CN112041693A - 一种基于混合录波的配电网故障定位系统 - Google Patents
一种基于混合录波的配电网故障定位系统 Download PDFInfo
- Publication number
- CN112041693A CN112041693A CN201880074804.2A CN201880074804A CN112041693A CN 112041693 A CN112041693 A CN 112041693A CN 201880074804 A CN201880074804 A CN 201880074804A CN 112041693 A CN112041693 A CN 112041693A
- Authority
- CN
- China
- Prior art keywords
- data
- power distribution
- frequency component
- distribution network
- layer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 42
- 230000001360 synchronised effect Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000007787 long-term memory Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 85
- 238000013528 artificial neural network Methods 0.000 description 19
- 238000012360 testing method Methods 0.000 description 16
- 238000012795 verification Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Automation & Control Theory (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Complex Calculations (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力技术领域，尤其涉及一种基于混合录波的配电网故障定位方法。
Description
背景技术
配电网是电力系统中的重要组成部分，随着智能电网的快速发展，分布式电源的大量的不确定接入，使得配电网故障信息越发复杂，故障的准确快速分析变得越发困难。
为保障配电网高度智能化运行，需要对馈线运行数据进行实时监控、异常情况及时预警及故障快速定位及处理。因此配电网络通常会加装线路故障指示器和馈线终端等装置，利用这些装置对配电网运行情况进行录波。目前现有技术中，针对故障定位的方法方一般均需要人工提取录波特征，再利用特征进行接地故障的识别及定位。
如CN103728532中公开了利用配电自动化馈线终端采集零序电压3U0和零序电流3I0，对3U0和3I0进行一系列处理并提取特征，然后利用人工经验设定的故障判定规则结合多个配电自动化馈线终端来定位故障区段。CN104101812公开了一种小电流接地配电网的故障检测定位方法与系统，系统主站从配电网络多个点的录波中提取零序电压和零序电流的暂态信号，计算作为特征值和各个位置波形的相似性，根据单点特征值及相关性特征值判断故障疑似区域。
由此可见现有技术的各种故障定位方法仍然是将波形特征提取与故障定位判断分为两个步骤，即配电网中的终端设备获取的配电网拓扑中的多位置原始波形，需先采取人工提取特征，再用特征进行故障定位。
这种故障定位判断过程没有形成直接反馈的非端对端方案，因此故障定位识别的准确率无法持续提高。另一方面，现有技术中的机器学习模型，其模型处理容量是有限的，因此对于用于检测故障演化过程或间歇性故障判定的长时间跨度波形，只能进行波形截取，在输入到机器学习模型中，而不管如何对波形截取，都将导致有效信息的丢失。
附图说明
图1是本发明的基于混合录波的配电网故障定位方法流程示意图；
图2是本发明的深度神经网络定位识别模型；
图3是本发明一实施例的多层网络模块Ⅰ和Ⅱ的结构示意图；
图4是本发明另一实施方式中的多层网络模块Ⅰ的结构示意图；
图4a-4c是本发明的本发明卷积块的结构示意图；
图5是本发明的超参数机器训练流程图；
图6是本发明一实施例的最优深度神经网络定位识别模型示意图；
图7是本发明另一实施例的最优深度神经网络定位识别模型示意图。
发明内容
本发明所要解决的技术问题是通过构造与时序相关的多通道深度神经网络，实现了对用于检测故障演化过程或间歇性故障判定的长时间跨度波形的有效信息的保存，从而提高的故障定位识别的准确率。
