CN114062845A - 线路故障的检测方法、装置以及电子设备 - Google Patents
线路故障的检测方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN114062845A CN114062845A CN202111333855.2A CN202111333855A CN114062845A CN 114062845 A CN114062845 A CN 114062845A CN 202111333855 A CN202111333855 A CN 202111333855A CN 114062845 A CN114062845 A CN 114062845A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- sequence current
- wave amplitude
- zero sequence
- 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
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明公开了一种线路故障的检测方法、装置以及电子设备。其中,该方法包括:获取待检测线路中的零序电流;对零序电流进行预处理,得到零序电流所对应的基波幅值、谐波幅值和小波包能量值;基于改进的支持向量机对基波幅值、谐波幅值和小波包能量值进行分析,得到分析结果,其中,改进的支持向量机内搭建有用于优化支持向量机的参数的优化算法;基于分析结果确定待检测线路是否存在故障。本发明解决了由于传统的支持向量机参数设置存在主观盲目性所造成的检测结果准确率低的技术问题。
Description
技术领域
本发明涉及线路检测领域,具体而言,涉及一种线路故障的检测方法、装置以及电子设备。
背景技术
支持向量机是一种具有优秀泛化能力的机器学习方法,其针对小样本、非线性等实际问题优势更为显著,能够对电力应用中的故障线路与非故障线路做出判断。但在现有技术中,传统的支持向量机的分类性能受参数设置影响较大,且其参数设置存在主观盲目性,一定程度上会影响故障选线的准确率,从而导致在采用传统的支持向量机进行故障选线时,容易产生错误判断,正确率相对较低。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种线路故障的检测方法、装置以及电子设备,以至少解决由于传统的支持向量机参数设置存在主观盲目性所造成的检测结果准确率低的技术问题。
根据本发明实施例的一个方面,提供了一种线路故障的检测方法,包括:获取待检测线路中的零序电流;对零序电流进行预处理,得到零序电流所对应的基波幅值、谐波幅值和小波包能量值;基于改进的支持向量机对基波幅值、谐波幅值和小波包能量值进行分析,得到分析结果,其中,改进的支持向量机内搭建有用于优化支持向量机的参数的优化算法;基于分析结果确定待检测线路是否存在故障。
可选的,线路故障的检测方法还包括:基于傅里叶变换法从零序电流中提取基波幅值和谐波幅值。
可选的,线路故障的检测方法还包括:基于小波包分析法从零序电流中提取小波包能量值。
可选的,线路故障的检测方法还包括:在对零序电流进行预处理,得到零序电流所对应的基波幅值、谐波幅值和小波包能量值之后,对基波幅值进行归一化操作得到第一数据,对谐波幅值进行归一化操作得到第二数据,对小波包能量值进行归一化操作得到第三数据。
可选的,改进的支持向量机为基于遗传算法优化的支持向量机。
可选的,线路故障的检测方法还包括:构建训练样本集;其中,训练样本集包括零序电流所对应的基波幅值、谐波幅值和小波包能量值以及实际故障分析结果;将训练样本集输入至改进的第一支持向量机内进行训练,在训练次数达到预设次数时,确定改进的第一支持向量机所对应的当前参数为目标参数;基于目标参数,得到改进的支持向量机。
可选的,线路故障的检测方法还包括:构建测试样本集;其中,测试样本集包括零序电流所对应的基波幅值、谐波幅值和小波包能量值以及实际故障分析结果;将测试样本集输入至改进的支持向量机中,以基于改进的支持向量机的输出结果检验改进的支持向量机。
根据本发明实施例的另一方面,还提供了一种线路故障的检测装置,包括:采样模块,用于获取待检测线路中的零序电流;处理模块,用于对零序电流进行预处理,得到零序电流所对应的基波幅值、谐波幅值和小波包能量值;检测模块,用于基于改进的支持向量机对基波幅值、谐波幅值和小波包能量值进行分析,得到分析结果,其中,改进的支持向量机内搭建有用于优化支持向量机的参数的优化算法;分析模块,用于基于分析结果确定待检测线路是否存在故障。
根据本发明实施例的另一方面,还提供了计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的线路故障的检测方法。
根据本发明实施例的另一方面,还提供了一种电子设备,电子设备包括一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的线路故障的检测方法。
在本发明实施例中,采用基于改进的支持向量机对待检测线路进行故障检测的方式,通过获取待检测线路中的零序电流;对零序电流进行预处理,得到零序电流所对应的基波幅值、谐波幅值和小波包能量值;基于改进的支持向量机对基波幅值、谐波幅值和小波包能量值进行分析,得到分析结果,其中,所述改进的支持向量机内搭建有用于优化支持向量机的参数的优化算法;基于分析结果确定待检测线路是否存在故障。
在上述过程中,通过提取线路中的零序电流所对应的基波幅值、谐波幅值和小波包能量值,即选择优势互补的三种选线方法作为输入,可以便于改进的支持向量机基于多个维度对待检测线路是否故障进行判断,从而提高检测准确性;通过在支持向量机内搭建用于优化支持向量机的参数的优化算法,使得改进的支持向量机内的相关参数为优选参数,可以使得当基于改进的支持向量机对基波幅值、谐波幅值和小波包能量值进行分析时,改进的支持向量机能够输出更准确的分析结果,从而进一步提高检测准确率。
由此可见,本申请所提供的方案达到了基于改进的支持向量机对待检测线路进行故障检测的目的,从而实现了提高线路故障检测准确度的技术效果,进而解决了由于传统的支持向量机参数设置存在主观盲目性所造成的检测结果准确率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种线路故障的检测方法的流程图;
图2是根据本发明实施例的一种线路故障的检测方法的原理框图;
图3是根据本发明实施例的一种可选的改进的支持向量机中遗传算法的优化过程的示意图;
图4是根据本发明实施例的一种可选的改进的支持向量机的测试结果对比图;
图5是根据现有技术的一种传统的支持向量机基于网格寻优的优化过程的示意图;
图6是根据现有技术的一种传统的支持向量机的测试结果对比图;
图7是根据本发明实施例的一种可选的检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种线路故障的检测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的线路故障的检测方法,如图1所示,该方法包括如下步骤:
S102,获取待检测线路中的零序电流。
在步骤S102中,零序电流是在小电流接地系统发生接地故障时,该系统所产生的三相电流,其中,小电流接地系统为在0~66kV的电网中采用中性点不接地或者经消弧线圈接地方式进行接地的高压配电系统,在这种系统中,当电网某一相发生接地故障时,由于不能构成短路回路,接地故障电流很小,因此被称为小电流接地系统。
具体地,零序电流可以是基于零序电流互感器检测法、三相电流合成法或其它具有零序电流检测功能的方法所获取到的电流。可选的,以零序电流互感器检测法为例,对待检测线路中的零序电流的获取方式进行说明:将小电流接地系统中的三根相线全部穿过零序电流互感器,基于零序电流互感器的变比以及三相电流的向量,便可以直接获取零序电流。
需要说明的是,由于零序电流只有在小电流接地系统发生接地故障时才会产生,因此,通过获取待检测线路中的零序电流更有利于对线路故障情况的判断。
S104,对零序电流进行预处理,得到零序电流所对应的基波幅值、谐波幅值和小波包能量值。
在步骤S104中,对零序电流进行预处理的方式包括但不限于基于硬件对获取的零序电流信号进行优化的方式以及基于算法或分析方法对获取的零序电流中的信号分量进行提取的方式。其中,基于硬件对获取的零序电流信号进行优化的方式可以是通过对零序电流进行滤波、放大、整流以获取更准确数值的零序电流;基于算法或分析方法对获取的零序电流中的信号分量进行提取的方式可以是基于傅里叶变换法、小波包分析法或其它能够有效获取信号分量的算法以及分析方法。优选的,在本实施中,基波幅值为稳态基波幅值,谐波幅值为五次谐波幅值。
需要说明的是,由于线路发生接地故障时,所产生的零序电流信号本身并不明显,因此,从零序电流中提取出其所对应的基波幅值、谐波幅值和小波包能量值作为故障特征量,可以更好地反映故障特征。
S106,基于改进的支持向量机对基波幅值、谐波幅值和小波包能量值进行分析,得到分析结果,其中,改进的支持向量机内搭建有用于优化支持向量机的参数的优化算法。
在步骤S106中,改进的支持向量机内搭建的优化算法可以是遗传算法、梯度算法、粒子群算法、人工蜂群算法或其它能够实现优化支持向量机参数效果的优化算法。具体地,在本实施例中,采用基于遗传算法优化的支持向量机作为改进的支持向量机,遗传算法是一种启发性的收敛性好、鲁棒性高的全局寻优算法,通过使用遗传算法对支持向量机的参数进行优化,可以有效提高支持向量机的泛化能力,从而能够在对基波幅值、谐波幅值和小波包能量值进行分析后,获得更准确的分析结果,进而更好地实现故障选线。
S108,基于分析结果确定待检测线路是否存在故障。
改进的支持向量机具有两种分析结果,并以分别输出不同的数值或字段的方式进行结果表示,依据改进的支持向量机输出的分析结果,判断待检测线路是否为故障线路。具体地,在本实施例中,改进的支持向量机通过输出“0”或“1”来表达分析结果,其中,“0”表示所检测的线路为故障线路,“1”表示所检测的线路为非故障线路,由此可以便于工作人员后续基于分析结果对线路是否发生故障进行快速判断。
基于上述步骤S102至步骤S108所限定的方案,可以获知,在本发明实施例中,采用基于改进的支持向量机对待检测线路进行故障检测的方式,通过获取待检测线路中的零序电流,先对零序电流进行预处理,得到零序电流所对应的基波幅值、谐波幅值和小波包能量值,再基于改进的支持向量机对基波幅值、谐波幅值和小波包能量值进行分析,得到分析结果,其中,改进的支持向量机内搭建有用于优化支持向量机的参数的优化算法,最后基于分析结果确定待检测线路是否存在故障。
容易注意到的是,在上述过程中,通过提取线路中的零序电流所对应的基波幅值、谐波幅值和小波包能量值,即选择优势互补的三种选线方法作为输入,可以便于改进的支持向量机基于多个维度对待检测线路是否故障进行判断,从而提高检测准确性;通过在支持向量机内搭建用于优化支持向量机的参数的优化算法,使得改进的支持向量机内的相关参数为优选参数,可以使得当基于改进的支持向量机对基波幅值、谐波幅值和小波包能量值进行分析时,改进的支持向量机能够输出更准确的分析结果,从而进一步提高检测准确率。
由此可见,本申请所提供的方案达到了基于改进的支持向量机对待检测线路进行故障检测的目的,从而实现了提高线路故障检测准确度的技术效果,进而解决了由于传统的支持向量机参数设置存在主观盲目性所造成的检测结果准确率低的技术问题。
在一种可选的实施例中,在获取到待检测线路中的零序电流之后,可选的,对零序电流进行预处理,得到零序电流所对应的基波幅值、谐波幅值。其中,可基于傅里叶变换法从零序电流中提取基波幅值和谐波幅值。
可选的,基于快速傅里叶变换法从零序电流中提取基波幅值和谐波幅值。其中,快速傅里叶变换法,是离散傅氏变换的快速算法,它是根据离散傅氏变换的奇、偶、虚、实等特性,对离散傅里叶变换的算法进行改进获得的。
需要说明的是,基于快速傅里叶变换法,能够实现对基波幅值和谐波幅值更好的提取效果。
在一种可选的实施例中,可选的,基于小波包分析法从零序电流中提取小波包能量值。其中,小波包分析法在对信号进行分析与处理上有很好的聚焦性和变焦性,能够对信号进行精细分析,尤其是对突变信号的微弱信号。基于小波包分析法,能够实现对小波包能量值更好的提取效果。同时,需要说明的是,小波包能量值可以是暂态能量分量、暂态方向分量或其组合。
可选的,在对零序电流进行预处理,得到零序电流所对应的基波幅值、谐波幅值和小波包能量值之后,对上述的三个数进行归一化处理。其中:
可通过下式对基波幅值进行归一化操作得到第一数据;
式中,I1k表示线路Lk的零序电流的基波幅值,X1表示第一数据,其中,第一数据表征对基波幅值进行归一化处理后的数据;
可通过下式对谐波幅值进行归一化操作得到第二数据;
式中,I5k表示线路Lk的零序电流的谐波幅值,X2表示第二数据,其中,第二数据表征对谐波幅值进行归一化处理后的数据;
可通过下式对小波包能量值进行归一化操作得到第三数据;
式中,εk表示线路Lk的零序电流的小波能量值,X3表示第三数据,其中,第三数据表征对小波包能量值进行归一化处理后的数据。
将第一数据、第二数据和第三数据输入至改进的支持向量机中,可便于改进的支持向量机进行计算,提高其工作效率。
可选的,如图2所示,在基于改进的支持向量机对基波幅值、谐波幅值和小波包能量值进行分析,得到分析结果之前,还需要获取改进的支持向量机,其中,所获取的改进的支持向量机为训练好的改进的支持向量机,具体地,获取改进的支持向量机的方法包括以下步骤:
A110:构建训练样本集;其中,训练样本集包括零序电流所对应的基波幅值、谐波幅值和小波包能量值以及实际故障分析结果。
具体地,训练样本集中的零序电流可以基于预先搭建的仿真模型、实际工作数据等方式获取,且训练样本集内的数据应具有多样性,以防止训练过程中发生过拟合。在本实施例中,训练样本集中的零序电流为基于预先构建的小电流接地故障的仿真模型中的线路所对应的零序电流,且选用不同故障条件下的120个故障样本和420个非故障样本作为训练样本集,以使得数据在贴合实际应用的同时,还便于获取。其中,如表1所示,对所采用的训练样本集进行部分展示:
表1部分训练样本集
A130:将训练样本集输入至改进的第一支持向量机内进行训练,在训练次数达到预设次数时,确定改进的第一支持向量机所对应的当前参数为目标参数。
具体地,改进的第一支持向量机可以利用Matlab、Python或其它方式进行实现。在本实施例中,改进的第一向量机使用于Matlab与Libsvm工具箱中。
在将训练样本集输入至改进的第一支持向量机内进行训练之前,首先需要对改进的第一支持向量机进行初始化处理,得到初始化后的改进的第一支持向量机。其中,对改进的第一支持向量机进行初始化处理包括:配置改进的第一支持向量机模型中最大进化代数、种群最大数量、交叉验证和交叉概率的初始值,并配置改进的第一支持向量机模型中惩罚因子和核参数的取值范围。在本实施例中,将最大进化代数设置为200,将种群最大数量设置为50,将惩罚因子的取值范围设定为[0.001,100],将核参数的取值范围设定为[0.001,1000]。
之后,将训练样本输入至已初始化后的改进的第一支持向量机内进行训练,在训练过程中,遗传算法依据初始化配置,生成初始化种群,然后将惩罚因子和核参数变为基因序列带入支持向量机中,并基于支持向量机对训练样本集的分类准确率计算适应度,通过执行选择算子、交叉算子和变异算子,不断形成新的下一代子种群以优化惩罚因子和核参数的参数值。当达到遗传算法的终止条件时,即达到最大进化代数时,训练次数同样达到预设次数,此时,确定改进的第一支持向量机所对应的当前惩罚因子和核参数为目标参数,且在本实施例中,遗传算法的优化过程如图3所示,最后所得到的惩罚因子的参数值为4.8166,核参数的参数值为0.3233,其中,需要补充的是,图中的“最佳适应度”对应各进化代数下,当前种群内每个基因序列所对应的惩罚因子和核参数所计算得出的适应度中最高的适应度,在本实施例中,当进化代数达到200次时,最佳适应度为99.4444%。同时,需要说明的是,由于惩罚因子主要影响支持向量机的泛化能力,核参数主要影响支持向量机的分类准确率,因此,将惩罚因子和核参数作为被优化的参数可以更好的改变改进的第一支持向量机分类的优劣。
A150:基于目标参数,得到改进的支持向量机。
将目标参数的对应值确定至改进的第一支持向量机内,得到改进的支持向量机。由此,相较于传统的支持向量机,由于遗传算法在解决优化问题上具有很好的特性,因此通过基于遗传算法对改进的第一支持向量机进行训练,可以得到参数更优的改进的支持向量机,从而达到更高的检测准确度。
可选的,在成功获取改进的支持向量机之后,本发明所提供的线路故障的检测方法还可验证改进的支持向量机,具体地,验证改进的支持向量机的方法包括以下步骤:
A210:构建测试样本集;其中,测试样本集包括零序电流所对应的基波幅值、谐波幅值和小波包能量值以及实际故障分析结果。
具体地,测试样本集中的零序电流可以基于预先搭建的仿真模型、实际工作数据等方式获取,且测试样本集内的数据也应具有多样性,以防止检验结果与实际分类性能差别较大。在本实施例中,测试样本集中的零序电流同样为基于预先构建的小电流接地故障的仿真模型中的线路所对应的零序电流,且选用不同故障条件下的88个故障样本和204个非故障样本作为测试样本集。其中,如表2所示,对所采用的测试样本集进行部分展示:
表2部分测试样本集
A230:将测试样本集输入至改进的支持向量机中,以基于改进的支持向量机的输出结果检验改进的支持向量机。
具体地,将测试样本集输入至改进的支持向量机中,将改进的支持向量机所输出的分析结果与测试样本集中的实际故障分析结果进行对比,依据对比结果确定改进的支持向量机的准确率,以完成检验。通过对训练好的改进的支持向量机进行检验,可以有效确保其工作稳定性,从而防止在实际测试中,发生事故。在本实施例中,测试结果如图4所示,在测试样本集的292个测试样本中,仅有4个数据判断错误,其选线正确率为98.6301%。其中,如表3所示,对部分故障选线结果进行展示:
表3改进的支持向量机的部分故障选线结果
同时,为了体现上述改进的支持向量机的优越性,将本实施例中的训练样本集和测试样本集同样应用于传统的支持向量机中进行训练与测试,以获得相应结果进行对比。
具体地,训练过程中,基于网格寻优的传统的向量支持机的优化过程如图5所示,最后所得到的惩罚因子的参数值为0.0625,核参数的参数值为8,准确率为99.2593%。测试结果如图6所示,在测试样本集的292个测试样本中,有16个数据判断错误,其选线正确率为94.5205%。其中,如表4所示,对其部分故障选线结果进行展示:
表4基于网格寻优的传统的支持向量机的部分故障选线结果
为便于更直观的体现本发明所提供的改进的支持向量机和传统的支持向量机的区别,如表5所示,对上述改进的支持向量机和传统的支持向量机的惩罚因子、核参数及分类准确率对比结果进行展示:
表5改进的支持向量机的选线方法和传统的支持向量机的选线方法的准确率对比
不难看出,本发明提供的改进的支持向量机相较于传统的支持向量机,在对参数进行优化后,其分类准确率得到了明显提升,由此,基于本发明所提供的线路故障的检测方法,可以更好的对故障线路进行判断。
由上述内容可知,在本实施例中,针对支持向量机存在其性能受惩罚因子、核参数影响较大且参数设置存在主观盲目性的缺陷的问题,通过运用遗传算法对支持向量机参数进行优化,将改进的支持向量机运用到故障选线问题中,并选择优势互补的三种选线方法作为改进的支持向量机的输入,可以使得本发明能够更为准确的对故障线路进行判断。
实施例2
根据本发明实施例,提供了一种线路故障的检测装置的实施例,其中,图7是根据本发明实施例的检测装置示意图,如图7所示,该装置包括:
采样模块110,用于获取待检测线路中的零序电流;
处理模块120,用于对零序电流进行预处理,得到零序电流所对应的基波幅值、谐波幅值和小波包能量值;
检测模块130,用于基于改进的支持向量机对基波幅值、谐波幅值和小波包能量值进行分析,得到分析结果,其中,所述改进的支持向量机内搭建有用于优化支持向量机的参数的优化算法;
分析模块140,用于基于分析结果确定待检测线路是否存在故障。
需要说明的是,上述采样模块110、处理模块120、检测模块130以及分析模块140对应于上述实施例中的步骤S102至步骤S108,四个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
可选的,处理模块120包括:
第一提取模块,用于基于傅里叶变换法从零序电流中提取基波幅值和谐波幅值;
第二提取模块,用于基于小波包分析法从零序电流中提取小波包能量值。
可选的,线路故障的检测装置还包括:第二处理模块,用于在对零序电流进行预处理,得到零序电流所对应的基波幅值、谐波幅值和小波包能量值之后,对基波幅值进行归一化操作得到第一数据,对谐波幅值进行归一化操作得到第二数据,对小波包能量值进行归一化操作得到第三数据。
可选的,改进的支持向量机为基于遗传算法优化的支持向量机。
可选的,线路故障的检测装置还包括:第一构建模块,用于构建训练样本集;其中,训练样本集包括零序电流所对应的基波幅值、谐波幅值和小波包能量值以及实际故障分析结果;训练模块,用于将训练样本集输入至改进的第一支持向量机内进行训练,在训练次数达到预设次数时,确定改进的第一支持向量机所对应的当前参数为目标参数;第三处理模块,用于基于目标参数,得到改进的支持向量机。
可选的,线路故障的检测装置还包括:第二构建模块,用于构建测试样本集;其中,测试样本集包括零序电流所对应的基波幅值、谐波幅值和小波包能量值以及实际故障分析结果;第四处理模块,用于将测试样本集输入至改进的支持向量机中,以基于改进的支持向量机的输出结果检验改进的支持向量机。
实施例3
根据本发明实施例的另一方面,还提供了计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的线路故障的检测方法。
实施例4
根据本发明实施例的另一方面,还提供了一种电子设备,电子设备包括一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的线路故障的检测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种线路故障的检测方法,其特征在于,包括:
获取待检测线路中的零序电流;
对所述零序电流进行预处理,得到所述零序电流所对应的基波幅值、谐波幅值和小波包能量值;
基于改进的支持向量机对所述基波幅值、所述谐波幅值和所述小波包能量值进行分析,得到分析结果,其中,所述改进的支持向量机内搭建有用于优化支持向量机的参数的优化算法;
基于所述分析结果确定所述待检测线路是否存在故障。
2.根据权利要求1所述的线路故障的检测方法,其特征在于,对所述零序电流进行预处理,得到所述零序电流所对应的基波幅值、谐波幅值,包括:
基于傅里叶变换法从所述零序电流中提取所述基波幅值和所述谐波幅值。
3.根据权利要求2所述的线路故障的检测方法,其特征在于,对所述零序电流进行预处理,得到所述零序电流所对应的小波包能量值,包括:
基于小波包分析法从所述零序电流中提取所述小波包能量值。
4.根据权利要求1所述的线路故障的检测方法,其特征在于,在对所述零序电流进行预处理,得到所述零序电流所对应的基波幅值、谐波幅值和小波包能量值之后,所述方法还包括:
对所述基波幅值进行归一化操作得到第一数据,对所述谐波幅值进行归一化操作得到第二数据,对所述小波包能量值进行归一化操作得到第三数据。
5.根据权利要求1所述的线路故障的检测方法,其特征在于,所述改进的支持向量机为基于遗传算法优化的支持向量机。
6.根据权利要求5所述的线路故障的检测方法,其特征在于,所述方法包括:
构建训练样本集;其中,所述训练样本集包括所述零序电流所对应的基波幅值、谐波幅值和小波包能量值以及实际故障分析结果;
将所述训练样本集输入至改进的第一支持向量机内进行训练,在训练次数达到预设次数时,确定所述改进的第一支持向量机所对应的当前参数为目标参数;
基于所述目标参数,得到所述改进的支持向量机。
7.根据权利要求6所述的线路故障的检测方法,其特征在于,所述方法包括:
构建测试样本集;其中,所述测试样本集包括所述零序电流所对应的基波幅值、谐波幅值和小波包能量值以及实际故障分析结果;
将所述测试样本集输入至所述改进的支持向量机中,以基于所述改进的支持向量机的输出结果检验所述改进的支持向量机。
8.一种线路故障的检测装置,其特征在于,包括:
采样模块,用于获取待检测线路中的零序电流;
处理模块,用于对所述零序电流进行预处理,得到所述零序电流所对应的基波幅值、谐波幅值和小波包能量值;
检测模块,用于基于改进的支持向量机对所述基波幅值、所述谐波幅值和所述小波包能量值进行分析,得到分析结果,其中,所述改进的支持向量机内搭建有用于优化支持向量机的参数的优化算法;
分析模块,用于基于所述分析结果确定所述待检测线路是否存在故障。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的线路故障的检测方法。
10.一种电子设备,其特征在于,所述电子设备包括一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现用于运行程序,其中,所述程序被设置为运行时执行所述权利要求1至7任一项中所述的线路故障的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333855.2A CN114062845A (zh) | 2021-11-11 | 2021-11-11 | 线路故障的检测方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333855.2A CN114062845A (zh) | 2021-11-11 | 2021-11-11 | 线路故障的检测方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114062845A true CN114062845A (zh) | 2022-02-18 |
Family
ID=80275372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111333855.2A Pending CN114062845A (zh) | 2021-11-11 | 2021-11-11 | 线路故障的检测方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114062845A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343579A (zh) * | 2022-10-20 | 2022-11-15 | 国网四川省电力公司电力科学研究院 | 一种电网故障分析方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019090879A1 (zh) * | 2017-11-09 | 2019-05-16 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
CN110596530A (zh) * | 2019-09-06 | 2019-12-20 | 国网山东省电力公司寿光市供电公司 | 一种小电流接地故障选线方法 |
CN112380762A (zh) * | 2020-11-02 | 2021-02-19 | 国网重庆市电力公司电力科学研究院 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
-
2021
- 2021-11-11 CN CN202111333855.2A patent/CN114062845A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019090879A1 (zh) * | 2017-11-09 | 2019-05-16 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
CN110596530A (zh) * | 2019-09-06 | 2019-12-20 | 国网山东省电力公司寿光市供电公司 | 一种小电流接地故障选线方法 |
CN112380762A (zh) * | 2020-11-02 | 2021-02-19 | 国网重庆市电力公司电力科学研究院 | 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
赵蕾: "基于信息融合的小电流接地故障综合选线方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 11, pages 042 - 305 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343579A (zh) * | 2022-10-20 | 2022-11-15 | 国网四川省电力公司电力科学研究院 | 一种电网故障分析方法、装置及电子设备 |
CN115343579B (zh) * | 2022-10-20 | 2023-01-10 | 国网四川省电力公司电力科学研究院 | 一种电网故障分析方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
CN104052612B (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
CN113762412B (zh) | 一种配电网单相接地故障识别方法、系统、终端及介质 | |
CN113391164A (zh) | 一种配电网单相接地故障智能化识别方法及装置 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
CN113447766A (zh) | 一种高阻接地故障的检测方法、装置、设备和存储介质 | |
CN109657720B (zh) | 一种电力变压器匝间短路故障的在线诊断方法 | |
CN110579684A (zh) | 一种基于融合算法的小电流接地系统选线方法 | |
CN110632455A (zh) | 一种基于配网同步量测大数据的故障检测定位方法 | |
CN114062845A (zh) | 线路故障的检测方法、装置以及电子设备 | |
CN113945862A (zh) | 一种配电网高阻接地故障识别方法、装置及设备 | |
CN112710923B (zh) | 基于故障后稳态信息的数据驱动单相接地故障选线方法 | |
CN114386024A (zh) | 基于集成学习的电力内网终端设备异常攻击检测方法 | |
CN111896890B (zh) | 基于希尔伯特-黄变换的微电网线路故障诊断方法及系统 | |
CN109061354A (zh) | 一种基于改进pso和svm的电能质量扰动识别方法 | |
CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN115144703B (zh) | 基于零序差分电流和能量矩指标的高阻接地故障识别方法 | |
CN112051479A (zh) | 一种配电网运行状态识别方法及系统 | |
CN115963350A (zh) | 一种直流配电网故障定位方法及装置 | |
CN114764599B (zh) | 一种配电网单相接地故障灵敏度分析方法和系统 | |
CN114002550B (zh) | 一种直流配电网接地故障选线方法及系统 | |
CN115128400A (zh) | 一种配网故障类型识别与故障选线综合研判方法及系统 | |
CN110988590B (zh) | 一种基于pca-svm模型的配网选线方法及系统 | |
CN113567803B (zh) | 基于Tanimoto相似度的小电流接地故障定位方法及系统 |
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 |