CN113203914A - 基于dae-cnn的地下电缆早期故障检测和识别方法 - Google Patents
基于dae-cnn的地下电缆早期故障检测和识别方法 Download PDFInfo
- Publication number
- CN113203914A CN113203914A CN202110375157.2A CN202110375157A CN113203914A CN 113203914 A CN113203914 A CN 113203914A CN 202110375157 A CN202110375157 A CN 202110375157A CN 113203914 A CN113203914 A CN 113203914A
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- data
- simulation
- early
- 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
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于DAE‑CNN的地下电缆早期故障检测和识别方法,首先对地下电缆早期故障进行模拟仿真,以获取电流的仿真数据;然后采用降噪自动编码器对仿真数据进行特征提取,得到降维后的电流数据;接着采用降维后的电流数据对卷积神经网络进行训练,生成可用于检测和识别地下电缆早期故障的判别器;采用降噪自动编码器对待测地下电缆的电流数据进行特征提取,得到降维后的电流数据,将其作为判别器的输入,利用判别器输出该地下电缆的早期故障识别结果。本发明可以实现配电网早期故障的精确诊断。
Description
技术领域
本发明涉及配电网早期故障识别和信号处理的技术领域,尤其是指一种基于DAE-CNN的地下电缆早期故障检测和识别方法。
背景技术
目前,随着电网容量的扩大以及城市用电规模的增加,地下电力电缆因体积小、安全性高和抗干扰性强等优点被广泛地应用于电能传输和电能分配。然而,由于电缆长期敷设于地下,其绝缘部分(尤其是电缆接头位置)易受到土壤盐分和湿气的腐蚀而造成局部绝缘缺陷。早期的绝缘缺陷会引发电缆局部放电,从而形成间歇性电弧故障,而电弧故障又会进一步恶化电缆的绝缘情况,最终导致电缆的永久性故障。因此,精确识别发生早期故障的电缆并对故障进行准确识别,对于消除隐藏的供电系统隐患、提高电网的安全性和稳定性具有重要意义。
电缆早期故障分类识别算法主要有阈值法、推理法和分类器法。然而在实际电力系统中,线路结构复杂,元件之间存在强关联耦合关系,运行条件具有不确定性,使用阈值法难以根据实际的电力系统确定合适的阈值;推理法虽然不需要阈值,但其通常借助小波变换等信号处理方法分析故障信号的时频域特征,并以此为依据推理故障类型,因此针对性较强,难以推广泛化;使用传统的分类器对扰动信号的分类识别能力表现则较差。因此,有必要研究能够克服现有方法的不足,精确判别地下电缆早期故障的技术。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足,提出了一种基于DAE-CNN的地下电缆早期故障检测和识别方法,突破现有传统方法的缺点,利用改进参数的降噪自动编码器和卷积神经网络,实现配电网早期故障的精确诊断。
本发明的第二目的在于提出一种基于DAE-CNN的地下电缆早期故障检测和识别装置。
本发明的第三目的在于提出一种计算机可读存储介质。
本发明的第四目的在于提出一种计算设备。
为实现第一目的,本发明所提供的技术方案为:一种基于DAE-CNN的地下电缆早期故障检测和识别方法,步骤如下:
对地下电缆早期故障进行模拟仿真,以获取电流的仿真数据;
采用降噪自动编码器对仿真数据进行特征提取,得到降维后的电流数据;
采用降维后的电流数据对卷积神经网络进行训练,生成可用于检测和识别地下电缆早期故障的判别器;
采用降噪自动编码器对待测地下电缆的电流数据进行特征提取,得到降维后的电流数据,将其作为判别器的输入,利用判别器输出该地下电缆的早期故障识别结果。
优选的,对地下电缆早期故障进行模拟仿真的过程如下:
1)根据地下电缆不同种典型的过电流扰动的特点,在PSCAD/EMTDC和Laboratory分别建立电路模型,仿真得到不同扰动类型的电流波形,从而形成仿真数据集;
2)对仿真数据都进行归一化处理:
其中,Xi为仿真数据集中第i个数据值,Xmax为仿真数据集中的数据最大值,Xmin为仿真数据集中的数据最小值,X*为归一化后的仿真数据。
优选的,采用降噪自动编码器对仿真数据进行特征提取,过程如下:
1)向仿真数据添加高斯噪音:
2)训练降噪自动编码器,选择压缩比:
选取不同的降噪自动编码器中间层神经元个数来对降噪自动编码器进行多次训练,在这一过程中,计算不同中间层神经元个数时降噪自编码器的损失函数值,选择达到损失函数精度要求的情况下的中间层神经元个数作为最终的中间层神经元个数,从而确定压缩比:
式中,x(m)和分别表示第m个原始的仿真数据和经降噪自编码器重构的仿真数据;M表示原始仿真数据的总个数;LDAE(x)表示降噪自编码器的损失函数;D1和D2分别表示原始仿真数据的维度和压缩后的仿真数据的维度;CR为压缩比。
3)利用降噪自动编码器对加噪后的仿真数据进行压缩,降维和特征提取:
其中,y表示经降噪自动编码器处理后的电流数据;ω和ω′分别表示输入层与隐藏层、隐藏层与输出层之间的权重;b和b′代表偏置单元;f和g代表激活函数,其采用sigmoid函数;是降噪自编码器重构后的电流数据。
优选的,卷积神经网络包括依次连接的输入层、隐含层和输出层,其中隐含层由交替排列的卷积层和采样层构成,且每个卷积层和相邻的一个采样层组成一对,输出层由全连接层和softmax层构成;
最后一对卷积层和采样层的输出作为全连接层的输入,全连接层包含k个神经元,全连接层中输出最大值的神经元对应着当前电缆系统最可能的运行状态;输出层通过softmax层对故障状态的离散概率分布的梯度进行归一化,即:
式中,j为发生的故障的故障序号,j=1,2,…,k,k表示全连接层输出结果的总数;aj表示全连接层的第j个输出结果;Sj代表分类类别为第j种的概率,即发生第j种地下电缆初始故障的概率;p表示输出层的第p个节点单元,也即全连接层k个输出结果的序号,ap表示全连接层输出的第p个结果。
更进一步的,卷积神经网络各个变量间的计算式如下:
第l层卷积层的输出为:
第l层采样层的输出为:
将卷积采样得到的输出作为全连接层的输入:
Y=f(W1X+b1)
Z=S(W2Y+b2)
通过优化损失函数来得到对应的网络参数:
其中,l表示第l层卷积层;Mj表示相连接的上一层的输出组合;表示第i个输入和第j个输出之间所用的卷积核;表示第l层卷积层的第j个输出;表示第l层的第i个输入;表示第l层采样层的第j个输出;表示第l-1层的第j个输出;bj表示第j个输出所对应的偏置;f为激活函数;
down()表示降采样函数;β表示权重;
n为样本数据的个数;y为神经网络的输出;y_为神经网络的期望输出;Wf为全连接层中隐藏层的权重;λ为惩罚因子;loss(W,b)表示损失函数;b表示卷及神经网络中的偏置;W表示卷及神经网络中层与层之间的权值;表示第l层中第i个卷积核所对应的偏置;
lr(l)表示第l轮的学习率;dr表示学习衰减率;n表示每轮学习的步数。
优选的,判别器的输出取决于Sj,最终的故障诊断结果表示为:
S=arg max[s1,s2,…,s6]
优选的,待测地下电缆的电流数据通过实际地下电缆单端传感器采集得到。
为实现第二目的,本发明所提供的技术方案为:一种基于DAE-CNN的地下电缆早期故障检测和识别装置,包括依次连接的仿真模块、特征提取模块、判别器构建模块和识别模块,特征提取模块还连接至识别模块;
其中,仿真模块用于对地下电缆早期故障进行模拟仿真,以获取电流的仿真数据;
特征提取模块用于采用降噪自动编码器对仿真数据或待测地下电缆的电流数据进行特征提取,得到降维后的电流数据;
判别器构建模块用于采用降维后的电流数据对卷积神经网络进行训练,生成可用于检测和识别地下电缆早期故障的判别器;
识别模块用于将降维后的待测地下电缆的电流数据作为判别器的输入,利用判别器输出地下电缆的早期故障识别结果。
为实现第三目的,本发明所提供的技术方案为:一种计算机可读存储介质,存储有程序,所述程序被处理器执行时,实现本发明第一目的所述的基于DAE-CNN的地下电缆早期故障检测和识别方法。
为实现第四目的,本发明所提供的技术方案为:一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现本发明第一目的所述的基于DAE-CNN的地下电缆早期故障检测和识别方法。
本发明与现有技术相比,具有如下优点与有益效果:
(1)本发明基于降噪自编码器(Denoising Autoencoder,DAE)和卷积神经网络(CNN)的地下电缆早期故障检测和识别方法,采用改进参数的降噪自动编码器(DAE)对在仿真模型中取得的电流电压数据进行特征提取,能够得到降维后的电流数据,然后采用电流数据对卷积神经网络进行训练,生成判别器,从而利用判别器来实现配电网电缆早期故障的精确诊断,识别速度快、效率高,在故障识别中有广阔前景。
(2)本发明实现了配电网电缆早期故障的识别,能够有效的从电容器投切、励磁涌流、电容投切、金属性短路、电机启动引起的过电流中有效识别出电缆早期故障,因此在电缆早期故障识别中具有广泛的使用空间。
(3)本发明判别器的隐含层具有多层网络,能够深层次地发现数据中的隐藏特征,相比传统的模式识别方法具有更高的准确率。
附图说明
图1为本发明基于DAE-CNN的地下电缆早期故障检测和识别方法的流程图。
图2为降噪自动编码机的结构示意图。
图3为判别器的结构示意图。
图4为图3判别器中卷积层与池化层的示意图。
图5为不同分类器对地下电缆早期故障的检测结果比较示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本实施例公开了一种基于DAE-CNN的地下电缆早期故障检测和识别方法,如图1所示,步骤如下:
S1、对地下电缆早期故障进行模拟仿真,以获取电流的仿真数据:
1)根据地下电缆几种典型的过电流扰动(电缆半周波早期故障,电缆多周波早期故障,金属性短路故障,变压器励磁涌流,电容器组投入,电机启动)的特点,在PSCAD/EMTDC和Laboratory分别建立电路模型,仿真得到不同扰动类型的电流波形,从而形成仿真数据集;
2)对仿真数据都进行归一化处理:
其中,Xi为仿真数据集中第i个数据值,Xmax为仿真数据集中的数据最大值,Xmin为仿真数据集中的数据最小值,X*为归一化后的仿真数据。
由于仿真数据获取自地下电缆的不同位置,每个数据维度的梯度也不同。在后续训练神经网络的时候,使用相同的学习率,很难迭代到成本函数的最低点,即很难迭代到最佳参数,因此这里将所有仿真数据都归一化为[0,1],更容易进行梯度下降,更有利于神经网络参数的更新。
S2、采用降噪自动编码器对仿真数据进行特征提取,得到降维后的电流数据,如图2所示,过程如下:
1)向仿真数据添加高斯噪音:
2)训练降噪自动编码器,选择压缩比:
选取不同的降噪自动编码器中间层神经元个数来对降噪自动编码器进行多次训练。中间层神经元的个数代表数据压缩后的维度,训练过程其实就是让损失函数值不断减小的过程,在这一过程中,计算不同中间层神经元个数时降噪自编码器的损失函数值,观察不同中间层神经元个数情况下的损失函数的值来选取中间层神经元的个数。也就是说,在达到损失函数精度要求的情况下,选择合适的中间层神经元个数作为最终的中间层神经元个数,比如选择损失函数值最小情况下的中间层神经元个数,从而确定压缩比。
式中,x(m)和分别表示第m个原始的仿真数据和经降噪自编码器重构的仿真数据;M表示原始仿真数据的总个数;LDAE(x)表示降噪自编码器的损失函数;D1和D2分别表示原始仿真数据的维度和压缩后的仿真数据的维度;CR为压缩比。
3)利用降噪自动编码器对加噪后的仿真数据进行压缩,降维和特征提取:
其中,y表示经降噪自动编码器处理后的电流数据;ω和ω′分别表示输入层与隐藏层、隐藏层与输出层之间的权重;b和b′代表偏置单元;f和g代表激活函数,本实施例采用sigmoid函数;是降噪自编码器重构后的电流数据,也即图2中的g(y)。
S3、采用降维后的电流数据对卷积神经网络进行训练,生成可用于检测和定位地下电缆早期故障的判别器。
这里,如图3和图4所示,卷积神经网络包括依次连接的输入层、隐含层和输出层,其中隐含层由交替排列的卷积层和采样层构成,且每个卷积层和相邻的一个采样层组成一对,一对卷积层和池化层通常合称为一层,数据在每一层的处理过程是先经过卷积层,然后再经过采样层,然后再被传递到下一对卷积和池化层。输出层由相连接的全连接层和softmax层构成。
最后一对卷积层和采样层的输出作为全连接层的输入。全连接层包含k个神经元,分别对应着不同的过电流扰动,如本实施例全连接层有6个神经元,分别对应着缆半周波早期故障、电缆多周波早期故障、金属性短路故障、变压器励磁涌流、电容器投入和电机启动。全连接层中输出最大值的神经元对应着当前电缆系统最可能的运行状态。softmax层用于对故障状态的离散概率分布的梯度进行归一化,即:
式中,j为发生的故障的故障序号,j=1,2,…,k,k表示全连接层输出结果的总数;aj表示全连接层的第j个输出结果;Sj代表分类类别为第j种的概率,即发生第j种地下电缆初始故障的概率;p表示输出层的第p个节点单元,也即全连接层k个输出结果的序号,ap表示全连接层输出的第p个结果。
卷积神经网络各个变量间的计算式如下:
第l层卷积层的输出为:
第l层采样层的输出为:
将卷积采样得到的输出作为全连接层的输入:
Y=f(W1X+b1)
Z=S(W2Y+b2)
其中,l表示第l层卷积层;Mj表示相连接的上一层的输出组合;表示第i个输入和第j个输出之间所用的卷积核;表示第l层卷积层的第j个输出;表示第l层卷积层和采样层的第i个输入;表示第l层采样层的第j个输出;表示第l-1层卷积层和采样层的第j个输出;bj表示第j个输出所对应的偏置;f为激活函数,可以是Tanh函数、Sigmoid函数、Relu函数或其他典型的激活函数;
down()表示降采样函数;β表示权重;
n为样本数据的个数;y为神经网络的输出;y_为神经网络的期望输出;Wf为全连接层中隐藏层的权重;λ为惩罚因子;loss(W,b)表示损失函数;b表示卷积神经网络中的偏置;W表示卷积神经网络中层与层之间的权值;表示第l层中第i个卷积核所对应的偏置;
lr(l)表示第l轮的学习率;dr表示学习衰减率;n表示每轮学习的步数。
S4、通过实际地下电缆单端传感器采集待测地下电缆的电流数据,采用降噪自动编码器对待测地下电缆的电流数据进行特征提取,得到降维后的电流数据,将其作为判别器的输入,利用判别器输出该地下电缆的早期故障识别结果。
判别器的输出取决于Sj,即取其中的最大值,最终的故障诊断结果表示为:
S=argmax[s1,s2,…,s6]
为说明上述DAE-CNN电缆早期故障检测和定位方法的效果,本实施例还对本实施例DAE-CNN法和其他分类器(KNN、BP、SVM、PNN)进行电流信号所对应早期故障的分类效果比较,分类效果定量表示为图5中的多项性能指标(准确率Acc,精确率Prec,召回率Reca,F1值),其中,DAE-CNN法对应的值最大,这说明本实施例DAE-CNN法在识别电缆早期故障的各项性能指标上有了明显的提高,分类性能最佳。
实施例2
本实施例公开了一种基于DAE-CNN的地下电缆早期故障检测和识别装置,可实现实施例1中的地下电缆早期故障检测和识别方法。该装置包括依次连接的仿真模块、特征提取模块、判别器构建模块和识别模块,特征提取模块还连接至识别模块;
其中,仿真模块用于对地下电缆早期故障进行模拟仿真,以获取电流的仿真数据;
特征提取模块用于采用降噪自动编码器对仿真数据或待测地下电缆的电流数据进行特征提取,得到降维后的电流数据;
判别器构建模块用于采用降维后的电流数据对卷积神经网络进行训练,生成可用于检测和识别地下电缆早期故障的判别器;
识别模块用于将降维后的待测地下电缆的电流数据作为判别器的输入,利用判别器输出地下电缆的早期故障识别结果。
在此需要说明的是,本实施例的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种计算机可读存储介质,存储有程序,所述程序被处理器执行时,实现实施例1所述的基于DAE-CNN的地下电缆早期故障检测和识别方法,具体如下:
对地下电缆早期故障进行模拟仿真,以获取电流的仿真数据;
采用降噪自动编码器对仿真数据进行特征提取,得到降维后的电流数据;
采用降维后的电流数据对卷积神经网络进行训练,生成可用于检测和识别地下电缆早期故障的判别器;
采用降噪自动编码器对待测地下电缆的电流数据进行特征提取,得到降维后的电流数据,将其作为判别器的输入,利用判别器输出该地下电缆的早期故障识别结果。
本实施例中的计算机可读存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例公开了一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现实施例1所述的基于DAE-CNN的地下电缆早期故障检测和识别方法,具体如下:
对地下电缆早期故障进行模拟仿真,以获取电流的仿真数据;
采用降噪自动编码器对仿真数据进行特征提取,得到降维后的电流数据;
采用降维后的电流数据对卷积神经网络进行训练,生成可用于检测和识别地下电缆早期故障的判别器;
采用降噪自动编码器对待测地下电缆的电流数据进行特征提取,得到降维后的电流数据,将其作为判别器的输入,利用判别器输出该地下电缆的早期故障识别结果。
本实施例中所述的计算设备可以是台式电脑、笔记本电脑或其他具有处理器功能的终端设备。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于DAE-CNN的地下电缆早期故障检测和识别方法,其特征在于,步骤如下:
对地下电缆早期故障进行模拟仿真,以获取电流的仿真数据;
采用降噪自动编码器对仿真数据进行特征提取,得到降维后的电流数据;
采用降维后的电流数据对卷积神经网络进行训练,生成可用于检测和识别地下电缆早期故障的判别器;
采用降噪自动编码器对待测地下电缆的电流数据进行特征提取,得到降维后的电流数据,将其作为判别器的输入,利用判别器输出该地下电缆的早期故障识别结果。
3.根据权利要求1所述的地下电缆早期故障检测和识别方法,其特征在于,采用降噪自动编码器对仿真数据进行特征提取,过程如下:
1)向仿真数据添加高斯噪音:
2)训练降噪自动编码器,选择压缩比:
选取不同的降噪自动编码器中间层神经元个数来对降噪自动编码器进行多次训练,在这一过程中,计算不同中间层神经元个数时降噪自编码器的损失函数值,选择达到损失函数精度要求的情况下的中间层神经元个数作为最终的中间层神经元个数,从而确定压缩比:
式中,x(m)和分别表示第m个原始的仿真数据和经降噪自编码器重构的仿真数据;M表示原始仿真数据的总个数;LDAE(x)表示降噪自编码器的损失函数;D1和D2分别表示原始仿真数据的维度和压缩后的仿真数据的维度;CR为压缩比。
3)利用降噪自动编码器对加噪后的仿真数据进行压缩,降维和特征提取:
4.根据权利要求1所述的地下电缆早期故障检测和识别方法,其特征在于,卷积神经网络包括依次连接的输入层、隐含层和输出层,其中隐含层由交替排列的卷积层和采样层构成,且每个卷积层和相邻的一个采样层组成一对,输出层由全连接层和softmax层构成;
最后一对卷积层和采样层的输出作为全连接层的输入,全连接层包含k个神经元,全连接层中输出最大值的神经元对应着当前电缆系统最可能的运行状态;输出层通过softmax层对故障状态的离散概率分布的梯度进行归一化,即:
式中,j为发生的故障的故障序号,j=1,2,…,k,k表示全连接层输出结果的总数;aj表示全连接层的第j个输出结果;Sj代表分类类别为第j种的概率,即发生第j种地下电缆初始故障的概率;p表示输出层的第p个节点单元,也即全连接层k个输出结果的序号,ap表示全连接层输出的第p个结果。
5.根据权利要求4所述的地下电缆早期故障检测和识别方法,其特征在于,卷积神经网络各个变量间的计算式如下:
第l层卷积层的输出为:
第l层采样层的输出为:
将卷积采样得到的输出作为全连接层的输入:
Y=f(W1X+b1)
Z=S(W2Y+b2)
通过优化损失函数来得到对应的网络参数:
其中,l表示第l层卷积层;Mj表示相连接的上一层的输出组合;表示第i个输入和第j个输出之间所用的卷积核;表示第l层卷积层的第j个输出;表示第l层的第i个输入;表示第l层采样层的第j个输出;表示第l-1层的第j个输出;bj表示第j个输出所对应的偏置;f为激活函数;
down()表示降采样函数;β表示权重;
n为样本数据的个数;y为神经网络的输出;y_为神经网络的期望输出;Wf为全连接层中隐藏层的权重;λ为惩罚因子;loss(W,b)表示损失函数;b表示卷及神经网络中的偏置;W表示卷及神经网络中层与层之间的权值;表示第l层中第i个卷积核所对应的偏置;
lr(l)表示第l轮的学习率;dr表示学习衰减率;n表示每轮学习的步数。
6.根据权利要求1所述的地下电缆早期故障检测和识别方法,其特征在于,判别器的输出取决于Sj,最终的故障诊断结果表示为:
S=argmax[s1,s2,…,s6]
7.根据权利要求1所述的地下电缆早期故障检测和识别方法,其特征在于,待测地下电缆的电流数据通过实际地下电缆单端传感器采集得到。
8.一种基于DAE-CNN的地下电缆早期故障检测和识别装置,其特征在于,包括依次连接的仿真模块、特征提取模块、判别器构建模块和识别模块,特征提取模块还连接至识别模块;
其中,仿真模块用于对地下电缆早期故障进行模拟仿真,以获取电流的仿真数据;
特征提取模块用于采用降噪自动编码器对仿真数据或待测地下电缆的电流数据进行特征提取,得到降维后的电流数据;
判别器构建模块用于采用降维后的电流数据对卷积神经网络进行训练,生成可用于检测和识别地下电缆早期故障的判别器;
识别模块用于将降维后的待测地下电缆的电流数据作为判别器的输入,利用判别器输出地下电缆的早期故障识别结果。
9.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1至7中任一项所述的基于DAE-CNN的地下电缆早期故障检测和识别方法。
10.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1至7中任一项所述的基于DAE-CNN的地下电缆早期故障检测和识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375157.2A CN113203914A (zh) | 2021-04-08 | 2021-04-08 | 基于dae-cnn的地下电缆早期故障检测和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375157.2A CN113203914A (zh) | 2021-04-08 | 2021-04-08 | 基于dae-cnn的地下电缆早期故障检测和识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113203914A true CN113203914A (zh) | 2021-08-03 |
Family
ID=77026363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110375157.2A Pending CN113203914A (zh) | 2021-04-08 | 2021-04-08 | 基于dae-cnn的地下电缆早期故障检测和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113203914A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113473514A (zh) * | 2021-09-06 | 2021-10-01 | 国网江苏省电力有限公司信息通信分公司 | 电力无线专网故障诊断模型训练方法、诊断方法及装置 |
CN114184883A (zh) * | 2021-11-22 | 2022-03-15 | 国网河南省电力公司漯河供电公司 | 一种基于配电网故障仿真的配网故障检测精度计算方法 |
CN116773894A (zh) * | 2023-06-15 | 2023-09-19 | 浙江恒业电子股份有限公司 | 一种采集器掉电检测系统及其方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682569A (zh) * | 2016-09-28 | 2017-05-17 | 天津工业大学 | 一种基于卷积神经网络的快速交通标识牌识别方法 |
CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN110069886A (zh) * | 2019-05-05 | 2019-07-30 | 四川大学 | 基于vmd和cnn的电缆早期故障识别与分类方法 |
KR102036456B1 (ko) * | 2018-07-19 | 2019-10-24 | 한국전력공사 | 복합송전선로 고장 검출 장치 및 방법 |
CN110969194A (zh) * | 2019-11-21 | 2020-04-07 | 国网辽宁省电力有限公司电力科学研究院 | 基于改进型卷积神经网络的电缆早期故障定位方法 |
-
2021
- 2021-04-08 CN CN202110375157.2A patent/CN113203914A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682569A (zh) * | 2016-09-28 | 2017-05-17 | 天津工业大学 | 一种基于卷积神经网络的快速交通标识牌识别方法 |
CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
KR102036456B1 (ko) * | 2018-07-19 | 2019-10-24 | 한국전력공사 | 복합송전선로 고장 검출 장치 및 방법 |
CN109738776A (zh) * | 2019-01-02 | 2019-05-10 | 华南理工大学 | 基于lstm的风机变流器开路故障识别方法 |
CN110069886A (zh) * | 2019-05-05 | 2019-07-30 | 四川大学 | 基于vmd和cnn的电缆早期故障识别与分类方法 |
CN110969194A (zh) * | 2019-11-21 | 2020-04-07 | 国网辽宁省电力有限公司电力科学研究院 | 基于改进型卷积神经网络的电缆早期故障定位方法 |
Non-Patent Citations (4)
Title |
---|
徐子弘等: "基于AE和GRU神经网络的电缆早期故障检测和识别方法", 《广东电力》 * |
朱晓铭等: "基于卷积自编码器的心电压缩方法", 《电子设计工程》 * |
杨云开等: "基于一维卷积神经网络和降噪自编码器的驾驶行为识别", 《计算机应用与软件》 * |
汪颖等: "基于优化卷积神经网络的电缆早期故障分类识别", 《电力系统保护与控制》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113473514A (zh) * | 2021-09-06 | 2021-10-01 | 国网江苏省电力有限公司信息通信分公司 | 电力无线专网故障诊断模型训练方法、诊断方法及装置 |
CN113473514B (zh) * | 2021-09-06 | 2021-11-16 | 国网江苏省电力有限公司信息通信分公司 | 电力无线专网故障诊断模型训练方法、诊断方法及装置 |
CN114184883A (zh) * | 2021-11-22 | 2022-03-15 | 国网河南省电力公司漯河供电公司 | 一种基于配电网故障仿真的配网故障检测精度计算方法 |
CN116773894A (zh) * | 2023-06-15 | 2023-09-19 | 浙江恒业电子股份有限公司 | 一种采集器掉电检测系统及其方法 |
CN116773894B (zh) * | 2023-06-15 | 2023-12-15 | 浙江恒业电子股份有限公司 | 一种采集器掉电检测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109612708B (zh) | 基于改进卷积神经网络的电力变压器在线检测系统及方法 | |
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
CN111964908B (zh) | 一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN111967486A (zh) | 一种基于多传感器融合的复杂装备故障诊断方法 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN112885372B (zh) | 电力设备故障声音智能诊断方法、系统、终端及介质 | |
CN113705396B (zh) | 一种电机故障诊断方法、系统及设备 | |
CN114048769A (zh) | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 | |
CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN113822139A (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
CN114386453A (zh) | 一种三相异步电机故障诊断方法及计算机可读介质 | |
CN114331214A (zh) | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 | |
CN113610119A (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
CN117110446A (zh) | 识别车轴疲劳裂纹声发射信号方法 | |
CN112507881A (zh) | 一种基于时间卷积神经网络的sEMG信号分类方法及系统 | |
CN112146882A (zh) | 基于迁移学习振动信号图像识别的轴承故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |