CN113935237A - 一种基于胶囊网络的输电线路故障类型判别方法及系统 - Google Patents
一种基于胶囊网络的输电线路故障类型判别方法及系统 Download PDFInfo
- Publication number
- CN113935237A CN113935237A CN202111192496.3A CN202111192496A CN113935237A CN 113935237 A CN113935237 A CN 113935237A CN 202111192496 A CN202111192496 A CN 202111192496A CN 113935237 A CN113935237 A CN 113935237A
- Authority
- CN
- China
- Prior art keywords
- model
- transmission line
- fault type
- power transmission
- data
- 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
- 239000002775 capsule Substances 0.000 title claims abstract description 87
- 230000005540 biological transmission Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 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
- 238000005192 partition Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种基于胶囊网络的输电线路故障类型判别方法及系统,通过获取大量PMU(Phasor Measurement Unit)数据,将PMU数据图形化生成雷达图;构建基于胶囊网络的输电线路故障类型判别模型,划分训练集与测试集,将训练集输入所述模型进行训练,提取图形化PMU数据的变化特征;将测试集输入训练好的模型进行测试,并将测试结果以混淆矩阵的形式进行分类输出;实现对输电线路故障类型的判别。本发明无需进行逻辑推理,也无需引入大量描述保护系统行为的知识,仅需针对图形化的PMU数据提取不同故障类型对应的特征。建模和模型修改过程简单易操作,将PMU数据图形化,节省计算资源,模型训练测试速度快,诊断准确率相对较高。
Description
技术领域
本发明涉及电网故障诊断领域,更具体地,涉及一种基于胶囊网络的输电线路故障类型判别方法及系统。
背景技术
随着风能、太阳能等新能源以及柔性负荷、可控负荷、分布式电源等大规模接入电网,电网的复杂性和不确定性日益加剧。复杂电网和电力市场的发展带来明显经济效益的同时也对电网的安全提出了严峻的挑战。电网故障诊断是事故分析和事故处理的依据,是实现智能电网自愈功能的重要应用,对提高电网稳定性具有重要意义。
当前电网故障诊断主要分为基于规则的故障诊断和基于数据驱动的故障诊断。其中,基于规则的故障诊断方法有专家系统、信息融合、Petri网、解析模型等,基于数据驱动的故障诊断方法以神经网络为主,但是采用的神经网络多为3~4层结构,深度知识提取能力不足。
对于在线电网故障的诊断,现有的故障诊断技术在建模初期需要引入大量的保护和设备动作规则,建模过程和模型维护过程困难,通用性低。随着计算机技术和深度学习等人工智能技术的快速发展,由于深度学习有着优异的数据特征提取和学习能力,有效地利用数据进行电网故障诊断日益成为研究的热点。
发明内容
为了能够有效地利用现有的故障信息数据,提高故障类型判别的效率和准确率。本发明提出一种基于胶囊网络的输电线路故障类型判别方法,以输电线路图形化PMU(相量测量装置)数据作为分析对象,能够充分挖掘图形化PMU数据在故障前后和故障期间的变化特征,判断故障类型。本发明不以PMU数据本身作为分析对象,而是将PMU数据进行图形转化生成雷达图,基于胶囊网络优异的特征提取能力提取PMU数据雷达图在故障前后和故障期间的变化特征,最终进行故障分类以确定故障类型。
具体地,本发明的一种基于胶囊网络的输电线路故障类型判别方法,包括以下步骤:
S1:搭建电网仿真模型,设定模型参数和运行条件,获取输电线路故障时的相量测量装置PMU数据;
S2:对所述PMU数据选取特征量进行归一化处理后将PMU数据转化生成雷达图;
S3:构建基于胶囊网络的输电线路故障类型判别模型,随机划分训练集与测试集;
S4:通过训练集样本对模型进行训练,对PMU数据雷达图进行特征提取和学习,得到训练好的输电线路故障类型判别模型;
S5:将测试集输入训练好的输电线路故障类型判别模型中进行测试,采用测试后的模型进行输电线路故障类型的判别。
优选地,所述步骤S1包括:
基于电力系统仿真软件DIgSILENT搭建仿真模型,并根据电网实测潮流对模型进行潮流调整,提高模型准确度。
优选地,所述步骤S2包括:
选取输电线路的三相电压幅值、三相电流和零序电流幅值作为特征量,对选取的7个电气特征量进行归一化处理后将数值映射到[0,1]之间,然后设定图形区间为[-0.5,1.5],隐藏相应的横纵坐标后将PMU数据转化为7维雷达图。
优选地,所述步骤S3中,
所述胶囊网络模型包括一个卷积层、一个主胶囊层、一个数字胶囊层和三个全连接层的网络,所述模型输入PMU数据雷达图,经过卷积层32个卷积核进行32次卷积运算后输出特征图,经过主胶囊层8个卷积核8次卷积运算后得到9组特征图,随后将特征图展平,通过数字胶囊转化为4个18维胶囊,传输至全连接层经过flatten函数展平后重构出和输入图像尺寸大小相同的图像,并通过构建Softmax分类器对故障类型进行分类。
将转化生成的大量PMU数据雷达图按8:2的比例随机划分为训练集和测试集,训练集和测试集样本中都带有相应的标签,所述标签包括:单相接地短路,两相短路,两相接地短路,三相短路。
优选地,所述步骤S4包括:
将训练集输入模型对其进行训练,提取学习PMU数据雷达图特征,经过反复地模型参数寻优和超参数调整后得到训练后的输电线路故障类型判别模型。
优选地,所述步骤S5包括:
将测试集样本输入经由训练集训练和反复调参后得到判别模型,最终输出混淆矩阵,包括输电线路故障类型判别的准确率、精确率、召回率和F1值评价指标和故障类型判别结果。
本发明还提出一种基于胶囊网络的输电线路故障类型判别系统,所述系统包括故障数据获取模块、数据图形转化模块、模型构建模块、模型训练模块、模型测试模块和输出模块;
所述故障数据获取模块用于搭建电网仿真模型,设定模型参数和运行条件,获取输电线路故障时的PMU数据;
所述数据图形转化模块用于将获取的PMU数据转化生成7维雷达图,将PMU数据雷达图按8:2的比例随机划分为训练集和测试集;
所述模型构建模块用于构建基于胶囊网络的输电线路故障类型判别模型;
所述模型训练模块采用训练集对胶囊网络进行训练;
所述模型测试模块采用测试集对训练好的胶囊网络进行测试,经过胶囊网络对PMU数据雷达图的特征提取和学习以及故障类型分类,实现对输电线路故障类型的判别;
所述输出模块输出混淆矩阵,包括输电线路故障类型判别的准确率、精确率、召回率和F1值评价指标和故障类型判别结果。
所述输出模块将测试结果以混淆矩阵的形式表现,使测试结果更加明了直观。
本发明具有如下的有益的技术效果:
1、PMU数据具有采样频率高,实时性好的优点,密集的采样点有利于更为细致地反应故障信息。大量的PMU数据在输入神经网络时,庞大的计算量需要极大的计算机内存,对计算机设备要求极高,而且计算耗时长,因此将PMU数据转化生成雷达图以提高模型训练和测试速度以及节省计算资源。
2、本发明提出了基于胶囊网络模型实现对输电线路故障类型判别的方法,胶囊网络在训练的同时实现了对整个神经网络权值的初始化,通过优异的特征提取能力提取PMU数据雷达图在故障前后和故障期间的变化特征,并且混淆矩阵的表达直观且详细,很容易表明各种故障类型的判别情况。
3、本发明提出的方法具有一定的抗噪能力,在提取多种电气量特征的情况下依旧能够对输电线路故障类型进行准确判别,鲁棒性较强而且本发明不易受到环境、地形、气候等条件的限制,具有普遍适用性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明所述方法的流程框图。
图2为本发明PMU数据雷达图示例。
图3为本发明设计的胶囊网络模型结构图。
图4为本发明设计的输电线路故障类型判别模型编码结构图。
图5为本发明设计的输电线路故障类型判别模型解码结构图。
图6为本发明设计的Softmax分类原理图。
图7为本发明设计的测试结果混淆矩阵图。
图8为本发明的系统原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例,仅用于解释本发明,并不作为对本发明的限定。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
为了提高输电线路故障类型判别的效率和准确率,本发明提出了一种基于胶囊网络的输电线路故障类型判别方法。本实施例通过DIgSILENT搭建了基于四川电网网络架构的仿真模型,通过python程序接口调用DIgSILENT获取大量PMU数据,选取输电线路某端三相电流幅值和零序电流幅值以及三相电压幅值7个电气量作为特征量,将以上7个电气量的PMU数据经过归一化处理后转化生成7维雷达图。然后将PMU数据雷达图按8:2的比例随机划分为训练集和测试集,将训练集样本输入胶囊网络进行模型训练,模型训练完成后将测试集样本输入进行测试,从而实现输电线路故障类型的判别。
具体如图1所示,本实施例的方法包括以下步骤:
S1、通过电网仿真模型仿真实验获取大量PMU数据。
本实施例采用python程序接口调用DIgSILENT搭建的电网仿真模型获取大量PMU数据。仿真实验设定数据采样时长为3s,机电暂态步长为0.01s,数据采样从-0.1s开始,0s设置故障发生,0.04s相应断路器动作。获取的电气量包括输电线路两端的三相电流幅值和相角、零序电流幅值和相角、三相电压幅值和相角、有功功率和无功功率。
S2、将PMU数据图形化。
在进行PMU数据图形转化时选取输电线路某端三相电流幅值和零序电流幅值以及三相电压幅值7个电气量作为特征量,对选取的特征量的PMU数据进行归一化处理后将数值映射到[0,1]之间,然后设定图形区间为[-0.5,1.5],隐藏相应横纵坐标轴后将PMU数据转化生成雷达图。输电线路发生单相接地短路、两相短路、两相接地短路和三相短路的雷达图示例分别如图2(a)、(b)、(c)、(d)所示。
S3、构建基于胶囊网络的输电线路故障类型判别模型,随机划分训练集与测试集。
胶囊网络模型主要分为三个部分:
第一部分是一个卷积层。卷积核是卷积中最基本、最重要的组件。胶囊网络中卷积层作为基础层从输入图像中抽取特征信息,根据实际情况选取多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量,类似于一个前馈神经网络的神经元。每个卷积核与上层的输入图像进行卷积后得到相应的特征图,作为下一层的输入。
第二部分为主胶囊层,该层是将卷积操作中的标量输出替换为矢量输出,从而保留了图像的内容和图形内容的位置信息。
第三部分为数字胶囊层,在这一层中,胶囊通过与变换矩阵相乘来计算子胶囊与父胶囊的关系,然后根据路由协议计算生成最终的胶囊及其对每个类的概率。
此外,动态路由算法是胶囊网络的核心,对于整个胶囊网络的应用起决定性的作用。该算法是以耦合系数为基础,通过多次的迭代路由来调整确定。子胶囊由父胶囊计算得出,每个父胶囊j连接到子胶囊i的概率为
式中,cij又称耦合系数;bij是子胶囊i连接到父胶囊j的先验概率,初始值设置为0。根据耦合系数cij计算加权求和得输入向量sj。
式中,vj为输出向量,sj为输入向量。胶囊的输出向量的长度表征实体的概率,因此使用非线性压缩函数将向量的模长限定在(0,1)之间。输出向量越长,则代表图像属于该类的概率越大。
本发明设计的胶囊网络模型包括一个卷积层(Conv2D)、一个主胶囊层(PrimaryCaps)、一个数字胶囊层(DigitCaps)和三个全连接层(FC)的网络,模型结构如图3所示。其中,BN/Relu表示在Relu激活函数前进行批归一化;16*16卷积核(32,步长=1,S)表示卷积核尺寸为16*16,个数为32,步长为1,S为SAME填充;9*9主胶囊(8,步长=2,V)表示主胶囊层中卷积核尺寸为9*9,个数为8,步长为2,V为VALID填充。输入为图形化后的PMU数据,大小为64*64*3。全连接层使用Softmax函数,输出为相应故障类型的概率值。
本实施例基于胶囊网络的输电线路故障类型判别模型的编码结构如图4所示。卷积层卷积过程中进行SAME填充时卷积尺寸的计算公式为
式中,N为卷积后输出大小,S为步长,W为输入大小。因此输入PMU数据雷达图的大小为64*64,经过步长为1的卷积层卷积运算后输出大小仍为64*64。输入图片为RGB彩色图片,因此通道数目为3,输入图片大小最终为64*64*3,经过卷积层Conv2D 32个卷积核进行32次卷积运算后输出大小为64*64*32的特征图。
主胶囊层卷积过程中进行VALID填充时卷积尺寸的计算公式为
式中,N为卷积后输出大小,F为卷积核大小,S为步长,W为输入大小,且计算结果向下取整。因此输入特征图大小为64*64,经过步长为2,卷积核大小为9*9的主胶囊层卷积运算后输出大小为28*28,经过主胶囊层8个卷积核8次卷积运算后得到9组28*28*8的特征图。
随后将特征图展平,最终得到向量神经元大小为6272*9,即6272(28*28*8)个胶囊,每个胶囊由一个9维向量组成。主胶囊层胶囊进入数字胶囊层时,通过一个形状为18*9的动态路由权值转化矩阵Wij将9维胶囊转化为18维胶囊,每一个胶囊对应一个分类类别,其中转化矩阵Wij大小在网络参数中设定。本发明进行输电线路故障类型判别共有4种故障类型,因此有4个分类类别,输出4个18维胶囊。
解码结构如图5所示。解码过程用来重构图像,本发明模型中共有三个全连接层。数字胶囊层输出的4个18维胶囊全部传至第一个全连接层的512个神经元,然后传输至第二个全连接层的1024个神经元,最后传输至第三个全连接层经过flatten函数展平后重构出和输入尺寸64*64*3大小相同的1*12288(64*64*3)图像,并通过构建Softmax分类器对故障类型进行分类,Softmax函数公式为
式中,分子是某个原始输出值的ezi,分母是1到k的所有原始输出值的ezj,Softmax将所有原始输出值映射到(0,1)之间的值,且所有输出的映射总和是1。Softmax分类原理图如图6所示,图中,白色框内是原始输出值,黑色框为经Softmax计算出的每个类别的概率值,概率值最大的类别即为最终预测结果。
此外,本实施例故障样本构成如表1所示,并且按8:2的比例将PMU数据雷达图随机划分为训练集和测试集。
表1
数据源 | 单相接地短路 | 两相短路 | 两相接地短路 | 三相短路 |
DIgSILENT | 1746 | 1752 | 1673 | 1845 |
S4、通过训练集样本对模型进行训练。
将训练集样本输入模型对其进行训练,提取学习PMU数据雷达图在故障前后和故障期间的变化特征,经过反复地模型参数寻优和超参数调整后得到一个性能优良的输电线路故障类型判别模型。
S5、将测试集输入训练好的模型中进行测试,进行输电线路故障类型的判别。
本实施例采用上述方法训练好的模型进行故障样本测试,输出故障类型判别的准确率(accuracy)、精确率(precision)、召回率(recall)和F1值四个评价指标以及判别结果混淆矩阵。四个评价指标计算公式为
式中,TP表示真实值是positive,预测值是positive的数量;FN表示真实值是positive,预测值是negative的数量;FP表示真实值是negative,预测值是positive的数量;TN表示真实值是negative,预测值是negative的数量。四类事件TP、FN、FP、TN之间的关系如表2所示。
表2
本实施例判别结果混淆矩阵如图7所示,混淆矩阵中包含各种类型判别结果的样本数量和所占百分比,数字越大矩阵块颜色越深,数字越小矩阵块颜色越浅。本实施例故障类型判别测试结果如表3所示,结果表明本实施例提出的方法能够较为准确地实现对输电线路故障类型的判别。
表3
故障类型 | 准确率 | 精确率 | 召回率 | F1值 |
单相接地短路 | 0.96 | 0.99 | 0.93 | 0.96 |
两相短路 | 0.96 | 0.92 | 0.98 | 0.95 |
两相接地短路 | 0.96 | 0.96 | 0.98 | 0.97 |
三相短路 | 0.96 | 0.98 | 0.95 | 0.96 |
实施例2
基于上述实施例提出的方法,本实施例还提出了一种基于胶囊网络的输电线路故障类型判别系统。
具体如图8所示,本实施例的系统包括故障数据获取模块、数据图形转化模块、模型构建模块、模型训练模块、模型测试模块和输出模块;
本实施例的故障数据获取模块基于python程序接口和DIgSILENT搭建的电网模型仿真实验获取大量PMU数据;
本实施例的数据图形转化模块用于将获取的PMU数据转化生成7维雷达图,将PMU数据雷达图按8:2的比例随机划分为训练集和测试集;
本实施例的模型训练模块采用训练集对胶囊网络进行训练;
所述模型构建模块用于构建基于胶囊网络的输电线路故障类型判别模型;
本实施例的模型测试模块采用测试集对训练好的胶囊网络进行测试,经过胶囊网络对PMU数据雷达图的特征提取和学习以及故障类型分类,实现对输电线路故障类型的判别。
本实施例的输出模块将测试结果以混淆矩阵的形式表现,使测试结果更加明了直观。
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、或者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。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于胶囊网络的输电线路故障类型判别方法,其特征在于,所述方法包括以下步骤:
S1:搭建电网仿真模型,设定模型参数和运行条件,获取输电线路故障时的相量测量装置PMU数据;
S2:对所述PMU数据选取特征量进行归一化处理后将PMU数据转化生成雷达图;
S3:构建基于胶囊网络的输电线路故障类型判别模型,随机划分训练集与测试集;
S4:通过训练集样本对模型进行训练,对PMU数据雷达图进行特征提取和学习,得到训练好的输电线路故障类型判别模型;
S5:将测试集输入训练好的输电线路故障类型判别模型中进行测试,采用测试后的模型进行输电线路故障类型的判别。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1包括:
基于电力系统仿真软件DIgSILENT搭建仿真模型,并根据电网实测潮流对模型进行潮流调整,提高模型准确度。
3.根据权利要求2所述的方法,其特征在于,所述步骤S2包括:
选取输电线路的三相电压幅值、三相电流和零序电流幅值作为特征量,对选取的7个电气特征量进行归一化处理后将数值映射到[0,1]之间,然后设定图形区间为[-0.5,1.5],隐藏相应的横纵坐标后将PMU数据转化为7维雷达图。
4.根据权利要求3所述的方法,其特征在于,所述步骤S3中,
所述胶囊网络模型包括一个卷积层、一个主胶囊层、一个数字胶囊层和三个全连接层的网络,所述模型输入PMU数据雷达图,经过卷积层32个卷积核进行32次卷积运算后输出特征图,经过主胶囊层8个卷积核8次卷积运算后得到9组特征图,随后将特征图展平,通过数字胶囊转化为4个18维胶囊,传输至全连接层经过flatten函数展平后重构出和输入图像尺寸大小相同的图像,并通过构建Softmax分类器对故障类型进行分类。
5.根据权利要求4所述的方法,其特征在于,所述步骤S3包括:
将转化生成的大量PMU数据雷达图按8:2的比例随机划分为训练集和测试集,训练集和测试集样本中都带有相应的标签,所述标签包括:单相接地短路,两相短路,两相接地短路,三相短路。
6.根据权利要求5所述的方法,其特征在于,所述步骤S4包括:
将训练集输入模型对其进行训练,提取学习PMU数据雷达图特征,经过反复地模型参数寻优和超参数调整后得到训练后的输电线路故障类型判别模型。
7.根据权利要求6所述的方法,其特征在于,所述步骤S5包括:
将测试集样本输入经由训练集训练和反复调参后得到判别模型,最终输出混淆矩阵,包括输电线路故障类型判别的准确率、精确率、召回率和F1值评价指标和故障类型判别结果。
8.一种基于胶囊网络的输电线路故障类型判别系统,用于实现强烈要求1-7所述的方法,其特征在于,
所述系统包括故障数据获取模块、数据图形转化模块、模型构建模块、模型训练模块、模型测试模块和输出模块;
所述故障数据获取模块用于搭建电网仿真模型,设定模型参数和运行条件,获取输电线路故障时的PMU数据;
所述数据图形转化模块用于将获取的PMU数据转化生成7维雷达图,将PMU数据雷达图按8:2的比例随机划分为训练集和测试集;
所述模型构建模块用于构建基于胶囊网络的输电线路故障类型判别模型;
所述模型训练模块采用训练集对胶囊网络进行训练;
所述模型测试模块采用测试集对训练好的胶囊网络进行测试,经过胶囊网络对PMU数据雷达图的特征提取和学习以及故障类型分类,实现对输电线路故障类型的判别;
所述输出模块输出混淆矩阵,包括输电线路故障类型判别的准确率、精确率、召回率和F1值评价指标和故障类型判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111192496.3A CN113935237A (zh) | 2021-10-13 | 2021-10-13 | 一种基于胶囊网络的输电线路故障类型判别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111192496.3A CN113935237A (zh) | 2021-10-13 | 2021-10-13 | 一种基于胶囊网络的输电线路故障类型判别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935237A true CN113935237A (zh) | 2022-01-14 |
Family
ID=79278661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111192496.3A Pending CN113935237A (zh) | 2021-10-13 | 2021-10-13 | 一种基于胶囊网络的输电线路故障类型判别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935237A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595806A (zh) * | 2022-03-02 | 2022-06-07 | 桂林理工大学 | 基于改进胶囊网络林地土壤肥力分析评价模型 |
CN114612460A (zh) * | 2022-03-24 | 2022-06-10 | 国网江苏省电力有限公司泰州供电分公司 | 一种输电故障类型自动识别判断方法 |
CN115994459A (zh) * | 2023-03-24 | 2023-04-21 | 国网湖北省电力有限公司经济技术研究院 | 一种海量电网基建项目建设时序优化方法、系统及设备 |
WO2024039302A3 (en) * | 2022-08-18 | 2024-03-28 | Nanyang Technological University | Method and system for estimating a failure probability associated with objects |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130049521A (ko) * | 2011-11-04 | 2013-05-14 | 주식회사 케이티 | 강수에코 이동경로 예측 방법 및 장치 |
CN112462198A (zh) * | 2020-11-17 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 一种基于自编码器的电网故障线路判定方法及系统 |
CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
-
2021
- 2021-10-13 CN CN202111192496.3A patent/CN113935237A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130049521A (ko) * | 2011-11-04 | 2013-05-14 | 주식회사 케이티 | 강수에코 이동경로 예측 방법 및 장치 |
CN112462198A (zh) * | 2020-11-17 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 一种基于自编码器的电网故障线路判定方法及系统 |
CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
Non-Patent Citations (2)
Title |
---|
"基于GAN的电网故障诊断", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 04, 15 April 2024 (2024-04-15), pages 042 - 1600 * |
Z. ZHANG: "Faulty Line Detection Method of Power Grid Based on PMU Data and Capsule Network", 《2021 3RD INTERNATIONAL ACADEMIC EXCHANGE CONFERENCE ON SCIENCE AND TECHNOLOGY INNOVATION》, 12 December 2021 (2021-12-12), pages 1807 - 1811, XP034079979, DOI: 10.1109/IAECST54258.2021.9695590 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595806A (zh) * | 2022-03-02 | 2022-06-07 | 桂林理工大学 | 基于改进胶囊网络林地土壤肥力分析评价模型 |
CN114612460A (zh) * | 2022-03-24 | 2022-06-10 | 国网江苏省电力有限公司泰州供电分公司 | 一种输电故障类型自动识别判断方法 |
WO2024039302A3 (en) * | 2022-08-18 | 2024-03-28 | Nanyang Technological University | Method and system for estimating a failure probability associated with objects |
CN115994459A (zh) * | 2023-03-24 | 2023-04-21 | 国网湖北省电力有限公司经济技术研究院 | 一种海量电网基建项目建设时序优化方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113935237A (zh) | 一种基于胶囊网络的输电线路故障类型判别方法及系统 | |
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 | |
Tan et al. | A deep imbalanced learning framework for transient stability assessment of power system | |
Yang et al. | Fault diagnosis for energy internet using correlation processing-based convolutional neural networks | |
Wilson et al. | Deep learning-aided cyber-attack detection in power transmission systems | |
CN114355240B (zh) | 配电网接地故障诊断方法及装置 | |
CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
CN110994604A (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
Han et al. | Fault diagnosis of power systems using visualized similarity images and improved convolution neural networks | |
CN112200694A (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN115937774A (zh) | 一种基于特征融合和语义交互的安检违禁品检测方法 | |
CN112017070A (zh) | 一种基于数据增强评估电力系统暂态稳定的方法及系统 | |
Hou et al. | Deep-learning-based fault type identification using modified CEEMDAN and image augmentation in distribution power grid | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN112633632A (zh) | 一种基于信号分解技术的集成短期风电集群功率预测方法 | |
Xi et al. | SE-Inception-ResNet Model with Focal Loss for Transmission Line Fault Classification Under Class Imbalance | |
CN108459585B (zh) | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
CN116577843A (zh) | 一种分布式声雷达风功率预测方法 | |
Li et al. | Data augment using deep convolutional generative adversarial networks for transient stability assessment of power systems | |
CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
CN115684786A (zh) | 基于格拉姆角场和并行cnn的逆变器开关管健康诊断方法、装置及系统 | |
CN115311509A (zh) | 基于图像化数据驱动的电力系统暂态稳定评估方法及系统 | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 |
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 |