CN114169249A - 一种配电网高阻接地故障人工智能识别方法 - Google Patents

一种配电网高阻接地故障人工智能识别方法 Download PDF

Info

Publication number
CN114169249A
CN114169249A CN202111545612.5A CN202111545612A CN114169249A CN 114169249 A CN114169249 A CN 114169249A CN 202111545612 A CN202111545612 A CN 202111545612A CN 114169249 A CN114169249 A CN 114169249A
Authority
CN
China
Prior art keywords
training
network
sample
fault
discriminator
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.)
Granted
Application number
CN202111545612.5A
Other languages
English (en)
Other versions
CN114169249B (zh
Inventor
郭谋发
刘雯丽
高健鸿
高伟
郑泽胤
洪翠
杨耿杰
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202111545612.5A priority Critical patent/CN114169249B/zh
Publication of CN114169249A publication Critical patent/CN114169249A/zh
Application granted granted Critical
Publication of CN114169249B publication Critical patent/CN114169249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本发明涉及一种配电网高阻接地故障人工智能识别方法。采集高阻接地故障、非故障零序电流信号，将高阻接地故障样本划分为训练集与测试集；分别对训练集样本与测试集样本进行间隔采样，获得待增强训练集与未增强测试集；搭建生成对抗网络GAN模型；使用待增强训练集与随机噪声向量训练生成对抗网络，经过循环对抗训练后生成器与判别器达到二者纳什均衡状态，保存模型参数；利用训练好的生成对抗网络定向生成属于少数类的高阻接地故障样本以扩充训练集；搭建深度卷积神经网络CNN故障识别模型；利用增强后的平衡训练集训练深度卷积神经网络模型，并使用未增强测试集进行测试。本发明能够实现在非均衡场景下对配电网高阻接地故障的准确识别。

Description

一种配电网高阻接地故障人工智能识别方法
技术领域
本发明涉及一种配电网高阻接地故障人工智能识别方法。
背景技术
配电网作为电力系统的终端环节，其供电可靠性直接影响着生产生活用电。随着配电网规模的不断增大，结构日趋复杂，配电线路发生单相高阻接地故障的次数与日俱增。高阻接地故障是指配电线路经由树枝、沙土、水泥等非理想导体接地，其故障电流微弱，故障特征受接地介质的影响具有随机性，因此传统的零序过电流保护装置难以进行有效识别。但如若不及时识别故障，切除故障线路，微弱的故障电流长时间存在将使得故障点温度升高，破坏设备的绝缘，造成电气设备的损坏，甚至引发更为严重的安全事故，例如山林火灾、人身触电等事故。因此，实现高阻接地故障的可靠识别对配电网的稳定运行及保障社会公共安全具有重大意义。
近年来，数据驱动方法被广泛应用于高阻接地故障识别领域。数据驱动识别方法能够有效应用于现场的前提是拥有数量充足且类别分布平衡的训练样本。然而，配电网高阻接地故障的现场实验成本高昂，多次实验甚至可能造成设备的绝缘损伤，降低配电网的供电稳定性。同时，与电容器投切、负荷投切等正常工况相比，高阻接地故障发生机率属于小概率事件，使得故障样本数量远低于非故障样本数量，导致训练集存在严重的样本类别非均衡问题。使用样本类别非均衡数据集训练数据驱动识别模型，将导致模型更加关注多数类样本特征，倾向于简单的将所有样本划分为多数类，而无法真正学习到如何区分故障与非故障样本特征，进而导致数据驱动的故障识别方法存在容易过拟合、模型泛化能力低、现场应用识别准确率低等问题，难以满足配电网的高可靠性供电要求。
针对实际高阻接地故障检测存在的数据集失衡问题，目前的主流解决思路是通过重新调整训练集的正负样本比例分布来降低或消除不平衡性，即对原始数据集进行欠采样或过采样操作。欠采样算法通过随机舍弃部分多数类样本，实现不同类别样本的数量平衡，但这可能导致潜在的有用信息丢失，降低数据驱动模型对故障特征的挖掘能力。相对应的，过采样算法则是通过增加少数类样本的数量实现数据集的类别平衡。其中，传统的随机过采样算法随机抽取部分少数类样本进行复制，虽然这种数据扩充方式能够降低正负样本的不平衡比例，但是并没有增加样本的多样性，可能导致数据驱动模型训练过拟合。在随机过采样算法的基础上，衍生出了经典的合成少数类过采样技术(synthetic minorityoversampling technique,SMOTE)。与随机过采样不同，SMOTE算法通过对部分少数类样本进行插值计算合成全新的样本。但是，该方法产生新样本的过程只考虑到了少数类的部分子集，并未兼顾数据的整体分布特性，对于模型的训练仍旧存在过拟合风险。
为提高数据驱动方法在非平衡场景下的识别准确率，本发明提出一种配电网高阻接地故障人工智能识别方法。生成对抗网络无需任何先验知识，基于零和博弈思想学习数据间的潜在特征分布规律并生成新的合成样本，能够克服传统过采样算法未考虑数据整体分布信息的缺陷。通过生成器和判别器的循环对抗训练，仅使用少量的现场数据样本就能够生成充足且可靠的高阻接地故障样本，而无需耗费大量的金钱和时间成本去筛选数据和标记数据。将生成的高质量故障样本用于扩充原始训练集，提升少数类样本数量，彻底解决训练集存在的类别非均衡问题。使用足量且均衡的训练数据样本训练数据驱动模型，提升模型对于数据深层特征的挖掘能力，提高模型在非平衡场景下对高阻接地故障的识别准确率。
发明内容
本发明的目的在于提供一种配电网高阻接地故障人工智能识别方法，该方法无需添加额外的数据采集设备，利用少量带标签样本即可获得大量高质量的高阻接地故障数据，节省了大量人力、物力资源。利用通过生成对抗网络GAN生成的故障样本进行增强后的数据集训练数据驱动识别模型，实现在非均衡场景下对配电网高阻接地故障的准确识别。
为实现上述目的，本发明的技术方案是：一种配电网高阻接地故障人工智能识别方法，包括如下步骤：
步骤S1、采集各馈线首段高阻接地故障、正常工况零序电流信号，将采集的原始信号划分为待增强训练集与测试集；
步骤S2、对步骤S1获取的训练集与测试集分别进行间隔采样，获得待增强训练集与未增强测试集；
步骤S3、搭建生成对抗网络GAN模型；
步骤S4、使用步骤S2获取的待增强训练集与随机噪声向量训练生成对抗网络GAN模型，经过循环对抗训练后生成器与判别器达到二者的纳什均衡点，训练完成，保存模型参数；
步骤S5、利用步骤S4获取的训练完成的生成对抗网络GAN模型定向生成高阻接地故障样本，生成样本数据分布与真实样本一致；将所述高阻接地故障样本加入待增强训练集，解决数据集的样本类别不平衡问题，获得增强训练集；
步骤S6、搭建深度卷积神经网络CNN故障识别模型；
步骤S7、利用步骤S5获取的增强训练集训练深度卷积神经网络CNN故障识别模型，训练完成后使用未增强测试集进行测试，测试结果表明未知标签样本属于高阻接地故障样本或非故障样本。
在本发明一实施例中，生成对抗网络GAN模型由一个生成器G网络和一个判别器D网络组成，其训练损失函数如下式所示：
Figure BDA0003414145630000031
式中，E[·]表示期望运算；D(～)代表判别器对输入数据来源的判断输出分数；max表示当输入为真实样本时，最大化判别器输出分数D(x)，当输入为伪样本G(z)时，最小化判别器输出分数D(G(z))，即最大化1-D(G(z))；min表示生成器在迭代训练中不断提高生成样本的质量，企图欺骗判别器使其误以为是真实样本，获得判别器的高分输出D(G(z))，即最小化1-D(G(z))。
在本发明一实施例中，生成对抗网络GAN模型采用循环对抗训练方式，具体实现如下：
3.1、初始化生成器G和判别器D网络参数，设置包括学习率、迭代次数、批训练样本数量的超参数；
3.2、固定生成器G网络参数，使用同等数量的待增强训练样本和生成器生成样本训练判别器D网络多次；参数的训练采用随机梯度下降法，优化的参数包括判别器D神经网络线性层的权重ω和偏置b；
3.3、固定判别器D网络参数，噪声数据输入训练生成器G网络进行少次训练；参数的训练采用随机梯度下降法，优化的参数包括生成器G神经网络线性层的权重ω和偏置b；
3.4、重复3.2和3.3训练步骤，直至达到最大迭代次数；判别器和生成器通过循环对抗训练提升各自的判别能力和生成能力，最终达到二者的纳什均衡状态，训练结束，保存生成器和判别器网络参数。
相较于现有技术，本发明具有以下有益效果：
1、本发明所提方法仅需少量带标签数据，就能利用所提方法中的生成对抗网络定向生成与实际样本数据分布一致的高质量高阻接地故障样本，而无需添加额外的数据采集设备和耗费大量的人力、物力标记数据。将生成的故障样本用于扩充类别非平衡数据集，能够解决数据集类间不均衡问题。
2、本发明实施例使用生成对抗网络模型对高阻接地故障检测实例进行数据增强，与传统的过采样算法相比，该数据增强方法能够兼顾数据的整体分布特性。利用生成数据扩充后的增强数据集训练数据驱动模型，能够避免训练过拟合问题，提升模型的泛化能力。
3、本发明利用生成对抗网络增强后的类别平衡数据集训练深度卷积神经网络CNN故障识别模型，能够提升模型对于数据的特征挖掘能力，实现在样本类别非均衡场景下对配电网高阻接地故障的可靠识别，提高模型的识别准确率和泛化能力，进而提高配电网的供电可靠性。
附图说明
图1为本发明一种配电网高阻接地故障人工智能识别方法流程图。
图2为本发明实施例提供的生成对抗网络GAN的结构示意图方法。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本实施例提供一种配电网高阻接地故障人工智能识别方法，如图1所示，包括如下步骤：
步骤S1、采集各馈线首段高阻接地故障、正常工况零序电流信号，将采集的原始信号划分为训练集与测试集；本步骤具体包括如下步骤：
发生高阻接地故障后，开始采集各馈线首段零序电流数据，采样频率为10kHz，零序电流波形包含故障发生前1周波波形与故障发生后6周波波形，因此原始零序电流波形包含1400个采样点。非故障情况考虑与高阻接地故障零序电流极其相似的电容器投切、负荷投切波形。针对电容器投切、负荷投切两种工况，其零序电流信号采集过程与高阻接地故障波形样本类似。然后，以3:1的比例将包含高阻接地故障、电容器投切与负荷投切三种零序电流波形的原始数据库划分为训练集与测试集。配电网高阻接地故障危害性大但实际发生概率小，因此原始数据库中非故障样本数远高于故障样本数，存在严重的类别非均衡问题。
步骤S2、对步骤S1获取的训练集与测试集分别进行间隔采样，获得待增强训练集与未增强测试集；本步骤具体包括如下步骤：
充足数据的训练样本有助于提高生成对抗网络GAN生成样本的质量，为了充分利用已有的现场信号样本，通过间隔采样的方式获取待增强训练集与未增强测试集。由于过大的采样间隔可能会引起有效信息缺失，进而导致生成样本丢失关键特征，降低故障诊断效果，因此采用间隔50个点进行间隔采样，经过间隔采样后的训练集样本或测试集样本为包含784个数据点的一维时序信号。
步骤S3、搭建生成对抗网络GAN模型(图2为本实施例提供的生成对抗网络GAN的结构示意图方法)；GAN模型具体结构如下：
生成器G网络包含全连接层、批归一化层、上采样层、反卷积层，为避免模型梯度消失，隐含层选取LeakyRelu作为激活函数，输出层选取tanh作为激活函数。
LeakyRelu激活函数表达式为
Figure BDA0003414145630000041
其中，x为LeakyRelu激活函数层的输入数据，a为斜率参数，y为LeakyRelu激活函数的映射值。
tanh激活函数表达式为
Figure BDA0003414145630000051
式中，e为自然对数的底，x为tanh激活函数层的输入数据，y生成样本的像素值。经过tanh激活函数层的非线性映射，生成样本的数据点取值范围为[-1,1]。
判别器D网络由全连接层、卷积层和Dropout层组成，激活函数为LeakyRelu。
步骤S4、使用步骤S2获取的待增强训练集与随机噪声向量训练生成对抗网络GAN模型，经过循环对抗训练后生成器与判别器达到二者的纳什均衡点，训练完成，保存模型参数；本步骤具体包括如下步骤：
GAN中判别器D的目标函数为：
Figure BDA0003414145630000052
式中，E[·]表示期望运算。D(～)代表判别器对输入数据来源的判断输出分数；max表示当输入为真实样本时，最大化判别器输出分数D(x)；当输入为伪样本G(z)时，最小化判别器输出分数D(G(z))，即最大化1-D(G(z))。
GAN中生成器G的目标函数为：
Figure BDA0003414145630000053
式中，min代表生成器在迭代训练中不断提高生成样本的质量，企图欺骗判别器使其误以为是真实样本，获得判别器的高分输出D(G(z))，即最小化1-D(G(z))。
生成器与判别器通过交替训练提升各自的生成能力与判别能力，理论上可以达到二者间的纳什均衡状态，此时生成样本的数据分布于真实样本接近一致，判别器难以甄别输入数据是来自真实样本还是生成样本，GAN的训练过程如下：
4.1、初始化生成器G和判别器D网络参数，设置学习率、迭代次数、批训练样本数量等超参数；
4.2、固定生成器G网络参数，使用同等数量的待增强训练样本和生成器生成样本训练判别器D网络多次。参数的训练采用随机梯度下降法，优化的参数包括判别器D神经网络线性层的权重ω和偏置b。
4.3、固定判别器D网络参数，噪声数据输入训练生成器G网络进行少次训练。参数的训练采用随机梯度下降法，优化的参数包括生成器G神经网络线性层的权重ω和偏置b。
4.4、重复4.2和4.3训练步骤，直至达到最大迭代次数。判别器和生成器通过循环对抗训练提升各自的判别能力和生成能力，最终达到二者的纳什均衡状态，训练结束，保存生成器和判别器网络参数。
