CN114355240A - 配电网接地故障诊断方法及装置 - Google Patents

配电网接地故障诊断方法及装置 Download PDF

Info

Publication number
CN114355240A
CN114355240A CN202111451134.1A CN202111451134A CN114355240A CN 114355240 A CN114355240 A CN 114355240A CN 202111451134 A CN202111451134 A CN 202111451134A CN 114355240 A CN114355240 A CN 114355240A
Authority
CN
China
Prior art keywords
fault diagnosis
basic
power distribution
distribution network
diagnosis model
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
CN202111451134.1A
Other languages
English (en)
Inventor
丁津津
张倩
谢民
邵庆祝
孙辉
叶远波
张峰
汪勋婷
何开元
俞斌
于洋
张骏
郑国强
高博
徐斌
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 Anhui Electric Power Co Ltd
Anhui University
Original Assignee
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Anhui 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 Anhui Electric Power Co Ltd, Anhui University filed Critical Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Priority to CN202111451134.1A priority Critical patent/CN114355240A/zh
Publication of CN114355240A publication Critical patent/CN114355240A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • 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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明提供一种配电网接地故障诊断方法及装置，包括：获取配电网的基础拓扑结构故障时的一维零序电流信号，并将一维零序电流信号转换为二维图像；以所述二维图像作为卷积神经网络模型的输入，训练得到基础故障诊断模型；在配电网发生故障时，判断发生故障的拓扑结构是否为基础拓扑结构：若是，则利用基础故障诊断模型对配电网进行故障诊断，输出对应的故障类型；否则，基于基础故障诊断模型，利用迁移学习方法，得到该发生故障的拓扑结构对应的目标故障诊断模型，并利用该目标故障诊断模型对配电网进行故障诊断，输出对应的故障类型。本发明的配电网接地故障诊断方法能够实现不同拓扑结构的故障分类，运用范围广，故障分类快速，准确率高。

Description

配电网接地故障诊断方法及装置
技术领域
本发明涉及配电网故障诊断技术领域，具体地涉及一种配电网接地故障诊断方法、一种配电网接地故障诊断装置及一种机器可读存储介质。
背景技术
随着科技的发展，电网规模在不断扩大，运行也更加复杂，在自然灾害和人为误操作等因素的影响下，电网发生故障的概率也在逐渐增加。电网故障事故会给国民经济带来巨大损失，甚至影响到国家的安全。
虽然自然灾害不可避免，但是可以通过技术手段和专业的应对措施将自然灾害对电网的影响降到最低，对国家安全和人们的生活提供有力的保障。面对电网的突发性故障，及时找到故障原因，发生位置，解决故障问题，恢复电网正常运行，对社会、经济、生活等都有重要意义。电网发生故障后，首先出现变化的是各电网线路中的电气量数据。然后，变化的电气量使线路的继电保护装置发生动作，实现故障隔离和线路保护。
现有技术中通常采用电网故障诊断模型进行故障判断，但是，电网故障诊断模型无法覆盖每一不同拓扑结构的电网，对于新场景中的拓扑结构，无法准确实现故障分类。
发明内容
本发明实施方式的目的是提供一种配电网接地故障诊断方法及装置，以至少解决上述的现有的故障诊断过程中，无法覆盖每一不同拓扑结构的电网，对于新场景中的拓扑结构，无法准确实现故障分类的问题。
为了实现上述目的，本发明第一方面提供一种配电网接地故障诊断方法，包括：
获取配电网的基础拓扑结构故障时的一维零序电流信号，并将所述一维零序电流信号转换为二维图像；
以所述二维图像作为卷积神经网络模型的输入，训练得到基础故障诊断模型；
在配电网发生故障时，判断发生故障的拓扑结构是否为所述基础拓扑结构：
若是，则利用所述基础故障诊断模型对配电网进行故障诊断，输出对应的故障类型；
否则，基于所述基础故障诊断模型，利用迁移学习方法，得到该发生故障的拓扑结构对应的目标故障诊断模型，并利用该目标故障诊断模型对配电网进行故障诊断，输出对应的故障类型。
可选的，所述方法还包括：
在将所述一维零序电流信号转换为二维图像前，对获取的一维零序电流信号进行归一化处理。
可选的，所述将所述一维零序电流信号转换为二维图像，包括：
利用格拉姆角场，将所述一维零序电流信号映射为对应的二维图像。
可选的，所述以所述二维图像作为卷积神经网络模型的输入，训练得到基础故障诊断模型，包括：
将所述二维图像划分为训练数据集和测试数据集；
将所述训练数据集输入多尺度卷积神经网络模型，结合注意力模型得到基础故障诊断模型。
可选的，所述方法还包括：
利用所述测试数据集对所述基础故障诊断模型进行测试，并根据测试结果修正所述基础故障诊断模型。
可选的，所述基础故障诊断模型包括：
输入层、多通道卷积层、融合层、通道注意力模块、第一池化层、卷积层、空间注意力模块、第二池化层、全连接层和输出层；
其中，所述多通道卷积层为三通道卷积层，第一个通道的卷积核大小为5×5，通道数为8；第二个通道的卷积核为3×3和1×1串联，通道数分别为8和16；第三个通道的卷积核为8×8和3×3串联，通道数分别为4和8。
可选的，所述基于所述基础故障诊断模型，利用迁移学习方法，得到该发生故障的拓扑结构对应的目标故障诊断模型，包括：
获取所述发生故障的拓扑结构故障时的一维零序电流信号，并将所述一维零序电流信号转换为该发生故障的拓扑结构对应的二维图像；
将该发生故障的拓扑结构对应的二维图像划分为训练数据集和测试数据集；
基于该发生故障的拓扑结构对应的二维图像的训练数据集，以所述基础故障诊断模型中的第一池化层、卷积层和第二池化层的参数作为模型参数，训练得到该发生故障的拓扑结构对应的目标故障诊断模型。
可选的，所述方法还包括：
利用该发生故障的拓扑结构对应的二维图像的测试数据集对所述目标故障诊断模型进行测试，并根据测试结果修正所述目标故障诊断模型。
本发明第二方面提供一种配电网接地故障诊断装置，包括：
获取转换模块，用于获取配电网的基础拓扑结构故障时的一维零序电流信号，并将所述一维零序电流信号转换为二维图像；
建模模块，用于以所述二维图像作为卷积神经网络模型的输入，训练得到基础故障诊断模型；
判断输出模块，用于在配电网发生故障时，判断发生故障的拓扑结构是否为所述基础拓扑结构：
若是，则利用所述基础故障诊断模型对配电网进行故障诊断，输出对应的故障类型；否则，基于所述基础故障诊断模型，利用迁移学习方法，得到该发生故障的拓扑结构对应的目标故障诊断模型，并利用该目标故障诊断模型对配电网进行故障诊断，输出对应的故障类型。
另一方面，本发明提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行本申请上述的配电网接地故障诊断方法。
本技术方案提出一种配电网接地故障诊断方法，能够覆盖每一种不同拓扑结构的电网，实现新场景中不同拓扑结构的故障诊断，能够实现不同拓扑结构的故障分类，运用范围广，故障分类快速，准确率高；另外，将配电网故障时的一维零序电流信号转换为二维图像作为输入数据，能够减少噪声输入，提高故障识别的准确性。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明提供的配电网接地故障诊断方法的流程图；
图2是本发明提供的配电网接地故障诊断方法整体流程框图；
图3是本发明提供的种配电网接地故障诊断方法中的一维零序电流信号时间序列示意图；
图4是本发明提供的配电网接地故障诊断方法中极坐标下的零序电流示意图；
图5是本发明提供的配电网接地故障诊断方法中二维图像示意图；
图6是本发明提供的配电网接地故障诊断方法中多尺度特征提取模块的结构示意图；
图7是本发明提供的配电网接地故障诊断方法中注意力模型的结构示意图；
图8是本发明提供的配电网接地故障诊断方法中基础故障诊断模型的结构示意图；
图9是本发明提供的配电网接地故障诊断方法中基础故障诊断模型与目标故障诊断模型的关系示意图；
图10是本发明提供的配电网接地故障诊断装置的结构框图；
图11是本发明提供的实施例1中配电网拓扑结构的示意图；
图12是本发明提供的实施例1中配电网拓扑结构单相接地故障时的三相时域电流信号、时域零序电流信号和对应的二维图像的示意图；
图13是本发明提供的实施例1中配电网拓扑结构相间短路故障时的三相时域电流信号、时域零序电流信号和对应的二维图像的示意图；
图14是本发明提供的实施例1中配电网拓扑结构多相接地故障时的三相时域电流信号、时域零序电流信号和对应的二维图像的示意图；
图15是本发明提供的配电网接地故障诊断方法中基础故障诊断模型与现有模型准确率的对比示意图；
图16是本发明提供的实施例2中新场景中配电网拓扑结构的示意图。
附图标记说明
11-获取转换模块；12-建模模块；13-判断输出模块。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
图1是本发明提供的配电网接地故障诊断方法的流程图，图2是本发明提供的配电网接地故障诊断方法整体流程框图；如图1和图2所示，本发明的实施例提供一种配电网接地故障诊断方法，包括：
步骤一、获取配电网的基础拓扑结构故障时的一维零序电流信号，并将所述一维零序电流信号转换为二维图像；
步骤二、以所述二维图像作为卷积神经网络模型的输入，训练得到基础故障诊断模型；
步骤三、在配电网发生故障时，判断发生故障的拓扑结构是否为所述基础拓扑结构：
若是，则利用所述基础故障诊断模型对配电网进行故障诊断，输出对应的故障类型；
否则，基于所述基础故障诊断模型，利用迁移学习方法，得到该发生故障的拓扑结构对应的目标故障诊断模型，并利用该目标故障诊断模型对配电网进行故障诊断，输出对应的故障类型。
具体地，在配电网发生故障时，采集一维零序电流信号，一维零序电流信号为一维的时间序列，在一定程度上无法解释数据之间存在的潜在相关性，不能区分有价值的信息和高斯噪声，通常数据的高斯分布越多，就越难将其与高斯噪声区分开来，从而降低神经网络的分类准确性。所以为了充分利用目前机器视觉上的优势，采用格拉姆角场(GramianAngular Field，GAF)在一维时间序列和二维空间之间构造一个双射映射，将一维时间序列转换为极坐标系表示，再使用三角函数生成GAF矩阵，进而转换为二维图像，避免丢失重要信息。从图像上看，故障特征基本上分布在全图上，而原始的一维时序数据只有单方向的线路波动，将计算机视觉技术应用于时间研究，通过GAF转换可以更好的让卷积神经网络识别。本实施方式中，基础拓扑结构可以理解为是现有配电网中任意一种常见、基础、运用范围较广泛的拓扑结构，也可以采用具有较多故障数据的拓扑结构作为所述基础拓扑结构，以便利用较多的故障数据作为支撑，准确训练出基础故障诊断模型；训练基础故障诊断模型的过程中可采用梯度下降法对参数进行更新，通过多次迭代直至收敛得到基础故障诊断模型。
在训练好基础故障诊断模型后，使用基础故障诊断模型对配电网的故障进行诊断，但是，由于现有的配电网拓扑结构较多，基础故障诊断模型无法对应进行准确的故障分类，并且对于一些新场景的配电网拓扑结构，还不具有足够的故障数据，无法训练出对应的故障诊断模型，因此，本实施方式，提出在配电网发生故障时：
首先，判断发生故障的拓扑结构是否为所述基础拓扑结构：若发生故障的拓扑结构为所述基础拓扑结构，则将获取的拓扑结构故障时的一维零序电流信号转换为二维图像，直接输入至所述基础故障诊断模型对配电网进行故障诊断，输出对应的故障类型；
如果发生故障的拓扑结构不是所述基础拓扑结构，则基于所述基础故障诊断模型，利用迁移学习方法，得到该发生故障的拓扑结构对应的目标故障诊断模型，并利用该目标故障诊断模型对配电网进行故障诊断，输出对应的故障类型。
更具体地，通过迁移学习方法，将训练好的基础故障诊断模型迁移到目标故障诊断模型中，不需要像训练基础故障诊断模型时，重新开始训练，只需要将已经训练完成的基础故障诊断模型的权重迁移过来，在分类器上按照新任务的要求进行修改，选取部分该发生故障的拓扑结构的一维零序电流信号对应的二维图像，进行微调训练能很快得到对应的目标故障诊断模型，将获取的该发生故障的拓扑结构故障时的一维零序电流信号转换为二维图像，输入至对应的目标域的故障诊断模型对配电网进行故障诊断，输出对应的故障类型。采用这种方式，不仅节省了资源，还加快了故障诊断的时效性，能够快速的通过基础故障诊断模型得到发生故障的拓扑结构对应的目标故障诊断模型，能够实现快速准确的故障诊断。
进一步地，所述方法还包括：
在将所述一维零序电流信号转换为二维图像前，对获取的一维零序电流信号进行归一化处理。
具体地，在进行建模前，获取配电网的基础拓扑结构故障时的一维零序电流信号，将数据进行归一化处理，使得数据处于同一个数量级别上，便于进行后续的综合测评分析。
进一步地，所述将所述一维零序电流信号转换为二维图像，包括：
利用格拉姆角场，将所述一维零序电流信号映射为对应的二维图像。
利用格拉姆角场将一维零序电流信号映射为对应的二维图像的具体过程为：
给定一个一维零序电流采样序列X＝{x1,x2,...,xn}，时间序列是由各个采样时间点xi组成的，i为采样点数，1≤i≤n。通过归一化将时间序列数据缩放到[-1,1]，得到归一化后的值x′：
Figure BDA0003386035040000081
将缩放后的时间序列转换到极坐标，分别用变量角度和半径表示时间序列的值及其对应的时间戳：
Figure BDA0003386035040000082
其中，角度φi是两个向量的夹角，值在[0,π]之间。在计算半径变量，我们把区间[0,1]分成N等份，可以得到N+1个分隔点{0,…,1}，然后丢弃0，并连续地将这些点与时间序列关联起来，整个编码是双射的，通过r坐标保持时间依赖性。
在二维空间中，使用内积运算来处理稀疏性，为了降低内积得到的范数偏差，定义了内积：
Figure BDA0003386035040000091
其中，θ表示了x和y的角度。
通过计算采样点之间三角函数的和/差，从角度识别采样点之间的时间相关性，将格拉姆角和场(GASF)和格拉姆角差场(GADF)分别定义为：
Figure BDA0003386035040000092
Figure BDA0003386035040000093
其中，GAF矩阵中每个元素取值范围为[-1,1]，在转换到极坐标系后，将每个时间步长的时间序列作为一维度量空间。通过在笛卡尔坐标重新表示内积：
Figure BDA0003386035040000094
显著提高稀疏性和抗噪声性能力。根据深度神经网络学习到的高层特征来近似重构时间序列，且在时间相关性上通过时间间隔k的方向叠加。
图3是本发明提供的种配电网接地故障诊断方法中的一维零序电流信号时间序列示意图；图4是本发明提供的配电网接地故障诊断方法中极坐标下的零序电流示意图；图5是本发明提供的配电网接地故障诊断方法中二维图像示意图。基于上述的转换过程，可以将如图3所示的一维零序电流时间序列装换为如图4所示的极坐标系下的零序电流，再将极坐标系下的零序电流转换为如图5所示的二维图像。
进一步地，所述以所述二维图像作为卷积神经网络模型的输入，训练得到基础故障诊断模型，包括：
将所述二维图像划分为训练数据集和测试数据集；
将所述训练数据集输入多尺度卷积神经网络模型，结合注意力模型得到基础故障诊断模型。
具体地，卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，能够实现对大型图像进行高效识别处理且效果显著，CNN作为深度学习中典型的神经网络，具有局部感知、参数共享、多核等特征，能够将大数据量的图片降维成小数据量，相比较于其它网络在处理稀疏数据方面表现更好，有效的保留图片特征，且网络可移植性好，目前主要应用图像分类，人脸识别等方面。
常规的CNN神经网络，通常由输入层、卷积层、降采样层、全连接层、输出层组成。本质是由多个特征滤波器对输入数据进行逐层卷积和池化计算，当过滤器在图像移动时，图像上的不同位置与过滤器相同位置进行运算，所以过滤器整个图像权值共享，大大降低了网络需要训练的权值数量；
首先模型的卷积核与输入进行卷积，经过激活函数得到一个特征面。卷积计算公式如下：
Figure BDA0003386035040000101
其中，L表示网络层数；
Figure BDA0003386035040000102
是卷积计算后的特征面；xL-1是L-1层的特征面；Ki、b分别表示卷积核的权值和偏置；σ为激活函数，线性激活函数RELU可以有效缓解神经网络中过拟合问题；
卷积运算后的降采样层是对卷积层的输出进行筛选过滤，去除非重要的特征参数，通过采样核k进行二次特征的提取，均值采样法的运算公式如下所示：
Figure BDA0003386035040000111
全连接层与输出层相连，是一个传统的多层感知器，通常与softmax函数组合完成特征分类。
另外，CNN的有监督学习训练过程包含前馈运算和反馈运算，具体包括：
前馈运算：假设网络已训练完毕，即其中参数w1,...wn已收敛到最优解，此时可用网络进行故障类别预测，预测的过程就是一次前馈运算；
wn＝fs2(fc2(fs1(fc1(w1))))
其中，w1为输入；wn为输出；fc为卷积层运算；fs为降采样层；
反馈运算：将输出层的结果与数据标签相比对，计算两者之间的误差并反向传播至各层，更新权重参数：
X'＝X+fBP(αen)
其中，X'为更新后的核参数；X为核参数；en为输出和数据标签的误差；fBP为反馈运算过程；α为学习率。
图6是本发明提供的配电网接地故障诊断方法中多尺度特征提取模块的结构示意图；图7是本发明提供的配电网接地故障诊断方法中注意力模型的结构示意图；图8是本发明提供的配电网接地故障诊断方法中基础故障诊断模型的结构示意图。如图6和图7所示，本技术方案在卷积神经网络模型的基础上添加多尺度特征提取模块，采用多尺度卷积神经网络模型，结合注意力模型(Convolutional Block Attention Module，CBAM)进行改造。
目前在电力系统故障诊断方向，大多数是直接对收集的一维时序信号进行分析，但实际配电网线路中收集到的数据容易受到环境噪声和采样时间影响，而一维信号只具有单向相关性，无法充分体现数据的潜在特征。首先，在输入层与卷积层之间添加GAF转换层，将一维零序电流转换为二维图像，然后采用多通道输入，让滤波器可以同时在x、y、z轴进行特征提取。
另外，注意力模型(Convolutional Block Attention Module，CBAM)在深度学习各个领域广泛使用，它借鉴了人类的视觉处理机制，利用有限的注意力资源从大量信息中快速筛选出高价值信息，且CBAM模型并不复杂，并不会额外带来过多计算开销，集成到CNN网络模型中，提升CNN模型的泛化能力。本文将注意力过程分为通道注意力模块和空间注意力模块，将两个模块串联插入CNN模型中，CBAM的模型结构如图X所示；
通道注意力模块，首先进行一个空间的全局平均池化和最大池化得到两个1×1×C的通道，C为输入通道数，然后送入一个两层共享的神经网络(MLP)中，用激活函数处理MLP层输出的特征，得到权值系数Mc：
Figure BDA0003386035040000121
其中，X为特征输入；σ为sigmoid函数；
空间注意力模块将通道注意力模块输出的特征图作为输入，对特征图进行最大池化和全局平均池化得到两个H×W×1，然后通过卷积操作得到权值系数MS，利用权值系数和输入相乘生成目标特征：
Figure BDA0003386035040000122
其中，F为通道注意力模块的输入；f为卷积操作。
将注意力机制模块嵌入在融合层和卷积层之后，整个多尺度特征模块利用不同大小卷积核对图像全面提取，然后通过注意力机制模块进一步提取有效故障特征，同时为了避免过拟合的现象出现，在全连接层使用dropout策略，最终得到的改进后的卷积神经网络模型，如图7所示。
进一步地，所述方法还包括：
利用所述测试数据集对所述基础故障诊断模型进行测试，并根据测试结果修正所述基础故障诊断模型。
通过测试数据集对所述基础故障诊断模型进行测试，并根据测试结果修正所述基础故障诊断模型，能够提高基础故障诊断模型故障分类的准确性，更加符合实际运用。
进一步地，如图6和图8所示，所述基础故障诊断模型包括：
输入层、多通道卷积层、融合层、通道注意力模块、第一池化层、卷积层、空间注意力模块、第二池化层、全连接层和输出层；
其中，所述多通道卷积层为三通道卷积层，第一个通道的卷积核大小为5×5，通道数为8；第二个通道的卷积核为3×3和1×1串联，通道数分别为8和16；第三个通道的卷积核为8×8和3×3串联，通道数分别为4和8。
由于原始图像包含丰富的特征信息，为了能最大化从输入数据中提取故障特征，本文设计了多尺度特征提取模块。相比较于传统单一通道的CNN模型，本文在卷积层采用多条通道，每个通道采用不同大小的卷积核，在卷积层后，通过激活函数获取不同通道的故障特征，在将每个通道的故障特征通过concat层进行特征融合。
进一步地，图9是本发明提供的配电网接地故障诊断方法中基础故障诊断模型目标与故障诊断模型的关系示意图，如图9所示，所述基于所述基础故障诊断模型，利用迁移学习方法，得到该发生故障的拓扑结构对应的目标故障诊断模型，包括：
获取该发生故障的拓扑结构故障时的一维零序电流信号，并将所述一维零序电流信号转换为该发生故障的拓扑结构对应的二维图像；
将该发生故障的拓扑结构对应的二维图像划分为训练数据集和测试数据集；
基于该发生故障的拓扑结构对应的二维图像的训练数据集，以所述基础故障诊断模型中的第一池化层、卷积层和第二池化层的参数作为模型参数，训练得到该发生故障的拓扑结构对应的目标故障诊断模型。
具体地，迁移学习能够从源域数据中学习特征知识，将源域网络权重参数应用到目标域任务中，从而在目标域上共享收敛完成的权重参数。
目前，在实际配电网输电线路领域中存在样本标注少的问题，且在配电网拓扑结构发生变化时，之前的基础故障诊断模型可能无法适用新的场景。对于训练样本不足的新分类任务，迁移学习将已经训练好的基础故障诊断模型应用到新任务中进行识别，可以大大提升目标故障诊断模型的分类速度，避免电路故障带来的二次破坏。
由于在新场景下，分类任务可能会有不同，而分类层是对应不同的样本标签，所以本文选择保持基础故障诊断模型中的卷积层和池化层网络参数保持不变，将这些固定的参数迁移到目标域中，在新场景下，随机初始化全连接层和分类层。利用目标域的数据集去训练全连接层和分类层的参数，最后选取测试集去测试实验，得到目标故障诊断模型。
进一步地，所述方法还包括：
利用该发生故障的拓扑结构对应的二维图像的测试数据集对所述目标故障诊断模型进行测试，并根据测试结果修正所述目标故障诊断模型。
通过该发生故障的拓扑结构对应的二维图像的测试数据集对所述目标故障诊断模型进行测试，并根据测试结果修正所述目标故障诊断模型，能够提高基目标故障诊断模型故障分类的准确性，更加符合实际运用
图10是本发明提供的配电网接地故障诊断装置的结构框图，如图10所示，本发明实施方式还提供一种配电网接地故障诊断装置，包括：
获取转换模块11，用于获取配电网的基础拓扑结构故障时的一维零序电流信号，并将所述一维零序电流信号转换为二维图像；
建模模块12，用于以所述二维图像作为卷积神经网络模型的输入，训练得到基础故障诊断模型；
判断输出模块13，用于在配电网发生故障时，判断发生故障的拓扑结构是否为所述基础拓扑结构：
若是，则利用所述基础故障诊断模型对配电网进行故障诊断，输出对应的故障类型；否则，基于所述基础故障诊断模型，利用迁移学习方法，得到该发生故障的拓扑结构对应的目标故障诊断模型，并利用该目标故障诊断模型对配电网进行故障诊断，输出对应的故障类型。
进一步地，所述装置还包括：
预处理模块，用于在将所述一维零序电流信号转换为二维图像前，对获取的一维零序电流信号进行归一化处理。
进一步地，所述获取转换模块11具体用于：
利用格拉姆角场，将所述一维零序电流信号映射为对应的二维图像。
进一步地，所述建模模块12具体用于：
将所述二维图像划分为训练数据集和测试数据集；
将所述训练数据集输入多尺度卷积神经网络模型，结合注意力模型得到基础故障诊断模型。
进一步地，所述装置还包括：
第一修正模块，利用所述测试数据集对所述基础故障诊断模型进行测试，并根据测试结果修正所述基础故障诊断模型。
进一步地，所述基础故障诊断模型包括：
输入层、多通道卷积层、融合层、通道注意力模块、第一池化层、卷积层、空间注意力模块、第二池化层、全连接层和输出层；
其中，所述多通道卷积层为三通道卷积层，第一个通道的卷积核大小为5×5，通道数为8；第二个通道的卷积核为3×3和1×1串联，通道数分别为8和16；第三个通道的卷积核为8×8和3×3串联，通道数分别为4和8。
进一步地，所述判断输出模块13具体用于：
获取该发生故障的拓扑结构故障时的一维零序电流信号，并将所述一维零序电流信号转换为该发生故障的拓扑结构对应的二维图像；
将该发生故障的拓扑结构对应的二维图像划分为训练数据集和测试数据集；
基于该发生故障的拓扑结构对应的二维图像的训练数据集，以所述基础故障诊断模型中的第一池化层、卷积层和第二池化层的参数作为模型参数，训练得到该发生故障的拓扑结构对应的目标故障诊断模型。
进一步地，所述装置还包括：
第二修正模块，利用该发生故障的拓扑结构对应的二维图像的测试数据集对所述目标故障诊断模型进行测试，并根据测试结果修正所述目标故障诊断模型
本发明实施方式还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的配电网接地故障诊断方法。
实施例1
对于训练出的基础故障诊断模型，通过故障数据对基础故障诊断模型进行准确性验证，图11是本发明提供的实施例1中配电网拓扑结构的示意图，如图11所示，采用IEEE33节点系统作为故障仿真模型，包含33条母线。通过simulink批量仿真生成大量故障数据作为，模型训练和测试的样本，为了模拟实际配电网发生故障的情况，设置系统仿真时长为1s，对系统频率、系统电压、节点负荷分别按照不同比例的步长设置参数，过渡电阻大小从0.01Ω到900Ω等比例增加。
图12是本发明提供的实施例1中配电网拓扑结构单相接地故障时的三相时域电流信号、时域零序电流信号和对应的二维图像的示意图；图13是本发明提供的实施例1中配电网拓扑结构相间短路故障时的三相时域电流信号、时域零序电流信号和对应的二维图像的示意图；图14是本发明提供的实施例1中配电网拓扑结构多相接地故障时的三相时域电流信号、时域零序电流信号和对应的二维图像的示意图。在不同节点处设置故障点，同时故障类型设置为单相接地故障、多相接地故障、相间短路故障(配电网一共存在10种故障类型)，并将采集到的每一种故障的一维零序电流信号转换为二维图像，配电网参数遍历表如表1所示：
表1配电网参数遍历表
Figure BDA0003386035040000171
根据上述配电网参数遍历表的数据一共仿真生成14400个样本数据，故障开始时间到切断时间为[0.3,0.7]，选取故障期间的数据作为神经网络的输入。
根据图12-14可以看出，单相接地故障、多相接地故障、相间短路故障，三种故障类型对应的二维图像中的故障特征明显，且覆盖了图像中大部分区域，更有利于模型进行故障识别。
本实施例1中的基础故障诊断模型的网络结构如下表2所示：
表2基础故障诊断模型的网络结构
结构层 网络参数
输入层 200×200×3
多尺度卷积层 3个卷积层通道并联
融合层 200×200×32
第一池化层 2×2
卷积层 3×3
第二池化层 2×2
全连接层 ——
其中，学习效率为0.1、批训练样本数为50，将仿真得到的样本按7:3的比例分为训练样本和测试样本。
图15是本发明提供的配电网接地故障诊断方法中基础故障诊断模型与现有模型准确率的对比示意图，从图15的结果可以得出，GAF-TCNN(二维图像-基础故障诊断模型)只需经过几次迭代准确率就能达到95％以上；而1D-CNN(一维零序电流信号-卷积神经网络模型)随着迭代次数准确率上升缓慢，且最终准确率低于90％；GAF-CNN(二维图像-卷积神经网络模型)和1D-TCNN(一维零序电流信号-基础故障诊断模型)的训练准确率均要高于1D-CNN(一维零序电流信号-卷积神经网络模型)，但都低于GAF-TCNN(二维图像-基础故障诊断模型)，说明本文构建将二维图像作为输入至基础故障诊断模型进行故障诊断有着速度快和高准确率的预测性能。
实施例2
当配电网的拓扑结构改变时，新场景下的测试样本和训练样本故障特征分布可能不同，为了提升模型的泛化能力，引入迁移学习的方法，在TCNN的结构上进行微调，将预训练模型的卷积层和池化层的参数固定不动，迁移到目标域中，搭建新的全连接层和分类层，随机初始化，利用目标域数据集进行微调测试。
图16是本发明提供的实施例2中新场景中配电网拓扑结构的示意图，为了评估模型泛化能力，在IEEE33节点上添加2个发电机和2条线路。拓扑结构如图16，在新场景的拓扑结构下进行系统仿真，通过仿真得到新场景下拓扑结构的2000个故障样本，随机选取1800个故障样本作为训练样本，200个样本作为测试样本，用训练样本对模型的全连接层重新训练，经过多次迭代得到目标域故障诊断模型，将目标域模型和预训练模型进行对比实验，结果如表3所示：
表3基础故障诊断模型和目标故障诊断模型的效果对照表
Figure BDA0003386035040000191
从表3可以看出，使用迁移学习方法，基于基础故障诊断模型得到的目标故障诊断模型模型训练速度大幅提升，迅速完成新场景下不同拓扑结构的配电网故障分类，缩短模型训练和故障诊断时间，且目标故障诊断模型的准确率为98.5％，与基础故障诊断模型85.3％的准确率，有明显提升。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (10)

1.一种配电网接地故障诊断方法，其特征在于，包括：
获取配电网的基础拓扑结构故障时的一维零序电流信号，并将所述一维零序电流信号转换为二维图像；
以所述二维图像作为卷积神经网络模型的输入，训练得到基础故障诊断模型；
在配电网发生故障时，判断发生故障的拓扑结构是否为所述基础拓扑结构：
若是，则利用所述基础故障诊断模型对配电网进行故障诊断，输出对应的故障类型；
否则，基于所述基础故障诊断模型，利用迁移学习方法，得到该发生故障的拓扑结构对应的目标故障诊断模型，并利用该目标故障诊断模型对配电网进行故障诊断，输出对应的故障类型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在将所述一维零序电流信号转换为二维图像前，对获取的一维零序电流信号进行归一化处理。
3.根据权利要求1所述的方法，其特征在于，所述将所述一维零序电流信号转换为二维图像，包括：
利用格拉姆角场，将所述一维零序电流信号映射为对应的二维图像。
4.根据权利要求1所述的方法，其特征在于，所述以所述二维图像作为卷积神经网络模型的输入，训练得到基础故障诊断模型，包括：
将所述二维图像划分为训练数据集和测试数据集；
将所述训练数据集输入多尺度卷积神经网络模型，结合注意力模型得到基础故障诊断模型。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
利用所述测试数据集对所述基础故障诊断模型进行测试，并根据测试结果修正所述基础故障诊断模型。
6.根据权利要求4所述的方法，其特征在于，所述基础故障诊断模型包括：
输入层、多通道卷积层、融合层、通道注意力模块、第一池化层、卷积层、空间注意力模块、第二池化层、全连接层和输出层；
其中，所述多通道卷积层为三通道卷积层，第一个通道的卷积核大小为5×5，通道数为8；第二个通道的卷积核为3×3和1×1串联，通道数分别为8和16；第三个通道的卷积核为8×8和3×3串联，通道数分别为4和8。
7.根据权利要求6所述的方法，其特征在于，所述基于所述基础故障诊断模型，利用迁移学习方法，得到该发生故障的拓扑结构对应的目标故障诊断模型，包括：
获取该发生故障的拓扑结构故障时的一维零序电流信号，并将所述一维零序电流信号转换为该发生故障的拓扑结构对应的二维图像；
将该发生故障的拓扑结构对应的二维图像划分为训练数据集和测试数据集；
基于该发生故障的拓扑结构对应的二维图像的训练数据集，以所述基础故障诊断模型中的第一池化层、卷积层和第二池化层的参数作为模型参数，训练得到该发生故障的拓扑结构对应的目标故障诊断模型。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
利用所述发生故障的拓扑结构对应的二维图像的测试数据集对所述目标故障诊断模型进行测试，并根据测试结果修正所述目标故障诊断模型。
9.一种配电网接地故障诊断装置，其特征在于，包括：
获取转换模块，用于获取配电网的基础拓扑结构故障时的一维零序电流信号，并将所述一维零序电流信号转换为二维图像；
建模模块，用于以所述二维图像作为卷积神经网络模型的输入，训练得到基础故障诊断模型；
判断输出模块，用于在配电网发生故障时，判断发生故障的拓扑结构是否为所述基础拓扑结构：
若是，则利用所述基础故障诊断模型对配电网进行故障诊断，输出对应的故障类型；否则，基于所述基础故障诊断模型，利用迁移学习方法，得到该发生故障的拓扑结构对应的目标故障诊断模型，并利用该目标故障诊断模型对配电网进行故障诊断，输出对应的故障类型。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-8中任一项权利要求所述的配电网接地故障诊断方法。
CN202111451134.1A 2021-12-01 2021-12-01 配电网接地故障诊断方法及装置 Pending CN114355240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111451134.1A CN114355240A (zh) 2021-12-01 2021-12-01 配电网接地故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111451134.1A CN114355240A (zh) 2021-12-01 2021-12-01 配电网接地故障诊断方法及装置

Publications (1)

Publication Number Publication Date
CN114355240A true CN114355240A (zh) 2022-04-15

Family

ID=81096562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111451134.1A Pending CN114355240A (zh) 2021-12-01 2021-12-01 配电网接地故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN114355240A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926303A (zh) * 2022-04-26 2022-08-19 广东工业大学 一种基于迁移学习的窃电检测方法
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
CN116467674A (zh) * 2023-04-10 2023-07-21 国网辽宁省电力有限公司抚顺供电公司 一种配电网智能故障处理融合更新系统及其方法
CN117314883A (zh) * 2023-10-27 2023-12-29 国网四川省电力公司电力科学研究院 基于EWT和VGGNet的配电网故障选线方法及系统
CN117783769A (zh) * 2024-02-28 2024-03-29 国网山西省电力公司太原供电公司 基于可视平台的配电网络故障定位方法、系统、设备及存储介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926303A (zh) * 2022-04-26 2022-08-19 广东工业大学 一种基于迁移学习的窃电检测方法
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
CN116467674A (zh) * 2023-04-10 2023-07-21 国网辽宁省电力有限公司抚顺供电公司 一种配电网智能故障处理融合更新系统及其方法
CN116467674B (zh) * 2023-04-10 2024-05-17 国网辽宁省电力有限公司抚顺供电公司 一种配电网智能故障处理融合更新系统及其方法
CN117314883A (zh) * 2023-10-27 2023-12-29 国网四川省电力公司电力科学研究院 基于EWT和VGGNet的配电网故障选线方法及系统
CN117314883B (zh) * 2023-10-27 2024-04-16 国网四川省电力公司电力科学研究院 基于EWT和VGGNet的配电网故障选线方法及系统
CN117783769A (zh) * 2024-02-28 2024-03-29 国网山西省电力公司太原供电公司 基于可视平台的配电网络故障定位方法、系统、设备及存储介质
CN117783769B (zh) * 2024-02-28 2024-05-10 国网山西省电力公司太原供电公司 基于可视平台的配电网络故障定位方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN114355240A (zh) 配电网接地故障诊断方法及装置
CN112926641B (zh) 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN111027576B (zh) 基于协同显著性生成式对抗网络的协同显著性检测方法
CN112051480A (zh) 基于变分模态分解的神经网络配电网故障诊断方法及系统
CN110991513A (zh) 一种具有类人连续学习能力的图像目标识别系统及方法
CN114283120B (zh) 一种基于领域自适应的端到端多源异质遥感影像变化检测方法
CN112557826A (zh) 一种船舶电力系统故障诊断方法
Baumann et al. Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network
CN113608140A (zh) 一种电池故障诊断方法及系统
CN115392301A (zh) 换流变压器状态识别方法、装置、设备、介质和程序产品
CN114548199A (zh) 一种基于深度迁移网络的多传感器数据融合方法
CN116385956A (zh) 不间断电源的电池健康状态监测的方法和系统
CN108496174B (zh) 用于面部识别的方法和系统
CN113541985A (zh) 物联网故障诊断方法、模型的训练方法及相关装置
CN113824575B (zh) 故障节点识别的方法、装置、计算设备及计算机存储介质
CN110988631B (zh) 局部放电定位检测方法、装置、可读存储介质及电气设备
Liu et al. An anomaly detection method based on double encoder–decoder generative adversarial networks
Luo et al. A fault diagnosis method for rotating machinery with variable speed based on multi-feature fusion and improved ShuffleNet V2
CN113884903B (zh) 一种基于多层感知器神经网络的电池故障诊断方法
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
CN116432027A (zh) 基于振动信号的变压器运行状态检测方法及系统
CN112287751B (zh) 励磁涌流识别方法、装置、计算机设备和存储介质
CN115128402A (zh) 一种基于数据驱动的配电网故障类型识别方法及系统
Ferreira et al. Intelligent Industrial IoT system for detection of short-circuit failure in windings of wind turbines

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