CN112114231A - 一种具有连续学习能力的cnn故障选线方法 - Google Patents

Abstract

本发明涉及电路系统技术领域，具体涉及具有连续学习能力的CNN故障选线方法，包括以下步骤：采集电力调度自动化系统中所有电站故障时段的实时遥测数据，构建多个一维时序矩阵作为原始样本；对原始样本进行空值填充和数据归一化；按照所属电站的不同，将处理后的样本数据进行标记；利用第一个电站的一维时序矩阵训练深度卷积神经网络分类器，保存卷积神经网络的权值参数；利用其余电站的一维时序矩阵依次训练上述卷积神经网络，并依据权值正交矩阵更新卷积神经网络的权值参数，直至所有电站数据都参与训练。本发明利用权值正交矩阵来更新权值，解决传统深度学习选线模型在小样本下准确率低，单个电站选线模型不能胜任其他电站选线任务的问题。

Description

一种具有连续学习能力的CNN故障选线方法

技术领域

本发明涉及电力系统技术领域，具体涉及具有连续学习能力的CNN故障选线方法。

背景技术

我国60kV及以下的配电网广泛采用小电流接地方式，当线路发生单相接地故障时，故障相电压趋于零，非故障相电压升高为相电压的

倍，故障电流较负荷电流小得多。此时电网的线电压仍然保持对称，不影响负荷供电，因此规程规定允许继续运行1-2小时，以便检修人员有充足的时间找出接地点。然而，在实际运行过程中，由于未能及时切除故障线路，可能会使事故升级，直接导致绝缘损坏、TV保险熔断甚至烧坏、母线短路等事故。因此，迅速确定系统接地点对保证供电可靠性、提升系统安全有着十分重要的意义。

中国专利一种小电流接地系统单相接地故障选线方法(公开号：CN109581137)公开了一种利用深度信念网络(Deep Belief Networks，DBN)实现小电流接地系统的故障选线。具体内容如下：1)采集实时调度数据作为原始数据。2)数据特征提取和预处理作为模型训练集。3)利用训练集数据训练深度信念网络分类器实现故障选线，其存在以下技术不足：

1)该方法需要海量的原始数据训练模型，在小样本下的选线准确率低；

2)利用单个电站的原始数据训练得到的模型往往不能满足其他电站选线精度要求，该方法只适用于单个电站的分类任务，不具备连续学习能力，对于多个电站需训练多个分类器模型，适用性低。

发明内容

为了克服现在技术的缺陷，本发明改进了原有深度学习选线模型的权值更新规则，利用权值正交矩阵来更新权值，解决了传统深度学习选线模型在小样本下准确率低，单个电站选线模型不能胜任其他电站选线任务的问题。

为解决上述问题，本发明提供以下技术方案：

一种具有连续学习能力的CNN故障选线方法，包括以下步骤：

S1：采集电力调度自动化系统中所有电站故障时段的实时遥测数据，构建多个一维时序矩阵作为原始样本；

S2：对原始样本进行空值填充和数据归一化；

S3：按照所属电站的不同，将处理后的样本数据进行标记；

S4：利用第一个电站的一维时序矩阵训练深度卷积神经网络分类器，保存卷积神经网络的权值参数；

S5：利用其余电站的一维时序矩阵依次训练上述卷积神经网络，并依据权值正交矩阵更新卷积神经网络的权值参数，直至所有电站数据都参与训练；

S6：利用训练后的卷积神经网络分类器进行故障选线。

优选的，所述步骤S1中采集的遥测数据包括A相电流I_a、C相电流I_c、有功功率P、无功功率Q和功率因数

优选的，所述步骤S2空值的计算方法为：

其中，空值上下时刻的已知值分别为M_s1、M_s2，n_s为空值数据个数，k＝1，2…，n_s。

优选的，所述步骤S2数据归一化计算方法为：

其中，X为归一化后的值，min为最小值函数，max为最大值函数。

优选的，所述步骤S4深度卷积神经网络包含L1～L6)层，各层节点数为[5H 32 64128 128 H]，其中H为第一个电站所含馈线数目；

深度卷积神经网络详细训练过程如下：

1)输入层L1接收归一化后的原始样本X₁。

2)隐藏层L2～L4包括卷积层和池化层，用来提取输入量的深层特征。卷积层计算公式如下：

池化层的计算公式如下：

其中，m表示输出特征矩阵的维度，h表示网络第几层，K^h表示第h层的卷积核，k为卷积核大小，

表示第h层输出，

表示第h层输入。σ(x)＝max(0，x)；

3)全连接层L5对提取到的特征进行回归分析得到多分类结果y′；

4)输出层L6利用softmax函数生成预测样本的分类概率，计算公式如下：

其中，y′_i表示第i个预测样本的分类概率，N为样本数目，e为自然常数；

5)反向传播更新权值，计算过程如下：

其中，loss(w₁)为神经网络的损失函数，w₁为神经网络的权值，Δw₁为权值误差，

为损失函数的梯度，α为学习率，Adam神经网络的优化算法。

优选的，所述步骤S5中卷积神经网络权值的递推更新过程如下：

其中，Y₁、Y_n分别为第一个和第n个电站的分类结果，w_n-1为第n-1个电站数据更新后的权值，Δw_n-1为第n-1个电站数据更新后的权值误差，β为学习率，PΔw_n-1与[X₁，X₂，…X_n-1]正交，Δw_n-1的计算与S4相同；

P的计算公式为：

P＝I-A(A^TA+γI)^-1A^T

其中，I为单位矩阵，A＝[X₁，X₂，…X_n-1]，γ为很小的常数。

本发明具有以下有益效果：

本发明改进了原有深度学习选线模型的权值更新规则，利用权值正交矩阵来更新权值，解决了传统深度学习选线模型在小样本下准确率低，单个电站选线模型不能胜任其他电站选线任务的问题。本申请提案使得深度学习的选线模型具备了连续学习能力，单个选线模型即可实现多个不同电站的选线任务。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1本发明具有连续学习能力的CNN故障选线方法的深度卷积神经网络结构示意图。

具体实施方式

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做出创造性劳动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。

CNN：Deep Convolutional Neural Networks，深度卷积神经网络。

一种具有连续学习能力的CNN故障选线方法，包括以下步骤：

S1：采集电力调度自动化系统中所有电站故障时段的实时遥测数据，采集的遥测数据包括A相电流I_a、C相电流I_c、有功功率P、无功功率Q和功率因数

第m个电站的第l条馈线在t时刻的A相电流、C相电流、有功功率、无功功率和功率因数分别为

该电站所含H条馈线在t时刻的特征参数整合成相量

d个时刻的特征相量可拓展成一个包含所有故障数据的一维时序矩阵X_m＝[X¹，X²，…，X^d]。n个变电站的故障数据组成n个一维时序矩阵作为原始样本X＝[X₁，X₂，…，X_n]。构建多个一维时序矩阵作为原始样本。

S2：对原始样本进行空值填充和数据归一化，包括：

S21：电力调度自动化系统的实时遥测数据传输具有不连续性，某一时间断面的原始样本存在空值，需对空值进行填充，空值的计算方法为：

其中，空值上下时刻的已知值分别为M_s1、M_s2，n_s为空值数据个数，k＝1，2…，n_s。

S22：神经网络的激活函数在0的周围梯度变化最明显，通过将不同参数的样本数据归一化到(-1，1)之间可保证神经网络以最大梯度变化达到收敛，所述步骤S2数据归一化计算方法为：

其中，X为归一化后的值，min为最小值函数，max为最大值函数。

S3：按照所属电站的不同，将处理后的样本数据进行标记；采用监督学习训练深度卷积神经网络，需对原始样本进行标记。标记规则为：第m个电站的第l条馈线故障时，其对应的样本数据标记为y＝ml。

S4：利用第一个电站的一维时序矩阵训练深度卷积神经网络分类器，保存卷积神经网络的权值参数；如图1所示，深度卷积神经网络包含6层(L1～L6)，各层节点数为[5H 3264 128 128 H]，其中H为第一个电站所含馈线数目。

深度卷积神经网络详细训练过程如下：

1)输入层L1接收归一化后的原始样本X₁。

2)隐藏层L2～L4包括卷积层和池化层，用来提取输入量的深层特征。卷积层计算公式如下：

池化层的计算公式如下：

其中，m表示输出特征矩阵的维度，h表示网络第几层，K^h表示第h层的卷积核，k为卷积核大小，

表示第h层输出，

表示第h层输入。σ(x)＝max(0，x)；

3)全连接层L5对提取到的特征进行回归分析得到多分类结果y′；

4)输出层L6利用softmax函数生成预测样本的分类概率，计算公式如下：

其中，y′_i表示第i个预测样本的分类概率，N为样本数目，e为自然常数；

5)反向传播更新权值，计算过程如下：

其中，loss(w₁)为神经网络的损失函数，w₁为神经网络的权值，Δw₁为权值误差，

为损失函数的梯度，α为学习率，Adam神经网络的优化算法。

S5：利用其余电站的一维时序矩阵依次训练上述卷积神经网络，并依据权值正交矩阵更新卷积神经网络的权值参数，直至所有电站数据都参与训练；由第一个电站的一维时序矩阵X₁训练模型得到了权值参数w₁。在[X₂，X₃，…X_n]数据下，利用权值正交矩阵更新w₁，得到适用于所有电站选线任务的权值参数。

卷积神经网络权值的递推更新过程如下：

其中，Y₁、Y_n分别为第一个和第n个电站的分类结果，w_n-1为第n-1个电站数据更新后的权值，Δw_n-1为第n-1个电站数据更新后的权值误差，β为学习率，PΔw_n-1与[X₁，X₂，…X_n-1]正交，Δw_n-1的计算与S4相同；

P的计算公式为：

P＝I-A(A^TA+γI)^-1A^T

其中，I为单位矩阵，A＝[X₁，X₂，…X_n-1]，γ为很小的常数。

通过上述步骤，得到具有连续学习能力的选线模型，可在保证准确率的前提下，利用一个深度学习分类器实现所有电站的选线任务。

S6：利用训练后的卷积神经网络分类器进行故障选线。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (6)

1.一种具有连续学习能力的CNN故障选线方法，其特征在于，包括以下步骤：

S1：采集电力调度自动化系统中所有电站故障时段的实时遥测数据，构建多个一维时序矩阵作为原始样本；

S2：对原始样本进行空值填充和数据归一化；

S3：按照所属电站的不同，将处理后的样本数据进行标记；

S4：利用第一个电站的一维时序矩阵训练深度卷积神经网络分类器，保存卷积神经网络的权值参数；

S5：利用其余电站的一维时序矩阵依次训练上述卷积神经网络，并依据权值正交矩阵更新卷积神经网络的权值参数，直至所有电站数据都参与训练；

S6：利用训练后的卷积神经网络分类器进行故障选线。

2.根据权利要求1所述具有连续学习能力的CNN故障选线方法，其特征在于，所述步骤S1中采集的遥测数据包括A相电流I_a、C相电流I_c、有功功率P、无功功率Q和功率因数

3.根据权利要求1所述具有连续学习能力的CNN故障选线方法，其特征在于，所述步骤S2空值的计算方法为：

其中，空值上下时刻的已知值分别为M_s1、M_s2,n_s为空值数据个数，k＝1,2…,n_s。

4.根据权利要求1所述具有连续学习能力的CNN故障选线方法，其特征在于，所述步骤S2数据归一化计算方法为：

其中，X为归一化后的值，min为最小值函数，max为最大值函数。

5.根据权利要求1所述具有连续学习能力的CNN故障选线方法，其特征在于，所述步骤S4深度卷积神经网络包含L1～L6)层，各层节点数为[5H 32 64 128 128 H]，其中H为第一个电站所含馈线数目；

深度卷积神经网络详细训练过程如下：

1)输入层L1接收归一化后的原始样本X₁；

2)隐藏层L2～L4包括卷积层和池化层，用来提取输入量的深层特征；卷积层计算公式如下：

池化层的计算公式如下：

其中，m表示输出特征矩阵的维度，h表示网络第几层，K^h表示第h层的卷积核，k为卷积核大小，

表示第h层输出，

表示第h层输入；σ(x)＝max(0,x)；

3)全连接层L5对提取到的特征进行回归分析得到多分类结果y′；

4)输出层L6利用softmax函数生成预测样本的分类概率，计算公式如下：

其中，y′_i表示第i个预测样本的分类概率，N为样本数目，e为自然常数；

5)反向传播更新权值，计算过程如下：

其中，loss(w₁)为神经网络的损失函数，w₁为神经网络的权值，Δw₁为权值误差，

为损失函数的梯度，α为学习率，Adam神经网络的优化算法。

6.根据权利要求5所述具有连续学习能力的CNN故障选线方法，其特征在于，所述步骤S5中卷积神经网络权值的递推更新过程如下：

其中，Y₁、Y_n分别为第一个和第n个电站的分类结果，w_n-1为第n-1个电站数据更新后的权值，Δw_n-1为第n-1个电站数据更新后的权值误差，β为学习率，PΔw_n-1与[X₁，X₂，…X_n-1]正交，Δw_n-1的计算与S4相同；

P的计算公式为：

P＝I-A(A^TA+γI)^-1A^T

其中，I为单位矩阵，A＝[X₁，X₂，…X_n-1]，γ为很小的常数。

Images