CN114325072B - 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 - Google Patents

基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 Download PDF

Info

Publication number
CN114325072B
CN114325072B CN202210244223.7A CN202210244223A CN114325072B CN 114325072 B CN114325072 B CN 114325072B CN 202210244223 A CN202210244223 A CN 202210244223A CN 114325072 B CN114325072 B CN 114325072B
Authority
CN
China
Prior art keywords
image
voltage
time sequence
overvoltage
channel
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.)
Active
Application number
CN202210244223.7A
Other languages
English (en)
Other versions
CN114325072A (zh
Inventor
李琼
龙国华
邹阳
吴义辉
陈亚奇
贾玉鑫
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.)
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Nanchang Hangkong University
Original Assignee
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Nanchang Hangkong 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 Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd, Nanchang Hangkong University filed Critical Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Priority to CN202210244223.7A priority Critical patent/CN114325072B/zh
Publication of CN114325072A publication Critical patent/CN114325072A/zh
Application granted granted Critical
Publication of CN114325072B publication Critical patent/CN114325072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开一种基于格拉姆角场编码的铁磁谐振过电压识别方法及装置，方法包括：获取原始电压通道信号，将原始电压通道信号中的过电压时间序列转换为二维电压时序图像，其中二维电压时序图像包括零序电压时序图像以及相电压时序图像；对零序电压时序图像以及相电压时序图像进行特征识别，使输出零序电压特征图像以及故障相电压特征图像；对零序电压特征图像以及故障相电压特征图像中的特征进行加权融合，使得到融合特征图像；根据融合特征图像，对铁磁谐振过电压类型进行识别。基于格拉姆角场将过电压时间序列转为二维图像，能体现时间关系，并且将零序电压特征图像以及故障相电压特征图像进行特征融合，提高了分类准确性。

Description

基于格拉姆角场编码的铁磁谐振过电压识别方法及装置
技术领域
本发明属于过电压智能识别技术领域，尤其涉及一种基于格拉姆角场编码的铁磁谐振过电压识别方法及装置。
背景技术
铁磁谐振是一种发生在非线性电容和电感回路上的非线性共振现象，谐振过程可能产生稳定的过电压和过电流，对变电站设备和运行人员安全构成威胁。随着电网的发展，一方面配电网的快速发展造成配电系统参数变化范围急剧增大，配电网操作更加频繁，促使铁磁谐振发生率升高；另一方面超特高压系统对内部过电压倍数要求更为严格，铁磁谐振过电压可能会超过超特高压系统内部过电压水平。因此电力系统中的铁磁谐振问题愈发突出，亟需对铁磁谐振的非线性特性进行深入研究。
目前铁磁谐振的特性分析大多基于过电压信号特征分析，主要包括：过电压信号的预处理、特征提取和分类，其主要思路是在于找到过电压波形特征与符合铁磁谐振过电压特征的映射关系，但是在研判过程中由于特征量单一，使得容易发生误判的现象。
发明内容
本发明提供一种基于格拉姆角场编码的铁磁谐振过电压识别方法及装置，用于解决由于特征量单一，使得容易发生误判的技术问题。
第一方面，本发明提供一种基于格拉姆角场编码的铁磁谐振过电压识别方法，包括：获取原始电压通道信号，基于格拉姆角场编码将所述原始电压通道信号中的过电压时间序列转换为二维电压时序图像，其中所述二维电压时序图像包括零序电压时序图像以及故障相电压时序图像；根据预设的CNN-SPP识别模型对所述零序电压时序图像以及故障相电压时序图像进行特征识别，使输出零序电压特征图像以及故障相电压特征图像；对输出的所述零序电压特征图像以及所述故障相电压特征图像中的特征进行加权融合，使得到融合特征图像，其中进行加权融合的表达式为：
Figure 702539DEST_PATH_IMAGE001
，
Figure 237426DEST_PATH_IMAGE002
，式中，
Figure 396881DEST_PATH_IMAGE003
为第L层卷积层的输出，
Figure 56532DEST_PATH_IMAGE004
为通道k第L-1层卷积层特征输出，
Figure 77578DEST_PATH_IMAGE005
为通道k第L-1层的偏移向量，
Figure 748861DEST_PATH_IMAGE006
为通道k第L-1层权重，
Figure 829950DEST_PATH_IMAGE007
为第L-1层卷积层的激活函数，
Figure 976898DEST_PATH_IMAGE008
为通道k的权重，
Figure 50902DEST_PATH_IMAGE009
通道k上信号的功率谱熵，m为通道数，m=1，2；根据所述融合特征图像，对所述铁磁谐振过电压类型进行识别。
第二方面，本发明提供一种基于格拉姆角场编码的铁磁谐振过电压识别装置，包括：转换模块，配置为获取原始电压通道信号，基于格拉姆角场编码将所述原始电压通道信号中的过电压时间序列转换为二维电压时序图像，其中所述二维电压时序图像包括零序电压时序图像以及故障相电压时序图像；特征识别模块，配置为根据预设的CNN-SPP识别模型对所述零序电压时序图像以及故障相电压时序图像进行特征识别，使输出零序电压特征图像以及故障相电压特征图像；融合模块，配置为对输出的所述零序电压特征图像以及所述故障相电压特征图像中的特征进行加权融合，使得到融合特征图像，其中进行加权融合的表达式为：
Figure 825960DEST_PATH_IMAGE001
，
Figure 750053DEST_PATH_IMAGE002
，式中，
Figure 197346DEST_PATH_IMAGE003
为第L层卷积层的输出，
Figure 356932DEST_PATH_IMAGE004
为通道k第L-1层卷积层特征输出，
Figure 393021DEST_PATH_IMAGE005
为通道k第L-1层的偏移向量，
Figure 590479DEST_PATH_IMAGE006
为通道k第L-1层权重，
Figure 774336DEST_PATH_IMAGE007
为第L-1层卷积层的激活函数，
Figure 612979DEST_PATH_IMAGE008
为通道k的权重，
Figure 113361DEST_PATH_IMAGE009
通道k上信号的功率谱熵，m为通道数，m=1，2；类型识别模块，配置为根据所述融合特征图像，对所述铁磁谐振过电压类型进行识别。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于格拉姆角场编码的铁磁谐振过电压识别方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于格拉姆角场编码的铁磁谐振过电压识别方法的步骤。
本申请的基于格拉姆角场编码的铁磁谐振过电压识别方法及装置，基于格拉姆角场将过电压时间序列转为二维图像，不仅保留电压信息的完整，还能体现时间关系，从而可以帮助了解故障发展过程，提取故障点，并且将CNN-SPP识别模型输出的零序电压特征图像以及故障故障相电压特征图像进行特征融合，能够降低由于基频谐振与普通的金属接地故障在零序电压波形类似，引发误判的现象发生，实现了结合相电压幅值、频谱等特征进行区分开，能够提高分类的准确性，尤其是对单相金属接地故障引起的一般过电压与基频铁磁谐振过电压进行有效分类。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于格拉姆角场编码的铁磁谐振过电压识别方法的流程图；
图2为本发明一实施例提供一个具体实施例的一种基于格拉姆角场编码的铁磁谐振过电压识别方法的流程图；
图3为本发明一实施例提供的一具体实施例的TCW-CNN网络结构示意图；
图4为本发明一实施例提供的一种基于格拉姆角场编码的铁磁谐振过电压识别装置的结构框图；
图5是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种基于格拉姆角场编码的铁磁谐振过电压识别方法的流程图。
如图1所示，在步骤S101中，获取原始电压通道信号，基于格拉姆角场编码将所述原始电压通道信号中的过电压时间序列转换为二维电压时序图像，其中所述二维电压时序图像包括零序电压时序图像以及故障相电压时序图像；
在步骤S102中，根据预设的CNN-SPP识别模型对所述零序电压时序图像以及故障相电压时序图像进行特征识别，使输出零序电压特征图像以及故障相电压特征图像；
在步骤S103中，对输出的所述零序电压特征图像以及所述故障相电压特征图像中的特征进行加权融合，使得到融合特征图像；
在步骤S104中，根据所述融合特征图像，对所述铁磁谐振过电压类型进行识别。
本实施例的方法，首先获取原始电压通道信号，然后基于格拉姆角场将原始电压通道信号中的过电压时间序列转为二维图像，不仅保留电压信息的完整，还能体现时间关系，从而可以帮助了解故障发展过程，提取故障点，并且将CNN-SPP识别模型输出的零序电压特征图像以及故障故障相电压特征图像进行特征融合，能够降低由于基频谐振与普通的金属接地故障在零序电压波形类似，引发误判的现象发生，实现了结合相电压幅值、频谱等特征进行区分开，能够提高分类的准确性，尤其是对单相金属接地故障引起的一般过电压与基频铁磁谐振过电压进行有效分类。
在一些可选的实施例中，基于预设的损失函数对所述原始电压通道信号进行优化，使得到优化后的原始电压通道信号，其中，预设的损失函数的表达式为：
Figure 379258DEST_PATH_IMAGE010
，
Figure 784831DEST_PATH_IMAGE011
，
式中，
Figure 801066DEST_PATH_IMAGE012
为优化后的损失函数值，
Figure 280589DEST_PATH_IMAGE013
为原始损失函数值，
Figure 842021DEST_PATH_IMAGE014
为正则化系数，
Figure 672573DEST_PATH_IMAGE015
为样本数，
Figure 728385DEST_PATH_IMAGE016
为样本序号，
Figure 62415DEST_PATH_IMAGE017
为原始损失函数，
Figure 998010DEST_PATH_IMAGE018
为指数损失函数。
本实施例的方法，通过预设的损失函数对所述原始电压通道信号进行优化，能够降低背景因素噪声对采集的电压信号数据的影响，从而保证后续分类效果。
请参阅图2，其示出了本申请的一个具体实施例的一种基于格拉姆角场编码的铁磁谐振过电压识别方法的流程图。
如图2所示，基于格拉姆角场编码的铁磁谐振过电压识别方法包括：
步骤一：故障数据采集
采集得到的过电压信号是典型的二维信号，在笛卡尔坐标系中表示为：x轴为采样点，y轴为电压大小，单位为kV。假设采样得到的过电压时间序列为
Figure 424181DEST_PATH_IMAGE019
，对过电压时间序列归一化到[-1,1]的范围内电压值：
Figure 142738DEST_PATH_IMAGE020
， （1）
式中，
Figure 721487DEST_PATH_IMAGE021
为规划后的值，
Figure 765666DEST_PATH_IMAGE022
为原始值，
Figure 180598DEST_PATH_IMAGE023
为采样最大值，
Figure 30742DEST_PATH_IMAGE024
为采集样最小值，
Figure 339364DEST_PATH_IMAGE025
为样本数；
然后，采用极坐标变换将
Figure 928346DEST_PATH_IMAGE026
值编码为角余弦，时间戳编码为半径：
Figure 689629DEST_PATH_IMAGE027
， （2）
式中，
Figure 343464DEST_PATH_IMAGE028
为时间戳，N为时间戳总长度，
Figure 381958DEST_PATH_IMAGE029
为对
Figure 502361DEST_PATH_IMAGE021
编码后的余弦角，
Figure 141153DEST_PATH_IMAGE026
为归一化后的采样值集合；
基于公式（2）的将卡迪尔坐标系下的时间序列编码为极坐标下信号表示的具有一个重要特性：即
Figure 270783DEST_PATH_IMAGE030
的值在极坐标角度范围
Figure 871440DEST_PATH_IMAGE031
区间是单调且唯一可逆的，故提出的映射关系在极坐标系中是唯一对应的双映射关系。
步骤二：数据预处理
在进行极坐标转换后，再通过计算每个点之间的三角和或三角差来定义不同时间间隔的时间相关性。三角和或三角差两种方式即称之为格拉姆角和场（GASF）和角差场(GADF) ，分别用式（3）-式（4）表示。
Figure 552957DEST_PATH_IMAGE032
，（3）
Figure 288832DEST_PATH_IMAGE033
，（4）
无论是GASF还是GADF，格拉姆矩阵G通过对方向值求和或者求差，保留了相对于时间间隔k的时间相关性，在矩阵中表现为时间随对角线从左上角到右下角增加。
过电压时间序列经过式（1）-式（2）转换为极坐标系中的曲线，再根据式（3）-式（4）转换得到GASF和GADF。需要注意的是，对于长度为n的时间序列，格拉姆矩阵大小为
Figure 97519DEST_PATH_IMAGE034
。在过电压采样中，时间序列长度n值比较大，计算得到的格拉姆矩阵维数很大，大大增长计算量。为降低数据处理难度，通常采用PAA（分段聚合近似）法对时间序列进行压缩，压缩后的时间序列点数减少，但又保留了时间序列的变换趋势。
步骤三：故障特征值提取
基于CNN-SPP的分类模型提取GAF模块输出图像的特征，根据输入的过电压类别标签，进行网络训练，得到模型参数后构建完整的识别模型。CNN结构包括：输入层、卷积层、激活函数、池化层、全连接层和输出层。其中，卷积层为3个，卷积核尺寸为3x3，每层的卷积核数量分别为8、16、32。池化层3个，池化核尺寸为2x2。
空间金字塔池化层(space pyramid pooling，SPP)是一种多分辨率策略， SPP核大小分别为1、2、4、8。将其引入到CNN最后一层卷积层中，代替原来的池化层。SPP首先将最后卷积层的输出特征复制，然后以不同的步长对复制的特征进行池化，最后将池化的特征融合输出。SPP不仅可以解决CNN网络对输入固定图像尺度问题，同时不同池化步长可以加深图像特征挖掘。
在实际采样中，对过电压信号的监测一般采集三相电压以及零序电压值4维时间序列。而格拉姆矩阵一次只能转换一维时间序列，其余非故障相或故障相的信息都未被利用。针对高维度时间序列处理问题，本设计提出在CNN-SPP的基础上构建两通道加权卷积神经网络(Two-channels weighted convolutional neural network，TCW-CNN）处理2维时间序列，更为全面的提取过电压特征信息，网络结构如图3所示。
将CNN-SPP第一个卷积层应用两通道加权融合卷积层来代替，结合过电压故障相和零序电压信号的特点在各通道采用不同的卷积核形成不同的感受野进行特征提取，获得过电压故障相电压和零序电压局部特征信息，增大网络感受野，提升网络分类特性。
三个卷积层的卷积核数量分别为：3x3，5x5；3x3；3x3。输入特征通道数分别为：2，16，32。输出特征图通道数分别为：16，32，64；
具体地，两通道加权融合包括：在进行特征提取后，各通道获取相同数量的特征图，随后需要对其有效融合。假设
Figure 969660DEST_PATH_IMAGE035
表示通道k上信号的功率谱熵，m(m=1，2)为通道数，则该通道的权重为：
Figure 25341DEST_PATH_IMAGE036
，
得到各通道的权重后，对其进行加权融合：
Figure 622413DEST_PATH_IMAGE001
式中，
Figure 828267DEST_PATH_IMAGE003
为第L层卷积层的输出，
Figure 945127DEST_PATH_IMAGE004
为通道k第L-1层卷积层特征输出，
Figure 109393DEST_PATH_IMAGE005
为通道k第L-1层的偏移向量，
Figure 429647DEST_PATH_IMAGE006
为通道k第L-1层权重，
Figure 439191DEST_PATH_IMAGE007
为第L-1层卷积层的激活函数，
Figure 676137DEST_PATH_IMAGE008
为通道k的权重，
Figure 480145DEST_PATH_IMAGE009
通道k上信号的功率谱熵，m为通道数，m=1，2。
步骤四：故障分类与输出
经过全连接层，最后通过Softmax分类，实现端对端的图像检测输出。为提高收敛速度，激活函数选用了ReLU函数。激活函数用来判定神经元的输出是否达到阈值。最后输出层采用Softmax函数对输出过电压类型的概率进行计算分类。本设计讨论四种过电压类型，故输出层节点设为4，分别为单相接地（不谐振）、高频铁磁谐振、基频铁磁谐振和分频铁磁谐振。
综上，本申请的方法能够实现以下技术效果：
1、基于格拉姆角场（GAF）和改进卷积神经网络对过电压波形进行分类，解决了铁磁谐振过电压信号的非线性时间序列特点。
2、根据GAF对过电压时间序列进行编码，将一维时间序列转换为二维图像，设计卷积神经网络对二维图像进行特征学习与分类。
3、对卷积神经网络进行设计时，采用空间金字塔池化层(SPP)连接最后卷积层，解决CNN网络对输入固定图像尺度问题。
4、将过电压信号中故障相电压信号以及零序电压信号组合成二维时间序列，在CNN-SPP基础上构建两通道卷积神经网络分类模型，实现二维时间序列的处理，提取出更深层特征关系，以提高过电压类型诊断正确率。
请参阅图4，其示出了本申请的一种基于格拉姆角场编码的铁磁谐振过电压识别装置的结构框图。
如图4所示，铁磁谐振过电压识别装置200，包括转换模块210、特征识别模块220、融合模块230以及类型识别模块240。
其中，转换模块210，配置为获取原始电压通道信号，基于格拉姆角场编码将所述原始电压通道信号中的过电压时间序列转换为二维电压时序图像，其中所述二维电压时序图像包括零序电压时序图像以及故障相电压时序图像；特征识别模块220，配置为根据预设的CNN-SPP识别模型对所述零序电压时序图像以及故障相电压时序图像进行特征识别，使输出零序电压特征图像以及故障相电压特征图像；融合模块230，配置为对输出的所述零序电压特征图像以及所述故障相电压特征图像中的特征进行加权融合，使得到融合特征图像，其中进行加权融合的表达式为：
Figure 255072DEST_PATH_IMAGE001
，
Figure 927362DEST_PATH_IMAGE002
，式中，
Figure 894181DEST_PATH_IMAGE003
为第L层卷积层的输出，
Figure 10035DEST_PATH_IMAGE004
为通道k第L-1层卷积层特征输出，
Figure 695095DEST_PATH_IMAGE005
为通道k第L-1层的偏移向量，
Figure 374338DEST_PATH_IMAGE006
为通道k第L-1层权重，
Figure 569565DEST_PATH_IMAGE007
为第L-1层卷积层的激活函数，
Figure 246534DEST_PATH_IMAGE008
为通道k的权重，
Figure 481206DEST_PATH_IMAGE009
通道k上信号的功率谱熵，m为通道数，m=1，2；类型识别模块240，配置为根据所述融合特征图像，对所述铁磁谐振过电压类型进行识别。
应当理解，图4中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图4中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的基于格拉姆角场编码的铁磁谐振过电压识别方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取原始电压通道信号，基于格拉姆角场编码将所述原始电压通道信号中的过电压时间序列转换为二维电压时序图像，其中所述二维电压时序图像包括零序电压时序图像以及故障相电压时序图像；
根据预设的CNN-SPP识别模型对所述零序电压时序图像以及故障相电压时序图像进行特征识别，使输出零序电压特征图像以及故障相电压特征图像；
对输出的所述零序电压特征图像以及所述故障相电压特征图像中的特征进行加权融合，使得到融合特征图像；
根据所述融合特征图像，对所述铁磁谐振过电压类型进行识别。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于格拉姆角场编码的铁磁谐振过电压识别装置的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于格拉姆角场编码的铁磁谐振过电压识别装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图5是本发明实施例提供的电子设备的结构示意图，如图5所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图5中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于格拉姆角场编码的铁磁谐振过电压识别方法。输入装置330可接收输入的数字或字符信息，以及产生与基于格拉姆角场编码的铁磁谐振过电压识别装置的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于格拉姆角场编码的铁磁谐振过电压识别装置中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取原始电压通道信号，基于格拉姆角场编码将所述原始电压通道信号中的过电压时间序列转换为二维电压时序图像，其中所述二维电压时序图像包括零序电压时序图像以及故障相电压时序图像；
根据预设的CNN-SPP识别模型对所述零序电压时序图像以及故障相电压时序图像进行特征识别，使输出零序电压特征图像以及故障相电压特征图像；
对输出的所述零序电压特征图像以及所述故障相电压特征图像中的特征进行加权融合，使得到融合特征图像；
根据所述融合特征图像，对所述铁磁谐振过电压类型进行识别。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于格拉姆角场编码的铁磁谐振过电压识别方法，其特征在于，包括：
获取原始电压通道信号，基于格拉姆角场编码将所述原始电压通道信号中的过电压时间序列转换为二维电压时序图像，其中所述二维电压时序图像包括零序电压时序图像以及故障相电压时序图像；
根据预设的CNN-SPP识别模型对所述零序电压时序图像以及故障相电压时序图像进行特征识别，使输出零序电压特征图像以及故障相电压特征图像；
对输出的所述零序电压特征图像以及所述故障相电压特征图像中的特征进行加权融合，使得到融合特征图像，其中进行加权融合的表达式为：
Figure 815579DEST_PATH_IMAGE001
，
Figure 778724DEST_PATH_IMAGE002
，
式中，
Figure 292882DEST_PATH_IMAGE003
为第L层卷积层的输出，
Figure 281567DEST_PATH_IMAGE004
为通道k第L-1层卷积层特征输出，
Figure 643409DEST_PATH_IMAGE005
为通道k第L-1层的偏移向量，
Figure 934713DEST_PATH_IMAGE006
为通道k第L-1层权重，
Figure 529643DEST_PATH_IMAGE007
为第L-1层卷积层的激活函数，
Figure 774548DEST_PATH_IMAGE008
为通道k的权重，
Figure 36902DEST_PATH_IMAGE009
通道k上信号的功率谱熵，m为通道数，m=1，2；
根据所述融合特征图像，对所述铁磁谐振过电压类型进行识别。
2.根据权利要求1所述的一种基于格拉姆角场编码的铁磁谐振过电压识别方法，其特征在于，在获取原始电压通道信号，基于格拉姆角场编码将所述原始电压通道信号中的过电压时间序列转换为二维电压时序图像之前，所述方法还包括：
获取原始电压通道信号，并对所述原始电压通道信号中的过电压时间序列进行压缩，使得到压缩后的过电压时间序列。
3.根据权利要求2所述的一种基于格拉姆角场编码的铁磁谐振过电压识别方法，其特征在于，在获取原始电压通道信号，并对所述原始电压通道信号中的过电压时间序列进行压缩，使得到压缩后的过电压时间序列之前，所述方法还包括：
基于预设的损失函数对所述原始电压通道信号进行优化，使得到优化后的原始电压通道信号，其中，预设的损失函数的表达式为：
Figure 764687DEST_PATH_IMAGE010
，
Figure 863224DEST_PATH_IMAGE011
，
式中，
Figure 396973DEST_PATH_IMAGE012
为优化后的损失函数值，
Figure 389200DEST_PATH_IMAGE013
为原始损失函数值，
Figure 661787DEST_PATH_IMAGE014
为正则化系数，
Figure 372254DEST_PATH_IMAGE015
为样本数，
Figure 506433DEST_PATH_IMAGE016
为样本序号，
Figure 618745DEST_PATH_IMAGE017
为原始损失函数，
Figure 298119DEST_PATH_IMAGE018
为指数损失函数。
4.根据权利要求1所述的一种基于格拉姆角场编码的铁磁谐振过电压识别方法，其特征在于，所述CNN-SPP识别模型包含输入层、卷积层、激活函数、SPP层、全连接层和输出层，其中，卷积层为3个，卷积核尺寸为3x3，每层的卷积核数量分别为8、16、32。
5.根据权利要求1所述的一种基于格拉姆角场编码的铁磁谐振过电压识别方法，其特征在于，所述对输出的所述零序电压特征图像以及所述故障相电压特征图像中的特征进行加权融合，包括：
根据两通道加权卷积神经网络对输出的所述零序电压特征图像以及所述故障相电压特征图像中的特征进行加权融合。
6.一种基于格拉姆角场编码的铁磁谐振过电压识别装置，其特征在于，包括：
转换模块，配置为获取原始电压通道信号，基于格拉姆角场编码将所述原始电压通道信号中的过电压时间序列转换为二维电压时序图像，其中所述二维电压时序图像包括零序电压时序图像以及故障相电压时序图像；
特征识别模块，配置为根据预设的CNN-SPP识别模型对所述零序电压时序图像以及故障相电压时序图像进行特征识别，使输出零序电压特征图像以及故障相电压特征图像；
融合模块，配置为对输出的所述零序电压特征图像以及所述故障相电压特征图像中的特征进行加权融合，使得到融合特征图像，其中进行加权融合的表达式为：
Figure 823778DEST_PATH_IMAGE001
，
Figure 371434DEST_PATH_IMAGE002
，
式中，
Figure 718014DEST_PATH_IMAGE003
为第L层卷积层的输出，
Figure 958503DEST_PATH_IMAGE004
为通道k第L-1层卷积层特征输出，
Figure 502616DEST_PATH_IMAGE005
为通道k第L-1层的偏移向量，
Figure 119543DEST_PATH_IMAGE006
为通道k第L-1层权重，
Figure 816234DEST_PATH_IMAGE007
为第L-1层卷积层的激活函数，
Figure 227624DEST_PATH_IMAGE008
为通道k的权重，
Figure 259034DEST_PATH_IMAGE009
通道k上信号的功率谱熵，m为通道数，m=1，2；
类型识别模块，配置为根据所述融合特征图像，对所述铁磁谐振过电压类型进行识别。
7.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至5任一项所述的方法。
CN202210244223.7A 2022-03-14 2022-03-14 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 Active CN114325072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210244223.7A CN114325072B (zh) 2022-03-14 2022-03-14 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210244223.7A CN114325072B (zh) 2022-03-14 2022-03-14 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置

Publications (2)

Publication Number Publication Date
CN114325072A CN114325072A (zh) 2022-04-12
CN114325072B true CN114325072B (zh) 2022-06-21

Family

ID=81034103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210244223.7A Active CN114325072B (zh) 2022-03-14 2022-03-14 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置

Country Status (1)

Country Link
CN (1) CN114325072B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274117B (zh) * 2023-11-23 2024-02-02 合肥工业大学 频域伪彩色增强的心磁信号特征图像生成方法及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3510664A (en) * 1968-01-08 1970-05-05 Gaf Corp Automatic laser beam scanning film flaw detector
JPS63300625A (ja) * 1987-05-30 1988-12-07 Mitsubishi Electric Corp 位相同期ル−プ周波数シンセサイザ
JPS6423276A (en) * 1987-07-20 1989-01-25 Atr Tsushin Syst Kenkyusho Enciphering system for digital data
CN106771520A (zh) * 2016-12-15 2017-05-31 福州大学 一种配电网暂时过电压分类识别方法及装置
CN110244122A (zh) * 2019-06-19 2019-09-17 国网山东省电力公司东营供电公司 电力系统谐振过电压检测与控制方法
CN111751763A (zh) * 2020-06-08 2020-10-09 武汉大学 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法
CN112179654A (zh) * 2020-09-28 2021-01-05 西南交通大学 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法
CN113076985A (zh) * 2021-03-29 2021-07-06 上海电力大学 电力用户负荷识别方法、装置及计算机可读介质
CN113392749A (zh) * 2021-06-07 2021-09-14 武汉理工大学 一种基于gaf-vgg的滚动轴承故障诊断方法及装置
CN113466634A (zh) * 2021-08-20 2021-10-01 青岛鼎信通讯股份有限公司 一种基于故障指示器的接地故障波形识别方法
CN113569966A (zh) * 2021-07-30 2021-10-29 太原理工大学 基于gaf-深度学习的煤岩界面比例识别分类方法
CN113780412A (zh) * 2021-09-10 2021-12-10 齐齐哈尔大学 故障诊断模型训练方法、系统及其诊断方法、系统
CN113807225A (zh) * 2021-09-07 2021-12-17 中国海洋大学 一种基于特征融合的负荷识别方法
CN113940638A (zh) * 2021-10-22 2022-01-18 上海理工大学 基于频域双特征融合的脉搏波信号识别分类方法
CN114019370A (zh) * 2021-09-29 2022-02-08 西安交通大学 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167727B (zh) * 2014-07-24 2016-01-20 广东电网有限责任公司电力科学研究院 中压配电网铁磁谐振辨识与抑制的系统和方法
CN105404734B (zh) * 2015-11-09 2019-01-11 广东电网有限责任公司珠海供电局 铁磁谐振过电压类型的识别方法和系统
US10859639B2 (en) * 2018-10-02 2020-12-08 Schweitzer Engineering Laboratories, Inc. Fault-type identification in an electric power delivery system using composite signals

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3510664A (en) * 1968-01-08 1970-05-05 Gaf Corp Automatic laser beam scanning film flaw detector
JPS63300625A (ja) * 1987-05-30 1988-12-07 Mitsubishi Electric Corp 位相同期ル−プ周波数シンセサイザ
JPS6423276A (en) * 1987-07-20 1989-01-25 Atr Tsushin Syst Kenkyusho Enciphering system for digital data
CN106771520A (zh) * 2016-12-15 2017-05-31 福州大学 一种配电网暂时过电压分类识别方法及装置
CN110244122A (zh) * 2019-06-19 2019-09-17 国网山东省电力公司东营供电公司 电力系统谐振过电压检测与控制方法
CN111751763A (zh) * 2020-06-08 2020-10-09 武汉大学 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法
CN112179654A (zh) * 2020-09-28 2021-01-05 西南交通大学 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法
CN113076985A (zh) * 2021-03-29 2021-07-06 上海电力大学 电力用户负荷识别方法、装置及计算机可读介质
CN113392749A (zh) * 2021-06-07 2021-09-14 武汉理工大学 一种基于gaf-vgg的滚动轴承故障诊断方法及装置
CN113569966A (zh) * 2021-07-30 2021-10-29 太原理工大学 基于gaf-深度学习的煤岩界面比例识别分类方法
CN113466634A (zh) * 2021-08-20 2021-10-01 青岛鼎信通讯股份有限公司 一种基于故障指示器的接地故障波形识别方法
CN113807225A (zh) * 2021-09-07 2021-12-17 中国海洋大学 一种基于特征融合的负荷识别方法
CN113780412A (zh) * 2021-09-10 2021-12-10 齐齐哈尔大学 故障诊断模型训练方法、系统及其诊断方法、系统
CN114019370A (zh) * 2021-09-29 2022-02-08 西安交通大学 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法
CN113940638A (zh) * 2021-10-22 2022-01-18 上海理工大学 基于频域双特征融合的脉搏波信号识别分类方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HRRP TARGET RECOGNITION BASED ON TRIPLE GRAMIAN ANGULAR FIELD WITH CONVOLUTIONAL NEURAL NETWORK;Weibo Qin等;《IET International Radar Conference (IET IRC 2020)》;20210922;全文 *
一种基于 LCD-Hilbert 变换和奇异谱熵的配电网暂时过电压类型识别方法;金涛等;《电机与控制学报》;20181130;第22卷(第11期);全文 *
基于改进CWD-CNN的配电网内部过电压类型识别方法;高伟等;《电机与控制学报》(第08期);全文 *
基于时序二维化和卷积特征融合的表面肌电信号分类方法;骆俊锦等;《模式识别与人工智能》;20200715(第07期);全文 *
基于格拉姆角场和改进残差网络的低压配电台区户变关系识别方法;白勇等;《重庆理工大学学报（自然科学）》;20211231;第35卷(第12期);正文第192-193页 *
铁磁谐振在调度端的典型特征;石文江等;《电力系统自动化》;20150410;第39卷(第7期);全文 *

Also Published As

Publication number Publication date
CN114325072A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
Bayar et al. On the robustness of constrained convolutional neural networks to jpeg post-compression for image resampling detection
CN111627015B (zh) 小样本缺陷识别方法、装置、设备及存储介质
CN110726898B (zh) 一种配电网故障类型识别方法
CN115471216B (zh) 智慧实验室管理平台的数据管理方法
CN114325072B (zh) 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置
CN116152254B (zh) 工业泄露目标气体检测模型训练方法、检测方法、电子设备
Liao et al. Fusion of infrared-visible images in UE-IoT for fault point detection based on GAN
CN112085111B (zh) 一种负荷辨识方法和装置
Ding et al. Convolutional neural network based on fast Fourier transform and gramian angle field for fault identification of HVDC transmission line
CN116152611B (zh) 一种多级多尺度点云补全方法、系统、设备及存储介质
CN112235314A (zh) 网络流量检测方法和装置及设备
CN116679161A (zh) 一种电网线路故障诊断方法、设备和介质
Li et al. You only train once: Learning a general anomaly enhancement network with random masks for hyperspectral anomaly detection
CN117290788B (zh) 一种基于改进小波变换算法的配电网故障辨识方法及系统
CN115937071A (zh) 一种图像检测方法、装置、设备及介质
CN113627294A (zh) 一种基于深度学习的变电站异常智能识别方法及系统
Ahmadian et al. Single image super-resolution with self-organization neural networks and image laplace gradient operator
CN102800092B (zh) 从点至面的图像显著性检测
CN110428402B (zh) 图像篡改识别方法、装置、计算机设备及存储介质
Yang et al. Statistical model and local binary pattern based texture feature extraction in dual-tree complex wavelet transform domain
CN116304621A (zh) 基于频谱域数据驱动的智能电网虚假数据注入攻击定位方法
CN115936196A (zh) 基于时序卷积网络的月降水模型预测方法
CN114627370A (zh) 一种基于transformer特征融合的高光谱影像分类方法
Sheikh et al. Noise tolerant classification of aerial images into manmade structures and natural-scene images based on statistical dispersion measures
CN114463734A (zh) 文字识别方法、装置、电子设备及存储介质

Legal Events

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