CN114519294A - 基于小波奇异熵和bp神经网络的电力电缆故障识别方法 - Google Patents

基于小波奇异熵和bp神经网络的电力电缆故障识别方法 Download PDF

Info

Publication number
CN114519294A
CN114519294A CN202111617851.7A CN202111617851A CN114519294A CN 114519294 A CN114519294 A CN 114519294A CN 202111617851 A CN202111617851 A CN 202111617851A CN 114519294 A CN114519294 A CN 114519294A
Authority
CN
China
Prior art keywords
fault
neural network
wavelet
power cable
method based
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
CN202111617851.7A
Other languages
English (en)
Inventor
朱晓中
张勇
王瑞刚
赵嘉兴
杨海飞
万庆祝
闫旭阳
李伊梦
郑帅
袁润娇
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.)
North China University of Technology
Yangquan Power Supply Co of State Grid Shanxi Electric Power Co Ltd
Original Assignee
North China University of Technology
Yangquan Power Supply Co of State Grid Shanxi Electric Power Co Ltd
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 North China University of Technology, Yangquan Power Supply Co of State Grid Shanxi Electric Power Co Ltd filed Critical North China University of Technology
Priority to CN202111617851.7A priority Critical patent/CN114519294A/zh
Publication of CN114519294A publication Critical patent/CN114519294A/zh
Pending legal-status Critical Current

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/16—Cables, cable trees or wire harnesses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Locating Faults (AREA)

Abstract

本发明涉及一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，包括S1、采集不同故障电缆的原始故障信号，建立样本库；S2、对S1获得的样本库的数据进行预处理；S3、构建基于小波奇异熵的故障特征量提取模型，并构建训练集、验证集和测试集；S4、构建基于BP神经网络的机器学习模型；S5、用步骤S4构建的训练集对机器学习模型进行训练；S6、验证机器学习模型；S7、测试模型。本发明能够精确识别每种种接地、短路故障，且在限定范围内不受故障距离、故障初相角和过渡电阻影响，具有高效性和实用性。

Description

基于小波奇异熵和BP神经网络的电力电缆故障识别方法
技术领域
本发明涉及一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法。属于电力电缆本体故障诊断技术领域。
背景技术
随着电网智能化水平的提升，电力电缆被广泛应用于城市地下电网、海底输电网等。电缆线路建设过程中的安装磨损、应用环境中的长期腐蚀等因素，均存在引起电缆故障的风险。而对于安装于地下的电力电缆，故障排除需要花费较多的人力、物力。一旦不能及时排除故障，将带来较大的经济损失与不良的社会影响。如何准确检测电缆故障，以保障电力的稳定供应是备受关注的问题。
随着技术的发展、计算能力的不断提高，基于人工智能的分类识别方法在图像、语音等诸多方面取得了极大进展，为全球经济增长做出巨大贡献。传统数学模型的诊断方法已很大程度上不能保证诊断的准确性和快速性等要求，而相比较来说，基于神经网络的诊断方法具有明显的优势。
发明内容
本发明的目的在于克服上述不足，提供了一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法。
本发明的目的是这样实现的：
一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，其特点是：包括以下步骤：
S1、采集不同故障电缆的原始故障信号，建立样本库；
S2、对S1获得的样本库的数据进行预处理；
S3、构建基于小波奇异熵的故障特征量提取模型，并构建训练集、验证集和测试集；
S4、构建基于BP神经网络的机器学习模型；
S5、用步骤S4构建的训练集对机器学习模型进行训练；
S6、用步骤S4构建的验证集验证机器学习模型，当验证训练达到设定准确率后，固化模型；
S7、测试模型，向固化模型输入电缆电压行波信号，输出相应的分类标签，最终获得电缆故障所属的类别。
进一步的，S1中，电缆原始故障信号包括故障电压、电流信号、零序电压信号、电缆的识别信息和故障的类别信息。
进一步的，S2中，数据预处理包括删除S1中样本库中的无效数据、重复数据、处理缺失值、异常值。
进一步的，S3包括以下步骤：
S3-1、对S2处理后的数据样本库的信号利用小波进行分解与重构，变成矩阵Dm×n，第i(i＝1,2，…m)阶的分量为Dj(n)；
S3-2、对S3-1获得的矩阵Dm×n，进行奇异值分解可变成式：
Figure BDA0003437070900000021
其中，U和V分别为m×m和n×n的正交矩阵,Λ为m×n的对角矩阵，ui和vi为矩阵U和V的第i列向量，λi为矩阵D的第i个奇异值；
S3-3、去小波奇异熵的表达式为：
Figure BDA0003437070900000031
其中ΔPi为第j阶增量小波奇异熵，定义为：
Figure BDA0003437070900000032
S3-4、将步骤S3-3获得的数据添加标签进行标记，所述标签为电缆故障类别，构造特征标签。
进一步的，S4中，BP神经网络是信号检测识别的特征描述子，包括输入层、隐藏层、输出层。
进一步的，S4中，BP神经网络中神经元模型的权值和输入矩阵分别表达如下：
W＝[ω1,ω2,...，ωn0]
X＝[x1,x2,...，xn0]。
进一步的，S5中，在MATLAB内的神经网络工具箱的作用下实现BP神经网络的训练，完成故障类型；故障类型识别包括故障初步、两相短路故障、接地故障三大分类模块；选用的故障初步分类模块输入量也就是对故障信号通过小波变换之后所得到的零序电压的地频段能量，用01、10、11各自表示接地故障、两相及三相短路故障；使用完成预处理的三相电压小波奇异熵值Ma、Mb、Mc表示两相短路及其接地故障分类模块的输入量。输入量的表达式为：
Figure BDA0003437070900000033
Figure BDA0003437070900000034
Figure BDA0003437070900000041
进一步的，S6中，按照Ma、Mb、Mc的仿真值假设出阈值A，若每个数值均不小于A，运行故障分类程序且将相应的数据置入到已调好的神经网络中。
进一步的，S7中，BP神经网络模型输出向量表达式为：
Figure BDA0003437070900000042
其中，ωi为相对应神经元的加权值，xi为第i个神经元的输入信号，θ为阈值。
与现有技术相比，本发明的有益效果是：
本发明一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，该方法能够精确识别每种种接地、短路故障，且在限定范围内不受故障距离、故障初相角和过渡电阻影响，具有高效性和实用性。
附图说明
图1为本发明一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法的电力电缆本体故障识别方法流程图。
图2为BP神经网络结构图。
图3为电缆故障类型识别整体结构图。
图4为使用BP神经网络模型故障仿真迭代结果图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制发明的保护范围。
参见图1，本实施例提供了一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，包括以下步骤：
S1、采集数据；
采集不同电力电缆故障的原始信号，包括但不限于零序电压信号、电缆的识别信息和故障的类别信息以及其它附加信息等，并分别进行编号，建立样本库；
S2、对样本库的数据进行预处理；
数据预处理的目的是删除原始样本库中的无效数据、重复数据，处理缺失值、异常值。
S3、构建基于小波奇异熵的故障特征量提取模型，并构建训练集、验证集和测试集；
对S2处理后的数据样本库的信号利用小波进行分解与重构，变成矩阵Dm×n，第i(i＝1,2，…m)阶的分量为Dj(n)；
对获得的矩阵Dm×n，进行奇异值分解可变成式：
Figure BDA0003437070900000051
其中，U和V分别为m×m和n×n的正交矩阵,Λ为m×n的对角矩阵，ui和vi为矩阵U和V的第i列向量，λi为矩阵D的第i个奇异值；
小波奇异熵是一种新式的数据处理法，所依据的理论有小波变换、奇异值分解和信息熵理论，去小波奇异熵的表达式为：
Figure BDA0003437070900000052
其中ΔPi为第j阶增量小波奇异熵，定义为：
Figure BDA0003437070900000061
对小波奇异熵模型获得的数据添加标签进行标记，所述标签为电缆故障类别，构造特征标签。
数据集划分，本次实施处理后的数据集包含1000组，随机选取600组为训练集,200组为验证集，剩余200组为测试集。训练集、验证集和测试集的类别不交叉。
S4、构建基于BP神经网络的机器学习模型；
BP神经网络是信号检测识别的特征描述子，包括输入层、隐藏层、输出层，其结构如图2所示。在输入层上，要合理调整权值ωi，实现对若干神经元节点相连，经处理后才能获得有效的输出信息。
BP神经网络中神经元模型的权值和输入矩阵分别表达如下：
W＝[ω1,ω2,...，ωn0]
X＝[x1,x2,...，xn0]
BP神经网络模型输出向量表达式
Figure BDA0003437070900000062
其中，ωi为相对应神经元的加权值，xi为第i个神经元的输入信号，θ为阈值。
S5、在MATLAB内的神经网络工具箱的作用下实现BP神经网络的训练，完成故障类型。故障类型识别主要有故障初步、两相短路故障、接地故障等三大分类模块，如图3所示。选用的故障初步分类模块输入量也就是对故障信号通过小波变换之后所得到的零序电压的地频段能量，用01、10、11各自表示接地故障、两相及三相短路故障；使用完成预处理的三相电压小波奇异熵值Ma、Mb、Mc表示两相短路及其接地故障分类模块的输入量。输入量的表达式为：
Figure BDA0003437070900000071
Figure BDA0003437070900000072
Figure BDA0003437070900000073
按照Ma、Mb、Mc的仿真值假设出阈值A，若每个数值均不小于A，两相短路故障的迭代曲线如图4所示。运行故障分类程序且将相应的数据置入到已调好的神经网络中，经过短时间的处理便可得知故障的类型。
S6、输入电力电缆故障原始信号，输出相应的分类标签，最终获得电力电缆本体故障所属的类别。
在上述实施例中，仅对本发明进行示范性描述，但是本领域技术人员在阅读本专利申请后可以在不脱离本发明的精神和范围的情况下对本发明进行各种修改。

Claims (9)

1.一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，其特征在于：包括以下步骤：
S1、采集不同故障电缆的原始故障信号，建立样本库；
S2、对S1获得的样本库的数据进行预处理；
S3、构建基于小波奇异熵的故障特征量提取模型，并构建训练集、验证集和测试集；
S4、构建基于BP神经网络的机器学习模型；
S5、用步骤S4构建的训练集对机器学习模型进行训练；
S6、用步骤S4构建的验证集验证机器学习模型，当验证训练达到设定准确率后，固化模型；
S7、测试模型，向固化模型输入电缆电压行波信号，输出相应的分类标签，最终获得电缆故障所属的类别。
2.根据权利要求1所述的一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，其特征在于：S1中，电缆原始故障信号包括故障电压、电流信号、零序电压信号、电缆的识别信息和故障的类别信息。
3.根据权利要求1所述的一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，其特征在于：S2中，数据预处理包括删除S1中样本库中的无效数据、重复数据、处理缺失值、异常值。
4.根据权利要求1所述的一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，其特征在于：S3包括以下步骤：
S3-1、对S2处理后的数据样本库的信号利用小波进行分解与重构，变成矩阵Dm×n，第i(i＝1,2，…m)阶的分量为Dj(n)；
S3-2、对S3-1获得的矩阵Dm×n，进行奇异值分解可变成式：
Figure FDA0003437070890000021
其中，U和V分别为m×m和n×n的正交矩阵,Λ为m×n的对角矩阵，ui和vi为矩阵U和V的第i列向量，λi为矩阵D的第i个奇异值；
S3-3、去小波奇异熵的表达式为：
Figure FDA0003437070890000022
其中ΔPi为第j阶增量小波奇异熵，定义为：
Figure FDA0003437070890000023
S3-4、将步骤S3-3获得的数据添加标签进行标记，所述标签为电缆故障类别，构造特征标签。
5.根据权利要求1所述的一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，其特征在于：S4中，BP神经网络是信号检测识别的特征描述子，包括输入层、隐藏层、输出层。
6.根据权利要求5所述的一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，其特征在于：S4中，BP神经网络中神经元模型的权值和输入矩阵分别表达如下：
W＝[ω1,ω2,...，ωn0]
X＝[x1,x2,...，xn0]。
7.根据权利要求1所述的一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，其特征在于：S5中，在MATLAB内的神经网络工具箱的作用下实现BP神经网络的训练，完成故障类型；故障类型识别包括故障初步、两相短路故障、接地故障三大分类模块；选用的故障初步分类模块输入量也就是对故障信号通过小波变换之后所得到的零序电压的地频段能量，用01、10、11各自表示接地故障、两相及三相短路故障；使用完成预处理的三相电压小波奇异熵值Ma、Mb、Mc表示两相短路及其接地故障分类模块的输入量。输入量的表达式为：
Figure FDA0003437070890000031
Figure FDA0003437070890000032
Figure FDA0003437070890000033
8.根据权利要求1所述的一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，其特征在于：S6中，按照Ma、Mb、Mc的仿真值假设出阈值A，若每个数值均不小于A，运行故障分类程序且将相应的数据置入到已调好的神经网络中。
9.根据权利要求1所述的一种基于小波奇异熵和BP神经网络的电力电缆故障识别方法，其特征在于：S7中，BP神经网络模型输出向量表达式为：
Figure FDA0003437070890000034
其中，ωi为相对应神经元的加权值，xi为第i个神经元的输入信号，θ为阈值。
CN202111617851.7A 2021-12-27 2021-12-27 基于小波奇异熵和bp神经网络的电力电缆故障识别方法 Pending CN114519294A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111617851.7A CN114519294A (zh) 2021-12-27 2021-12-27 基于小波奇异熵和bp神经网络的电力电缆故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111617851.7A CN114519294A (zh) 2021-12-27 2021-12-27 基于小波奇异熵和bp神经网络的电力电缆故障识别方法

Publications (1)

Publication Number Publication Date
CN114519294A true CN114519294A (zh) 2022-05-20

Family

ID=81597480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111617851.7A Pending CN114519294A (zh) 2021-12-27 2021-12-27 基于小波奇异熵和bp神经网络的电力电缆故障识别方法

Country Status (1)

Country Link
CN (1) CN114519294A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116743413A (zh) * 2022-10-26 2023-09-12 荣耀终端有限公司 一种物联网设备认证方法及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116743413A (zh) * 2022-10-26 2023-09-12 荣耀终端有限公司 一种物联网设备认证方法及电子设备
CN116743413B (zh) * 2022-10-26 2024-04-12 荣耀终端有限公司 一种物联网设备认证方法及电子设备

Similar Documents

Publication Publication Date Title
CN112578312B (zh) 基于鲸鱼算法优化极限学习机的微电网故障诊断方法
CN110082640B (zh) 一种基于长短时记忆网络的配网单相接地故障辨识方法
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
CN114021433B (zh) 一种电力系统的主导失稳模式识别模型的构建方法及应用
CN110596530A (zh) 一种小电流接地故障选线方法
CN110726898A (zh) 一种配电网故障类型识别方法
CN113935237A (zh) 一种基于胶囊网络的输电线路故障类型判别方法及系统
CN109412161A (zh) 一种电力系统概率潮流计算方法及系统
CN111008641A (zh) 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法
CN114519293A (zh) 基于小样本机器学习模型的电缆本体故障识别方法
CN114519294A (zh) 基于小波奇异熵和bp神经网络的电力电缆故障识别方法
Yan et al. Deep learning based total transfer capability calculation model
CN112564107A (zh) 一种电力系统暂态稳定评估方法
Zhang et al. Transient stability prediction of power systems based on deep belief networks
CN114169249B (zh) 一种配电网高阻接地故障人工智能识别方法
CN114139614B (zh) 一种基于典型相关分析特征提取的Fisher光伏组件热斑诊断方法和系统
CN117314883B (zh) 基于EWT和VGGNet的配电网故障选线方法及系统
Wang et al. The Cable Fault Diagnosis for XLPE Cable Based on 1DCNNs‐BiLSTM Network
Wang et al. Complex fault source identification method for high-voltage trip-offs of wind farms based on SU-MRMR and PSO-SVM
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
CN116401572A (zh) 一种基于cnn-lstm的输电线路故障诊断方法及系统
CN116109178A (zh) 一种面向高比例新能源接入的电力系统稳定评估方法
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
CN115291039A (zh) 一种谐振接地系统单相接地故障选线方法

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