CN113608063B - 电力线路故障识别方法、装置及电子设备 - Google Patents

电力线路故障识别方法、装置及电子设备 Download PDF

Info

Publication number
CN113608063B
CN113608063B CN202110710715.6A CN202110710715A CN113608063B CN 113608063 B CN113608063 B CN 113608063B CN 202110710715 A CN202110710715 A CN 202110710715A CN 113608063 B CN113608063 B CN 113608063B
Authority
CN
China
Prior art keywords
convolution
power line
data
fault
monitoring information
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.)
Active
Application number
CN202110710715.6A
Other languages
English (en)
Other versions
CN113608063A (zh
Inventor
马率颖
甄岩
陈文彬
白晖峰
郑利斌
霍超
张港红
贺金红
高建
尹志斌
苑佳楠
罗安琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Information and Telecommunication Co Ltd
Beijing Smartchip Microelectronics Technology Co Ltd
Original Assignee
State Grid Information and Telecommunication Co Ltd
Beijing Smartchip Microelectronics Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Information and Telecommunication Co Ltd, Beijing Smartchip Microelectronics Technology Co Ltd filed Critical State Grid Information and Telecommunication Co Ltd
Priority to CN202110710715.6A priority Critical patent/CN113608063B/zh
Publication of CN113608063A publication Critical patent/CN113608063A/zh
Application granted granted Critical
Publication of CN113608063B publication Critical patent/CN113608063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/088—Aspects of digital computing
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及线路故障监测技术领域，其实施方式提供了一种电力线路故障识别方法、装置及电子设备。其中电力线路故障识别方法包括：获取电力线路的监测信息；对所述监测信息的多个维度分别进行卷积处理，得到与所述多个维度相对应的多个卷积特征；构建所述多个卷积特征之间的交互关系；通过所述多个卷积特征之间的交互关系识别所述电力线路的故障。本发明提供的实施方式在增加特征多样性的同时，提升不同模态间的信息交互，设计了多模态交互模块，进一步保障能源物联网中电力线路故障识别准确性。

Description

电力线路故障识别方法、装置及电子设备
技术领域
本发明涉及线路故障监测技术领域，具体地涉及一种电力线路故障识别方法、一种电力线路故障识别装置以及一种电子设备。
背景技术
电力线路与广大群众的生产生活息息相关，是保障和改善民生的重要基础设施。其中中低压配电网是电网的神经末梢，直接面向电力用户，是用户对电网服务感受和体验的最直观对象。近年来，随着中低压配电物联网建设不断推进，故障快速处置成本不断加大，提高电力系统故障辨识是事故分析和事故处理的依据，对提高电网稳定性和稳步推进配电自动化建设具有重要意义。然而，随着可再生能源以及柔性负荷、可控负荷、间歇性分布式电源、电动汽车等新元素的大规模接入，电力系统正在从集中式确定性网络向分布式随机性网络演变，其复杂性和不确定性日益加剧，电力系统数据表现出高随机、强互动、多耦合等特征，故障特征更加复杂，电网的采用模型驱动的方法进行故障类型辨识日趋困难。
现有传统故障类型识别方法主要基于发生故障时的电气量，分为暂态量选相方法、稳态量选相方法以及前两者相结合的选相方法3种。基于电气量的选相方法实现较为简单，但容易受负荷电流、系统运行方式、故障位置、过渡电阻及故障相角等因素的限制，且不同类型的故障需要使用不同类型的选相元件。
随着数值计算设备不断优化，机器学习和深度学习理论在各个领域成功应用并取得了跨越式提升，大量技术人员也将其引入到电力线路故障识别任务中。现有基于机器学习或深度学习的电力线路故障识别方法已获得可观的进展，然而仍存在信息冗余、因非常规因素导致的数据跳变可能造成数据间冲突等问题。
发明内容
本发明实施例的目的是提供一种电力线路故障识别、装置及电子设备，以应对输电线路故障特征构造和选择日趋复杂的情况，实现有效的电力系统故障辨识，结合深度学习思想，设计出更智能的电力线路故障识别方法。
本发明的发明人对导致现有识别模型出现上述问题的原因进行了深入研究，发现：
1)现有基于传统方法的识别模型精确度多依赖于由先验知识设计的特征提取器性能，这导致了模型性能依赖于特征提取器的拟合程度。若提高识别精度需要大量的人工进行特征提取器设计，使得现有识别方法缺乏灵活性和可靠性。
2)现有基于深度学习算法的识别模型利用线路电压或电流数据训练识别模型，较少采用多种特征作为判断依据，缺乏特征多样性。
3)现有方法较少考虑到不同模态间的潜在交互映射关系，导致不同程度的信息冗余，或因非常规因素导致的数据跳变可能造成数据间冲突。
基于上述研究，本发明第一方面提供一种电力线路故障识别方法，所述识别方法包括：获取电力线路的监测信息；对所述监测信息的多个维度分别进行卷积处理，得到与所述多个维度相对应的多个卷积特征；构建所述多个卷积特征之间的交互关系；通过所述交互关系识别所述电力线路的故障。
优选的，在对所述监测信息的多个维度分别进行卷积处理之前，所述识别方法还包括：对所述监测信息进行预处理：将所述监测信息映射为数据序列，以及对所述数据序列进行以下至少一种处理：滑动平均转换和归一化处理。
优选的，所述滑动平均转换，包括：采用不同大小的滑动窗口对所述数据序列进行滑动平均，得到多个平滑程度不同的新的数据序列。
优选的，所述归一化处理，包括：将所述数据序列中数据转化为数据有效值的复数形式；对复数形式的数据的实部和虚部分别进行偏差处理；得到所述数据序列对应的数据特征序列。
优选的，对所述监测信息的多个维度分别进行卷积处理，包括：从所述监测信息的时域维度中获取不同时间尺度的多组第一电压信息；从所述监测信息的频域维度中获取不同频率尺度的多组第二电压信息；对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理。
优选的，对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理中，分别采用不同的卷积核进行一维局部卷积；所述卷积核的卷积尺寸相同。
优选的，所述构建所述多个卷积特征之间的交互关系，包括：确定用于表征所述交互关系的表征函数，以所述多个卷积特征为参数，通过所述表征函数得到映射结果；以所述映射结果作为所述交互关系的度量值。
优选的，所述表征函数为softmax函数。
优选的，以所述多个卷积特征为参数，通过所述表征函数得到映射结果，包括：对所述多个卷积特征分别进行权重调整，得到权重调整后的多个卷积特征；将权重调整后的多个卷积特征进行相关运算，得到相关运算结果；将所述相关运算结果经过所述softmax函数映射后，得到所述映射结果。
优选的，将所述相关运算结果经过所述softmax函数映射后，得到所述映射结果，包括：卷积特征Xν到卷积特征Xρ的映射结果被表示为：
Figure BDA0003133632980000041
其中，Xν和Xρ表示卷积特征；CMV→ρ表示相关运算；
Figure BDA0003133632980000042
WKρ和WVρ表示权重；Qv、Kρ、Vρ为权重调整后的卷积特征，
Figure BDA0003133632980000043
Kρ＝XρWKρ、Vρ＝XρWVρ；dρ表示多频率ρ模态特征维度。
优选的，通过所述交互关系识别所述电力线路的故障，包括：将所述交互关系拼接为待识别序列；将所述待识别序列经过分类器进行判别，根据所述分类器的判别结果识别出所述电力线路的故障。
优选的，所述判别结果中包括所述电力线路的故障的类型标识。
在本发明的第二方面，还提供了一种电力线路故障识别装置，所述识别装置包括：
监测数据获取模块，用于获取电力线路的监测信息；特征提取模块，用于对所述监测信息的多个维度分别进行卷积处理，得到与所述多个维度相对应的多个卷积特征；多模态特征交互模块，用于构建所述多个卷积特征之间的交互关系；以及结果判定模块，用于通过所述交互关系识别所述电力线路的故障。
优选的，在对所述监测信息的多个维度分别进行卷积处理之前，所述识别装置还包括：预处理模块，用于对所述监测信息进行以下预处理：将所述监测信息映射为数据序列，以及对所述数据序列进行以下至少一种处理：滑动平均转换处理和归一化处理。
优选的，所述滑动平均转换处理包括：采用不同大小的滑动窗口对所述数据序列进行滑动平均，得到多个平滑程度不同的处理后的数据序列。
优选的，所述归一化处理包括：将所述数据序列中的数据转化为数据有效值的复数形式；对复数形式的数据的实部和虚部分别进行偏差处理，得到所述数据序列对应的数据特征序列。
优选的，对所述监测信息的多个维度分别进行卷积处理，包括：从所述监测信息的时域维度中获取不同时间尺度的多组第一电压信息；从所述监测信息的频域维度中获取不同频率尺度的多组第二电压信息；对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理。
优选的，对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理，包括：分别采用不同的卷积核进行一维局部卷积，其中所述卷积核的卷积尺寸相同。
优选的，所述构建所述多个卷积特征之间的交互关系，包括：确定用于表征所述多个卷积特征之间的交互关系的表征函数；以所述多个卷积特征为参数，通过所述表征函数得到映射结果；以所述映射结果作为所述多个卷积特征之间的交互关系的度量值。
优选的，所述表征函数为softmax函数。
优选的，以所述多个卷积特征为参数，通过所述表征函数得到映射结果，包括：对所述多个卷积特征分别进行权重调整，得到权重调整后的多个卷积特征；将权重调整后的多个卷积特征进行相关运算，得到相关运算结果；将所述相关运算结果经过所述softmax函数映射后，得到所述映射结果。
优选的，将所述相关运算结果经过所述softmax函数映射后，得到所述映射结果，包括：
卷积特征Xν到卷积特征Xρ的映射结果被表示为：
Figure BDA0003133632980000061
其中，Xν和Xρ表示卷积特征；CMV→ρ表示相关运算；
Figure BDA0003133632980000062
WKρ和WVρ表示权重；Qv、Kρ、Vρ为权重调整后的卷积特征，
Figure BDA0003133632980000063
Kρ＝XρWKρ、Vρ＝XρWVρ；dρ表示多频率ρ模态特征维度。
优选的，通过所述多个卷积特征之间的交互关系识别所述电力线路的故障，包括：将所述多个卷积特征之间的交互关系拼接为待识别序列；将所述待识别序列经过分类器进行判别，根据所述分类器的判别结果识别所述电力线路的故障。
优选的，所述判别结果中包括所述电力线路的故障的类型标识。
在本发明的第三方面，还提供了一种电子设备，包括：至少一个处理器；存储器，与所述至少一个处理器连接；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现前述的电力线路故障识别方法。
优选的，所述电子设备为AI芯片。
本发明第四方面提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的电力线路故障识别方法。
本发明第五方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现前述的电力线路故障识别方法。
上述技术方案具有以下有益效果：
(1)建立多尺度卷积分支和多频率卷积分支，增强特征多样性，及消除随高频扰动和随机噪声干扰，达到全方位捕捉电力线路，尤其是电力线路电压数据信息，并深度挖掘电压数据中的信息的目的。
(2)设计跨模态交互模块，根据多模态信息的互补性和冗余性，构建跨模态的潜在交互映射关系，增强各模态间信息交互作用，提升模型对电力线路故障识别的精确度。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1示意性示出了根据本发明实施方式的电力线路故障识别方法的步骤示意图；
图2示意性示出了根据本发明实施方式的电力线路故障识别装置的结构示意图；
图3示意性示出了根据本发明实施方式的电力线路故障识别方法的模型流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1示意性示出了根据本发明实施方式的电力线路故障识别方法的步骤示意图，如图1所示，本发明提供一种电力线路故障识别方法，包括：
S01、获取电力线路的监测信息；本实施方式通过设置于电力线路的各种监测装置获取监测信息，监测信息包括在监控时间段内的线路上的电压或电流等信息。此处的获取还包括对已有的监测信息从存储介质中读出，以供后续步骤的处理。
S02、对所述监测信息的多个维度分别进行卷积处理，得到与所述多个维度相对应的多个卷积特征；本实施方式为了深度挖掘不同时间尺度下的电压信息，并减少随高频扰动和随机噪声对故障识别或故障类型识别的影响，因此利用一维卷积操作分别提取连续时间下多尺度及多频率电压时间序列特征，进行进一步的融合识别。
S03、构建所述多个卷积特征之间的交互关系；经上一步骤得到的多尺度和多频率时序特征中蕴含的信息是相互补充的，同时也存在不同程度的冗余，或因非常规因素导致的数据跳变可能造成数据间冲突。因此本实施方式提供了一种跨模态交互模块，构建跨模态的潜在交互映射，在融合两种模态特征的同时，建立多种模态间的信息交互关系。
S04、通过所述多个卷积特征之间的交互关系识别所述电力线路的故障。最终通过前述步骤得到的多个卷积特征之间的交互关系对电力线路故障类型进行识别，从而得到更为准确的结果。此处识别可以采用分类器、决策树或机器学习等方式进行识别。
通过以上实施方式提供的基于多模态交互的电力线路故障识别方法，充分挖掘了不同时间尺度下的时序关系，体现了线路的长期和短期数据中都蕴藏着时间序列中的分类价值，能够避免电力线路中的电压时间序列常受到高频扰动和随机噪声扭曲，从而提高事故分析和事故处理效率。
在本发明提供的一种实施方式中，在对所述监测信息的多个维度分别进行卷积处理之前，所述识别方法还包括：对所述监测信息进行预处理：将所述监测信息映射为数据序列，以及对所述数据序列进行以下至少一种处理：滑动平均转换处理和归一化处理。为丰富采样样本数据，避免单母线电气量波动特征不明显导致分类精度受限等问题，本实施方式将全系统母线电压数据作为输入实现故障识别及类型识别，并进行预处理。其预处理包括以下步骤：
具体地，首先采用下采样法处理采集器种的原始数据，生成多尺度电压序列数据，即在采集故障发生前2个周期到发生后1个周期内的电压数据序列T＝{t1,t2,…,tn}，并设采样率为k，即每间隔k个点取1个点进行等间隔采样。通过设置不同的下采样率得到不同尺度的时间序列如下所示：
Figure BDA0003133632980000091
其中滑动平均转换处理包括：采用不同大小的滑动窗口对所述数据序列进行滑动平均，得到多个平滑程度不同的处理后的数据序列。具体为：
采用具备多重平滑度的低频滤波器改变时间序列变化生成多频率数据。给定一个输入时间序列，使用具有不同窗口大小的移动平均生成多个平滑程度不同的新的时间序列，使得新生成的时间序列基本为低频信息，时间序列的趋势更加清晰，即利用滑动平均将原始序列T＝{t1,t2,…,tn}转化为以下处理后的时间序列：
Figure BDA0003133632980000092
其中
Figure BDA0003133632980000093
为窗口大小，
Figure BDA0003133632980000094
不同的窗口大小对应不同频率的时间序列，但每个时间序列保持相同长度。
其中归一化处理包括：将所述数据序列中的数据转化为数据有效值的复数形式；对复数形式的数据的实部和虚部分别进行偏差处理，得到所述数据序列对应的数据特征序列。为避免仅监测单个母线电压变化不明显且采样样本数据和信息量不足的问题，本专利考虑将全系统L根母线电压幅值和相角作为整体输入表征电力线路状态，以增加数据样本量，使分类更为准确。因此，为避免电压幅值和相角的量纲和取值范围不同导致的数据空间分布不均匀问题，对上述多尺度和多频率电压数据进行归一化处理。具体地，以多尺度电压序列数据为例，令电压幅值为
Figure BDA0003133632980000101
相角为
Figure BDA0003133632980000102
为统一量纲及取值范围，将其转换为电压实部
Figure BDA0003133632980000103
和虚部
Figure BDA0003133632980000104
在保留完整信息的基础上，实现数据归一化的效果，其公式表示如下：
Figure BDA0003133632980000105
另外，为抵消每个输入时间序列样本偏差，消除初始状态对结果的影响，令t(t＝1,2,…,T)时刻电压实部
Figure BDA0003133632980000106
变化值和虚部
Figure BDA0003133632980000107
变化值为：
Figure BDA0003133632980000108
其中，
Figure BDA0003133632980000109
和
Figure BDA00031336329800001010
为初始时刻基础向量。
根据上述可得，t时刻第l根母线电压特征序列为：
Figure BDA00031336329800001011
因此，具有时空特性的全系统母线电压特征输入张量X可由上式拓展为：
Figure BDA00031336329800001012
为了统一输入数据的格式，卷积神经网络的高维时空故障样本矩阵需要对基于前馈神经网络的样本矩阵在分类算法中进行重构，将样本矩阵作为一个灰度图片进行输入。
在本发明提供的一种实施方式中，对所述监测信息的多个维度分别进行卷积处理，包括：从所述监测信息的时域维度中获取不同时间尺度的多组第一电压信息；从所述监测信息的频域维度中获取不同频率尺度的多组第二电压信息；对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理。
不同时间尺度下的电压特征中蕴藏不同信息，长期特征反映总体趋势，短期特征显示局部区域的细微变化。为了全方位捕捉电力线路电压数据信息，并进行充分分析，建立了多尺度卷积分支，对每一个不同时间尺度的电压序列进行一维局部卷积，捕获不同时间尺度下的电压特征。另外，为了保证输入序列的每个元素对其邻域元素有足够的感知能力，借助一维卷积层提取特征。具体地，对于输入数据
Figure BDA0003133632980000111
有：
Figure BDA0003133632980000112
其中，k为卷积核大小。
此外，实际应用中电压时间序列数据中常伴随高频扰动和随机噪声，而这些噪声将导致很难从原始时间序列数据中提取有用的信息。为减少无关信息对分类任务的影响，建立了多频率卷积分支，对每一个不同频率尺度的电压序列进行一维局部卷积，捕获不同频率尺度下的电压特征。为降低训练难度，本专利在多频率卷积分支也采用了相同的卷积尺寸。具体地，对于输入数据
Figure BDA0003133632980000113
有：
Figure BDA0003133632980000114
在本发明提供的一种实施方式中，对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理中，分别采用不同的卷积核进行一维局部卷积；所述卷积核的卷积尺寸相同。在本实施方式中采用下采样法生成了不同时间尺度的电压数据，可以采用相同的卷积尺寸，在不改变卷积尺寸的前提下，获得不同规模的原始时间序列特征，以此减少卷积层中需要训练的参数数量，减少训练难度。这是由于在相同的尺寸下，较短的时间序列在原始时间序列中获得较大的局部感受野，反之亦然。
在本发明提供的一种实施方式中，所述构建所述多个卷积特征之间的交互关系，包括：确定用于表征所述多个卷积特征之间的交互关系的表征函数，以所述多个卷积特征为参数，通过所述表征函数得到映射结果；以所述映射结果作为所述多个卷积特征之间的交互关系的度量值。本实施方式中的交互关系是指多模态在不同时刻的相互关系，例如：多尺度ν模态的第i时刻与多频率ρ的第j时刻间的交互作用。此处选择表征函数的作用在于得到一个映射结果，表征函数可以是概率密度函数、基于历史数据得到的拟合函数或者其他能够体现多个卷积特征之间关系的设定的映射关系。
在本发明提供的一种实施方式中，所述表征函数为softmax函数。softmax函数会对多个卷积特征的处理结果进行一定的划分，同时进行一定的区间映射，而且能够体现数据个体的细节，从而得到更具有判别特征的交互关系。
在本发明提供的一种实施方式中，以所述多个卷积特征为参数，通过所述表征函数得到映射结果，包括：对所述多个卷积特征分别进行权重调整，得到权重调整后的多个卷积特征；将权重调整后的多个卷积特征进行相关运算，得到相关运算结果；将所述相关运算结果经过所述softmax函数映射后，得到所述映射结果。具体地，对于多尺度ν和多频率ρ两种模态对应的卷积特征Xν和Xρ，定义中间量
Figure BDA0003133632980000121
Kρ＝XρWKρ和Vρ＝XρWVρ，其中，
Figure BDA0003133632980000122
WKρ和WVρ表示权重，则多尺度ν到多频率ρ模态的映射关系可借助尺度softmax函数表示为：
Figure BDA0003133632980000123
通过公式(x)表征了多尺度ν模态的第i时刻与多频率ρ的第j时刻间的交互作用。其中，dρ表示多频率ρ模态特征维度，其可以通过维度缩放有效防止梯度消失，帮助模型收敛。
同理，可得多频率ρ到多尺度ν模态的映射关系如下所示，仅在于参数之间的顺序进行调换，以及对权重的对应转置：
Figure BDA0003133632980000131
其中，dv表示多尺度ν模态特征维度。
以上仅示出了两种卷积特征之间相互映射的计算方式，另外的多种卷积特征的映射计算也采用类似的方式，此处不再重复。
在本发明提供的一种实施方式中，通过所述多个卷积特征之间的交互关系识别所述电力线路的故障，包括：将所述多个卷积特征之间的交互关系拼接为待识别序列；将所述待识别序列经过分类器进行判别，根据所述分类器的判别结果识别出所述电力线路的故障。此处的分类器优选为全连接层，全连接层每个神经元的激励函数一般采用ReLU函数。最后一层全连接层的输出值被传递给一个输出。对于一个具体的分类任务，针对各自不同的特点，选择一个合适的损失函数是十分重要的。通常该全连接层与MLP结构一样，CNN的训练算法也多采用BP算法。
在本发明提供的一种实施方式中，所述判别结果中包括所述电力线路的故障的类型标识。本发明提供的实施方式不仅能够判断出是否出现故障，同时还能识别出故障类型。当采用不同故障类型的样本进行训练后，当输入待识别的监测信息时，能够输出识别结果。该识别结果的不同取值不仅能够对故障类型进行标识，同时还能标识无故障。例如采用0标识无故障，采用1至N标识N种故障类型。
图2示意性示出了根据本发明实施方式的电力线路故障识别装置的结构示意图，如图2所示。在本实施方式中，还提供了一种电力线路故障识别装置，所述识别装置包括：监测数据获取模块，用于获取电力线路的监测信息；特征提取模块，用于对所述监测信息的多个维度分别进行卷积处理，得到与所述多个维度相对应的多个卷积特征；多模态特征交互模块，用于构建所述多个卷积特征之间的交互关系；以及结果判定模块，用于通过所述多个卷积特征之间的交互关系识别所述电力线路的故障。
在一种可选实施方式中，在对所述监测信息的多个维度分别进行卷积处理之前，所述识别装置还包括：预处理模块，用于对所述监测信息进行以下预处理：将所述监测信息映射为数据序列，以及对所述数据序列进行以下至少一种处理：滑动平均转换处理和归一化处理。
在一种可选实施方式中，所述滑动平均转换处理包括：采用不同大小的滑动窗口对所述数据序列进行滑动平均，得到多个平滑程度不同的处理后的数据序列。
在一种可选实施方式中，所述归一化处理包括：将所述数据序列中的数据转化为数据有效值的复数形式；对复数形式的数据的实部和虚部分别进行偏差处理，得到所述数据序列对应的数据特征序列。
在一种可选实施方式中，对所述监测信息的多个维度分别进行卷积处理，包括：从所述监测信息的时域维度中获取不同时间尺度的多组第一电压信息；从所述监测信息的频域维度中获取不同频率尺度的多组第二电压信息；对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理。
在一种可选实施方式中，对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理，包括：分别采用不同的卷积核进行一维局部卷积，其中所述卷积核的卷积尺寸相同。
在一种可选实施方式中，所述构建所述多个卷积特征之间的交互关系，包括：确定用于表征所述多个卷积特征之间的交互关系的表征函数；以所述多个卷积特征为参数，通过所述表征函数得到映射结果；以所述映射结果作为所述多个卷积特征之间的交互关系的度量值。
在一种可选实施方式中，所述表征函数为softmax函数。
在一种可选实施方式中，以所述多个卷积特征为参数，通过所述表征函数得到映射结果，包括：对所述多个卷积特征分别进行权重调整，得到权重调整后的多个卷积特征；将权重调整后的多个卷积特征进行相关运算，得到相关运算结果；将所述相关运算结果经过所述softmax函数映射后，得到所述映射结果。
在一种可选实施方式中，将所述相关运算结果经过所述softmax函数映射后，得到所述映射结果，包括：
卷积特征Xν到卷积特征Xρ的映射结果被表示为：
Figure BDA0003133632980000151
其中，Xν和Xρ表示卷积特征；CMV→ρ表示相关运算；WQν、WKρ和WVρ表示权重；Qv、Kρ、Vρ为权重调整后的卷积特征，
Figure BDA0003133632980000152
Kρ＝XρWKρ、Vρ＝XρWVρ；dρ表示多频率ρ模态特征维度。
在一种可选实施方式中，通过所述多个卷积特征之间的交互关系识别所述电力线路的故障，包括：将所述多个卷积特征之间的交互关系拼接为待识别序列；将所述待识别序列经过分类器进行判别，根据所述分类器的判别结果识别所述电力线路的故障。
在一种可选实施方式中，所述判别结果中包括所述电力线路的故障的类型标识。
上述的电力线路故障识别装置中的各个功能模块的具体限定可以参见上文中对于电力线路故障识别方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图3示意性示出了根据本发明实施方式的电力线路故障识别方法的模型流程图，如图3所示。此实施方式提供了监测信息在电力线路故障识别装置中数据流向。其中，输入的监测信息经过数据预处理后，经过特征提取模块和多模态特征交互模块后，经过全连接层(即结果判定模块)后得到输出，以此实现对线路故障以及故障类型的识别。
在本发明提供的一种实施方式中，所述识别装置为机器学习识别模型；所述监测数据获取模块，特征提取模块，多模态特征交互模块核结果判定模块分别为所述机器学习模型中的输入层、卷积层、池化层和全连接层。在本实施方式中，对前述的识别装置采用机器学习识别模型中的各个层来实现。其中卷积层包括多个卷积分支，最终通过全连接层输出识别结果。以上的输入层、卷积层、池化层和全连接层中的参数均可通过训练以确定最优值。
在本发明提供的一种实施方式中，还提供了一种电子设备，包括：至少一个处理器；存储器，与所述至少一个处理器连接；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现前述的电力线路故障识别方法。此处的电子设备可以为安装有电力线路故障识别软件的手机、电脑、IPAD或者服务器，该电力线路故障识别软件能够实现前述的电力线路故障识别方法。
上一实施方式中的电子设备优选为AI芯片。采用AI芯片此类专用硬件能够快速计算多个尺度下的卷积结果，并得到多个卷积结果的softmax计算结果，以及通过全连接层对台区线路故障进行识别。
在本发明的一种实施方式中，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，该指令在被处理器执行时使得处理器被配置成执行上述的电力线路故障识别方法。
在本发明提供的一种实施方式中，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的电力线路故障识别方法。
通过以上实施方式，在增加特征多样性的同时，提升不同模态间的信息交互，设计了多模态交互模块，进一步保障能源物联网中电力线路故障识别准确性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (23)

1.一种电力线路故障识别方法，其特征在于，所述识别方法包括：
获取电力线路的监测信息；
对所述监测信息的多个维度分别进行卷积处理，得到与所述多个维度相对应的多个卷积特征；其中，对所述监测信息的多个维度分别进行卷积处理，包括：从所述监测信息的时域维度中获取不同时间尺度的多组第一电压信息；
从所述监测信息的频域维度中获取不同频率尺度的多组第二电压信息；
对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理；
构建所述多个卷积特征之间的交互关系，包括：确定用于表征所述多个卷积特征之间的交互关系的表征函数；以所述多个卷积特征为参数，通过所述表征函数得到映射结果；以所述映射结果作为所述多个卷积特征之间的交互关系的度量值；
通过所述多个卷积特征之间的交互关系识别所述电力线路的故障。
2.根据权利要求1所述的识别方法，其特征在于，在对所述监测信息的多个维度分别进行卷积处理之前，所述识别方法还包括：对所述监测信息进行预处理：
将所述监测信息映射为数据序列，以及对所述数据序列进行以下至少一种处理：滑动平均转换处理和归一化处理。
3.根据权利要求2所述的识别方法，其特征在于，所述滑动平均转换处理包括：
采用不同大小的滑动窗口对所述数据序列进行滑动平均，得到多个平滑程度不同的处理后的数据序列。
4.根据权利要求2所述的识别方法，其特征在于，所述归一化处理包括：
将所述数据序列中的数据转化为数据有效值的复数形式；
对复数形式的数据的实部和虚部分别进行偏差处理，得到所述数据序列对应的数据特征序列。
5.根据权利要求1所述的识别方法，其特征在于，对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理，包括：
分别采用不同的卷积核进行一维局部卷积，其中所述卷积核的卷积尺寸相同。
6.根据权利要求1所述的识别方法，其特征在于，所述表征函数为softmax函数。
7.根据权利要求6所述的识别方法，其特征在于，以所述多个卷积特征为参数，通过所述表征函数得到映射结果，包括：
对所述多个卷积特征分别进行权重调整，得到权重调整后的多个卷积特征；
将权重调整后的多个卷积特征进行相关运算，得到相关运算结果；
将所述相关运算结果经过所述softmax函数映射后，得到所述映射结果。
8.根据权利要求7所述的识别方法，其特征在于，将所述相关运算结果经过所述softmax函数映射后，得到所述映射结果，包括：
卷积特征Xν到卷积特征Xρ的映射结果被表示为：
Figure FDA0004053737490000031
其中，Xν和Xρ表示卷积特征；CMV→ρ表示相关运算；
Figure FDA0004053737490000032
WKρ和WVρ表示权重；Qv、Kρ、Vρ为权重调整后的卷积特征，
Figure FDA0004053737490000033
Kρ＝XρWKρ、Vρ＝XρWVρ；dρ表示多频率ρ模态特征维度。
9.根据权利要求1所述的识别方法，其特征在于，通过所述多个卷积特征之间的交互关系识别所述电力线路的故障，包括：
将所述多个卷积特征之间的交互关系拼接为待识别序列；
将所述待识别序列经过分类器进行判别，根据所述分类器的判别结果识别所述电力线路的故障。
10.根据权利要求9所述的识别方法，其特征在于，所述判别结果中包括所述电力线路的故障的类型标识。
11.一种电力线路故障识别装置，其特征在于，所述识别装置包括：
监测数据获取模块，用于获取电力线路的监测信息；
特征提取模块，用于对所述监测信息的多个维度分别进行卷积处理，得到与所述多个维度相对应的多个卷积特征；其中，对所述监测信息的多个维度分别进行卷积处理，包括：从所述监测信息的时域维度中获取不同时间尺度的多组第一电压信息；
从所述监测信息的频域维度中获取不同频率尺度的多组第二电压信息；
对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理；
多模态特征交互模块，用于构建所述多个卷积特征之间的交互关系，包括：确定用于表征所述多个卷积特征之间的交互关系的表征函数；以所述多个卷积特征为参数，通过所述表征函数得到映射结果；以所述映射结果作为所述多个卷积特征之间的交互关系的度量值；以及
结果判定模块，用于通过所述多个卷积特征之间的交互关系识别所述电力线路的故障。
12.根据权利要求11所述的识别装置，其特征在于，在对所述监测信息的多个维度分别进行卷积处理之前，所述识别装置还包括：预处理模块，用于对所述监测信息进行以下预处理：将所述监测信息映射为数据序列，以及对所述数据序列进行以下至少一种处理：滑动平均转换处理和归一化处理。
13.根据权利要求12所述的识别装置，其特征在于，所述滑动平均转换处理包括：
采用不同大小的滑动窗口对所述数据序列进行滑动平均，得到多个平滑程度不同的处理后的数据序列。
14.根据权利要求12所述的识别装置，其特征在于，所述归一化处理包括：
将所述数据序列中的数据转化为数据有效值的复数形式；
对复数形式的数据的实部和虚部分别进行偏差处理，得到所述数据序列对应的数据特征序列。
15.根据权利要求14所述的识别装置，其特征在于，对所述多组第一电压信息和所述多组第二电压信息分别进行一维卷积处理，包括：
分别采用不同的卷积核进行一维局部卷积，其中所述卷积核的卷积尺寸相同。
16.根据权利要求11所述的识别装置，其特征在于，所述表征函数为softmax函数。
17.根据权利要求16所述的识别装置，其特征在于，以所述多个卷积特征为参数，通过所述表征函数得到映射结果，包括：
对所述多个卷积特征分别进行权重调整，得到权重调整后的多个卷积特征；
将权重调整后的多个卷积特征进行相关运算，得到相关运算结果；
将所述相关运算结果经过所述softmax函数映射后，得到所述映射结果。
18.根据权利要求17所述的识别装置，其特征在于，将所述相关运算结果经过所述softmax函数映射后，得到所述映射结果，包括：
卷积特征Xν到卷积特征Xρ的映射结果被表示为：
Figure FDA0004053737490000061
其中，Xν和Xρ表示卷积特征；CMV→ρ表示相关运算；
Figure FDA0004053737490000062
WKρ和WVρ表示权重；Qv、Kρ、Vρ为权重调整后的卷积特征，
Figure FDA0004053737490000063
Kρ＝XρWKρ、Vρ＝XρWVρ；dρ表示多频率ρ模态特征维度。
19.根据权利要求11所述的识别装置，其特征在于，通过所述多个卷积特征之间的交互关系识别所述电力线路的故障，包括：
将所述多个卷积特征之间的交互关系拼接为待识别序列；
将所述待识别序列经过分类器进行判别，根据所述分类器的判别结果识别所述电力线路的故障。
20.根据权利要求19所述的识别装置，其特征在于，所述判别结果中包括所述电力线路的故障的类型标识。
21.一种电子设备，其特征在于，包括：至少一个处理器；
存储器，与所述至少一个处理器连接；
其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至10中任一项权利要求所述的电力线路故障识别方法。
22.根据权利要求21所述的电子设备，其特征在于，所述电子设备为AI芯片。
23.一种计算机可读存储介质，其特征在于，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行权利要求1至10中任一项权利要求所述的电力线路故障识别方法。
CN202110710715.6A 2021-06-25 2021-06-25 电力线路故障识别方法、装置及电子设备 Active CN113608063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110710715.6A CN113608063B (zh) 2021-06-25 2021-06-25 电力线路故障识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110710715.6A CN113608063B (zh) 2021-06-25 2021-06-25 电力线路故障识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113608063A CN113608063A (zh) 2021-11-05
CN113608063B true CN113608063B (zh) 2023-04-18

Family

ID=78336783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110710715.6A Active CN113608063B (zh) 2021-06-25 2021-06-25 电力线路故障识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113608063B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805270B (zh) * 2018-05-08 2021-02-12 华中科技大学 一种基于存储器的卷积神经网络系统
CN109932617B (zh) * 2019-04-11 2021-02-26 东南大学 一种基于深度学习的自适应电网故障诊断方法
CN110161370A (zh) * 2019-04-25 2019-08-23 国网辽宁省电力有限公司 一种基于深度学习的电网故障检测方法
CN112149554B (zh) * 2020-09-21 2024-05-07 广东电网有限责任公司清远供电局 故障分类模型的训练、故障检测方法及相关装置
CN112926641B (zh) * 2021-02-22 2022-05-17 山东大学 基于多模态数据的三阶段特征融合旋转机械故障诊断方法

Also Published As

Publication number Publication date
CN113608063A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN110162018B (zh) 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法
Bianchi et al. Short-term electric load forecasting using echo state networks and PCA decomposition
CN109033719B (zh) 一种风力涡轮机轴承故障诊断方法
US20180293723A1 (en) Apparatus and method for detecting anomaly in plant pipe using multiple meta-learning
CN112418292B (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN111368980A (zh) 状态检测方法、装置、设备及存储介质
CN111461445A (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN111144477A (zh) 一种钢材表面缺陷的训练样本生成方法、系统及电子设备
CN115983497A (zh) 一种时序数据预测方法和装置、计算机设备、存储介质
CN115099326A (zh) 基于人工智能的行为预测方法、装置、设备及存储介质
CN117056865B (zh) 一种基于特征融合的机泵设备运行故障诊断方法及装置
CN113608063B (zh) 电力线路故障识别方法、装置及电子设备
CN117290679A (zh) 电流互感器的运行状态检测方法、装置及电子设备
CN107894837A (zh) 动态情感分析模型样本处理方法及装置
CN115358473A (zh) 基于深度学习的电力负荷预测方法及预测系统
CN117079005A (zh) 一种光缆故障监测方法、系统、装置及可读存储介质
Barros et al. Detection and classification of voltage disturbances in electrical power systems using a modified Euclidean ARTMAP neural network with continuous training
CN116228465A (zh) 配电网状态快速评估计算方法、系统、设备及存储介质
CN114255502B (zh) 人脸图像生成方法及装置、人脸识别方法、设备、介质
Wei et al. Using a model structure selection technique to forecast short-term wind speed for a wind power plant in North China
CN115907000A (zh) 一种用于电力系统最优潮流预测的小样本学习方法
CN112016684B (zh) 一种深度并行柔性发射网络的电力终端指纹识别方法
CN107633219A (zh) 一体化光学字符识别方法和系统
CN113158134A (zh) 非侵入式负荷辨识模型的构建方法、装置和存储介质
CN117435901B (zh) 一种工业互联网数据获取方法、系统、终端及储存介质

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