CN113159345A - 一种基于融合神经网络模型的电网故障辨识方法及系统 - Google Patents
一种基于融合神经网络模型的电网故障辨识方法及系统 Download PDFInfo
- Publication number
- CN113159345A CN113159345A CN202110502213.4A CN202110502213A CN113159345A CN 113159345 A CN113159345 A CN 113159345A CN 202110502213 A CN202110502213 A CN 202110502213A CN 113159345 A CN113159345 A CN 113159345A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- power grid
- line
- network 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 80
- 238000003062 neural network model Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000008054 signal transmission Effects 0.000 abstract description 9
- 230000009471 action Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 42
- 238000012795 verification Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 238000010606 normalization Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012163 sequencing technique Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006386 memory function Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于融合神经网络模型的电网故障辨识方法及系统,所述方法,包括:获取待故障辨识电网线路中若干表征电网运行状态的电力参数作为特征值并进行预处理;将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率。本发明针对电网故障辨识易受到信号传输噪音的影响,提出本发明提供一种基于融合神经网络模型的电网故障辨识方法及系统,利用人工智能的优势,充分发挥电网运行大数据的作用,挖掘运行数据与故障特征之间的关联关系,通过多维信息对电网进行综合诊断,可有效降低信号传输噪音或误差对故障辨识准确率的影响,提高电网运行的安全性。
Description
技术领域
本发明属于电网运行与控制技术领域,具体涉及一种考虑量测及信号传输装置噪音情况下的电网故障辨识方法及系统。
背景技术
电网通常运行于安全稳定状态,同时也不断经受着各种类型的扰动。当电网发生较大扰动时,容易引发电网故障,故障处理不当将会引起巨大的且无法逆转的经济社会损失,甚至伤及生命。因此,对电网故障的及时发现与处理显得尤为重要。传统的故障告警装置,通过分析电网的接线方式、与断路器的连接关系,判断断路器的状态和动作情况,对故障进行判断分析。
电网发生故障时,大量的故障信息会涌入调度控制中心,由于信号传输噪音的影响,容易产生故障情况的误判。导致故障处理不及时妥当,引发更严重的连锁故障,进而造成巨大损失。
发明内容
本发明的目的在于提供一种基于融合神经网络模型的电网故障辨识方法及系统,以解决现有技术中电网发生故障时,大量的故障信息会涌入调度控制中心,由于信号传输噪音的影响,易产生故障情况误判的技术问题。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于融合神经网络模型的电网故障辨识方法,包括:
获取待故障辨识电网线路中若干表征电网运行状态的电力参数作为特征值并进行预处理;
将预处理后的特征值输入预先获得的融合神经网络模型,获得待故障辨识电网线路的故障概率;
其中,所述融合神经网络模型融合了一维卷积神经网络以及LSTM神经网络;所述融合神经网络模型通过对电网的故障运行数据进行学习获得。
本发明进一步的改进在于:所述获取待故障辨识电网线路的特征值并进行预处理的步骤中,所述待故障辨识电网线路为具有拓扑结构的电网线路。
本发明进一步的改进在于:所述获取待故障辨识电网线路的特征值并进行预处理的步骤中,具体包括:
采用树搜索方式对拓扑结构的待故障辨识电网线路进行节点编号;
所述特征值包括线路首端电压幅值、线路末端电压幅值、线路首端注入功率、线路末端注入功率、线路有功和线路无功中至少三个;
其中,线路首端为节点编号最小的一端,线路末端为节点编号最大的一端。
本发明进一步的改进在于:所述获取待故障辨识电网线路的特征值并进行预处理的步骤中,线路有功Pij计算方法为:
线路无功Qij计算方法为:
其中,Ui为线路首端电压幅值,Uj为线路末端电压幅值,Bij为线路电纳,Gij为线路电导,yij0为对地导纳,θij为首末端节点电压相角差。
本发明进一步的改进在于:所述将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率的步骤中,所述预处理具体为将获取的待故障辨识电网线路的特征值转化为一维向量格式。
本发明进一步的改进在于:所述将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率的步骤中,所述预先建立的融合神经网络模型包括依次连接的一层一维卷积神经网络、一层池化层、两层LSTM神经网络和三层全连接层。
本发明进一步的改进在于:所述将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率的步骤中,所述一维卷积神经网络的卷积核数量等于特征值的数量M;每个卷积核的大小为a,a的取值范围为步长为l,步长大于或等于卷积核尺寸a。
本发明进一步的改进在于:所述将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率的步骤中,以三层全连接层作为输出层,最后的输出层输出单元个数与故障类型数相同,采用sigmoid函数作为激活函数,将各输出归为(0,1)区间,表明各类故障发生的概率大小。
第二方面,本发明提供一种基于融合神经网络模型的电网故障辨识系统,包括:
数据采集模块,用于获取待故障辨识电网线路的特征值并进行预处理;
故障辨识模块,用于将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率。
第三方面,本发明提供一种基于融合神经网络模型的电网故障辨识系统,应用于电力系统,包括:处理器以及与所述处理器耦合的存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现所述的一种基于融合神经网络模型的电网故障辨识方法的方法步骤。
相对于现有技术,本发明具有以下有益效果:
本发明针对电网故障辨识易受到信号传输噪音的影响,提出本发明提供一种基于融合神经网络模型的电网故障辨识方法及系统,利用人工智能的优势,充分发挥电网运行大数据的作用,挖掘运行数据与故障特征之间的关联关系,通过多维信息对电网进行综合诊断,可有效降低信号传输噪音或误差对故障辨识准确率的影响,提高电网运行的安全性。
利用本发明提出的基于一维卷积神经网络与LSTM神经网络相融合的故障辨识模型,可有效提升故障线路辨识的准确率,并且由于本发明使用了电网运行的多维运行数据,可有效降低信号传输噪音或误差对故障辨识准确率产生的影响。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为编号后的网络拓扑图;
图2为融合模型故障辨识方法流程图;
图3为本发明一种基于融合神经网络模型的故障辨识方法的流程图;
图4为本发明一种基于融合神经网络模型的故障辨识系统的示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
本发明所提出的基于融合神经网络模型的故障辨识方法,主要融合了一维卷积神经网络以及LSTM神经网络,对电网的故障运行数据进行学习,挖掘运行数据与故障特征间的关联关系,并通过多维信息对电网进行综合诊断,可有效降低信号传输噪音或误差对故障辨识产生的影响。
实施例1
本发明提供一种基于融合神经网络模型的故障辨识方法,包括:
首先,准备融合模型所需的训练数据,对将要进行故障辨识的电网线路进行编号排序处理;选取相关的特征值作为数据训练对象,并对特征值数据进行归一化处理,将处理后的数据分为训练集与验证集,便于对后面训练后的融合神经网络进行训练与准确性验证。
然后,对融合模型结构进行设计,使其适应于电网的特征数据。
最后,将训练集数据输入一维卷积神经网络与LSTM神经网络相融合的模型,对模型进行训练后进行参数保存,并利用验证集数据对网络进行性能验证,该模型最终输出故障线路编号。
本发明提供的具体技术方案如下:
S1、融合模型训练数据准备
电网运行特征数据是利用融合模型进行故障辨识的基础。因此,首先对网络数据进行处理,使其更适用于进行故障辨识用的神经网络融合模型。
S11、采用树搜索方式对具有一定拓扑结构的电网线路进行编号。具体步骤如下:选取与节点1相连接的支路,将其进行编号后,选取与节点2相连接的支路继续进行编号,如与前面的支路有所重复则剔除该支路。重复上面的操作,直至最后一个节点所对应的支路编号完毕。
S12、选取线路特征参数。电网故障时,网络潮流将会重新分布,网络各运行参数也将发生改变。可以说网络的运行参数与网络的运行状态是一一对应的,网络参数众多,选取恰当的网络运行特征参数,可以有效降低硬件要求并节省训练时间。本发明选取电网的故障运行数据的特征值包括:线路首端(对应节点编号较小一端)电压幅值、线路末端(对应节点编号较大一端)电压幅值、线路首端注入功率、线路末端注入功率、线路有功和线路无功中至少三个。
其中,线路有功Pij计算方法为:
线路无功Qij计算方法为:
其中,Ui为线路首端电压幅值,Uj为线路末端电压幅值,Bij为线路电纳,Gij为线路电导,yij0为对地导纳,θij为首末端节点电压相角差。
S13、故障数据集生成与记录。真实的电力系统故障数量较少,难以满足融合模型训练所需的数据量,因此需要借助仿真软件对电网故障情况进行模拟,既可以满足训练样本的数量要求,又可以覆盖不同的故障类型。具体过程为:设置某支路发生故障,随机改变网络中的发电机出力与负荷大小,记录各支路的特征值,并按照线路编号进行排序。本发明中,每进行一次仿真将形成一个N×M的矩阵。这里N为支路数,M为所选取特征值的数量。改变故障位置、发电机出力和负荷大小,生成多个样本。进行k次仿真,形成k个N×M的矩阵数据样本。
S14、数据的归一化处理。因数据类型的不同,其大小分布也较为分散,为提高融合模型的训练效率及效果,将数据样本进行最大最小归一化处理。公式如下:
其中,x为待处理数据,xmax为数据集中的最大值,xmin为数据集中的最小值。
S15、训练集与验证集数据划分。将上述处理后的数据按照比例进行划分,一部分为训练集数据,用于对网络进行训练,一部分划分为验证集数据,对训练好的神经网络性能进行验证。
S2、融合神经网络模型的设计
多种神经网络的融合形式通常可以分为串联型与并联型。本发明采用串联型的融合方式。其构成包括一层一维卷积神经网络,一层池化层,两层LSTM神经网络,最后经三层全连接层作为输出层。具体情况如下:
S21、因一维卷积神经网络处理的数据为一维向量格式,因此,需要首先将N×M维的数据矩阵转化为(N×M)×1维的向量数据作为网络的输入。然后将处理后的数据输入到一维卷积网络。
S23、经过卷积后,将输出数据进行池化,选用最大化池化操作。
S24、然后将数据输入两层LSTM神经网络。LSTM神经网络具有记忆功能,可对支路的拓扑连接关系进行学习,提升故障辨识的效果。
S25、最后以三层全连接层作为输出层,最后的输出层输出单元个数与故障类型数相同,采用sigmoid函数作为激活函数,将各输出归为(0,1)区间,表明各类故障发生的概率大小,哪种故障概率最大即表明电网发生了哪各路类型的故障,最终输出故障概率最大的线路编号。计算公式如下:
其中,S(x)代表sigmoid函数操作,x为输入到最后的输出层进行sigmoid计算的变量。
S3、神经网络模型的训练与评价
按照前述已经分为训练集与验证集的数据,将训练集按步骤S2输入搭建好的融合神经网络中,对融合神经网络模型进行训练。将验证集数据输入神经网络,进行准确度的验证。采用均方误差RMSE作为评价指标,RMSE越小,表明误差越小,融合神经网络的性能越好。计算公式如下:
均方误差RMSE达到设定值后,神经网络模型训练结束。
S4、获取待故障辨识电网线路的特征值并进行预处理;将预处理后的特征值输入步骤S3评价后的融合神经网络模型,获得待故障辨识电网线路的故障概率。
实施例2
以9节点系统为例进行故障辨识过程的说明:
S1、融合模型训练数据准备
电网运行特征数据是利用融合模型进行故障辨识的基础,因此,首先对网络数据进行处理,使其更适应于进行故障辨识用的神经网络融合模型。
S11、采用树搜索方式对拓扑结构的电网线路进行编号。具体步骤如下:选取与节点1相联接的支路,将其进行编号后,选取与节点2相联的支路继续进行编号,如与前面的支路有所重复则剔除该支路。重复上面的操作,直至最后一个节点所对应的支路编号完毕,最终线路的编号结果如附图1所示。
S12、选取线路特征参数。电网故障时,网络潮流将会重新分布,网络各运行参数也将发生改变。
S13、故障数据集生成与记录。真实的电力系统故障数量较少,难以满足融合模型训练所需的数据量,因此本发明借助仿真软件对电网故障情况进行模拟,既可以满足训练样本的数量要求,又可以覆盖不同的故障类型。具体过程为:设置某支路发生故障,随机改变网络中的发电机出力与负荷大小,记录各支路的特征值,并按照线路编号进行排序。本发明中,每进行一次仿真将形成一个9×6的矩阵。这里9为支路数,6为所选取特征值的数量。改变故障位置、发电机出力和负荷大小,生成多个样本。进行50000次仿真,将形成50000个9×6的矩阵数据样本。
S14、数据的归一化处理。因数据类型的不同,其大小分布也较为分散,为提高融合模型的训练效率及效果,将数据样本进行最大最小归一化处理。公式如下:
其中,x为待处理数据,xmax为数据集中的最大值,xmin为数据集中的最小值。
S15、训练集与验证集数据划分。将上述处理后的数据按照比例进行划分,80%为训练集数据,用于对网络进行训练,20%划分为验证集数据,对训练好的神经网络性能进行验证。
S2、融合神经网络模型的设计
本实施例神经网络模型的融合形式采用串联型的融合方式。其构成包括一层一维卷积神经网络,一层池化层,两层LSTM神经网络,最后经三层全连接层作为输出层。具体情况如下:
S21、数据转化:因一维卷积神经网络处理的数据为一维向量格式,因此,需要首先将9×6维的数据矩阵转化为(9×6)×1维的向量数据作为网络的输入。然后将处理后的数据输入到一维卷积网络。
S22、共设置6个卷积核,对数据特征进行提取,每个卷积核尺寸大小为2,步长为2。
S23、经过卷积后,将输出数据进行池化,选用最大化池化操作。
S24、然后将数据输入两层LSTM神经网络。LSTM神经网络具有记忆功能,可对支路的拓扑连接关系进行学习,提升故障辨识的效果。
S25、最后以三层全连接层作为输出层,最后的输出层输出单元个数与故障类型数相同,在本例中,共有9条线路可能故障,输出层的输出单位个数为9。输出单元采用sigmoid函数作为激活函数,将各输出归为(0,1)区间,表明各类故障发生的概率大小,哪种故障概率最大即表明电网发生了哪各路类型的故障。
S3、神经网络模型的训练与评价
按照前述已经分为训练集与验证集的数据,将训练集按步骤S2输入搭建好的融合神经网络中,对融合神经网络模型进行训练。将验证集数据输入神经网络,进行准确度的验证。采用均方误差RMSE作为评价指标,RMSE越小,表明误差越小,融合神经网络的性能越好。计算公式如下:
S4、获取待故障辨识电网线路的特征值并进行预处理;将预处理后的特征值输入步骤S3评价后的融合神经网络模型,获得待故障辨识电网线路的故障概率。
实施例3
请参阅图3所示,以9节点系统为例进行故障辨识过程的说明,一种基于融合神经网络模型的故障辨识方法,包括:
1)、获取待故障辨识电网线路的特征值并进行预处理:
网络的运行参数与网络的运行状态是一一对应的,选取线路首端(对应节点编号较小一端)电压幅值、线路末端(对应节点编号较大一端)电压幅值、线路首端注入功率、线路末端注入功率、线路有功、线路无功6个电力参数作为特征值;
其中,线路有功Pij计算方法为:
线路无功Qij计算方法为:
其中,Ui为线路首端电压幅值,Uj为线路末端电压幅值,Bij为线路电纳,Gij为线路电导,yij0为对地导纳,θij为首末端节点电压相角差。
特征值数据的归一化处理:将数据样本进行最大最小归一化处理;公式如下:
其中,x为待处理数据,xmax为数据集中的最大值,xmin为数据集中的最小值。
2)、将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率。
其中,预先建立的融合神经网络模型的步骤包括:
S1、融合模型训练数据准备
电网运行特征数据是利用融合模型进行故障辨识的基础,因此,首先对网络数据进行处理,使其更适应于进行故障辨识用的神经网络融合模型。
S11、采用树搜索方式对拓扑结构的电网线路进行编号。具体步骤如下:选取与节点1相联接的支路,将其进行编号后,选取与节点2相联的支路继续进行编号,如与前面的支路有所重复则剔除该支路。重复上面的操作,直至最后一个节点所对应的支路编号完毕,最终线路的编号结果如附图1所示。
S12、选取线路特征参数。电网故障时,网络潮流将会重新分布,网络各运行参数也将发生改变。
S13、故障数据集生成与记录。真实的电力系统故障数量较少,难以满足融合模型训练所需的数据量,因此本发明借助仿真软件对电网故障情况进行模拟,既可以满足训练样本的数量要求,又可以覆盖不同的故障类型。具体过程为:设置某支路发生故障,随机改变网络中的发电机出力与负荷大小,记录各支路的特征值,并按照线路编号进行排序。本发明中,每进行一次仿真将形成一个9×6的矩阵。这里9为支路数,6为所选取特征值的数量。改变故障位置、发电机出力和负荷大小,生成多个样本。进行50000次仿真,将形成50000个9×6的矩阵数据样本。
S14、数据的归一化处理。因数据类型的不同,其大小分布也较为分散,为提高融合模型的训练效率及效果,将数据样本进行最大最小归一化处理。公式如下:
其中,x为待处理数据,xmax为数据集中的最大值,xmin为数据集中的最小值。
S15、训练集与验证集数据划分。将上述处理后的数据按照比例进行划分,80%为训练集数据,用于对网络进行训练,20%划分为验证集数据,对训练好的神经网络性能进行验证。
S2、融合神经网络模型的设计
本实施例神经网络模型的融合形式采用串联型的融合方式。其构成包括一层一维卷积神经网络,一层池化层,两层LSTM神经网络,最后经三层全连接层作为输出层。具体情况如下:
S21、数据转化:因一维卷积神经网络处理的数据为一维向量格式,因此,需要首先将9×6维的数据矩阵转化为(9×6)×1维的向量数据作为网络的输入。然后将处理后的数据输入到一维卷积网络。
S22、共设置6个卷积核,对数据特征进行提取,每个卷积核尺寸大小为2,步长为2。
S23、经过卷积后,将输出数据进行池化,选用最大化池化操作。
S24、然后将数据输入两层LSTM神经网络。LSTM神经网络具有记忆功能,可对支路的拓扑连接关系进行学习,提升故障辨识的效果。
S25、最后以三层全连接层作为输出层,最后的输出层输出单元个数与故障类型数相同,在本例中,共有9条线路可能故障,输出层的输出单位个数为9。输出单元采用sigmoid函数作为激活函数,将各输出归为(0,1)区间,表明各类故障发生的概率大小,哪种故障概率最大即表明电网发生了哪各路类型的故障。
S3、神经网络模型的训练与评价
按照前述已经分为训练集与验证集的数据,将训练集按步骤S2输入搭建好的融合神经网络中,对融合神经网络模型进行训练。将验证集数据输入神经网络,进行准确度的验证。采用均方误差RMSE作为评价指标,RMSE越小,表明误差越小,融合神经网络的性能越好。计算公式如下:
实施例4
请参阅图4所示,本发明提供一种基于融合神经网络模型的电网故障辨识系统,包括:
数据采集模块,用于获取待故障辨识电网线路的特征值并进行预处理;
故障辨识模块,用于将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率。
实施例5
本发明提供一种基于融合神经网络模型的电网故障辨识系统,应用于电力系统,包括:处理器以及与所述处理器耦合的存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现实施例1-3中人一个所述的方法步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于融合神经网络模型的电网故障辨识方法,其特征在于,包括:
获取待故障辨识电网线路中若干表征电网运行状态的电力参数作为特征值并进行预处理;
将预处理后的特征值输入预先获得的融合神经网络模型,获得待故障辨识电网线路的故障概率;
其中,所述融合神经网络模型融合了一维卷积神经网络以及LSTM神经网络;所述融合神经网络模型通过对电网的故障运行数据进行学习获得。
2.根据权利要求1所述的一种基于融合神经网络模型的电网故障辨识方法,其特征在于,所述获取待故障辨识电网线路的特征值并进行预处理的步骤中,所述待故障辨识电网线路为具有拓扑结构的电网线路。
3.根据权利要求2所述的一种基于融合神经网络模型的电网故障辨识方法,其特征在于,所述获取待故障辨识电网线路的特征值并进行预处理的步骤中,具体包括:
采用树搜索方式对拓扑结构的待故障辨识电网线路进行节点编号;
所述特征值包括线路首端电压幅值、线路末端电压幅值、线路首端注入功率、线路末端注入功率、线路有功和线路无功中至少三个;
其中,线路首端为节点编号最小的一端,线路末端为节点编号最大的一端。
5.根据权利要求1所述的一种基于融合神经网络模型的电网故障辨识方法,其特征在于,所述将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率的步骤中,所述预处理具体为将获取的待故障辨识电网线路的特征值转化为一维向量格式。
6.根据权利要求1所述的一种基于融合神经网络模型的电网故障辨识方法,其特征在于,所述将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率的步骤中,所述预先建立的融合神经网络模型包括依次连接的一层一维卷积神经网络、一层池化层、两层LSTM神经网络和三层全连接层。
8.根据权利要求6所述的一种基于融合神经网络模型的电网故障辨识方法,其特征在于,所述将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率的步骤中,以三层全连接层作为输出层,最后的输出层输出单元个数与故障类型数相同,采用sigmoid函数作为激活函数,将各输出归为(0,1)区间,表明各类故障发生的概率大小。
9.一种基于融合神经网络模型的电网故障辨识系统,其特征在于,包括:
数据采集模块,用于获取待故障辨识电网线路的特征值并进行预处理;
故障辨识模块,用于将预处理后的特征值输入预先建立的融合神经网络模型,获得待故障辨识电网线路的故障概率。
10.一种基于融合神经网络模型的电网故障辨识系统,应用于电力系统,其特征在于,包括:处理器以及与所述处理器耦合的存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现权利要求1至8中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110502213.4A CN113159345A (zh) | 2021-05-08 | 2021-05-08 | 一种基于融合神经网络模型的电网故障辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110502213.4A CN113159345A (zh) | 2021-05-08 | 2021-05-08 | 一种基于融合神经网络模型的电网故障辨识方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113159345A true CN113159345A (zh) | 2021-07-23 |
Family
ID=76874147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110502213.4A Pending CN113159345A (zh) | 2021-05-08 | 2021-05-08 | 一种基于融合神经网络模型的电网故障辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159345A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311715A (zh) * | 2021-07-30 | 2021-08-27 | 中国人民解放军海军工程大学 | 一种复杂机电设备的故障辨识与溯源方法 |
CN113655341A (zh) * | 2021-09-10 | 2021-11-16 | 国网山东省电力公司鱼台县供电公司 | 一种配电网故障定位方法及系统 |
CN114818483A (zh) * | 2022-04-14 | 2022-07-29 | 东南大学溧阳研究院 | 一种基于图神经网络的机电扰动定位及传播预测方法 |
CN115545355A (zh) * | 2022-11-30 | 2022-12-30 | 国网天津市电力公司电力科学研究院 | 基于多类信息融合识别的电网故障诊断方法、装置及设备 |
CN116381406A (zh) * | 2023-03-16 | 2023-07-04 | 武汉船舶职业技术学院 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
CN117176550A (zh) * | 2023-09-25 | 2023-12-05 | 云念软件(广东)有限公司 | 基于故障辨识的集成运行维护方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102403720A (zh) * | 2011-11-23 | 2012-04-04 | 昆明理工大学 | 一种基于暂态电压安全裕度的超实时重合时序整定方法 |
CN109270407A (zh) * | 2018-11-16 | 2019-01-25 | 国网山东省电力公司电力科学研究院 | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 |
CN109921414A (zh) * | 2019-03-13 | 2019-06-21 | 华北电力大学 | 一种基于深度学习融合模型的电力系统暂态稳定评估方法 |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN111553112A (zh) * | 2020-03-16 | 2020-08-18 | 广西电网有限责任公司电力科学研究院 | 一种基于深度置信网络的电力系统故障辨识方法及装置 |
-
2021
- 2021-05-08 CN CN202110502213.4A patent/CN113159345A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102403720A (zh) * | 2011-11-23 | 2012-04-04 | 昆明理工大学 | 一种基于暂态电压安全裕度的超实时重合时序整定方法 |
CN109270407A (zh) * | 2018-11-16 | 2019-01-25 | 国网山东省电力公司电力科学研究院 | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 |
CN109921414A (zh) * | 2019-03-13 | 2019-06-21 | 华北电力大学 | 一种基于深度学习融合模型的电力系统暂态稳定评估方法 |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN111553112A (zh) * | 2020-03-16 | 2020-08-18 | 广西电网有限责任公司电力科学研究院 | 一种基于深度置信网络的电力系统故障辨识方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311715A (zh) * | 2021-07-30 | 2021-08-27 | 中国人民解放军海军工程大学 | 一种复杂机电设备的故障辨识与溯源方法 |
CN113311715B (zh) * | 2021-07-30 | 2021-12-07 | 中国人民解放军海军工程大学 | 一种复杂机电设备的故障辨识与溯源方法 |
CN113655341A (zh) * | 2021-09-10 | 2021-11-16 | 国网山东省电力公司鱼台县供电公司 | 一种配电网故障定位方法及系统 |
CN113655341B (zh) * | 2021-09-10 | 2024-01-23 | 国网山东省电力公司鱼台县供电公司 | 一种配电网故障定位方法及系统 |
CN114818483A (zh) * | 2022-04-14 | 2022-07-29 | 东南大学溧阳研究院 | 一种基于图神经网络的机电扰动定位及传播预测方法 |
CN115545355A (zh) * | 2022-11-30 | 2022-12-30 | 国网天津市电力公司电力科学研究院 | 基于多类信息融合识别的电网故障诊断方法、装置及设备 |
CN116381406A (zh) * | 2023-03-16 | 2023-07-04 | 武汉船舶职业技术学院 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
CN116381406B (zh) * | 2023-03-16 | 2024-06-04 | 武汉船舶职业技术学院 | 船舶电网故障定位方法、装置、设备及可读存储介质 |
CN117176550A (zh) * | 2023-09-25 | 2023-12-05 | 云念软件(广东)有限公司 | 基于故障辨识的集成运行维护方法及系统 |
CN117176550B (zh) * | 2023-09-25 | 2024-03-19 | 云念软件(广东)有限公司 | 基于故障辨识的集成运行维护方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159345A (zh) | 一种基于融合神经网络模型的电网故障辨识方法及系统 | |
CN108427720A (zh) | 系统日志分类方法 | |
CN112803404A (zh) | 配电网自愈重构规划方法、装置及终端 | |
CN110969194B (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
CN106874963B (zh) | 一种基于大数据技术的配电网故障诊断方法及系统 | |
CN107632590A (zh) | 一种基于优先级的底事件排序方法 | |
CN110261080A (zh) | 基于多模态数据的异构旋转型机械异常检测方法及系统 | |
CN115018512A (zh) | 基于Transformer神经网络的窃电检测方法及装置 | |
CN111932396A (zh) | 一种配电网拓扑网络自动识别方法 | |
CN110532314A (zh) | 高压电器质量检测的方法及终端设备 | |
Zhang et al. | Transient stability prediction of power systems based on deep belief networks | |
CN114006413A (zh) | 一种基于图神经网络的电力系统暂态稳定控制方法及系统 | |
CN114021425B (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
CN111310918A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN114626426A (zh) | 基于K-means优化算法的工业设备行为检测方法 | |
CN117520954A (zh) | 一种基于孤立森林对抗网络的异常数据重构方法及系统 | |
CN111831955A (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
CN110907757A (zh) | 基于电突触传递的snp系统含分布式电源配电网故障定位方法 | |
CN115983714A (zh) | 边图神经网络电力系统静态安全评估方法及系统 | |
CN112307287B (zh) | 基于云边协同架构的电力物联网数据分类处理方法及装置 | |
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 | |
CN115470854A (zh) | 信息系统故障分类方法及分类系统 | |
CN108491618A (zh) | 故障电流识别方法、装置、设备及介质 | |
CN107679478A (zh) | 输电线路空间负荷状态的提取方法和系统 | |
Pourpanah et al. | Feature selection for data classification based on binary brain storm optimization |
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 |