CN114966312A - 基于迁移卷积神经网络的配电网故障检测定位方法和系统 - Google Patents
基于迁移卷积神经网络的配电网故障检测定位方法和系统 Download PDFInfo
- Publication number
- CN114966312A CN114966312A CN202210542925.3A CN202210542925A CN114966312A CN 114966312 A CN114966312 A CN 114966312A CN 202210542925 A CN202210542925 A CN 202210542925A CN 114966312 A CN114966312 A CN 114966312A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- convolutional neural
- power distribution
- frequency
- 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
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (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)
- Locating Faults (AREA)
Abstract
本发明提供了一种基于迁移卷积神经网络的配电网故障检测定位方法和系统,其中本发明的方法通过利用双曲线窗的S变换方法,对配电网故障信号进行波形预处理;预处理好的数据后,利用时频矩阵进行进一步的样本图像构造,形成分块时频谱作为输入到基于迁移卷积神经网络的特征量;运用迁移卷积神经网络进行故障分析,实现配电网故障类型和故障线路的检测。本发明对电网故障的信息进行基于迁移卷积神经网络的分析获得深层次电网故障信息,解决了拓扑结构差异性的影响,同时对于数据有限的情况,也能精确检测和定位故障,具有通用性。
Description
技术领域
本发明属于电力技术领域,具体涉及一种基于迁移卷积神经网络的配电网故障检测定位方法和系统。
背景技术
伴随经济社会的发展变革,广大居民对电力系统供电质量及持续性的要求越来越高。配电网是电网的重要组成部分,衔接着输电网和电力用户,承担向用户安全可靠供电的重要任务,是改善民生的重要基础设施。配电网设备众多、连接关系复杂,如何在电网发生故障后正确的确定和处理故障将会对配电网的供电稳定性产生较大的影响。长期以来对于电力系统故障诊断的研究都集中于输电网,对于配电网的研究相对较少,由此配电网故障诊断的研究对于调度中心提高配电网故障的处理效率具有重要的意义。
目前,国内外对于配电网故障诊断的方法主要包括行波法,阻抗法,基于人工神经网络的方法,基于解析模型的方法和基于矩阵的方法。但是现有方法均或多或少有些缺点,比如受到拓扑的限制,或者需要大量数据支撑等等。在上述情况下,发展能够快速、准确诊断配电网故障并且对于保护和开关的拒动或者误动以及告警信号的误报或者漏报具有冗余度的故障诊断方法,对于配电网的安全稳定运行是非常必要的。
发明内容
有鉴于此,本发明旨在解决现有配电网故障诊断方法容易受到拓扑的限制,或者需要大量数据支撑,不能快速、准确诊断配电网故障的问题。
为了解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供了一种基于迁移卷积神经网络的配电网故障检测定位方法,包括如下步骤:
获取配电网历史故障时各种信号的故障波形,利用双曲线窗的S变换方法对故障波形进行波形预处理;
将预处理后的波形数据利用时频矩阵进行样本图像构造,得到分块时频谱;
将分块时频谱作为输入,故障类型作为输出进行迁移卷积神经网络的训练;
采集配电网故障时的待测故障波形作为训练好的迁移卷积神经网络的输入进行故障类型识别,将概率最大的输出作为最终判定的配电网故障类型,输出最终判定的配电网故障类型和对应的故障线路。
进一步地,将预处理后的波形数据利用时频矩阵进行样本图像构造,得到分块时频谱,具体包括:
通过带通滤波构造预处理后的波形数据分频带的时频矩阵;
将时频矩阵中各个频带序列按时间进行等分,得到若干个时频块并计算各个频带序列中各时频块的能量;
基于各时频块的能量对分频带的时频矩阵进行处理,得到分块时频谱矩阵。
进一步地,迁移卷积神经网络是利用已完成配电网故障分类训练的卷积神经网络经过迁移学习得到的,具体包括:
利用配电网故障样本训练卷积神经网络,得到完成配电网故障分类训练的卷积神经网络模型;
对卷积神经网络模型进行迁移微调训练,在训练过程中先冻结卷积神经网络模型隐含层的网络参数,重新设置全连接层参数,并且在反向传播时不更新隐含层的网络参数,当全连接层学习完成后解冻隐含层,再整体训练卷积神经网络模型;
将经过迁移微调训练的卷积神经网络模型定义为迁移卷积神经网络,利用配电网故障数据验证迁移卷积神经网络的故障选线效果,以选线正确率对迁移卷积神经网络的选线效果和性能进行评价。
进一步地,利用配电网故障样本训练卷积神经网络,得到完成配电网故障分类训练的卷积神经网络模型,具体包括:
初始化待训练卷积神经网络的结构;
将所有分块时频谱进行预处理,并把所有分块时频谱样本划分为训练集和测试集;
利用训练集不断训练网络直到输出的误差满足精度要求或达到迭代此处上限,每次训练网络时均调整各层的参数;
保存训练结束时各层的最新参数;
将测试集按照故障类型进行标记并利用训练好的卷积神经网络进行分类识别,直到识别率达到设定要求时得到完成配电网故障分类训练的卷积神经网络模型。
进一步地,双曲线窗的S变换方法通过双曲线窗函数对故障波形进行波形预处理,双曲线窗函数具体为:
第二方面,本发明提供了一种基于迁移卷积神经网络的配电网故障检测定位系统,包括:
数据预处理单元,用于获取配电网历史故障时各种信号的故障波形,利用双曲线窗的S变换方法对故障波形进行波形预处理;
图像化单元,用于将预处理后的波形数据利用时频矩阵进行样本图像构造,得到分块时频谱;
识别模型训练单元,用于将分块时频谱作为输入,故障类型作为输出进行迁移卷积神经网络的训练;
故障识别单元,用于采集配电网故障时的待测故障波形作为训练好的迁移卷积神经网络的输入进行故障类型识别,将概率最大的输出作为最终判定的配电网故障类型,输出最终判定的配电网故障类型和对应的故障线路。
进一步地,图像化单元具体用于:
通过带通滤波构造预处理后的波形数据分频带的时频矩阵;
将时频矩阵中各个频带序列按时间进行等分,得到若干个时频块并计算各个频带序列中各时频块的能量;
基于各时频块的能量对分频带的时频矩阵进行处理,得到分块时频谱矩阵。
进一步地,识别模型训练单元中迁移卷积神经网络是利用已完成配电网故障分类训练的卷积神经网络经过迁移学习得到的,具体包括:
利用配电网故障样本训练卷积神经网络,得到完成配电网故障分类训练的卷积神经网络模型;
对卷积神经网络模型进行迁移微调训练,在训练过程中先冻结卷积神经网络模型隐含层的网络参数,重新设置全连接层参数,并且在反向传播时不更新隐含层的网络参数,当全连接层学习完成后解冻隐含层,再整体训练卷积神经网络模型;
将经过迁移微调训练的卷积神经网络模型定义为迁移卷积神经网络,利用配电网故障数据验证迁移卷积神经网络的故障选线效果,以选线正确率对迁移卷积神经网络的选线效果和性能进行评价。
进一步地,利用配电网故障样本训练卷积神经网络,得到完成配电网故障分类训练的卷积神经网络模型,具体包括:
初始化待训练卷积神经网络的结构;
将所有分块时频谱进行预处理,并把所有分块时频谱样本划分为训练集和测试集;
利用训练集不断训练网络直到输出的误差满足精度要求或达到迭代此处上限,每次训练网络时均调整各层的参数;
保存训练结束时各层的最新参数;
将测试集按照故障类型进行标记并利用训练好的卷积神经网络进行分类识别,直到识别率达到设定要求时得到完成配电网故障分类训练的卷积神经网络模型。
进一步地,双曲线窗的S变换方法通过双曲线窗函数对故障波形进行波形预处理,双曲线窗函数具体为:
综上,本发明提供了一种基于迁移卷积神经网络的配电网故障检测定位方法和系统,其中本发明的方法通过利用双曲线窗的S变换方法,对配电网故障信号进行波形预处理;预处理好的数据后,利用时频矩阵进行进一步的样本图像构造,形成分块时频谱作为输入到基于迁移卷积神经网络的特征量;运用迁移卷积神经网络进行故障分析,实现配电网故障类型和故障线路的检测。本发明对电网故障的信息进行基于迁移卷积神经网络的分析获得深层次电网故障信息,解决了拓扑结构差异性的影响,同时对于数据有限的情况,也能精确检测和定位故障,具有通用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于迁移卷积神经网络的配电网故障检测定位方法的流程示意图;
图2为本发明实施例提供的卷积神经网络的基本结构图;
图3为本发明实施例提供的卷积运算的示意图;
图4为本发明实施例提供的池化操作的示意图;
图5为本发明实施例提供的全连层与输出层的结构示意图;
图6为本发明实施例提供的进行配电网故障分类的CNN模型的训练流程图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
对于配电网故障诊断的研究,是配电网重要的研究方向,实现快速、准确的配电网故障研究对于提升配电网的供电质量具有重要的意义。由于长期以来对于电力系统故障诊断的研究都集中于输电网,对于输电网故障诊断的方法比较多也比较成熟,对于配电网的研究则相对较少。同时配电网的元件较多、规模较大,也导致了对于配电网故障诊断的难度要远远大于输电网。在配电网发生故障之后,保护和开关的动作情况会以告警信号的形式传输到调度中心,由调度人员进行分析并进行故障诊断。目前,国内外对于配电网故障诊断的方法主要包括行波法,阻抗法,基于人工神经网络的方法,基于解析模型的方法和基于矩阵的方法。但是现有方法均或多或少有些缺点,比如受到拓扑的限制,或者需要大量数据支撑等等。在上述情况下,发展能够快速、准确诊断配电网故障并且对于保护和开关的拒动或者误动以及告警信号的误报或者漏报具有冗余度的故障诊断方法,对于配电网的安全稳定运行,提高对电力用户的供电质量具有重要的意义。
在现有的对配电网故障诊断与定位的研究中,诊断与定位技术面临着很多问题,配电网结构复杂,多分支,多综合性负荷,其谐波质量、电压波动等因素均会影响定位精度。同时,不同于传统的单电源辐射状配电网,分布式电源的接入使潮流双向流动,大多基于传统保护继电器的方式不再适用,因此需要探索适于配电网结构变化的新方式。目前,配电网故障定位的各种方法都或多或少的存在固有缺陷,阻抗法和图论法需要已知配电网拓扑结构,有时还需要已知接地阻抗,当配电网结构发生变化时需要重新构造关联矩阵;行波法不适于线路很短的配电网,对行波测量设备精度要求极高;人工智能算法广泛面临收敛性和快速性的矛盾问题,容易产生局部故障点。
基于此,本发明提供了一种基于迁移卷积神经网络的配电网故障检测定位方法和系统。
以下对本发明的一种基于迁移卷积神经网络的配电网故障检测定位方法的实施例进行详细的介绍。
请参阅图1,本实施例提供一种基于迁移卷积神经网络的配电网故障检测定位方法,包括:
S100:获取配电网历史故障时各种信号的故障波形,利用双曲线窗的S变换方法对故障波形进行波形预处理。
在本实施例中,采集母线三相电压、零序电压、主变低压侧三相电流等7个故障波形,波形长度都为故障前一周波和故障后两周波,采样频率为10kHz,仿真时长为2s,即采样点数为20000点。统一截取每个波形故障前一周波和故障后两周波共计0.06s长度的波形数据。接着对7个故障波形进行预处理,然后根据实际卷积神经网络的需要,作为卷积神经网络的输入,根据故障初相角、故障电阻、故障点等条件选定训练样本和测试样本。
S变换是将小波变换中小波基用可以随频率变化分辨率的高斯窗函数替换得到的。由于高斯窗不能满足小波的容许条件,所以它并不是简单意义上的连续小波变换。已知小波变换的方程为式(1)所示。
其中式(2)为小波基,将其用式(3)进行替代,S变换的尺度因子d=1/|f|,即得到S变换的公式,S变换定义为:
在S变换中窗函数的伸缩,即窗口宽度是通过1/|f|进行控制的,窗口的平移即窗口在时间轴上的位置是通过τ控制的,由此可知,窗口的平移和伸缩是分开互不干扰的,窗口在时间轴上平移时可以不改变窗口的宽度,窗函数的形状不会发生改变;同样,窗口形状变化时,窗口伸缩也不影响窗口的位置移动情况。
S变换的核函数与傅立叶变换的核函数相比多了一个窗函数,窗函数的宽度是与频域成反比的,即在信号分析过程中窗口的宽度是在改变的,当f变小时,窗口变大,当f变大时,窗口变小,克服了傅立叶变换窗口宽度一旦确定就不能改变的缺点。S变换与傅立叶变换相似,所以计算过程比较简单,可以进行快速计算,计算速度快,计算得到的结果是时间和频率的关系,与小波变换得到的时间与尺度的关系相比更加直观和精确。S变换表示的局部信号的时频特征,如果将最终得到的结果在时间上积分,则可以得到信号的傅立叶变换:
S变换的时域窗口宽度为
S变换的频域窗口宽度为
S变换与以Morlet作为小波基的小波变换类似,在S变换中加入了相位因子e-j2πft,使得它保持了傅立叶变换中相位信息,能够进行准确的参数识别。所以S变换变换继承了小波多分辨率的优点,同时保留了傅立叶相位信息,将这两者的优势集于一身,在频率识别时能够更加精准。
为了保证S变换的可逆性,要求窗函数的面积为1,即:
S变换的逆变换是通过傅立叶变换公式推导出的,具有逆变换无损性,不会损失信号的能量。S变换的逆变换定义为:
S变换与其他信号处理方法相比具有以下优势:它是一种线性变换;保留了信号相位信息;保留了多分辨率分析的特点;S变换得到的结果是时间与频率的关系,避免了小波变换中尺度与频率的转换。但是它自身还存在一些问题,S变换的窗宽与频率成反比,在信号的某些频率范围内窗口的宽度是适合的,但在另外一些范围内是不合适的,比如在低频范围内窗的宽度变大速度过快,窗宽过大,使得分辨率不再适合信号分析,在高频处,如果窗函数变得过窄,可能会小于信号的波长,就会在信号分析时出现失真现象,但是窗口的变化趋势是不能改变的,为了使窗口的大小及变化趋势更符合信号的需要,使得计算得到的时频图聚集性达到更好的效果,提出改进S变换的方法。
改进方法主要分两个思路,首先是对S变换的窗函数的大小及变化趋势进行改进,主要方法是在窗函数中加入参数,通过控制参数值的大小来改变窗宽,其次是通过调整窗函数的类型,克服S变换中高斯窗函数带来的弊端。
将改进后的S变换称为广义S变换,广义S变换是将S变换中的高斯窗函数用广义的窗函数进行替换得到的。广义S变换的表达式:
其中w(t,f,p)表示改进后的窗函数,在窗函数中增加了参数统一用P表示,通过参数P调整窗的宽度,进而可以控制在每个时间点和频率点处的分辨率,使信号各个频率点处的分辨率都是合适的。在每个频率f处窗函数宽度一经确定就不再改变,窗函数在时间轴上进行移动,窗的形状、大小都不改变,窗在时间轴上的位置由参数t确定。
由S变换的性质可知在对S变换进行改进时,需要满足条件:
对广义S变换在时间方向上进行积分可以得到信号x(t)的傅立叶变换:
信号x(t)与x(f)是互逆的,由x(t)经过傅立叶变换得到x(f),由x(f)经过傅立叶逆变换可以得到x(t),所以由上式可以得出,x(t)和S(t,f,p)也是可逆的,由x(t)经过广义S变换可得S(t,f,p),将S(t,f,p)在时域上积分,得到傅立叶变化,再由傅立叶变换的结果经过傅立叶逆变换得到信号x(t),所以s(t,f,p)经过逆变换也可得到x(t)。
为了将快速傅立叶变换应用在广义S变换中,提高计算速度,运用卷积定理,所以将广义S变换公式进行变形,得到一种新的形式:
式中X(α+f)和W(α,f,p)分别表示信号和窗函数的傅立叶变换结果:
式中α与f一样,都是表示的频率变量,信号在时域中变换到频域时乘了一个e-j2παt,所以在频域中X(f)就变为X(α+f)。
广义S变换的优势是具有很好的信号局部处理能力,在相邻的频率中具有很高的分辨效果,尽可能准确地识别信号随时间及频率变化的信息,所以窗函数在两个域中都要尽可能的窄,和S变换中的窗一样要满足不确定性定理,即时间域上的宽度Δt和频率域上的宽度Δω的乘积具有最小值。
广义S变换保留了原S变换的可逆性及其与傅立叶谱的关系,因此,广义S变换可以使用仅在特定时间范围内激活的带限滤波器用于时频滤波。
在上述中对S变换改进时引入参数,带来的影响是仅仅改变窗的高宽,不改变形状。将S变换中的对称窗改成形状不对称的窗函数,使窗口具有更大的灵活性,增强了对窗口功能的控制,用以扩展S变换的应用范围,增强时频分析结果的精准性。
一些情况下需要判断信号在频率变化时的时间信息,需要在时间域里的窗函数宽度变窄,增强时间的识别能力,例如可以将上述中的γGS取一个较小值,ωGS的时域窗宽就会变得很小,可以更好的识别出频率在哪些时刻有变化,也可以很好的识别出变化的特征,具有更好的判别效果,但是必然会导致在频率域中窗的宽度变大,频率的分辨效果变差,致使在频率识别时有一些损失,因此对信号的在全局范围内的信息识别会产生一定的影响。所以在使用上述中提到的窗函数时为了改变时间分辨率只能使窗宽变小,影响了频率分辨率,反过来说为了顾及到频率分辨率,减小频域内的窗宽,则时间分辨率又不能达到要求,在拾取信号信息时总会有一些参数是不精确的。为了解决这一问题,本实施例使用了非对称窗构成的S变换,旨在提高高斯S变换的信号分析时起始时间分辨率。
然而,使用高斯函数的一个问题是,由于前锥度较长,时间-频率谱中的时间分辨率降低。为了解决这一问题,本实施例使用广义S变换,其中包括不对称窗口,包括具有复杂缩放特性的窗口,包括与频率相关的形状。首先,利用广义S变换计算给定窗口形状和宽度下信号的振幅分布,并将其作为时间和频率的函数。然后确定最大振幅的位置,并计算该位置处的瞬时相位。然后用相同的窗口和振幅、相位、频率和时间值合成组件的估计值,并从原始信号中减去。通过改变窗口的形状和宽度,可以找到一种组合,它可以将剩余信号的能量最小化,从而表示与真实组件的最佳匹配。在给定的迭代次数内重复该过程,或者直到剩余信号的振幅低于预设阈值,从而将原始信号分解为一组组件和一个低振幅的剩余信号。研究的窗函数库包括高斯函数、简单指数衰减函数、余弦函数幅度调制和余弦函数相位调制,这种方法可以扩展到包括任何其他合适的函数。这个广义的S变换保留了原始的可逆性。
计算信号广义S变换的过程,具体步骤如下:
步骤(1):使用快速傅里叶变换函数计算信号的前向傅立叶变换;
步骤(2):将负频率的振幅设为零,使正频率的振幅加倍,从而产生分析信号的频谱;
步骤(3):为所需频率f和窗口参数生成所选窗口函数的傅立叶变换;
步骤(4):将分析信号的频谱沿负频率方向移动f;
步骤(5):用窗函数的傅立叶变换的复共轭数乘以位移谱;
步骤(6):用逆傅立叶变换函数计算反傅立叶变换;
步骤(7):计算产生的复杂信号的振幅和相位;
步骤(8):对所需范围内的不同频率值重复步骤(3)至(7)。
实现使用广义S变换分解信号的过程,具体步骤如下:
步骤(1):计算原始信号的总能量。
步骤(2):从可用的窗口库中选择一个窗口函数。
步骤(3):为窗口功能选择一个或多个参数。
步骤(4):如上所述,使用信号的广义S变换计算信号的时间-频率分布。
步骤(5):找到时间-频率分布的最大振幅,找到它发生的频率和时间,然后计算该点的瞬时相位。
步骤(6):用振幅、相位、频率和时间,并且具有相同的窗口功能和窗口参数。
步骤(7):从信号中减去合成成分。
步骤(8):将所有合成成分的能量和剩余信号相加,如果这个总和,即总能量与原始信号的总能量显著不同,则标记警告。
步骤(9):对一系列不同的窗口参数重复步骤(3)至(8),直到找到最小化剩余信号能量的参数或一组参数。
步骤(10):对每个不同的窗口函数重复步骤(2)到(9),选择最小化剩余信号能量的函数。
重复步骤(2)到(10),或者进行预定次数的传递,或者直到剩余的信号包含小于指定能量。在步骤(9)和(10)中循环的嵌套以找到最佳窗口函数和窗口参数将乘以在步骤(4)中必须计算的时间-频率分布的次数。一些窗口可能有多个参数。
解决这个问题的一种方法是使用一个不对称窗口,在进行信号分析时,一般更关注的是时间发生的时间,但是在对称的窗函数中,由于窗的前沿较宽,使得时间分辨效果变差,不能很好的识别时间参数,所以采用了对称窗函数,在窗的前半部分让曲线更陡峭,增加分辨效果,让窗的后半部分变平缓,起到窗函数补偿的作用。后半部分变宽,会减少事件结束时间的判断,为了提高更好的分析信号事件发生时间,牺牲了事件终止时间的分辨率。在分析时既需要分析对信号的特征,该特征指的是在时频平面上的一个可识别的区域,该区域具有有限的振幅,并且被振幅可以忽略的区域包围,或者被其他具有有限振幅的区域包围,这些区域的特征允许从所讨论的区域进行视觉区分的一些规律及特点。在高频下,窗口窄,时间分辨率好,应该使用更对称的窗口。在窗口较宽且频率分辨率不太关键的低频下,频率分辨率不太重要,可以使用更不对称的窗口来防止事件在S变换中出现得太远。基于这个概念设计了“双曲线”窗口。双曲窗是伪高斯窗,窗函数定义为:
其中
在式(18)中x是(τ-t)中的双曲线,曲线的左右形状依赖于两个参数和其中函数下降沿参数为数值越大,曲线后沿的斜率就越大,曲线后沿越陡峭;函数上升沿参数是曲线前沿的斜率与它是呈正相关的,值越大,斜率绝对值越大,曲线就与陡峭。(假设)和正曲率参数λHY,它是决定曲线对称性的,它的值越大,窗函数的对称性随频率变化的速度就越快。ζ的平移确保了ωHY的峰值出现在(τ-t)=0处;ζ被定义为
虽然双曲S变换的数学表达式比高斯S变换更复杂,但双曲S变换不难编译。
在f=0附近,ωHY是非常不对称的,但是随着f的增加,ωHY的形状向ωGS的形状收敛(即对称窗口)。水平和垂直膨胀的模糊效应ωHY在f变化时会出现,使得频率相关不对称难以视觉辨别。为了解决这个问题,水平和垂直地放大了每个高斯窗口,使得它们都具有1的最大高度和1的标准偏差。在这种重新标度之后,可以看出ωGS在f=2时比在f=0.5时不对称。如果选择较大的值,随着f的增加,从不对称窗口到对称窗口的形状变化会更快。经验上发现,当和时,工作最好的λHY的值略小于1/fp,其中fp是时间序列上重要事件的峰值频率。
S200:将预处理后的波形数据利用时频矩阵进行样本图像构造,得到分块时频谱。
卷积神经网络目前多用于图像识别,其输入对象是图像。为了便于利用迁移卷积神经网络进行故障分类识别,本实施例利用时频矩阵进行进一步的样本图像构造,形成分块时频谱作为输入到基于迁移卷积神经网络的特征量。
为了更直观地表现各个故障波形在时域和频域上的特征,通过带通滤波构造各个故障波形分频带的时频矩阵。假设故障波形经带通滤波后分解为m个子频带,各个波形采样点数均为n,各个子频带波形的数据点为aij(i=1,2,...,m;j=1,2,...n),则可得到时频矩阵为
其中,时频矩阵A的行表示故障波形经带通滤波后各个子频带的重构波形数据,列表示故障波形的采样时刻。时频矩阵A完整地表现了故障波形在各个子频带上的时频特征,囊括了故障波形中的暂稳态信息,又按频带对它们加以分离,有利于特征量的提取。
根据奇异值分解理论,对于一个实矩阵Am×n,必定存在2个正交矩阵Vm×m、Un×n和一个对角矩阵使得成立,其中为实矩阵A的奇异值,A的秩为r(A)=min(m,n),V=(v1,v2,...,vm)为AAT的单位特征向量,U=(u1,u2,...,un)为ATA的单位特征向量,则
奇异值分解可理解为将一个秩为r的矩阵An×n分解成r个秩为1的m×n阶矩阵的加权和,其中每个矩阵分别由2个特征向量ui和vi相乘得到,权值为矩阵Ai的奇异值式(23)表示矩阵A进行奇异值分解后得到一系列的子矩阵Ai和与之相对应的奇异值这两者可以反映该矩阵中包含时频信息的多少,一定程度上表征该矩阵的固有特征模式。矩阵奇异值变化量的平方和不超过扰动矩阵的范数,当矩阵A的元素受到干扰或发生畸变时,矩阵的奇异值变化小,稳定性良好,因此在模式识别问题中,矩阵的奇异值常作为表征信号的特征量。
对故障波形经带通滤波重构后的时频矩阵A进行奇异值分解,每个故障波形对应的时频矩阵可以分解得到N个奇异值,1≤N≤min(m,n),其中非零奇异值的个数代表故障波形时频矩阵A中包含不同特征模式的数量,其值的大小代表相应特征模式在总模式中所占比重,表征故障波形的特性。奇异值作为稳定的矩阵代数参量,兼具良好的鲁棒性和泛化能力,对配电网多而杂的故障情况能够表现出较强的适应性。
利用频带波形数据重构时频矩阵,并进行奇异值分解,可得到零序电压的10阶奇异值,零序电压的奇异值比重主要集中在前4阶奇异值。为了提取主特征向量,定义奇异值累积贡献率k,并选取累积贡献率达到85%,即k>85%后的前s个奇异值作为主奇异值。
式中:λi为某组奇异值中的元素,r为该组奇异值的总个数。
在不同故障点、不同故障类型下,k>85%时,s的值并不相同。统一选取7个故障波形相应的前5个奇异值(共35个奇异值)作为配电网故障类型识别的特征量,并将这些奇异值合并成1×35的特征向量矩阵X。对上述AG故障例子中的7个故障波形采用带通滤波与时频矩阵奇异值分解后,用提取到的奇异值特征量作为比对,从而区分故障类型。
假设某个故障波形的时频矩阵如式(22)所示,故障波形被分解为m个频带,每个频带n个数据点。为了能够充分将故障信号的局部化特征呈现出来,将时频矩阵中各个频带(每一行)序列按时间进行Z等分,得到Z个时频区域,称为时频块,每个时频块含有P个数据点(P=n/Z),则定义第m个频带中第z个时频块的能量为
将如式(22)所示的整个时频矩阵按式(25)处理后可得到分块时频谱矩阵如下
在分块时频谱矩阵E中,每个元素表示一个时频块的能量,按照频带和时序进行排列,每一行共有Z个元素。Z值的选取对故障识别准确率有较大影响:Z若取得过小,则得到的时频块能量将无法表达细微的局部特征;Z若取得过大,则使得分块时频谱的图像较大,增加了卷积神经网络的运算量。综合考虑且经大量实验验证,Z值取为60,可以较好地规避上述两个问题。时频块的能量与数字图像中的像素有相似之处。若将E的元素按照其自身排列顺序进行绘图,可以得到一幅分块时频谱图。若将7个故障波形对应的分块时频谱图按三相电压、三相电流、零序电压的顺序从上至下拼接,即可得到总的分块时频谱Etotal,其矩阵表达形式为
同样以上述故障实例故障信号对应的时频矩阵作进一步的特征量构造,按照前述分块时频谱的构造方法,提取得到该组故障信号对应的分块时频谱图像。分块时频谱中的每一行表示故障波形的某一频带,共有7个故障波形,每个波形对应10个频带,因此共有70行,所以分块时频谱图像大小为70×60。经过大量的实验验证,绝大部分分块时频谱中,各个故障信号的后5个频带的分块能量占所有频带能量的比重极小,因此将每个故障信号的后5个频带的分块能量舍去,则分块时频谱的图像大小缩减为35×60。同时,鉴于向卷积神经网络输入正方形图像(长宽相同)更方便卷积神经网络的卷积和下采样,故对分块时频谱进行进一步的裁剪:舍去每个波形频带的前10个和后15个能量块,保留中间的35个能量块,时间范围落在故障前半个周波和故障后一个半周波,经过剪裁处理后,仍然能够有效地保留住故障信号在故障前后的暂稳态特征,并且还能进一步抑制边界效应的影响。
S300:将分块时频谱作为输入,故障类型作为输出进行迁移卷积神经网络的训练。
卷积神经网络的基本结构如图2所示。基于迁移卷积神经网络主要由输入层、卷积层、池化层、全连接层,输出层和迁移学习构成。从图2可以看出,隐含层由卷积层和池化层构成,卷积层负责对输入数据进行特征提取,池化层负责对卷积层的输出进行降维,卷积层与池化层交替连接共同完成对原始数据的特征挖掘。将二维池化层数据展开作为全连接层的输入,完成对数据的分类任务,具体步骤如下:
步骤1:卷积层。
卷积神经网络的卷积运算相当于将输入矩阵与卷积核矩阵进行内积运算。卷积运算如图3所示,图中卷积核大小为2×2,在卷积神经网络中,同一层有多个卷积核,每个卷积核大小相同,卷积核在输入矩阵上按照一定顺序移动,同时与其所在位置对应的矩阵的每个元素进行相乘再求和的操作,当卷积核遍历了输入矩阵的所有位置后,便得到了卷积运算后的输出矩阵,例如在图3中,输入矩阵中所圈矩阵的大小与卷积核大小相同,两个位置中的矩阵与卷积核进行卷积运算,便得到了输出矩阵中的矩阵。不同滑动步长(Stride)对卷积运算的影响不同,通过调整滑动步长,可以改变输出矩阵的大小。对输入样本进行填充(Padding)操作,可以保持边界信息。
为了选择合适的卷积层参数,清楚输入矩阵大小x×x,卷积核大小k×k,stride(s),padding(p),输出矩阵大小y×y之间的关系是必要的,五者之间的关系如式(20)所示。
卷积运算的结果不能直接作为下一层的输入,需要通过激活函数,将卷积运算的结果激活作为下一层的输入,激活函数有Sigmoid、Tanh、ReLU等,本专利选取ReLU作为卷积层的激活函数。
步骤2:池化层。
对卷积层输出的数据进行池化操作,可以减小数据的尺寸,同时还可以防止过拟合。主要的池化方法包括最大池化和平均池化两种,如图4所示,在图中,采用Stride=2,在2×2的区域上对相同的输入矩阵分别进行最大池化和平均池化操作,得到不同的输出矩阵。最大池化是选取对应区域内元素的最大值作为输出,比如,在图4中,左上角区域内共有1、3、4、8这四个元素,最大值为8,则输出的元素就为8,通过对所有区域进行相同操作,便得到了输出矩阵。平均池化则是选取对应区域内元素的平均值作为输出,同样在图4中,对左上角区域内的四个元素求平均值,结果为4,则输出就为4。输入矩阵大小x×x,池化区域大小n×n,步长stride(s),输出矩阵大小y×y四者之间的关系如式(21)所示。
步骤3:全连接层与输出层。
池化层的输出结果是多个二维矩阵,将每个矩阵的每个元素与全连接层的神经元相连接,实现从矩阵数据到一维数据的转变。卷积层和池化层对数据进行特征挖掘,全连接层和输出层对特征进行分类。全连层与输出层结构如图5所示。
步骤4:迁移学习
迁移学习可以利用已经标注好的数据,保证新任务上的模型精度,按照特征空间、迁移情景和迁移方法来具体分类迁移学习。分类方法中基于模型的迁移方法,主要是迁移网络参数和模型来帮助训练小样本集下的新模型。迁移学习与深度学习结合应用的模式已在图像识别领域成熟应用,为小规模数据集下的目标识别提供了新思路,本发明将采用基于模型的迁移学习来实现两者结合应用。
在确定了所用迁移学习方法的基础上,实际应用时如何正确的迁移网络模型十分关键。根据迁移学习准则,由于本发明可以解决故障数据集小的状况,此时无需重新训练网络模型,只需将CNN模型用来提取故障数据中的特征,然后随机化CNN的全连接层参数,重新定义与目标任务有联系的输出层,最后在小样本数据集下,重新训练网络得到新的全连接层,这样就获得了适用于目标任务的新模型。
CNN主要应用在图像识别领域,对于图像具有较好的特征学习能力,但CNN的学习效果受网络结构和数据量影响,网络结构的设计灵活性高,没有理论指导,目前研究主要依据已有经验,对于数据量对网络学习性能的影响问题,已有解决办法。迁移学习和CNN的结合应用可以实现其在小样本数据集下的应用。基于此,本发明引入了迁移学习方法,来解决网络训练的故障数据量不足问题,将迁移学习应用在卷积神经网络中实现目标任务,具体步骤如下:
步骤(1):模型预训练
CNN模型的充分训练离不开大量的训练样本,使得网络获得较好的特征学习能力。但在故障选线任务中,可供训练的样本数据非常有限,不能达到CNN模型训练的数据规模。因此本发明选择完成配电网故障分类的CNN模型作为研究的预训练模型,该模型的源域数据与本文研究的目标域数据相似性强,有助于预训练模型进行迁移。
步骤(2):模型迁移微调训练
由于预训练模型CNN具备提取电网数据图像特征的能力,非常适合作为故障时频图像的特征提取器,提取主要特征信息。在模型的迁移微调训练过程中,需要冻结隐含层的网络参数,重新设置全连接层参数,反向传播时不更新隐含层的参数,当全连接层的参数学习的差不多的时候,解冻隐含层,再整体训练整个网络,使网络适用于故障选线任务。
步骤(3):故障选线
本实施例将经过迁移微调训练的CNN模型定义为迁移卷积神经网络(TransferConvolutional Neural Network,T-CNN)。利用小样本数据来验证T-CNN模型的选线效果,以选线正确率分析对T-CNN模型的选线效果和性能进行评价。
另外,针对迁移卷积神经网络的预训练模型。完成配电网故障分类的CNN模型的训练是对故障信号进行带通滤波后,构造分块时频谱,得到一系列的训练样本和测试样本,接着利用卷积神经网络进行配电网故障类型的分类识别。输出层输出一个10×1的类型判别向量,输出结果中的每个元素值均在[0,1],取最大值元素所在的位置编号作为最终判别的故障类型编号,其对应关系为1:AG;2:BG;3:CG;4:ABG;5:ACG;6:BCG;7:AB;8:AC;9:BC;10:ABC。CNN输出结果表示的是输入图像属于某一故障类型的概率,并取概率最大的类型作为最终判定结果。
如图6所示,具体训练过程如下:
步骤(1):初始化CNN网络结构,包括每个卷积层的卷积核大小、数量和输出特征图数量(卷积步长默认为1),每个下采样层的采样窗口大小、下采样方式、下采样步长等,设置每批迭代样本数量、迭代上限次数等;
步骤(2):将所有分块时频谱样本的图像大小调整为35×35,即为输入层要求的输入图像大小;把所有样本分为训练集、测试集;
步骤(3):初始化参数,将各层权值ω、偏置项b等初始化为接近0的随机数;将超参数a、λ初始化为足够小的随机数,并设置随着训练次数增加时这两个参数的调整策略;
步骤(4):定义各层之间的相关矩阵;
步骤(5):开始训练网络,进行一次前向传播,按顺序计算出每层的激活值,然后计算输出层实际输出值与给定类型值的误差;
步骤(6):将步骤(5)计算得到的误差值进行反向传播,分别计算每层权值和偏置项的调整量,并判断是否需要进行超参数的更新;
步骤(7):根据步骤(6)计算得到的调整量,调整各层权值和偏置项;
步骤(8):重复步骤(5)~步骤(7),直到误差满足精度要求或达到迭代次数上限;
步骤(9):训练结束,保存训练结束时的各项最新参数。
再测试以故障类型为标签的故障样本数据,通过卷积层对原始数据进行特征提取时,将测试样本按照故障类型进行标记,并利用训练完成的CNN对测试样本进行分类识别,分类识别规则如表1所示,其中Y1~Y10表示CNN的类型输出向量的10个元素。
表1故障类型分类识别规则
按照上述规则训练得到迁移卷积神经网络。
S400:采集配电网故障时的待测故障波形作为训练好的迁移卷积神经网络的输入进行故障类型识别,将概率最大的输出作为最终判定的配电网故障类型,输出最终判定的配电网故障类型和对应的故障线路。
本实施例提供一种基于迁移卷积神经网络的配电网故障检测定位方法,通过利用双曲线窗的S变换方法,对配电网故障信号进行波形预处理;预处理好的数据后,利用时频矩阵进行进一步的样本图像构造,形成分块时频谱作为输入到基于迁移卷积神经网络的特征量;运用迁移卷积神经网络进行故障分析,实现配电网故障类型和故障线路的检测。本发明对电网故障的信息进行基于迁移卷积神经网络的分析获得深层次电网故障信息,解决了拓扑结构差异性的影响,同时对于数据有限的情况,也能精确检测和定位故障,具有通用性。
以上是对本发明的一种基于迁移卷积神经网络的配电网故障检测定位方法的实施例进行的详细介绍,以下将对本发明的一种基于迁移卷积神经网络的配电网故障检测定位系统的实施例进行详细的介绍。
本实施例提供了一种基于迁移卷积神经网络的配电网故障检测定位系统,包括:
数据预处理单元,用于获取配电网历史故障时各种信号的故障波形,利用双曲线窗的S变换方法对故障波形进行波形预处理。
需要说明的是,双曲线窗的S变换方法通过双曲线窗函数对故障波形进行波形预处理,双曲线窗函数具体为:
图像化单元,用于将预处理后的波形数据利用时频矩阵进行样本图像构造,得到分块时频谱。
需要说明的是,图像化单元具体用于通过带通滤波构造预处理后的波形数据分频带的时频矩阵;将时频矩阵中各个频带序列按时间进行等分,得到若干个时频块并计算各个频带序列中各时频块的能量;基于各时频块的能量对分频带的时频矩阵进行处理,得到分块时频谱矩阵。
识别模型训练单元,用于将分块时频谱作为输入,故障类型作为输出进行迁移卷积神经网络的训练。
需要说明的是,识别模型训练单元中迁移卷积神经网络是利用已完成配电网故障分类训练的卷积神经网络经过迁移学习得到的,具体包括:
利用配电网故障样本训练卷积神经网络,得到完成配电网故障分类训练的卷积神经网络模型;
对卷积神经网络模型进行迁移微调训练,在训练过程中先冻结卷积神经网络模型隐含层的网络参数,重新设置全连接层参数,并且在反向传播时不更新隐含层的网络参数,当全连接层学习完成后解冻隐含层,再整体训练卷积神经网络模型;
将经过迁移微调训练的卷积神经网络模型定义为迁移卷积神经网络,利用配电网故障数据验证迁移卷积神经网络的故障选线效果,以选线正确率对迁移卷积神经网络的选线效果和性能进行评价。
进一步地,利用配电网故障样本训练卷积神经网络,得到完成配电网故障分类训练的卷积神经网络模型,具体包括:
初始化待训练卷积神经网络的结构;
将所有分块时频谱进行预处理,并把所有分块时频谱样本划分为训练集和测试集;
利用训练集不断训练网络直到输出的误差满足精度要求或达到迭代此处上限,每次训练网络时均调整各层的参数;
保存训练结束时各层的最新参数;
将测试集按照故障类型进行标记并利用训练好的卷积神经网络进行分类识别,直到识别率达到设定要求时得到完成配电网故障分类训练的卷积神经网络模型。
故障识别单元,用于采集配电网故障时的待测故障波形作为训练好的迁移卷积神经网络的输入进行故障类型识别,将概率最大的输出作为最终判定的配电网故障类型,输出最终判定的配电网故障类型和对应的故障线路。
需要说明的是,本实施例提供的故障检测定位系统用于实现前述实施例提供的检测定位方法,各单元的具体设置均以完整实现该方法为准,在此不再赘述。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于迁移卷积神经网络的配电网故障检测定位方法,其特征在于,包括如下步骤:
获取配电网历史故障时各种信号的故障波形,利用双曲线窗的S变换方法对所述故障波形进行波形预处理;
将预处理后的波形数据利用时频矩阵进行样本图像构造,得到分块时频谱;
将所述分块时频谱作为输入,故障类型作为输出进行迁移卷积神经网络的训练;
采集配电网故障时的待测故障波形作为训练好的所述迁移卷积神经网络的输入进行故障类型识别,将概率最大的输出作为最终判定的配电网故障类型,输出所述最终判定的配电网故障类型和对应的故障线路。
2.根据权利要求1所述的基于迁移卷积神经网络的配电网故障检测定位方法,其特征在于,将预处理后的波形数据利用时频矩阵进行样本图像构造,得到分块时频谱,具体包括:
通过带通滤波构造预处理后的波形数据分频带的时频矩阵;
将时频矩阵中各个频带序列按时间进行等分,得到若干个时频块并计算各个频带序列中各时频块的能量;
基于所述各时频块的能量对所述分频带的时频矩阵进行处理,得到分块时频谱矩阵。
3.根据权利要求1所述的基于迁移卷积神经网络的配电网故障检测定位方法,其特征在于,所述迁移卷积神经网络是利用已完成配电网故障分类训练的卷积神经网络经过迁移学习得到的,具体包括:
利用配电网故障样本训练卷积神经网络,得到完成配电网故障分类训练的卷积神经网络模型;
对所述卷积神经网络模型进行迁移微调训练,在训练过程中先冻结所述卷积神经网络模型隐含层的网络参数,重新设置全连接层参数,并且在反向传播时不更新所述隐含层的网络参数,当所述全连接层学习完成后解冻所述隐含层,再整体训练所述卷积神经网络模型;
将经过所述迁移微调训练的卷积神经网络模型定义为所述迁移卷积神经网络,利用配电网故障数据验证所述迁移卷积神经网络的故障选线效果,以选线正确率对所述迁移卷积神经网络的选线效果和性能进行评价。
4.根据权利要求3所述的基于迁移卷积神经网络的配电网故障检测定位方法,其特征在于,利用配电网故障样本训练卷积神经网络,得到完成配电网故障分类训练的卷积神经网络模型,具体包括:
初始化待训练卷积神经网络的结构;
将所有所述分块时频谱进行预处理,并把所有分块时频谱样本划分为训练集和测试集;
利用所述训练集不断训练网络直到输出的误差满足精度要求或达到迭代此处上限,每次训练网络时均调整各层的参数;
保存训练结束时各层的最新参数;
将所述测试集按照故障类型进行标记并利用训练好的卷积神经网络进行分类识别,直到识别率达到设定要求时得到所述完成配电网故障分类训练的卷积神经网络模型。
6.基于迁移卷积神经网络的配电网故障检测定位系统,其特征在于,包括:
数据预处理单元,用于获取配电网历史故障时各种信号的故障波形,利用双曲线窗的S变换方法对所述故障波形进行波形预处理;
图像化单元,用于将预处理后的波形数据利用时频矩阵进行样本图像构造,得到分块时频谱;
识别模型训练单元,用于将所述分块时频谱作为输入,故障类型作为输出进行迁移卷积神经网络的训练;
故障识别单元,用于采集配电网故障时的待测故障波形作为训练好的所述迁移卷积神经网络的输入进行故障类型识别,将概率最大的输出作为最终判定的配电网故障类型,输出所述最终判定的配电网故障类型和对应的故障线路。
7.根据权利要求6所述的基于迁移卷积神经网络的配电网故障检测定位系统,其特征在于,所述图像化单元具体用于:
通过带通滤波构造预处理后的波形数据分频带的时频矩阵;
将时频矩阵中各个频带序列按时间进行等分,得到若干个时频块并计算各个频带序列中各时频块的能量;
基于所述各时频块的能量对所述分频带的时频矩阵进行处理,得到分块时频谱矩阵。
8.根据权利要求6所述的基于迁移卷积神经网络的配电网故障检测定位系统,其特征在于,所述识别模型训练单元中所述迁移卷积神经网络是利用已完成配电网故障分类训练的卷积神经网络经过迁移学习得到的,具体包括:
利用配电网故障样本训练卷积神经网络,得到完成配电网故障分类训练的卷积神经网络模型;
对所述卷积神经网络模型进行迁移微调训练,在训练过程中先冻结所述卷积神经网络模型隐含层的网络参数,重新设置全连接层参数,并且在反向传播时不更新所述隐含层的网络参数,当所述全连接层学习完成后解冻所述隐含层,再整体训练所述卷积神经网络模型;
将经过所述迁移微调训练的卷积神经网络模型定义为所述迁移卷积神经网络,利用配电网故障数据验证所述迁移卷积神经网络的故障选线效果,以选线正确率对所述迁移卷积神经网络的选线效果和性能进行评价。
9.根据权利要求8所述的基于迁移卷积神经网络的配电网故障检测定位系统,其特征在于,利用配电网故障样本训练卷积神经网络,得到完成配电网故障分类训练的卷积神经网络模型,具体包括:
初始化待训练卷积神经网络的结构;
将所有所述分块时频谱进行预处理,并把所有分块时频谱样本划分为训练集和测试集;
利用所述训练集不断训练网络直到输出的误差满足精度要求或达到迭代此处上限,每次训练网络时均调整各层的参数;
保存训练结束时各层的最新参数;
将所述测试集按照故障类型进行标记并利用训练好的卷积神经网络进行分类识别,直到识别率达到设定要求时得到所述完成配电网故障分类训练的卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210542925.3A CN114966312A (zh) | 2022-05-18 | 2022-05-18 | 基于迁移卷积神经网络的配电网故障检测定位方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210542925.3A CN114966312A (zh) | 2022-05-18 | 2022-05-18 | 基于迁移卷积神经网络的配电网故障检测定位方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114966312A true CN114966312A (zh) | 2022-08-30 |
Family
ID=82986094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210542925.3A Pending CN114966312A (zh) | 2022-05-18 | 2022-05-18 | 基于迁移卷积神经网络的配电网故障检测定位方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114966312A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115754599A (zh) * | 2022-11-10 | 2023-03-07 | 海南电网有限责任公司乐东供电局 | 基于迁移学习的电缆故障定位方法和装置 |
CN116912630A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 一种目标识别方法和装置 |
CN117723894A (zh) * | 2024-02-08 | 2024-03-19 | 南方电网数字电网研究院股份有限公司 | 基于微弱行波信号特征提取的故障检测方法和装置 |
CN117972398A (zh) * | 2024-03-28 | 2024-05-03 | 北京索弗电气科技有限公司 | 一种断路器故障特征信息提取方法及系统 |
CN117970040A (zh) * | 2024-04-01 | 2024-05-03 | 成都四威科技股份有限公司 | 一种电缆故障定位方法 |
-
2022
- 2022-05-18 CN CN202210542925.3A patent/CN114966312A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115754599A (zh) * | 2022-11-10 | 2023-03-07 | 海南电网有限责任公司乐东供电局 | 基于迁移学习的电缆故障定位方法和装置 |
CN116912630A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 一种目标识别方法和装置 |
CN117723894A (zh) * | 2024-02-08 | 2024-03-19 | 南方电网数字电网研究院股份有限公司 | 基于微弱行波信号特征提取的故障检测方法和装置 |
CN117723894B (zh) * | 2024-02-08 | 2024-05-07 | 南方电网数字电网研究院股份有限公司 | 基于微弱行波信号特征提取的故障检测方法和装置 |
CN117972398A (zh) * | 2024-03-28 | 2024-05-03 | 北京索弗电气科技有限公司 | 一种断路器故障特征信息提取方法及系统 |
CN117970040A (zh) * | 2024-04-01 | 2024-05-03 | 成都四威科技股份有限公司 | 一种电缆故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114966312A (zh) | 基于迁移卷积神经网络的配电网故障检测定位方法和系统 | |
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
US11875500B2 (en) | Failure diagnosis method for power transformer winding based on GSMallat-NIN-CNN network | |
CN114755745B (zh) | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 | |
CN106680576B (zh) | 基于分块时频谱和深度学习算法的配电网内部过电压识别方法 | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN107992447B (zh) | 一种应用于河流水位预测数据的特征选择分解方法 | |
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 | |
Zhang et al. | Automatic velocity picking based on deep learning | |
CN105572572B (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN114282571B (zh) | 一种轴承多维健康指标构建方法、系统、设备以及介质 | |
Baumann et al. | Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network | |
CN112270229A (zh) | 一种基于奇异谱分析的滑坡体位移预测方法 | |
CN116819423A (zh) | 关口电能计量装置运行状态异常检测方法及系统 | |
WO2022206149A1 (zh) | 基于生成对抗网络的三维频谱态势补全方法及装置 | |
WO2022045932A1 (ru) | Система для определения тектонических нарушений по сейсмическим данным | |
CN114062832A (zh) | 一种配电网短路故障类型的识别方法及系统 | |
CN117630569A (zh) | 一种基于gru神经网络的小电流单相接地故障多判据融合选线方法 | |
CN112486137A (zh) | 有源配电网故障特征库构建方法、系统及故障诊断方法 | |
Morawski et al. | Detecting dense-matter phase transition signatures in neutron star mass-radius measurements as data anomalies using normalizing flows | |
CN113158781B (zh) | 一种雷击跳闸类型识别方法 | |
CN117436476A (zh) | 一种基于eis增强数据预测电池rul方法 | |
CN114065822B (zh) | 海洋潮流涨落的电磁识别方法及系统 | |
Chen et al. | Exploiting data entropy for neural network compression |
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 |