CN114936947A - 基于gadf-vgg16的高压直流输电线路故障诊断方法 - Google Patents

基于gadf-vgg16的高压直流输电线路故障诊断方法 Download PDF

Info

Publication number
CN114936947A
CN114936947A CN202210841364.7A CN202210841364A CN114936947A CN 114936947 A CN114936947 A CN 114936947A CN 202210841364 A CN202210841364 A CN 202210841364A CN 114936947 A CN114936947 A CN 114936947A
Authority
CN
China
Prior art keywords
fault
gadf
transmission line
training
voltage direct
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
CN202210841364.7A
Other languages
English (en)
Inventor
吴浩
杨玉萍
邓思敬
陈伟哲
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.)
Sichuan University of Science and Engineering
Original Assignee
Sichuan University of Science and Engineering
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 Sichuan University of Science and Engineering filed Critical Sichuan University of Science and Engineering
Priority to CN202210841364.7A priority Critical patent/CN114936947A/zh
Publication of CN114936947A publication Critical patent/CN114936947A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H1/00—Details of emergency protective circuit arrangements
    • H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
    • H02H7/268—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured for dc systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明公开了基于GADF‑VGG16的高压直流输电线路故障诊断方法，涉及输电线路故障技术领域，具体包括，采集不同故障情况下的电压信号；利用VMD分解算法将故障电压信号分解成模态分量；利用GADF编码将模态分量转换成二维彩色图像；将图像样本分成训练集和测试集，并将训练集送入改进的VGG16模型进行训练；将测试集输入训练结束的改进的VGG16模型中进行测试，VGG16模型进行对故障特征进行自适应的提取和分类，从而进行故障判别与选极；根据判别结果，实现相应的保护动作，保护结束。本发明利用GADF编码将一维故障电压信号转换为二维图像，并利用改进的VGG16自适应的提取故障特征，实现故障诊断，故障诊断准确率达到较高精度。

Description

基于GADF-VGG16的高压直流输电线路故障诊断方法
技术领域
本发明涉及输电线路故障技术领域，具体涉及基于GADF-VGG16的高压直流输电线路故障诊断方法。
背景技术
我国能源基地与负荷密集中心距离较远，跨区域的电力传输是实现我国资源合理配置的必要手段。高压直流输电（High voltage direct current，HVDC）凭借其传输容量大，线路损耗低，输电距离远等优势被广泛应用。由于HVDC线路所跨距离长，所处地理、气候环境恶劣，造成线路出现故障几率高，据统计，约50%的直流输电系统故障为直流线路故障，因此故障的正确识别与诊断对电力系统的安全可靠运行至关重要。
目前针对HVDC输电线路的保护研究，专家学者提出了一系列的保护方案。其中行波保护，微分欠电压保护一般作为主保护，纵联差动保护和低电压保护作为后备保护，而众多保护方法中行波保护原理应用最为广泛。例如，基于双端行波法，提出利用检测点处检测到首次入射行波与反射波之间的时间间隔来进行区内外故障的识别。但该方法依赖双端信息的传输，对保护的速动性有一定的影响。考虑到行波保护易受高过渡电阻、远距离的影响，现有技术中提出利用行波传输原理结合Teager能量算子实现HVDC输电线路区内外故障的准确识别，所提方法中，故障识别可在较短的时间内完成，且在高阻远距离故障下也能准确实现识别故障类型。然而，行波法中如何准确识别行波波头是难以克服的技术难题，基于分布式参数模型的HVDC输电线路区内外故障的识别方案，该方法不依赖行波保护原理，但故障识别的精确度取决于线路参数的设置。
近年来，大量学者提出利用支持向量机（SVM），BP神经网络，人工神经网络(ANN)，随机森林等方法研究输电线路故障诊断问题。其中，利用电流信号故障前后标准差作为特征量结合支持向量机的分类功能，实现HVDC输电线路的故障识别和分类，但该方法对故障行波的波形特征挖掘尚不充分且该方法的容错性还有待进一步验证；使用输电线路故障情况下的电气变化量作为特征量训练BP神经网络进行故障诊断，该方法针对区内故障具有较好的识别效果，但并未考虑对区外故障的识别；使用粒子群算法（POS）优化人工神经网络（ANN），再利用优化后的ANN模型来对不同故障进行识别与分类，该方法对区内外故障的识别准确率可达99%，但该方法在高过渡电阻和高噪声环境下是否也能正确识别故障类型还有待验证；利用随机森林（RF）神经网络实现直流输电线路故障极的选择和故障类型的识别，但该方法故障特征的提取较为复杂。
深度学习的发展为输电线路故障诊断领域带来了新思路，深度学习的方法能够自主学习到数据中的深层抽象特征，适用于复杂的输电线路故障诊断问题。其中，使用改进的卷积神经网络（CNN）构建HVDC输电线路故障诊断模型，对电流时序数据进行特征提取并实现故障分类，与传统CNN网络对比，该方法识别准确率有一定的提升，但CNN对时序信号的特征提取效果并不理想，因此，有学者提出将时序信号转化成二维图像，再利用CNN进行故障特征提取和分类，例如，将一维时序信号转换成二维灰度图像，再利用CNN进行输电线路故障分类，但该方法中将时序信号转化为灰度图像的处理造成了特征数据的丢失。可见，将深度学习应用于输电线路的故障诊断是可行的，并且有待展开进一步的深入研究。
发明内容
本发明的目的在于：针对上述现有技术存在的不足，利用VMD将直流输电线路故障电压信号分解成IMF模态分量，通过GADF将选取的IMF模态分量转换成彩色图像，在一维时间序列和二维空间序列构造双射映射，这样不会造成信息的丢失，将图像输入改进的VGG16中进行特征提取和分类，以解决现有技术中问题，改进了传统的VGG16模型，增加BN层和密集连接结构的卷积层，加快网络的训练和收敛速度的同时实现特征的复用和增强；利用全局平均池化层代替全连接层，减少模型参数量和计算时间，更适合于故障快速诊断。
本发明采用的技术方案如下：
本发明是基于GADF-VGG16的高压直流输电线路故障诊断方法，包括以下步骤：
步骤1：利用仿真平台搭建高压直流输电系统模型，采集高压直流输电系统模型中不同故障情况下的电压信号；
步骤2：利用VMD分解算法对故障电压信号预处理，将故障电压信号分解成模态分量；
步骤3：利用相关系数算法选取强相关的模态分量，并利用GADF编码将选取的模态分量转换成二维彩色图像；
步骤4：将步骤3的图像样本分成训练集和测试集，并将训练集送入改进的VGG16模型进行训练，完成网络训练并保存网络模型；
步骤5：将步骤4中的测试集输入训练结束的改进的VGG16模型中进行测试，VGG16模型进行对故障特征进行自适应的提取和分类，从而进行故障判别与选极；
步骤6：根据判别结果，实现相应的保护动作，保护结束。
进一步的，高压直流输电系统的故障类型包括：正极故障、负极故障、双极故障和区外故障。
进一步的，步骤3中，相关系数是反映等级相关程度的统计分析指标，其公式定义为
Figure 100002_DEST_PATH_IMAGE001
（1）
其中，E表示均值，D表示方差，Cov表示协方差，
Figure 841182DEST_PATH_IMAGE002
的取值范围为[-1,1]，
Figure 49310DEST_PATH_IMAGE002
值越大，表示与Y相关性越高，
Figure 100002_DEST_PATH_IMAGE003
则X与Y为强相关，步骤3中选取的模态分量与原始信号强相关。
进一步的，步骤3中GADF编码的具体实现方法为：
步骤31：将一维时间序列
Figure 408616DEST_PATH_IMAGE004
归一化，其数值放缩到[-1,1]之间：
Figure 100002_DEST_PATH_IMAGE005
（2）
步骤32：将归一化后的时间序列转换到极坐标下，用角度表示时间序列的值，用半径表示时间戳
Figure 298074DEST_PATH_IMAGE006
（3）
在公示（3）中，θ的取值范围在[0,π]之间，
Figure 100002_DEST_PATH_IMAGE007
在[0,π]上单调，因此给定时间序列在极坐标系统下的映射是唯一的，N表示正则化极坐标系统生成空间的常数因子,
Figure 505065DEST_PATH_IMAGE008
表示时间戳，因此通过r坐标保持时间依赖性；
步骤33：GAF编码通过三角函数差运算，得到格拉姆角差场GADF：
Figure 100002_DEST_PATH_IMAGE009
（4）
Figure 821777DEST_PATH_IMAGE010
（5）
其中，
Figure 100002_DEST_PATH_IMAGE011
是单位行向量,
Figure 465117DEST_PATH_IMAGE012
和
Figure 100002_DEST_PATH_IMAGE013
为缩放前后行的序列的行向量，
Figure 423845DEST_PATH_IMAGE014
为两个向量的夹角。
进一步的，改进的VGG16模型采用多个3×3的小卷积核。
进一步的，在卷积块中加入了BN层，对训练数据进行归一化处理，具体为：在每个普通卷积块中加入BN层，对训练过程中每层隐藏层输出数据都进行了批归一化处理,再将数据输入激活函数。
进一步的，在卷积块中，将单一连接卷积层的方式改用VOVNet网络结构的密集连接方式，具体为：将卷积块中前面所有的层通过concat特征复用，在最后一层一次性聚合，并利用一个1×1的卷积调整通道数。
进一步的，利用全局平均池化来代替VGG16模型中的全连接层，对每张特征图片求平均，并加入了三层1×1的卷积层，最后利用softmax层分类。
综上所述，由于采用了本技术方案，本发明的有益效果是：
1、本发明是基于GADF-VGG16的高压直流输电线路故障诊断方法，利用VMD将直流输电线路故障电压信号分解成模态分量，利用GADF编码将一维的故障电压信号转换为二维彩色图像，便于故障特征的自适应提取，更好的结合神经网络在图像处理上的优势，实现HVDC输电线路智能故障诊断，同时，本发明受噪声干扰小，具有一定的抗干扰能力。
2、本发明是基于GADF-VGG16的高压直流输电线路故障诊断方法，改进了传统的VGG16模型结构，增加BN层和密集连接结构的卷积层，减少了隐藏层数据分布改变对网络的影响，降低了神经网络对参数的依赖性，加快了神经网络的训练速度，提高网络的稳定性，在加快网络的训练和收敛速度的同时实现特征的复用和增强；同时利用全局平均池化层代替全连接层，减少模型参数量和计算时间，使得提出的方法更适合于故障快速诊断。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图，本说明书附图中的各个部件的比例关系不代表实际选材设计时的比例关系，其仅仅为结构或者位置的示意图，其中：
图1为本发明方法流程图；
图2为本发明HVDC输电线路仿真模型图；
图3中(a)(c)(e)(g)为本发明不同故障类型的IMF2模态分量的波形
图3中(b)(d)(f)(h)为本发明不同故障类型的IMF2模态分量的GADF编码二维图；
图4为原始的VGG16模型结构；
图5为本发明中加入BN层的卷积块；
图6为本发明中改进的VGG16模型卷积网络结构；
图7为本发明中GAP实现过程图；
图8为本发明中改进的的VGG16模型全连接层结构；
图9为Loss变化曲线；
图10为准确率变化曲线；
图11为不同类型故障测试结果对比；
图12为不同过渡电阻情况下测试结果对比图；
图13为不同故障距离测试结果对比图；
图14为不同数据丢失个数下测试集准确率。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
下面结合附图对本发明作详细说明。
具体实施例实施如下：
如图1所示，本发明是基于GADF-VGG16的高压直流输电线路故障诊断方法，该方法具体包括以下步骤：
步骤1：利用仿真平台搭建高压直流输电系统模型，采集高压直流输电系统模型中不同故障情况下的电压信号；
参考国内某直流输电工程，本实施例利用PSCAD-EMTDC仿真平台搭建高压直流输电系统模型模型参数如下：送电功率3000MW,额定电压500kV，额定电流3kA，直流滤波器为12/24/36三调谐滤波器，杆塔结构采用工程上常用的DC2杆塔，设置线路全长1000km，仿真模型如图2所示，平波电抗器和直流滤波器组成边界元件，保护安装在整流侧边界元件内侧，对模型进行故障模拟，区外单极接地故障，简称EG，以F1点为例，区内正极接地故障，简称PG，以F2点为例，负极接地故障，简称NG，以F3点为例，区内两极线路间短路故障，简称PNG，以F4点为例，高压直流输电系统的故障类型包括：正极故障、负极故障、双极故障和区外故障，采集四种故障情况下的故障电压信号。
步骤2：利用VMD分解算法对故障电压信号预处理，将故障电压信号分解成模态分量；
本发明采用VMD分解算法对故障电压信号进预处理，得到K个具有中心频率的IMF分量，使本实施例的模态分解个数确定为K=6个。
步骤3：利用相关系数算法选取强相关的模态分量，并利用GADF编码将选取的模态分量转换成二维彩色图像；
相关系数是反映等级相关程度的统计分析指标，其公式定义为
Figure 688605DEST_PATH_IMAGE001
（1）
其中，E表示均值，D表示方差，Cov表示协方差，
Figure 238535DEST_PATH_IMAGE002
的取值范围为[-1,1]，
Figure 854324DEST_PATH_IMAGE002
值越大，表示与Y相关性越高，
Figure 600432DEST_PATH_IMAGE003
则X与Y为强相关，步骤3中选取的模态分量与原始信号强相关。
本实施例以区内故障F2点发生故障为例，故障距离8km，过渡电阻100Ω，将原始信号（代表X序列）与经过VMD分解后的各个IMF分量（代表
Figure DEST_PATH_IMAGE015
序列）分别计算二者间的相关系数，计算结果如表1所示，分析表1可知
Figure 250856DEST_PATH_IMAGE016
的相关系数大于0.6，则表示IMF2与原始信号为强相关。因此，本实施例选取IMF2分量作为特征信号。
Figure DEST_PATH_IMAGE017
表1，不同IMF分量与原始信号的相关系数值
步骤3中GADF编码的具体实现方法为：
步骤31：将一维时间序列
Figure 909370DEST_PATH_IMAGE004
归一化，其数值放缩到[-1,1]之间：
Figure 74772DEST_PATH_IMAGE005
（2）
步骤32：将归一化后的时间序列转换到极坐标下，用角度表示时间序列的值，用半径表示时间戳，
Figure 844145DEST_PATH_IMAGE006
（3）
在公示（3）中，θ的取值范围在[0,π]之间，
Figure 411393DEST_PATH_IMAGE007
在[0,π]上单调，因此给定时间序列在极坐标系统下的映射是唯一的，N表示正则化极坐标系统生成空间的常数因子,
Figure 493006DEST_PATH_IMAGE008
表示时间戳，因此通过r坐标保持时间依赖性；
步骤33：GAF编码通过三角函数差运算，得到格拉姆角差场GADF：
Figure 83387DEST_PATH_IMAGE009
（4）
Figure 718768DEST_PATH_IMAGE010
（5）
其中，
Figure 812626DEST_PATH_IMAGE011
是单位行向量,
Figure 875260DEST_PATH_IMAGE012
和
Figure 687358DEST_PATH_IMAGE013
为缩放前后行的序列的行向量，
Figure 126430DEST_PATH_IMAGE014
为两个向量的夹角。因为时间序列的值服从均匀分布[-1,1],编码成的图像具有很大的稀疏性，因此将一维时间序列信号转换成GADF图像，增加了数据的稀疏性，能够剔除多模态冗余信息，同时弱化数据的非线性。
本实施例以图2中F1～F4四种故障情况为例，将采集到的原始故障电压信号经过VMD分解，选取IMF2作为故障特征信号的波形图如图3中(a)(c)(e)(g)所示，再由GADF编码将IMF2分量转换成二维图像，如图3中(b)(d)(f)(h)所示。
步骤4：将步骤3的图像样本分成训练集和测试集，并将训练集送入改进的VGG16模型进行训练，完成网络训练并保存网络模型；
步骤5：将步骤4中的测试集输入训练结束的改进的VGG16模型中进行测试，VGG16模型进行对故障特征进行自适应的提取和分类，从而进行故障判别与选极；
步骤6：根据判别结果，实现相应的保护动作，保护结束。
在本发明中，VGG16模型的网络结构主要改进了传统卷积神经网络的特征提取部分结构，通过利用多个3×3的小卷积核代替5×5的大卷积核的方式来达到减小神经网络计算量的作用，并且不会造成网络感受野的减小，但VGG16模型的全连接层参数量太大导致耗费内存大，同时也会导致网络的计算量大，训练时间过长，其网络结构如图4所示。针对现有VGG16模型的不足，本发明提出了改进的VGG16模型。
在本发明中，为提高VGG16模型对故障信号的诊断能力，首先，加入了BN层，来对训练数据进行归一化处理，有利于加快网络的训练速度；其次，对单一连接的卷积块改用密集连接方式，实现特征的复用以及更好的利用浅层特征信息，避免特征损失；最后利用全局平均池化来代替网络中的全连接层，有效减小网络参数量，提高网络计算速度。最终达到提高网络对直流输电线路故障正确快速识别的效果。
一、加入批归一化层（Batch normalization,BN）
在训练深层网络时，需要对网络参数进行调整，参数初始化，权重系数，学习率等参数的调整对整个网络的训练都起着至关重要的作用。为了简化调参过程，提出BN算法，对训练过程中每层隐藏层输出数据都进行了批归一化处理，这一操作减少了隐藏层数据分布改变对网络的影响，降低了神经网络对参数的依赖性，加快了神经网络的训练速度，提高网络的稳定性。
本发明引入了批归一化层对VGG16模型网络结构进行改进，如图5所示，在每个普通卷积模块中加入BN层，对激活函数的输入数据先进行归一化处理，这样解决了输入数据发生偏移和增大的影响。
二、使用密集连接
针对深层神经网络，卷积层之间若采用单一连接方式，随着网络的加深，深层卷积难以获取到浅层卷积的图像特征，即造成卷积层间的特征丢失。考虑成本和内耗问题，提出VOVNet网络，采用一次性聚合（OSA）模块，只在最后一层一次性聚合前面所有的层，从而有效避免了特征冗余的缺点，同时使各层特征利用更加高效。本实施例采用VOVNet的密集连接方式，对VGG16模型网络的后三个卷积块（blook3～blook5）中的卷积层均采用OSA连接模式，以图6中blook3为例，将卷积层c1,c2,c3通过concat操作在最后一层进行一次性聚合，实现特征的复用，最后利用一个1×1的卷积调整通道数，如图6所示。
三、全局平均池化（Global Average Pooling,GAP）
由于卷积神经网络的全连接层参数非常多，造成网络臃肿且容易引起过拟合，而全局平均池化就是对每张特征图片求平均，剔除了全连接层中黑箱的特征，直接赋予每个channel实际的类别意义，实现过程如图7所示。
本发明采用GAP替代原始VGG16模型中的全连接层，为保持与原始VGG16模型结构上的一致性，加入了三层1×1的卷积层，最后利用softmax层分类，其结构如图8所示，使用1×1的卷积的目的是保持特征图维度不变的情况下，增加网络的非线性。本发明采用这种结构形式，一是为了让改进的VGG16模型网络结构保持与原始VGG16模型网络结构上的相似，二是经过实验验证，增加了1×1卷积层的网络的性能更好，最终的分类准确度更高。
实验研究与分析
1、实验环境与数据
本次实验在深度学习工作站上搭建环境并进行训练，工作站硬件配置为CPU（Intel Xeon Silver 4210）、GPU（RTX 2080Ti）和64G内存；软件配置为Anaconda、Pycharm；编程语言为Python，深度学习框架为Keras。
本发明的样本数据由区内正极故障（PG）,区内负极故障（NG）,区内双极故障（PNG），和区外故障（EG）四种情况下的故障数据组成，采样频率为10kHZ，时间窗取故障前后10ms，区内正极故障，区内负极故障和区内双极故障每类仿真210个样本，即一共210×3=630组样本数据；区外故障仿真396个样本；因此样本数据一共有630+396=1026组，经过GADF转换成1026张图片，其中从四类故障的二维图像中分别挑选25张，一共100张图像组成测试集，剩下926张图像作为训练集，在训练时，以9:1的比例将训练集划分为训练集和验证集。
2、网络训练
网络训练时，输入图片大小为128×128，网络训练200个世代（epoch）,batch size设置为32，学习率设置为0.0001，使用学习率下降策略，连续2轮验证集的损失值未改善，学习率将乘以0.5。
图9和图10为采用本发明的方法，改进的VGG16模型训练时迭代200轮后所获得的Loss变化曲线与准确率变化曲线，从图9和图10分析可知：在迭代到100轮时，准确率开始趋于稳定，训练集的准确率达到99.01%，测试集的准确率达到100%，Loss值下降至0.01左右，此后准确率与Loss趋于稳定,模型完全收敛，由此可以看出本发明的方法对于直流输电线路故障诊断是有效且可靠的。
3、实验结果分析
3.1、数据敏感性分析
1）不同类型故障识别结果分析
为验证VGG16模型对不同类型故障的识别效果,以图2中F1～F4点四种故障情为例，设置4个测试样本，并将测试样本输入训练好的VGG16中进行测试，测试结果对比图如图11所示，对应故障仿真测试结果如表2所示。
分析图11和表2可知，相同故障距离和相同过渡电阻条件下，VGG16模型能够准确实现故障识别和故障选极，表明故障识别模型不受HVDC输电线路故障类型的影响。
Figure 589641DEST_PATH_IMAGE018
表2,不同类型故障仿真验证结果
分析图11和表2可知，相同故障距离和相同过渡电阻条件下，该模型能够准确实现故障识别和故障选极，表明故障识别模型不受HVDC输电线路故障类型的影响。
2)不同过渡电阻故障识别结果分析
为验证发生不同过渡电阻故障时保护算法的性能，设置图2中F1～F4点四种故障情况，故障距离保持不变，设置12个样本构成测试样本集，将测试样本集输入训练好的VGG16模型进行测试，测试结果对比图如图12所示，不同过渡电阻故障仿真验证结果如表3所示。
分析图12和表3可知，本发明所提算法在不同过渡电阻故障情况下，能够准确识别区内外故障和故障选极，说明本发明所提算法具有一定的耐过渡电阻能力。
Figure DEST_PATH_IMAGE019
表3，不同过渡电阻情况下仿真验证结果
3)不同故障距离下故障识别结果
为验证不同故障距离下保护算法的性能，本发明以图2中正极F2点，负极F3点，双极F4点在不同故障距离情况下发生故障，选取12个样本构建测试样本集，输入训练好的VGG16模型中进行测试，测试结果对比图如图13所示，对应的测试仿真验证结果如表4所示。
分析图13和表4可知，在不同故障距离情况下，特别是远端故障时，保护算法仍能正确识别区内外故障和实现故障选极。
Figure 26438DEST_PATH_IMAGE020
表4，不同故障距离情况下的仿真验证结果
3.2、消融实验
为验证改的进网络算法对直流输电线路故障诊断的有效性，本发明采用消融实验进行纵向对比分析，从网络的识别准确率,参数量的大小以及网络检测速度的结果来判断改进算法是否有效，表5为消融实验结果展示。根据表5可知，在VGG16模型网络结构上加入了BN层后，训练集和测试集准确率分别提高了0.96%和0.61%,说明经过批归一化处理减少了隐藏层数据分布改变对网络的影响，减少了网络对参数的依赖性，从而提升了网络故障识别的准确率；使用了密集连接结构对卷积层进行改进后，网络参数量增加61MB，准确率提升了1.65%。说明利用密集连接结构能够获得更加丰富的特征信息，提升了网络对故障的识别效果。使用全局平均池化层代替全连接层进行训练后，网络参数量显著减小了188MB,检测速度(Frame Per Second,FPS)显著提升，每秒检测31张图片，较原始VGG16每秒多处理7张图片，说明全局平均池化层对减小网络参数量起到显著作用同时能够明显加快网络的计算速度。通过消融实验的纵向对比可知每个改进点对网络识别准确率的提升，参数量的减小以及网络检测速度的提高都有不同的效果。最后用新的VGGNet训练相同的数据集得出网络测试集准确率提升了2.69%，网络参数减小了179MB，检测速度为26fps满足速动性要求。说明本发明对VGG16模型的改进真实有效。
Figure DEST_PATH_IMAGE021
表5，消融实验结果
注：“√”表示添加了该结构，“×”表示没有添加该结构
3.3、算法性能分析
1)抗噪性能分析
考虑到实际HVDC输电线路故障情况下会受到噪声影响，因此验证算法的抗噪性能分析显得尤为重要，本发明实验测试数据为添加了不同信噪比的高斯白噪声以模拟真实工作条件下噪声对诊断结果的影响，信噪比（SNR）定义为信号功率与噪声功率的比值，单位为dB，定义如下：
Figure 856991DEST_PATH_IMAGE022
（10）
其中，Ps表示信号功率，Pn表示噪声功率。
本发明设置四种故障类型，三种信噪比30dB，20dB，10dB的情况，一共12组样本，利用训练好的VGG16模型进行预测，测试结果如表6所示。从表6中分析可知，本发明所提算法在远端高阻故障且受噪声干扰情况下仍能实现故障判别，即使在信噪比为10dB的情况下也能实现故障的准确识别。因此，本发明受噪声干扰小，具有一定的抗噪能力。
Figure DEST_PATH_IMAGE023
表6，噪声干扰情况下保护算法性能分析
2)数据丢失性能分析
由于高压直流输电线路实际运行中数据采集依托于现场设备，受环境影响易发生设备故障导致上传的数据中可能存在数据丢失情况。因此为验证本发明抗数据丢失能力，对数据进行随机丢失处理，本发明设置区外故障F1，区内故障F2，F3，F4如图2所示四种故障情况，数据丢失个数设置为15，20，30，50，75个，将测试集分别进行不同程度的数据丢失然后再通过GADF编码转换成二维图像，输入改进的VGG16模型中进行进行抗数据丢失能力测试，得到测试集识别准确率如图14中蓝色曲线所示，为进一步提高模型的抗数据丢失能力与泛化能力，新增100组数据（每组数据丢失个数为25）到原始训练集中构成强化训练集。对改进的VGG16模型再次进行强化训练,使模型对数据丢失特征进行强化学习。之后再利用同样经过数据丢失处理的测试集对强化后的模型进行测试，得到测试集识别准确率如图14中红色曲线所示。
分析图14可知，改进的VGG16模型在未经强化学习时，当数据丢失个数大于30个时，改进的VGG16模型对数据丢失后的图片识别率较低，当数据丢失至50个时，识别准确率仅为84%。而在训练集中添加了少量数据丢失样本，经过强化学习后数据丢失至50个时准确率达到了95%。可见改进的VGG16模型可以迅速学习到数据丢失特征，并在数据大量丢失的环境中，模型识别准确率均获得了较为显著的提升。因此，本发明改进的VGG16模型有较强的泛化能力且受数据丢失情况影响小，有一定的抗数据丢失的能力。
3.4、同网络结构识别效果对比分析
为充分验证GADF-VGG16的优势，与改进前的VGG16模型进行对比验证，同时增加Alexnet和LeNet作为对比实验，均采用以TensorFlow为后端的Keras库实现，所有模型均采用相同的输入，GADF编码后的图片，并按照9:1和8:2的比例划分训练集和验证集，训练结果取五次实验的平均值，实验结果如表7所示。
Figure 37437DEST_PATH_IMAGE024
表7，不同网络故障识别结果
根据表7的结果可知，本发明所提改进的VGG16模型的故障识别准确率均优于其他模型，对故障识别的准确率均在99%以上，其中在训练集与验证集比例为9:1时测试集准确率达到100%，与lenet和alexnet对比，可以看出深层网络模型VGG16的识别效果更佳，是因为深层网络模型可以更好的学习到故障数据的深层抽象特征，将本发明改进后的VGG16模型与未经改进的VGG16模型对比，可以看出，改进后的VGG16模型识别准确率进一步提高。可以说明本发明提出的GADF-VGG16的直流输电线路故障诊断模型可以更加准确高效的识别高压输电线路故障。
3.5、与其他智能故障诊断方法对比
为了进一步验证本发明所提方法的有效性，与现有智能故障诊断方法中的神经网络模型如SVM，BP,ANN,RF，CNN进行对比，得到的测试结果如表8所示，从表8可知，本发明所提模型对输电线路故障的识别率在六种模型中最高，可见，本发明所提方法的模型具有更好的识别效果，能够有效解决输电线路故障识别问题。
Figure DEST_PATH_IMAGE025
表8，模型识别准确率对比
综上，本发明提出了基于GADF-VGG16的高压直流输电线路故障诊断方法，该方法利用GADF编码将一维故障电压信号转换为二维彩色图像，并利用改进的VGG16模型自适应的提取故障特征，实现故障诊断，故障诊断准确率达到较高精度，本发明打破传统思路，将一维故障信号转换成二维彩色图像进行故障特征的自适应提取，更好的结合神经网络在图像处理上的优势，实现HVDC输电线路智能故障诊断，同时，本发明受噪声干扰小，具有一定的抗干扰能力。
以上所述，仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (8)

1.基于GADF-VGG16的高压直流输电线路故障诊断方法，其特征在于，包括以下步骤：
步骤1：利用仿真平台搭建高压直流输电系统模型，采集高压直流输电系统模型中不同故障情况下的电压信号；
步骤2：利用VMD分解算法对故障电压信号预处理，将故障电压信号分解成模态分量；
步骤3：利用相关系数算法选取强相关的模态分量，并利用GADF编码将选取的模态分量转换成二维彩色图像；
步骤4：将步骤3的图像样本分成训练集和测试集，并将训练集送入改进的VGG16模型进行训练，完成网络训练并保存网络模型；
步骤5：将步骤4中的测试集输入训练结束的改进的VGG16模型中进行测试，VGG16模型进行对故障特征进行自适应的提取和分类，从而进行故障判别与选极；
步骤6：根据判别结果，实现相应的保护动作，保护结束。
2.根据权利要求1所述的基于GADF-VGG16的高压直流输电线路故障诊断方法，其特征在于，高压直流输电系统的故障类型包括：正极故障、负极故障、双极故障和区外故障。
3.根据权利要求1所述的基于GADF-VGG16的高压直流输电线路故障诊断方法，其特征在于，步骤3中，相关系数是反映等级相关程度的统计分析指标，其公式定义为
Figure DEST_PATH_IMAGE001
（1）
其中，E表示均值，D表示方差，Cov表示协方差，
Figure 570604DEST_PATH_IMAGE002
的取值范围为[-1,1]，
Figure 171349DEST_PATH_IMAGE002
值越大，表示与Y相关性越高，
Figure DEST_PATH_IMAGE003
则X与Y为强相关，步骤3中选取的模态分量与原始信号强相关。
4.根据权利要求1所述的基于GADF-VGG16的高压直流输电线路故障诊断方法，其特征在于，步骤3中GADF编码的具体实现方法为：
步骤31：将一维时间序列
Figure 369112DEST_PATH_IMAGE004
归一化，其数值放缩到[-1,1]之间：
Figure DEST_PATH_IMAGE005
（2）
步骤32：将归一化后的时间序列转换到极坐标下，用角度表示时间序列的值，用半径表示时间戳
Figure 120031DEST_PATH_IMAGE006
（3）
在公示（3）中，θ的取值范围在[0,π]之间，
Figure DEST_PATH_IMAGE007
在[0,π]上单调，因此给定时间序列在极坐标系统下的映射是唯一的，N表示正则化极坐标系统生成空间的常数因子,
Figure 336117DEST_PATH_IMAGE008
表示时间戳，因此通过r坐标保持时间依赖性；
步骤33：GAF编码通过三角函数差运算，得到格拉姆角差场GADF：
Figure DEST_PATH_IMAGE009
（4）
Figure 576606DEST_PATH_IMAGE010
（5）
其中，
Figure DEST_PATH_IMAGE011
是单位行向量,
Figure 996086DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE013
为缩放前后行的序列的行向量，
Figure 613012DEST_PATH_IMAGE014
为两个向量的夹角。
5.根据权利要求1所述的基于GADF-VGG16的高压直流输电线路故障诊断方法，其特征在于：改进的VGG16模型采用多个3×3的小卷积核。
6.根据权利要求5所述的基于GADF-VGG16的高压直流输电线路故障诊断方法，其特征在于：在卷积块中加入了BN层，对训练数据进行归一化处理，具体为：在每个普通卷积块中加入BN层，对训练过程中每层隐藏层输出数据都进行了批归一化处理,再将数据输入激活函数。
7.根据权利要求6所述的基于GADF-VGG16的高压直流输电线路故障诊断方法，其特征在于：在卷积块中，将单一连接卷积层的方式改用VOVNet网络结构的密集连接方式，具体为：将卷积块中前面所有的层通过concat特征复用，在最后一层一次性聚合，并利用一个1×1的卷积调整通道数。
8.根据权利要求7所述的基于GADF-VGG16的高压直流输电线路故障诊断方法，其特征在于，利用全局平均池化来代替VGG16模型中的全连接层，对每张特征图片求平均，并加入了三层1×1的卷积层，最后利用softmax层分类。
CN202210841364.7A 2022-07-18 2022-07-18 基于gadf-vgg16的高压直流输电线路故障诊断方法 Pending CN114936947A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210841364.7A CN114936947A (zh) 2022-07-18 2022-07-18 基于gadf-vgg16的高压直流输电线路故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210841364.7A CN114936947A (zh) 2022-07-18 2022-07-18 基于gadf-vgg16的高压直流输电线路故障诊断方法

Publications (1)

Publication Number Publication Date
CN114936947A true CN114936947A (zh) 2022-08-23

Family

ID=82867778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210841364.7A Pending CN114936947A (zh) 2022-07-18 2022-07-18 基于gadf-vgg16的高压直流输电线路故障诊断方法

Country Status (1)

Country Link
CN (1) CN114936947A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108387373A (zh) * 2017-12-06 2018-08-10 上海电力学院 基于相关系数改进变分模态分解的滚动轴承故障诊断方法
CN111832509A (zh) * 2020-07-21 2020-10-27 中国人民解放军国防科技大学 一种时空注意力机制的无人机弱小目标探测方法
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
CN112633132A (zh) * 2020-12-18 2021-04-09 合肥工业大学 基于二维振动图像增强的轴承故障诊断方法及系统
CN113281029A (zh) * 2021-06-09 2021-08-20 重庆大学 一种基于多尺度网络结构的旋转机械故障诊断方法及系统
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
CN113780160A (zh) * 2021-09-08 2021-12-10 广东电网有限责任公司广州供电局 一种电能质量扰动信号分类方法和系统
CN113866614A (zh) * 2021-07-02 2021-12-31 国网河北省电力有限公司雄安新区供电公司 一种多场景用户侧低压直流开关电弧故障诊断方法及装置
CN114266339A (zh) * 2021-12-13 2022-04-01 南京理工大学 一种基于小样本和gaf-dcgan的滚动轴承故障诊断方法
CN114638969A (zh) * 2022-02-25 2022-06-17 高新兴科技集团股份有限公司 一种车身多属性检测方法、电子设备、存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108387373A (zh) * 2017-12-06 2018-08-10 上海电力学院 基于相关系数改进变分模态分解的滚动轴承故障诊断方法
CN111832509A (zh) * 2020-07-21 2020-10-27 中国人民解放军国防科技大学 一种时空注意力机制的无人机弱小目标探测方法
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
CN112633132A (zh) * 2020-12-18 2021-04-09 合肥工业大学 基于二维振动图像增强的轴承故障诊断方法及系统
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
CN113281029A (zh) * 2021-06-09 2021-08-20 重庆大学 一种基于多尺度网络结构的旋转机械故障诊断方法及系统
CN113866614A (zh) * 2021-07-02 2021-12-31 国网河北省电力有限公司雄安新区供电公司 一种多场景用户侧低压直流开关电弧故障诊断方法及装置
CN113780160A (zh) * 2021-09-08 2021-12-10 广东电网有限责任公司广州供电局 一种电能质量扰动信号分类方法和系统
CN114266339A (zh) * 2021-12-13 2022-04-01 南京理工大学 一种基于小样本和gaf-dcgan的滚动轴承故障诊断方法
CN114638969A (zh) * 2022-02-25 2022-06-17 高新兴科技集团股份有限公司 一种车身多属性检测方法、电子设备、存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
CN108318249B (zh) 一种旋转机械轴承的故障诊断方法
CN112435221A (zh) 一种基于生成式对抗网络模型的图像异常检测方法
CN111460956B (zh) 一种基于数据增强与损失加权的不平衡心电样本分类方法
CN112818969B (zh) 一种基于知识蒸馏的人脸姿态估计方法及系统
CN104809722A (zh) 一种基于红外热像的电气设备故障诊断方法
CN110175560A (zh) 一种雷达信号脉内调制识别方法
CN105260998A (zh) 基于mcmc采样和阈值低秩逼近的图像去噪方法
CN109471074A (zh) 基于奇异值分解与一维cnn网络的雷达辐射源识别方法
CN109829412B (zh) 基于动态模式分解分形特征的局部放电模式识别方法
CN102279358A (zh) 一种基于mcskpca的神经网络模拟电路故障诊断方法
CN111914705A (zh) 提升电抗器健康状态评估准确率的信号生成方法及装置
CN113496440B (zh) 一种用户异常用电检测方法及系统
CN115201627B (zh) 基于皮尔森相关系数与小波包分解的线路接地故障定位法
CN112801332B (zh) 一种基于灰度共生矩阵的短期风速预测方法
CN114417926A (zh) 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统
CN114936947A (zh) 基于gadf-vgg16的高压直流输电线路故障诊断方法
CN112070104A (zh) 主变压器局部放电识别方法
CN111010356A (zh) 一种基于支持向量机的水声通信信号调制方式识别方法
CN113203914A (zh) 基于dae-cnn的地下电缆早期故障检测和识别方法
CN113514743B (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
CN112507881A (zh) 一种基于时间卷积神经网络的sEMG信号分类方法及系统
CN117113243B (zh) 一种光伏设备异常检测方法
CN116611580A (zh) 一种基于多源数据与深度学习的海洋赤潮预测方法
CN115630612A (zh) 一种基于vae与wgan的软件度量缺陷数据增广方法
CN113343796B (zh) 一种基于知识蒸馏的雷达信号调制方式识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220823

RJ01 Rejection of invention patent application after publication