CN114169231A - 一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法 - Google Patents
一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法 Download PDFInfo
- Publication number
- CN114169231A CN114169231A CN202111414342.4A CN202111414342A CN114169231A CN 114169231 A CN114169231 A CN 114169231A CN 202111414342 A CN202111414342 A CN 202111414342A CN 114169231 A CN114169231 A CN 114169231A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- network
- data
- classification
- 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
- 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
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,使用PSS/E等电力系统仿真软件产生足够的带有故障类型、故障位置与故障线路标签的故障数据用于以训练深度学习模型,进行深度特征抽取,之后将抽取的深度特征迁移到实际电力系统中的工业数据,利用数据集之间的高维相似性实现从源域到目标域的迁移、域适应。有益效果是解决小规模、不平衡数据集进行故障精准分类、定位与选线的难题,应对实际工业界带标签数据数据不足、数据不平衡的问题。
Description
【技术领域】
本发明涉及配电线路故障检测技术领域,具体涉及一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法。
【背景技术】
配网线路故障分类、故障定位、故障选线一般用于辅助电力工作人员进行线路管理与决策,能够提高故障查找速度,有效地缩短故障处理时间,保障供电可靠性;所以配电线路故障的准确分类和定位对于保证电力系统安全可靠运行意义重大。配电线路的故障分类即区分电力系统的主要故障包括三相接地短路、单相接地短路、两相相间短路、两相接地短路这四种故障类型,每种故障对应的电压、电流故障特征不同。故障定位即故障选线以及故障测距,即确定故障发生在哪条线路以及发生在配电线路上的哪个位置。故障测距,是一种对于高压输电线路检查用语。故障选线即检测并选择配电网中发生故障的配电线路。
泛在电力物联网(UEIOT;Ubiquitous Electric Internet of Things),就是围绕电力系统各环节,充分应用移动互联、人工智能等现代信息技术、先进通信技术,实现电力系统各环节万物互联、人机交互,具有状态全面感知、信息高效处理、应用便捷灵活特征的智慧服务系统。随着泛在物联网的提出,基于大数据和人工智能技术的数据驱动方法在电力系统中具有广阔的应用前景。然而由于业界缺乏高质量的标签数据(即带有故障类型和故障位置的数据),很难快速将深度学习的方法应用于实际电力系统。
传统的配电线路故障分类方法有基于傅立叶变换、S-变换、小波变换以及Clark变换的特征提取方法,这些方法的泛化能力弱,计算复杂,一定程度上依赖经验,难以发觉电网的时空数据的高维特征。而传统的机器学习方法如支持向量机、决策树、随机森林等准确率又不够高。传统的故障定位方法如单端双端行波法、单端双端故障分析法也存在泛化能力弱、准确度不够高的问题。这些传统方法大多基于数学物理模型,难以适应复杂度急剧增加的现代电网。
深度神经网络具有强大的拟合能力和泛化能力,直接以数据作为驱动,发掘数据内部高维的关联性。然而由于业界缺乏高质量的标签数据(即带有故障类型和故障位置的数据),很难快速将深度学习的方法应用于实际电力系统。带标签数据量不足以及数据分布不均衡成为制约深度学习在电网中大规模应用的最大障碍,因为深度学习的有效性建立在大数据上,足够多的样本中才能学到足够多的特征,小数据集容易造成过拟合。
网络拓扑(Network Topology)结构是指用传输介质互连各种设备的物理布局,指构成网络的成员间特定的物理的即真实的、或者逻辑的即虚拟的排列方式。迁移学习是一种机器学习方法,就是把为任务A开发的模型作为初始点,重新使用在为任务B开发模型的过程中,迁移学习(Transfer learning)顾名思义就是把已训练好的模型参数迁移到新的模型来帮助新模型训练,从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果。PSS/E是一个用于来研究电力传输系统、发电机的稳态和动态功能的程序包,能处理潮流计算、故障分析、网络等值、动态仿真和安全运行优化等问题,是电力工业中应用最广泛的电力系统分析仿真软件之一。Python计算机编程语言,提供了高效的高级数据结构,还能简单有效地面向对象编程,PyTorch是一个开源的Python机器学习库,基于Torch,用于自然语言处理等应用程序。卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。深度前馈网络(deep feedforward network,DFN),也叫作前馈神经网络(feedforwardneural network)或者多层感知机(multilayer perceptron,MLP)。Ornstein-Uhlenbeck(奥恩斯坦-乌伦贝克)过程,即O-U过程,是一种均值回归的随机过程。数据归一化问题是数据挖掘中特征向量表达时的重要问题,当不同的特征成列在一起的时候,由于特征本身表达方式的原因而导致在绝对数值上的小数据被大数据“吃掉”的情况,这个时候需要做的就是对抽取出来的features vector进行归一化处理,以保证每个特征被分类器平等对待。
申请号:201510317543.0,申请人:广西电网有限责任公司电力科学研究院,发明名称《一种基于波形比较的配电线路故障定位方法》其涉及闭环结构线路或分布式电源大量接入线路的故障定位,采用具有分布式控制功能的馈线终端单元(Feeder TerminalUnit,FTU)实时检测故障电流、短路故障时,将本检测点的故障电流与相邻检测点的故障电流进行比较,利用波形的极性关系确定故障区段。申请号:201510193324.6,申请人:福州大学,发明名称《一种基于BPSO和GA的配电线路故障区段定位方法》利用双种群进化和信息交换的策略实现二进制粒子群和遗传算法的混合,构成二进制混合算法;两个子种群有各自的个体规模,每一代的进化过程互不干扰,在每一代的进化完成后进行信息交换传递,选择最优个体分别进行两个种群下一代的寻优搜索,直至得出最优解。但是利用人工智能方法对配电线路故障分类和定位未检索到相关中文专利文献。
本发明利用大数据和人工智能算法对获取配电线路故障分类、定位与选线深度学习模型的方法进行了改进。
【发明内容】
本发明的目的是,提出一种基于小规模、不平衡故障数据集精准获取实际配电网络故障分类、定位与选线深度学习模型的方法。
为实现上述目的,本发明采取的技术方案是一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,包括以下步骤:
S1、基于潮流计算、故障分析、网络等值和动态仿真的电力系统分析仿真软件实现模拟配电网络1动态仿真,并对模拟配电网络1实施电压和频率扰动;
S2、基于所述电力系统分析仿真软件对模拟配电网络1施加不同故障类型、不同故障位置、不同故障阻抗的故障后对暂态过程进行动态仿真一小段时间;
S3、重复步骤S1和S2自动化批量化生成基于全部或部分模拟配电网络1的用于测试和训练故障分类、定位与选线深度学习神经网络的分别带有故障类别标签、故障位置标签和故障线路标签的测试集故障样本数据和训练集故障样本数据,构建高维时空故障样本矩阵;
S4、对包括测试集故障样本数据和训练集故障样本数据的高维时空故障样本矩阵进行数据融合和归一化,完成数据预处理;
S5、使用包括故障类别标签、故障位置标签和故障线路标签的故障样本数据分别对故障分类、定位与选线深度学习神经网络进行训练,分别配置故障分类、定位与选线深度学习神经网络的网络参数,获得模拟配电网络1对应的故障分类模型、故障定位模型与故障选线模型;
S6、用步骤S5获得的模拟配电网络1对应的故障分类模型、故障定位模型与故障选线模型对实际配电网络2对应的故障分类模型、故障定位模型与故障选线模型进行初始化;
S7、收集少量实际配电网络2的故障样本数据,以步骤S4模拟配电网络1数据预处理后的高维时空故障样本矩阵和所述少量实际配电网络2的故障样本数据为源域数据,通过迁移学习获得目标域数据、即实际配电网络2对应的高维时空故障样本矩阵,对步骤S6初始化后的实际配电网络2对应的故障分类模型、故障定位模型与故障选线模型进行参数微调,得到用于实际配电网络2的故障分类、定位与选线深度学习模型。
优选地,上述的一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,所述步骤S1具体为:所述电力系统分析仿真软件调用PSS/E的API接口,并导入PSS/E仿真函数库,导入模拟配电网络1基本数据文件,对模拟配电网络1节点的电压和频率施加基于高斯白噪声的扰动,基于O-U过程对负荷施加波动,将输出通道设置为全网络节点的电压幅值和相角以及电流幅值,配置输出文件。
优选地,上述的一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,所述步骤S2具体为:基于所述电力系统分析仿真软件对模拟配电网络1进行动态仿真,随机运行一段时间后加入故障,所述故障是指三相接地短路故障、单相接地短路故障、两相相间短路故障、和两相接地短路故障,配置不同故障类型、不同故障位置、和不同故障阻抗的三相接地短路故障、单相接地短路故障、两相相间短路故障、和两相接地短路故障参数,随机仿真运行30ms~60ms后切除故障,并对切除故障后的暂态过程进行动态仿真0.5s。
优选地,上述的一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,所述模拟配电网络1是在PSS/E上构建的一个由6个机器组成的23节点模拟电力系统网络模型,即6机23总线系统,所述故障分类、和定位深度学习神经网络采用深度前馈网络DFN模型,所述故障选线深度学习网络采用卷积神经网络CNN模型,所述深度前馈网络DFN模型和卷积神经网络CNN模型采用的激活函数是Sigmoid、采用的优化器是Adam。
优选地,上述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,所述步骤S3构建用于测试和训练深度前馈网络DFN模型的高维时空故障样本矩阵具体过程为:
设置模拟配电网络1传输线两端的总线为ibus和jbus,功率流向为从ibus到jbus,将k时刻ibus和jbus的电压幅度和相角设置为:
ui(k),θi(k),uj(k),θj(k)(k=1,2,...,T)
流过ibus和jbus的电流为:
ii(k),ij(k),(k=0,1,2,...,T)
其中k是最大采样时间;
六个采样信号融合为特征时间序列为g,同时将故障类型和故障距离记录为l1和l2,用0、1、2、3分别表示三相接地短路故障、单相接地短路故障、两相相间短路故障、和两相接地短路故障四种类型的故障,距离定义为故障点与ibus之间的距离与整个传输线的比例:
g=[ui(0),θi(0),ii(0),uj(0),θj(0),ij(0)...,uT(T),θi(T),ii(T),uj(T),θj(T),ij(T)]
l1=[type],type∈{0,1,2,3}
l2=[distance],distance∈(0,1)
最大采样时间点为T=126,模拟配电网络1为6机23总线系统,每个故障样本包括与每个采样时间相对应的ibus和jbus的电压幅度,相角和电流,总计126×6=756个值;
对四种典型故障三相接地短路故障、单相接地短路故障、两相相间短路故障、和两相接地短路故障,不同的随机故障距离、随机接地、随机电压扰动、随机频率扰动、随机测量误差进行随机动态仿真,通过将10,000个随机故障应用于每种类型的故障总共生成40,000个训练样本,通过将2,000个随机故障应用于每种故障类型总共生成8,000个测试样本;
然后获得训练样本集矩阵:Gtrain∈R40000×756
故障类型的训练标签集:Label1train∈R40000×1
故障位置的训练标签集:Label2train∈R40000×1
测试样本集矩阵:Gtest∈R8000×756
故障类型的测试标签集:Label1test∈R8000×1
故障位置的测试标签集:Label2test∈R8000×1
获得深度前馈网络DFN模型的完整数据集,用于测试和训练深度前馈网络DFN模型的高维时空故障样本矩阵。
优选地,上述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,所述步骤S3构建用于测试和训练卷积神经网络CNN模型的高维时空故障样本矩阵具体过程为:
卷积神经网络CNN模型数据集的预处理与深度前馈网络DFN模型类似,但仅将电压幅度和相角包括到卷积神经网络CNN模型数据集中,并将电压幅度和相角转换为实际电压ur和虚拟电压ui,公式为:
ur=u cosθ
ui=u sinθ
第l条总线的电压-时间特性序列如下:
23条总线的时间序列扩展为具有所有总线信息的多维高维时空故障样本矩阵:
g=[U1 U2 ... U23]
而标签是出现故障的传输线的序列号:
Labell=[l,l,l,...,l]T
选择23条总线中的15条传输线进行故障诊断,得出G1,G2,...,G15,将它们放在一起,得到在不同传输线中发生故障的最终数据集:
G=[G1,G2,...,G15]T
Label=[Label1,Label2,...,Label15]T
通过四种类型的故障,不同的随机故障距离、随机接地、随机电压扰动、随机频率扰动、随机测量误差进行随机动态仿真产生5,000个随机故障,对15条传输线总共生成75,000个训练样本;通过四种类型的故障,不同的随机故障距离、随机接地、随机电压扰动、随机频率扰动、随机测量误差进行随机动态仿真产生1,000个随机故障,对15条传输线总共生成15,000个测试样本;
然后获得训练样本集矩阵:Gtrain∈R75000×2×23×34
故障线路的训练标签集矩阵:Labeltrain∈R75000×1
测试样本集:Gtest∈R15000×2×23×34
故障线路的测试标签集:Labeltest∈R15000×1
获得卷积神经网络CNN模型的完整数据集,用于测试和训练卷积神经网络CNN模型的高维时空故障样本矩阵。
优选地,上述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,所述步骤S4具体过程为:
步骤S3获得的高维时空故障样本矩阵G具有三种数据,即电压幅度V、相角θ、和电流幅值I;将高维时空故障样本矩阵G中电压幅度V、相角θ、和电流幅值I相同类型的数据放在一起:
V=[ui(0),,uj(0),ui(1),,uj(1),ui(2),,uj(2),...,ui(T),uj(T)]
Θ=[θi(0),,θj(0),θi(1),,θj(1),θi(2),,θj(2),...,θi(T),θj(T)]
I=[ii(0),,ij(0),ii(1),,ij(1),ii(2),,ij(2),...,ii(T),ij(T)]
然后分别缩放电压幅度V、相角θ、和电流幅值I矩阵将数据映射到0到1的范围;
最后,将处理后的数据放回高维时空故障样本矩阵G,完成数据预处理。
优选地,上述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,所述步骤S5具体过程为:
使用步骤S4获得的包括故障类别标签、故障位置标签的用于测试和训练深度前馈网络DFN模型的高维时空故障样本矩阵分别对故障分类深度前馈网络DFN模型、和故障定位深度前馈网络DFN模型进行训练,分别配置故障分类深度前馈网络DFN模型、和故障定位深度前馈网络DFN模型的网络参数,获得模拟配电网络1对应的故障分类深度前馈网络DFN模型、和故障定位深度前馈网络DFN模型;使用步骤S4获得的包括故障线路标签的用于测试和训练卷积神经网络CNN模型的高维时空故障样本矩阵对故障选线卷积神经网络CNN模型进行训练,配置故障选线卷积神经网络CNN模型,获得模拟配电网络1对应的故障选线卷积神经网络CNN模型。
优选地,上述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,所述步骤S6具体过程为:
使用步骤S5获得的模拟配电网络1对应的故障分类深度前馈网络DFN模型、和故障定位深度前馈网络DFN模型对实际配电网络2对应的故障分类深度前馈网络DFN模型、和故障定位深度前馈网络DFN模型进行初始化;使用步骤S5获得的模拟配电网络1对应的故障选线卷积神经网络CNN模型对实际配电网络2对应的故障选线卷积神经网络CNN模型进行初始化。
优选地,上述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,所述步骤S7具体过程为:
所述少量实际配电网络2的故障样本数据是指包括1000个训练样本和500个测试样本的故障分类深度前馈网络DFN模型故障样本数据集、故障定位深度前馈网络DFN模型故障样本数据集、和故障选线卷积神经网络CNN模型故障样本数据集;以步骤S4模拟配电网络1数据预处理后的高维时空故障样本矩阵和所述少量实际配电网络2的故障样本数据为源域数据,通过迁移学习获得目标域数据、即实际配电网络2对应的高维时空故障样本矩阵,对步骤S6初始化后的实际配电网络2对应的故障分类深度前馈网络DFN模型、故障定位深度前馈网络DFN模型、与故障选线卷积神经网络CNN模型进行参数微调,得到用于实际配电网络2的故障分类深度前馈网络DFN模型、故障定位深度前馈网络DFN模型、与故障选线卷积神经网络CNN模型。
本发明有如下有益效果:1、使用PSS/E等电力系统仿真软件产生足够的带有故障类型、故障位置标签、和故障线路标签的故障数据用于训练深度学习模型,进行深度特征抽取,之后将抽取的深度特征迁移到实际电力系统中的工业数据,利用数据集之间的高维相似性实现从源域到目标域的迁移(域适应),只有少量的数据完成得到实际电力系统的故障分类、定位与选线模型;2、将大数据和人工智能技术运用于电网配电线路的故障分类与定位中,利用深度神经网络有效挖掘电网数据的深度特征,并利用迁移学习实现不同拓扑结构的配电线路之间的域适应,解决小规模、不平衡故障数据集进行精准分类、定位与选线的难题,从而应对实际工业界带标签数据数据不足、数据不平衡的问题,极大的提高了不完整不平衡的实际工业故障数据进行分类、定位与选线的准确性;3、小规模数据集的故障分类的准确性达到99.98%;4、故障定位误差在1%以内的准确率达到99.75%,0.5%以内的精确度达到89.65%;5、对于分类运用迁移学习比直接训练的准确率提高了近30%,模型从完全无效到精确度较高;6、体现了迁移学习运用与电力系统配电网络的可行性和有效性。
【附图说明】
图1是一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法总流程图。
图2是一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法迁移学习过程示意图。
【具体实施方式】
下面结合实施例并参照附图对本发明作进一步描述。
实施例
本实施例实现一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法。
图1是一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法总流程图。如附图1所示,本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法包括具体以下步骤。
步骤(1):建立基于PSS/E和Python API的配电线路故障数据批量化模块。基于PSS/E平台以及其Python API接口实现电力系统暂态故障仿真。
利用PSS/E的Python API接口完成四种故障类型三相接地短路、单相接地短路、两相相间短路、和两相接地短路的动态仿真过程和仿真结果,并显示四种不同条件的动态仿真结果,实现仿真自动化。
PSS/E是一个用于研究电力传输系统、发电机的稳态和动态功能的程序包,能处理潮流计算、故障分析、网络等值、动态仿真和安全运行优化等问题,是电力工业中应用最广泛的电力系统分析仿真软件之一。该软件的优点包括:1、允许的模拟规模非常大,可以满足海量数据规模的深度学习需求;2、灵活的模型定制,用户可以通过将自定义模块方法引入仿真系统来解决特定问题;3、用户可以使用界面功能来编写自定义脚本,以模拟新的电网物理场景或开发高级应用程序;4、Python API接口,该软件可以直接在Python环境中运行以实现仿真自动化,并且可以利用Python的优势来开发具有更好的用户体验和更丰富功能的程序。
本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法为了准备大量标记的电力系统故障样本以进行深入学习,在PSS/E上构建了一个由6个机器组成的23节点模拟电力系统网络模型,其中,系统中的电动机模型是经典模型。基于电力系统网络这个模型,本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法实现了四种故障的故障分析和动态仿真,包括:三相接地短路故障(LLL)、单相接地短路故障(LG)、两相相间短路故障(LL)、和两相接地短路故障(LLG)。
PSS/E支持参数设计,以动态模拟不同的故障状况;利用PSS/E针对四种不同类型的故障设置了不同的故障条件,以准备接近电力系统实际运行的故障样本集。故障前状态包括:(1)母线电压在安全运行指标范围内;(2)总线频率在安全运行指标范围内;(3)考虑可再生能源等随机负荷的电网负荷波动。故障条件包括:(1)不同的故障分支;(2)不同的故障类型;(3)不同的抗故障能力;(4)不同的故障距离。
不同故障类型,不同故障距离,不同过渡阻抗的节点电压和线路电流的仿真结果显示故障条件对故障发生后的过渡过程有重要影响。其中,仿真的运行时间为1秒,正常运行0.01秒后施加故障,故障运行60ms后消除故障。
由于深度学习需要大量数据来充分的训练和迭代以生成理想的模型。在仿真过程中,如果多次重复手动仿真,则不可能完成大量数据集的准备。为了减轻重复仿真的负担,PSS/E开发了丰富的仿真过程自动化操作机制,以便用户可以自定义模型和批量仿真。
本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法通过Python脚本调整了四个基本故障的参数,以生成不同条件下的故障数据集。使用Python的循环结构,本实施例可以自动生成大样本集,以进行批量深度学习。模拟的故障前状态包括安全操作指标范围内的母线电压和频率干扰以及在考虑了诸如可再生能源等随机负载之后的负载波动。设计的故障条件包括不同的故障类型,不同的故障阻抗,不同的故障距离和不同的故障位置。然后针对PSS/E动态仿真生成的时序数据中电压,相角和线电流的大小和范围存在差异的问题,在保留完整信息的基础上实现数据归一化;并使用深度学习网络的两种不同结构(深度前馈网络和卷积神经网络)的数据构建高维时空故障样本矩阵。因此可以构建用于训练深度学习网络的数据集。
步骤(2):利用大数据处理技术构建故障数据集。自动化批量化生成不同配电网络拓扑下的故障数据集。
为了构建可用于深度学习的数据集,需要对步骤(1)中自动仿真得到的数据集利用数据融合等大数据处理技术进行处理。电力系统运行数据具有时空特性,本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法采用数据融合方法构造高维时空断层样本矩阵,构造了两种高维时空故障样本矩阵作为两种不同的深度学习网络结构(深度前馈网络和卷积神经网络)的输入。具体步骤如下:
步骤(2-1):构建用于深度前馈网络(DFN)的高维时空故障样本矩阵。设置传输线两端的总线为ibus和jbus,功率流向为从ibus到jbus。将k时刻ibus和jbus的电压幅度和相角设置为:
ui(k),θi(k),uj(k),θj(k)(k=1,2,...,T)
并且流过ibus和jbus的电流为:
ii(k),ij(k),(k=0,1,2,...,T)
其中k是最大采样时间。
六个采样信号融合为特征时间序列为g,同时将故障类型和故障距离记录为l1和l2,用0、1、2、3表示四种类型的故障,距离定义为故障点与ibus之间的距离与整个传输线的比例:
g=[ui(0),θi(0),ii(0),uj(0),θj(0),ij(0)...,uT(T),θi(T),ii(T),uj(T),θj(T),ij(T)]
l1=[type],type∈{0,1,2,3}
l2=[distance],distance∈(0,1)
最大采样时间点为T=126,模拟故障网络为6机23总线系统,每个故障样本包括与每个采样时间相对应的ibus和jbus的电压幅度,相角和电流,总计126×6=756个值。
四种典型故障:三相接地短路故障(LLL)、单相接地短路故障(LG)、两相相间短路故障(LL)、和两相接地短路故障(LLG)选择进行动态仿真。通过将10,000个随机故障应用于每种类型的故障(随机故障距离,随机接地,随机电压干扰,随机频率干扰,随机测量误差)总共生成40,000个训练样本,通过将2,000个随机故障应用于每种故障类型总共生成8,000个测试样本。
然后获得训练样本集矩阵:Gtrain∈R40000×756
故障类型的训练标签集:Label1train∈R40000×1
故障位置的训练标签集:Label2train∈R40000×1
测试样本集矩阵:Gtest∈R8000×756
故障类型的测试标签集:Label1test∈R8000×1
故障位置的测试标签集:Label2test∈R8000×1
最后,本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法获得了深度前馈网络DFN的完整数据集,用于深度前馈网络(DFN)的高维时空故障样本矩阵。
步骤(2-2):构建用于卷积神经网络(CNN)的高维时空故障样本矩阵。CNN数据集的预处理与深度前馈网络(DFN)类似,但仅将电压幅度和相角包括到CNN数据集中,并将电压和相角转换为实际电压ur和虚拟电压ui,公式为:
ur=u cosθ
ui=u sinθ
第1条总线的电压-时间特性序列如下:
23条总线的时间序列扩展为具有所有总线信息的多维高维时空故障样本矩阵:
g=[U1 U2 ... U23]
而标签是出现故障的传输线的序列号:
Labell=[l,l,l,...,l]T
并选择15条传输线进行故障诊断,得出G1,G2,...,G15,将它们放在一起,以得到在不同传输线中发生故障的最终数据集:
G=[G1,G2,...,G15]T
Label=[Label1,Label2,...,Label15]T
通过应用四种类型的故障(随机故障距离,随机接地,随机电压扰动,随机频率扰动,随机测量误差)产生5,000个随机故障,对15条传输线总共生成75,000个训练样本;通过应用四种类型的故障(随机故障距离,随机接地,随机电压扰动,随机频率扰动,随机测量误差)产生1,000个随机故障,对15条传输线总共生成15,000个测试样本。
然后获得训练样本集矩阵:Gtrain∈R75000×2×23×34
训练标签集矩阵:Labeltrain∈R75000×1
测试样本集:Gtest∈R15000×2×23×34
测试标签集:Labeltest∈R15000×1
最后,本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法获得了卷积神经网络CNN的完整数据集,用于卷积神经网络(CNN)的高维时空故障样本矩阵。
步骤(2-3):数据归一化。在PSS/E动态仿真生成的时间序列数据中,电压,相角和电流的大小和范围是不同的。如果直接进行特征提取操作,样本数据的空间分布会不均匀,影响分析结果,因此有必要对原始样本数据进行预处理。本实施例使用的方法是归一化。
本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法样本数据矩阵G具有三种数据:1、电压幅度V,2、相角θ,3、电流幅值I;本实施例将数据矩阵矩阵G中V,θ和I相同类型的数据放在一起。V=[ui(0),,uj(0),ui(1),,uj(1),ui(2),,uj(2),...,ui(T),uj(T)]
Θ=[θi(0),,θj(0),θi(1),,θj(1),θi(2),,θj(2),...,θi(T),θj(T)]
I=[ii(0),,ij(0),ii(1),,ij(1),ii(2),,ij(2),...,ii(T),ij(T)]
然后分别缩放获得的V,θ和I矩阵以将数据映射到0到1的范围。
最后,本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法将处理后的数据放回矩阵G,完成数据预处理。
步骤(3):基于深度学习的故障分类、故障定位、与故障选线模型构建。基于深度前馈网络(DFN)和卷积神经网络(CNN)利用其中一个配电网络拓扑下生成仿真数据集进行训练,构建故障分类模型、故障定位模型、和故障选线模型。
深度学习(也称为深度结构化学习或分层学习)是基于人工神经网络的更广泛的机器学习方法系列的一部分,它使用多层结构来从原始输入中逐步提取更高级别的特征,与传统的特征提取方法不同,深度学习方法可以自动学习特征并选择最佳特征。传统的特征提取方法需要根据特定的系统配置的先验知识来设计和选择最佳特征,并且需要反复修改和调整才能确定实施细节;深度学习不依赖于先验知识,因此可以节省时间并在通用性方面具有良好的性能,从而可以将对样本数据进行的研究和结论扩展到以前看不见的数据。所有深度学习方法都尝试找到函数y=f(x)来将输入x映射到输出y,不同的网络使用不同的方法来找到函数f。几乎所有的深度学习算法都将数据集的规范、激活函数、优化过程和模型结合在一起。
激活函数,英文Activation Function,实现神经元的输入和输出之间非线性化。激活函数用于将非线性引入模型,从而允许深度学习模型学习非线性预测边界。最常用的激活函数类型Sigmoid、Logistic、Tanh(双曲正切)或ReLu(修正线性单元)。本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法深度学习模型采用的激活函数是Sigmoid。
在训练模型时,可以基于梯度使用不同的优化器(optimizer,或者称为“优化算法”)来最小化损失函数。与损失函数结合使用的优化器是查找函数最小值的关键。深度学习通常需要大量时间和机器资源进行训练,这也是限制深度学习算法发展的原因。尽管可以使用分布式并行训练来加速模型的学习,但所需的计算资源并未减少。只有需要较少资源并且使模型收敛更快的优化算法才能从根本上提高机器的学习速度和效果。本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法深度学习模型采用的优化器是Adam,Adam使用动量和自适应学习率来加快收敛速度。
表1是深度神经网络模型总结表,本实施例使用基于DFN的故障分类模型、基于DFN的故障定位模型与基于CNN的故障选线模型的结构如表1所示。
表1深度神经网络模型总结表
步骤(3-1):基于DFN的故障分类模型。
对于分类任务,深度学习可以有效地扩大原始输入数据的特征,并减少有关无效特征的信息量。表2是不同分类算法准确率评估表,本实施例基于DFN的故障分类模型准确率最高。
表2不同分类算法准确率评估表
算法 | SVM | Decision Tree(J48) | KNN | Random Forest | DFN |
准确率(%) | 86.71 | 96.23 | 97.67 | 98.15 | 99.98 |
在隐藏层的第一层,可以了解电压曲线的整体轮廓;在第二层中,可以学习电压曲线的行为变化点,并根据该层中变化的位置来实现故障的初步分类。本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法通过组合不同级别的特征来区分和提取更复杂的特征。深度学习的内涵是可以通过通用的学习算法自动学习原始数据的特征,从而避免了人为特征的选择。基于深度前馈网络的特征自学习功能,可以通过训练PMU生成的复杂电压数据来获得从PMU测量数据到故障类型的功能映射关系。当电力系统故障再次发生时,可以自动识别故障类别并调用预设的保护方案,从而显著提高了前瞻性时间和分类准确性。表3是基于DFN的故障分类算法抗噪性能评估表,本实施例表中所列SNR条件下,准确率都在99%以上。PMU(phasor measurement unit相量测量装置)是利用GPS秒脉冲作为同步时钟构成的相量测量单元,可用来测量电力系统在暂态过程中各节点的电压向量。
表3基于DFN的故障分类算法抗噪性能评估表
SNR | None | 60dB | 50dB | 40dB | 30dB |
准确率(%) | 99.98 | 99.87 | 97.85 | 99.85 | 99.74 |
本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法使用的是用于电网线路故障分类深度前馈网络模型DFN。初始数据通过归一化预处理之后输入网络的输入层,输入层的神经元个数为1564,隐藏层有一层其神经元个数为126,输出层的神经元个数为4,最后通过softmax层输出故障种类(0,1,2,3)。
步骤(3-2):基于DFN的故障定位模型。
与故障类型分类不同,故障定位是一个回归问题。
从根本上讲,故障分类与预测标签有关,而故障定位(回归)与预测数量有关。
对于N分类问题,首先获得N个组具有不同W值的Wx+b,然后对其进行归一化(例如使用softmax函数),最后将其转化为N个类的概率。
对于回归问题,最后一层具有m个神经元,每个神经元输出一个标量,M个神经元的输出可以看作是向量v,现在都连接到一个神经元,那么该神经元的输出Wx+b是一个连续值,可以处理回归问题,例如上面的线性回归。
评估分类模型的性能很容易,可以简单地计算测试数据集中的准确性。如果标签与预测标签相同,则为真。但是当涉及到回归问题时,尝试预测故障位置到ibus的距离比例占整个传输线的比例。因此,模型的输出为0到1的小数。均方差/均方误差(MSE)是回归任务最常用的性能指标,MSE是目标变量和预测值之间的平方距离之和的线性平均值。
MSE损失已用作损失函数,并已在训练集和测试集中进行了监测,以评估模型的拟合能力。但是MSE损失不能直观地反映模型结果的质量,因此本实施利将模型输出的准确性定义为评估指标,如果预测标签与实际标签yi之差小于ε,则认为是正确,由此可以计算出精度,表达式为:
如果ε=1%,我们将其定义为Acc1。
如果ε=0.5%,我们将其定义为Acc2。
如果ε=0.4%,我们将其定义为Acc3。
如果ε=0.3%,我们将其定义为Acc4。
如果ε=0.2%,我们将其定义为Acc5。
如果ε=0.1%,我们将其定义为Acc6。
训练深度学习模型并不容易,因为要设置的超参数太多。超参数是确定网络结构的变量(例如:隐藏单元数)和确定网络训练方式的变量(例如:学习率)。需要在训练之前(在优化权重和偏差之前)设置超参数。选择最佳的超参数对于改善模型的性能至关重要。隐藏层是输入层和输出层之间的层,使用正则化技术的一层中的许多隐藏单元可以提高准确性。在模型中使用了1、2和3个隐藏层,最终可以发现,增加隐藏层可以提高模型的收敛速度,并提高故障定位预测的准确性,因为增加了隐藏层图层可以提高模型的拟合能力。
表4是基于DFN的故障定位算法准确率表,如表4所示,对于Acc1,可以训练所有三个模型接近100%;但是,隐藏层越多,精度就会提高得越快。但是对于Acc4,具有一个隐藏层的模型只能被训练为小于80%,具有三层隐藏层的模型训练正确率为98.13%。但是,当添加4个隐藏层时,模型的性能下降了。所以3个隐藏层是最好的选择。
表4基于DFN的故障定位算法准确率表
Acc1 | Acc2 | Acc3 | Acc4 | Acc5 | Acc6 | |
最大误差(%) | 1.00 | 0.5 | 0.4 | 0.3 | 0.2 | 0.1 |
准确率(%) | 100 | 99.98 | 99.72 | 98.13 | 88.84 | 59.48 |
基于DFN的故障定位模型,初始数据通过归一化预处理之后输入网络的输入层,输入层的神经元个数为1564,隐藏层有三层其神经元个数分别为252、126和64,输出层的神经元个数为1,最后通过放缩到(0,1)作为最终的模型输出。
步骤(3-3):基于CNN的故障选线模型。
为了研究不同线路故障时整个系统的电压振荡,基于卷积神经网络(CNN)设计了故障线路选择器,这意味着在电力系统网络中任何一条线路发生故障时,都可以选择故障线路。基于CNN的故障选线模型,数据依次通过2层卷积层1、16层池化层1、16层卷积层2、和32层池化层2,最后通过softmax层输出。
在深度学习平台Pytorch的基础上,对DFN网络的两种不同结构进行了训练,以实现故障数据特征的自学习,从而解决了传输线中的两种问题-故障类型分类和故障位置。用于故障选线,精度达98.76%以上。
对于故障类型分类,结果表明,深度学习方法的分类精度几乎为100%,不受故障距离,故障位置,电压频率扰动和负载波动的影响,它可以准确地估计系统的状态。
表5是故障定位算法部分预测结果及误差表,如表5所示,对于故障定位,故障定位的预测要比现有方法准确得多,故障定位误差在1%以内的准确率达到99.75%,故障定位误差在0.5%以内的精确度达到89.65%。
表5故障定位算法部分预测结果及误差表
步骤(4):针对小数据集的迁移学习模块。基于迁移学习解决小规模数据集算法失效的问题;由于缺乏实际的工业数据,本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法基于DFN故障分类模型、DFN故障定位模型,与CNN故障选线模型利用模拟的其他不同配电网络拓扑下的小规模故障数据集进行测试,将从由配电网络1下大规模数据集训练出的故障分类、定位、与选线模型迁移到配电网络2下生成的小规模数据集,利用数据集之间的高维相似性实现从源域到目标域的迁移(域适应);结果证明只有少量的数据可以完成配电网络2的故障分类、定位与选线的任务,利用迁移学习训练小数据集的准确率比直接训练高出很多,验证了转移学习的可行性和有效性。
众所周知,深度学习模型的训练和更新依赖大量的标记数据,但是在电力系统中,并不是所有的传输线都有足够的标记数据来应对不同类型的故障,这是一个制约深度学习应用在电网中的重要问题。但是目前在这个问题上没有有效的研究结果。
通过PSS/E模拟成千上万个带有故障类型和故障位置标记的故障数据,然后获得足够的数据来训练深度学习模型来实现故障分类和定位任务。然后,我们可以将预训练的模型转换为实际电力系统中的工业数据,只用少量数据可以完成任务。
由于没有真实的网络数据,因此使用另一条线的少量模拟数据来验证迁移学习的可行性和有效性。迁移学习是指一种学习过程,其中,利用数据,任务或模型之间的相似性,将在旧域中学习的模型应用于新域。迁移学习中有两个基本概念:域和任务。域由两部分组成:不同的特征空间和不同的边际分布。通常我们用D表示域,用P表示概率分布。通常,如果两个域不同,则它们可能具有不同的特征空间或不同的边际分布。迁移对应于两个基本域:源域和目标域。源域是具有知识和大量数据注释的域,这是要迁移的对象。目标域是最终想要提供知识和注释的对象。从源域到目标域的传输完成了迁移。在本实施例中源域是通过PSS/E模拟的故障数据,目标域是实际的工业数据。
图2是一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法迁移学习过程示意图。如附图2所示,本实施例一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法利用迁移学习完成对小型故障数据集的故障分类、定位与选线任务的基本思想。利用网络拓扑1对应的故障分类、定位与选线模型参数配置配电网络2的分类、定位与选线模型,并利用配电网络2的小规模数据集进行模型的微调;直接用配电线路2的小规模数据集进行训练,与加入迁移学习的模型的准确率进行比较。深度神经网络对于大数据集训练效果好,对于小数据集而言训练效果差,因为数据太少会导致训练集过拟合,因此泛化能力差,在测试集效果差。迁移学习可以大大提高模型的泛化能力,从而提高模型的准确率。体现了转移学习的可行性和有效性,具有工程意义和学术价值。
在步骤(2)中已经建立了支路151-201的故障分类和定位模型。之后通过PSS/E仿真和数据预处理操作准备了支路3003-3005和支路153-3006的故障数据集以进行迁移学习。表6是用于迁移学习的不同数据集表,如表6所示,这两个数据集都有1000个训练样本和500个测试样本,样本的构建与支路151-201的相同,但是数据集的大小要小得多;这两个数据集的大小可以在表6中看到。
表6用于迁移学习的不同数据集表
实验结果将在有迁移学习的模型与无迁移学习的模型之间进行比较。表7展示了迁移学习和无迁移学习的模型之间的分类准确性的比较,表8展示了支路153-3006有迁移学习和无迁移学习的模型之间的故障定位精度的比较结构。
表7有转移学习和无转移学习的模型之间的分类准确性比较表
表8支路153-3006有转移学习和不转移转移的模型之间的故障定位精度比较表
从实验结果看,运用迁移学习可以大大提高训练的效果:对于分类问题,一条线路训练出的模型甚至可以直接用到另一条线路,体现了深度学习强大的泛化能力;对于定位问题,虽然一条线路的定位模型无法直接用到另一条线路,但是经过训练可以大大提高模型的准确率,说明不同线路底层的基础特征(feature)是通用的,没有经过迁移学习的定位模型准确率无法得到提高。
步骤(5):结果可视化及模型分析模块。对模型结果进行可视化和分析,验证模型的抗扰性和鲁棒性。
本模块实现分类模型的抗噪性能评估(在测试集引入不同信噪比的噪声),并利用PCA对数据进行降维可视化,解释迁移学习的合理性。PCA(principal componentsanalysis)即主成分分析技术,又称主分量分析,主成分分析也称主分量分析,旨在利用降维的思想,把多指标转化为少数几个综合指标。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Acess Memory,RAM)等。
以上所述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,在不脱离本发明原理的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (10)
1.一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,其特征在于包括以下步骤:
S1、基于潮流计算、故障分析、网络等值和动态仿真的电力系统分析仿真软件实现模拟配电网络1动态仿真,并对模拟配电网络1实施电压和频率扰动;
S2、基于所述电力系统分析仿真软件对模拟配电网络1施加不同故障类型、不同故障位置、不同故障阻抗的故障后对暂态过程进行动态仿真一小段时间;
S3、重复步骤S1和S2自动化批量化生成基于全部或部分模拟配电网络1的用于测试和训练故障分类、定位与选线深度学习神经网络的分别带有故障类别标签、故障位置标签和故障线路标签的测试集故障样本数据和训练集故障样本数据,构建高维时空故障样本矩阵;
S4、对包括测试集故障样本数据和训练集故障样本数据的高维时空故障样本矩阵进行数据融合和归一化,完成数据预处理;
S5、使用包括故障类别标签、故障位置标签和故障线路标签的故障样本数据分别对故障分类、定位与选线深度学习神经网络进行训练,分别配置故障分类、定位与选线深度学习神经网络的网络参数,获得模拟配电网络1对应的故障分类模型、故障定位模型与故障选线模型;
S6、用步骤S5获得的模拟配电网络1对应的故障分类模型、故障定位模型与故障选线模型对实际配电网络2对应的故障分类模型、故障定位模型与故障选线模型进行初始化;
S7、收集少量实际配电网络2的故障样本数据,以步骤S4模拟配电网络1数据预处理后的高维时空故障样本矩阵和所述少量实际配电网络2的故障样本数据为源域数据,通过迁移学习获得目标域数据、即实际配电网络2对应的高维时空故障样本矩阵,对步骤S6初始化后的实际配电网络2对应的故障分类模型、故障定位模型与故障选线模型进行参数微调,得到用于实际配电网络2的故障分类、定位与选线深度学习模型。
2.根据权利要求1所述的一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,其特征在于所述步骤S1具体为:所述电力系统分析仿真软件调用PSS/E的API接口,并导入PSS/E仿真函数库,导入模拟配电网络1基本数据文件,对模拟配电网络1节点的电压和频率施加基于高斯白噪声的扰动,基于O-U过程对负荷施加波动,将输出通道设置为全网络节点的电压幅值和相角以及电流幅值,配置输出文件。
3.根据权利要求2所述的一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,其特征在于所述步骤S2具体为:基于所述电力系统分析仿真软件对模拟配电网络1进行动态仿真,随机运行一段时间后加入故障,所述故障是指三相接地短路故障、单相接地短路故障、两相相间短路故障、和两相接地短路故障,配置不同故障类型、不同故障位置、和不同故障阻抗的三相接地短路故障、单相接地短路故障、两相相间短路故障、和两相接地短路故障参数,随机仿真运行30ms~60ms后切除故障,并对切除故障后的暂态过程进行动态仿真0.5s。
4.根据权利要求3所述的一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,其特征在于:所述模拟配电网络1是在PSS/E上构建的一个由6个机器组成的23节点模拟电力系统网络模型,即6机23总线系统,所述故障分类、和定位深度学习神经网络采用深度前馈网络DFN模型,所述故障选线深度学习网络采用卷积神经网络CNN模型,所述深度前馈网络DFN模型和卷积神经网络CNN模型采用的激活函数是Sigmoid、采用的优化器是Adam。
5.根据权利要求4所述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,其特征在于所述步骤S3构建用于测试和训练深度前馈网络DFN模型的高维时空故障样本矩阵具体过程为:
设置模拟配电网络1传输线两端的总线为ibus和jbus,功率流向为从ibus到jbus,将k时刻ibus和jbus的电压幅度和相角设置为:
ui(k),θi(k),uj(k),θj(k)(k=1,2,...,T)
流过ibus和jbus的电流为:
ii(k),ij(k),(k=0,1,2,...,T)
其中k是最大采样时间;
六个采样信号融合为特征时间序列为g,同时将故障类型和故障距离记录为l1和l2,用0、1、2、3分别表示三相接地短路故障、单相接地短路故障、两相相间短路故障、和两相接地短路故障四种类型的故障,距离定义为故障点与ibus之间的距离与整个传输线的比例:
g=[ui(0),θi(0),ii(0),uj(0),θj(0),ij(0)...,uT(T),θi(T),ii(T),uj(T),θj(T),ij(T)]
l1=[type],type∈{0,1,2,3}
l2=[distance],distance∈(0,1)
最大采样时间点为T=126,模拟配电网络1为6机23总线系统,每个故障样本包括与每个采样时间相对应的ibus和jbus的电压幅度,相角和电流,总计126×6=756个值;
对四种典型故障三相接地短路故障、单相接地短路故障、两相相间短路故障、和两相接地短路故障,不同的随机故障距离、随机接地、随机电压扰动、随机频率扰动、随机测量误差进行随机动态仿真,通过将10,000个随机故障应用于每种类型的故障总共生成40,000个训练样本,通过将2,000个随机故障应用于每种故障类型总共生成8,000个测试样本;
然后获得训练样本集矩阵:Gtrain∈R40000×756
故障类型的训练标签集:Label1train∈R40000×1
故障位置的训练标签集:Label2train∈R40000×1
测试样本集矩阵:Gtest∈R8000×756
故障类型的测试标签集:Label1test∈R8000×1
故障位置的测试标签集:Label2test∈R8000×1
获得深度前馈网络DFN模型的完整数据集,用于测试和训练深度前馈网络DFN模型的高维时空故障样本矩阵。
6.根据权利要求5所述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,其特征在于所述步骤S3构建用于测试和训练卷积神经网络CNN模型的高维时空故障样本矩阵具体过程为:
卷积神经网络CNN模型数据集的预处理与深度前馈网络DFN模型类似,但仅将电压幅度和相角包括到卷积神经网络CNN模型数据集中,并将电压幅度和相角转换为实际电压ur和虚拟电压ui,公式为:
ur=u cosθ
ui=u sinθ
第1条总线的电压-时间特性序列如下:
23条总线的时间序列扩展为具有所有总线信息的多维高维时空故障样本矩阵:
g=[U1 U2 ... U23]
而标签是出现故障的传输线的序列号:
Labell=[l,l,l,...,l]T
选择23条总线中的15条传输线进行故障诊断,得出G1,G2,...,G15,将它们放在一起,得到在不同传输线中发生故障的最终数据集:
G=[G1,G2,...,G15]T
Label=[Label1,Label2,...Label15]T
通过四种类型的故障,不同的随机故障距离、随机接地、随机电压扰动、随机频率扰动、随机测量误差进行随机动态仿真产生5,000个随机故障,对15条传输线总共生成75,000个训练样本;通过四种类型的故障,不同的随机故障距离、随机接地、随机电压扰动、随机频率扰动、随机测量误差进行随机动态仿真产生1,000个随机故障,对15条传输线总共生成15,000个测试样本;
然后获得训练样本集矩阵:Gtrain∈R75000×2×23×34
故障线路的训练标签集矩阵:Labeltrain∈R75000×1
测试样本集:Gtest∈R15000×2×23×34
故障线路的测试标签集:Labeltest∈R15000×1
获得卷积神经网络CNN模型的完整数据集,用于测试和训练卷积神经网络CNN模型的高维时空故障样本矩阵。
7.根据权利要求6所述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,其特征在于所述步骤S4具体过程为:
步骤S3获得的高维时空故障样本矩阵G具有三种数据,即电压幅度V、相角θ、和电流幅值I;将高维时空故障样本矩阵G中电压幅度V、相角θ、和电流幅值I相同类型的数据放在一起:
V=[ui(0),,uj(0),ui(1),,uj(1),ui(2),,uj(2),...,ui(T),uj(T)]
Θ=[θi(0),,θj(0),θi(1),,θj(1),θi(2),,θj(2),...,θi(T),θj(T)]
I=[ii(0),,ij(0),ii(1),,ij(1),ii(2),,ij(2),...,ii(T),ij(T)]
然后分别缩放电压幅度V、相角θ、和电流幅值I矩阵将数据映射到0到1的范围;
最后,将处理后的数据放回高维时空故障样本矩阵G,完成数据预处理。
8.根据权利要求7所述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,其特征在于所述步骤S5具体过程为:
使用步骤S4获得的包括故障类别标签、故障位置标签的用于测试和训练深度前馈网络DFN模型的高维时空故障样本矩阵分别对故障分类深度前馈网络DFN模型、和故障定位深度前馈网络DFN模型进行训练,分别配置故障分类深度前馈网络DFN模型、和故障定位深度前馈网络DFN模型的网络参数,获得模拟配电网络1对应的故障分类深度前馈网络DFN模型、和故障定位深度前馈网络DFN模型;使用步骤S4获得的包括故障线路标签的用于测试和训练卷积神经网络CNN模型的高维时空故障样本矩阵对故障选线卷积神经网络CNN模型进行训练,配置故障选线卷积神经网络CNN模型,获得模拟配电网络1对应的故障选线卷积神经网络CNN模型。
9.根据权利要求8所述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,其特征在于所述步骤S6具体过程为:
使用步骤S5获得的模拟配电网络1对应的故障分类深度前馈网络DFN模型、和故障定位深度前馈网络DFN模型对实际配电网络2对应的故障分类深度前馈网络DFN模型、和故障定位深度前馈网络DFN模型进行初始化;使用步骤S5获得的模拟配电网络1对应的故障选线卷积神经网络CNN模型对实际配电网络2对应的故障选线卷积神经网络CNN模型进行初始化。
10.根据权利要求9所述一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法,其特征在于所述步骤S7具体过程为:
所述少量实际配电网络2的故障样本数据是指包括1000个训练样本和500个测试样本的故障分类深度前馈网络DFN模型故障样本数据集、故障定位深度前馈网络DFN模型故障样本数据集、和故障选线卷积神经网络CNN模型故障样本数据集;以步骤S4模拟配电网络1数据预处理后的高维时空故障样本矩阵和所述少量实际配电网络2的故障样本数据为源域数据,通过迁移学习获得目标域数据、即实际配电网络2对应的高维时空故障样本矩阵,对步骤S6初始化后的实际配电网络2对应的故障分类深度前馈网络DFN模型、故障定位深度前馈网络DFN模型、与故障选线卷积神经网络CNN模型进行参数微调,得到用于实际配电网络2的故障分类深度前馈网络DFN模型、故障定位深度前馈网络DFN模型、与故障选线卷积神经网络CNN模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414342.4A CN114169231A (zh) | 2021-11-25 | 2021-11-25 | 一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414342.4A CN114169231A (zh) | 2021-11-25 | 2021-11-25 | 一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169231A true CN114169231A (zh) | 2022-03-11 |
Family
ID=80480885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111414342.4A Pending CN114169231A (zh) | 2021-11-25 | 2021-11-25 | 一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169231A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114779002A (zh) * | 2022-03-29 | 2022-07-22 | 南方电网电力科技股份有限公司 | 一种输电线路故障点定位方法、装置、设备及存储介质 |
CN115118505A (zh) * | 2022-06-29 | 2022-09-27 | 上海众人智能科技有限公司 | 一种基于入侵数据溯源的行为基线靶向抓取方法 |
CN115754599A (zh) * | 2022-11-10 | 2023-03-07 | 海南电网有限责任公司乐东供电局 | 基于迁移学习的电缆故障定位方法和装置 |
CN116008731A (zh) * | 2023-02-15 | 2023-04-25 | 重庆大学 | 配电网高阻故障辨识方法、装置和电子设备 |
CN116151047A (zh) * | 2023-04-21 | 2023-05-23 | 嘉豪伟业科技有限公司 | 一种电力调度数据网故障模拟仿真方法及系统 |
CN117473351A (zh) * | 2023-12-26 | 2024-01-30 | 深圳市胜威南方科技有限公司 | 基于物联网的电源信息远程传输系统 |
-
2021
- 2021-11-25 CN CN202111414342.4A patent/CN114169231A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114779002A (zh) * | 2022-03-29 | 2022-07-22 | 南方电网电力科技股份有限公司 | 一种输电线路故障点定位方法、装置、设备及存储介质 |
CN114779002B (zh) * | 2022-03-29 | 2024-04-02 | 南方电网电力科技股份有限公司 | 一种输电线路故障点定位方法、装置、设备及存储介质 |
CN115118505A (zh) * | 2022-06-29 | 2022-09-27 | 上海众人智能科技有限公司 | 一种基于入侵数据溯源的行为基线靶向抓取方法 |
CN115118505B (zh) * | 2022-06-29 | 2023-06-09 | 上海众人智能科技有限公司 | 一种基于入侵数据溯源的行为基线靶向抓取方法 |
CN115754599A (zh) * | 2022-11-10 | 2023-03-07 | 海南电网有限责任公司乐东供电局 | 基于迁移学习的电缆故障定位方法和装置 |
CN115754599B (zh) * | 2022-11-10 | 2024-06-14 | 海南电网有限责任公司乐东供电局 | 基于迁移学习的电缆故障定位方法和装置 |
CN116008731A (zh) * | 2023-02-15 | 2023-04-25 | 重庆大学 | 配电网高阻故障辨识方法、装置和电子设备 |
CN116008731B (zh) * | 2023-02-15 | 2023-08-25 | 重庆大学 | 配电网高阻故障辨识方法、装置和电子设备 |
CN116151047A (zh) * | 2023-04-21 | 2023-05-23 | 嘉豪伟业科技有限公司 | 一种电力调度数据网故障模拟仿真方法及系统 |
CN116151047B (zh) * | 2023-04-21 | 2023-06-27 | 嘉豪伟业科技有限公司 | 一种电力调度数据网故障模拟仿真方法及系统 |
CN117473351A (zh) * | 2023-12-26 | 2024-01-30 | 深圳市胜威南方科技有限公司 | 基于物联网的电源信息远程传输系统 |
CN117473351B (zh) * | 2023-12-26 | 2024-03-22 | 深圳市胜威南方科技有限公司 | 基于物联网的电源信息远程传输系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114169231A (zh) | 一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法 | |
WO2021175058A1 (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
CN104155574A (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
LU500551B1 (en) | Virtual load dominant parameter identification method based on incremental learning | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN114239703A (zh) | 主动配电系统故障诊断方法、系统、设备及存储介质 | |
Halpin et al. | Applicability of neural networks to industrial and commercial power systems: A tutorial overview | |
CN114757286A (zh) | 一种基于条件对抗生成网络的多类别故障数据生成方法 | |
Yaniv et al. | Towards adoption of GNNs for power flow applications in distribution systems | |
Pandit et al. | Contingency ranking for voltage collapse using parallel self-organizing hierarchical neural network | |
Niebur et al. | Unsupervised neural net classification of power system static security states | |
Ren et al. | Pre-fault dynamic security assessment of power systems for multiple different faults via multi-label learning | |
Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN116068329A (zh) | 一种基于迁移学习的输电线路故障分类与定位方法 | |
CN116865248A (zh) | 一种超短期风电功率预测方法及电子设备 | |
Shi et al. | A fault location method for distribution system based on one-dimensional convolutional neural network | |
Li et al. | Fault diagnosis of analog circuit based on wavelet neural networks and chaos differential evolution algorithm | |
CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
Kowalski | Evolutionary strategy for the fuzzy flip-flop neural networks supervised learning procedure | |
Ji et al. | Data preprocessing method and fault diagnosis based on evaluation function of information contribution degree | |
Shapovalova et al. | Increasing the share of correct clustering of characteristic signal with random losses in self-organizing maps | |
Ning | Comparison of several common intelligent fault diagnosis knowledge-based method under nonlinear small sample conditions | |
Kundacina et al. | Supporting future electrical utilities: Using deep learning methods in ems and dms algorithms | |
Cai et al. | Calculation Method of Available Transfer Capacity Based on Graph Convolutional Network |
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 |