CN114076855A - 变压器的涌流检测方法、设备以及计算机可读存储介质 - Google Patents

变压器的涌流检测方法、设备以及计算机可读存储介质 Download PDF

Info

Publication number
CN114076855A
CN114076855A CN202010794821.2A CN202010794821A CN114076855A CN 114076855 A CN114076855 A CN 114076855A CN 202010794821 A CN202010794821 A CN 202010794821A CN 114076855 A CN114076855 A CN 114076855A
Authority
CN
China
Prior art keywords
inrush current
neural network
current detection
inrush
detection neural
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
Application number
CN202010794821.2A
Other languages
English (en)
Inventor
任睿
曹宇
李容
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.)
Schneider Electric Industries SAS
Original Assignee
Schneider Electric Industries SAS
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 Schneider Electric Industries SAS filed Critical Schneider Electric Industries SAS
Priority to CN202010794821.2A priority Critical patent/CN114076855A/zh
Priority to US17/397,331 priority patent/US11841384B2/en
Priority to EP21306108.8A priority patent/EP3955010B1/en
Publication of CN114076855A publication Critical patent/CN114076855A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
    • G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
    • G01R19/16547—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies voltage or current in AC supplies
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • 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
    • G06N3/04—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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/04—Arrangements for preventing response to transient abnormal conditions, e.g. to lightning or to short duration over voltage or oscillations; Damping the influence of dc component by short circuits in ac networks
    • H02H1/043—Arrangements for preventing response to transient abnormal conditions, e.g. to lightning or to short duration over voltage or oscillations; Damping the influence of dc component by short circuits in ac networks to inrush currents
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00036—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers
    • H02J13/0004—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers involved in a protection system
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01H—ELECTRIC SWITCHES; RELAYS; SELECTORS; EMERGENCY PROTECTIVE DEVICES
    • H01H47/00—Circuit arrangements not adapted to a particular application of the relay and designed to obtain desired operating characteristics or to provide energising current
    • H01H47/002—Monitoring or fail-safe circuits
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00034—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving an electric power substation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Power Engineering (AREA)
  • Neurology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Protection Of Transformers (AREA)

Abstract

公开了一种用于变压器的涌流检测方法、涌流检测设备和计算机可读存储介质。该涌流检测方法包括：对所述变压器的电流信号的至少一部分进行采样以获得数值矩阵；将所述数值矩阵作为输入提供给涌流检测神经网络；以及由所述涌流检测神经网络计算并输出对应于所述数值矩阵的标签向量，所述标签向量指示所述电流信号是否为涌流。

Description

变压器的涌流检测方法、设备以及计算机可读存储介质
技术领域
本公开涉及变压器涌流检测方法及设备，更具体地，涉及变压器的涌流检测方法、涌流检测设备以及计算机可读存储介质。
背景技术
在变压器上电过程中出现的大电流称为涌流。涌流是连接电源侧的电压在变压器铁芯中建立磁场时产生的电流，在没有连接电源侧无此电流产生。涌流的最大峰值可以达到其额定电流的6～8倍，持续时间可长达10秒钟。继电保护在此时必须避免动作，否则会导致变压器无法成功上电，即无法从电源断开的无压状态进入连接电源的有压状态。这个避免继电保护动作的行为称为“闭锁保护”。目前通常使用的闭锁保护算法，是利用涌流中包含丰富的二次谐波含量这一现象来识别涌流的出现和消失，在二次谐波高于某一门槛值时，例如在电流二次谐波的幅与基波的幅值之间的比率大于或等于25％时，判定该电流信号为涌流，应当采取“闭锁保护”。然而二次谐波法检测速度慢且准确度不够高。
发明内容
本公开涉及一种能够快速且准确地检测变压器的涌流的方法。
根据本公开的一方面，提供了一种用于变压器的涌流检测方法。该方法包括：对所述变压器的电流信号的至少一部分进行采样以获得数值矩阵；将所述数值矩阵作为输入提供给涌流检测神经网络；以及由所述涌流检测神经网络计算并输出对应于所述数值矩阵的标签向量，所述标签向量指示所述电流信号是否为涌流。
可选地，该方法还包括：检测所述数值矩阵中的最大值是否大于预设启动阈值；并且仅当所述数值矩阵中的最大值大于或等于所述预设启动阈值时才将所述数值矩阵作为输入提供给所述涌流检测神经网络。
可选地，所述电流信号的至少一部分为与所述电流信号的半个周期对应的部分。
可选地，所述电流信号是三相电流信号，并且所述数值矩阵的一行或一列与所述三相电流信号中的一相对应。
可选地，所述涌流检测神经网络为卷积神经网络。
可选地，所述涌流检测神经网络是经训练的神经网络，并且所述训练包括以下步骤：步骤1，获取用于训练所述涌流检测神经网络的电流信号训练样本集；步骤2，将所述电流信号训练样本集中的训练样本作为输入提供给所述涌流检测神经网络；步骤3，由所述涌流检测神经网络计算对应于所述训练样本的标签向量；步骤4，基于所述训练样本的标签向量确定所述涌流检测神经网络的处理损失；步骤5：如果所述处理损失大于或等于预设处理损失阈值，则更新所述涌流检测神经网络的参数并基于更新的涌流检测神经网络进行步骤2至步骤5，并且如果所述处理损失小于或等于预设处理损失阈值，则停止所述训练。
可选地，所述涌流检测神经网络至少包括第一卷积层、第二卷积层、全连接层、激活层以及输出层；以及所述涌流检测神经网络的参数至少包括所述第一卷积层所包括的第一卷积核的权重矩阵、所述第二卷积层所包括的第二卷积核的权重矩阵、所述全连接层的权重矩阵。
可选地，所述涌流检测神经网络还包括位于所述第一卷积层和所述第二卷积层之间的第一池化层、以及位于所述第二卷积层和所述全连接层之间的第二池化层，所述第一池化层和/或所述第二池化层采用最大池化法进行下采样。
可选地，所述第一卷积层采用大小为3*3的第一卷积核；所述第二卷积层采用大小为3*3的第二卷积核；以及所述激活函数是sigmoid函数、relu函数、tanh函数之一。
可选地，所述电流信号训练样本集中的一个或多个样本通过电磁暂态仿真程序EMTP生成。
根据本公开的另一方面，提供了一种用于变压器的涌流检测设备。该设备包括：采样模块，对所述变压器的电流信号的至少一部分进行采样以获得数值矩阵；输入模块，将所述数值矩阵作为输入提供给涌流检测神经网络；以及分类模块，由所述涌流检测神经网络计算并输出对应于所述数值矩阵的标签向量，所述标签向量指示所述电流信号是否为涌流。
可选地，所述输入模块还被配置为检测所述数值矩阵中的最大值是否大于预设启动阈值，并且仅当所述数值矩阵中的最大值大于或等于所述预设启动阈值时才将所述数值矩阵作为输入提供给所述涌流检测神经网络。
根据本公开的另一方面，提供了一种用于变压器的涌流检测设备。该设备包括：处理器；以及存储器，其中，所述存储器中存储有计算机可执行程序，当所述程序被所述处理器执行时，使得所述设备执行上述任一项的方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实施上述任一项的方法。
根据本公开的上述各方面，利用神经网络检测变压器的涌流，所需采样点少、检测速度快、准确率高，且可以在涌流和故障电流并存的情况下执行检测。
附图说明
通过下面结合附图对本公开的描述，本公开的这些和/或其他方面、特征和优点将变得更加清楚和容易理解，其中：
图1是图示根据本公开实施例的涌流检测设备的使用场景图。；
图2是根据本公开实施例的涌流检测方法的流程图；
图3是根据本公开另一实施例的涌流检测方法的流程图；
图4是根据本公开的实施例的涌流检测神经网络的训练方法的流程图；
图5是根据本公开的实施例的涌流检测神经网络的结构示意图；
图6是对根据本公开实施例的训练完成的涌流检测神经网络进行测试所得到的测试结果；
图7是示出根据本公开实施例的涌流检测设备的硬件框图；
图8是示出根据本公开另一实施例的涌流检测设备的硬件框图；以及
图9是示出根据本公开实施例的计算机可读存储介质的示意图。
具体实施方式
下面将参考本公开的示例性实施例对本公开进行详细描述。然而，本公开不限于这里所描述的实施例，其可以以许多不同的形式来实施。所描述的实施例仅用于使本公开彻底和完整，并全面地向本领域的技术人员传递本公开的构思。所描述的各个实施例的特征可以互相组合或替换，除非明确排除或根据上下文应当排除。
目前对于涌流检测的方法主要是二次谐波法，其原则是利用涌流中包含丰富的二次谐波含量这一现象来识别涌流的出现和消失，在二次谐波高于某一门槛值时，例如在电流二次谐波的幅与基波的幅值之间的比率大于或等于25％时，判定该电流信号为涌流。然而利用二次谐波法有检测速度慢的显著缺点。例如，以工频50Hz的变压器为例，其电流信号的周期为20ms，在这种情况下，二次谐波的检测给闭锁保护动作带来至少20ms的时间延迟，这是因为对于任何的电流突变，离散傅里叶变换(DFT)都会在至少一个周波内产生包含二次谐波在内的高次谐波，这些高次谐波会在20-30ms之内消失，所以对于某些场景来说，无法满足快速闭锁保护动作的需要。一旦采用基于二次谐波法的闭锁保护机制，在二次谐波消失之前，都无法实施闭锁保护动作。此外，由于几乎所有的电流突变都会生成二次谐波，所以二次谐波还有可能将非涌流(故障电流)检测为涌流，所以二次谐波法还无法在涌流和故障电流并存的情况下使用。
除了二次谐波法以外，目前还使用基于纯电压量的涌流判据，如电压谐波制动原理及电压比值法等；基于纯电流量的涌流判据，如波形对称原理、间断角原理等；基于电流和电压的判据，如功率差动原理、磁通特性原理、等值电路原理等。但这些方法都存在使用条件高或者在某些保护场景下无效的情况。例如，间断角法利用的是涌流波形通常会出现的间断角，而故障波形通常不会出现间断角来执行涌流检测。但是间断角法需要较高分辨率的采样，每工频周期采样点数至少为36点。而且由于涌流间断角的电流非常小，绝对值接近于零，而ADC芯片在零点附近的转换处理损失最大，所以间断角法还需要较高分辨率的ADC芯片。此外，在某些情况下，电流波形还可能由于高次谐波而畸变，畸变的波形通常不会产生间断角，那么间断角法就不再有效。又例如，波形对称法是利用故障波形通常关于时间轴上下对称的而单相涌流波形通常并非关于时间轴上下对称这一事实来执行涌流检测。但是在畸变的情况下很有可能原本对称的电流变得不对称，导致该方法无效。
因此，需要一种能够使用各种保护场景并且能够提高检测速度和准确度的涌流检测方法。
图1是图示根据本公开实施例的涌流检测设备100的使用场景图。
如图1所示，变电站通过变压器向诸如商务中心、写字楼等负载A、B、C供电。变压器通过母线将电压分配到馈线A、馈线B和馈线C，以经由馈线A、馈线B和馈线C向负载A、负载B和负载C供电。每一条馈线A、B、C中都有继电器和断路器(为简便，图中只在馈线A中示出)。变压器处于工作状态时，一次侧和二次侧的电压会达到额定值，比如一次侧达到约10kV，二次侧达到约380V。在变压器上电还未进入工作状态时，由于变压器的全电压充电而可能出现涌流，此时需要继电器采取“闭锁保护”动作而不是采取跳闸保护动作使断路器跳闸。
根据本公开实施例的涌流检测设备100可以作为继电器的一部分被集成在继电器中、或者位于继电器外部且通过有线或无线网络与继电器交换数据或命令。涌流检测设备100可以对来自变压器的电流信号I进行采样、判定电流信号I是否涌流、并且生成检测结果。继电器基于该检测结果指示电流信号I是涌流而采取“闭锁保护”动作，反之则采取跳闸保护动作。该电流信号I可以是经由电流互感器转换之后的电流信号，电流互感器的作用是将较大数值的电流转换成较小数值的电流。
涌流检测设备100可以中配置有根据本公开实施例的涌流检测神经网络，涌流检测神经网络可以对电流信号I执行特征提取处理，并且基于提取的特征生成指示电流信号I是否为涌流的检测结果。该涌流检测神经网络需要根据本公开实施例的训练方法来训练，以成为能够执行判定电流信I是否涌流的神经网络。
此外，涌流检测设备100还可以将涌流检测结果输出到外部显示设备(图中未示出)中。该外部显示设备可以通过有线或无线网络与涌流检测设备通信。该显示设备例如可以以文本、图像、视频等多种方式来显示涌流检测设备100的检测结果。
由于涌流检测设备100的检测结果是利用训练好的涌流检测神经网络生成的，基于神经网络在特征提取和分类方面的显著优势，其克服了常规检测方法诸如二次谐波检测速度慢且无法区分涌流和故障电流、间断角法的采样分辨率高且可能无效、波形对称法可能无效等缺点，实现更高效的涌流检测。
图2是根据本公开实施例的涌流检测方法200的流程图。
图2中所示的涌流检测方法200可以由图1中的涌流检测设备100实施，在涌流检测设备100中配置有根据本公开实施例的训练好的涌流检测神经网络。如图2所示，涌流检测方法200可以包括步骤S201-S203。
在步骤S201中，对变压器的电流信号I的至少一部分进行采样以获得数值矩阵M。该步骤中的电流信号I可以是从变压器101输出后经过适当预处理的电流信号，该预处理包括但不限于经过电流互感器将直接从变压器101输出的数值较大的电流信号按一定比率转换成数值较小的电流信号等。在该步骤中，对电流信号I进行采样时的采样分辨率为每工频周期k个采样点，k的值可以根据应用需要进行选择，根据本发明的实施例，k的值可以较小，例如可以低至32，采样范围为N个周期，例如，N可以低至1/2。该步骤中的数值矩阵M是电流信号I的采样值的排列，其中的一行或一列对应于电流信号中的一相。例如，在电流信号I为三相电流的情况下，对电流信号I中的N个周期进行采样，将得到大小为3×Nk的数值矩阵M，数值矩阵M中的一行对应于三相电流信号中的一相。
在步骤S202中，将数值矩阵M作为输入提供给涌流检测神经网络。该涌流检测神经网络是已经训练好的涌流检测神经网络，其训练方法将在下文结合图5进行描述。
在步骤S203中，由涌流检测神经网络计算并输出对应于该数值矩阵M的标签向量V，该标签向量V指示该电流信号是否为涌流。该步骤中，涌流检测神经网络对电流信号I执行特征提取处理，基于提取的特征生成检测结果。换言之，涌流检测神经网络对在步骤S203中输入的数值矩阵M进行一系列运算，得到指示该电流信号I是否为涌流的标签向量V。标签向量V中的最大值所对应的类别即为涌流神经网络的预测结果。
在本公开的实施例中，利用涌流检测神经网络来检测变压器的电流信号是否为涌流，由于神经网络在特征提取和基于特征分类的方面具有显著的优势，即使在涌流和故障电流并存的情况下也能准确地将故障电流判断为非涌流信号，其提高了涌流检测的准确度。
此外，在本公开的实施例中，涌流检测设备100的采样范围可以低至N＝1/2个周期，即工频为50Hz的情况下，其可以在涌流出现10ms之后就得到检测结果。与二次谐波法至少需要20～30ms相比，缩减了检测时间、提高了检测速度。
此外，在本公开的实施例中，采样分辨率可以低至k＝32，与现有检测方法例如间断角法的采样分辨率为至少36相比，降低了对采样分辨率的要求。
图3是根据本公开另一实施例的涌流检测方法300的流程图。
存在各种原因使变压器的电流突然变大，例如，在变压器上电期间，诸如当变压器空载投入或外部故障切除后电压恢复时，由于其磁链不能突变而产生涌流；或者在变压器工作期间，当出现外部或内部故障时，由于短路而引起的电流突然变大，此时电流突变属于故障电流。然而，大部分时间内，变压器的电流处于正常范围。为了节省计算资源和减少功耗，可以对涌流的判定的启动设置启动阈值。
如图3所示，涌流检测方法300可以包括步骤S301-S304。方法300中的步骤S301与图2中的步骤S201相同，不同之处在于增加了步骤302处的启动阈值判断操作。
在步骤S302，判断在步骤S301中获得的数值矩阵M中的最大值是否大于预设启动阈值，该最大值对应于被采集的电流信号中的最大电流值。预设启动阈值Tenable是启动涌流神经网络以进行特征提取和分类的门槛值，该Tenable可以根据实际需求来设置，例如可以设置为额定电流的倍数，例如5倍、6倍等。并且该预设启动阈值Tenable可以人为地更改，例如由用户在变压器的使用过程中根据变压器所处的电力环境进行调整。
如果步骤S302的判定结果是数值矩阵M中的最大值大于或等于预设启动阈值Tenable，则方法300前进到步骤S303。与方法200的步骤S202相同，在步骤S303中，将数值矩阵M作为输入提供给涌流检测神经网络。与方法200的步骤S203相同，在步骤S304中，由涌流检测神经网络计算并输出对应于数值矩阵M的标签向量，该标签向量指示电流信号是否为涌流。如果步骤S302的判定结果是数值矩阵M中的最大值小于预设启动阈值Tenable，则等待在步骤301中获得的下一个数值矩阵M。应该理解，图3中的步骤S301可以持续不断地执行，即持续不断地对变压器的电流信号I进行采集(例如，每次采集范围为电流信号I的半个周期)，因此，步骤S302至S304针对步骤S301中获取的每个数值矩阵而重复。
在本公开的实施例中，通过设置在满足预设启动阈值才启动涌流检测神经网络，节约了计算资源。
图4是根据本公开的实施例的涌流检测神经网络的训练方法400的流程图。
如图4所示，涌流检测神经网络的训练方法400包括步骤S401-S407。
在步骤S401中，获取用于训练涌流检测神经网络的电流信号训练样本集。在本公开的实施例中，电流信号训练样本集中的每一个样本可以是在变压器的实际使用过程中搜集的电流信号或者通过电磁暂态仿真程序EMTP或其他软件程序按照特定算法生成的电流信号，这些电流信号可以包括例如已经确定为涌流、故障电流、正常电流信号等。例如，当采用在变压器实际使用过程中出现的电流信号作为样本时，无法获得满足训练涌流检测神经网络所需的样本量，则由EMTP生成的训练样本可以作为补充。对于电流信号训练样本集中的每一个样本，无论其来源是前述两种情况中的哪一种，该样本的真实标签向量都是已知的，而涌流检测神经网络的检测结果，即涌流神经网络输出的标签向量，应该与该样本的真实标签向量一致。因此，训练涌流检测神经网络的目标是使得对于电流信号训练样本集中的每一个样本，由涌流检测神经网络计算的标签向量与其真实标签向量的差异最小化。
在步骤S402中，将电流信号训练样本集中的训练样本作为输入提供给涌流检测神经网络。在该步骤中输入的训练样本可以是训练样本集的全部样本、一部分样本或一个样本，这可以根据样本集的样本量大小、计算资源大小、网络预测准确度的要求等来选择。
在步骤S403中，由涌流检测神经网络计算对应于训练样本的标签向量。如前所述，涌流检测神经网络对在步骤S402中输入的训练样本进行特征提取，并根据提取的特征分类，得到指示该训练样本对应的电流信号是否为涌流的标签向量V。
在步骤S404，基于该训练样本的标签向量确定涌流检测神经网络的处理损失。对于在步骤S402中输入的训练样本，可以比较由涌流检测神经网络输出的标签向量和已知的其真实标签向量。例如，已知对于实际为涌流的训练样本，其真实标签向量为[1,0]，表示该训练样本是涌流的概率为1，是非涌流的概率为0；对于实际为非涌流的训练样本，其真实标签向量为[0,1]，表示该训练样本是涌流的概率为0，是非涌流的概率为1。在涌流检测神经网络尚未训练完成时，输出的训练样本标签向量可能与该训练样本的真实标签向量差异较大，对于已知为涌流的训练样本，例如输出标签向量可能为[0.3,0.7]，表明该神经网络认为该样本是涌流的概率为0.3，是非涌流的概率为0.7，这种检测结果是完全错误的，又例如输出标签向量可能为[0.6,0.4]，表明该神经网络认为该样本是涌流的概率为0.6，是非涌流的概率为0.4，虽然这种检测结果表明是涌流的可能性大于非涌流，但是其与真实标签向量之间的差异还比较大，尚未达到使神经网络输出的标签向量与真实标签向量之间的差异最小的训练目标。涌流神经网络输出的标签向量与真实标签向量之间的差异可以通过处理损失L来衡量。处理损失L的确定与为涌流检测神经网络选择的损失函数有关，损失函数可以是诸如均方误差函数、交叉熵损失函数、L1损失函数、L2损失函数等之一。分别对应于在步骤402中输入的训练样本是训练样本集的全部样本、一部分样本或一个样本，可以依据批量梯度下降(Batch Gradient Descent，BGD)、小批梯度下降(Mini-Batch GradientDescent，SGD)或随机梯度下降(Stochastic Gradient Descent，MBGD)来确定处理损失L。
在步骤S405，判断处理损失L是否大于或等于预设处理损失阈值TL。预设处理损失阈值TL可以结合基于变压器所处的电力环境所要求的涌流检测神经网络的准确度来选值，例如可以选值为0.01、0.02等。如果判断出处理损失L大于或等于预设处理损失阈值TL，则认为涌流检测神经网络训练尚未完成，则前进到步骤S406。反之，如果判断出处理损失L小于预设处理损失阈值TL，则认为涌流检测神经网络训练已经完成，则前进到步骤S407。
在步骤S406，更新涌流检测神经网络的参数。该步骤可以利用反向传播算法进行，涌流检测神经网络中的一个或多个参数被更新为使得在下一次训练中得到的处理损失L更小。这些参数主要包括该神经网络各层的权重参数，例如，卷积层中的一个或多个卷积核的权重矩阵、全连接层的权重矩阵等。更新完成后，则重复步骤S402至步骤S405，直到在步骤S405中判定处理损失L小于预设处理损失阈值TL时，则前进到步骤S407。
在步骤S407，停止训练涌流检测神经网络。
图5是根据本公开的实施例的涌流检测神经网络的结构示意图。
如图5所示，涌流检测神经网络可以为包括第一卷积层、第二卷积层、全连接层、激活层以及输出层的卷积神经网络。第一卷积层可以包括n个卷积核：卷积核11、卷积核12、…、卷积核1n。第二卷积层可以包括m个卷积核：卷积核21、卷积核22、…、卷积核2m。输入到涌流检测神经网络的数值矩阵为M。
数值矩阵M被输入到涌流检测神经网络后，首先被第一卷积层处理。第一卷积层所包含的第一卷积核11至1n中的每一个与该数值矩阵M卷积，得到第一卷积层的卷积结果，即数值矩阵C1。数值矩阵C1中的每一行对应于每一个卷积核与该数值矩阵M的卷积结果。
在数值矩阵C1大小较大的情况下，为了减少要处理的数据量，可以通过第一池化层对数值矩阵C1进行池化。第一池化层的池化方法可以是平均池化法或最大池化法。第一池化层的池化结果记为数值矩阵P1。
接下来，数值矩阵P1被输出到第二卷积层。第二卷积层所包含的第二卷积核21至2m中的每一个与数值矩阵P1卷积，得到第二卷积层的卷积结果，即数值矩阵C2。数值矩阵C2中的每一行对应于每二个卷积核与该数值矩阵P1的卷积结果。
同样，在数值矩阵C2的大小较大的情况下，为了进一步减少要处理的数据量，可以通过第二池化层对数值矩阵C2进行池化。第二池化层的池化方法也可以是平均池化法或最大池化法。第二池化层的池化结果记为数值矩阵P2。
接下来，将数值矩阵P2展开成一行或一列，展开结果即为全连接层，记为数值矩阵U。
接下来，数值矩阵U与全连接层权重矩阵W相乘，得到加权和向量S。
最后，通过激活层将加权和向量S转换成输出层标签向量V。标签向量V中的最大值所对应的类别为涌流神经网络的预测结果。激活层的激活函数G(x)可以包括但不限于sigmoid函数、relu函数、tanh函数之一。
需要注意的是，图5所示的涌流检测神经网络的具体结构仅仅是为方便说明而列举的示例。在特定的环境下，可以对该结构做出改变和修改而不脱离本公开的保护范围，例如，在计算资源足够强大或待处理数值量本身较少时无需包括第一和/或第二池化层；卷积层、池化层、激活层等的数量可以根据涌流检测神经网络的训练情况适当修改；各卷积层所包括的卷积核的数量和大小也可以修改；各卷积层所包括的卷积核的大小也可以不同等等。
为方便理解，下面以一个详细的示例说明图5所示的涌流神经网络根据图4所示的训练方法的训练过程，以及使用训练好的涌流神经网络来检测电流信号I是否为涌流的过程。
为方便说明，对该示例做以下设定：采样分辨率为k＝32、每次采样范围为N＝1/2个周期，涌流检测神经网络的第一卷积层和第二卷积层所包含的卷积核的数量均为6，即n＝m＝6，第一卷积核11至16的大小以及第二卷积核21至26的大小均为3×3，第一和第二池化层采用最大池化法进行下采样，处理损失函数采用交叉熵损失函数
Figure BDA0002625152260000101
处理损失阈值TL为0.01，激活层采用激活函数σ(z)＝1/(1+e-z)。
以该示例，说明图5所示的涌流神经网络根据图4所示的训练方法的训练过程。
对应于步骤S401，采用EMTP生成5000个代表被采样的电流信号的数值矩阵作为训练样本集，该训练样本集中包括2500个对应于涌流信号的数值矩阵和2500个对应于非涌流信号的数值矩阵，这些非涌流信号可以包括CT饱和电流信号、故障电流信号或者涌流和CT饱和共存的电流信号等。将这5000个数值矩阵随机排序并按顺序分配编号为M1～M5000。对于涌流信号样本，其真实标签向量为[1,0]，表示该样本是涌流信号的概率为1，是非涌流信号的概率为0；对于非涌流信号样本，其真实标签向量应该为[0,1]，表示该样本是涌流信号的概率为0，是非涌流信号的概率为1。
对应于步骤S402，将训练样本M1提供给涌流检测神经网络。已知M1的是涌流信号样本，则其真实标签向量为[1,0]。
对应于步骤S403，由涌流检测神经网络输出对应于M1的标签向量y1，例如为y1＝[0.4,0.6]，也就是说，此时的涌流检测神经网络认为样本M1属于涌流信号的概率为0.4，且属于非涌流的概率为0.6。说明此时涌流检测神经网络对样本M1的分类是完全错误的。
对应于步骤S404，基于损失函数
Figure BDA0002625152260000111
涌流检测神经网络可以确定其处理损失L1＝-(1×log0.4+0×log0.6)＝0.91。
对应于步骤S405，涌流检测神经网络判定其处理损失L1＝0.91≥TL＝0.01。
对应于步骤S406，涌流检测神经网络根据反向传播算法更新其参数，这些参数包括第一卷积核11至16的大小为3×3的权重矩阵、第二卷积核21至26的大小为3×3权重矩阵、全连接层的大小为2×12权重矩阵W。
更新完成后，再重复执行步骤S402～S406，即，将训练样本M2提供给涌流检测神经网络，然后执行对训练样本M2的特征提取、分类、处理损失计算等。直到在步骤S405中判定处理损失L<TL，则训练结束。
训练完成后，将得到第一卷积层的对应于6个第一卷积核的确定的6×3×3的权重矩阵、第二卷积层的对应于6个第二卷积核的确定的6×3×3的权重矩阵、以及全连接层的对应于权重矩阵W的确定的2×12权重矩阵，这些参数与先前设定的涌流检测神经网络的结构、损失函数、激活函数等共同构成训练好的涌流检测神经网络。
需要说明的是，以上简单的示例仅仅是为了方便说明，并不限制本公开，根据实际需要，可以对其进行各种修改和改变。例如在步骤S402中可以每次输出多个样本，则在步骤S404中计算的处理损失L可以是这些样本的处理损失的平均值；例如更复杂地，也可以将涌流检测神经网络训练成执行多分类的神经网络，比如使其能够区分涌流、CT饱和电流、故障电流、涌流与CT饱和共存的电流这四种电流信号，这种情况下，训练样本分为4类，分别对应的真实标签向量为[1,0,0,0]、[0,1,0,0]、[0,0,1,0]和[0,0,0,1]，涌流检测神经网络的结构、损失函数等也可以将执行相应调整。本公开不再赘述其它修改和改变。
下面继续以此示例说明使用训练好的涌流检测神经网络来检测电流信号I是否为涌流的过程。
参考图1和图5，当涌流检测设备检测到经由电流互感器转换的变压器的三相电流信号I(每一相的波形分别示出为Iph1、Iph2、Iph3)时，按照采样分辨率k＝32，对该电流信号的N＝1/2个周期进行采样，得到大小为3×16的数值矩阵M，M中的一行代表一相的采样值。
M被输入到涌流检测神经网络后，第一卷积层所包含的6个第一卷积核11至16分别与其卷积，每个卷积核与M的卷积结果为包括16个数值的数值向量，因而6个第一卷积核与M的卷积结果是大小为6×16数值矩阵C1。
为减少要处理的数值量，通过第一池化层对数值矩阵C1进行池化。本示例中采用最大池化法对数值矩阵C1进行下采样，得到大小为3×8的数值矩阵P1。
接下来，第二卷积层所包含的6个第二卷积核21至26中的每一个与数值矩阵P1卷积，类似与第一卷积层，第二卷积层的卷积结果是大小为6×8的数值矩阵C2。
为进一步减少要处理的数值量，通过第二池化层对数值矩阵C2进行池化。本示例中采用最大池化法对数值矩阵C2进行下采样，得到大小为3×4数值矩阵P2。
接下来，将数值矩阵P2展开成一行或一列，即将矩阵P2中的数值排列成一行或一列。本示例中将矩阵P2展开成一列，得到大小为12×1的数值矩阵U。
接下来，大小为2×12的全连接层权重矩阵W与大小为12×1数值矩阵U相乘，得到大小为2×1的加权和向量S。
最后，通过激活层将加权和向量S转换成标签向量V，使得标签向量V中的数值在0～1的范围内。标签向量V中的最大值所对应的类别为涌流神经网络的预测结果。例如，若输出标签向量V为[0.9956,0.0044]，则表示涌流神经网络认为被检测电流信号I是涌流的概率为0.9956，认为被检测电流信号I是非涌流的概率为0.0044，向量V中最大值0.9956所对应的类别为涌流，说明涌流神经网络的预测结果为涌流。
此外，在图4所示的训练过程结束后，可以对训练好涌流检测神经网络进行测试，例如用不参与训练过程的电流信号样本作为测试样本来测试涌流检测神经网络的检测效果，每一个测试样本的真实标签向量是已知的。
图6示出了对根据本公开实施例的涌流检测神经网络进行测试所得到的测试结果。如图6中左侧示出了测试样本集中的一个涌流信号样本，其横坐标为采样点的索引，纵坐标为电流值，单位为A。与结合图4和图5所描述的示例相同地，对该涌流信号样本按照采样分辨率k＝32采样半个周期，得到大小为3×16的数值矩阵，将该数值矩阵输入到涌流检测神经网络中，涌流检测神经网络经过计算输出标签向量为[0.9964,0.0036]，并且预测结果为“Pred:inrush”(即涌流)。如图6中右侧示出了测试样本集中的一个非涌流信号，其横坐标为采样点的索引，纵坐标为电流值，单位为A。同样对该涌流信号按照采样分辨率k＝32采样半个周期，得到大小为3×16的数值矩阵，将该数值矩阵输入到涌流检测神经网络中，涌流检测神经网络经过计算输出标签向量为[0.0052,0.9948]，并且显示了最终检测结果为“Pred:Non_I”(即非涌流)。
本公开通过上述示例性卷积神经网络的测试表明根据本公开实施例的涌流检测方法能够通过低至N＝1/2个周期的采样范围以及低至32每周期的分辨率实现准确的检测。显然，本领域的技术人员清楚本公开的涌流检测方法不限于采用上述示例性卷积神经网络，同样可以采用其它合适的神经网络。
图7是示出根据本公开实施例的涌流检测设备700的模块框图。
如图7所示，涌流检测设备700包括采样模块701、输入模块702、分类模块703。这三个模块可以配置为同一物理位置，例如都被集成在图1所示的继电器内。可替代地，在不考虑数据通信而造成的时延的情况下，这三个模块中的一个或两个也可以与另外两个或一个配置为不在同一物理位置，并且通过有线或者无线通信网络连接，从而在相互之间传输数据或者命令。
采样模块701被配置为对变压器的电流信号I的至少一部分进行采样以获得数值矩阵M。其采样分辨率为每工频周期采样k个样本点，并且每一次的采样范围可以是电流信号I的N个周期，N≥1/2。
输入模块702将采样模块701获取的数值矩阵M作为输入提供给涌流检测神经网络。此外，为了节约计算资源，输入模块702还可以检测数值矩阵M中的最大值是否大于预设启动阈值，并且仅当该数值矩阵中的最大值大于或等于所述预设启动阈值时才数值矩阵作为输入提供给所述涌流检测神经网络。
分类模块703，其中配置了如本公开实施例的涌流检测神经网络，并且由所述涌流检测神经网络输出对应于数值矩阵M的标签向量，该标签向量指示电流信号是否为涌流。
显然，上文关于涌流检测方法的说明同样适用于涌流检测设备700，这里不再重复。
图8是示出根据本公开另一实施例的涌流检测设备800的硬件框图。
根据本公开实施例的电子设备800至少包括用于存储计算机程序指令的存储器和用于执行该计算机程序指令的处理器。当计算机程序指令由处理器加载并运行时，处理器执行上述涌流检测神经网络的训练方法和涌流检测方法。
图8所示的涌流检测设备800具体地可以包括：中央处理单元(CPU)801、图形处理单元(GPU)802和主存储器803。这些单元通过总线804互相连接。中央处理单元(CPU)801和/或图形处理单元(GPU)802可以用作上述处理器，主存储器803可以用作上述存储计算机程序指令的存储器。此外，电子设备800还可以包括通信单元805、存储单元806、输出单元807、输入单元808和外部设备809，这些单元也连接到总线804。
图9是示出根据本公开的实施例的计算机可读存储介质的示意图。如图9所示，根据本公开实施例的计算机可读存储介质900其上存储有计算机程序指令901。当所述计算机程序指令901由处理器运行时，执行参照以上附图描述的根据本公开实施例的涌流检测神经网络的训练方法和涌流检测方法。
该计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存、光盘、磁盘等。
以上，参照附图描述了根据本公开实施例的基于神经网络的涌流检测方法和设备。基于神经网络强大的特征提取和分类功能，利用神经网络的涌流检测方法、涌流检测设备和计算机可读存储介质能够快速且准确地判断变压器的电流信号是否为涌流。并且涌流检测结果可以提供给继电器以供其做出是否采取“闭锁保护”的决策。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC(即A和B和C)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是，在本公开的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (14)

1.一种用于变压器的涌流检测方法，包括：
对所述变压器的电流信号的至少一部分进行采样以获得数值矩阵；
将所述数值矩阵作为输入提供给涌流检测神经网络；以及
由所述涌流检测神经网络计算并输出对应于所述数值矩阵的标签向量，所述标签向量指示所述电流信号是否为涌流。
2.如权利要求1所述的方法，还包括：
检测所述数值矩阵中的最大值是否大于预设启动阈值；并且
仅当所述数值矩阵中的最大值大于或等于所述预设启动阈值时才将所述数值矩阵作为输入提供给所述涌流检测神经网络。
3.如权利要求1所述的方法，其中
所述电流信号的至少一部分为与所述电流信号的半个周期对应的部分。
4.如权利要求2所述的方法，其中
所述电流信号是三相电流信号，并且所述数值矩阵的一行或一列与所述三相电流信号中的一相对应。
5.如权利要求1所述的方法，其中
所述涌流检测神经网络为卷积神经网络。
6.如权利要求1所述的方法，其中
所述涌流检测神经网络是经训练的神经网络，并且所述训练包括以下步骤：
步骤1，获取用于训练所述涌流检测神经网络的电流信号训练样本集；
步骤2，将所述电流信号训练样本集中的训练样本作为输入提供给所述涌流检测神经网络；
步骤3，由所述涌流检测神经网络计算对应于所述训练样本的标签向量；
步骤4，基于所述训练样本的标签向量确定所述涌流检测神经网络的处理损失；
步骤5：如果所述处理损失大于或等于预设处理损失阈值，则更新所述涌流检测神经网络的参数并基于更新的涌流检测神经网络进行步骤2至步骤5，并且如果所述处理损失小于或等于预设处理损失阈值，则停止所述训练。
7.如权利要求6所述的方法，其中
所述涌流检测神经网络至少包括第一卷积层、第二卷积层、全连接层、激活层以及输出层；以及
所述涌流检测神经网络的参数至少包括所述第一卷积层所包括的第一卷积核的权重矩阵、所述第二卷积层所包括的第二卷积核的权重矩阵、所述全连接层的权重矩阵。
8.如权利要求7所述的方法，其中
所述涌流检测神经网络还包括位于所述第一卷积层和所述第二卷积层之间的第一池化层、以及位于所述第二卷积层和所述全连接层之间的第二池化层，
所述第一池化层和/或所述第二池化层采用最大池化法进行下采样。
9.如权利要求7所述的方法，其中
所述第一卷积层采用大小为3*3的第一卷积核；
所述第二卷积层采用大小为3*3的第二卷积核；以及
所述激活函数是sigmoid函数、relu函数、tanh函数之一。
10.如权利要求6所述的方法，其中
所述电流信号训练样本集中的一个或多个样本通过电磁暂态仿真程序EMTP生成。
11.一种用于变压器的涌流检测设备，包括：
采样模块，对所述变压器的电流信号的至少一部分进行采样以获得数值矩阵；
输入模块，将所述数值矩阵作为输入提供给涌流检测神经网络；以及
分类模块，其中配置有所述涌流检测神经网络，由所述涌流检测神经网络计算并输出对应于所述数值矩阵的标签向量，所述标签向量指示所述电流信号是否为涌流。
12.如权利要求11所述的涌流检测设备，其中所述输入模块还被配置为检测所述数值矩阵中的最大值是否大于预设启动阈值，并且仅当所述数值矩阵中的最大值大于或等于所述预设启动阈值时才将所述数值矩阵作为输入提供给所述涌流检测神经网络。
13.一种用于变压器的涌流检测设备，包括：
处理器；以及
存储器，其中，所述存储器中存储有计算机可执行程序，当所述程序被所述处理器执行时，使得所述设备执行权利要求1-10中任一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实施如权利要求1-10中的任一项所述的方法。
CN202010794821.2A 2020-08-10 2020-08-10 变压器的涌流检测方法、设备以及计算机可读存储介质 Pending CN114076855A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010794821.2A CN114076855A (zh) 2020-08-10 2020-08-10 变压器的涌流检测方法、设备以及计算机可读存储介质
US17/397,331 US11841384B2 (en) 2020-08-10 2021-08-09 Inrush current detection method, device and computer-readable storage medium for transformer
EP21306108.8A EP3955010B1 (en) 2020-08-10 2021-08-10 Method, device and computer readable storage medium for inrush current detection for a transformer

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010794821.2A CN114076855A (zh) 2020-08-10 2020-08-10 变压器的涌流检测方法、设备以及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114076855A true CN114076855A (zh) 2022-02-22

Family

ID=77465947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010794821.2A Pending CN114076855A (zh) 2020-08-10 2020-08-10 变压器的涌流检测方法、设备以及计算机可读存储介质

Country Status (3)

Country Link
US (1) US11841384B2 (zh)
EP (1) EP3955010B1 (zh)
CN (1) CN114076855A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102510044A (zh) * 2011-11-04 2012-06-20 上海电力学院 基于小波变换和概率神经网络的励磁涌流鉴别方法
CN102570392A (zh) * 2012-01-17 2012-07-11 上海电力学院 基于改进概率神经网络的变压器励磁涌流鉴别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19954950A1 (de) 1999-11-16 2001-05-17 Abb Research Ltd Verfahren zur Erkennung eines Kurzschlusses in Verteilnetzen
FR2902887B1 (fr) * 2006-06-23 2008-08-01 Schneider Electric Ind Sas Procede de detection directionnel d'un defaut a la terre et dispositif pour sa mise en oeuvre
WO2015118163A1 (en) * 2014-02-10 2015-08-13 Katholieke Universiteit Leuven Direction detecting of a ground fault in a multiphase network
EP3460494B1 (en) * 2017-09-26 2023-01-25 Siemens Aktiengesellschaft A method and apparatus for automatic detection of a fault type
CN108279364B (zh) * 2018-01-30 2020-01-14 福州大学 基于卷积神经网络的配电网单相接地故障选线方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102510044A (zh) * 2011-11-04 2012-06-20 上海电力学院 基于小波变换和概率神经网络的励磁涌流鉴别方法
CN102570392A (zh) * 2012-01-17 2012-07-11 上海电力学院 基于改进概率神经网络的变压器励磁涌流鉴别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PEREZ L G ET AL.: "Training an artificial neural-network to discriminate between magnetizing inrush and internal faults", IEEE TRANSACTIONS ON POWER DELIVERY, vol. 9, no. 1, 1 January 1994 (1994-01-01), pages 434 - 441, XP000465649, DOI: 10.1109/61.277715 *
张小钒;兰生;: "基于GRNN神经网络的变压器励磁涌流识别方法", 电测与仪表, no. 23, 10 December 2016 (2016-12-10), pages 89 - 94 *

Also Published As

Publication number Publication date
US11841384B2 (en) 2023-12-12
EP3955010A1 (en) 2022-02-16
EP3955010B1 (en) 2024-03-27
EP3955010C0 (en) 2024-03-27
US20220043035A1 (en) 2022-02-10

Similar Documents

Publication Publication Date Title
Swetapadma et al. Data‐mining‐based fault during power swing identification in power transmission system
US20130147412A1 (en) Power System Protection
CN105610171B (zh) 一种基于机组负荷动态无功响应的最小开机顺序优化方法
US11874317B2 (en) Ground fault directionality detection method, device and computer readable storage medium
Saha et al. Application of ANN methods for instrument transformer correction in transmission line protection
Patcharoen et al. Transient inrush current detection and classification in 230 kV shunt capacitor bank switching under various transient‐mitigation methods based on discrete wavelet transform
Shukla et al. Grey wolf optimization-tuned convolutional neural network for transmission line protection with immunity against symmetrical and asymmetrical power swing
CN118150942A (zh) 一种配电网电流接地故障定位方法、装置、设备及介质
CN114076855A (zh) 变压器的涌流检测方法、设备以及计算机可读存储介质
Goh et al. DSP based fuzzy and conventional overcurrent relay controller comparisons
CN115856504A (zh) 一种串联电弧故障的检测方法和系统
CN112287751B (zh) 励磁涌流识别方法、装置、计算机设备和存储介质
Jettanasen et al. A novel probabilistic neural network‐based algorithm for classifying internal fault in transformer windings
CN113794220A (zh) 过压保护方法、装置、计算机设备和存储介质
O'Neill-Carrillo Chaotic phenomena in power systems: detection and applications
CN107818414B (zh) 一种大规模交直流混联电网n-2预想事故集的生成方法
CN114814470A (zh) 一种智能局放内同步漂移稳定方法、系统及存储介质
CN113708343A (zh) 用于凸极发电机的定子接地保护方法、装置及电子设备
CN110889081A (zh) 一种新能源并网系统谐波谐振快速获取方法
CN117353249A (zh) 可控移相器幅值大差保护方法及系统
CN112310941B (zh) 制动电流确定方法、装置、计算机设备以及可读存储介质
CN109581143B (zh) 一种接地故障电流控制方法及装置
Sun et al. A Novel Automatic Detection Model for Single Line-to-ground Fault
JP2997515B2 (ja) 変圧器の保護システム及び保護方法
CN118693824A (zh) 用于构网设备的容量分析方法

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