为了解决上述技术问题，本发明提供了一种基于混合录波的配电网故障定位方法,该方法包括：根据广域对时技术截取各监测点数据公共区段，并对公共区段按顺序拼接形成各监测点同步数据；对各监测点同步数据进行预处理生成各监测点同步数据的高频分量数据序列和低频分量数据序列；构建包含多个卷积层和长短时期记忆网络单元的多组数据块输入的深度神经网络模型，并通过机器训练得到该多组数据块输入的深度神经网络模型的最优超参数组合模型，将各监测点的高频分量序列和低频分量序列按时序输入所述最优超参数组合模型，从而得到各监测点与故障点之间的相对位置关系。
以下实施例应该配合附图结合在一起进行解读以获得上下文含义及细节，本领域技术人员应当知道，以下实施例不应该仅依靠技术特征或技术组合进行单独解读。本领域技术人员可以通过技术重组以获得更好的技术效果。当以下实施例中涉及到一种简单明了的部件或特征时，本领域技术人员应当知道其可以用于其他实施例中。
在一个实施例中，所述多组数据块输入的深度神经网络模型中一个高频分量数据与一个低频分量数据作为一组数据块输入，所述高频分量数据输入多层网络模块Ⅰ，所述低频分量数据输入多层网络模块Ⅱ。
在一个实施例中，所述多层网络模块Ⅰ包含多层卷积层以及以及两层全连接层。所述多层网络模块Ⅱ与多层网络模块Ⅰ结构相同。
在一个实施例中，多层网络模块Ⅰ中包含包输入卷积层、卷积块、平均池化层及两层全连接层。
在一个实施例中，多层网络模块Ⅰ的输出结果与多层网络模块Ⅱ的输出结果叠加输入共享权重的长短时期记忆网络单元(LSTM cell)，多个运算通道中的多个LSTM cell之间按时序前后连接。
以下对本发明的波形预处理及波形拼接、深度神经网络定位识别模型及超参数的机器训练做出进一步的详细说明。
波形拼接及预处理
图1为本发明的基于混合录波的配电网故障定位方法流程示意图，所述波形拼接是指根据广域对时技术对各监测点数据的采集时间点对齐并截取出波形的公共区段，然后按不同配电网监测点的网络拓扑关系按顺序拼接形成完整的各监测点同步数据。
所述按顺序拼接是指，如针对监测点A的数据拼接为：以监测点A有效区域数据作为中心，根据配电网拓扑结构，提取该监测点A输入方向最近监测点A和输出方向最近监测点A+，并将监测点A-和监测点A+的有效区域数据按输入输出方向拼接在监测点A有效区域数据的两端。对于其他监测点的有效区域数据，在监测点侧A A-的其他监测点，其有效区域数据按照波形异常程度依次靠近监测点A-有效区域数据，波形异常程度越高，则越靠近监测点A-有效区域数据。相同地，在监测点A+侧的其他监测点，其有效区域数据按照波形异常程度依次靠近监测点A+有效区域数据，波形异常程度越高，则越靠近测点A+有效区域数据。
波形预处理过程包括两个步骤。第一步，对拼接波形中提取多个有效波形区段，以从得各监测点同步数据中提取出多个不含有工频的高频分量区域。第二步，对所述高频分量区域之间的间隔区域进行降采样或插值处理，从而得到低频分量区域。
在第一步的有效波形提取运算中，所述的有效波形区段定义为电流或电场中包含了除工作频率外的其他频率分量的异常区段。通过提取该异常区段可得到多个有效波形区段，该波形区段的数量与异常区段数量一致。本发明中可以使用三种所需提取波形区段的方法具体为二次差分法、滑动窗口傅里叶变换法和小波变换法。
所述的二次差分法是指令N(t)＝{n1，n2，...，nk}为原始波形时序信号，提取波形的一次差分为N′(t)＝{n2-n1，n3-n2，...，nk-nk-1}，提取波形的二次差分则为，N″(t)＝{n3-2n2+n1，n4-2n3+n2，...，nk-2nk-1+nK-2}。
所述的滑动窗口傅里叶变换，是对整个波形以一个窗口的长度滑动，每次对窗口内的数据进行离散傅里叶变换，傅里叶变换定义为
其中x(i)为各频率点的系数。使用傅里叶能量熵，能够检测波形窗口中各时段内能量在不同频段分布的混乱程度。定义窗口内不同频率的能量Ei＝|x(i)|2，E＝∑Ei为窗口内信号的能量和。则窗口傅里叶能量熵FEE可以定义为，
其中pi＝Ei/E。
所述的小波变换是指，令
其中Di(k)为信号经J阶小波分解重构得到的i阶频率分量系数。使用小波能量熵检测波形中各时段内信号能量在不同频段分布的混乱程度，达到提取异常区段的目的。定义在不同尺度i时间k上的信号能谱Ei(k)＝|Di(k)|2，Ei＝ΣEi(k)为尺度i上所有时刻的能量和。则小波能量熵WEE可以定义为，
其中
近似为信号的总能量。
在上述三种不同的波形提取方法中，使用波形的二次差分绝对值能够很好的识别出波形的突变点，该方法的计算量小，能够节约计算资源，因此可以在计算资源有限制时使用，但该方法不能计算出波形包含不同频率信息的丰富程度。使用窗口傅里叶能量熵能够很好的排除工频分量，得到其它不同频段能量的混乱程度，但窗口大小需固定，不能灵活得到每个时间的混乱信息，同时其快速算法计算量比较小，因此可以再在精度与计算量需要平衡的情况下使用。小波能量熵在检测所需区段上精度比窗口傅里叶能量熵高，但计算量也要大，可以在精度需求高的情况下使用。
本发明中对所截取的波形区段进行降采样处理或插值处理可以采用三次样条插值法。
通过上述处理方法获得多组按时序排列的包含高频分量和低频分量的数据组合。
深度神经网络定位识别模型
如图2所示的本发明的深度神经网络定位识别模型。该深度神经网络定位识别模型具有多个运算通道，每一个运算通道输入一组高频分量和低频分量数据，高频分量数据输入多层网络模块I，低频分量数据输入多层网络模块II。多层网络模块I的输出结果与多层网络模块II的输出结果叠加输入共享权重的长短时期记忆网络单元(LSTM cell)，多个运算通道中的多个LSTM cell之间按时序前后连接，最后输出到全连接层区域，然后通过sigmoid输出层输出工况类型。所有运算通道中的多层网络模块I、多层网络模块II及长短时期记忆网络单元(LSTM cell)均是相同的。
图3所示为本发明的多层网络模块I和II的结构示意图，在本发明的一个实施例中多层网络模块I和II中具有相同结构，其均包含多层卷积层以及两层全连接层。本发明中的卷积层中所涉及的卷积运算采用现有技术中公知的卷积运算方法，但本发明中多层网络模块中卷积层的层数，以及在卷积运算中所使用的卷积核及相关参数是通过本发明的模型训练方法得到最优化深度神经网络定位识别模型而确定的。
图4所示为本发明另一实施方式中的多层网络模块I，该多层网络模块I中包含包输入卷积层、卷积块、平均池化层及两层全连接层。如图4a至4b所示的是本发明卷积块具体结构，其中图4a中所示为两层卷积结构，由两层卷积层叠加构成。图4b中所示为多通道结构，且每一通道均有两层卷积层叠加构成。图4c中所示为另一多通道结构，每一通道由1至3层卷积层构成。上述卷积块中的卷积核的相关参数以及通道数量，又或每一通道的卷积层数均可由超参数机器训练得到。本发明中的卷积层中所涉及的卷积运算采用现有技术中公知的卷积运算方法，但本发明中多层网络模块中卷积层的层数，以及在卷积运算中所使用的卷积核及相关参数是通过本发明的模型训练方法得到最优化深度神经网络定位识别模型而确定的。
最优化深度神经网络定位识别模型的机器训练
图5中所示为本发明的超参数机器训练流程图，该超参数机器训练的目的在于，根据所提供训练数据集、验证数据集和测试数据集训练得到上述深度神经网络定位识别模型中所需的全部参数，并形成深度神经网络定位识别模型的最优超参数组合模型。该机器训练过程如下：
a.将深度神经网络定位识别模型结构输入超参数随机生成器；
b.由超参数随机生成器形成超参数组合模型池；
c.利用测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过。
d.利用验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型。
在进行超参数机器训练流程时所使用的训练数据集、验证数据集和测试数据集训共使用2种类型数据，即故障点前波形数据和故障点后波形数据。每种类型数据取不少于40000个数据包，共不少于80000个数据包。其中每一个数据包含不多于5组数据，每一组数据包含一个高频分量数据和一个低频分量数据。训练数据集每种类型数据包使用不少于36000个，测试和验证数据集每种类型分别使用不少于2000个数据包。训练流程中的优化方法为批量Adam后向传输，当测试数据集正确率大于99％或训练超过10000轮时，训练停止，否则继续优化，多个超参数组合模型中验证数据集正确率最高的组合为最优超参数组合模型。
本发明中也可使用迁移学习的方式实现对模型的训练，使用迁移学习的方式需针对只有一组高频分量数据和低频分量数据输入的单组数据块深度神经网络模型进行训练，并根据该训练结果说训练处的最优的模型提取其中的卷积层结构和参数，并利用该卷积层的结构和参数去初始化多组数据块输入的深度神经网络模型，对该初始化后的多组数据块输入的深度神经网络模型在进行机器训练，从而最后得到最优化的多组数据块输入的深度神经网络模型。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
1.本发明的深度神经网络形成了端对端的故障定位识别判定过程，提高了神经网络对故障定位识别的准确率。
2.通过构造与时序相关的多通道深度神经网络，实现了对用于检测故障演化过程或间歇性故障判定的长时间跨度波形的有效信息的保存，从而提高的故障定位识别的准确率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
实施例一
图6是根据本发明一实施例的最优深度神经网络定位识别模型示意图。下面结合图6对本方法进行说明。
首先，根据广域对时技术对各监测点数据的采集时间点对齐并截取出波形的公共区段，然后按不同配电网监测点的网络拓扑关系按顺序拼接形成完整的各监测点同步数据。
随后，通过波形预处理提取出各监测点同步数据的高频分量数据和低频分量数据。
本实施例中使用多层网络模块Ⅰ和Ⅱ的模型，利用如图5所示的机器训练方法对模型进行机器训练，在进行超参数机器训练流程时所使用的训练数据集、验证数据集和测试数据集训共使用2种类型数据，即故障点前波形数据和故障点后波形数据。每种类型数据取40000个数据包，共80000个数据包。其中每一个数据包含5组数据，每一组数据包含一个高频分量数据和一个低频分量数据。训练数据集每种类型数据包使用36000个，测试和验证数据集每种类型分别使用2000个数据包。训练流程中的优化方法为批量Adam后向传输，当测试数据集正确率大于99％或训练超过10000轮时，训练停止，否则继续优化，多个超参数组合模型中验证数据集正确率最高的组合为最优超参数组合模型。
所得到的最优超参数组合模型如图7所示，所述多层网络模块Ⅰ和Ⅱ中的卷积层设置为三层，第一层卷积层的卷积核的宽和长为6×5，个数为8，第二卷积层的卷积核的宽和长为3×3，个数为10，第三卷积层的卷积核的宽和长为1×3，个数为12。两个全连接层的神经元个数分别为第一层全连接层的神经元个数为12个，第二层全连接层的神经元个数为4个。所述长短时期记忆网络单元(LSTM cell)的特征个数均设置为12个。在长短时期记忆网络单元后所连接的全连接层的神经元数目分别是4个和1个。
将上述各个监测点的含有多组高频分量数据和低频分量数据的波形数据输入该最优超参数组合模型，即可获得所述各个监测点的与故障点之间的相对位置信息，从而实现对故障点的定位识别。
实施例二
图7是根据本发明另一实施例的最优深度神经网络定位识别模型示意图。下面结合图7对本方法进行说明。
与第一实施例相同的，首先，根据广域对时技术对各监测点数据的采集时间点对齐并截取出波形的公共区段，然后按不同配电网监测点的网络拓扑关系按顺序拼接形成完整的各监测点同步数据。
随后，通过波形预处理提取出各监测点同步数据的高频分量数据和低频分量数据。
本实施例中多层网络模块Ⅰ采用如图4所示的结构，多层网络模块Ⅱ依旧使用如图3所示的结构。利用如图5所示的机器训练方法对模型进行机器训练，在进行超参数机器训练流程时所使用的训练数据集、验证数据集和测试数据集训共使用2种类型数据，即故障点前波形数据和故障点后波形数据。每种类型数据取60000个数据包，共120000个数据包。其中每一个数据包含8组数据，每一组数据包含一个高频分量数据和一个低频分量数据。训练数据集每种类型数据包使用40000个，测试和验证数据集每种类型分别使用10000个数据包。训练流程中的优化方法为批量Adam后向传输，当测试数据集正确率大于99％或训练超过10000轮时，训练停止，否则继续优化，多个超参数组合模型中验证数据集正确率最高的组合为最优超参数组合模型。
所得到的最优超参数组合模型如图7所示，所述多层网络模块Ⅰ中的输入卷积层的卷积核的宽和长为6×5，个数为8。卷积块数目为2个，其中卷积块Ⅰ设置为具有三通道的卷积层，其通道a为单层卷积层，其卷积核的宽和长为3×5，个数为16。通道b为双层卷积层，其中第一卷积层的卷积核的宽和长为3×5，个数为8，第二卷积层的卷积核的宽和长为3×5，个数为16。通道c为三层卷积层，其中第一卷积层的卷积核的宽和长为3×3，个数为8，第二卷积层的卷积核的宽和长为3×3，个数为8，第三卷积层的卷积核的宽和长为4×3，个数为16。卷积块Ⅱ设置为具有三通道的卷积层，其通道a为双层卷积层，其中第一卷积层的卷积核的宽和长为1×2，个数为16，第二卷积层的卷积核的宽和长为1×2，个数为32。通道b为双层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为16，第二卷积层的卷积核的宽和长为1×3，个数为32。通道c为三层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为16，第二卷积层的卷积核的宽和长为1×3，个数为16，第三卷积层的卷积核的宽和长为1×3，个数为32。
所述多层网络模块Ⅱ中的卷积层设置为三层，第一层卷积层的卷积核的宽和长为6×5，个数为8，第二卷积层的卷积核的宽和长为3×3，个数为10，第三卷积层的卷积核的宽和长为1×3，个数为12。两个全连接层的神经元个数分别为第一层全连接层的神经元个数为12个，第二层全连接层的神经元个数为4个。所述长短时期记忆网络单元(LSTM cell)的特征个数均设置为12个。在长短时期记忆网络单元后所连接的全连接层的神经元数目分别是4个和1个。
将上述各个监测点的含有多组高频分量数据和低频分量数据的波形数据输入该最优超参数组合模型，即可获得所述各个监测点的与故障点之间的相对位置信息，从而实现对故障点的定位识别。
Claims (12)
1.一种基于混合录波的配电网故障定位系统,其特征在于，所述系统被配置为：
根据广域对时技术截取各监测点数据公共区段，并对公共区段按顺序拼接形成各监测点同步数据；
对各监测点同步数据进行预处理生成各监测点同步数据的高频分量数据序列和低频分量数据序列；
构建包含多个卷积层和长短时期记忆网络单元的多组数据块输入深度神经网络模型，并通过机器训练得到该多组数据块输入的深度神经网络模型的最优超参数组合模型；
将各监测点的高频分量序列和低频分量序列按时序输入所述最优超参数组合模型，从而得到各监测点与故障点之间的相对位置关系。
2.根据权利要求1所述的配电网故障定位系统，其特征在于，所述多组数据块输入深度神经网络模型中一个高频分量数据与一个低频分量数据作为一组数据块输入，所述高频分量数据输入多层网络模块Ⅰ，所述低频分量数据输入多层网络模块Ⅱ。
3.根据权利要求2所述的配电网故障定位系统，其特征在于，所述多层网络模块Ⅰ包含多层卷积层以及两层全连接层。所述多层网络模块Ⅱ与多层网络模块Ⅰ结构相同。
4.根据权利要求3所述的配电网故障定位系统，其特征在于，多层网络模块Ⅰ中包含卷积块及平均池化层。
5.根据权利要求4所述的配电网故障定位系统，其特征在于，多层网络模块Ⅰ的输出结果与多层网络模块Ⅱ的输出结果堆叠后输入共享权重的长短时期记忆网络单元(LSTMcell)，多个运算通道中的多个LSTM cell之间按时序前后连接。
6.根据权利要求5所述的配电网故障定位系统，其特征在于，多层网络模块Ⅰ中的卷积层的数量以及卷积核参数均由模型训练方法所获得的最优超参数组合模型确定。
7.根据权利要求6所述的配电网故障定位系统，其特征在于，所述卷积块是由两层卷积层叠加成的双层卷积结构。
8.根据权利要求7所述的配电网故障定位系统，其特征在于，计算通道是由1至3层卷积层构成，构成的方式是单层卷积层或2至3层卷积层叠加构成。
9.根据权利要求8所述的配电网故障定位系统，其特征在于，卷积块中的卷积核的参数、通道数量以及每个通道中的卷积层的数量均有超参数机器训练获得。
10.根据权利要求9所述的配电网故障定位系统，其特征在于，有效波形区段为电流或电场中包含了除工作频率外的其他频率分量的异常区段。
11.根据权利要求10所述的配电网故障定位系统，其特征在于，在有效波形区段中按时序获取高频分量区域和低频分量区域。
12.根据权利要求11所述的配电网故障定位系统，其特征在于，高频分量区域和低频分量区域根据波形异常程度被用于测量监测点与有效波形区段区域的相邻程度。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/US2018/031457 WO2019216878A1 (en) | 2018-05-07 | 2018-05-07 | System for locating fault in power distribution network based on mixed mode wave recording |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112041693A true CN112041693A (zh) | 2020-12-04 |
| CN112041693B CN112041693B (zh) | 2023-10-17 |
Family
ID=68468239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880074804.2A Active CN112041693B (zh) | 2018-05-07 | 2018-05-07 | 一种基于混合录波的配电网故障定位系统 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US10989750B1 (zh) |
| EP (1) | EP3791196A4 (zh) |
| CN (1) | CN112041693B (zh) |
| WO (1) | WO2019216878A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113884818A (zh) * | 2021-10-27 | 2022-01-04 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
| CN117368598A (zh) * | 2023-10-09 | 2024-01-09 | 武汉杰创博特自动化科技有限公司 | 一种电能质量监测方法及装置 |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111061800B (zh) * | 2019-12-25 | 2023-06-13 | 广东电网有限责任公司 | 一种基于故障录波文件的动态无功补偿装置暂态响应分析系统及方法 |
| CN111679903A (zh) * | 2020-01-09 | 2020-09-18 | 北京航空航天大学 | 一种面向深度学习的边云协同装置 |
| CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
| CN112036450B (zh) * | 2020-08-12 | 2024-02-23 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
| 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 |
| CN112964922A (zh) * | 2021-02-01 | 2021-06-15 | 长春晟德科技有限公司 | 一种广域同步的暂态电流录波方法 |
| CN113049913A (zh) * | 2021-03-15 | 2021-06-29 | 广东电网有限责任公司梅州供电局 | 配电线路在线监测方法、装置和系统 |
| CN113238118B (zh) * | 2021-04-26 | 2022-10-28 | 长沙理工大学 | 基于s变换单一频率能量的柔性直流电缆故障测距方法 |
| CN113238535B (zh) * | 2021-06-03 | 2022-02-11 | 中国核动力研究设计院 | 一种核安全级dcs模拟量输入模块故障诊断方法及系统 |
| CN113625099B (zh) * | 2021-06-22 | 2024-04-12 | 国网辽宁省电力有限公司大连供电公司 | 配电网故障区段分层定位方法 |
| CN113609932B (zh) * | 2021-07-21 | 2022-09-16 | 广州大学 | 基于长短期记忆网络的故障检测方法、系统、装置及介质 |
| CN113468704B (zh) * | 2021-07-23 | 2024-02-02 | 南方电网科学研究院有限责任公司 | 一种间歇性电弧故障检测方法及相关装置 |
| CN113640633B (zh) * | 2021-08-12 | 2024-04-09 | 贵州大学 | 一种气体绝缘组合电器设备故障定位方法 |
| CN114252725A (zh) * | 2021-11-05 | 2022-03-29 | 国网河南省电力公司电力科学研究院 | 基于HHT和ResNet18的单相接地故障类型综合辨识方法 |
| CN115166415A (zh) * | 2022-06-27 | 2022-10-11 | 山东华科信息技术有限公司 | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 |
| CN117214617A (zh) * | 2022-07-12 | 2023-12-12 | 安徽省万企天成科技有限公司 | 一种智能电网故障实时监测定位系统及方法 |
| CN115144703B (zh) * | 2022-08-31 | 2022-11-15 | 南京邮电大学 | 基于零序差分电流和能量矩指标的高阻接地故障识别方法 |
| CN117233542B (zh) * | 2023-11-15 | 2024-02-20 | 武汉格蓝若智能技术股份有限公司 | 一种配电网单相接地故障区段定位方法及系统 |
| CN117556970B (zh) * | 2024-01-12 | 2024-04-09 | 杭州鸿晟电力设计咨询有限公司 | 一种基于数据驱动的配电网规划方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
| US20040230383A1 (en) * | 2003-05-12 | 2004-11-18 | Bechhoefer Eric Robert | Wire fault detection |
| US20100007333A1 (en) * | 2007-09-05 | 2010-01-14 | Katsuhiko Sekiguchi | Wide area protection control measurement system and method |
| CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
| CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 |
| CN104297628A (zh) * | 2014-08-19 | 2015-01-21 | 中国科学院电工研究所 | 含dg的配电网的区段故障检测与定位方法 |
| CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
| CN106680664A (zh) * | 2016-11-22 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种输电线路故障点定位综合优化方法 |
| CN107589342A (zh) * | 2017-09-04 | 2018-01-16 | 云南电网有限责任公司电力科学研究院 | 一种配电网单相接地故障定位方法及系统 |
| CN107609569A (zh) * | 2017-07-31 | 2018-01-19 | 北京映翰通网络技术股份有限公司 | 一种基于多维特征向量的配电网接地故障定位方法 |
| 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 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10324132B2 (en) * | 2010-06-07 | 2019-06-18 | Abb Inc. | Systems and methods for power line event zone identification |
| JP2013538543A (ja) * | 2010-07-16 | 2013-10-10 | ザ トラスティーズ オブ コロンビア ユニバーシティ イン ザ シティー オブ ニューヨーク | 送電網用の機械学習 |
| US10726326B2 (en) * | 2016-02-24 | 2020-07-28 | International Business Machines Corporation | Learning of neural network |
| US10852359B2 (en) * | 2017-12-05 | 2020-12-01 | The University Of Hong Kong | Apparatus and method for DC-component-based fault classification of three-phase distribution power cables with magnetic sensing |
-
2018
- 2018-05-07 CN CN201880074804.2A patent/CN112041693B/zh active Active
- 2018-05-07 US US16/319,279 patent/US10989750B1/en active Active
- 2018-05-07 WO PCT/US2018/031457 patent/WO2019216878A1/en unknown
- 2018-05-07 EP EP18917945.0A patent/EP3791196A4/en active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
| US20040230383A1 (en) * | 2003-05-12 | 2004-11-18 | Bechhoefer Eric Robert | Wire fault detection |
| US20100007333A1 (en) * | 2007-09-05 | 2010-01-14 | Katsuhiko Sekiguchi | Wide area protection control measurement system and method |
| CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
| CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 |
| CN104297628A (zh) * | 2014-08-19 | 2015-01-21 | 中国科学院电工研究所 | 含dg的配电网的区段故障检测与定位方法 |
| CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
| CN106680664A (zh) * | 2016-11-22 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种输电线路故障点定位综合优化方法 |
| CN107609569A (zh) * | 2017-07-31 | 2018-01-19 | 北京映翰通网络技术股份有限公司 | 一种基于多维特征向量的配电网接地故障定位方法 |
| CN107589342A (zh) * | 2017-09-04 | 2018-01-16 | 云南电网有限责任公司电力科学研究院 | 一种配电网单相接地故障定位方法及系统 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 郭三中: "基于小波神经网络的配电网故障定位研究", 自动化应用, no. 12, pages 27 - 30 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113884818A (zh) * | 2021-10-27 | 2022-01-04 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
| CN113884818B (zh) * | 2021-10-27 | 2024-04-09 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
| CN117368598A (zh) * | 2023-10-09 | 2024-01-09 | 武汉杰创博特自动化科技有限公司 | 一种电能质量监测方法及装置 |
| CN117368598B (zh) * | 2023-10-09 | 2024-04-12 | 武汉杰创博特自动化科技有限公司 | 一种电能质量监测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3791196A1 (en) | 2021-03-17 |
| WO2019216878A1 (en) | 2019-11-14 |
| CN112041693B (zh) | 2023-10-17 |
| US20210116491A1 (en) | 2021-04-22 |
| US10989750B1 (en) | 2021-04-27 |
| EP3791196A4 (en) | 2022-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112041693B (zh) | 一种基于混合录波的配电网故障定位系统 | |
| CN108107324B (zh) | 一种基于深度卷积神经网络的配电网故障定位方法 | |
| CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
| CN110398663B (zh) | 一种基于卷积神经网络的柔性直流电网故障识别方法 | |
| CN108120900B (zh) | 一种配电网故障定位方法及系统 | |
| CN108154223B (zh) | 基于网络拓扑及长时序信息的配电网工况录波分类方法 | |
| CN112149554B (zh) | 故障分类模型的训练、故障检测方法及相关装置 | |
| CN109932627A (zh) | 一种gis耐压试验局部放电的定位方法及系统 | |
| Wang et al. | Classification of power quality events using optimal time-frequency representations-part 1: Theory | |
| CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
| CN111239549A (zh) | 一种基于离散小波变换的配电故障快速定位方法 | |
| CN110726898A (zh) | 一种配电网故障类型识别方法 | |
| CN110672905A (zh) | 基于cnn的自监督电压暂降源辨识方法 | |
| Gowrishankar et al. | Transmission line fault detection and classification using discrete wavelet transform and artificial neural network | |
| Baumann et al. | Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network | |
| CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
| CN114966312A (zh) | 基于迁移卷积神经网络的配电网故障检测定位方法和系统 | |
| Ma et al. | Fractal‐based autonomous partial discharge pattern recognition method for MV motors | |
| CN114662251A (zh) | 一种基于深度神经网络的配电网故障定位方法 | |
| Radhi et al. | Classification and direction discrimination of faults in transmission lines using 1d convolutional neural networks | |
| CN115047296B (zh) | 一种配电网故障区段定位方法 | |
| CN113884903B (zh) | 一种基于多层感知器神经网络的电池故障诊断方法 | |
| CN114062832A (zh) | 一种配电网短路故障类型的识别方法及系统 | |
| Kumar et al. | Novel technique for location identification and estimation of extent of turn-to-turn fault in transformer winding | |
| Balouji et al. | A deep learning approach to earth fault classification and source localization |
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 |