CN114936612A - 短路类型识别方法、装置、电子设备及存储介质 - Google Patents
短路类型识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114936612A CN114936612A CN202210699245.2A CN202210699245A CN114936612A CN 114936612 A CN114936612 A CN 114936612A CN 202210699245 A CN202210699245 A CN 202210699245A CN 114936612 A CN114936612 A CN 114936612A
- Authority
- CN
- China
- Prior art keywords
- target
- characteristic information
- information matrix
- short circuit
- circuit type
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 190
- 238000001514 detection method Methods 0.000 claims abstract description 126
- 238000012549 training Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G01R31/58—Testing of lines, cables or conductors
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种短路类型识别方法、装置、电子设备及存储介质。在待识别低压台区的配电线路发生短路故障的情况下,获取所述待识别低压台区中至少部分目标检测节点的电力数据,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵;获取各个所述目标检测节点之间的目标拓扑关系,根据所述目标拓扑关系构建目标拓扑特征信息矩阵;将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中,得到所述待识别低压台区的配电线路的目标短路类型。根据输入目标电力特征信息矩阵与目标拓扑特征信息矩阵到训练完成的短路类型识别网络中得到目标短路类型,从而提高了短路类型识别的效率和精确度。
Description
技术领域
本发明涉及电力系统故障检测技术领域,尤其涉及一种短路类型识别方法、装置、电子设备及存储介质。
背景技术
随着5G通讯技术与智能电网的建设与发展,人工智能更加广泛的应用到电网建设当中,中低压配电台区作为电网的重要组成部分,其运行的安全性与可靠性是电力公司考核的重要指标。对故障的识别进行深入研究及实现识别的自动化是具有重要意义的。
近年来随着机器学习技术的快速发展,卷积神经网络,长短期记忆网络,循环神经网络等走进人们的视线,有研究者利用卷积神经网络对输电网进行故障识别,取得了不错的效果;还有研究者利用支持向量机对配电网进行故障识别。以上办法无法涵盖配电网各节点的信息,同时由于配电网的线路参数复杂,当短路发生时以上因素都会影响最终的判断结果,对配电网短路类型的判断结果精确度较差。
发明内容
本发明提供了一种短路类型识别方法、装置、电子设备及存储介质,以解决对配电网短路类型的判断结果精确度较差的问题。
根据本发明的一方面,提供了一种短路类型识别方法,其中,该方法包括:
在待识别低压台区的配电线路发生短路故障的情况下,获取所述待识别低压台区中至少部分目标检测节点的电力数据,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵;
获取各个所述目标检测节点之间的目标拓扑关系,根据所述目标拓扑关系构建目标拓扑特征信息矩阵;
将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中,得到所述待识别低压台区的配电线路的目标短路类型;
其中,所述短路类型识别网络基于样本低压台区中对应的样本电力特征信息矩阵和样本拓扑特征信息矩阵,以及与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据对预先建立的图卷积神经网络训练得到。
根据本发明的另一方面,提供了一种短路类型识别装置,其中,该装置包括:
目标电力特征信息矩阵构建模块,用于在待识别低压台区的配电线路发生短路故障的情况下,获取所述待识别低压台区中至少部分目标检测节点的电力数据,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵;
目标拓扑特征信息矩阵构建模块,用于获取各个所述目标检测节点之间的目标拓扑关系,根据所述目标拓扑关系构建目标拓扑特征信息矩阵;
目标短路类型确定模块,用于将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中,得到所述待识别低压台区的配电线路的目标短路类型;
其中,所述短路类型识别网络基于样本低压台区中对应的样本电力特征信息矩阵和样本拓扑特征信息矩阵,以及与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据对预先建立的图卷积神经网络训练得到。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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所述的短路类型识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的短路类型识别方法。
本发明实施例的技术方案,通过在待识别低压台区的配电线路发生短路故障的情况下,先获取所述待识别低压台区中至少部分目标检测节点的电力数据,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵;再获取各个所述目标检测节点之间的目标拓扑关系,根据所述目标拓扑关系构建目标拓扑特征信息矩阵;最后,将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中,得到所述待识别低压台区的配电线路的目标短路类型;其中,所述短路类型识别网络基于样本低压台区中对应的样本电力特征信息矩阵和样本拓扑特征信息矩阵,以及与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据对预先建立的图卷积神经网络训练得到,解决了对配电网短路类型的判断结果精确度较差的问题。能够根据构建的目标电力特征信息矩阵与目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中得到低压台区的配电线路的目标短路类型,综合考虑了短路期间的线路电力数据和线路拓扑关系,取到了提高配电网短路类型的判断结果精确度的效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是根据本发明实施例一提供的一种短路类型识别方法的流程图;
图2为本发明实施例提供的一种用于执行本发明实施例的短路类型识别方法的场景示意图;
图3为本发明实施例提供的一种用于执行本发明实施例的短路类型识别方法的场景示意图;
图4是根据本发明实施例二提供的一种短路类型识别方法的流程图;
图5是根据本发明实施例三提供的一种短路类型识别装置的结构示意图;
图6是实现本发明实施例四提供的一种短路类型识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种短路类型识别方法的流程图,本实施例可适用于配电台区故障研判的情况,该方法可以由短路类型识别装置来执行,该短路类型识别装置可以采用硬件和/或软件的形式实现,该短路类型识别装置可配置于低压台区的配电线路中。如图1所示,该方法包括:
S110、在待识别低压台区的配电线路发生短路故障的情况下,获取所述待识别低压台区中至少部分目标检测节点的电力数据,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵。
其中,所述低压台区的配电线路是指待识别变压器低压供电区域的配电线路。所述目标检测节点是指在所述待识别低压台区中预设,用于获取电力数据进行检测的重要节点,可选的,所述目标检测节点至少包括配电网负荷节点处以及变压器二次出口处节点。所述电力数据可以是台区目标检测节点的三相电压或三相电流等。
具体的,在待识别低压台区的配电线路发生短路故障的情况下,可以获取电网负荷节点处以及变压器二次出口处节点和其它重要节点的三相电压与三相电流等电力数据构建目标电力特征信息矩阵。
可选的,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵可以是,将获取到的各个目标检测节点的电力数据进行行拼接,获得台区的目标电力特征信息矩阵。其中,每个目标检测节点对应的电力数据可以是一个或多个。
S120、获取各个所述目标检测节点之间的目标拓扑关系,根据所述目标拓扑关系构建目标拓扑特征信息矩阵。
其中,所述目标检测节点之间的目标拓扑关系是指是指所述目标检测节点之间满足拓扑几何学原理的各空间数据间的相互关系。具体的,根据获取的所述目标检测节点之间满足拓扑几何学原理的各空间数据间的相互关系,构建目标拓扑特征信息矩阵。
可选的,所述根据所述目标拓扑关系构建目标拓扑特征信息矩阵,包括:根据所述目标拓扑关系构建与各个目标检测节点对应的目标邻接矩阵,将所述目标邻接矩阵作为所述待识别低压台区的目标拓扑特征信息矩阵。示例性的,获取待识别低压台区的邻接矩阵A,作为台区的目标拓扑特征信息矩阵,具体建立过程如下,aij;表示邻接矩阵A的元素,其中,i=1,2,...,n,j=1,2,...,n,若台区中节点i与节点j具有连接关系,则aij与aji取值为1,若不具有连接关系,则取值为0。可以理解的是,邻接矩阵A为一个对称阵。
S130、将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中,得到所述待识别低压台区的配电线路的目标短路类型。
可选的,在所述将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中之前,还包括:将所述目标电力特征信息矩阵按行拼接,基于拼接结果更新所述目标电力特征信息矩阵。具体地,将目标电力特征信息矩阵按行拼接,最终行数为n×矩阵数目。其中,n表示每个样本检测节点对应的电力数据的数量。
可选的,在所述将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中之前,还包括:将所述目标拓扑特征信息矩阵按照对角矩阵形式进行拼接,基于拼接结果更新所述目标拓扑特征信息矩阵。具体地,将目标拓扑特征信息矩阵进行一一对角拼接,最终矩阵的维数为n2×n2。
进一步地,将按行拼接得到的节点特征信息矩阵与按对角拼接得到的拓扑特征信息矩阵作为一对输入数据输入到至预先训练完成的短路类型识别网络中,以使所述短路类型识别网络基于输入的这对数据得到所述待识别低压台区的配电线路的目标短路类型。
在本发明实施例中,所述短路类型识别网络基于样本低压台区中对应的样本电力特征信息矩阵和样本拓扑特征信息矩阵,以及与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据对预先建立的图卷积神经网络训练得到。
示例性地,短路类型标签数据可以包括但不仅限于A相接地短路,B相接地短路,C相接地短路,AB相间短路,AC相间短路,BC相间短路,AB两相接地短路,AC两相接地短路,BC两相接地短路以及ABC三相短路等类型中的至少一项或多项。目标短路类型可以理解为所述短路类型识别网络识别出的短路类型。
一般地,网络实际输出的结果为与各个短路类型标签数据对应的概率。可选地,选择概率最高的短路类型标签数据作为所述待识别低压台区的配电线路的目标短路类型。
在本公开实施例中,所述短路类型识别网络可基于如下方式训练得到:获取在待识别低压台区的配电线路发生短路故障的情况下,所述待识别低压台区中的样本检测节点的电力数据,根据各个所述样本检测节点的电力数据构建样本电力特征信息矩阵;获取各个所述样本检测节点之间的样本拓扑关系,根据所述样本拓扑关系构建样本拓扑特征信息矩阵;将所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵输入至预先建立的图卷积神经网络中,得到所述待识别低压台区的配电线路的输出短路类型,根据所述输出短路类型以及与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据确定所述图卷积神经网络的网络损失,根据所述网络损失对所述图卷积神经网络的网络参数进行调整,以得到短路类型识别网络。
可以理解的是,将图卷积神经网络训练为短路类型识别网络往往需要大量的训练样本。为了保证样本量充足,可选的,搭建低压台区的仿真线路模型,在仿真线路模型中的电网负荷节点处以及变压器二次出口处装配样本检测节点,实时检测样本检测节点的电力数据。
进一步地,将低压配电台区分为A相接地短路,B相接地短路,C相接地短路,AB相间短路,AC相间短路,BC相间短路,AB两相接地短路,AC两相接地短路,BC两相接地短路以及ABC三相短路这十种短路类型。分别在不同的短路类型下设置参数进行仿真获取电力数据。
以下是本发明实施例提供的一个仿真算例,配电网多为树状结构,本仿真算例采取简单的低压配电网拓扑来验证方法的有效性。
在本实施例中,将负荷功率进行改变,使某一负荷的有功功率,电网的频率,电网的电压,传输线路的电阻以及短路发生的地点进行循环仿真,具体参数如表1所示:
表1
参数值1 | 参数值2 | 参数值3 | 参数值4 | 参数值5 | |
负荷1有功功率/W | 30000 | 25000 | 27000 | ||
线路1长度/km | 0.5 | 0.45 | 0.55 | ||
线路2长度/km | 0.4 | 0.5 | 0.6 | ||
电网频率/Hz | 49 | 49.5 | 50 | 50.5 | 51 |
电网线电压/V | 370 | 375 | 380 | 385 | 390 |
示例性地,可以针对每个短路类型,共收集3×3×3×5×5=675组样本电力数据。针对所有的短路类型共收集675×10=6750组样本电力数据。
进一步地,分别为每个样本检测节点添加标识信息,用于区分不同的样本检测节点。在本发明实施例中,只要给不同的样本检测节点添加不同的标识信息即可,标识信息的形式及添加顺序在此不做具体限定。示例性地,可以假设台区包含变压器二次出口处节点与负荷节点共n个,从母线处出发的第一个节点为1号节点,遇到分支线时按先对同属于一级分支线的节点进行编号,对同一分支线上的末端最后一个负荷节点编排完成后,再对其他同级分支线按相同办法进行编号,直到台区最后一个节点n编排完成。
进一步的,记录低压台区发生故障前一周期,故障时以及故障后一周期台区各个样本检测节点的电力数据(包括三相电压与三相电流),将同一样本检测节点在上述三个时刻的电力数据进行拼接,形成一维行向量,再采集不同节点的信息,将不同节点的一维行向量按节点编号1,2,...,n的顺序进行拼接,获得台区的目标电力特征信息矩阵。
可选地,根据所述输出短路类型、与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据以及预设的损失函数确定所述图卷积神经网络的网络损失。示例性地,预设的损失函数可以有一种或多种,损失函数的类型可以根据实际需求进行选择,在此并不做具体限定。例如可以是交叉熵损失函数、对数损失函数或相对熵损失函数等各种损失函数中的一种或多种。可以理解的是,网络损失越小,网络识别效果越好。如图2所示,在训练过程中训练损失值与准确率的变化关系是成反比的。可选地,当损失函数收敛时,结束对图卷积神经网络的训练,得到短路类型识别网络。
可选的,预先建立的图卷积神经网络可包含但不仅限于包含卷积层,池化层与分类层等。
在本实施例中,首先提取输入数据的短路类型标签数据,将短路类型标签数据进行独热向量编码,即将前文所述的短路类型编码为向量形式,其次,图卷积神经网络通过提取输入数据的特征信息进行计算并输出计算结果,将计算结果与向量类型的标签进行损失值计算,将损失值反馈回神经网络,通过多次迭代进行参数的优化,最终建立输入数据与输出结果间的映射。
可选的,在本发明实施例中,可以将输入的数据对(即,样本电力特征信息矩阵和样本拓扑特征信息矩阵)分为训练集与测试集,其中训练集占比数据集的比例为a,测试集为1-a,其中,a的取值在0-1之间。一般地,a大于1-a。例如,a可以取0.9。沿用上例,建立图卷积网络后,进行训练与测试,将6750个样本打乱后取前5000个样本类型为训练集,取剩余1750个样本中的任意400个为测试集,设置训练轮数为50次,进行训练。训练结束后,用测试集进行网络训练结果的评估。
进一步地,将输入数据分为训练集与测试集,采取交叉验证的方式进行训练。同时在训练过程中,还可以设置训练批次,即一次性从训练集中提取出若干组数据进行训练,每一批次学习后更新网络权重等参数,最终在多各批次学习后得到最终训练的结果。
其中,测试集为用于测试训练的网络是否以达到预期的训练效果的样本集。换言之,测试集可以用来测试网络是否训练完成。具体的,将测试集中的数据输入到训练好的网络中识别,获得网络识别的正确率,如果正确率达到期望值,网络可以结束训练,将结束训练后的网络作为短路类型识别网络。
示例性地,可获取仿真低压台区拓扑信息,仿真低压台区的拓扑关系,如下图3所示。在此仿真情况中,得到其仿真低压台区的邻接矩阵A为:
可选的,为了加快神经网络的处理速度,可以将数据进行拼接,最终得到包含有节点特征信息与拓扑特征信息的两个大型矩阵,可将这两个大型矩阵作为一个新的数据输入至神经网络,神经网络在新的矩阵中进行节点特征信息与拓扑特征信息的读取与学习,新的大型矩阵中各个原始数据互不影响。而在学习过程中,假设采用GPU加速且分块矩阵不超出显存时,单次复杂度为O(nL)的稀疏卷积运算被转化为n个复杂度为O(Li)的并行运算,提高了神经网络学习的效率。类似地,根据矩阵运算的形式,将邻接矩阵按对角阵的形式进行排列,即将每个邻接矩阵放在拼接后的大型矩阵中对角线位置。假设邻接矩阵为Ai(i=1,2,...,n),则拼接后的大型矩阵如下所示G:
同时将特征矩阵进行按行拼接操作,如下所示H:
具体地,对于建立图卷积神经网络,首先定义图卷积神经网络的结构即定义卷积层与池化层,最后定义分类层。同时定义交叉熵损失函数与优化器。首先利用卷积层提取特征矩阵中的信息,经过卷积层特征提取后,通过平均池化层将特征信息降维,最终映射到分类层。在共有十种短路类型的情况下,将分类层设置为10,经过卷积层与池化层后,网络计算出样本属于每个短路类型标签数据对应的概率,取概率的数值最大的作为模型预测出的短路类型,与样本所对应的短路类型标签数据进行对比,计算出损失值并反馈给网络,网络依此返回值进行权重等参数的自我修改,以优化网络。
本发明实施例的技术方案,通过在待识别低压台区的配电线路发生短路故障的情况下,先获取所述待识别低压台区中至少部分目标检测节点的电力数据,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵;再获取各个所述目标检测节点之间的目标拓扑关系,进一步的,根据所述目标拓扑关系构建目标拓扑特征信息矩阵;最后,将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中,得到所述待识别低压台区的配电线路的目标短路类型;其中,所述短路类型识别网络基于样本低压台区中对应的样本电力特征信息矩阵和样本拓扑特征信息矩阵,以及与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据对预先建立的图卷积神经网络训练得到,解决了对配电网短路类型的判断结果精确度较差的问题。能够通过将构建的目标电力特征信息矩阵与目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中得到低压台区的配电线路的目标短路类型,综合考虑了短路期间的线路电力数据和线路拓扑关系,取到了提高配电网短路类型的判断结果精确度的效果。
实施例二
图4为本发明实施例二提供的一种短路类型识别方法的流程图,本实施例与上述实施例的区别在于,对如何获取所述待识别低压台区中至少部分目标检测节点的电力数据,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵进行细化。如图4所示,该方法包括:
S201、在待识别低压台区的配电线路发生短路故障的情况下。
S202、根据预设检测周期分别确定在所述待识别低压台区的配电线路发生短路故障前的第一检测周期、发生短路故障时的第二检测周期以及发生短路故障后的第三检测周期。
其中,所述预设检测周期可以理解为用于周期性获取配电线路的电力数据的时间段。所述预设检测周期可以由用户根据实际情况自主设定,不做具体限定。
具体地,可以根据预设检测周期以及检测到配电线路发生短路故障的时刻,确定配电线路发生短路故障时的第二检测周期,进而,根据第二检测周期分别确定配电线路发生短路故障前的第一检测周期以及发生短路故障后的第三检测周期。具体地,可以将检测到配电线路发生短路故障的时刻所处的预设检测周期作为配电线路发生短路故障时的第二检测周期。进一步地,可以通过将第二检测周期向前或向后移动一个预设检测周期得到配电线路发生短路故障前的第一检测周期以及发生短路故障后的第三检测周期。
S203、分别确定与所述第一检测周期、所述第二检测周期以及所述第三检测周期对应的目标采样时间点,获取至少部分目标检测节点在所述目标采样时间点的电力数据。
其中,所述目标采样时间点是指预先设置的获取所述目标检测节点电力数据的时间点。
具体的,在分别确定与所述第一检测周期、所述第二检测周期以及所述第三检测周期对应的目标采样时间点后,获取至少部分目标检测节点在所述目标采样时间点的电力数据。可选的,可以在电网负荷节点处处以及重要节点如变压器二次绕组出口处等每一相装设微型同步相量测量单元(Micro Phasor Measurement Unit,μPMU)作为电力数据采集装置来获取至少部分目标检测节点在所述目标采样时间点的电力数据。μPMU可以提供带时标的三相电压电流信息。在本实施例中,具体的,可以按每个时刻4个目标采样时间点进行相量采样,其幅值误差为0.5%,可以为图卷积神经网络提供数据支撑。进一步地,可以对待检测低压台区的目标检测节点进行节点编号,从母线处出发的第一个目标检测节点为1号节点,遇到分支线时按先对同属于一支分支线的目标检测节点进行编号,对同一分支线上的目标检测节点编排完成后,再对其他同级分支线的目标检测节点按相同办法进行编号。编号结束后,在同一故障类型同一参数下,对各个目标检测节点的电力数据进行采集。
S204、针对所述待识别低压台区的每个目标检测节点,将每个所述目标采样时间点采集的电力数据进行拼接,得到一维行向量。
具体的,在获取至少部分目标检测节点在所述目标采样时间点的电力数据后,将每个所述目标采样时间点采集的电力数据进行拼接,得到一维行向量。
可选的,目标检测节点的数据为可以为
其中,由于一周期内包含多个时刻,因此是由一个周期内不同时刻的a相电压构成,即其他电气量与的构成一致。T1、T2以及T3分别表示第一检测周期、第二检测周期以及第三检测周期。t1、t2、t3及t4表示不同的目标采样时间点。
S205、将每个目标检测节点的一维行向量按预设的节点排布顺序进行拼接,获得所述待识别低压台区的目标电力特征信息矩阵。
其中,预设的节点排布顺序可以自主设定,在此不做具体限定。
具体的,根据将每个目标检测节点的一维行向量,按预设的节点排布顺序进行拼接,获得所述待识别低压台区的目标电力特征信息矩阵。
可选的,按照节点编号顺序对各节点数据依次按行排列,最终得到如式下所示特征信息矩阵M:
其中,t1,t2,t3,t4表示在一个周期内均匀采样的四个目标采样时间点。
S206、获取各个所述目标检测节点之间的目标拓扑关系,根据所述目标拓扑关系构建目标拓扑特征信息矩阵。
S207、将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中,得到所述待识别低压台区的配电线路的目标短路类型。
其中,所述短路类型识别网络基于样本低压台区中对应的样本电力特征信息矩阵和样本拓扑特征信息矩阵,以及与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据对预先建立的图卷积神经网络训练得到。
本发明实施例的技术方案,通过根据确定预设检测周期对应的目标采样时间点上获取的电力数据拼接得到目标电力特征信息矩阵,充分考虑了故障前、故障时以及故障后的情况,能够较为全面的获取目标检测节点的电力数据,进而将电力特征信息矩阵和构建的目标拓扑特征信息矩阵输入短路类型识别网络中,为短路类型识别网络提供了充分的数据支撑,进而使得得到的目标短路类型更为精准,获取了进一步提高配电网短路类型的判断结果精确度的技术效果。
实施例三
图5为本发明实施例三提供的一种短路类型识别装置的结构示意图。如图5所示,该装置包括:目标电力特征信息矩阵构建模块510、目标拓扑特征信息矩阵构建模块520和目标短路类型确定模块530。
其中,目标电力特征信息矩阵构建模块510,用于在待识别低压台区的配电线路发生短路故障的情况下,获取所述待识别低压台区中至少部分目标检测节点的电力数据,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵;目标拓扑特征信息矩阵构建模块520,用于获取各个所述目标检测节点之间的目标拓扑关系,根据所述目标拓扑关系构建目标拓扑特征信息矩阵;目标短路类型确定模块530,用于将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中,得到所述待识别低压台区的配电线路的目标短路类型;其中,所述短路类型识别网络基于样本低压台区中对应的样本电力特征信息矩阵和样本拓扑特征信息矩阵,以及与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据对预先建立的图卷积神经网络训练得到。
本发明实施例的技术方案,通过在待识别低压台区的配电线路发生短路故障的情况下,先获取所述待识别低压台区中至少部分目标检测节点的电力数据,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵;再获取各个所述目标检测节点之间的目标拓扑关系,进一步的,根据所述目标拓扑关系构建目标拓扑特征信息矩阵;最后,将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中,得到所述待识别低压台区的配电线路的目标短路类型;其中,所述短路类型识别网络基于样本低压台区中对应的样本电力特征信息矩阵和样本拓扑特征信息矩阵,以及与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据对预先建立的图卷积神经网络训练得到,解决了对配电网短路类型的判断结果精确度较差的问题。能够根据构建的目标电力特征信息矩阵与目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中得到低压台区的配电线路的目标短路类型,综合考虑了短路期间的线路电力数据和线路拓扑关系,取到了提高配电网短路类型的判断结果精确度的效果。
可选的,目标电力特征信息矩阵构建模块510包括:电力数据获取单元和目标电力特征信息矩阵构建单元。
其中,电力数据获取单元,用于根据预设检测周期分别确定在所述待识别低压台区的配电线路发生短路故障前的第一检测周期、发生短路故障时的第二检测周期以及发生短路故障后的第三检测周期;分别确定与所述第一检测周期、所述第二检测周期以及所述第三检测周期对应的目标采样时间点,获取至少部分目标检测节点在所述目标采样时间点的电力数据。
目标电力特征信息矩阵构建单元,用于针对所述待识别低压台区的每个目标检测节点,将每个所述目标采样时间点采集的电力数据进行拼接,得到一维行向量;将每个目标检测节点的一维行向量按预设的节点排布顺序进行拼接,获得所述待识别低压台区的目标电力特征信息矩阵。
可选的,目标拓扑特征信息矩阵构建模块520包括:目标拓扑关系获取单元和目标拓扑特征信息矩阵构建单元。
其中,目标拓扑特征信息矩阵构建单元,用于根据所述目标拓扑关系构建与各个目标检测节点对应的目标邻接矩阵,将所述目标邻接矩阵作为所述待识别低压台区的目标拓扑特征信息矩阵。
可选的,目标短路类型确定模块530包括:信息矩阵输入单元和目标短路类型确定单元。
可选的,在信息矩阵输入单元之前,还包括:目标电力特征信息矩阵更新单元,用于将所述目标电力特征信息矩阵按行拼接,基于拼接结果更新所述目标电力特征信息矩阵。
可选的,在信息矩阵输入单元之前,还包括:目标拓扑特征信息矩阵更新单元,用于将所述目标拓扑特征信息矩阵按照对角矩阵形式进行拼接,基于拼接结果更新所述目标拓扑特征信息矩阵。
可选的,所述目标检测节点至少包括配电网负荷节点处以及变压器二次出口处节点。
本发明实施例所提供的短路类型识别装置可执行本发明任意实施例所提供的短路类型识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如短路类型识别方法。
在一些实施例中,短路类型识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的短路类型识别方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行短路类型识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种短路类型识别方法,其特征在于,包括:
在待识别低压台区的配电线路发生短路故障的情况下,获取所述待识别低压台区中至少部分目标检测节点的电力数据,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵;
获取各个所述目标检测节点之间的目标拓扑关系,根据所述目标拓扑关系构建目标拓扑特征信息矩阵;
将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中,得到所述待识别低压台区的配电线路的目标短路类型;
其中,所述短路类型识别网络基于样本低压台区中对应的样本电力特征信息矩阵和样本拓扑特征信息矩阵,以及与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据对预先建立的图卷积神经网络训练得到。
2.根据权利要求1所述的方法,其特征在于,所述获取所述待识别低压台区中至少部分目标检测节点的电力数据,包括:
根据预设检测周期分别确定在所述待识别低压台区的配电线路发生短路故障前的第一检测周期、发生短路故障时的第二检测周期以及发生短路故障后的第三检测周期;
分别确定与所述第一检测周期、所述第二检测周期以及所述第三检测周期对应的目标采样时间点,获取至少部分目标检测节点在所述目标采样时间点的电力数据。
3.根据权利要求2所述的方法,其特征在于,所述根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵,包括:
针对所述待识别低压台区的每个目标检测节点,将每个所述目标采样时间点采集的电力数据进行拼接,得到一维行向量;
将每个目标检测节点的一维行向量按预设的节点排布顺序进行拼接,获得所述待识别低压台区的目标电力特征信息矩阵。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标拓扑关系构建目标拓扑特征信息矩阵,包括:
根据所述目标拓扑关系构建与各个目标检测节点对应的目标邻接矩阵,将所述目标邻接矩阵作为所述待识别低压台区的目标拓扑特征信息矩阵。
5.根据权利要求1所述的方法,其特征在于,在所述将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中之前,还包括:
将所述目标电力特征信息矩阵按行拼接,基于拼接结果更新所述目标电力特征信息矩阵。
6.根据权利要求1所述的方法,其特征在于,在所述将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中之前,还包括:
将所述目标拓扑特征信息矩阵按照对角矩阵形式进行拼接,基于拼接结果更新所述目标拓扑特征信息矩阵。
7.根据权利要求1所述的方法,其特征在于,所述目标检测节点至少包括配电网负荷节点处以及变压器二次出口处节点。
8.一种短路类型识别装置,其特征在于,包括:
目标电力特征信息矩阵构建模块,用于在待识别低压台区的配电线路发生短路故障的情况下,获取所述待识别低压台区中至少部分目标检测节点的电力数据,根据各个所述目标检测节点的电力数据构建目标电力特征信息矩阵;
目标拓扑特征信息矩阵构建模块,用于获取各个所述目标检测节点之间的目标拓扑关系,根据所述目标拓扑关系构建目标拓扑特征信息矩阵;
目标短路类型确定模块,用于将所述目标电力特征信息矩阵和所述目标拓扑特征信息矩阵输入至预先训练完成的短路类型识别网络中,得到所述待识别低压台区的配电线路的目标短路类型;
其中,所述短路类型识别网络基于样本低压台区中对应的样本电力特征信息矩阵和样本拓扑特征信息矩阵,以及与所述样本电力特征信息矩阵和所述样本拓扑特征信息矩阵对应的短路类型标签数据对预先建立的图卷积神经网络训练得到。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-7中任一项所述的短路类型识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的短路类型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210699245.2A CN114936612A (zh) | 2022-06-20 | 2022-06-20 | 短路类型识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210699245.2A CN114936612A (zh) | 2022-06-20 | 2022-06-20 | 短路类型识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936612A true CN114936612A (zh) | 2022-08-23 |
Family
ID=82868447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210699245.2A Pending CN114936612A (zh) | 2022-06-20 | 2022-06-20 | 短路类型识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936612A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115453271A (zh) * | 2022-11-10 | 2022-12-09 | 南方电网数字电网研究院有限公司 | 一种配电网问题诊断方法、装置、设备及存储介质 |
-
2022
- 2022-06-20 CN CN202210699245.2A patent/CN114936612A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115453271A (zh) * | 2022-11-10 | 2022-12-09 | 南方电网数字电网研究院有限公司 | 一种配电网问题诊断方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109462257B (zh) | 一种计及多元随机变量电网电压稳定的灵敏度辨识方法 | |
CN111682530B (zh) | 一种配电网电压越限概率的确定方法、装置、设备及介质 | |
CN110084466A (zh) | 一种提取大电网临界暂态稳定边界特征的方法及系统 | |
CN114936612A (zh) | 短路类型识别方法、装置、电子设备及存储介质 | |
CN114936544A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN106022590B (zh) | 有源配电网的电压质量评估方法和装置 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN115203873A (zh) | 应用于配电网的拓扑关系构建方法、装置、设备及介质 | |
CN115097210A (zh) | 一种台区线路阻抗计算方法、装置、设备和介质 | |
CN115275975A (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 | |
CN115481772A (zh) | 一种光伏发电量预测方法及装置 | |
Zhu et al. | Recursive Bayesian-based approach for online automatic identification of generalized electric load models in a multi-model framework | |
CN115453271A (zh) | 一种配电网问题诊断方法、装置、设备及存储介质 | |
CN110633489A (zh) | 一种基于参数综合可疑度的线路参数辨识方法 | |
CN117200444A (zh) | 一种主配网模型拼接方法、装置、设备及存储介质 | |
CN117610957A (zh) | 一种设备发展路径确定方法、装置、设备及介质 | |
Bozz et al. | Metering system planning for state estimation via evolutionary algorithm and H T Δ matrix considering SCADA and PMU measurements | |
CN114510837A (zh) | 输电线路运行场景生成方法、系统、设备及存储介质 | |
CN116150157A (zh) | 一种设备台账数据的处理方法、装置、设备及介质 | |
CN115358564A (zh) | 电力系统状态估计方法及装置 | |
CN117892051A (zh) | 基于线图卷积神经网络的线路故障后电网潮流计算方法 | |
CN117368588A (zh) | 一种电压相序一致性确定方法、装置、设备和存储介质 | |
CN116433098A (zh) | 一种配电网的健康治理方法、装置、设备及存储介质 | |
CN116305800A (zh) | 配电网仿真输入数据的处理方法、装置、设备及介质 | |
CN116702077A (zh) | 基于局部离群值挖掘与杰卡德距离的台区相位识别方法 |
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 |