步骤S5、利用步骤S3获取的训练完成的生成对抗网络GAN模型定向生成高阻接地故障样本，生成样本数据分布与真实样本一致。将所述的生成故障样本加入待增强训练集，解决数据集的样本类别不平衡问题，获得增强训练集；
与电容器投切、负荷投切等正常操作相比，配电网发生高阻接地故障属于小概率事件。同时，高阻接地故障实验条件有限，费用高昂，多次实验甚至可能造成配电网设备损坏与绝缘击穿。因此，用于训练数据驱动模型的训练集存在严重的样本类别不均衡问题。使用类别非均衡数据集训练数据驱动模型将导致模型倾向于学习多数类样本特征，而对少数类样本识别效果不高，进而导致现有的数据驱动方法在现场应用时存在模型泛化能力差、识别准确率低等问题。利用步骤S4获取的训练完成的生成对抗网络GAN定向生成高质量故障样本，加入存在类别不平衡问题的待增强训练集，实现故障样本数量与非故障样本数量平衡，获得类别平衡增强训练集。
步骤S6、搭建深度卷积神经网络CNN故障识别模型；所述深度卷积神经网络模型具体结构如下：
输入层：将输入一维时序信号转换为28*28的特征矩阵，通道数为1；
第1卷积层：通道数为32，卷积核大小3*3，步长为1，激活函数为Relu；
第1池化层：最大池化，卷积核大小2*2，步长为2，边界填充为1；
第2卷积层：通道数为32，卷积核大小3*3，步长为1，激活函数为Relu，边界填充为2；
第2池化层：平均池化，卷积核大小2*2，步长为2，边界填充为1；
第3卷积层：通道数为64，卷积核大小3*3，步长为1，激活函数为Relu，边界填充为2；
第3池化层：平均池化，卷积核大小2*2，步长为2，边界填充为1；
第4卷积层：通道数为64，卷积核大小3*3，步长为1，激活函数为Relu；
第4池化层：平均池化，卷积核大小2*2，步长为2，边界填充为1；
第5卷积层：通道数为128，卷积核大小2*2，步长为1，激活函数为Relu；
输出层：维度为2，激活函数为Softmax，判断输入样本状态类别；
Softmax激活函数的表达式为：
Figure BDA0003414145630000071
式中，P(ci)代表Softmax函数预测样本类别属于ci的归一化概率，e为自然对数的底，zi为softmax激活函数层的第i节点的输出值，n为输出节点的个数。
步骤S7、利用增强训练集训练深度卷积神经网络CNN模型，训练完成后使用未增强测试集进行测试，测试结果表明未知标签样本属于高阻接地故障样本或非故障样本。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种配电网高阻接地故障人工智能识别方法，其特征在于，包括如下步骤：
步骤S1、采集各馈线首段高阻接地故障、正常工况零序电流信号，将采集的原始信号划分为待增强训练集与测试集；
步骤S2、对步骤S1获取的训练集与测试集分别进行间隔采样，获得待增强训练集与未增强测试集；
步骤S3、搭建生成对抗网络GAN模型；
步骤S4、使用步骤S2获取的待增强训练集与随机噪声向量训练生成对抗网络GAN模型，经过循环对抗训练后生成器与判别器达到二者的纳什均衡点，训练完成，保存模型参数；
步骤S5、利用步骤S4获取的训练完成的生成对抗网络GAN模型定向生成高阻接地故障样本，生成样本数据分布与真实样本一致；将所述高阻接地故障样本加入待增强训练集，解决数据集的样本类别不平衡问题，获得增强训练集；
步骤S6、搭建深度卷积神经网络CNN故障识别模型；
步骤S7、利用步骤S5获取的增强训练集训练深度卷积神经网络CNN故障识别模型，训练完成后使用未增强测试集进行测试，测试结果表明未知标签样本属于高阻接地故障样本或非故障样本。
2.根据权利要求1所述的一种配电网高阻接地故障人工智能识别方法，其特征在于，生成对抗网络GAN模型由一个生成器G网络和一个判别器D网络组成，其训练损失函数如下式所示：
Figure RE-FDA0003466301500000011
式中，E[·]表示期望运算；D(～)代表判别器对输入数据来源的判断输出分数；max表示当输入为真实样本时，最大化判别器输出分数D(x)，当输入为伪样本G(z)时，最小化判别器输出分数D(G(z))，即最大化1-D(G(z))；min表示生成器在迭代训练中不断提高生成样本的质量，企图欺骗判别器使其误以为是真实样本，获得判别器的高分输出D(G(z))，即最小化1-D(G(z))。
3.根据权利要求1所述的一种配电网高阻接地故障人工智能识别方法，其特征在于，生成对抗网络GAN模型采用循环对抗训练方式，具体实现如下：
3.1、初始化生成器G和判别器D网络参数，设置包括学习率、迭代次数、批训练样本数量的超参数；
3.2、固定生成器G网络参数，使用同等数量的待增强训练样本和生成器生成样本训练判别器D网络多次；参数的训练采用随机梯度下降法，优化的参数包括判别器D神经网络线性层的权重ω和偏置b；
3.3、固定判别器D网络参数，噪声数据输入训练生成器G网络进行少次训练；参数的训练采用随机梯度下降法，优化的参数包括生成器G神经网络线性层的权重ω和偏置b；
3.4、重复3.2和3.3训练步骤，直至达到最大迭代次数；判别器和生成器通过循环对抗训练提升各自的判别能力和生成能力，最终达到二者的纳什均衡状态，训练结束，保存生成器和判别器网络参数。
CN202111545612.5A 2021-12-16 2021-12-16 一种配电网高阻接地故障人工智能识别方法 Active CN114169249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111545612.5A CN114169249B (zh) 2021-12-16 2021-12-16 一种配电网高阻接地故障人工智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111545612.5A CN114169249B (zh) 2021-12-16 2021-12-16 一种配电网高阻接地故障人工智能识别方法

Publications (2)

Publication Number Publication Date
CN114169249A true CN114169249A (zh) 2022-03-11
CN114169249B CN114169249B (zh) 2024-06-07

Family

ID=80487049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111545612.5A Active CN114169249B (zh) 2021-12-16 2021-12-16 一种配电网高阻接地故障人工智能识别方法

Country Status (1)

Country Link
CN (1) CN114169249B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115543762A (zh) * 2022-11-30 2022-12-30 苏州浪潮智能科技有限公司 一种磁盘smart数据扩充方法、系统及电子设备
CN115828719A (zh) * 2022-07-17 2023-03-21 东南大学溧阳研究院 基于生成对抗网络的电力系统次同步振荡数据生成方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010115474A1 (en) * 2009-04-10 2010-10-14 Areva T&D Uk Ltd Method and system for transient and intermittent earth fault detection and direction determination in a three-phase median voltage electric power distribution system
CN108279364A (zh) * 2018-01-30 2018-07-13 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
US20190137557A1 (en) * 2015-09-09 2019-05-09 Beijing Inhand Networks Technology Co., Ltd. Method and system for detecting and locating single-phase ground fault on low current grounded power-distribution network
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
CN111160241A (zh) * 2019-12-27 2020-05-15 华中科技大学 一种基于深度学习的配电网故障分类方法、系统和介质
US20200202221A1 (en) * 2018-12-20 2020-06-25 Shandong University Of Science And Technology Fault detection method and system based on generative adversarial network and computer program
CN112016473A (zh) * 2020-08-31 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法
CN112255500A (zh) * 2020-10-12 2021-01-22 山东翰林科技有限公司 一种基于迁移学习的配电网弱特征故障辨识方法
US20210197335A1 (en) * 2019-12-26 2021-07-01 Dalian University Of Technology Data Augmentation Method Based On Generative Adversarial Networks In Tool Condition Monitoring

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010115474A1 (en) * 2009-04-10 2010-10-14 Areva T&D Uk Ltd Method and system for transient and intermittent earth fault detection and direction determination in a three-phase median voltage electric power distribution system
US20190137557A1 (en) * 2015-09-09 2019-05-09 Beijing Inhand Networks Technology Co., Ltd. Method and system for detecting and locating single-phase ground fault on low current grounded power-distribution network
CN108279364A (zh) * 2018-01-30 2018-07-13 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
US20200202221A1 (en) * 2018-12-20 2020-06-25 Shandong University Of Science And Technology Fault detection method and system based on generative adversarial network and computer program
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
US20210197335A1 (en) * 2019-12-26 2021-07-01 Dalian University Of Technology Data Augmentation Method Based On Generative Adversarial Networks In Tool Condition Monitoring
CN111160241A (zh) * 2019-12-27 2020-05-15 华中科技大学 一种基于深度学习的配电网故障分类方法、系统和介质
CN112016473A (zh) * 2020-08-31 2020-12-01 国网安徽省电力有限公司电力科学研究院 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法
CN112255500A (zh) * 2020-10-12 2021-01-22 山东翰林科技有限公司 一种基于迁移学习的配电网弱特征故障辨识方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828719A (zh) * 2022-07-17 2023-03-21 东南大学溧阳研究院 基于生成对抗网络的电力系统次同步振荡数据生成方法
CN115828719B (zh) * 2022-07-17 2023-10-03 东南大学溧阳研究院 基于生成对抗网络的电力系统次同步振荡数据生成方法
CN115543762A (zh) * 2022-11-30 2022-12-30 苏州浪潮智能科技有限公司 一种磁盘smart数据扩充方法、系统及电子设备

Also Published As

Publication number Publication date
CN114169249B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
Tong et al. Detection and classification of transmission line transient faults based on graph convolutional neural network
CN113469253B (zh) 一种基于三元组孪生网络的窃电检测方法
CN109932627A (zh) 一种gis耐压试验局部放电的定位方法及系统
CN114169249A (zh) 一种配电网高阻接地故障人工智能识别方法
CN109635928A (zh) 一种基于深度学习模型融合的电压暂降原因识别方法
CN109299812A (zh) 一种基于深度学习模型和knn实时校正的洪水预测方法
CN109934392A (zh) 一种基于深度学习的微电网短期负荷预测方法
CN106874950A (zh) 一种暂态电能质量录波数据的识别分类方法
CN109164362A (zh) 一种直流电缆局部放电缺陷故障的识别方法及系统
CN114414942A (zh) 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及系统
CN115932484A (zh) 输电线路故障辨识与故障测距方法、装置和电子设备
Luo et al. An end-to-end transient recognition method for VSC-HVDC based on deep belief network
CN109389253A (zh) 一种基于可信性集成学习的电力系统扰动后频率预测方法
Hou et al. Deep-learning-based fault type identification using modified CEEMDAN and image augmentation in distribution power grid
CN115879048A (zh) 一种基于wrfmda模型的串联电弧故障识别方法和系统
CN112084860A (zh) 目标对象检测、火力发电厂检测方法和装置
CN112327190B (zh) 一种储能电池健康状态辨识方法
CN116087692B (zh) 一种配电网树线放电故障识别方法、系统、终端及介质
CN116502149A (zh) 基于电流特征传导的低压配电网户变关系识别方法及系统
Nithiyananthan et al. Enhanced R package-based cluster analysis fault identification models for three phase power system network
CN114157552B (zh) 一种基于孪生时序图网络的配网故障检测方法
Dehghani et al. Distribution feeder classification based on self organized maps (case study: Lorestan province, Iran)
CN114841266A (zh) 一种小样本下基于三元组原型网络的电压暂降识别方法
Binu et al. Support vector neural network and principal component analysis for fault diagnosis of analog circuits
Parija et al. Faults classification in a microgrid using decision tree technique and support vector machine

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant