CN113610119B - 基于卷积神经网络识别输电线路发展性故障的方法 - Google Patents
基于卷积神经网络识别输电线路发展性故障的方法 Download PDFInfo
- Publication number
- CN113610119B CN113610119B CN202110814396.3A CN202110814396A CN113610119B CN 113610119 B CN113610119 B CN 113610119B CN 202110814396 A CN202110814396 A CN 202110814396A CN 113610119 B CN113610119 B CN 113610119B
- Authority
- CN
- China
- Prior art keywords
- fault
- phase
- sequence
- layer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000011161 development Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 14
- 230000005540 biological transmission Effects 0.000 title claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 230000016507 interphase Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000036039 immunity Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于卷积神经网络识别输电线路发展性故障的方法，该方法结合了CBAM注意力机制，使网络从通道和空间上更注重有效的细节和全貌特征。首先，建立模型生成大量发展性故障数据，构建故障样本库；然后，建立结合CBAM模块的卷积神经网络，并利用故障数据集训练该网络，训练好的网络末端通过阈值判断可对发展性故障进行识别和分类。当应用时，只需要导入待检测的电流波形，即可逐点输出识别的故障类型信息。与现有的技术相比，本发明方法无需复杂的理论建模和特征分析过程，抗噪性能和泛化能力优良，且基于注意力机制所提取的故障特征具有较明确的物理含义，一定程度上解决了已有人工智能方法可解释性不足的问题。
Description
技术领域
本发明属于电力系统的继电保护技术领域，具体涉及一种基于卷积神经网络识别输电线路发展性故障的方法。
背景技术
电力系统中输电线路运行环境复杂，易受各种因素影响而发生故障。电力系统故障后处于非正常运行状态，易发生发展性故障。发展性故障是指同一故障点，从单相接地故障发展到包括该相在内的两相接地短路或从两相短路发展为三相短路。输电线路遭遇发展性故障时，选相元件可能会误选相，引起保护误动作。因此，如果能及时、准确地判断出发展性故障，采取相应的措施，就可以防止故障进一步扩大，提高电力系统稳定性。
目前针对输电线路发展性故障识别的方法较少，传统方法主要是根据故障后电压、电流序分量之间差值或比值关系进行判断，人为选择合适的阈值作为故障判据。而三相参数不对称、阈值选取不当等问题很可能影响上述方法的识别效果。
随着人工智能的发展，各种机器学习算法在故障检测、识别方面取得了良好的效果，但在故障特征提取等方面，仍需人为参与。深度学习是机器学习领域的一个分支，基于数据驱动，能够自动挖掘数据的潜在特征。然而现有的深度学习方法作为一个“黑箱”，其提取的特征缺乏可解释性，物理意义不明确。因此，基于人工智能识别发展性故障的方法有待发展。
发明内容
为解决上述现有技术中存在的问题，本发明的目的是提供一种基于卷积神经网络识别输电线路发展性故障的方法，本发明仅需任意时间段三相电流和零序电流量测信息，就能自动对输电线路故障(包括发展性故障)的时间段进行精准地识别，并判断出故障类别。本发明在卷积网络模型的基础上引入注意力机制(CBAM模块)，所提取的故障特征具有较好的物理意义，同时提高了模型的抗噪性能以及泛化能力。
为达到上述目的，本发明采用如下技术方案：
基于卷积神经网络识别输电线路发展性故障，包括如下步骤：
步骤1：搭建双端交流线路仿真模型，生成发展性故障样本，按时序将三相电流和零序电流上下堆叠并归一化生成训练数据和标签数据，故障时段的采样点标签设为1，无故障则为0；
步骤2：搭建五层卷积网络模型，各卷积层之间加入CBAM模块，设置好学习率和训练周期，利用步骤1所得训练数据和标签数据对卷积网络模型进行有监督训练；
步骤3：将任意待识别样本x输入训练好的卷积网络模型中，并对卷积网络模型的三相电流和零序电流的输出结果进行阈值判断得到对应的判别标签y，其中x,n表示待识别样本的采样长度；
步骤4：通过故障类型对照表，将判别标签转换为1×n的序列s，该序列即为各采样点的故障类型。
进一步地，所述步骤2中，CBAM模块是由通道注意力模块和空间注意力模块组成。所述的通道注意力模块是将中间特征层在空间维度上分别使用平均池化和最大池化来聚合中间特征层的空间信息，将这两个不同的特征信息输入共享的多层感知机网络MLP处理，最后经过非线性激活得到通道注意力的权重系数；该过程对应的描述公式为：
其中，Mc(F)为中间特征层的通道注意力权重，σ为sigmoid激活函数，W0、W1为MLP的共享权重，和/>表示中间特征层F进行平均池化和最大池化的结果。
所述的空间注意力模块是将中间特征层在通道维度上应用平均池化和最大池化聚合通道信息，然后将两个特征拼接并进行卷积计算；该过程对应的描述公式为：
其中，Ms(F)为中间特征层的空间注意力权重，σ为sigmoid激活函数，
和/>表示平均池化特征和最大池化特征。
所述的CBAM模块是加在基础CNN之后，经过注意力机制得到新的输出F″，计算过程如下：
其中，为点乘，F′表示中间特征层F经过通道注意力模块的中间量，F″表示经过空间注意力模块后的最后输出。
与现有技术相比较，本发明具备如下优点：
1、逐点连续判别。输出结果为连续的判别序列，包含了各采样点的故障类型以及故障类型转变的时刻，实现对采样点故障类型的逐点识别；
2、模型性能好。卷积网络模型精确性、稳定性好，抗噪性能优异，模型学习到的是故障的普遍特征，而非针对特定模型，具有较好的泛化能力。
3、物理含义明确。结合了注意力机制的卷积网络，通过中间层可视化技术可以清晰地看到卷积网络模型对于故障电流突变、过零点、幅值等信息的重点关注，一定程度上解决了已有人工智能方法可解释性不足的问题；
附图说明
图1是本发明方法流程图；
图2是故障电流的归一化样本及对应标签；
图3是卷积网络模型的结构图；
图4是判别标签的转换过程；
图5是网络中间层的可视化结果。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明:
如图1所示为本发明一实施例中基于卷积神经网络识别输电线路发展性故障的方法的流程图，包括如下步骤：
步骤1：搭建双端交流线路仿真模型，生成发展性故障样本，截取11周波的电流数据，将三相电流及零序电流上下堆叠并归一化生成故障数据和标签数据。如图2所示，各相电流及零序电流在故障时段的采样点标签设为1，无故障则为0；
步骤2：搭建五层卷积网络模型，，各卷积层之间加入CBAM模块，如图3所示,设置训练轮次epoch＝75，学习率为0.01且50个epoch后缩小10倍，利用步骤1所得故障样本和标签数据对卷积网络模型进行有监督训练；
步骤3：将任意待识别样本x输入训练好的卷积网络模型中，并对卷积网络模型的三相电流和零序电流的输出结果进行阈值判断得到对应的判别标签y，其中x,n表示待识别样本的采样长度；
步骤4：通过表1所示故障类型对照表，将判别标签y转换为1×n的序列s，该序列即为各采样点的故障类型，具体转换过程如图4所示，在0～t1时间段内各相标签均是0，t1～t2间A相和零序标签变为1，而t2后B相标签也变为1，因此可以判断0～t1时间内无故障，t1～t2间发生了A相接地短路故障，t2时刻发生了发展性故障，故障类型由A相接地短路转化为更严重AB两相接地短路。
表1故障类型对照表
| 故障类型 | A相标签 | B相标签 | C相标签 | 零序标签 |
| 无故障(0) | 0 | 0 | 0 | 0 |
| A相接地(1) | 1 | 0 | 0 | 1 |
| B相接地(2) | 0 | 1 | 0 | 1 |
| C相接地(3) | 0 | 0 | 1 | 1 |
| AB相间短路(4) | 1 | 1 | 0 | 0 |
| AC相间短路(5) | 1 | 0 | 1 | 0 |
| BC相间短路(6) | 0 | 1 | 1 | 0 |
| AB相接地短路(7) | 1 | 1 | 0 | 1 |
| AC相接地短路(8) | 1 | 0 | 1 | 1 |
| BC相接地短路(9) | 0 | 1 | 1 | 1 |
| 三相短路(10) | 1 | 1 | 1 | 0 |
实施例：
搭建发展性故障仿真模型，获取16000份故障样本，分为训练集12000份、测试集4000份。搭建图3所示的卷积神经网络，训练得到可用于识别发展性故障的卷积网络模型。在不同噪声强度下的预测准确率如表2所示，随着噪声强度增加，判别准确率仍维持在99％左右，可见该卷积网络模型的抗噪性能优良。
表2抗噪性能验证
为验证模型的泛化能力，将该卷积网络模型直接应用于IEEE标准9节点故障仿真系统，从准确率、查准率、召回率、F1 score四方面指标综合评价模型的性能，评估效果如表3所示。可以看到，在阈值选取相差较大的情况下,预测的准确率和F1 score数值波动很小，说明该模型泛化性能优良，且可供选取的阈值范围大，降低了阈值整定的难度。
表3验证模型的分类效果
基于卷积神经网络识别输电线路发展性故障的方法，由于重合闸动作故障消除后，故障相电流还需一段时间才能衰减为正常值，因此其网络模型的误差主要来源于故障结束时标记时刻与恢复正常电流时刻的差异，这是难以避免的，从另一方面说，此网络模型的效果更符合工程人员对短路故障时段的直观判断。
结合CBAM注意力机制后，卷积网络中间层的部分可视化结果如图5所示，运用空间注意力模块，网络对波形的故障段更为关注，反映了波形的概貌特征；运用通道注意力模块，网络将注意力集中于包含波形突变时刻、幅值、过零点等细节特征的通道，摒弃部分含有较多无效信息的通道。因此，利用本发明方法能够自动准确地识别发展性故障，具备较好的物理意义和泛化能力，拥有实际的应用潜力和价值。
Claims (2)
1.基于卷积神经网络识别输电线路发展性故障的方法，其特征在于，包括如下步骤：
步骤1：搭建双端交流线路仿真模型，生成发展性故障样本，按时序将三相电流和零序电流上下堆叠并归一化生成训练数据以及标签数据；
步骤2：搭建五层卷积网络模型，各卷积层之间加入CBAM模块，利用步骤1所得的训练数据和标签数据对卷积网络模型进行有监督训练；
步骤3：将任意待识别样本x输入训练好的卷积网络模型中，并对卷积网络模型的三相电流和零序电流的输出结果进行阈值判断操作得到对应的判别标签y，其中n表示采样长度；
步骤4：通过故障类别对照表，将判别标签转换为1×n的序列s，该序列即为各采样点的故障类型；
所述步骤2中，所搭建的卷积网络模型包含输入层、三层卷积层以及输出层，各卷积层输出形状在二维上均设置为4×n，输出层使用sigmoid激活函数，并且在卷积网络各层间加入CBAM模块，充分提取故障特征信息；
所搭建的卷积网络模型输出的是与采样电流等长的连续的判别序列，包含了各采样点的故障类型以及故障类型转变的时刻，而不是离散的分类结果，实现了对三相及零序电流的逐点连续判别，能够给出故障发展过程的信息；
所述步骤2中，CBAM模块是由通道注意力模块和空间注意力模块组成，所述通道注意力模块是将中间特征层在空间维度上分别使用平均池化和最大池化来聚合中间特征层的空间信息，将这两个不同的特征信息输入共享的多层感知机网络MLP处理，最后经过非线性激活得到通道注意力的权重系数；该过程对应的描述公式为：
其中，Mc(F)为中间特征层的通道注意力权重，σ为sigmoid激活函数，W0、W1为MLP的共享权重，和/>表示中间特征层F进行平均池化和最大池化的结果；
所述的CBAM模块是加在基础CNN之后，经过注意力机制得到新的输出F″，计算过程如下：
其中，Ms(F)为中间特征层的空间注意力权重，为点乘，F′表示中间特征层F经过通道注意力模块的中间量，F″表示经过空间注意力模块后的最后输出。
2.如权利要求1所述的基于卷积神经网络识别输电线路发展性故障的方法，其特征在于，通过步骤3中卷积网络模型的三相电流和零序电流的输出结果，对应步骤4中故障类别对照表里的无故障、A相单相接地、B相单相接地、C相单相接地、AB相间短路、AB两相接地短路、BC相间短路、BC两相接地短路、AC相间短路、AC两相接地短路、和三相短路故障十一种故障类型，获得不同时刻发生的故障类型及故障发展过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814396.3A CN113610119B (zh) | 2021-07-19 | 2021-07-19 | 基于卷积神经网络识别输电线路发展性故障的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814396.3A CN113610119B (zh) | 2021-07-19 | 2021-07-19 | 基于卷积神经网络识别输电线路发展性故障的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113610119A CN113610119A (zh) | 2021-11-05 |
| CN113610119B true CN113610119B (zh) | 2023-10-27 |
Family
ID=78337914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110814396.3A Active CN113610119B (zh) | 2021-07-19 | 2021-07-19 | 基于卷积神经网络识别输电线路发展性故障的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610119B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116152278B (zh) * | 2023-04-17 | 2023-07-21 | 杭州堃博生物科技有限公司 | 医疗图像的分割方法及装置、非易失性存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
| CN110398663A (zh) * | 2019-07-03 | 2019-11-01 | 东南大学 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
| CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及系统 |
| CN111458148A (zh) * | 2020-04-26 | 2020-07-28 | 上海电机学院 | 一种基于cbam的卷积神经网络滚动轴承故障诊断方法 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
-
2021
- 2021-07-19 CN CN202110814396.3A patent/CN113610119B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| CN110398663A (zh) * | 2019-07-03 | 2019-11-01 | 东南大学 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
| CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及系统 |
| CN111458148A (zh) * | 2020-04-26 | 2020-07-28 | 上海电机学院 | 一种基于cbam的卷积神经网络滚动轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘冻 ; .基于小波神经网络的输电线路故障类型识别.科技信息.2010,(第32期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113610119A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Moradzadeh et al. | Hybrid CNN-LSTM approaches for identification of type and locations of transmission line faults | |
| CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
| Manohar et al. | Spatio-temporal information based protection scheme for PV integrated microgrid under solar irradiance intermittency using deep convolutional neural network | |
| Manohar et al. | Enhancing resilience of PV-fed microgrid by improved relaying and differentiating between inverter faults and distribution line faults | |
| CN108732528A (zh) | 一种基于深度置信网络的数字化电能表故障诊断方法 | |
| CN107632258A (zh) | 一种基于小波变换和dbn的风机变流器故障诊断方法 | |
| Silva et al. | An accurate method for fault location in HVDC systems based on pattern recognition of DC voltage signals | |
| CN113850330A (zh) | 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法 | |
| Hu et al. | A novel deep learning–based fault diagnosis algorithm for preventing protection malfunction | |
| Pan et al. | Learning approach based DC arc fault location classification in DC microgrids | |
| CN107037278A (zh) | 一种iec61850标准下的智能变电站故障诊断方法 | |
| Chi et al. | A CNN recognition method for early stage of 10 kV single core cable based on sheath current | |
| Bian et al. | Feature extraction and classification of time-varying power load characteristics based on PCANet and CNN+ Bi-LSTM algorithms | |
| Patil et al. | Arc fault detection in DC microgrid using deep neural network | |
| Bon | Fault Identification, Classification, and Location on Transmission Lines Using Combined Machine Learning Methods. | |
| CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
| CN113158781B (zh) | 一种雷击跳闸类型识别方法 | |
| Tikariha et al. | Fault classification in an IEEE 30 bus system using convolutional neural network | |
| CN112946425A (zh) | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 | |
| Babayomi et al. | Intelligent fault diagnosis in a power distribution network | |
| CN116401572A (zh) | 一种基于cnn-lstm的输电线路故障诊断方法及系统 | |
| Fahim et al. | An agreement based dynamic routing method for fault diagnosis in power network with enhanced noise immunity | |
| Wang et al. | Learning picturized and time-series data for fault location with renewable energy sources |
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 |