CN113189448A - 一种输电线路故障类型的检测方法及装置 - Google Patents
一种输电线路故障类型的检测方法及装置 Download PDFInfo
- Publication number
- CN113189448A CN113189448A CN202110476893.7A CN202110476893A CN113189448A CN 113189448 A CN113189448 A CN 113189448A CN 202110476893 A CN202110476893 A CN 202110476893A CN 113189448 A CN113189448 A CN 113189448A
- Authority
- CN
- China
- Prior art keywords
- fault
- waveform
- fault type
- historical
- type
- 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
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
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种输电线路故障类型的检测方法及装置,该检测方法包括:获取输电线路的历史故障波形;根据已存储的故障波形和故障类型的对应关系,确定历史故障波形对应的历史故障类型;基于历史故障波形和历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型;将待检测的故障波形输入至故障类型检测模型,通过故障类型检测模型对待检测的故障波形进行检测,确定故障类型。本发明实施例提供的输电线路故障类型的检测方法及装置,能够提高输电线路故障类型检测的效率和可靠性。
Description
技术领域
本发明实施例涉及输电线路故障检测技术,尤其涉及一种输电线路故障类型的检测方法及装置。
背景技术
输电线路作为电力系统中电力传输的载体,是电力系统不可或缺的部分。若输电线路发生故障如雷击或鸟害等故障,会影响电网供电的可靠性,甚至直接造成用户停电以及较大范围的停电。因此,为确定输电线路的故障类型以便采取相应措施,在输电线路发生故障时,需对输电线路的故障类型进行可靠地检测。
目前,现有的输电线路故障类型的检测方法,通常需要人工辅助,由人工根据故障录波器获取的输电线路的故障波形,确定输电线路的故障类型,需要耗费较大的人力物力,且相当程度上依赖于工作人员的技术经验,影响输电线路故障类型检测的效率和可靠性。
发明内容
本发明实施例提供一种输电线路故障类型的检测方法及装置,以提高输电线路故障类型检测的效率和可靠性。
第一方面,本发明实施例提供了一种输电线路故障类型的检测方法,包括:
获取输电线路的历史故障波形;
根据已存储的故障波形和故障类型的对应关系,确定历史故障波形对应的历史故障类型;
基于历史故障波形和历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型;
将待检测的故障波形输入至故障类型检测模型,通过故障类型检测模型对待检测的故障波形进行检测,确定故障类型。
可选的,根据已存储的故障波形和故障类型的对应关系,确定历史故障波形对应的历史故障类型,包括:
基于历史故障波形,确定历史故障波形的特征;
在已存储的故障类型对应的波形特征中,查找历史故障波形的特征对应的故障类型,将查找到的故障类型作为历史故障波形对应的故障类型。
可选的,基于历史故障波形和历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型,包括:
将历史故障波形输入至卷积神经网络模型,得到输出结果;
若输出结果与实际结果匹配,则将卷积神经网络模型作为故障类型检测模型;其中,输出结果为卷积神经网络模型输出的故障类型,实际结果为历史故障波形对应的故障类型。
可选的,基于历史故障波形和历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型,包括:
将历史故障波形输入卷积神经网络模型,得到输出结果;
若输出结果与实际结果不匹配,则调整卷积神经网络模型的参数,直至输出结果与实际结果匹配,将此时的卷积神经网络模型作为故障类型检测模型;其中,输出结果为卷积神经网络模型输出的故障类型,实际结果为历史故障波形对应的故障类型。
可选的,通过故障类型检测模型对待检测的故障波形进行检测,确定故障类型,包括:
通过故障类型检测模型对待检测的故障波形进行检测,确定待检测的故障波形的开始时刻至波形超过预设幅度变化的开始时刻的时间间隔和波形是否平滑、有无毛刺、是否规则的特征;
根据待检测的故障波形的开始时刻至波形超过预设幅度变化的开始时刻的时间间隔和波形是否平滑、有无毛刺、是否规则的特征,确定待检测的故障波形的故障类型。
可选的,确定故障类型,包括:
若检测到故障类型为雷击故障或风害故障,且输电线路所在地区的天气情况为雷电天气,则确定故障类型为雷击故障。
可选的,输电线路的故障类型包括异物短路故障或机械碰线故障类型、雷击故障类型、鸟害故障类型、风害故障类型、冰害故障类型中的至少一种。
第二方面,本发明实施例还提供了一种输电线路故障类型的检测装置,包括:
历史波形获取模块,用于获取输电线路的历史故障波形;
历史故障确定模块,用于根据已存储的故障波形和故障类型的对应关系,确定历史故障波形对应的历史故障类型;
检测模型确定模块,用于基于历史故障波形和历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型;
故障检测模块,用于将待检测的故障波形输入至故障类型检测模型,通过故障类型检测模型对待检测的故障波形进行检测,确定故障类型。
可选的,历史故障确定模块包括:
特征确定单元,用于基于历史故障波形,确定历史故障波形的特征;
历史故障确定单元,用于在已存储的故障类型对应的波形特征中,查找历史故障波形的特征对应的故障类型,将查找到的故障类型作为历史故障波形对应的故障类型。
可选的,检测模型确定模块包括:
输出结果确定单元,用于将历史故障波形输入至卷积神经网络模型,得到输出结果;
检测模型确定单元,用于若输出结果与实际结果匹配,则将卷积神经网络模型作为故障类型检测模型;其中,输出结果为卷积神经网络模型输出的故障类型,实际结果为历史故障波形对应的故障类型。
本发明实施例提供的输电线路故障类型的检测方法及装置,通过获取输电线路的历史故障波形;根据已存储的故障波形和故障类型的对应关系,确定历史故障波形对应的历史故障类型;基于历史故障波形和历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型;将待检测的故障波形输入至故障类型检测模型,通过故障类型检测模型对待检测的故障波形进行检测,确定故障类型。与现有的输电线路故障类型的检测方法相比,本发明实施例提供的输电线路故障类型的检测方法及装置,将待检测的故障波形输入至故障类型检测模型,通过故障类型检测模型对待检测的故障波形进行检测,确定故障类型,不需人工辅助,可自动确定故障类型,解决了现有的检测方式依赖于工作人员的技术经验,影响输电线路故障类型检测的效率和可靠性的问题,从而提高了输电线路故障类型检测的效率和可靠性。
附图说明
图1是本发明实施例一提供的一种输电线路故障类型的检测方法的流程图;
图2是本发明实施例二提供的一种输电线路故障类型的检测方法的流程图;
图3是本发明实施例三提供的一种输电线路故障类型的检测装置的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种输电线路故障类型的检测方法的流程图,本实施例可适用于对输电线路进行故障检测等方面,该方法可以由输电线路故障类型的检测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在具有输电线路故障类型的检测功能的电子设备如计算机中,该方法具体包括如下步骤:
步骤110、获取输电线路的历史故障波形。
其中,历史故障波形可以是多个,输电线路故障类型的检测装置可通过故障录波器获取输电线路的历史故障波形,故障录波器可记录并存储输电线路的故障波形。输电线路故障类型的检测装置可通过自身设置的端口获取故障录波器中存储的输电线路的历史故障波形。
步骤120、根据已存储的故障波形和故障类型的对应关系,确定历史故障波形对应的历史故障类型。
其中,输电线路的故障类型包括异物短路故障或机械碰线故障类型、雷击故障类型、鸟害故障类型、风害故障类型、冰害故障类型中的至少一种。示例性地,故障波形的开始时刻至故障波形的变化幅度超过预设幅度的开始时刻的时间间隔大于预设第一时间,即故障记录时刻至绝缘击穿时刻的时间间隔大于预设第一时间如10ms,并存在再次续流短路情况,波形边缘存在毛刺,波形边缘不平滑,则对应的故障类型为异物短路故障或机械碰线故障。若历史故障波形有上述故障波形的特征,则可确定历史故障波形对应的故障类型为异物短路故障或机械碰线故障。
步骤130、基于历史故障波形和历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型。
具体的,卷积神经网络由输入层、卷积层、激活函数、池化层、全连接层组成。卷积神经网络的卷积层对输入层输入的特征进行特征提取,卷积层提取的特征可能是不合理的或者达不到目标结果,由激活函数加入非线性因素,将卷积层提取的特征映射到高维的非线性区间,以增强特征,使提取的特征更加合理。池化层对映射到高维的特征进行降维,压缩数据和参数的数量,减小过拟合,同时提高模型的容错性,全连接层对池化层处理后的特征进行全连接整合为一个目标特征输出。示例性地,历史故障波形可以图片形式输入至已建立的卷积神经网络模型,基于历史故障波形和历史故障波形对应的故障类型,对已建立的卷积神经网络模型进行训练。可基于大量的历史故障波形对卷积神经网络模型进行训练,在模型训练过程中调整卷积神经网络模型的参数,直至输出结果为输入的故障波形对应的故障类型,此时模型训练完成,可将此时的卷积神经网络模型作为故障类型检测模型,从而得到故障类型检测模型。由于卷积神经网络模型在快速发展,并广泛应用于图像处理技术等方面,卷积神经网络模型的具体训练过程可参考现有技术中对卷积神经网络模型的训练过程,在此不再赘述。
步骤140、将待检测的故障波形输入至故障类型检测模型,通过故障类型检测模型对待检测的故障波形进行检测,确定故障类型。
具体的,故障类型检测模型的输入为故障波形,输出为故障类型。可将待检测的故障波形以图片形式输入至故障类型检测模型,通过故障类型检测模型对待检测的故障波形进行检测,如检测到故障波形的开始时刻至故障波形的变化幅度超过预设幅度的开始时刻的时间间隔小于预设第二时间,即故障记录时刻至绝缘击穿时刻的时间间隔小于预设第二时间如5ms,并且不存在再次续流短路情况,波形为规则的正弦波,则输出故障类型为雷击故障类型,从而确定待检测故障波形的故障类型。
本实施例提供的输电线路故障类型的检测方法,通过获取输电线路的历史故障波形;根据已存储的故障波形和故障类型的对应关系,确定历史故障波形对应的历史故障类型;基于历史故障波形和历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型;将待检测的故障波形输入至故障类型检测模型,通过故障类型检测模型对待检测的故障波形进行检测,确定故障类型。与现有的输电线路故障类型的检测方法相比,本实施例提供的输电线路故障类型的检测方法,将待检测的故障波形输入至故障类型检测模型,通过故障类型检测模型对待检测的故障波形进行检测,确定故障类型,不需人工辅助,可自动确定故障类型,解决了现有的检测方式依赖于工作人员的技术经验,影响输电线路故障类型检测的效率和可靠性的问题,从而提高了输电线路故障类型检测的效率和可靠性。
实施例二
图2是本发明实施例二提供的一种输电线路故障类型的检测方法的流程图,本实施例可适用于对输电线路进行故障检测等方面,该方法可以由输电线路故障类型的检测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在具有输电线路故障类型的检测功能的电子设备如计算机中,该方法具体包括如下步骤:
步骤210、获取输电线路的历史故障波形。
其中,历史故障波形可以是多个,历史故障波形可包括电流波形和电压波形。输电线路故障类型的检测装置可通过故障录波器获取输电线路的历史故障波形,故障录波器可记录并存储输电线路的故障波形。输电线路故障类型的检测装置可通过自身设置的端口获取故障录波器中存储的输电线路的历史故障波形。
步骤220、基于历史故障波形,确定历史故障波形的特征。
其中,输电线路的故障类型包括异物短路故障或机械碰线故障类型、雷击故障类型、鸟害故障类型、风害故障类型、冰害故障类型中的至少一种。可根据故障波形确定故障波形的特征,如故障波形的开始时刻至故障波形的变化幅度超过预设幅度的开始时刻的时间间隔大于预设第三时间,即故障记录时刻至绝缘击穿时刻的时间间隔大于预设第三时间如50ms,并且不存在再次续流短路情况,波形不规则即波形不规律,波形不呈现正弦波形。
步骤230、在已存储的故障类型对应的波形特征中,查找历史故障波形的特征对应的故障类型,将查找到的故障类型作为历史故障波形对应的故障类型。
具体的,若历史故障波形的特征为步骤220中描述的故障波形的特征,查找到历史故障波形的特征对应的故障类型为鸟害故障类型,则将查找到的鸟害故障类型作为历史故障波形对应的故障类型。
步骤240、将历史故障波形输入至卷积神经网络模型,得到输出结果。
其中,输出结果为卷积神经网络模型输出的故障类型。历史故障波形可以图片形式输入至卷积神经网络模型,卷积神经网络对输入的历史故障波形进行特征提取,如进行卷积和池化以及全连接等处理,具体在上述实施例中已说明,在此不再赘述。卷积神经网络输出的输出结果可能是输入的历史故障波形对应的故障类型,也可能不是输入的历史故障波形对应的故障类型,还需对卷积神经网络模型进行训练。
步骤250、若输出结果与实际结果不匹配,则调整卷积神经网络模型的参数,直至输出结果与实际结果匹配,将此时的卷积神经网络模型作为故障类型检测模型。
其中,实际结果为历史故障波形对应的故障类型。若输出结果与实际结果不匹配,即输出的故障类型不是输入的故障波形对应的故障类型,则需调整卷积神经网络模型的参数,直至输出结果与实际结果匹配,此时卷积神经网络模型训练完成,则此时的卷积神经网络模型即可作为故障类型检测模型。另外,若输出结果与实际结果匹配,如模型训练过程中所有的输出结果即输出的故障类型均是相应的故障波形对应的故障类型,则可直接将卷积神经网络模型作为故障类型检测模型。
步骤260、通过故障类型检测模型对待检测的故障波形进行检测,确定待检测的故障波形的开始时刻至波形超过预设幅度变化的开始时刻的时间间隔和波形是否平滑、有无毛刺、是否规则的特征。
具体的,可将待检测的故障波形以图片形式输入至故障类型检测模型,通过故障类型检测模型确定故障波形的特征。例如,确定故障波形的开始时刻至故障波形的变化幅度超过预设幅度的开始时刻的时间间隔小于预设第四时间,即故障记录时刻至绝缘击穿时刻的时间间隔小于预设第四时间,并且不存在再次续流短路情况,波形规则,故障波形中电压波形的第一个半波存在毛刺,或波形不规则,波形呈非正弦状态,波形边缘存在毛刺。
步骤270、根据待检测的故障波形的开始时刻至波形超过预设幅度变化的开始时刻的时间间隔和波形是否平滑、有无毛刺、是否规则的特征,确定待检测的故障波形的故障类型。
示例性地,若待检测的故障波形的特征为步骤260中描述的波形规则对应的特征,则确定待检测的故障波形的故障类型为风害故障类型;若待检测的故障波形的特征为步骤260中描述的波形不规则对应的特征,则确定待检测的故障波形的故障类型为冰害故障类型。另外,还可结合输电线路如架空输电线路所在地区的环境信息,确定历史故障波形对应的故障类型。环境信息可包括架空输电线路所在地区的天气情况、所述地区的地形地貌以及所述地区的雷电情况。例如,检测到故障类型为雷击故障或风害故障,且输电线路所在地区的天气情况为雷电天气,则确定故障类型为雷击故障。
本实施例提供的输电线路故障类型的检测方法,将历史故障波形输入至卷积神经网络模型,得到输出结果;若输出结果与实际结果不匹配,则调整卷积神经网络模型的参数,直至输出结果与实际结果匹配,将此时的卷积神经网络模型作为故障类型检测模型;通过故障类型检测模型对待检测的故障波形进行检测,确定待检测的故障波形的开始时刻至波形超过预设幅度变化的开始时刻的时间间隔和波形是否平滑、有无毛刺、是否规则的特征;根据待检测的故障波形的开始时刻至波形超过预设幅度变化的开始时刻的时间间隔和波形是否平滑、有无毛刺、是否规则的特征,确定待检测的故障波形的故障类型。与现有的输电线路故障类型的检测方法相比,本实施例提供的输电线路故障类型的检测方法,通过故障类型检测模型对待检测的故障波形进行检测,确定故障类型,不需人工辅助,可自动确定故障类型,解决了现有的检测方式依赖于工作人员的技术经验,影响输电线路故障类型检测的效率和可靠性的问题,从而提高了输电线路故障类型检测的效率和可靠性;并且,不需额外采购专用设备,也无需后期运维,省去了采购成本和运维成本。
实施例三
图3是本发明实施例三提供的一种输电线路故障类型的检测装置的结构框图,输电线路故障类型的检测装置包括:历史波形获取模块310、历史故障确定模块320、检测模型确定模块330和故障检测模块340;其中,历史波形获取模块310用于获取输电线路的历史故障波形;历史故障确定模块320用于根据已存储的故障波形和故障类型的对应关系,确定历史故障波形对应的历史故障类型;检测模型确定模块330用于基于历史故障波形和历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型;故障检测模块340用于将待检测的故障波形输入至故障类型检测模型,通过故障类型检测模型对待检测的故障波形进行检测,确定故障类型。
可选的,历史故障确定模块320包括:特征确定单元和历史故障确定单元;其中,特征确定单元用于基于历史故障波形,确定历史故障波形的特征;历史故障确定单元用于在已存储的故障类型对应的波形特征中,查找历史故障波形的特征对应的故障类型,将查找到的故障类型作为历史故障波形对应的故障类型。
可选的,检测模型确定模块330包括:输出结果确定单元和检测模型确定单元;其中,输出结果确定单元用于将历史故障波形输入至卷积神经网络模型,得到输出结果;检测模型确定单元用于若输出结果与实际结果匹配,则将卷积神经网络模型作为故障类型检测模型;还用于若输出结果与实际结果不匹配,则调整卷积神经网络模型的参数,直至输出结果与实际结果匹配,将此时的卷积神经网络模型作为故障类型检测模型;其中,输出结果为卷积神经网络模型输出的故障类型,实际结果为历史故障波形对应的故障类型。
在一种实施方式中,故障检测模块340包括:波形特征确定单元和故障类型确定单元;其中,波形特征确定单元用于通过故障类型检测模型对待检测的故障波形进行检测,确定待检测的故障波形的开始时刻至波形超过预设幅度变化的开始时刻的时间间隔和波形是否平滑、有无毛刺、是否规则的特征;故障类型确定单元用于根据待检测的故障波形的开始时刻至波形超过预设幅度变化的开始时刻的时间间隔和波形是否平滑、有无毛刺、是否规则的特征,确定待检测的故障波形的故障类型。
优选的,故障检测模块340包括:雷击故障确定单元,用于若检测到故障类型为雷击故障或风害故障,且输电线路所在地区的天气情况为雷电天气,则确定故障类型为雷击故障。
本实施例提供的输电线路故障类型的检测装置与本发明任意实施例提供的输电线路故障类型的检测方法属于相同的发明构思,具备相应的有益效果,未在本实施例详尽的技术细节详见本发明任意实施例提供的输电线路故障类型的检测方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整、结合和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种输电线路故障类型的检测方法,其特征在于,包括:
获取输电线路的历史故障波形;
根据已存储的故障波形和故障类型的对应关系,确定所述历史故障波形对应的历史故障类型;
基于所述历史故障波形和所述历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型;
将待检测的故障波形输入至所述故障类型检测模型,通过所述故障类型检测模型对所述待检测的故障波形进行检测,确定故障类型。
2.根据权利要求1所述的输电线路故障类型的检测方法,其特征在于,所述根据已存储的故障波形和故障类型的对应关系,确定所述历史故障波形对应的历史故障类型,包括:
基于所述历史故障波形,确定所述历史故障波形的特征;
在已存储的故障类型对应的波形特征中,查找所述历史故障波形的特征对应的故障类型,将查找到的故障类型作为所述历史故障波形对应的故障类型。
3.根据权利要求1所述的输电线路故障类型的检测方法,其特征在于,所述基于所述历史故障波形和所述历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型,包括:
将所述历史故障波形输入至卷积神经网络模型,得到输出结果;
若所述输出结果与实际结果匹配,则将所述卷积神经网络模型作为故障类型检测模型;其中,所述输出结果为所述卷积神经网络模型输出的故障类型,所述实际结果为所述历史故障波形对应的故障类型。
4.根据权利要求1所述的输电线路故障类型的检测方法,其特征在于,所述基于所述历史故障波形和所述历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型,包括:
将所述历史故障波形输入所述卷积神经网络模型,得到输出结果;
若所述输出结果与实际结果不匹配,则调整所述卷积神经网络模型的参数,直至所述输出结果与所述实际结果匹配,将此时的所述卷积神经网络模型作为故障类型检测模型;其中,所述输出结果为所述卷积神经网络模型输出的故障类型,所述实际结果为所述历史故障波形对应的故障类型。
5.根据权利要求1所述的输电线路故障类型的检测方法,其特征在于,所述通过所述故障类型检测模型对所述待检测的故障波形进行检测,确定故障类型,包括:
通过所述故障类型检测模型对所述待检测的故障波形进行检测,确定所述待检测的故障波形的开始时刻至波形超过预设幅度变化的开始时刻的时间间隔和波形是否平滑、有无毛刺、是否规则的特征;
根据所述待检测的故障波形的开始时刻至波形超过预设幅度变化的开始时刻的时间间隔和波形是否平滑、有无毛刺、是否规则的特征,确定所述待检测的故障波形的故障类型。
6.根据权利要求1所述的输电线路故障类型的检测方法,其特征在于,所述确定故障类型,包括:
若检测到所述故障类型为雷击故障或风害故障,且输电线路所在地区的天气情况为雷电天气,则确定所述故障类型为雷击故障。
7.根据权利要求1所述的输电线路故障类型的检测方法,其特征在于,所述输电线路的故障类型包括异物短路故障或机械碰线故障类型、雷击故障类型、鸟害故障类型、风害故障类型、冰害故障类型中的至少一种。
8.一种输电线路故障类型的检测装置,其特征在于,包括:
历史波形获取模块,用于获取输电线路的历史故障波形;
历史故障确定模块,用于根据已存储的故障波形和故障类型的对应关系,确定所述历史故障波形对应的历史故障类型;
检测模型确定模块,用于基于所述历史故障波形和所述历史故障类型,对已建立的卷积神经网络模型进行训练,得到故障类型检测模型;
故障检测模块,用于将待检测的故障波形输入至所述故障类型检测模型,通过所述故障类型检测模型对所述待检测的故障波形进行检测,确定故障类型。
9.根据权利要求8所述的输电线路故障类型的检测装置,其特征在于,所述历史故障确定模块包括:
特征确定单元,用于基于所述历史故障波形,确定所述历史故障波形的特征;
历史故障确定单元,用于在已存储的故障类型对应的波形特征中,查找所述历史故障波形的特征对应的故障类型,将查找到的故障类型作为所述历史故障波形对应的故障类型。
10.根据权利要求8所述的输电线路故障类型的检测装置,其特征在于,所述检测模型确定模块包括:
输出结果确定单元,用于将所述历史故障波形输入至卷积神经网络模型,得到输出结果;
检测模型确定单元,用于若输出结果与实际结果匹配,则将所述卷积神经网络模型作为故障类型检测模型;其中,所述输出结果为所述卷积神经网络模型输出的故障类型,所述实际结果为所述历史故障波形对应的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110476893.7A CN113189448A (zh) | 2021-04-29 | 2021-04-29 | 一种输电线路故障类型的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110476893.7A CN113189448A (zh) | 2021-04-29 | 2021-04-29 | 一种输电线路故障类型的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113189448A true CN113189448A (zh) | 2021-07-30 |
Family
ID=76980859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110476893.7A Pending CN113189448A (zh) | 2021-04-29 | 2021-04-29 | 一种输电线路故障类型的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113189448A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676067A (zh) * | 2016-01-26 | 2016-06-15 | 云南电网有限责任公司电力科学研究院 | 一种输电线路故障诊断方法及系统 |
CN106841907A (zh) * | 2016-12-12 | 2017-06-13 | 国网北京市电力公司 | 架空输电线路的故障类型判定方法 |
CN108663600A (zh) * | 2018-05-09 | 2018-10-16 | 广东工业大学 | 一种基于输电网的故障诊断方法、装置及存储介质 |
CN109901020A (zh) * | 2019-04-08 | 2019-06-18 | 珠海妙微科技有限公司 | 稀疏自动编码器优化神经网路的输电线路故障识别方法 |
CN110672976A (zh) * | 2019-10-18 | 2020-01-10 | 东北大学 | 基于并联卷积神经网络的多端直流输电线路故障诊断方法 |
CN110726898A (zh) * | 2018-07-16 | 2020-01-24 | 北京映翰通网络技术股份有限公司 | 一种配电网故障类型识别方法 |
CN110794243A (zh) * | 2019-11-14 | 2020-02-14 | 南方电网科学研究院有限责任公司 | 一种直流系统故障诊断方法、系统以及设备 |
CN111339872A (zh) * | 2020-02-18 | 2020-06-26 | 国网信通亿力科技有限责任公司 | 一种基于分类模型的电网故障分类方法 |
-
2021
- 2021-04-29 CN CN202110476893.7A patent/CN113189448A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105676067A (zh) * | 2016-01-26 | 2016-06-15 | 云南电网有限责任公司电力科学研究院 | 一种输电线路故障诊断方法及系统 |
CN106841907A (zh) * | 2016-12-12 | 2017-06-13 | 国网北京市电力公司 | 架空输电线路的故障类型判定方法 |
CN108663600A (zh) * | 2018-05-09 | 2018-10-16 | 广东工业大学 | 一种基于输电网的故障诊断方法、装置及存储介质 |
CN110726898A (zh) * | 2018-07-16 | 2020-01-24 | 北京映翰通网络技术股份有限公司 | 一种配电网故障类型识别方法 |
CN109901020A (zh) * | 2019-04-08 | 2019-06-18 | 珠海妙微科技有限公司 | 稀疏自动编码器优化神经网路的输电线路故障识别方法 |
CN110672976A (zh) * | 2019-10-18 | 2020-01-10 | 东北大学 | 基于并联卷积神经网络的多端直流输电线路故障诊断方法 |
CN110794243A (zh) * | 2019-11-14 | 2020-02-14 | 南方电网科学研究院有限责任公司 | 一种直流系统故障诊断方法、系统以及设备 |
CN111339872A (zh) * | 2020-02-18 | 2020-06-26 | 国网信通亿力科技有限责任公司 | 一种基于分类模型的电网故障分类方法 |
Non-Patent Citations (2)
Title |
---|
杨博雄 等: "《基于高性能计算的深度学习理论与实践研究 第1版》", 31 December 2019 * |
蓝贤桂 等: "《人工智能背景下图像处理技术的应用研究 第1版》", 31 July 2020 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007359A (zh) | 一种配电网单相接地故障识别启动方法及系统 | |
Li et al. | A fault pattern and convolutional neural network based single-phase earth fault identification method for distribution network | |
CN116008753A (zh) | 一种电缆的智能化监测方法及系统 | |
CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN113702767B (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 | |
CN105374029A (zh) | 变电站设备红外图像感兴趣区域的分割方法及系统 | |
CN116760193B (zh) | 电力系统的全面数据监控方法和系统 | |
CN113189448A (zh) | 一种输电线路故障类型的检测方法及装置 | |
CN115877134A (zh) | 一种面向中压电缆潜伏性故障的触发检测及识别方法 | |
CN111913078A (zh) | 一种基于运行的输电线路故障识别方法 | |
CN110988597A (zh) | 一种基于神经网络的谐振类别检测方法 | |
CN118091520B (zh) | 一种10us方波浪涌测试设备智能调控方法及系统 | |
CN109888919B (zh) | 配电网终端在线监控系统及方法 | |
CN110548701B (zh) | 一种适用于空心电抗器的质量检测装置及质量检测方法 | |
CN116184019B (zh) | 交流电的谐波检测系统、方法及装置 | |
CN116223905B (zh) | 谐波频率检测系统、方法、装置及存储介质 | |
Xia et al. | Early fault diagnosis for DC/DC converters based on digital twins and transfer learning | |
Izadi | Data-Driven Analysis and Applications of Time-Synchronized Waveform Measurements in Power Systems | |
CN110146775B (zh) | 基于功率比值的变压器运行状态振声检测方法和系统 | |
JPS60203867A (ja) | 絶縁診断におけるノイズ除去方法 | |
Deng et al. | Homology recognition of multi voltage sag events based on perceptual hash sequence | |
CN110017892B (zh) | 一种变压器的异常状态振声的检测方法和装置 | |
CN118091520A (zh) | 一种10us方波浪涌测试设备智能调控方法及系统 | |
CN116679152A (zh) | 一种基于配电高压智能终端的故障判别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |
|
RJ01 | Rejection of invention patent application after publication |