CN111935762B - 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 - Google Patents
一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 Download PDFInfo
- Publication number
- CN111935762B CN111935762B CN202010733650.2A CN202010733650A CN111935762B CN 111935762 B CN111935762 B CN 111935762B CN 202010733650 A CN202010733650 A CN 202010733650A CN 111935762 B CN111935762 B CN 111935762B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- data
- ewt
- sample
- cnn
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 85
- 238000009826 distribution Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 53
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000010923 batch production Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明的一种5G承载网下基于EWT和CNN的配网故障诊断方法和系统，通过以下步骤：基于5G承载网络从配网获得原始数据；对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断。本发明经过EWT处理后的数据，再进行卷积神经网络故障诊断，故障诊断精度高；通过峭度值计算能很好确定出有效的IMF分量，构建故障特征数据，实现故障诊断，具有很高的故障诊断精度。一方面，为配电网故障诊断提供了一种有效的诊断技术；另一方面，在5G背景下，能够更好更快的实现故障诊断，对及时排除配电网故障和恢复供用电具有重要的意义。
Description
技术领域
本发明涉及配网故障诊断技术领域，具体涉及一种5G承载网下基于EWT和CNN的配网故障诊断方法和系统。
背景技术
及时精确的故障诊断是合理调度规划和故障恢复的基础。配电网拓扑结构复杂、分支众多、具有非均匀性，故障诊断有一定难度。近年来随着分布式可再生能源接入规模和渗透率不断提高，配电网潮流方向、电流故障等级都发生了较大变化，需要高精度的故障诊断技术。
数据驱动的配电网故障诊断可根据数据来源分为两类，其一是基于保护和断路器开关量信息，包括专家系统、人工神经网络(artificial neural network，ANN)、Petri网等。其二则基于故障录波的电气类信息，包括特征提取、频域分解、深度学习等。在实际故障过程中保护和断路器存在误动和拒动，电网发生故障时首先是电流、电压等电气量予以反应，然后才是继电保护装置启动。因此与保护和断路器开关量相比故障录波的电气量信息具有准确性、可靠性、连续性、时序逻辑性、冗余性等优点。
原始数据的准确采集和有效传输对故障诊断的准确性和实时性具有重要的意义。但因通讯传输通道不稳定、传输速率低、时延大等不足，导致保护和断路器信息可能出现误传或漏传，录波数据也可能存在不完整、对时不准确的问题。为保障配电网系统的安全稳定，在高压输电层级普遍配置多种装备对输电网运行状态进行量测，并且先进的光纤通讯技术的应用使输电系统电力信息实现互联互通。与输电网络相比，电压等级较低的配电网络虽然连接更多的设备，但没有同步实现光纤覆盖。基于4G无线通信的配电网保护与故障诊断技术解决了光纤约束的问题，但是4G通信传输在通道质量、通道带宽、时间同步方面均有待提高。5G无线通信网络的关键能力指标更为加强和丰富，在配电网系统中存在低时延高可靠性、密集覆盖、大容量高带宽等多样化通信场景。其中配网故障诊断为5G通讯技术应用中典型的低时延高可靠性场景。
发明内容
本发明提出的一种5G承载网下基于EWT和CNN的配网故障诊断方法和系统，本发明通过构建了基于5G承载网络的分布式配电网故障诊断系统，建立了数据丢包、网络时延问题模型，测试了实际过流元件启动与接收两个网络时刻的网络时延。并在5G技术运用在电力通信背景下，提出了5G承载网络下基于EWT和CNN的配电网故障诊断方法。
为实现上述目的，本发明采用了以下技术方案：
一种5G承载网下基于EWT和CNN的配网故障诊断方法，包括以下步骤：
S100、基于5G承载网络从配网获得原始数据；
S200、对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；
S300、把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断。
进一步的，所示卷积神经网络故障诊断模型的训练步骤如下：
S301、基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；
S302、对样本信号进行EWT分解线路中电流信号，获得IMF分量；
S303、对IMF分量通过峭度值分析，选择含有设定量故障信息的IMF分量，形成样本数据集；
S304、将样本数据集随机选择设定部分作为训练样本集和测试样本集，用于训练CNN模型和故障诊断测试；
S305、利用训练样本集作为CNN的输入进行训练，调整CNN模型参数设置，直到训练准确率满足要求；
S306、利用测试样本作为输入数据，测试训练好的CNN模型，验证该模型的有效性。
进一步的，所述S306中训练好的CNN模型包括输入层、隐含层、全连接层和输出层组成，其中隐含层由卷积层和池化层组成；
卷积和池化过程用于提取输入数据中包含的拓扑结构特征；
其中，
卷积层由多个卷积核组成，实现信号特征自适应提取，卷积层的输出如下：
其中，其中是第l层的第j个卷积区域的第i个卷积核的输出，/>是第l层的第i个卷积核的第/>个权值，/>是第l层第j个卷积区域，ω是卷积核宽度；
池化层在卷积层之后，用于对卷积层的输出进行降低特征空间大小，减少计算时间；
采用最大值池化函数作为池化层函数，形式如下：
其中，表示池化输出，/>表示第i个中第m个神经元的激活函数，ω是池化层宽度；
全连接层是实现训练数据集进行分类，采用softmax函数作为全连接层的激活函数，形式如下：
其中，zj表示第j个神经元输出，k表示总类别。
进一步的，所述S301基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；
包括：
定义Nd为期望批次长度，N1为各批次过程中的最小批次长度，则t时刻系统实际批次长度Nt落在区间{Nd,…,N1}内；
定义随机数γ(t；k)服从伯努利二项分布，令Nt＝N1+l，l∈{1，...，Nd-N1},Prob{Nt}＝pl；
以随机数α(t；k)表述传输网络丢包现象，α(t；k)＝0表示数据丢失，反之表示数据传输成功；
Prob{α(t；k)＝1}＝E{α(t；k)}＝α (2)
其中0≤α≤1为已知参数。
进一步的，所述S302、对样本信号进行EWT分解线路中电流信号，获得IMF分量；
包括：
假设将Fourier支撑区间[0,π]分割成N个连续的部分，Λn＝[ωn-1,ωn],ωn为各分段的边界，定义一个以ωn为中心点的过渡区域Tn，宽为2λn；
定义细节系数和近似系数/>的公式：
分别为经验小波函数ψn(t)和经验尺度函数φ1(t)的傅里叶变换；
式中： 分别为/>的傅里叶变换形式；
将5G承载网络传输得到的原始信号f(t)分解，提取出具有紧凑的支撑特性的傅立叶谱的AM-FM(Amplitude Modulation-Frequency Modulation)分量，结果如下式：
每个fi(t)是一个AM-FM函数，写成
根据(6)，可得到
另一方面本发明还公开一种5G承载网下基于EWT和CNN的配网故障诊断系统，包括以下单元：
数据采集单元，用于基于5G承载网络从配网获得原始数据；
数据处理单元，用于对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；
数据诊断单元，用于把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断。
进一步的，
还包括以下子单元：
样本信号获取单元，用于基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；
样本信号处理单元，用于对样本信号进行EWT分解线路中电流信号，获得IMF分量；
样本数据集形成单元，用于对IMF分量通过峭度值分析，选择含有设定量故障信息的IMF分量，形成样本数据集；
样本数据集处理单元，用于将样本数据集随机选择设定部分作为训练样本集和测试样本集，用于训练CNN模型和故障诊断测试；
模型训练单元，用于利用训练样本集作为CNN的输入进行训练，调整CNN模型参数设置，直到训练准确率满足要求；
模型测试单元，用于利用测试样本作为输入数据，测试训练好的CNN模型，验证该模型的有效性。
由上述技术方案可知，本发明的5G承载网下基于EWT和CNN的配网故障诊断方法和系统，经过EWT处理后的数据，再进行卷积神经网络故障诊断，故障诊断精度高；通过峭度值计算能很好确定出有效的IMF分量，构建故障特征数据，实现故障诊断，具有很高的故障诊断精度。总之，本发明提出的5G承载网络下的EWT-CNN配电网故障诊断方法，一方面，为配电网故障诊断提供了一种有效的诊断技术；另一方面，在5G背景下，能够更好更快的实现故障诊断，对及时排除配电网故障和恢复供用电具有重要的意义。
附图说明
图1是本发明的方法流程图；
图2是本发明的5G承载网整体网络拓扑结构；
图3是本发明实施例的DTU1口接收数据延迟记录；
图4是本发明实施例的DTU2口接收数据延迟记录；
图5是本发明实施例的傅里叶轴的分割示意图；
图6是本发明实施例的CNN基本结构图；
图7是本发明实施例的EWT-CNN故障诊断流程图；
图8是本发明实施例的实验仿真模型；
图9是本发明实施例仿真线路L1故障电流波形；
图10是本发明实施例仿真EWT分解结果；
图11是本发明实施例各仿真IMF分量峭度图；
图12是本发明实施例4种CNN模型训练准确率图；
图13是本发明实施例EWT-CNN诊断准确率曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1所示，本实施例所述的5G承载网下基于EWT和CNN的配网故障诊断方法，包括：
S100、基于5G承载网络从配网获得原始数据；
S200、对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；
S300、把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断。
以下具体说明：
1、5G承载网络构建与分析
1.1、5G承载网络的故障诊断试验架构
如图2所示，本发明实施例构建的承载网络是基于联通5G NSA/SA双模基站组网的电网业务试验测试环境，该试验的目的是依托5G公众网络，测试配电网DTU终端之间平均时延。使用DTU终端对发数据包互测单向时延，记录本侧过流元件启动时刻和收到对侧过流元件启动时刻，测试过程中分别对试验两边的DTU终端、5GCPE、基站和传输节点进行抓包和分析。
1.2、5G承载网络特性分析
与4G承载网络相比，5G网络不仅考虑人与人互相通信，同时也充分考虑了人与物、物与物的连接和通信需求。实现电网各个环节设备和周围环境全面感知、信息快速采集和处理，及时发现和消除电力系统故障，降低风险发生率。与4G无线通信相比，5G可实现10～100倍的连接设备密度、10～100倍的传输速率、3～5倍的频谱效率以及端到端时延能达到毫秒级，具体指标见下表1。
表1 4G与5G性能指标对比
Tab.1 Performance comparison between 4G and 5G
1.3、端到端时延分析与实验
目前获取5G时延的手段主要是靠人工ping测试，同时记录包含无线、传输、核心网等多个环节的时延。试验记录本侧过流元件启动时刻、收到对侧过流元件启动时刻、网络时延，DTU1口和DTU2口接收数据试验记录如下图3、4所示。
1.4、丢包分析与建模
定义Nd为期望批次长度，N1为各批次过程中的最小批次长度，则t时刻系统实际批次长度Nt落在区间{Nd,…,N1}内；定义随机数γ(t；k)服从伯努利二项分布，令Nt＝N1+l，l∈{1，...，Nd-N1},Prob{Nt}＝pl；
以随机数α(t；k)表述传输网络丢包现象，α(t；k)＝0表示数据丢失，反之表示数据传输成功；
Prob{α(t；k)＝1}＝E{α(t；k)}＝α (2)
其中0≤α≤1为已知参数。
2、经验小波变换
2.1傅里叶谱分割
假设将Fourier支撑区间[0,π]分割成N个连续的部分，Λn＝[ωn-1,ωn],ωn为各分段的边界，定义一个以ωn为中心点的过渡区域Tn(宽为2λn)，如图5的阴影部分。
2.2、经验小波变换
定义细节系数和近似系数/>的公式与传统的小波变换类似，如(1)，(2)：
分别为经验小波函数ψn(t)和经验尺度函数φ1(t)的傅里叶变换。
式中： 分别为/>的傅里叶变换形式。
将5G承载网络传输得到的原始信号f(t)分解，提取出具有紧凑的支撑特性的傅立叶谱的AM-FM(Amplitude Modulation-Frequency Modulation)分量，结果如下式：
每个fi(t)是一个AM-FM函数，可以写成
根据(6)，可得到
EWT分解可将故障状态下的电流按频域分布，提取特征信息。与目前已有文献中使用的DWT相比，本文引入的EWT算法可得到不同模态，既可以解决DWT存在的模态混叠问题，同时分解后得到的分量的数目更少，进而降低计算的难度。
3、卷积神经网络
3.1、卷积神经网络
CNN作为一种典型的前馈神经网络，典型的CNN结构如图6所示，主要由输入层、隐含层、全连接层和输出层组成，其中隐含层由卷积层和池化层组成。卷积和池化过程可以提取输入数据中包含的拓扑结构特征。
本实施例中将EWT分解后的电流分量作为输入信号，应用CNN进一步进行故障特征提取，得出故障判断作为输出层结果。
3.2、CNN各层功能简介
卷积层是CNN的核心部分。卷积层由多个卷积核组成，实现信号特征自适应提取，卷积层的输出如下：
其中，其中是第l层的第j个卷积区域的第i个卷积核的输出，/>是第l层的第i个卷积核的第/>个权值，/>是第l层第j个卷积区域，ω是卷积核宽度。
池化层在卷积层之后，主要对卷积层的输出进行降低特征空间大小，减少计算时间。本文采用最大值池化函数作为池化层函数，形式如下：
其中，表示池化输出，/>表示第i个中第m个神经元的激活函数，ω是池化层宽度。
全连接层是一个传统的多层感知器，其主要功能是实现训练数据集进行分类，本文采用softmax函数作为全连接层的激活函数，形式如下：
其中，zj表示第j个神经元输出，k表示总类别。
3.3故障诊断流程
5G承载网络下，数据传输可靠性达99.999％，仿真实验中考虑丢包率为0.001％，网络时延如1.3节实验所示。对传输获得的原始信号，基于EWT进行频域分析与分解，再应用CNN模型对故障进行类型判断和识别。本文提出的EWT-CNN配电网故障诊断方法流程如图7所示，具体步骤如下：
1.基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；
2.样本信号EWT分解。EWT分解线路中电流信号，获得IMF分量；
3.IMF分量选择。若干个IMF分量通过峭度值分析，选择含有大量故障信息的IMF分量，形成样本数据集；
4.将样本数据集随机选择一部分作为训练样本集和测试样本集，用于训练CNN模型和故障诊断测试；
5.训练CNN。利用训练样本集作为CNN的输入进行训练，调整CNN模型参数设置，直到训练准确率满足要求；
6.故障诊断。利用测试样本作为输入数据，测试训练好的CNN模型，验证该模型的有效性。
4、算例仿真
本文算例采用的实验仿真模型如图8所示的。分别设置线路LI～L3四处位置K1～K4发生故障时，提取每条线路的电流信号。
4.1信号EWT分解
以线路L1在K1处发生三相短路故障为例，发生故障后线路L1的故障电流如图9所示。
线路L1电流信号通过EWT分解，得到5个IMF分量，分解结果如图10所示。
本实施例通过峭度值计算，把含故障信息较多的IMF分量筛选出来作为故障特征。通过如图11所示的IMF分量峭度值情况，可以看出IMF1分量比其他IMF分量拥有更加丰富故障特征信息，因此选择IMF1分量作为线路L1的故障特征信息。其他线路的故障特征提取如上述操作，将每条线路提取出的故障特征构造成特征向量，形式如下：
Xi＝{imfi1,imfi2,…,imfij} (12)
其中，Xi表示第i个故障样本的故障特征向量，imfij表示第i个故障样本中第j条线路的故障特征信息。
4.2、CNN诊断结果
合适的CNN模型参数，不仅能提高故障诊断精度，也能降低训练时间，所以本文实验了4种不同CNN模型参数的进行故障诊断。4种不同CNN模型各参数配置情况以及诊断结果如表2和图12所示。从表2和图11可以看出，虽然序号1的训练时间最短，但是训练准确率只有85.417％，在四种模型中最低。序号3的训练准确率为95.2％，此外训练时间达到780.346s，训练时间过长。序号2和序号4的训练准确率分别为98.5％和99.2％，序号2的训练准确率比序号4的训练准确率高，此外序号4的训练时间也相比序号2短，因此本文采用序号2的CNN模型参数进行仿真实验。
表2 4种CNN模型参数配置表及训练结果
Tab.2 Parameter configuration table and training results of 4CNNmodels
本发明实施例研究提出的方法(EWT-CNN)、SVM和原始信号直接进行CNN诊断(CNN)。为了避免偶然误差的影响，每种方法都在相同训练样本和测试样本下进行20次仿真实验，实验结果如表3所示。可以看出本发明实施例提出的EWT-CNN方法比其他方法故障诊断准确率高。
表3 3种方法对比实验结果
Tab.3 Three methods were used to compare the experimental results
EWT-CNN诊断准确率结果如图13所示，可以看出迭代18次后，故障诊断的准确率就能达到100％，诊断效果好。此外，从训练准确率曲线和测试准确率曲线可以看出具有很好的拟合效果，因此本发明方法具有很好的鲁棒性和泛化能力。
综上所述，本发明在信息传输过程中电气量在准确性、抗干扰性方面具有开关量无法比拟的优点。本发明提出的5G承载网络下的EWT-CNN配电网故障诊断方法，经过EWT处理后的数据，再进行卷积神经网络故障诊断，故障诊断精度高；通过峭度值计算能很好确定出有效的IMF分量，构建故障特征数据，实现故障诊断，具有很高的故障诊断精度。所以，本发明提出的5G承载网络下的EWT-CNN配电网故障诊断方法，一方面，为配电网故障诊断提供了一种有效的诊断技术；另一方面，在5G背景下，能够更好更快的实现故障诊断，对及时排除配电网故障和恢复供用电具有重要的意义。
另一方面本发明实施例还公开一种5G承载网下基于EWT和CNN的配网故障诊断系统，包括以下单元：
数据采集单元，用于基于5G承载网络从配网获得原始数据；
数据处理单元，用于对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；
数据诊断单元，用于把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断。
进一步的，
还包括以下子单元：
样本信号获取单元，用于基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；
样本信号处理单元，用于对样本信号进行EWT分解线路中电流信号，获得IMF分量；
样本数据集形成单元，用于对IMF分量通过峭度值分析，选择含有设定量故障信息的IMF分量，形成样本数据集；
样本数据集处理单元，用于将样本数据集随机选择设定部分作为训练样本集和测试样本集，用于训练CNN模型和故障诊断测试；
模型训练单元，用于利用训练样本集作为CNN的输入进行训练，调整CNN模型参数设置，直到训练准确率满足要求；
模型测试单元，用于利用测试样本作为输入数据，测试训练好的CNN模型，验证该模型的有效性。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.一种5G承载网下基于EWT和CNN的配网故障诊断方法，其特征在于，包括以下步骤：
S100、基于5G承载网络从配网获得原始数据；
S200、对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；
S300、把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断；
所述卷积神经网络故障诊断模型的训练步骤如下：
S301、基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；
S302、对样本信号进行EWT分解线路中电流信号，获得IMF分量；
S303、对IMF分量通过峭度值分析，选择含有设定量故障信息的IMF分量，形成样本数据集；
S304、将样本数据集随机选择设定部分作为训练样本集和测试样本集，用于训练CNN模型和故障诊断测试；
S305、利用训练样本集作为CNN的输入进行训练，调整CNN模型参数设置，直到训练准确率满足要求；
S306、利用测试样本作为输入数据，测试训练好的CNN模型，验证该模型的有效性；
所述S306中训练好的CNN模型包括输入层、隐含层、全连接层和输出层组成，其中隐含层由卷积层和池化层组成；
卷积和池化过程用于提取输入数据中包含的拓扑结构特征；
其中，
卷积层由多个卷积核组成，实现信号特征自适应提取，卷积层的输出如下：
(9)
其中，其中是第/>层的第/>个卷积区域的第/>个卷积核的输出，/>是第/>层的第/>个卷积核的第/>个权值，/>是第/>层第/>个卷积区域，/>是卷积核宽度；
池化层在卷积层之后，用于对卷积层的输出进行降低特征空间大小，减少计算时间；
采用最大值池化函数作为池化层函数，形式如下：
(10)
其中，表示池化输出，/>表示第/>个卷积核中第/>个神经元的激活函数，/>是池化层宽度；
全连接层是实现训练数据集进行分类，采用softmax函数作为全连接层的激活函数，形式如下：
(11)
其中，表示第/>个神经元输出，/>表示总类别；
所述S301基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；
包括：
定义为期望批次长度，/>为各批次过程中的最小批次长度，则t时刻系统实际批次长度/>落在区间/>内；
定义随机数服从伯努利二项分布，令/>，/>,/>；
(1)
以随机数表述传输网络丢包现象，/>表示数据丢失，反之表示数据传输成功；
(2)
其中为已知参数；
所述S302、对样本信号进行EWT分解线路中电流信号，获得IMF分量；
包括：
假设将Fourier支撑区间分割成N个连续的部分，/>,/>，/>为各分段的边界，定义一个以/>为中心点的过渡区域/> ，宽为/>；
定义细节系数和近似系数/>的公式：
(3)
(4)
，/>分别为经验小波函数/>和经验尺度函数/>的傅里叶变换；
(5)
式中：，/>分别为/> 的傅里叶变换形式；
将5G承载网络传输得到的原始信号f(t)分解，提取出具有紧凑的支撑特性的傅立叶谱的AM-FM(Amplitude Modulation-Frequency Modulation)分量，结果如下式：
(6)
每个f i(t)是一个AM-FM函数，写成
(7)
根据(6)，可得到
(8)。
2.一种5G承载网下基于EWT和CNN的配网故障诊断系统，可实现权利要求1所述的5G承载网下基于EWT和CNN的配网故障诊断方法，其特征在于：
包括以下单元：
数据采集单元，用于基于5G承载网络从配网获得原始数据；
数据处理单元，用于对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；
数据诊断单元，用于把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断。
3.根据权利要求2所述的一种5G承载网下基于EWT和CNN的配网故障诊断系统，其特征在于：
还包括以下子单元：
样本信号获取单元，用于基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；
样本信号处理单元，用于对样本信号进行EWT分解线路中电流信号，获得IMF分量；
样本数据集形成单元，用于对IMF分量通过峭度值分析，选择含有设定量故障信息的IMF分量，形成样本数据集；
样本数据集处理单元，用于将样本数据集随机选择设定部分作为训练样本集和测试样本集，用于训练CNN模型和故障诊断测试；
模型训练单元，用于利用训练样本集作为CNN的输入进行训练，调整CNN模型参数设置，直到训练准确率满足要求；
模型测试单元，用于利用测试样本作为输入数据，测试训练好的CNN模型，验证该模型的有效性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010733650.2A CN111935762B (zh) | 2020-07-27 | 2020-07-27 | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010733650.2A CN111935762B (zh) | 2020-07-27 | 2020-07-27 | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111935762A CN111935762A (zh) | 2020-11-13 |
| CN111935762B true CN111935762B (zh) | 2023-11-10 |
Family
ID=73315361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010733650.2A Active CN111935762B (zh) | 2020-07-27 | 2020-07-27 | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111935762B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113176092B (zh) * | 2021-04-25 | 2022-08-02 | 江苏科技大学 | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 |
| CN114077846B (zh) * | 2021-10-14 | 2024-06-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于rf-lstm的故障电流多域识别方法及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106846173A (zh) * | 2016-12-30 | 2017-06-13 | 国网新疆电力公司电力科学研究院 | 基于ewt‑esn的短期风电功率预测方法 |
| 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 |
| CN110490369A (zh) * | 2019-07-25 | 2019-11-22 | 国网安徽省电力有限公司 | 一种基于ewt和lssvm模型的短期电力负荷预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
-
2020
- 2020-07-27 CN CN202010733650.2A patent/CN111935762B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106846173A (zh) * | 2016-12-30 | 2017-06-13 | 国网新疆电力公司电力科学研究院 | 基于ewt‑esn的短期风电功率预测方法 |
| 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 |
| CN110490369A (zh) * | 2019-07-25 | 2019-11-22 | 国网安徽省电力有限公司 | 一种基于ewt和lssvm模型的短期电力负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111935762A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110398348B (zh) | 存储器、高压断路器机械故障诊断方法和装置 | |
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| EP4198531A1 (en) | Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network | |
| CN112885372B (zh) | 电力设备故障声音智能诊断方法、系统、终端及介质 | |
| CN114636900B (zh) | 一种配电网多重故障诊断方法 | |
| CN111935762B (zh) | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 | |
| CN115081316A (zh) | 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统 | |
| CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
| CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及系统 | |
| CN115238980A (zh) | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 | |
| CN108009585A (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
| CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
| Zhang et al. | Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet | |
| Hassani et al. | Design of a cost-effective deep convolutional neural network–based scheme for diagnosing faults in smart grids | |
| CN116307773A (zh) | 一种变电站二次设备可靠性估计方法 | |
| CN116244600A (zh) | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 | |
| CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
| CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
| CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
| Zhou et al. | Transient stability assessment of large-scale AC/DC hybrid power grid based on separation feature and deep belief networks | |
| CN111092425A (zh) | 一种基于拓扑特性的网架聚类分析方法及系统 | |
| Yong et al. | Prediction Model of Dissolved Gas in Transformer Oil Based on EMD and BiGRU | |
| CN117538760B (zh) | 一种铅酸蓄电池参数辨识方法及相关装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |