CN113092934A - 基于聚类和lstm的单相接地故障判定方法及系统 - Google Patents
基于聚类和lstm的单相接地故障判定方法及系统 Download PDFInfo
- Publication number
- CN113092934A CN113092934A CN202110307123.XA CN202110307123A CN113092934A CN 113092934 A CN113092934 A CN 113092934A CN 202110307123 A CN202110307123 A CN 202110307123A CN 113092934 A CN113092934 A CN 113092934A
- Authority
- CN
- China
- Prior art keywords
- fault
- lstm
- cluster
- ground fault
- data
- 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
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/044—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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于聚类和LSTM的单相接地故障判定方法及系统,通过调度平台得到配电网的故障录波数据,采用傅里叶分解后的谐波与基波的比值作为特征量,利用聚类分析区分录波数据中的故障数据与非故障数据,判别出故障时刻;利用多层LSTM网络建立小电流接地故障选线模型进行故障判别,从而完成故障选线和故障时刻的判定。本发明适用于分布式电源的配电网,实现简便,实时高效,能够支持自动化智能化解决线路故障。
Description
技术领域
本发明属于接有分布式电源的中低压配电网单相接地故障选线领域,具体涉及一种基于聚类和LSTM的单相接地故障判定方法及系统。
背景技术
在国家经济快速发展的时代背景下,各行各业对电能的需求量和可靠性的要求不断提高。但配电网结构复杂,单相接地故障是配电线路中发生频率最高,查找难度最大的电力故障。电网现在采用的是故障选线装置和人工拉路结合的方式进行选线,不仅误判率高、耗时长,而且容易造成长时间停电。
近年来以光伏和风电为代表性的新能源大量开发利用,传统配电网正在向主动配电网转变以应对分布式能源大量接入电网。配电网中设备增多导致故障概率增大,分布式能源并入电网导致电容电流、谐波增加,加大了单相接地故障选线的判别难度。
国内外对于配电网故障选线已有不少的研究,主要可根据故障信号的不同分为主动式选线方法和被动式选线方法。主动式选线方法是在发生故障时向系统注入信号从而对系统进行选线,被动式选线方法是直接根据故障时的电气量(稳态量或暂态量)进行的选线。
发明内容
为了解决现有技术的不足,针对小电流接地故障,本发明提出一种基于聚类和LSTM的单相接地故障判定方法及系统。
本发明技术方案提供一种基于聚类和LSTM的单相接地故障判定方法,通过调度平台得到配电网的故障录波数据,采用傅里叶分解后的谐波与基波的比值作为特征量,利用聚类分析区分录波数据中的故障数据与非故障数据,判别出故障时刻;利用多层LSTM网络建立小电流接地故障选线模型进行故障判别,从而完成故障选线和故障时刻的判定。
而且,实现过程包括以下步骤,
步骤S1、数据采集,包括获取配电网的故障录波数据,构成原始样本数据集;
步骤S2、选取特征量,包括对故障录波数据进行傅里叶分解,将原始数据分解成基波和各高次谐波的组合;
步骤S3、聚类分析,包括对每个故障波形的周波提取特征量,形成特征矩阵,将每个样本的特征矩阵进行聚类分析,得到每个样本的故障时刻;
步骤S4、建立深度学习LSTM模型,包括基于LSTM和神经网络建立小电流接地故障选线模型;
所述小电流接地故障选线模型共包含5层,包括输入层、三层隐藏层和输出层,输入层由特征量决定,前两层隐藏层为LSTM模块,第三层隐藏层为Dense模块,输出层为Dense模块,输出表示判定线路是否故障的结果;
步骤S5、训练LSTM网络并测试,包括利用样本数据的特征量训练小电流接地故障选线模型,然后用训练好的小电流接地故障选线模型获取单相接地故障判定结果,若测试样本的每个周波都为判定为非故障,则认为此条线路未发生故障,反之,若测试样本中任一周波被判定为故障周波,则认为此线路为故障线路,且故障时刻为所判定的故障周波。
而且,S1中,通过采集的三相电压合成零序电压数据。
而且,S2中,将每个故障录波数据中的一个周波视为最小处理单元,对每个周波进行傅里叶分解,则每个周波将分解为基波和高次谐波的组合,选取奇次谐波与基波之比作为特征量。
而且,S3中,对每个周波提取特征量,将每个故障样本所有的周波的特征量组合,形成特征矩阵;对每个故障样本进行聚类分析,得到每个故障样本的故障时刻。
而且,S4中,利用keras库中的LSTM和Dense模块搭建建立小电流接地故障选线模型,输入层的神经元设置由特征量决定,LSTM模块的结构设置为100×100,Dense模块的结构设置为100×200,输出层的神经元设置为1个;隐藏层的激活函数为tanh,输出层的激活函数为sigmoid。
而且,用于含有分布式电源的配电网。
而且,所述配电网中的分布式电源为光伏和/或储能电源。
另一方面,本发明还提供一种基于聚类和LSTM的单相接地故障判定系统,用于实现以上所述的基于聚类和LSTM的单相接地故障判定方法。
而且,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于聚类和LSTM的单相接地故障判定方法。
本发明的有益技术效果在于:
本发明基于调度平台的故障录波数据,采用谐波与基波的比值作为特征量,采用聚类分析及深度学习LSTM相结合的方法实现小电流接地故障选线及故障时刻的判定。
本发明适用于分布式电源的配电网,实现简便,实时高效,能够支持自动化智能化解决线路故障。
附图说明
图1为本发明实施例的总体流程示意图;
图2为本发明实施例中聚类分析的流程图;
图3为本发明实施例中LSTM的结构示意图。
具体实施方式
下面结合附图以及实施例对本发明做进一步的描述,以下实施例仅用于更加清楚的说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明通过调度平台得到故障录波数据,采用傅里叶分解后的奇次谐波与基波的比值作为特征量,利用聚类分析区分录波数据中的故障数据与非故障数据,由此判别出故障时刻。利用多层LSTM(Long Short-Term Memory,长短期记忆)网络进行故障判别,从而完成故障选线和故障时刻的判定。
参见图1,本发明实施例涉及一种基于聚类和LSTM的单相接地故障判定方法及系统,能够实现单相接地故障选线及故障时刻的判定,流程包括具体步骤如下:
S1、数据采集:基于调度主站系统(D5000)与配电自动化主站系统平台(D5200)获取配电网的故障录波数据,由此构成原始样本数据集。
本发明适用于含有光伏、储能分布式电源的配电网。为了提高供电可靠性,很多城市都在配电线路上广泛配置了故障录波显示装置。基于目前常用的调度主站系统(D5000)与配电自动化主站系统(D5200),可实现配电自动化中终端与故障显示终端全部接入,具备实时数据在线监视与故障录波远方召唤的功能,本发明将借助上述两种系统获取接有光伏和储能的配电网的故障波形。包括零序电流、三相电压和三相电流数据。
系统无法直接采集到零序电压数据,故将采集的三相电压合成零序电压,公式如下:
U0=Ua+Ub+Uc
式中,U0表示零序电压,Ua,Ub,Uc分别表示A、B、C相的电压。
对采集的故障波形进行分析。根据故障录波的概念其包括故障前后各电气量的变化,即整个故障录波时间段内包含故障数据与非故障数据。传统的被动式选线涉及比幅比相两种基础的判别方法,对于光伏接入的配电网发生故障时三相变动明显,易于区分故障时刻;对于储能接入的配电网发生高阻性接地故障时三相电压波形几乎对称,且故障前后电压差不大,电流突变也小。此时很难准确的根据幅值和相角辨别出故障发生时刻。
S2、选取特征量:对故障录波数据进行傅里叶分解,将原始数据分解成基波和各高次谐波的组合。
由于光伏的接入以及故障的发生将导致系统中零序分量谐波分量的增加。将故障样本的每个周波视为最小分析单元,对零序分量的每个周波采用傅里叶分解,将每个周波分解成基波和各高次谐波。由于三相对称,偶次谐波被互相抵消了,故只考虑奇次谐波的影响。
受终端采集装置变比影响,基准幅值存在偏差,为消除采样变比的影响,采用奇次谐波与基波的比值作为特征量。根据周波分解的结果,求出各高次谐波的含量并进行分析,选取其中占比较大的高次谐波,实施例中3、5、7、11次谐波占比较高。故选取采用上述谐波的占比作为特征量。
S3、聚类分析:对每个故障波形的周波提取特征量,形成特征矩阵,将每个样本的特征矩阵进行聚类分析,得到每个样本的故障时刻。
k-means聚类是聚类算法中使用最广泛的算法,与其他聚类算法相比,具有极易实现、计算效率高的特点。故本实施例将对每个故障样本进行k-means聚类分析。
结合本发明采用聚类分析的目的,距离函数选取欧式距离,公式为:
式中,d(x,y)2表示点x和点y的距离,xj和yj表示样本x和样本y的第j个特征,m表示该样本具有m个特征。
实施例是为了判别出故障时刻,即故障样本数据可分为故障与非故障两分布,故实施例的k值选为2。
对每个故障样本采用聚类分析,根据每个周波选取的特征量,构建特征矩阵,代入到所建的聚类模型中,得到每个故障样本的故障时刻。
图2表示聚类分析的流程图,将每个样本的特征矩阵代入聚类模型,首先得到两个初始聚类中心,再根据上述选取的距离函数分配数据,重新计算聚类中心,若聚类中心发生变化则更新聚类中心重复上述步骤,否则停止聚类得到聚类每个样本的聚类结果,再对聚类的结果进行分析将得到故障时刻。
S4、建立深度学习LSTM模型:基于LSTM和神经网络建立小电流接地故障选线模型。
S4中利用keras库中的LSTM(长短期记忆单元)和Dense(全连接层)模块搭建故障选线和故障时刻判定模型。该模型共包含5层,输入层由特征量决定,隐藏层设为三层神经元,前两层为LSTM模块,第三层为Dense模块,个数分别100、100和200个;输出层设置Dense模块,神经元设置为1个。优选可以考虑的,隐藏层的激活函数为tanh(双曲正切函数),输出层的激活函数为sigmoid(S型函数)。
实施例中,借助keras人工神经网络库搭建小电流接地故障选线模型,该模型输入层的神经元设置为4个;隐藏层设为三层,前两层为LSTM模块,第三层为Dense模块,LSTM模块的结构设置为100×100,Dense模块的结构设置为100×200。输出层的神经元设置为1个,隐藏层的激活函数为tanh,输出层的激活函数为sigmoid。故损失函数为二分类损失函数“binary_crossentropy”,对应的公式为:
为防止过拟合,增加Dropout(丢弃率)层和EarlyStopping(早停)函数,dropout中的参数keep_prob(保留概率)设为0.4,EarlyStopping的patience(等待训练停止的无改善时期个数)设为40。迭代次数设为150,学习率为0.01。
以上模型结构的设计可以在一定程度上防止过拟合,保证准确率的情况下减少运行时间。各参数的设定是根据该实施例确定的(以准确率为评判指标进行调参得到的参数),保证LSTM故障选线模型的准确率。隐藏层设定三层是为了更好的拟合输入输出的非线性关系。
参见图3是基于keras的封装模块建立的LSTM故障选线模型,其中输入层的x1~x4表示选择的特征量,即每个周波的3、5、7、11次谐波与基波的比值。每个封装模块中的数字表示该模块的神经元个数。两个模块之间的箭头表示输入输出关系。Y是最终的输出,表示判定线路是否故障的结果。输入层的特征量x1、x2、x3、x4分别输入隐藏层1的LSTM模块11、LSTM模块12、LSTM模块13、LSTM模块14,LSTM模块11、LSTM模块12、LSTM模块13、LSTM模块14的输出分别接入隐藏层2的LSTM模块21、LSTM模块22、LSTM模块23和LSTM模块24,LSTM模块21的输出接入LSTM模块22,LSTM模块22的输出接入LSTM模块23,LSTM模块23的输出接入LSTM模块24,LSTM模块24的输出接入隐藏层3中的Dense模块31,Dense模块31的输出接入Dropout层,Dropout层的输出接入输出层的Dense模块41,输出层的Dense模块41的输出就是最终的输出Y。
S5、训练LSTM网络并测试模型:包括利用样本数据的特征量训练小电流接地故障选线模型,然后用训练好的小电流接地故障选线模型获取单相接地故障判定结果,若测试样本的每个周波都为判定为非故障,则认为此条线路未发生故障,反之,若测试样本中任一周波被判定为故障周波,则认为此线路为故障线路,且故障时刻为所判定的故障周波。
实施例中,为了方便验证起见,将步骤S1所得所有样本的相应特征矩阵形成一个数据集,分为训练集和测试集,将训练集的数据代入模型训练网络。利用测试集的数据验证模型的效果。实际应用中,根据实时采集的故障录波数据,按照步骤S1~S3同样的方式提取特征量,即可输入训练好的模型,得到故障判定结果。
实施例中,将所有的样本矩阵整合为一个数据集,并将该数据集划分为训练集和测试集。对数据进行z-score归一化处理。公式如下:
式中,μ和σ是指测试集数据处理前的均值和标准差,xtrain和xtest为处理前的训练集和测试集的输入数据,xnew_train和xnew_test为处理后的训练集和测试集的输入数据。
每个样本的所有周波的4种谐波的占比构成一个二维数组。为了能够输入模型,将训练集和测试集的特征数组转换成三维数组,三维数组的第一维和第三维的长度为原来的第一维和第二维的长度,第二维度为1。将处理后的训练集数据代入到已建立的模型中,训练网络。将测试集数据代入已训练的网络中,得到预测结果。
若一个故障样本的每个周波的预测结果都为非故障,则认为此条线路未发生故障,反之,若故障样本中任一周波的预测结果为故障周波,则认为此线路为故障线路,且故障时刻为故障周波所处时刻。
选取评判指标如下,
该实施例的预测结果如下:
本实施例采用故障信号是零序电压分量。实验仿真结果表明在经过异常值处理以及对模型进行调参后准确率可达到95%以上。
本实施例基于电网调度平台的故障录波数据,可分为故障与非故障两类数据;对故障周波进行傅里叶分解,得到基波与各高次谐波的组合,采用高次谐波与基波的比值作为特征量;进行聚类分析得到每个故障样本的故障时刻。将特征矩阵代入搭建的LSTM网络中得到训练后的模型。利用该模型可较高精度的区分出正常运行和故障运行两种状态,从而实现故障选线和故障时刻的判定。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种基于聚类和LSTM的单相接地故障判定系统,包括以下模块,
第一模块,用于数据采集,包括获取配电网的故障录波数据,构成原始样本数据集;
第二模块,用于选取特征量,包括对故障录波数据进行傅里叶分解,将原始数据分解成基波和各高次谐波的组合;
第三模块,用于聚类分析,包括对每个故障波形的周波提取特征量,形成特征矩阵,将每个样本的特征矩阵进行聚类分析,得到每个样本的故障时刻;
第四模块,用于建立深度学习LSTM模型,包括基于LSTM和神经网络建立小电流接地故障选线模型;
所述小电流接地故障选线模型共包含5层,包括输入层、三层隐藏层和输出层,输入层由特征量决定,前两层隐藏层为LSTM模块,第三层隐藏层为Dense模块,输出层为Dense模块,输出表示判定线路是否故障的结果;
第五模块,用于训练LSTM网络并测试,包括利用样本数据的特征量训练小电流接地故障选线模型,然后用训练好的小电流接地故障选线模型获取单相接地故障判定结果,若测试样本的每个周波都为判定为非故障,则认为此条线路未发生故障,反之,若测试样本中任一周波被判定为故障周波,则认为此线路为故障线路,且故障时刻为所判定的故障周波。
在一些可能的实施例中,提供一种基于聚类和LSTM的单相接地故障判定系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于聚类和LSTM的单相接地故障判定方法。
在一些可能的实施例中,提供一种基于聚类和LSTM的单相接地故障判定系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于聚类和LSTM的单相接地故障判定方法。
以上所述仅为本发明的最佳实施例,而不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改,等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于聚类和LSTM的单相接地故障判定方法,其特征在于:通过调度平台得到配电网的故障录波数据,采用傅里叶分解后的谐波与基波的比值作为特征量,利用聚类分析区分录波数据中的故障数据与非故障数据,判别出故障时刻;利用多层LSTM网络建立小电流接地故障选线模型进行故障判别,从而完成故障选线和故障时刻的判定。
2.根据权利要求1所述的一种基于聚类和LSTM的单相接地故障判定方法,其特征在于:实现过程包括以下步骤,
步骤S1、数据采集,包括获取配电网的故障录波数据,构成原始样本数据集;
步骤S2、选取特征量,包括对故障录波数据进行傅里叶分解,将原始数据分解成基波和各高次谐波的组合;
步骤S3、聚类分析,包括对每个故障波形的周波提取特征量,形成特征矩阵,将每个样本的特征矩阵进行聚类分析,得到每个样本的故障时刻;
步骤S4、建立深度学习LSTM模型,包括基于LSTM和神经网络建立小电流接地故障选线模型;
所述小电流接地故障选线模型共包含5层,包括输入层、三层隐藏层和输出层,输入层由特征量决定,前两层隐藏层为LSTM模块,第三层隐藏层为Dense模块,输出层为Dense模块,输出表示判定线路是否故障的结果;
步骤S5、训练LSTM网络并测试,包括利用样本数据的特征量训练小电流接地故障选线模型,然后用训练好的小电流接地故障选线模型获取单相接地故障判定结果,若测试样本的每个周波都为判定为非故障,则认为此条线路未发生故障,反之,若测试样本中任一周波被判定为故障周波,则认为此线路为故障线路,且故障时刻为所判定的故障周波。
3.根据权利要求2所述的一种基于聚类和LSTM的单相接地故障判定方法,其特征在于:S1中,通过采集的三相电压合成零序电压数据。
4.根据权利要求2所述的一种基于聚类和LSTM的单相接地故障判定方法,其特征在于:S2中,将每个故障录波数据中的一个周波视为最小处理单元,对每个周波进行傅里叶分解,则每个周波将分解为基波和高次谐波的组合,选取奇次谐波与基波之比作为特征量。
5.根据权利要求2所述的一种基于聚类和LSTM的单相接地故障判定方法,其特征在于:S3中,对每个周波提取特征量,将每个故障样本所有的周波的特征量组合,形成特征矩阵;对每个故障样本进行聚类分析,得到每个故障样本的故障时刻。
6.根据权利要求2所述的一种基于聚类和LSTM的单相接地故障判定方法,其特征在于:S4中,利用keras库中的LSTM和Dense模块搭建建立小电流接地故障选线模型,输入层的神经元设置由特征量决定,LSTM模块的结构设置为100×100,Dense模块的结构设置为100×200,输出层的神经元设置为1个;隐藏层的激活函数为tanh,输出层的激活函数为sigmoid。
7.根据权利要求1或2或3或4或5或6所述的一种基于聚类和LSTM的单相接地故障判定方法,其特征在于:用于含有分布式电源的配电网。
8.根据权利要求7所述的一种基于聚类和LSTM的单相接地故障判定方法,其特征在于:所述配电网中的分布式电源为光伏和/或储能电源。
9.一种基于聚类和LSTM的单相接地故障判定系统,其特征在于:用于实现如权利要求1-8任一项所述的一种基于聚类和LSTM的单相接地故障判定方法。
10.根据权利要求9所述基于聚类和LSTM的单相接地故障判定系统,其特征在于:包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1-8任一项所述的一种基于聚类和LSTM的单相接地故障判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110307123.XA CN113092934B (zh) | 2021-03-23 | 2021-03-23 | 基于聚类和lstm的单相接地故障判定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110307123.XA CN113092934B (zh) | 2021-03-23 | 2021-03-23 | 基于聚类和lstm的单相接地故障判定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113092934A true CN113092934A (zh) | 2021-07-09 |
CN113092934B CN113092934B (zh) | 2022-05-13 |
Family
ID=76669248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110307123.XA Active CN113092934B (zh) | 2021-03-23 | 2021-03-23 | 基于聚类和lstm的单相接地故障判定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113092934B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113909A (zh) * | 2021-12-03 | 2022-03-01 | 国网四川省电力公司营销服务中心 | 一种配电网单相接地故障选线方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108279364A (zh) * | 2018-01-30 | 2018-07-13 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
CN108508320A (zh) * | 2018-03-28 | 2018-09-07 | 山东大学 | 基于谐波能量和波形畸变特征的弧光接地故障辨识方法 |
US20180260698A1 (en) * | 2017-03-10 | 2018-09-13 | Adobe Systems Incorporated | Recurrent neural network architectures which provide text describing images |
CN109307824A (zh) * | 2018-09-18 | 2019-02-05 | 福州大学 | 一种基于聚类的配电网单相接地故障区段定位方法 |
CN109344918A (zh) * | 2018-12-05 | 2019-02-15 | 国网陕西省电力公司宝鸡供电公司 | 基于改进粒子群算法的大数据配电网故障选线分析方法 |
CN109709441A (zh) * | 2018-11-09 | 2019-05-03 | 国家电网有限公司 | 一种小电流接地选线方法及装置 |
CN110208650A (zh) * | 2019-06-05 | 2019-09-06 | 贵州电网有限责任公司 | 基于径向基网络的小电流接地系统多判据故障选线方法 |
CN110221170A (zh) * | 2019-06-05 | 2019-09-10 | 贵州电网有限责任公司 | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 |
CN110596533A (zh) * | 2019-09-12 | 2019-12-20 | 山东大学 | 一种配电网单相接地故障区段定位方法及系统 |
CN110646703A (zh) * | 2018-06-26 | 2020-01-03 | 中国电力科学研究院有限公司 | 一种配电网单相接地故障选线方法及系统 |
KR20200005206A (ko) * | 2018-07-06 | 2020-01-15 | 에임시스템 주식회사 | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 |
CN111537837A (zh) * | 2020-06-05 | 2020-08-14 | 国网山东省电力公司电力科学研究院 | 一种配电网小电流接地故障定位方法及系统 |
CN111551823A (zh) * | 2020-05-14 | 2020-08-18 | 中国南方电网有限责任公司 | 一种基于角度相似度的配电网故障选线方法及系统 |
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 |
CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
CN112255497A (zh) * | 2020-09-10 | 2021-01-22 | 西安理工大学 | 一种基于基频相关性和最大关联距离的故障选线方法 |
-
2021
- 2021-03-23 CN CN202110307123.XA patent/CN113092934B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260698A1 (en) * | 2017-03-10 | 2018-09-13 | Adobe Systems Incorporated | Recurrent neural network architectures which provide text describing images |
CN108279364A (zh) * | 2018-01-30 | 2018-07-13 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
CN108508320A (zh) * | 2018-03-28 | 2018-09-07 | 山东大学 | 基于谐波能量和波形畸变特征的弧光接地故障辨识方法 |
CN110646703A (zh) * | 2018-06-26 | 2020-01-03 | 中国电力科学研究院有限公司 | 一种配电网单相接地故障选线方法及系统 |
KR20200005206A (ko) * | 2018-07-06 | 2020-01-15 | 에임시스템 주식회사 | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 |
CN109307824A (zh) * | 2018-09-18 | 2019-02-05 | 福州大学 | 一种基于聚类的配电网单相接地故障区段定位方法 |
CN109709441A (zh) * | 2018-11-09 | 2019-05-03 | 国家电网有限公司 | 一种小电流接地选线方法及装置 |
CN109344918A (zh) * | 2018-12-05 | 2019-02-15 | 国网陕西省电力公司宝鸡供电公司 | 基于改进粒子群算法的大数据配电网故障选线分析方法 |
CN110208650A (zh) * | 2019-06-05 | 2019-09-06 | 贵州电网有限责任公司 | 基于径向基网络的小电流接地系统多判据故障选线方法 |
CN110221170A (zh) * | 2019-06-05 | 2019-09-10 | 贵州电网有限责任公司 | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 |
CN110596533A (zh) * | 2019-09-12 | 2019-12-20 | 山东大学 | 一种配电网单相接地故障区段定位方法及系统 |
CN111551823A (zh) * | 2020-05-14 | 2020-08-18 | 中国南方电网有限责任公司 | 一种基于角度相似度的配电网故障选线方法及系统 |
CN111537837A (zh) * | 2020-06-05 | 2020-08-14 | 国网山东省电力公司电力科学研究院 | 一种配电网小电流接地故障定位方法及系统 |
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 |
CN112255497A (zh) * | 2020-09-10 | 2021-01-22 | 西安理工大学 | 一种基于基频相关性和最大关联距离的故障选线方法 |
CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
Non-Patent Citations (9)
Title |
---|
KE JIA等: "Ground Fault Location Using the Low-Voltage-Side Recorded Data in Distribution Systems", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS,》 * |
NA QU等: "Fault Detection on Insulated Overhead Conductors Based on DWT-LSTM and Partial Discharge", 《IEEE ACCESS》 * |
YUAN YUAN WANG等: "Stator Single-Phase-to-Ground Fault Protection for Bus-connected Powerformers Based on Hierarchical Clustering Algorithm", 《IEEE TRANSACTIONS ON ENERGY CONVERSION,》 * |
吴骏等: "基于故障录波数据的小电流接地故障管理信息系统应用", 《现代电力》 * |
孙其东等: "基于5次谐波能量和LM―Elman的配电网单相故障选线", 《工矿自动化》 * |
徐振等: "基于粒子群聚类算法的小电流接地系统故障定位方法研究", 《电气安全》 * |
徐振等: "基于粒子群聚类算法的小电流接地系统故障定位方法研究", 《电气应用》 * |
翟二杰等: "基于VMD-LSTM 的小电流接地系统故障选线方法", 《电工电能新技术》 * |
邵庆祝等: "基于LSTM模型的配电网单相接地故障辨识方法", 《广东电力》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113909A (zh) * | 2021-12-03 | 2022-03-01 | 国网四川省电力公司营销服务中心 | 一种配电网单相接地故障选线方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113092934B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN110596530A (zh) | 一种小电流接地故障选线方法 | |
Yoon et al. | Deep learning-based method for the robust and efficient fault diagnosis in the electric power system | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
CN113093058A (zh) | 一种npc三电平逆变器开路故障诊断方法 | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
Hou et al. | Deep-learning-based fault type identification using modified CEEMDAN and image augmentation in distribution power grid | |
CN113092934B (zh) | 基于聚类和lstm的单相接地故障判定方法及系统 | |
CN109615273A (zh) | 一种电动汽车充电设施状态评价方法与系统 | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
CN113092933A (zh) | 一种基于lstm的单相接地故障选线方法及系统 | |
CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 | |
CN112036718A (zh) | 一种考虑新能源不确定性的电力系统安全风险评估方法 | |
CN106327009A (zh) | 空间负荷预测中确定元胞负荷最大值的主成分分析法 | |
CN115494349A (zh) | 有源配电网单相接地故障区段定位方法 | |
CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
CN114384319A (zh) | 一种并网逆变器孤岛检测方法、系统、终端及介质 | |
Chu et al. | A relaxed support vector data description algorithm based fault detection in distribution systems | |
CN114548762A (zh) | 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 | |
Mei et al. | Classification of the type of harmonic source based on image-matrix transformation and deep convolutional neural network |
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 |