障信息进行判断，采用不同类型的loss函数对每一种故障信息进行判断；其中：
对故障类型的判断属于多分类问题，采用多类别交叉熵损失函数；
对故障相位的判断属于多标签问题，采用二分类交叉熵损失函数；
对故障位置的判断属于回归问题，采用均方误差作为损失函数；
得到关于故障信息的准确率以及误差包括：故障类型和故障相位的准确率以及故障位置的误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428215.6A CN110223195A (zh) | 2019-05-22 | 2019-05-22 | 基于卷积神经网络的配电网故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428215.6A CN110223195A (zh) | 2019-05-22 | 2019-05-22 | 基于卷积神经网络的配电网故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110223195A true CN110223195A (zh) | 2019-09-10 |
Family
ID=67821601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910428215.6A Pending CN110223195A (zh) | 2019-05-22 | 2019-05-22 | 基于卷积神经网络的配电网故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110223195A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110794243A (zh) * | 2019-11-14 | 2020-02-14 | 南方电网科学研究院有限责任公司 | 一种直流系统故障诊断方法、系统以及设备 |
| CN110954782A (zh) * | 2019-12-17 | 2020-04-03 | 国网山东省电力公司济宁供电公司 | 基于密度峰值聚类的配网瞬时性故障识别方法及系统 |
| CN111459140A (zh) * | 2020-04-10 | 2020-07-28 | 北京工业大学 | 一种基于hht-dcnn的发酵过程故障监测方法 |
| CN111812450A (zh) * | 2020-06-01 | 2020-10-23 | 复旦大学 | 一种电网危险故障的识别方法 |
| CN111899905A (zh) * | 2020-08-05 | 2020-11-06 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及系统 |
| CN111935762A (zh) * | 2020-07-27 | 2020-11-13 | 国网安徽省电力有限公司 | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 |
| CN112114231A (zh) * | 2020-09-18 | 2020-12-22 | 广西大学 | 一种具有连续学习能力的cnn故障选线方法 |
| CN112231134A (zh) * | 2020-10-28 | 2021-01-15 | 地平线(上海)人工智能技术有限公司 | 神经网络处理器的故障处理方法及装置、设备、存储介质 |
| CN112327104A (zh) * | 2020-11-19 | 2021-02-05 | 国网安徽省电力有限公司 | 一种含分布式电源配电网的故障检测与定位方法 |
| CN112819252A (zh) * | 2021-03-01 | 2021-05-18 | 云南电网有限责任公司电力科学研究院 | 一种卷积神经网络模型构建方法 |
| CN113285431A (zh) * | 2021-06-10 | 2021-08-20 | 云南电网有限责任公司迪庆供电局 | 一种智能配电网信息物理融合保护系统及方法 |
| WO2021212891A1 (zh) * | 2020-04-22 | 2021-10-28 | 青岛鼎信通讯股份有限公司 | 一种采用卷积神经网络的故障电弧信号检测方法 |
| 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 |
| CN115327373A (zh) * | 2022-04-20 | 2022-11-11 | 岱特智能科技（上海）有限公司 | 基于bp神经网络的血透设备故障诊断方法及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887407A (zh) * | 2010-07-16 | 2010-11-17 | 哈尔滨工业大学 | 一种基于希尔伯特-黄变换的设备或系统机内测试信号特征提取方法 |
| CN103064008A (zh) * | 2012-12-26 | 2013-04-24 | 浙江大学 | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 |
| CN103064010A (zh) * | 2013-01-08 | 2013-04-24 | 浙江大学 | 基于希尔伯特-黄变换的模拟电路故障元件参数估计方法 |
| CN104888396A (zh) * | 2015-05-20 | 2015-09-09 | 重庆大学 | 一种检测消防水泵在快速启动过程中瞬态故障的方法 |
| CN105116208A (zh) * | 2015-08-18 | 2015-12-02 | 昆明理工大学 | 一种特高压直流输电系统换相失败故障诊断方法 |
| CN106680576A (zh) * | 2017-01-11 | 2017-05-17 | 福州大学 | 基于分块时频谱和深度学习算法的配电网内部过电压识别方法 |
| CN106932641A (zh) * | 2016-10-24 | 2017-07-07 | 南京理工大学 | 一种基于改进hht变换的电网故障诊断方法 |
| CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
| CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
| CN109142851A (zh) * | 2018-07-26 | 2019-01-04 | 福州大学 | 一种新型的配电网内部过电压识别方法 |
-
2019
- 2019-05-22 CN CN201910428215.6A patent/CN110223195A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887407A (zh) * | 2010-07-16 | 2010-11-17 | 哈尔滨工业大学 | 一种基于希尔伯特-黄变换的设备或系统机内测试信号特征提取方法 |
| CN103064008A (zh) * | 2012-12-26 | 2013-04-24 | 浙江大学 | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 |
| CN103064010A (zh) * | 2013-01-08 | 2013-04-24 | 浙江大学 | 基于希尔伯特-黄变换的模拟电路故障元件参数估计方法 |
| CN104888396A (zh) * | 2015-05-20 | 2015-09-09 | 重庆大学 | 一种检测消防水泵在快速启动过程中瞬态故障的方法 |
| CN105116208A (zh) * | 2015-08-18 | 2015-12-02 | 昆明理工大学 | 一种特高压直流输电系统换相失败故障诊断方法 |
| CN106932641A (zh) * | 2016-10-24 | 2017-07-07 | 南京理工大学 | 一种基于改进hht变换的电网故障诊断方法 |
| CN106680576A (zh) * | 2017-01-11 | 2017-05-17 | 福州大学 | 基于分块时频谱和深度学习算法的配电网内部过电压识别方法 |
| CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
| CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
| CN109142851A (zh) * | 2018-07-26 | 2019-01-04 | 福州大学 | 一种新型的配电网内部过电压识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| MOU-FA GUO等: ""Deep-Learning-Based Fault Classification Using Hilbert–Huang Transform and Convolutional Neural Network in Power Distribution Systems"", 《IEEE SENSORS JOURNAL》, 24 April 2019 (2019-04-24) * |
| 樊尚春，周浩敏编著: "《数据驱动的故障预测》", 北京：北京航空航天大学出版社, pages: 136 - 141 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110794243A (zh) * | 2019-11-14 | 2020-02-14 | 南方电网科学研究院有限责任公司 | 一种直流系统故障诊断方法、系统以及设备 |
| CN110954782A (zh) * | 2019-12-17 | 2020-04-03 | 国网山东省电力公司济宁供电公司 | 基于密度峰值聚类的配网瞬时性故障识别方法及系统 |
| CN110954782B (zh) * | 2019-12-17 | 2021-10-26 | 国网山东省电力公司济宁供电公司 | 基于密度峰值聚类的配网瞬时性故障识别方法及系统 |
| CN111459140B (zh) * | 2020-04-10 | 2021-06-25 | 北京工业大学 | 一种基于hht-dcnn的发酵过程故障监测方法 |
| CN111459140A (zh) * | 2020-04-10 | 2020-07-28 | 北京工业大学 | 一种基于hht-dcnn的发酵过程故障监测方法 |
| US11860216B2 (en) | 2020-04-22 | 2024-01-02 | Qingdao Topscomm Communication Co., Ltd | Fault arc signal detection method using convolutional neural network |
| WO2021212891A1 (zh) * | 2020-04-22 | 2021-10-28 | 青岛鼎信通讯股份有限公司 | 一种采用卷积神经网络的故障电弧信号检测方法 |
| CN111812450A (zh) * | 2020-06-01 | 2020-10-23 | 复旦大学 | 一种电网危险故障的识别方法 |
| CN111935762A (zh) * | 2020-07-27 | 2020-11-13 | 国网安徽省电力有限公司 | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 |
| CN111935762B (zh) * | 2020-07-27 | 2023-11-10 | 国网安徽省电力有限公司 | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 |
| CN111899905B (zh) * | 2020-08-05 | 2022-11-01 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及系统 |
| CN111899905A (zh) * | 2020-08-05 | 2020-11-06 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及系统 |
| 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 |
| CN112114231A (zh) * | 2020-09-18 | 2020-12-22 | 广西大学 | 一种具有连续学习能力的cnn故障选线方法 |
| CN112231134A (zh) * | 2020-10-28 | 2021-01-15 | 地平线(上海)人工智能技术有限公司 | 神经网络处理器的故障处理方法及装置、设备、存储介质 |
| CN112231134B (zh) * | 2020-10-28 | 2023-08-08 | 地平线(上海)人工智能技术有限公司 | 神经网络处理器的故障处理方法及装置、设备、存储介质 |
| CN112327104B (zh) * | 2020-11-19 | 2023-10-20 | 国网安徽省电力有限公司 | 一种含分布式电源配电网的故障检测与定位方法 |
| CN112327104A (zh) * | 2020-11-19 | 2021-02-05 | 国网安徽省电力有限公司 | 一种含分布式电源配电网的故障检测与定位方法 |
| CN112819252A (zh) * | 2021-03-01 | 2021-05-18 | 云南电网有限责任公司电力科学研究院 | 一种卷积神经网络模型构建方法 |
| CN113285431A (zh) * | 2021-06-10 | 2021-08-20 | 云南电网有限责任公司迪庆供电局 | 一种智能配电网信息物理融合保护系统及方法 |
| 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 |
| CN115327373A (zh) * | 2022-04-20 | 2022-11-11 | 岱特智能科技（上海）有限公司 | 基于bp神经网络的血透设备故障诊断方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110223195A (zh) | 基于卷积神经网络的配电网故障检测方法 | |
| CN109274095B (zh) | 基于互信息的低压配电网用户拓扑估计方法及系统 | |
| 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 | |
| CN107742093A (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
| CN109977918A (zh) | 一种基于无监督域适应的目标检测定位优化方法 | |
| CN110032975A (zh) | 一种地震震相的拾取方法 | |
| CN107563412A (zh) | 一种基于深度学习的红外图像电力设备实时检测方法 | |
| CN107154037A (zh) | 基于深度层次特征提取的风机叶片故障识别方法 | |
| CN108693771A (zh) | 一种基于多种群遗传算法的配电网故障区段定位算法 | |
| CN110533086A (zh) | 图像数据半自动标注方法 | |
| CN106771846B (zh) | 基于模糊推理脉冲神经膜系统的输电线路故障选相方法 | |
| CN109507535A (zh) | 变电站接地网运行阶段及运行寿命预测方法及装置 | |
| CN105388402A (zh) | 基于参数优化svm算法的交联电缆局部放电模式识别方法 | |
| CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
| CN109596942A (zh) | 一种基于深度置信网络的电压暂降原因识别方法 | |
| CN109002926A (zh) | 一种高准确性的光伏发电量预测模型及其构建方法和应用 | |
| CN109444667A (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
| CN109840691A (zh) | 基于深度神经网络的非侵入式分项电量估计方法 | |
| CN110336270A (zh) | 一种电力系统暂态稳定预测模型的更新方法 | |
| CN110110915A (zh) | 一种基于cnn-svr模型的负荷集成预测方法 | |
| CN111861789A (zh) | 基于电流数据整数规划求解的户变关系识别方法及系统 | |
| Zhang et al. | Wind power prediction based on CNN-LSTM | |
| Yu et al. | Convolutional neural network with feature reconstruction for monitoring mismatched photovoltaic systems | |
| CN111090747A (zh) | 一种基于神经网络分类的电力通信故障应急处置方法 | |
| CN105279582B (zh) | 基于动态相关性特征的超短期风电功率预测方法 |
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: 20190910 |
|
| RJ01 | Rejection of invention patent application after publication |