CN112240964A - 一种用于配电网故障类型识别的方法 - Google Patents
一种用于配电网故障类型识别的方法 Download PDFInfo
- Publication number
- CN112240964A CN112240964A CN201910641524.1A CN201910641524A CN112240964A CN 112240964 A CN112240964 A CN 112240964A CN 201910641524 A CN201910641524 A CN 201910641524A CN 112240964 A CN112240964 A CN 112240964A
- Authority
- CN
- China
- Prior art keywords
- fault
- data set
- waveform
- fault waveform
- model
- 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
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
- 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
- G01R31/088—Aspects of digital computing
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Maintenance And Management Of Digital Transmission (AREA)
Abstract
本发明公开了一种用于配电网的故障类型识别方法,该方法利用故障定位器来识别暂态录波装置所获取的故障录波波形所对应的故障类型。针对目前原始暂态录波数据‑故障类型数据组数量不足以对故障定位器进行良好的训练的情况下,本发明提出了利用故障定位器的浅层结构帮助训练故障分类器,并同时通过设置第一、二故障波形生成器和第一、二故障波形辨别器进行对抗训练,以及第一、二辅助分类器获得充足的且能够与原始故障波形数据‑故障类型数据组相似的人工故障波形数据‑故障类型数据组,来用于故障分类器的训练。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种用于配电网故障类型识别的方法。
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发现处理,其中对馈线异常工况的识别是智能配电网的重要功能。
随着配电网线路监测系统的出现,配电网实际运行中的电流电压数据被采集,并开始运用传统的提取特征方法结合一些机器学习方法对工况进行分类。如CN103136587A中公开了一种传统小波包提取仿真数据特征与支持向量机结合的配电网工况分类方法。CN103245881A中公开了一种基于潮流分布特征的配电网故障分析方法及装置。CN107340456A中公开了一种基于多特征分析的配电网工况智能识别方法。但上述方法中采用人工提取录波特征时,在提取过程中会造成关键数据信息的丢失,导致录波分类不准确。并且提取特征与录波分类被分成了不能同步修正的两个过程,这种非端对端的训练方式限制了识别正确率上限。
如CN10810732A中,申请人在先提出的端对端的工况类型识别方法中不再采用人工对波形进行特征提取,然后使用提取的特征来识别工况的方案。而是对波形本身简单预处理后直接建模识别,机器学习模型自身带有特征提取和工况分类的功能,此种端对端训练模型的方法能进一步提升识别正确率。这种方法使用深度神经网络以实现直接将波形本身作为模型输入。然而深度神经网络的训练依赖于大量的原始暂态录波波形-故障类型数据对作为原始训练数据。而实际情况中,配电网中发生的故障类型的确认大部分情况下是需要人工现场处理时才能够得到的。这就导致大量的暂态录波波形是没有相对应匹配的故障类型的,这样的数据是无法用于神经网络模型训练的,这就导致深度神经网络模型的训练数据不足,训练效果不佳。由此可见本领域中需要一种能够基于大量无对应匹配的故障类型的暂态录波波形对深度神经网络模型进行训练,并利用得到最优化的深度神经网络模型对暂态录波数据进行精准故障类型识别的方法。
发明内容
本发明所要解决的技术问题之一在原始故障录波波形-故障类型数据对不足时,训练得到用于识别配电网故障类型的故障分类器。
本发明中同时包括故障定位器模型与故障分类器模型,故障定位器模型的训练数据可直接使用原始故障录波波形,由于原始故障录波波形是由配电网中的具有确定的对应位置信息的暂态录波装置获取的,因此原始故障录波波形本身携带有位置信息。所以故障定位器模型的训练仅使用原始故障录波波形即可完成。
本发明中的故障分类器模型在浅层结构上设置成与故障定位器模型一致,因此当故障定位器模型在通过训练进行优化时所得到的具体的故障定位器结构,其在浅层部分的结构可直接用于作为故障分类器模型的浅层结构。
根据本发明所要解决的技术问题,本发明提供一种用于配电网故障类型识别的方法,所述方法包括:
构建故障定位器模型,并使用由配电网暂态录波装置获取的原始故障录波波形数据对模型进行训练以获得故障定位器;
构建第一故障波形生成器模型和第一故障波形辨别器模型,所述第一故障波形生成器模型用于根据输入的故障类型生成对应的人工故障波形,所述第一故障波形辨别器模型用于根据输入的故障波形识别该故障波形是实际故障波形或第一故障波形生成器生成的人工故障波形;构建第一辅助分类器模型,所述第一辅助分类器的浅层结构设置成与第一故障波形辨别器一致,该第一辅助分类器根据输入的故障波形输出该故障波形所对应的故障类型;
构建故障分类器模型,该故障分类器模型用于根据输入的故障波形生成该故障波形所对应的故障类型,该故障分类器模型包括卷积层区域和全连接层区域,且故障分类器模型与故障定位器模型在浅层结构上保持一致;
构建第二故障波形生成器模型和第二故障波形辨别器模型,所述第二故障波形生成器模型用于通过输入故障分类器模型中的卷积层区域输出的特征向量生成对应的人工故障波形,所述第二故障波形辨别器模型用于根据输入的故障波形识别该故障波形是实际故障波形或第二故障波形生成器生成的人工故障波形;
利用原始的实际故障波形-故障类型数据组和第一故障波形生成器在训练中所产生的人工故障波形-故障类型数据组对第一故障波形辨别器模型进行训练获得第一故障波形辨别器;同时利用第一故障波形辨别器模型的损失函数优化第一故障波形生成器以获得第一故障波形生成器;
利用原始的实际故障波形对第二故障波形辨别器模型进行训练获得第二故障波形辨别器;同时利用第二故障波形辨别器模型的损失函数优化第二故障波形生成器以获得第二故障波形生成器;
利用原始的实际故障波形-故障类型数据组、第一故障波形生成器产生的人工故障波形-故障类型数据组以及故障分类器模型和第二辅助分类器模型在训练过程中产生的人工故障波形-故障类型数据组对第一辅助分类器模型进行训练以获得第一辅助分类器;
利用原始的实际故障波形-故障类型数据组、第一故障波形生成器产生的人工故障波形-故障类型数据组以及故障分类器模型和第一辅助分类器模型在训练过程中产生的人工故障波形-故障类型数据组对第二辅助分类器模型进行训练以获得第二辅助分类器;
利用原始的实际故障波形-故障类型数据组、第一故障波形生成器产生的人工故障波形-故障类型数据组以及第一辅助分类器模型和第二辅助分类器模型在训练过程中产生的人工故障波形-故障类型数据组对故障分类器模型进行训练以获得故障分类器;
将待分析的实际发生的由配电网暂态录波装置获取的原始故障录波波形数据输入故障分类器获得实际发生的故障类型。
在一个实施例中,所述故障定位器模型使用深度卷积神经网络,其包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层、卷积块、平均池化层。
在一个实施例中,所述该第一故障波形生成器模型包括全连接层区域和去卷积层区域,所述全连接层区域包括两层全连接层,并在每一层中均引入高斯噪声,所述去卷积层区域包括去卷积块。
在一个实施例中,所述第一故障波形辨别器包括卷积层区域和全连接层区域,在卷积层区域包括卷积块,在全连接层区域包括两层全连接层,并在浅层位置的全连接层输入故障类型标签。
在一个实施例中,所述第一辅助分类器模型包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层和卷积块,且设定输入卷积层与第一个卷积块的结构与第一故障波形辨别器的输入卷积层与第一个卷积块的结构保持一致。
在一个实施例中,所述故障分类器模型包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层、卷积块、平均池化层,其中输入卷积层以及前两层卷积块与故障定位器中的保持一致。
在一个实施例中,所述第二故障波形生成器的输入为故障分类器的平均池化层所输出的特征向量,而第二故障波形生成器仅包括去卷积层区域。
在一个实施例中,所述第二故障波形辨别器包括卷积层区域和全连接层区域,在卷积层区域包括卷积块,在全连接层区域包括两层全连接层。
在一个实施例中,所述第二辅助分类器模型包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层和卷积块,且设定输入卷积层与第一个卷积块的结构与第二故障波形辨别器的输入卷积层与第一个卷积块的结构保持一致。
在一个实施例中,第一故障波形辨别器模型使用adam优化器,通过最小化第一故障波形辨别器模型的损失函数均值来优化参数,而第一故障波形生成器通过最大化第一故障波形辨别器模型的损失函数均值来优化参数。
在一个实施例中,第二故障波形辨别器模型使用adam优化器,通过最小化第二故障波形辨别器模型的损失函数均值来优化参数,而第二故障波形生成器通过最大化第二故障波形辨别器模型的损失函数均值来优化参数。
在一个实施例中,所述第一辅助分类器的训练在前30轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组;如30轮次过后第一辅助分类器模型在使用验证数据集验证时正确率无法达到90%时,则第一辅助分类器模型需要继续进行训练;在30至60轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如60轮次过后第一辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第一辅助器分类器模型需要继续进行训练;当训练超过60轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自故障分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第二辅助分类器生成的原始故障波形-识别故障类型数据组;测试数据集与验证数据集选自原始故障波形-故障类型数据组;如60轮次过后第一辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第一辅助器分类器模型需要继续进行训练;或当训练轮次达到200轮次后停止对第一辅助器分类器模型进行训练。
在一个实施例中,所述第二辅助分类器的训练在前30轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组;如30轮次过后第二辅助分类器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助分类器模型需要继续进行训练;在30至60轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第二故障波形生成器生成的人工故障波形-故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组;如60轮次过后第二辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助器分类器模型需要继续进行训练;当训练超过60轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自故障分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第一辅助分类器生成的原始故障波形-识别故障类型数据组;测试数据集与验证数据集选自原始故障波形-故障类型数据组;如60轮次过后二辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助器分类器模型需要继续进行训练;或当训练轮次达到200轮次后停止对第二辅助器分类器模型进行训练。
在一个实施例中,对故障分类器的训练在前30轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组。如30轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练;在30至60轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组;测试数据集与验证数据集选自原始故障波形-故障类型数据组;如60轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练;当训练超过60轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自第一辅助分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第二辅助分类器生成的原始故障波形-识别故障类型数据组;测试数据集与验证数据集选自原始故障波形-故障类型数据组;如60轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练;或当训练轮次达到200轮次后停止对故障分类器模型进行训练。
故障定位器模型及训练方法>
如图1所述为本发明的故障定位模型框架示意结构,该故障定位模型使用深度卷积神经网络,其包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层、卷积块、平均池化层,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,但本发明中在卷积运算中所使用的卷积核及相关参数通过机器训练得到。时序波形时间间隔小的采样点相关性强,越大则越弱,适宜用卷积层提取特征。在卷积层区域中通过设置多层卷积层以实现对局部到全局的特征提取,以及抽象到具体的特征提取。卷积层区域后连接全连接区域,该全连接区域内部含两层全连接层及sigmoid输出层,最后输出该监测点相对于故障点的相对位置数据。所述全连接层区域中的第一全连接层的神经元个数同样是通过本发明的超参数机器训练得到的优化超参数,而第二全连接层的神经元个数为1个。
如图2a至2c所示的是本发明卷积块具体结构,其中图2a中所示为两层卷积结构,由两层卷积层叠加构成。图2b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2c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。
本发明中还可以在卷积块的输入与输出之间增加残量连接,即将每一个卷积块的输入与该卷积块的输出取和作为该卷积块的输出值,则有F(x)+x=H(x),其中F(.)为卷积块函数,H(.)为下个模块的输入,x为上个模块的输出。又F(x)=H(x)-x,残量x的增加有利于F(.)参数的训练。
图3中所示为本发明的故障定位器模型训练流程图,该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故障定位模型中所需的全部参数。该机器训练过程如下:
a.将故障定位模型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,每种类型数据选取不少于20000个数据,共不少于40000个数据。训练数据集每种类型数据使用不少于18000个,测试和验证数据集分别每种类型数据使用不少于1000个数据。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输出为故障定位器。
第一故障波形生成器模型、第一波形辨别器模型及其训练方法>
本发明中的第一故障波形生成器模型通过输入故障类型能够输出该故障类型所对应的故障波形,如图4所示为本发明中的第一故障波形生成器模型的结构示意图,该第一故障波形生成器模型包括全连接层区域和去卷积层区域,所述全连接层区域包括两层全连接层,并在每一层中均引入高斯噪声,所述去卷积层区域包括若干去卷积块,去卷积块的具体数量通过训练获得。
本发明中的第一故障波形辨别器模型用于鉴别所输入的故障波形-故障类型数据组是原始故障波形-故障类型数据组,还是第一故障波形生成器生成的人工故障波形-故障类型数据组或者故障分类器生成的原始故障波形-人工故障类型数据组。当输入为原始故障波形-故障类型数据组时,第一故障波形辨别器输出为真,当输入为人工故障波形-故障类型数据组时或者故障分类器生成的原始故障波形-人工故障类型数据组,第一故障波形辨别器输出为假。如图5所示为本发明中第一故障波形辨别器的结构示意图,该第一故障波形辨别器包括卷积层区域和全连接层区域,在卷积层区域包括卷积块,在全连接层区域包括两层全连接层,并在浅层位置的全连接层引入故障类型标签。
第一故障波形辨别器能够为故障波形生成器提供对抗训练,即第一故障波形生成器与第一故障波形辨别器共同训练,第一故障波形辨别器模型使用adam优化器,通过最小化第一故障波形辨别器模型的损失函数均值来优化参数,而第一故障波形生成器通过最大化第一故障波形辨别器模型的损失函数均值来优化参数。即随着第一故障波形辨别器模型的训练,其能够更为准确的分辨实际故障波形与人工故障波形,而随着第一故障波形生成器模型的训练,能够生成更为接近实际故障波形的人工故障波形。
图6中所示为本发明的第一故障波形辨别器模型训练流程图,该训练的目的在于,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第一故障波形生成器模型和第一故障波形辨别器模型中所需的全部参数,并获得模型的最优参数组合,从而生成第一故障波形生成器和第一故障波形辨别器。每一轮次的训练过程如下:
a.将第一故障波形辨别器模型结构输入超参数随机生成器;
b.生成第一故障波形辨别器模型池;
c.训练数据集对第一故障波形辨别器模型进行优化训练,第一故障波形辨别器模型使用adam优化器,通过最小化故障波形辨别器模型的损失函数均值来优化参数,而故障波形生成器通过最大化故障波形辨别器模型的损失函数均值来优化参数。
第一故障波形辨别器模型的损失函数为:
其中D(x,y)中的(x,y)为实际故障波形-故障类型数据组,D(G(y),y)中的(G(y),y)为人工故障波形-故障类型数据组。
d.利用测试数据组对模型池中优化过的故障波形生成器和故障波形辨别器模型进行测试,获得故障波形生成器和故障波形辨别器。
所述训练数据集中的1/2数据组选自350组原始故障波形-故障类型数据组,1/2数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。当第一故障波形辨别器模型所对应的的第一故障波形生成器所生产的数据组通过故障分类器模型验证时,或当训练轮次达到p轮次后停止对第一故障波形辨别器模型进行训练。训练停止后所得到的的故障波形-故障类型数据组输入故障分类器模型中进行验证,如果导致故障分类器模型无法通过验证则继续训练第一故障波形辨别器和第一故障波形生成器。
第一辅助分类器模型及训练方法>
本发明中的第一辅助分类器模型用于根据输入第一故障波形辨别器的波形输出对应的故障类型,所述第一辅助分类器的浅层结构与第一故障波形辨别器保持一致。本发明中该第一辅助分类器模型包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层和卷积块,且设定输入卷积层与第一个卷积块的结构与第一故障波形辨别器的输入卷积层与第一个卷积块的结构保持一致。如图7所示为本发明中第一辅助分类器的结构示意图,在全连接层区域包括两层全连接层,并在浅层位置的全连接层引入故障类型标签。
第一辅助分类器模型的训练与前述故障定位器模型及第一故障波形识别器模型的训练方法类似,该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第一辅助分类器模型中所需的全部参数,并获得模型的最优参数组合,从而生成第一辅助分类器。该训练过程如下:
a.将第一辅助器分类器模型结构输入超参数随机生成器;
b.生成第一故障波形辨别器模型池;
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。所述用于优化训练的损失函数为交叉熵函数。所述交叉熵函数为:
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第一辅助分类器。
在前m轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组。如m轮次过后第一辅助分类器模型在使用验证数据集验证时正确率无法达到90%时,则第一辅助分类器模型需要继续进行训练。
在m至i轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如i轮次过后第一辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第一辅助器分类器模型需要继续进行训练。
当训练超过i轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自故障分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第二辅助分类器生成的原始故障波形-识别故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如i轮次过后第一辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第一辅助器分类器模型需要继续进行训练。或当训练轮次达到p轮次后停止对第一辅助器分类器模型进行训练。
故障分类器模型及训练方法>
如图8所述为本发明的故障分类器模型的框架结构示意图,该故障分类器模型包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层、卷积块、平均池化层,同样的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超参数机器训练得到的优化超参数,当全部超参数训练完成时则生成本发明所述的故障分类器。时序波形时间间隔小的采样点相关性强,越大则越弱,适宜用卷积层提取特征。在卷积层区域中通过设置多层卷积层以实现对局部到全局的特征提取,以及抽象到具体的特征提取。卷积层区域后连接全连接区域,该全连接区域内部含两层全连接层及softmax输出层,最后输出工况类型。所述全连接层区域中的第一全连接层的神经元个数同样是通过训练得到的优化超参数,而第二全连接层的神经元个数设置与工况类型个数相同。本发明的故障分类器模型中的卷积层区域中部分浅层结构直接使用故障定位器模型中的对应结构,这使得故障分类器的训练强度得到减轻,使训练更快达到损失函数收敛的效果。
故障分类器模型的训练与前述故障定位器模型及第一故障波形识别器模型的训练方法类似,该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故障分类器模型中所需的除与故障定位器相同结构意外部分的全部参数,并获得模型的最优参数组合,从而生成故障分类器。每一轮次的该训练过程如下:
a.将故障分类器模型结构输入超参数随机生成器;
b.生成故障分类器模型池,所述故障分类器模型池中的模型中包含了各种在浅层结构中与故障定位器的浅层结构相一致的模型。例如,所述浅层结构中仅输入卷积层相一致的模型结构,或包含输入卷积层和第一卷积块相一致的模型结构,又或输入卷积层、第一卷积块及第二卷积块相一致的模型结构;
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。所述用于优化训练的损失函数为交叉熵函数。所述交叉熵函数为:
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故障分类器。
在前m轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组。如m轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练。
在m至i轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如i轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练。
当训练超过i轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自第一辅助分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第二辅助分类器生成的原始故障波形-识别故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如i轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练。或当训练轮次达到p轮次后停止对故障分类器模型进行训练。
第二故障波形生成器、第二波形辨别器模型及训练方法>
如图9所示为本发明中第二故障波形生成器模型结构示意图,本发明中的第二故障波形生成器的输入为故障分类器的平均池化层所输出的特征向量,而第二故障波形生成器仅包括去卷积层区域,且去卷积层区域中至少部分结构与第一故障波形生成器是相同的。
发明中的第二故障波形辨别器模型用于鉴别所输入的故障波形-故障类型数据组是原始故障波形-故障类型数据组,还是第二故障波形生成器生成的人工故障波形-故障类型数据组。当输入为原始故障波形-故障类型数据组时,第一故障波形辨别器输出为真,当输入为人工故障波形-故障类型数据组时,第一故障波形辨别器输出为假。如图10所示为本发明中第二故障波形辨别器的结构示意图,该故障波形辨别器包括卷积层区域和全连接层区域,在卷积层区域包括卷积块,在全连接层区域包括两层全连接层,第二故障波形辨别器在全连接层的浅层位置不需引入故障类型标签。
第二故障波形辨别器能够为故障波形生成器提供对抗训练,即第二故障波形生成器与第二故障波形辨别器共同训练,第二故障波形辨别器模型使用adam优化器,通过最小化第二故障波形辨别器模型的损失函数均值来优化参数,而第二故障波形生成器通过最大化第二故障波形辨别器模型的损失函数均值来优化参数。即随着第二故障波形辨别器模型的优化训练,其能够更为准确的分辨实际故障波形与人工故障波形,而随着第二故障波形生成器模型的优化训练能够生成更为接近实际故障波形的还原故障波形。
第二故障波形辨别器的训练与第一故障辨别器的训练相似,该训练的目的在于,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第二故障波形生成器模型和第二故障波形辨别器模型中所需的全部参数,并获得模型的最优参数组合,从而生成第二故障波形生成器和第二故障波形辨别器。该训练过程如下:
a.将第二故障波形辨别器模型结构输入超参数随机生成器;
b.生成第二故障波形辨别器模型池;
c.训练数据集对第一故障波形辨别器模型进行优化,故障波形辨别器模型使用adam优化器,通过最小化故障波形辨别器模型的损失函数均值来优化参数,而故障波形生成器通过最大化故障波形辨别器模型的损失函数均值来优化参数。
故障波形辨别器模型的损失函数的损失函数为:
其中D(x,y)为实际故障波形-故障类型数据组,D(G(y),y)为人工故障波形-故障类型数据组。
d.利用测试数据组模型池中优化过的故障波形生成器和故障波形辨别器模型进行测试,获得故障波形生成器和故障波形辨别器。
所述训练数据集中的1/2数据组选自350组原始故障波形-故障类型数据组,1/2数据组选自由第二故障波形生成器生成的人工故障波形-故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。第二故障波形辨别器模型在使用验证数据集验证时正确率达到90%时,或当训练轮次达到p轮次后停止对第二故障波形辨别器模型进行训练。训练停止后所得到的的故障波形-故障类型数据组输入故障分类器模型中进行验证,如果导致故障分类器模型无法通过验证则继续训练第二故障波形辨别器和第二故障波形生成器。
第二辅助分类器模型及训练方法>
本发明中的第二辅助分类器模型用于根据输入第二故障波形辨别器的波形输出对应的故障类型,所述第二辅助分类器的浅层结构与第二故障波形辨别器保持一致。本发明中该第二辅助分类器模型包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层和卷积块,且设定输入卷积层与第一个卷积块的结构与第二故障波形辨别器的输入卷积层与第一个卷积块的结构保持一致。如图11所示为本发明中第二辅助分类器的结构示意图,在全连接层区域包括两层全连接层,并在浅层位置的全连接层引入故障类型标签。
第二辅助分类器模型的训练与前述第一辅助分类器模型的训练方法类似,该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第一辅助分类器模型中所需的全部参数,并获得模型的最优参数组合,从而生成第二辅助分类器。该训练过程如下:
a.将第二辅助器模型结构输入超参数随机生成器;
b.生成第二故障波形辨别器模型池;
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。所述用于优化训练的损失函数为交叉熵函数。所述交叉熵函数为:
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第一辅助分类器。
在前m轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组。如m轮次过后第二故障波形辨别器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助分类器模型需要继续进行训练。
在m至i轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第二故障波形生成器生成的人工故障波形-故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如i轮次过后第二辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助器分类器模型需要继续进行训练。
当训练超过i轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第二故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自故障分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第一辅助分类器生成的原始故障波形-识别故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如i轮次过后第二辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助器分类器模型需要继续进行训练。或当训练轮次达到p轮次后停止对第二辅助器分类器模型进行训练。
如图12所示,为本发明中包含故障分类器、第一故障波形生成器、二故障波形生成器、第一障波形辨别器、二故障波形辨别器、第一辅助分类器及二辅助分类器的数据传输示意图。
本发明的发明点在于如下几个方面:
1.本发明提出了利用故障定位器模型来帮助故障分类器模型训练,即通过将故障定位器模型与故障分类器模型的浅层结构设置成相同。由于原始故障波形均是由配电网站的暂态录波装置获取的,因此原始故障波形数据本身携带有位置信息,因此故障定位器模型在训练时是具有充足的原始波形数据进行训练的。从而降低了故障分类器模型的训练强度。
2.本发明提出了设置第一、二故障波形生成器与第一、二故障波形辨别器进行对抗训练,通过获得充足的且能够与原始故障波形数据-故障类型数据组相似的人工故障波形数据-故障类型数据组,来用于故障分类器的训练。
3.本发明中通过设置第一、二辅助分类器帮助生成用于故障分类器训练的数据组。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的故障定位器模型的框架结构示意图;
图2a-2c是本发明的卷积块具体结构示意图;
图3是本发明的故障定位器模型训练流程图;
图4是本发明中的第一故障波形生成器模型的结构示意图;
图5是本发明中第一故障波形辨别器的结构示意图;
图6是本发明的第一故障波形辨别器模型训练流程图;
图7是本发明中第一辅助分类器的结构示意图;
图8是本发明的故障分类器模型的框架结构示意图;
图9是本发明中第二故障波形生成器模型结构示意图;
图10是本发明中第二故障波形辨别器的结构示意图;
图11是本发明中第二辅助分类器的结构示意图;
图12是本发明中含故障分类器、第一故障波形生成器、二故障波形生成器、第一障波形辨别器、二故障波形辨别器、第一辅助分类器及二辅助分类器的数据传输示意图;
图13所示为本发明一实施例的故障定位器结构示意图;
图14所示为本发明一实施例的第一故障波形生成器结构示意图;
图15所示为本发明一实施例的第一故障波形辨别器结构示意图;
图16所示为本发明一实施例的第一辅助分类器结构示意图;
图17所示为本发明一实施例的第二故障波形生成器结构示意图;
图18所示为本发明一实施例的第二故障波形辨别器结构示意图;
图19所示为本发明一实施例的第二辅助分类器结构示意图;
图20所示为本发明一实施例的故障分类器结构示意图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合附图对本发明作进一步地详细说明。
本实施例中使用原始故障录波波形-故障类型数据组502组,其中包括六类故障类型,无对应故障类型的原始故障录波波形为故障点前波形数据和故障点后波形数据,每种类型数据选取不少于20000个数据,共不少于40000个数据。
经过机器训练获得如图13所示的故障定位器,在该故障定位器中输入卷积层中的卷积核的长为5,个数为8。
卷积块Ⅰ为单通道的双层卷积层,其中第一卷积层的卷积核的长为3,个数为8,第二卷积层的卷积核的长为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长为5,个数为16,第二卷积层的卷积核的长为5,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长为5,个数为16,第二卷积层的卷积核的长为5,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长为3,个数为16,第二卷积层的卷积核的长为4,个数为16,第三卷积层的卷积核的长为3,个数为32,将卷积块Ⅱ三个通道的结果取和输入卷积块Ⅲ。
卷积块Ⅲ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长为2,个数为32,第二卷积层的卷积核的长为3,个数为64。通道b为双层卷积层,其中第一卷积层的卷积核的长为3,个数为32,第二卷积层的卷积核的长为3,个数为64。通道c为三层卷积层,其中第一卷积层的卷积核的长为3,个数为32,第二卷积层的卷积核的长为3,个数为32,第三卷积层的卷积核的长为3,个数为64,将卷积块Ⅲ三个通道的结果取和输入卷积块Ⅳ。
卷积块Ⅳ设置为具有8个通道的卷积层,其每个通道均有双层卷积层构成,其中第一卷积层的卷积核的长为3,个数为64,第二卷积层的卷积核的长为3,个数为128。随后,将卷积块Ⅲ中8个通道的输出结果取和输入平均池化层。
将平均池化层的输出结果输入第一全连接层,所述第一全连接层的神经元个数为32,第一全连接层输出结果输入第二全连接层,第二全连接层的神经元个数设置为8个,第二全连接层输出结果输入第三全连接层,第三全连接层的神经元个数设置为1个。将第三全连接层的输出结果输入sigmoid输出层从而获得监测点A与故障点之间的相对位置关系。
利用训练数据集、验证数据集和测试数据集根据本发明的模型训练方法对故障波形生成器模型和故障波形识别器模型进行优化训练以获得故障波形生成器和故障波形识别器,所述训练数据集中的1/2数据组选自350组原始故障波形-故障类型数据组,1/4数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自故障分类器生成的原始故障波形-识别故障类型数据组。测试数据集与验证数据集选自实际故障波形-故障类型数据组。
经过训练后得到故障波形生成器和故障波形识别器如图14,15所示。
如图14所示为本实施例的第一故障波形生成器,该故障波形生成器中故障类型输入第一全连接层,该第一全连接层神经元个数为32,经过第一全连接层的输出结果引入高斯噪声后输入第二全连接层,第二全连接层神经元个数为64个,经过第二全连接层的输出结果引入高斯噪声后输入去卷积块Ⅰ。所述去卷积块Ⅰ的第一层为去卷积层,该去卷积层的去卷积核长度为5,去卷积核个数为64,第二层为卷积层,该卷积层的卷积核长度为3,卷积核个数为64。去卷积块Ⅰ输出结果输入去卷积块Ⅱ,所述去卷积块Ⅱ的第一层为去卷积层,该去卷积层的去卷积核长度为5,去卷积核个数为64,第二层为卷积层,该卷积层的卷积核长度为3,卷积核个数为32。去卷积块Ⅱ输出结果输入去卷积块Ⅲ,所述去卷积块Ⅲ的第一层为去卷积层,该去卷积层的去卷积核长度为5,去卷积核个数为32,第二层为卷积层,该卷积层的卷积核长度为3,卷积核个数为16。去卷积块Ⅲ输出结果输入去卷积块Ⅳ,所述去卷积块Ⅳ的第一层为去卷积层,该去卷积层的去卷积核长度为5,去卷积核个数为16,第二层为卷积层,该卷积层的卷积核长度为3,卷积核个数为1。最后输出人工故障波形。
如图15所示的第一故障波形辨别器结构示意图,该故障波形识别器中,故障波形输入卷积层Ⅰ,所述卷积层Ⅰ的卷积核长度为7,卷积核个数为64。随后输入卷积层Ⅱ,所述卷积层Ⅱ的卷积核长度为7,卷积核个数为128。随后输入卷积层Ⅲ,所述卷积层Ⅲ的卷积核长度为3,卷积核个数为256。随后输入卷积层Ⅳ,所述卷积层Ⅳ的卷积核长度为3,卷积核个数为512。随后进入平均池化层。经过平均池化层后进入第一全连接层,该第一全连接层具有520个神经元,且同时向第一全连接层输入故障标签,经过第一全连接层后输出结果输入第二全连接层,该第二全连接层具有神经元个数为512个,随后进入第三全链接层,该第三全链接层神经元个数为1,最后输出故障波形是否为原始暂态录波波形。
如图16所示的第一辅助分类器的结构示意图,第一辅助分类器的卷积层Ⅰ与卷积层Ⅱ与第一故障波形辨别器完全一致,卷积层Ⅱ输入卷积块,所述卷积块双层卷积层,其中第一卷积层的卷积核的长为3,个数为128,第二卷积层的卷积核的长为3,个数为64,随后进入平均池化层。经过平均池化层后进入第一全连接层,该第一全连接层具有24个神经元,经过第一全连接层后输出结果输入第二全连接层,该第二全连接层具有神经元个数为8个。本实施例中的第一辅助分类器在前30轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组。如m轮次过后第一故障波形辨别器模型在使用验证数据集验证时正确率无法达到90%时,则第一故障波形辨别器模型需要继续进行训练。在30至60轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如60轮次过后第一辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第一辅助器分类器模型需要继续进行训练。当训练超过60轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自故障分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第一辅助分类器生成的原始故障波形-识别故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如i轮次过后第一辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第一辅助器分类器模型需要继续进行训练。或当训练轮次达到200轮次后停止对第一辅助器分类器模型进行训练。
如图17所示的第二故障波形生成器的结构示意图,输入第二故障波形生成器的是由故障分类器卷积层输出特征向量,特征向量输入所述去卷积块Ⅰ的第一层为去卷积层,该去卷积层的去卷积核长度为5,去卷积核个数为64,第二层为卷积层,该卷积层的卷积核长度为3,卷积核个数为64。去卷积块Ⅰ输出结果输入去卷积块Ⅱ,所述去卷积块Ⅱ的第一层为去卷积层,该去卷积层的去卷积核长度为5,去卷积核个数为64,第二层为卷积层,该卷积层的卷积核长度为3,卷积核个数为32。去卷积块Ⅱ输出结果输入去卷积块Ⅲ,所述去卷积块Ⅲ的第一层为去卷积层,该去卷积层的去卷积核长度为5,去卷积核个数为32,第二层为卷积层,该卷积层的卷积核长度为3,卷积核个数为16。去卷积块Ⅲ输出结果输入去卷积块Ⅳ,所述去卷积块Ⅳ的第一层为去卷积层,该去卷积层的去卷积核长度为5,去卷积核个数为16,第二层为卷积层,该卷积层的卷积核长度为3,卷积核个数为1。最后输出还原的故障波形。
如图18所示的第二故障波形辨别器的结构示意图,第二故障波形辨别器的输入为第二故障波形生成器生成的还原的故障波形,还原故障波形输入卷积层Ⅰ,所述卷积层Ⅰ的卷积核长度为7,卷积核个数为64。随后输入卷积层Ⅱ,所述卷积层Ⅱ的卷积核长度为7,卷积核个数为128。随后输入卷积层Ⅲ,所述卷积层Ⅲ的卷积核长度为3,卷积核个数为256。随后输入卷积层Ⅳ,所述卷积层Ⅳ的卷积核长度为3,卷积核个数为512。随后进入平均池化层。经过平均池化层后进入第一全连接层,该第一全连接层具有512个神经元,经过第一全连接层后输出结果输入第二全连接层,该第二全连接层具有神经元个数为1个,最后输出辨别结果,即故障波形是否为原始暂态录波波形。
如图19所示的第二辅助分类器的结构示意图,第二辅助分类器的卷积层Ⅰ与卷积层Ⅱ与第二故障波形辨别器完全一致,卷积层Ⅱ输入卷积块,所述卷积块双层卷积层,其中第一卷积层的卷积核的长为3,个数为128,第二卷积层的卷积核的长为3,个数为64,随后进入平均池化层。经过平均池化层后进入第一全连接层,该第一全连接层具有24个神经元,经过第一全连接层后输出结果输入第二全连接层,该第二全连接层具有神经元个数为8个。
在前30轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组。如30轮次过后第二故辅助分类器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助分类器模型需要继续进行训练。
在30至60轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第二故障波形生成器生成的人工故障波形-故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如i轮次过后第二辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助器分类器模型需要继续进行训练。当训练超过60轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第二故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自故障分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第一辅助分类器生成的原始故障波形-识别故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如i轮次过后第二辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助器分类器模型需要继续进行训练。或当训练轮次达到200轮次后停止对第二辅助器分类器模型进行训练。
如图20所示的故障分类器的结构示意图,该故障分类器中的卷积层区域中包括输入卷积层、卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅳ和平均池化层,全连接层区域中为两层全连接层。在该模型中,输入卷积层、卷积块Ⅰ和卷积块Ⅱ的结构及参数与故障定位器中的是完全一致的,因此在训练过程中大大减少了需要进行训练的参数数量,降低了训练强度。在前30轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组。如30轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练。在30至60轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如60轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练。当训练超过60轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自第一辅助分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第二辅助分类器生成的原始故障波形-识别故障类型数据组。测试数据集与验证数据集选自原始故障波形-故障类型数据组。如60轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练。或当训练轮次达到200轮次后停止对故障分类器模型进行训练。
所述输入卷积层的卷积核长度为3,卷积核个数为8。卷积块Ⅰ为单通道的双层卷积层,其中第一卷积层的卷积核的长为3,个数为8,第二卷积层的卷积核的长为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长为5,个数为16,第二卷积层的卷积核的长为5,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长为5,个数为32,第二卷积层的卷积核的长为5,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长为3,个数为16,第二卷积层的卷积核的长为4,个数为16,第三卷积层的卷积核的长为3,个数为32,将卷积块Ⅱ三个通道的结果取和输入卷积块Ⅳ。卷积块Ⅳ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长为2,个数为32,第二卷积层的卷积核的长为3,个数为64。通道b为双层卷积层,其中第一卷积层的卷积核的长为3,个数为32,第二卷积层的卷积核的长为3,个数为64。通道c为三层卷积层,其中第一卷积层的卷积核的长为3,个数为32,第二卷积层的卷积核的长为3,个数为32,第三卷积层的卷积核的长为3,个数为64,将卷积块Ⅳ三个通道的结果取和输入平均池化层。
本实施例中,在卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅳ之间设置了残量连接,即输入卷积层输出结果与卷积块Ⅰ输出结果取和输入卷积块Ⅱ,卷积块Ⅰ输出结果与卷积块Ⅱ输出结果取和输入卷积块Ⅳ,卷积块Ⅱ输出结果与卷积块Ⅲ输出结果取和输入平均池化层。通过设置残量连接可以加强卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅳ的参数训练。
将平均池化层的输出结果输入第一全连接层,所述第一全连接层的神经元个数为16,第一全连接层输出结果输入第二全连接层,第二全连接层的神经元个数设置为8个。从而得到输入波形的故障类型判别结果。
Claims (10)
1.一种用于配电网故障类型识别的方法,其特征在于,所述方法包括:
构建故障定位器模型,并使用由配电网暂态录波装置获取的原始故障录波波形数据对模型进行训练以获得故障定位器;
构建第一故障波形生成器模型和第一故障波形辨别器模型,所述第一故障波形生成器模型用于根据输入的故障类型生成对应的人工故障波形,所述第一故障波形辨别器模型用于根据输入的故障波形识别该故障波形是实际故障波形或第一故障波形生成器生成的人工故障波形;
构建第一辅助分类器模型,所述第一辅助分类器的浅层结构设置成与第一故障波形辨别器一致,该第一辅助分类器根据输入的故障波形输出该故障波形所对应的故障类型;
构建故障分类器模型,该故障分类器模型用于根据输入的故障波形生成该故障波形所对应的故障类型,该故障分类器模型包括卷积层区域和全连接层区域,且故障分类器模型与故障定位器模型在浅层结构上保持一致;
构建第二故障波形生成器模型和第二故障波形辨别器模型,所述第二故障波形生成器模型用于通过输入故障分类器模型中的卷积层区域输出的特征向量生成对应的人工故障波形,所述第二故障波形辨别器模型用于根据输入的故障波形识别该故障波形是实际故障波形或第二故障波形生成器生成的人工故障波形;
利用原始的实际故障波形-故障类型数据组和第一故障波形生成器在训练中所产生的人工故障波形-故障类型数据组对第一故障波形辨别器模型进行训练获得第一故障波形辨别器;同时利用第一故障波形辨别器模型的损失函数优化第一故障波形生成器以获得第一故障波形生成器;
利用原始的实际故障波形对第二故障波形辨别器模型进行训练获得第二故障波形辨别器;同时利用第二故障波形辨别器模型的损失函数优化第二故障波形生成器以获得第二故障波形生成器;
利用原始的实际故障波形-故障类型数据组、第一故障波形生成器产生的人工故障波形-故障类型数据组以及故障分类器模型和第二辅助分类器模型在训练过程中产生的人工故障波形-故障类型数据组对第一辅助分类器模型进行训练以获得第一辅助分类器;
利用原始的实际故障波形-故障类型数据组、第一故障波形生成器产生的人工故障波形-故障类型数据组以及故障分类器模型和第一辅助分类器模型在训练过程中产生的人工故障波形-故障类型数据组对第二辅助分类器模型进行训练以获得第二辅助分类器;
利用原始的实际故障波形-故障类型数据组、第一故障波形生成器产生的人工故障波形-故障类型数据组以及第一辅助分类器模型和第二辅助分类器模型在训练过程中产生的人工故障波形-故障类型数据组对故障分类器模型进行训练以获得故障分类器;
将待分析的实际发生的由配电网暂态录波装置获取的原始故障录波波形数据输入故障分类器获得实际发生的故障类型。
2.根据权利要求1所述的用于配电网故障类型识别的方法,其特征在于,所述故障定位器模型使用深度卷积神经网络,其包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层、卷积块、平均池化层。
3.根据权利要求1所述的用于配电网故障类型识别的方法,其特征在于,所述第一故障波形生成器模型包括全连接层区域和去卷积层区域,所述全连接层区域包括两层全连接层,并在每一层中均引入高斯噪声,所述去卷积层区域包括去卷积块;所述第一故障波形辨别器包括卷积层区域和全连接层区域,在卷积层区域包括卷积块,在全连接层区域包括两层全连接层,并在浅层位置的全连接层输入故障类型标签;所述第一辅助分类器模型包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层和卷积块,且设定输入卷积层与第一个卷积块的结构与第一故障波形辨别器的输入卷积层与第一个卷积块的结构保持一致。
4.根据权利要求1所述的用于配电网故障类型识别的方法,其特征在于,所述故障分类器模型包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层、卷积块、平均池化层,其中输入卷积层以及前两层卷积块与故障定位器中的保持一致。
5.根据权利要求1所述的用于配电网故障类型识别的方法,其特征在于,所述第二故障波形生成器的输入为故障分类器的平均池化层所输出的特征向量,而第二故障波形生成器仅包括去卷积层区域;所述第二故障波形辨别器包括卷积层区域和全连接层区域,在卷积层区域包括卷积块,在全连接层区域包括两层全连接层;所述第二辅助分类器模型包括卷积层区域和全连接层区域,在卷积层区域包括输入卷积层和卷积块,且设定输入卷积层与第一个卷积块的结构与第二故障波形辨别器的输入卷积层与第一个卷积块的结构保持一致。
6.根据权利要求1所述的用于配电网故障类型识别的方法,其特征在于,第一故障波形辨别器模型使用adam优化器,通过最小化第一故障波形辨别器模型的损失函数均值来优化参数,而第一故障波形生成器通过最大化第一故障波形辨别器模型的损失函数均值来优化参数。
7.根据权利要求1所述的用于配电网故障类型识别的方法,其特征在于,第二故障波形辨别器模型使用adam优化器,通过最小化第二故障波形辨别器模型的损失函数均值来优化参数,而第二故障波形生成器通过最大化第二故障波形辨别器模型的损失函数均值来优化参数。
8.根据权利要求1所述的用于配电网故障类型识别的方法,其特征在于,所述第一辅助分类器的训练在前30轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组;如30轮次过后第一辅助分类器模型在使用验证数据集验证时正确率无法达到90%时,则第一辅助分类器模型需要继续进行训练;在30至60轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组;测试数据集与验证数据集选自原始故障波形-故障类型数据组;如60轮次过后第一辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第一辅助器分类器模型需要继续进行训练;当训练超过60轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自故障分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第二辅助分类器生成的原始故障波形-识别故障类型数据组;测试数据集与验证数据集选自原始故障波形-故障类型数据组;如60轮次过后第一辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第一辅助器分类器模型需要继续进行训练;或当训练轮次达到200轮次后停止对第一辅助器分类器模型进行训练。
9.根据权利要求1所述的用于配电网故障类型识别的方法,其特征在于,所述第二辅助分类器的训练在前30轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组;如30轮次过后第二辅助分类器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助分类器模型需要继续进行训练;在30至60轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第二故障波形生成器生成的人工故障波形-故障类型数据组;测试数据集与验证数据集选自原始故障波形-故障类型数据组;如60轮次过后第二辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助器分类器模型需要继续进行训练;当训练超过60轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自故障分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第一辅助分类器生成的原始故障波形-识别故障类型数据组;测试数据集与验证数据集选自原始故障波形-故障类型数据组;如60轮次过后二辅助器分类器模型在使用验证数据集验证时正确率无法达到90%时,则第二辅助器分类器模型需要继续进行训练;或当训练轮次达到200轮次后停止对第二辅助器分类器模型进行训练。
10.根据权利要求1所述的用于配电网故障类型识别的方法,其特征在于,对故障分类器的训练在前30轮次训练中,所述训练数据集选自实际故障波形-故障类型数据组,测试数据集与验证数据集选自实际故障波形-故障类型数据组。如30轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练;在30至60轮次中,所述训练数据集中的1/2数据组选自原始故障波形-故障类型数据组,1/2数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组;测试数据集与验证数据集选自原始故障波形-故障类型数据组;如60轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练;当训练超过60轮次时,所述训练数据集中的1/4数据组选自原始故障波形-故障类型数据组,1/4数据组选自由第一故障波形生成器生成的人工故障波形-故障类型数据组,1/4数据选自第一辅助分类器生成的原始故障波形-识别故障类型数据组,1/4数据选自第二辅助分类器生成的原始故障波形-识别故障类型数据组;测试数据集与验证数据集选自原始故障波形-故障类型数据组;如60轮次过后故障分类器模型在使用验证数据集验证时正确率无法达到90%时,则故障分类器模型需要继续进行训练;或当训练轮次达到200轮次后停止对故障分类器模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910641524.1A CN112240964B (zh) | 2019-07-16 | 2019-07-16 | 一种用于配电网故障类型识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910641524.1A CN112240964B (zh) | 2019-07-16 | 2019-07-16 | 一种用于配电网故障类型识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112240964A true CN112240964A (zh) | 2021-01-19 |
CN112240964B CN112240964B (zh) | 2023-06-20 |
Family
ID=74167147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910641524.1A Active CN112240964B (zh) | 2019-07-16 | 2019-07-16 | 一种用于配电网故障类型识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112240964B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106526400A (zh) * | 2016-11-28 | 2017-03-22 | 株洲中车时代电气股份有限公司 | Dc600v列车供电系统的接地故障诊断方法及装置 |
US20170147868A1 (en) * | 2014-04-11 | 2017-05-25 | Beijing Sesetime Technology Development Co., Ltd. | A method and a system for face verification |
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 |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN108107324A (zh) * | 2017-12-22 | 2018-06-01 | 北京映翰通网络技术股份有限公司 | 一种基于深度卷积神经网络的配电网故障定位方法 |
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 |
CN109102005A (zh) * | 2018-07-23 | 2018-12-28 | 杭州电子科技大学 | 基于浅层模型知识迁移的小样本深度学习方法 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
JP2019030193A (ja) * | 2017-08-03 | 2019-02-21 | 株式会社東芝 | 配電線事故原因推定システム、方法、プログラム及び記録装置 |
-
2019
- 2019-07-16 CN CN201910641524.1A patent/CN112240964B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170147868A1 (en) * | 2014-04-11 | 2017-05-25 | Beijing Sesetime Technology Development Co., Ltd. | A method and a system for face verification |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106526400A (zh) * | 2016-11-28 | 2017-03-22 | 株洲中车时代电气股份有限公司 | Dc600v列车供电系统的接地故障诊断方法及装置 |
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 |
JP2019030193A (ja) * | 2017-08-03 | 2019-02-21 | 株式会社東芝 | 配電線事故原因推定システム、方法、プログラム及び記録装置 |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN108107324A (zh) * | 2017-12-22 | 2018-06-01 | 北京映翰通网络技术股份有限公司 | 一种基于深度卷积神经网络的配电网故障定位方法 |
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 |
CN109102005A (zh) * | 2018-07-23 | 2018-12-28 | 杭州电子科技大学 | 基于浅层模型知识迁移的小样本深度学习方法 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
Non-Patent Citations (1)
Title |
---|
杜江等: "深广神经网络在变压器故障诊断中的应用", 《中北大学学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112240964B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN108932527A (zh) | 使用交叉训练模型检测对抗样本的方法 | |
CN110108992B (zh) | 基于改进随机森林算法的电缆局放故障识别方法、系统 | |
CN106443379A (zh) | 变压器局部放电故障类型的识别方法和装置 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
CN111783534B (zh) | 一种基于深度学习的睡眠分期方法 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN110020637B (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN111353487A (zh) | 用于变电站的设备信息提取方法 | |
CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN109100648A (zh) | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 | |
CN113077444A (zh) | 一种基于cnn的超声无损检测图像缺陷分类方法 | |
CN113158964A (zh) | 一种基于残差学习和多粒度特征融合的睡眠分期方法 | |
CN111915101A (zh) | 基于lpp-hmm方法的复杂装备故障预测方法及系统 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN112305379A (zh) | 一种用于gis绝缘缺陷的模式识别方法及系统 | |
CN116432112A (zh) | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 | |
CN107766560A (zh) | 客服服务流程的评价方法和系统 | |
CN113945862A (zh) | 一种配电网高阻接地故障识别方法、装置及设备 | |
CN114218988A (zh) | 一种样本不均衡下的单向接地故障馈线识别方法 | |
CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
CN112240964A (zh) | 一种用于配电网故障类型识别的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |