CN114487568A - 基于1D V-net深度学习模型的电压暂降分析方法 - Google Patents

基于1D V-net深度学习模型的电压暂降分析方法 Download PDF

Info

Publication number
CN114487568A
CN114487568A CN202210020999.0A CN202210020999A CN114487568A CN 114487568 A CN114487568 A CN 114487568A CN 202210020999 A CN202210020999 A CN 202210020999A CN 114487568 A CN114487568 A CN 114487568A
Authority
CN
China
Prior art keywords
data
voltage sag
deep learning
learning model
voltage
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
CN202210020999.0A
Other languages
English (en)
Inventor
邓亚平
贾颢
同向前
王璐
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202210020999.0A priority Critical patent/CN114487568A/zh
Publication of CN114487568A publication Critical patent/CN114487568A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
    • G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于1D V‑net深度学习模型的电压暂降分析方法，能够直接从原始的监测数据中自主学习由电动机启动、变压器投切、单相短路、两相短路和三相短路原因引起的电压暂降特征信息，避免了繁琐手工特征提取过程。与RNN、LSTM、GRU等结构构成的单向循环网络结构相比较，本发明能够提高电压暂降扰动类型分类准确率和电压暂降起止时刻定位准确率。与RNN、LSTM、GRU等结构构成的双向循环网络结构相比较，本发明能够在降低模型参数的基础上，保障电压暂降扰动类型分类准确率和电压暂降起止时刻定位准确率。

Description

基于1D V-net深度学习模型的电压暂降分析方法
技术领域
本发明属于电力系统中电能质量的测量与分析技术领域，具体涉及基于1D V-net深度学习模型的电压暂降分析方法。
背景技术
电能质量直接关系到电力系统的安全高效运行。近年来，电能质量中的电压暂降问题备受关注，已成为学术界及工业界亟待解决的问题。据统计，电力部门收到的电能质量问题投诉中，80％以上是由电压暂降引起的。电压暂降不仅给利益相关方带来了巨额的经济损失，还可能造成极大的社会影响，尤其是高端制造业造成的损失更大。因此，电压暂降已成为现代电网的重要问题。
电压暂降对电网可靠性产生了较高的负面影响，而对电压暂降的精准分析是在电压暂降事件发生后需要及时解决的主要问题。目前，关于电压暂降分析方法的研究均是通过推导机理或数学模型进行电压暂降分析。然而，随着分布式电源的大规模接入，电网运行环境的复杂性不断加剧，系统运行方式的多样性增强，通过模型机理分析必然会进行假设简化或舍弃系统参数，难以实现电压暂降的精准分析。
与物理模型不同，数据驱动方法通过数据透视事物的本质和关系。由于此类方法并不需要进行假设或简化，也不依赖于机理，依据的是反映系统真实情况的数据，并且可将历史和现在的数据进行综合分析，因此，数据驱动方法适合于解决电压暂降分析问题。然而，目前基于数据驱动的电压暂降分析方法仍存在如下难点问题亟待解决：
(1)RNN、LSTM、GRU等结构构成的单向循环网络，本质上是通过历史信息与当前时刻输入的信息来实现电压暂降分析，但在电压暂降信号的起止时刻，由于缺乏足够的历史信息支撑或者由于当前信号与历史信号关联性极小，甚至呈现反向关联，从而导致准确率低；
(2)RNN、LSTM、GRU等结构构成的双向循环网络结构，本质上是使用双向结构来获取未来时刻的依赖数据，从而确保信号起止时刻有足够的信息支撑，能够实现准确的电压暂降分析。然而，在使用双向结构时，模型参数将会成倍增加。
发明内容
本发明的目的是提供基于1D V-net深度学习模型的电压暂降分析方法，解决了现有分析方法中存在的单向循环网络定位准确率低、双向循环神经网络参数成倍增加问题。
本发明所采用的技术方案是，基于1D V-net深度学习模型的电压暂降分析方法，具体按照以下步骤实施：
步骤1、结合待检测的电力网络系统，对工况种类进行编号，在电力网络系统不同工况下，分别改变电力网络系统中短路容量、接地电阻、持续时间、起止时刻、负荷容量、线路阻抗，采集每种运行工况下的母线电压数据，作为每种工况下电压暂降样本数据；
步骤2、通过电压暂降样本数计算每种工况下的电压均方根值，若该电压均方根值下降为额定值的10％～90％，则将该电压及对应的工况形成一组电压暂降数据样本A，同时电压暂降的起止时刻进行标注，将该持续时间内的电压采样数据值标记为0，其余采样数据值标记为1；
步骤3、将所有的电压暂降数据样本按照工况种类编号进行标注，结合电压暂降的起止时刻，形成多组电压暂降数据样本B；
步骤4、将多组电压暂降数据样本B按照7：2：1划分为训练样本集：验证样本集：测试样本集；
步骤5、构建1D V-net深度学习模型的模型结构；
步骤6、采用训练样本集对1D V-net深度学习模型进行离线训练；
步骤7、结合验证样本集中的数据，对步骤6训练完成后获得的1D V-net深度学习模型进行性能分析，评估模型过拟合情况及模型泛化能力，得到最优的1D V-net深度学习模型；
步骤8、将测试样本集数据输入最优的1D V-net深度学习模型，对训练完成后获得的模型进行测试；评估模型泛化能力，若不满足要求时则将该模型重新进行训练；
步骤9、使用经测试后且具有良好模型泛化能力的1D V-net深度学习模型进行在线应用，确定电压暂降扰动类型及起止时刻。
本发明的特点还在于：
步骤1中工况种类包括电动机启动、变压器投切、单相短路、两相短路和三相短路，所述对工况种类进行编号即为对电动机启动、变压器投切、单相短路、两相短路和三相短路依次标记为编号1～5。
步骤2中通过电压暂降样本数计算每种工况下的电压均方根值具体过程为：
根据如下公式(1)计算经步骤1采集到的电压数据的均方根值：
Figure BDA0003462391200000031
其中，N为每个周期采集的数据点数，x1，x2，x3，……，xN依次为每个周期内的各采样数据点所对应的数据值。
步骤5中1D V-net深度学习模型的模型结构水平方向上共包含四个部分：输入部分、压缩通道部分、解压缩通道部分、输出部分：
输入部分包含一层1D卷积层，输入数据通过1D卷积层后获得输出，该输出数据进入压缩通道中作为输入；同时，由于输入部分是整体模型的接口处，对电压暂降监测数据进行最大-最小规范化处理，获得检测数据；
最大-最小规范化处理公式为：
Figure BDA0003462391200000041
其中，x为监测数据采集值，x*为处理后的监测数据，xmin为监测数据最小值，xmax为监测数据最大值；
压缩通道部分包含三层1D卷积层，所有输出通过Relu激活函数后输出给下一层或下一阶段，每一阶段的卷积层均使用残差通道来构成一个残差块，在压缩通道中，每一阶段的数据输出后经过一层一维卷积层，该层卷积核尺寸为1×2，步长为2，实现对数据的降采样过程，在压缩路径中，数据在时间维度上的尺寸逐层降低，其尺寸为：
Figure BDA0003462391200000042
其中，steps为输入序列长度，sn为当前阶段数据的时间维度上的长度，在压缩通道中，数据在时间维度上的尺寸降低，分辨率降低，伴随着尺寸的降低，模型对数据所提取的特征进行了融合，并专注于对当前数据进行分类，每一个阶段得到的最终输出通过跳转连接传递给解压缩通道；
解压缩通道部分，最上层阶段为输出阶段，下层是解压缩阶段，解压缩阶段包含3层1D卷积层，每层卷积层尺寸为1×3，输出数据经过Relu激活函数后输出，每一阶段均使用残差通道构成残差块，输出数据使用升采样，输出数据在每一阶段后时间尺度变为原来的两倍，分辨率增加；
输出部分包括一层1D卷积作为输出层，其尺寸为1×1，步长为1，激活函数为Softmax，拥有5个卷积核，代表拥有5个电压暂降扰动类型，接收压缩通道中的第一阶段输出数据，与压缩阶段的输出后的上采样数据相结合，送入输出部分中。
步骤6具体过程为：使用全局随机初始化的方式来进行参数初始化，对构建好的1DV-net深度学习模型进行训练，每次训练遍历训练集中的每一个训练数据，每次遍历被称为一个世代，使神经网络模型进行多个世代训练，训练过程中，使用交叉熵损失函数作为模型准确率的评估，利用反向传播算法，经过多个世代训练后最终得到最优的神经网络模型参数，获得神经网络每个参数的最优近似解，从而得到最优深度神经网络模型，完成模型离线训练。
步骤7具体过程为：用验证样本集数据对离线训练后的1D V-net深度学习模型进行测试，得到多组电压暂降扰动类型分类准确率、电压暂降起止时刻定位准确率，当电压暂降扰动类型分类准确率、电压暂降起止时刻定位准确率偏差均超过3％，则出现过拟合现象，需要重新调整1D V-net深度学习模型的超参数、更改神经元数量、修改正则化系数；返回步骤6进行训练，且训练后再次进行过拟合判断，直至未出现过拟合，得到最优的1D V-net深度学习模型。
步骤9具体过程为：使用实际监测到的实时电压数据，计算该实时电压数据的均方根值，输入经测试的最优的1D V-net深度学习模型，输出数据即为所需的电压暂降扰动类型分类结果、起止时刻定位结果。
本发明有益效果是：
(1)本发明能够直接从原始的监测数据中自主学习由电动机启动、变压器投切、单相短路、两相短路和三相短路原因引起的电压暂降特征信息，避免了基于人工经验的繁琐手工特征提取过程。
(2)与RNN、LSTM、GRU等结构构成的单向循环网络结构相比较，本发明能够提高电压暂降扰动类型分类准确率和电压暂降起止时刻定位准确率。
(3)与RNN、LSTM、GRU等结构构成的双向循环网络结构相比较，本发明能够在降低模型参数的基础上，保障电压暂降扰动类型分类准确率和电压暂降起止时刻定位准确率。
附图说明
图1是本发明构建1D V-net深度学习模型的流程图；
图2是本发明的模型训练过程中世代数目与损失值之间的关系变化图；
图3是本发明中电压暂扰动类型分类准确率和电压暂降起止时刻定位准确率变化示意图；
图4是基于单向GRU结构构成的单向循环网络的电压暂扰动类型分类准确率和电压暂降起止时刻定位准确率变化示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于1D V-net深度学习模型的电压暂降分析方法，具体按照以下步骤实施：
结合待检测的电力网络系统，电力网络系统发生的工况种类包括：电动机启动、变压器投切、短路工况(含单相短路工况、两相短路工况、三相短路工况)原因引起的各类电压暂降时，获得监测数据，具体监测数据的获取可以有两种途径，一是利用电能质量监测设备或者其余测量仪器采集数据并收集所有设备所获得的数据；二是利用仿真软件，譬如Matlab/simulink建立仿真模型，通过仿真获得数据。数据收集过程中应遵循以下原则：a、对于线路短路工况，改变工况原因、工况位置、线路负荷、工况起止时刻及过渡电阻的大小；对于电动机启动，改变启动时刻、线路负荷及上级变压器容量；对于变压器投入，改变投入时刻、线路负荷及变压器容量；b、选取的测试样本中需要加入高斯白噪声；c、每个周期采集的数据点数(即采样频率)应满足香农采样定理。
对工况种类(电动机启动、变压器投切、单相短路、两相短路和三相短路)进行编号1～5，在电力网络系统在以上5种工况下，分别改变电力网络系统中短路容量、接地电阻、持续时间、起止时刻、负荷容量、线路阻抗，采集每种运行工况下的母线电压数据，作为每种工况下电压暂降样本数据。
对电压暂降样本数据计算每种工况下的电压均方根值，根据如下公式(1)计算经步骤1采集到的电压数据的均方根值：
Figure BDA0003462391200000071
其中，N为每个周期采集的数据点数，x1，x2，x3，……，xN依次为每个周期内的各采样数据点所对应的数据值。
若该电压均方根值下降为额定值的10％～90％，则将该电压及对应的工况形成一组电压暂降数据样本A，同时电压暂降的起止时刻进行标注，将该持续时间内的电压采样数据值标记为0，其余采样数据值标记为1；
将所有的电压暂降数据样本按照工况种类编号进行标注，结合电压暂降的起止时刻，形成多组电压暂降数据样本B；
将多组电压暂降数据样本B按照7：2：1划分为训练样本集：验证样本集：测试样本集；
构建1D V-net深度学习模型的模型结构；1D V-net深度学习模型的模型结构水平方向上共包含四个部分：输入部分、压缩通道部分、解压缩通道部分、输出部分：
输入部分包含一层1D卷积层，输入数据通过1D卷积层后获得输出，该输出数据进入压缩通道中作为输入；同时，由于输入部分是整体模型的接口处，需要对电压暂降监测数据进行最大-最小规范化处理，获得检测数据；
最大-最小规范化处理公式为：
Figure BDA0003462391200000081
其中，x为监测数据采集值，x*为处理后的监测数据，xmin为监测数据最小值，xmax为监测数据最大值；
压缩通道部分包含三层1D卷积层，所有输出通过Relu激活函数后输出给下一层或下一阶段，每一阶段的卷积层均使用残差通道来构成一个残差块，在压缩通道中，每一阶段的数据输出后经过一层一维卷积层，该层卷积核尺寸为1×2，步长为2，实现对数据的降采样过程，在压缩路径中，数据在时间维度上的尺寸逐层降低，其尺寸为：
Figure BDA0003462391200000091
其中，steps为输入序列长度，sn为当前阶段数据的时间维度上的长度，在压缩通道中，数据在时间维度上的尺寸降低，分辨率降低，伴随着尺寸的降低，模型对数据所提取的特征进行了融合，并专注于对当前数据进行分类，每一个阶段得到的最终输出通过跳转连接传递给解压缩通道；
解压缩通道部分，最上层阶段为输出阶段，下层是解压缩阶段，解压缩阶段包含3层1D卷积层，每层卷积层尺寸为1×3，输出数据经过Relu激活函数后输出，每一阶段均使用残差通道构成残差块，输出数据使用升采样，输出数据在每一阶段后时间尺度变为原来的两倍，分辨率增加；在解压缩通道中，每一阶段都会有来自跳转连接传递过来的来自压缩通道的数据，该数据保持有较高的分辨率，其包含更多的电压暂降起止时刻信息，但具有较少的电压暂降扰动类型分类信息。
输出部分包括一层1D卷积作为输出层，其尺寸为1×1，步长为1，激活函数为Softmax，拥有5个卷积核，代表拥有5个电压暂降扰动类型，接收压缩通道中的第一阶段输出数据，与压缩阶段的输出后的上采样数据相结合，送入输出部分中。输出层可以结合16个通道的描述获取当前采样点的类型，实现对每个电压暂降事件起止时刻的识别。
使用全局随机初始化的方式来进行参数初始化，对构建好的1DV-net深度学习模型进行训练，每次训练遍历训练集中的每一个训练数据，每次遍历被称为一个世代，使神经网络模型进行多个世代训练，训练过程中，使用交叉熵损失函数作为模型准确率的评估，利用反向传播算法，经过多个世代训练后最终得到最优的神经网络模型参数，获得神经网络每个参数的最优近似解，从而得到最优深度神经网络模型，完成模型离线训练。
用验证样本集数据对离线训练后的1D V-net深度学习模型进行测试，得到多组电压暂降扰动类型分类准确率、电压暂降起止时刻定位准确率，当电压暂降扰动类型分类准确率、电压暂降起止时刻定位准确率偏差均超过3％，则出现过拟合现象，需要重新调整1DV-net深度学习模型的超参数、更改神经元数量、修改正则化系数；返回步骤6进行训练，且训练后再次进行过拟合判断，直至未出现过拟合，得到最优的1D V-net深度学习模型。
将测试样本集数据输入最优的1D V-net深度学习模型，对训练完成后获得的模型进行测试；评估模型泛化能力，若不满足要求时则将该模型需要重新进行训练；
使用实际监测到的实时电压数据，计算该实时电压数据的均方根值，输入经测试的最优的、且具有良好模型泛化能力的1D V-net深度学习模型，输出数据即为所需的电压暂降扰动类型分类结果、起止时刻定位结果。
实施例
采用Matlab/simulink仿真软件，通过仿真获得数据每种电压暂降类型100个。数据收集过程中应遵循以下原则：a、对于线路短路工况，改变工况原因、工况位置、线路负荷、工况起止时刻及过渡电阻的大小；对于电动机启动，改变启动时刻、线路负荷及上级变压器容量；对于变压器投入，改变投入时刻、线路负荷及变压器容量；b、选取的测试样本中需要加入高斯白噪声；c、每个周期采集的数据点数(即采样频率)应满足香农采样定理。
本发明基于1D V-net深度学习模型的电压暂降的总体流程如图1所示。采用本发明基于1D V-net深度学习模型的电压暂降分析方法进行分析，分别记录统计了模型训练过程中的训练准确率，测试准确率，损失值。模型训练过程，世代数目与损失值之间的关系变化图如图2所示，根据图2中曲线变化可知，随着训练世代数目的增加，训练准确率在逐步提高，损失值在逐渐下降。世代数目与准确率之间的关系如图3所示，根据图3可知，采用本发明的分析方法在测试集上实现99.98％的准确率。
通过上述方式，本发明基于1D V-net深度学习模型的电压暂降分析方法，能够直接从原始的监测数据中自主学习由电动机启动、变压器投切、单相短路、两相短路和三相短路原因引起的电压暂降特征信息，避免了基于人工经验的繁琐手工特征提取过程。
为了与本发明实施例中测试结果进行对比，以单向GRU结构构成的单向循环网络为例，图4为该模型的测试结果。与RNN、LSTM、GRU等结构构成的单向循环网络结构相比较，本发明能够提高电压暂降扰动类型分类准确率和电压暂降起止时刻定位准确率。
与RNN、LSTM、GRU等结构构成的双向循环网络结构相比较，本发明能够在降低模型参数的基础上，保障电压暂降扰动类型分类准确率和电压暂降起止时刻定位准确率，避免了模型参数的成倍增加。

Claims (7)

1.基于1D V-net深度学习模型的电压暂降分析方法，其特征在于，具体按照以下步骤实施：
步骤1、结合待检测的电力网络系统，对工况种类进行编号，在电力网络系统在不同工况下，分别改变电力网络系统中短路容量、接地电阻、持续时间、起止时刻、负荷容量、线路阻抗，采集每种运行工况下的母线电压数据，作为每种工况下电压暂降样本数据；
步骤2、通过电压暂降样本数计算每种工况下的电压均方根值，若该电压均方根值下降为额定值的10％～90％，则将该电压及对应的工况形成一组电压暂降数据样本A，同时电压暂降的起止时刻进行标注，将该持续时间内的电压采样数据值标记为0，其余采样数据值标记为1；
步骤3、将所有的电压暂降数据样本按照工况种类编号进行标注，结合电压暂降的起止时刻，形成多组电压暂降数据样本B；
步骤4、将多组电压暂降数据样本B按照7：2：1划分为训练样本集：验证样本集：测试样本集；
步骤5、构建1D V-net深度学习模型的模型结构；
步骤6、采用训练样本集对1D V-net深度学习模型进行离线训练；
步骤7、结合验证样本集中的数据，对步骤6训练完成后获得的1D V-net深度学习模型进行性能分析，评估模型过拟合情况及模型泛化能力，得到最优的1D V-net深度学习模型；
步骤8、将测试样本集数据输入最优的1D V-net深度学习模型，对训练完成后获得的模型进行测试；评估模型泛化能力，若不满足要求时则将该模型重新进行训练；
步骤9、使用经测试后且具有良好模型泛化能力的1D V-net深度学习模型进行在线应用，确定电压暂降扰动类型及起止时刻。
2.根据权利要求1所述基于1D V-net深度学习模型的电压暂降分析方法，其特征在于，步骤1中所述工况种类包括电动机启动、变压器投切、单相短路、两相短路和三相短路，所述对工况种类进行编号即为对电动机启动、变压器投切、单相短路、两相短路和三相短路依次标记为编号1～5。
3.根据权利要求1所述基于1D V-net深度学习模型的电压暂降分析方法，其特征在于，步骤2中所述通过电压暂降样本数计算每种工况下的电压均方根值具体过程为：
根据如下公式(1)计算经步骤1采集到的电压数据的均方根值：
Figure FDA0003462391190000021
其中，N为每个周期采集的数据点数，x1，x2，x3，……，xN依次为每个周期内的各采样数据点所对应的数据值。
4.根据权利要求1所述基于1D V-net深度学习模型的电压暂降分析方法，其特征在于，步骤5中所述1D V-net深度学习模型的模型结构水平方向上共包含四个部分：输入部分、压缩通道部分、解压缩通道部分、输出部分：
所述输入部分包含一层1D卷积层，输入数据通过1D卷积层后获得输出，该输出数据进入压缩通道中作为输入；同时，由于输入部分是整体模型的接口处，需要对电压暂降监测数据进行最大-最小规范化处理，获得检测数据；
最大-最小规范化处理公式为：
Figure FDA0003462391190000031
其中，x为监测数据采集值，x*为处理后的监测数据，xmin为监测数据最小值，xmax为监测数据最大值；
所述压缩通道部分包含三层1D卷积层，所有输出通过Relu激活函数后输出给下一层或下一阶段，每一阶段的卷积层均使用残差通道来构成一个残差块，在压缩通道中，每一阶段的数据输出后经过一层一维卷积层，该层卷积核尺寸为1×2，步长为2，实现对数据的降采样过程，在压缩路径中，数据在时间维度上的尺寸逐层降低，其尺寸为：
Figure FDA0003462391190000032
其中，steps为输入序列长度，sn为当前阶段数据的时间维度上的长度，在压缩通道中，数据在时间维度上的尺寸降低，分辨率降低，伴随着尺寸的降低，模型对数据所提取的特征进行了融合，并专注于对当前数据进行分类，每一个阶段得到的最终输出通过跳转连接传递给解压缩通道；
所述解压缩通道部分，最上层阶段为输出阶段，下层是解压缩阶段，解压缩阶段包含3层1D卷积层，每层卷积层尺寸为1×3，输出数据经过Relu激活函数后输出，每一阶段均使用残差通道构成残差块，输出数据使用升采样，输出数据在每一阶段后时间尺度变为原来的两倍，分辨率增加；
所述输出部分包括一层1D卷积作为输出层，其尺寸为1×1，步长为1，激活函数为Softmax，拥有5个卷积核，代表拥有5个电压暂降扰动类型，接收压缩通道中的第一阶段输出数据，与压缩阶段的输出后的上采样数据相结合，送入输出部分中。
5.根据权利要求1所述基于1D V-net深度学习模型的电压暂降分析方法，其特征在于，步骤6具体过程为：使用全局随机初始化的方式来进行参数初始化，对构建好的1D V-net深度学习模型进行训练，每次训练遍历训练集中的每一个训练数据，每次遍历被称为一个世代，使神经网络模型进行多个世代训练，训练过程中，使用交叉熵损失函数作为模型准确率的评估，利用反向传播算法，经过多个世代训练后最终得到最优的神经网络模型参数，获得神经网络每个参数的最优近似解，从而得到最优深度神经网络模型，完成模型离线训练。
6.根据权利要求1所述基于1D V-net深度学习模型的电压暂降分析方法，其特征在于，步骤7具体过程为：用验证样本集数据对离线训练后的1D V-net深度学习模型进行测试，得到多组电压暂降扰动类型分类准确率、电压暂降起止时刻定位准确率，当电压暂降扰动类型分类准确率、电压暂降起止时刻定位准确率偏差均超过3％，则出现过拟合现象，需要重新调整1D V-net深度学习模型的超参数、更改神经元数量、修改正则化系数；返回步骤6进行训练，且训练后再次进行过拟合判断，直至未出现过拟合，得到最优的1D V-net深度学习模型。
7.根据权利要求1所述基于1D V-net深度学习模型的电压暂降分析方法，其特征在于，步骤9具体过程为：使用实际监测到的实时电压数据，计算该实时电压数据的均方根值，输入经测试的最优的1D V-net深度学习模型，输出数据即为所需的电压暂降扰动类型分类结果、起止时刻定位结果。
CN202210020999.0A 2022-01-10 2022-01-10 基于1D V-net深度学习模型的电压暂降分析方法 Pending CN114487568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210020999.0A CN114487568A (zh) 2022-01-10 2022-01-10 基于1D V-net深度学习模型的电压暂降分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210020999.0A CN114487568A (zh) 2022-01-10 2022-01-10 基于1D V-net深度学习模型的电压暂降分析方法

Publications (1)

Publication Number Publication Date
CN114487568A true CN114487568A (zh) 2022-05-13

Family

ID=81509976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210020999.0A Pending CN114487568A (zh) 2022-01-10 2022-01-10 基于1D V-net深度学习模型的电压暂降分析方法

Country Status (1)

Country Link
CN (1) CN114487568A (zh)

Similar Documents

Publication Publication Date Title
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN110829417B (zh) 基于lstm双结构模型的电力系统暂态稳定预测方法
CN107817404B (zh) 一种便携式计量自动化终端故障诊断装置及其诊断方法
CN109670553B (zh) 基于自适应神经模糊推理系统的光伏阵列故障诊断方法
CN111722145A (zh) 一种同步电机励磁绕组匝间短路轻度故障诊断方法
CN111553495A (zh) 一种基于概率神经网络的小型断路器故障分析方法
CN110672905A (zh) 基于cnn的自监督电压暂降源辨识方法
Liu et al. Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network
CN109033513A (zh) 电力变压器故障诊断方法与电力变压器故障诊断装置
CN112598303A (zh) 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法
CN112596016A (zh) 基于多个一维卷积神经网络集成的互感器故障诊断方法
CN116562114A (zh) 一种基于图卷积神经网络的电力变压器故障诊断方法
CN116629417A (zh) 一种结合卷积注意力模块的轨道交通牵引负荷预测方法
CN117272102A (zh) 一种基于双注意力机制的变压器故障诊断方法
CN117056865B (zh) 一种基于特征融合的机泵设备运行故障诊断方法及装置
CN113611568A (zh) 一种基于遗传卷积深度网络的真空断路器
CN113610119A (zh) 基于卷积神经网络识别输电线路发展性故障的方法
CN111091141B (zh) 一种基于分层Softmax的光伏背板故障诊断方法
CN114487568A (zh) 基于1D V-net深度学习模型的电压暂降分析方法
CN114838923A (zh) 有载分接开关的故障诊断模型建立方法及故障诊断方法
CN115169405A (zh) 基于支持向量机的酒店客房设备故障诊断方法及系统
CN114966224A (zh) 基于改进神经网络的模块化多电平变换器电容监测方法
Zhou et al. Fault diagnosis method of power electronic equipment based on improved resnet neural network
CN113139601A (zh) 一种基于lstm和注意力机制的道岔故障检测方法
Xu et al. A Graph Convolutional Shrinkage Network-based Fault Diagnosis Method for Industrial Process

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