CN115032508A - 一种基于目标识别的分布式输电线路故障诊断方法及系统 - Google Patents

一种基于目标识别的分布式输电线路故障诊断方法及系统 Download PDF

Info

Publication number
CN115032508A
CN115032508A CN202210964885.1A CN202210964885A CN115032508A CN 115032508 A CN115032508 A CN 115032508A CN 202210964885 A CN202210964885 A CN 202210964885A CN 115032508 A CN115032508 A CN 115032508A
Authority
CN
China
Prior art keywords
waveform
mutants
voltage
current
mutant
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.)
Granted
Application number
CN202210964885.1A
Other languages
English (en)
Other versions
CN115032508B (zh
Inventor
李玉敦
李宽
孙运涛
孟海磊
刘辉
慈文斌
张婉婕
孙晓斌
周超
李娜
李聪聪
梁正堂
王永波
孙孔明
李晨昊
史方芳
刘萌
黄强
王宏
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210964885.1A priority Critical patent/CN115032508B/zh
Publication of CN115032508A publication Critical patent/CN115032508A/zh
Application granted granted Critical
Publication of CN115032508B publication Critical patent/CN115032508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明属于分布式输电线路故障诊断技术领域，提供了一种基于目标识别的分布式输电线路故障诊断方法及系统。该方法包括，获取工频电流波形数据，采用目标识别神经网络，寻找所有发生波形突变的突变体；将所有发生波形突变的突变体，按照时间先后顺序进行排序；遍历每个突变体，筛选波形幅值满足第一阈值的突变体，以此得到电流突变体数目；根据电流突变体的时序位置寻找对应的目标电压波形，并求取目标电压波形各时序对应位置上的幅值；根据目标电压波形各时序对应位置上的幅值变化是否满足第二阈值，判断电压是否发生突变，以此得到电压突变体数目；根据电流突变体数目和电压突变体数目，诊断发生突变的波形是否属于故障波形。

Description

一种基于目标识别的分布式输电线路故障诊断方法及系统
技术领域
本发明属于分布式输电线路故障诊断技术领域，尤其涉及一种基于目标识别的分布式输电线路故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
输电线路的稳定运行对电力系统的安全起到重要作用，但是每当遇到雷击、树障、动物触电和吊车触线等问题时输电线路就会发生故障并引发出输电线路跳闸事件，通常输电线路跳闸时电流会持续至少2个周波的稳定的升高突变，跳闸结束后电流又会有降低并且稳定的突变，而对于电压波形，跳闸前后电压的波形会有明显的突变，根据电流和电压的波形突变特征可以将其作为诊断是否是故障波形的准则。通过分布式装置采集跳闸事件产生的特定的电流和电压波形并经波形识别算法识别出来跳闸波形以此实现故障的诊断。当前处理输电线路上的波形识别主要依靠傅立叶变换方法、全局阈值方法、小波变换方法等。
他们的不足之处在于：1、无法从时序上找到或者判定电流波形突变时刻以及该时刻处的波形是否是稳定的突变体而不是脉冲引起的突变体；2、无法利用电流突变体的时序信息找到对应时刻附近的电压波形的幅值来判断跳闸前后电压是否也发生突变，因此波形识别时会误判其他形状的波形为跳闸波形从而错误诊断了线路运行的状态，增加了误判率。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于目标识别的分布式输电线路故障诊断方法及系统，一方面可以识别稳定的突变体不受冲击脉冲的影响，另一方面通过灵活设置局部阈值处理各个目标识别神经网络识别得到突变体，克服不同时序处的突变体的差异性引起的误判。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于目标识别的分布式输电线路故障诊断方法。
一种基于目标识别的分布式输电线路故障诊断方法，包括：
获取工频电流波形数据，采用目标识别神经网络，寻找所有发生波形突变的突变体；
将所有发生波形突变的突变体，按照时间先后顺序进行排序；
遍历每个突变体，筛选波形幅值满足第一阈值的突变体，以此得到电流突变体数目；
根据电流突变体的时序位置寻找对应的目标电压波形，并求取目标电压波形各时序对应位置上的幅值；
根据目标电压波形各时序对应位置上的幅值变化是否满足第二阈值，判断电压是否发生突变，以此得到电压突变体数目；
根据电流突变体数目和电压突变体数目，诊断发生突变的波形是否属于故障波形。
进一步地，在训练阶段：采用历史故障波形数据，构建训练的样本集，并标注出发生波形突变的突变体，基于标记好的样本训练目标识别神经网络，得到训练好的目标识别神经网络；
在诊断阶段：基于训练好的目标识别神经网络，实时监测工频电流波形数据，并获取工频电流波形数据的突变体。
进一步地，所述将所有发生波形突变的突变体，按照时间先后顺序进行排序具体包括：
确定每个突变体的开始时刻和结束时刻，根据开始时刻按升序排序；
若一个突变体的开始时刻和结束时刻包含了另一个突变体的开始时刻和结束时刻，则优先排时间跨度长的突变体。
进一步地，所述遍历每个突变体，筛选波形幅值满足第一阈值的突变体，以此得到电流突变体数目的具体过程包括：若电流突变体数目为0，则如果本突变体必须满足开始时刻后的1.5个周波的波形幅值的两倍小于结束时刻前的1.5个周波的波形幅值，则将电流突变体数目加1，记录本突变体的开始时刻的位置为t1；若电流突变体数目不为0，则如果本突变体的开始时刻后的1.5个周波的波形幅值的最大值和结束时刻前的1.5个周波的波形幅值的最小值的比值大于设定的第三阈值，则电流突变体数加1，更新t2为本突变体的结束时刻。
更进一步地，所述根据电流突变体的时序位置寻找对应的目标电压波形，并求取目标电压波形各时序对应位置上的幅值的具体过程包括：
根据电流突变体的开始时刻，得到对应的第一个时序位置开始到结尾的1.5周波内的电压幅值；
根据电流突变体的结束时刻，得到第二个时序位置开始到结尾的每隔4N个周波内的电压幅值，N为正整数，以此寻找与第一个时序的电压幅值的差异最大的电压幅值，作为突变幅值。
更进一步地，所述根据目标电压波形各时序对应位置上的幅值变化是否满足第二阈值的具体过程包括：
判断突变幅值与第一个时序的电压幅值的比值，是否满足设定的第二阈值。
进一步地，所述根据电流突变体数目和电压突变体数目，诊断发生突变的波形是否属于故障波形的具体过程包括：
若电流突变体数目和电压突变体数目均大于1，则诊断为发生突变的波形是故障波形，否则，则为非故障波形。
本发明的第二个方面提供一种基于目标识别的分布式输电线路故障诊断方法。
一种基于目标识别的分布式输电线路故障诊断系统，包括：
识别模块，其被配置为：获取工频电流波形数据，采用目标识别神经网络，寻找所有发生波形突变的突变体；
排序模块，其被配置为：将所有发生波形突变的突变体，按照时间先后顺序进行排序；
第一阈值判断模块，其被配置为：遍历每个突变体，筛选波形幅值满足第一阈值的突变体，以此得到电流突变体数目；
计算模块，其被配置为：根据电流突变体的时序位置寻找对应的目标电压波形，并求取目标电压波形各时序对应位置上的幅值；
第二阈值判断模块，其被配置为：根据目标电压波形各时序对应位置上的幅值变化是否满足第二阈值，判断电压是否发生突变，以此得到电压突变体数目；
诊断模块，其被配置为：根据电流突变体数目和电压突变体数目，诊断发生突变的波形是否属于故障波形。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于目标识别的分布式输电线路故障诊断方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于目标识别的分布式输电线路故障诊断方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明一方面可以识别稳定的突变体不受冲击脉冲的影响，另一方面通过灵活设置局部阈值处理各个目标识别神经网络识别到的突变体，克服不同时序处的突变体的差异性引起的误判。
本发明可以识别波形突变体，并根据突变体发生的时序查找跳闸前后电压是否发生幅值突变，克服不同时序处的突变体的差异性引起的误判，降低了故障判断的误判率，提高故障诊断的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一示出的基于目标识别的分布式输电线路故障诊断方法的流程图；
图2是本发明实施例一示出的根据电流突变体时序找对应时序位置的电压幅值以及其后位置的电压幅值的波形图；
图3为本发明实施例一公开的瓶颈网络模块(Bottleneck)结构图；
图4为本发明实施例一公开的残差网络(Reslayer)结构图；
图5为本发明实施例一公开的空间金字塔池化模块(SPP)结构图；
图6为本发明实施例一公开的跨阶段局部网络(CSP)结构图；
图7为本发明实施例一公开的Dark层结构图；
图8为本发明实施例一公开的Darknet网络结构图；
图9为本发明实施例一公开的特征金字塔(FPN)结构图；
图10为本发明实施例一公开的路径回溯特征金字塔(PAFPN)结构图；
图11为本发明实施例一公开的目标识别神经网络结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种基于目标识别的分布式输电线路故障诊断方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
步骤1：根据预先训练好的目标识别神经网络，在工频电流数据中筛选出发生突变的波形目标；
步骤1.1：根据以往的故障波形数据，构建训练的样本集，并标注出发生波形突变的对象；
步骤1.2：构建目标识别神经网络；
步骤1.3：利用标记好的样本，训练目标识别神经网络；
步骤1.4：基于训练好的目标识别神经网络，实时监测并获取波形数据的突变对象。
其中，目标识别神经网络，如图11所示，包括路径回溯特征金字塔（Path FeaturePyramid Network，PAFPN），目标识别神经网络的输入作为路径回溯特征金字塔（PathFeature Pyramid Network，PAFPN）的输入，路径回溯特征金字塔的每个输出均对应连接卷积模块通道，每个卷积模块通道均包括两条双层卷积支路，其中一条双层卷积支路包括双层卷积模块（2*Baseconv）和两个并行的卷积模块（Baseconv），双层卷积模块的输入与路径回溯特征金字塔的输出连接，输出与两个卷积模块连接，另一条双层卷积支路包括双层卷积模块（2*Baseconv）和一个卷积模块（Baseconv），双层卷积模块的输入与路径回溯特征金字塔的输出连接，输出与卷积模块的输入连接，每个卷积模块通道中三个卷积模块的输出进行全连接后作为该卷积模块通道的输出，将所有卷积模块通道的输出进行全连接后，输出目标识别神经网络的识别结果。
路径回溯特征金字塔（PAFPN）如图10所示，包括特征金字塔（FPN），路径回溯特征金字塔（PAFPN）的输入作为特征金字塔（FPN）的输入，特征金字塔的第一个输出作为路径回溯特征金字塔（PAFPN）的第一个输出结果，该输出还输入第一个跨阶段局部网络（CSP）中，第一个跨阶段局部网络的输出输入第一个卷积模块（Baseconv）中，该卷积模块（Baseconv）的输出与特征金字塔（FPN）的第二个输出相连后输入第二个跨阶段局部网络（CSP）中，第二个跨阶段局部网络（CSP）的输出作为路径回溯特征金字塔（PAFPN）的第二个输出结果，第二个跨阶段局部网络（CSP）的输出还输入到第二个卷积模块（Baseconv）中，该卷积模块（Baseconv）的输出与特征金字塔（FPN）的第三个输出相连后输入第三个跨阶段局部网络（CSP）中，第三个跨阶段局部网络（CSP）输出路径回溯特征金字塔（PAFPN）的第三个输出结果。
特征金字塔（FPN）如图9所示，包括Darknet网络，特征金字塔（FPN）的输入作为Darknet网络的输入，Darknet网络的第三个输出作为特征金字塔（FPN）的第三个输出，且该输出还输入第一个卷积模块（Baseconv）中，第一个卷积模块（Baseconv）的输出进行上采样（Upsample）后与Darknet网络的第二个输出相连，输入第一个五层卷积模块（5*Baseconv）中，第一个五层卷积模块（5*Baseconv）的输出作为特征金字塔（FPN）的第二个输出，第一个五层卷积模块（5*Baseconv）的输出还输入第二个卷积模块（Baseconv）中，第二个卷积模块（Baseconv）的输出进行上采样（Upsample）后与Darknet网络的第一个输出相连后输入第二个五层卷积模块（5*Baseconv）中，第二个五层卷积模块（5*Baseconv）的输出作为特征金字塔（FPN）的第一个输出。
Darknet网络如图8所示，包括依次连接的第一个双层卷积模块（2*Baseconv）、残差网络(Reslayer)、第一个Dark层、第二个Dark层、第三个Dark层、第四个Dark层、空间金字塔池化模块(SPP)和第二个双层卷积模块（2*Baseconv），其中，Darknet网络的输入作为第一个双层卷积模块（2*Baseconv）的输入，第二个Dark层还输出Darknet网络的第一个输出结果，第三个Dark层还输出Darknet网络的第二个输出结果，第二个双层卷积模块（2*Baseconv）输出Darknet网络的第三个输出结果。
每个Dark层均包括依次连接的卷积模块（Baseconv）和跨阶段局部网络（CSP），Dark层的输入作为卷积模块（Baseconv）的输入，跨阶段局部网络（CSP）的输出作为Dark层的输出，如图7所示。
跨阶段局部网络（CSP）如图6所示，包括三个卷积模块（Baseconv）和一个瓶颈网络模块，跨阶段局部网络（CSP）的输入分别输入到第一个卷积模块（Baseconv）和第二个卷积模块（Baseconv）中，第二个卷积模块（Baseconv）与瓶颈网络模块(Bottleneck)连接，瓶颈网络模块(Bottleneck)的输出与第一个卷积模块（Baseconv）的输出全连接后输入第三个卷积模块（Baseconv）中，第三个卷积模块（Baseconv）输出跨阶段局部网络（CSP）的输出结果。
空间金字塔池化模块(SPP)如图5所示，包括两个卷积模块（Baseconv）和三个池化层，空间金字塔池化模块(SPP)的输入作为第一个卷积模块（Baseconv）的输入，第一个卷积模块（Baseconv）的输出分别输入到三个池化层中，三个池化层的输出全连接后输入第二个卷积模块（Baseconv）中，第二个卷积模块输出空间金字塔池化模块(SPP)的输出结果。
残差网络(Reslayer)如图4所示，包括卷积模块（Baseconv），残差网络(Reslayer)的输入输入到卷积模块（Baseconv）中，卷积模块（Baseconv）的输出与残差网络(Reslayer)的输入进行全连接后作为残差网络(Reslayer)的输出。
瓶颈网络模块(Bottleneck)如图3所示，包括依次连接的卷积模块（Baseconv）和按通道卷积+单核卷积网络（DWconv），瓶颈网络模块(Bottleneck)的输入作为卷积模块（Baseconv）的输入，按通道卷积+单核卷积网络（DWconv）的输出作为瓶颈网络模块(Bottleneck)的输出。
按通道卷积+单核卷积网络（DWconv）根据输入的每个特征层分配各自的卷积核并作卷积之后，新的特征层进行卷积核大小为1的卷积后输出DWconv的输出结果。
卷积模块（Baseconv）包括依次连接的卷积层、批归一化层和激活层。
步骤2：针对选出的波形突变目标根据它们出现的时序进行时间先后排序；
步骤2.1：根据找到的波形突变体的发生时序进行排序，每个突变体会有开始时刻和结束时刻，首先根据开始时刻按升序排序，如果一个突变体的开始时刻和结束时刻包含了另一个突变体的开始时刻和结束时刻，那么优先排时间跨度长的突变体。
如图2所示在电流波形中找到了两个突变体，每个突变体被边框锁定，每个边框在时序轴（即横轴）有左边界和右边界，它们给出了突变体发生的时间范围，可以对每个边框的左边界采用冒泡排序、选择排序等排序算法把电流波形中的突变体根据边框左边界排序（即突变体发生时序），如果两边框是包含关系则优先排大的边框对应的突变体。
步骤3：对每一个选出的波形突变目标进行阈值设定，筛选出是否是真正的电流突变体；此处的阈值可以取值为2。
步骤3.1：遍历各时序上的突变体；
步骤3.2：如果电流突变体数目为0，则如果本突变体必须满足开始时刻后的1.5个周波的波形幅值的2倍小于结束时刻前的1.5个周波的波形幅值，则将电流突变数加1，记录本突变体的开始时刻的位置为t1；
步骤3.3：如果电流突变体数目不为0，则如果本突变体的开始时刻后的1.5个周波的波形幅值和结束时刻前的1.5个周波的波形幅值的最大值和最小值的比值大于1.2，则将电流突变体数加1，更新t2为本突变体的结束时刻。
步骤4：将筛选出的电流的波形突变目标，根据时序位置对应到电压的相应的时序位置并提取各对应位置上的工频电压幅值；
步骤4.1：电流波形和电压波形的时序是一一对应的，根据在电流波形中记录的t1、t2时刻找到在电压波形中对应的时刻位置；
步骤4.2：在电压波形中的t1时刻至t1+1.5周波范围内取波形的幅值记为voltage1，在电压波形中的t2时刻至t2+4周波范围内取波形的幅值记为voltage2，在电压波形中的t2+4时刻至t2+8周波范围内取波形的幅值记为voltage3，…，在电压波形中的t2+4*(i-2)时刻至t2+4*(i-1)周波范围内取波形的幅值记为voltage i ，直到t2+4*(i-1)大于最后录波时刻，此时记录的最后一个电压幅值记为voltage end 。
步骤5：将提取的故障前后的电压幅值做比值，并设定一个阈值来判断故障前后的电压是否发生突变；此处的阈值可以取值为1.2。
步骤5.1：比较voltage2到voltage end 的值与voltage1值，寻找其中差异最大的一个记为voltage fit ，如果max(voltage1,voltage fit )大于2倍的min(voltage1,voltage fit )，则电压突变体数目加1。
步骤6：根据电流发生突变的数目和电压发生突变的数目，判读是否是故障波形。
步骤6.1：如果电流突变体数目大于1且电压突变体数目大于1，则本波形被诊断为故障波形。
本实施例公开方法一方面可以稳定识别突变体不受冲击脉冲的影响，另一方面通过灵活设置局部阈值处理各个目标识别神经网络识别得到突变体，据突变体发生的时序查找跳闸前后电压是否发生幅值突变，克服不同时序处的突变体的差异性引起的误判，降低了故障判断的误判率，提高故障诊断的准确性。
实施例二
本实施例提供了一种基于目标识别的分布式输电线路故障诊断系统。
一种基于目标识别的分布式输电线路故障诊断系统，包括：
识别模块，其被配置为：获取工频电流波形数据，采用目标识别神经网络，寻找所有发生波形突变的突变体；
排序模块，其被配置为：将所有发生波形突变的突变体，按照时间先后顺序进行排序；
第一阈值判断模块，其被配置为：遍历每个突变体，筛选波形幅值满足第一阈值的突变体，以此得到电流突变体数目；
计算模块，其被配置为：根据电流突变体的时序位置寻找对应的目标电压波形，并求取目标电压波形各时序对应位置上的幅值；
第二阈值判断模块，其被配置为：根据目标电压波形各时序对应位置上的幅值变化是否满足第二阈值，判断电压是否发生突变，以此得到电压突变体数目；
诊断模块，其被配置为：根据电流突变体数目和电压突变体数目，诊断发生突变的波形是否属于故障波形。
此处需要说明的是，上述识别模块、排序模块、第一阈值判断模块、计算模块、第二阈值判断模块和诊断模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于目标识别的分布式输电线路故障诊断方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于目标识别的分布式输电线路故障诊断方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（RandomAccessMemory，RAM）等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于目标识别的分布式输电线路故障诊断方法，其特征在于，包括：
获取工频电流波形数据，采用目标识别神经网络，寻找所有发生波形突变的突变体；
将所有发生波形突变的突变体，按照时间先后顺序进行排序；
遍历每个突变体，筛选波形幅值满足第一阈值的突变体，以此得到电流突变体数目；
根据电流突变体的时序位置寻找对应的目标电压波形，并求取目标电压波形各时序对应位置上的幅值；
根据目标电压波形各时序对应位置上的幅值变化是否满足第二阈值，判断电压是否发生突变，以此得到电压突变体数目；
根据电流突变体数目和电压突变体数目，诊断发生突变的波形是否属于故障波形。
2.根据权利要求1所述的基于目标识别的分布式输电线路故障诊断方法，其特征在于，在训练阶段：采用历史故障波形数据，构建训练的样本集，并标注出发生波形突变的突变体，基于标记好的样本训练目标识别神经网络，得到训练好的目标识别神经网络；
在诊断阶段：基于训练好的目标识别神经网络，实时监测工频电流波形数据，并获取工频电流波形数据的突变体。
3.根据权利要求1所述的基于目标识别的分布式输电线路故障诊断方法，其特征在于，所述将所有发生波形突变的突变体，按照时间先后顺序进行排序具体包括：
确定每个突变体的开始时刻和结束时刻，根据开始时刻按升序排序；
若一个突变体的开始时刻和结束时刻包含了另一个突变体的开始时刻和结束时刻，则优先排时间跨度长的突变体。
4.根据权利要求1所述的基于目标识别的分布式输电线路故障诊断方法，其特征在于，所述遍历每个突变体，筛选波形幅值满足第一阈值的突变体，以此得到电流突变体数目的具体过程包括：若电流突变体数目为0，则如果本突变体必须满足开始时刻后的1.5个周波的波形幅值的两倍小于结束时刻前的1.5个周波的波形幅值，则将电流突变体数目加1，记录本突变体的开始时刻的位置为t1；若电流突变体数目不为0，则如果本突变体的开始时刻后的1.5个周波的波形幅值的最大值和结束时刻前的1.5个周波的波形幅值的最小值的比值大于设定的第三阈值，则电流突变体数加1，更新t2为本突变体的结束时刻。
5.根据权利要求4所述的基于目标识别的分布式输电线路故障诊断方法，其特征在于，所述根据电流突变体的时序位置寻找对应的目标电压波形，并求取目标电压波形各时序对应位置上的幅值的具体过程包括：
根据电流突变体的开始时刻，得到对应的第一个时序位置开始到结尾的1.5周波内的电压幅值；
根据电流突变体的结束时刻，得到第二个时序位置开始到结尾的每隔4N个周波内的电压幅值，N为正整数，以此寻找与第一个时序的电压幅值的差异最大的电压幅值，作为突变幅值。
6.根据权利要求5所述的基于目标识别的分布式输电线路故障诊断方法，其特征在于，所述根据目标电压波形各时序对应位置上的幅值变化是否满足第二阈值的具体过程包括：
判断突变幅值与第一个时序的电压幅值的比值，是否满足设定的第二阈值。
7.根据权利要求1所述的基于目标识别的分布式输电线路故障诊断方法，其特征在于，所述根据电流突变体数目和电压突变体数目，诊断发生突变的波形是否属于故障波形的具体过程包括：
若电流突变体数目和电压突变体数目均大于1，则诊断为发生突变的波形是故障波形，否则，则为非故障波形。
8.一种基于目标识别的分布式输电线路故障诊断系统，其特征在于，包括：
识别模块，其被配置为：获取工频电流波形数据，采用目标识别神经网络，寻找所有发生波形突变的突变体；
排序模块，其被配置为：将所有发生波形突变的突变体，按照时间先后顺序进行排序；
第一阈值判断模块，其被配置为：遍历每个突变体，筛选波形幅值满足第一阈值的突变体，以此得到电流突变体数目；
计算模块，其被配置为：根据电流突变体的时序位置寻找对应的目标电压波形，并求取目标电压波形各时序对应位置上的幅值；
第二阈值判断模块，其被配置为：根据目标电压波形各时序对应位置上的幅值变化是否满足第二阈值，判断电压是否发生突变，以此得到电压突变体数目；
诊断模块，其被配置为：根据电流突变体数目和电压突变体数目，诊断发生突变的波形是否属于故障波形。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于目标识别的分布式输电线路故障诊断方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于目标识别的分布式输电线路故障诊断方法中的步骤。
CN202210964885.1A 2022-08-12 2022-08-12 一种基于目标识别的分布式输电线路故障诊断方法及系统 Active CN115032508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210964885.1A CN115032508B (zh) 2022-08-12 2022-08-12 一种基于目标识别的分布式输电线路故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210964885.1A CN115032508B (zh) 2022-08-12 2022-08-12 一种基于目标识别的分布式输电线路故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN115032508A true CN115032508A (zh) 2022-09-09
CN115032508B CN115032508B (zh) 2022-11-01

Family

ID=83130765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210964885.1A Active CN115032508B (zh) 2022-08-12 2022-08-12 一种基于目标识别的分布式输电线路故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN115032508B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106841923A (zh) * 2017-02-27 2017-06-13 广州思泰信息技术有限公司 基于差值卷积分析法的配电网线路故障定位方法
CN106932712A (zh) * 2016-12-30 2017-07-07 江苏南瑞泰事达电气有限公司 一种基于改进模糊Petri网的断路器故障诊断方法
CN106980073A (zh) * 2017-05-23 2017-07-25 武汉大学 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法
US20190114544A1 (en) * 2017-10-16 2019-04-18 Illumina, Inc. Semi-Supervised Learning for Training an Ensemble of Deep Convolutional Neural Networks
US20190199081A1 (en) * 2017-10-11 2019-06-27 Mohamed Ayeb Arc detection based on variance of current flow
CN110824297A (zh) * 2019-11-19 2020-02-21 国电南瑞南京控制系统有限公司 一种基于svm支持向量机的单相接地故障判别方法和装置
CN111751661A (zh) * 2020-06-29 2020-10-09 深圳供电局有限公司 一种基于电网故障录波图来判断接地故障的方法及系统
CN111751660A (zh) * 2020-06-29 2020-10-09 深圳供电局有限公司 基于电网录波图判断保护内正反方向相间故障方法及系统
CN112162216A (zh) * 2020-09-29 2021-01-01 国网河南省电力公司洛阳供电公司 一种结合μPMU量测数据的电网故障辨识方法
EP3809592A1 (en) * 2019-10-16 2021-04-21 Tata Consultancy Services Limited Methods and systems for fault detection, diagnosis and localization in solar panel network
CN113391163A (zh) * 2021-06-01 2021-09-14 国家电网公司华中分部 基于故障录波信息线路在线参数辨识方法以及装置
CN113391164A (zh) * 2021-06-10 2021-09-14 中国电力科学研究院有限公司 一种配电网单相接地故障智能化识别方法及装置
CN113536000A (zh) * 2021-07-14 2021-10-22 西安工程大学 基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法
US20220092795A1 (en) * 2019-01-15 2022-03-24 Portland State University Feature pyramid warping for video frame interpolation
US20220091062A1 (en) * 2020-09-18 2022-03-24 Analog Devices, Inc. System and method for anomaly detection and total capacity estimation of a battery
CN114755533A (zh) * 2022-06-14 2022-07-15 国网江西省电力有限公司电力科学研究院 一种基于电压变化沿特征识别的电弧故障检测方法及系统
CN114879085A (zh) * 2022-07-12 2022-08-09 北京智芯半导体科技有限公司 单相接地故障识别方法、装置、电子设备及介质

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106932712A (zh) * 2016-12-30 2017-07-07 江苏南瑞泰事达电气有限公司 一种基于改进模糊Petri网的断路器故障诊断方法
CN106841923A (zh) * 2017-02-27 2017-06-13 广州思泰信息技术有限公司 基于差值卷积分析法的配电网线路故障定位方法
CN106980073A (zh) * 2017-05-23 2017-07-25 武汉大学 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法
US20190199081A1 (en) * 2017-10-11 2019-06-27 Mohamed Ayeb Arc detection based on variance of current flow
US20190114544A1 (en) * 2017-10-16 2019-04-18 Illumina, Inc. Semi-Supervised Learning for Training an Ensemble of Deep Convolutional Neural Networks
US20220092795A1 (en) * 2019-01-15 2022-03-24 Portland State University Feature pyramid warping for video frame interpolation
EP3809592A1 (en) * 2019-10-16 2021-04-21 Tata Consultancy Services Limited Methods and systems for fault detection, diagnosis and localization in solar panel network
CN110824297A (zh) * 2019-11-19 2020-02-21 国电南瑞南京控制系统有限公司 一种基于svm支持向量机的单相接地故障判别方法和装置
CN111751661A (zh) * 2020-06-29 2020-10-09 深圳供电局有限公司 一种基于电网故障录波图来判断接地故障的方法及系统
CN111751660A (zh) * 2020-06-29 2020-10-09 深圳供电局有限公司 基于电网录波图判断保护内正反方向相间故障方法及系统
US20220091062A1 (en) * 2020-09-18 2022-03-24 Analog Devices, Inc. System and method for anomaly detection and total capacity estimation of a battery
CN112162216A (zh) * 2020-09-29 2021-01-01 国网河南省电力公司洛阳供电公司 一种结合μPMU量测数据的电网故障辨识方法
CN113391163A (zh) * 2021-06-01 2021-09-14 国家电网公司华中分部 基于故障录波信息线路在线参数辨识方法以及装置
CN113391164A (zh) * 2021-06-10 2021-09-14 中国电力科学研究院有限公司 一种配电网单相接地故障智能化识别方法及装置
CN113536000A (zh) * 2021-07-14 2021-10-22 西安工程大学 基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法
CN114755533A (zh) * 2022-06-14 2022-07-15 国网江西省电力有限公司电力科学研究院 一种基于电压变化沿特征识别的电弧故障检测方法及系统
CN114879085A (zh) * 2022-07-12 2022-08-09 北京智芯半导体科技有限公司 单相接地故障识别方法、装置、电子设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RAHAF S. SOLAIMAN 等: "A Fuzzy Petri Net Model Adapts to Changing Operating Conditions to Improve Power Systems Fault Prognosis", 《2020 INTERNATIONAL YOUTH CONFERENCE ON RADIO ELECTRONICS, ELECTRICAL AND POWER ENGINEERING (REEPE)》 *
李娜 等: "基于多尺度注意力网络的行人属性识别算法", 《激光与光电子学进展》 *

Also Published As

Publication number Publication date
CN115032508B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
US11775873B2 (en) Missing value imputation technique to facilitate prognostic analysis of time-series sensor data
EP3460496B1 (en) A method and apparatus for automatic localization of a fault
EP3460494B1 (en) A method and apparatus for automatic detection of a fault type
EP3422518B1 (en) A method for recognizing contingencies in a power supply network
CN110969194B (zh) 基于改进型卷积神经网络的电缆早期故障定位方法
CN110207974B (zh) 基于振动信号时频能量分布特征的断路器故障识别方法
CN114495497B (zh) 一种交通异常数据的判别和插补方法及系统
CN108152676B (zh) 一种基于智能体的配电网故障定位方法及系统
CN109361648A (zh) 工控系统的隐蔽攻击的检测方法及装置
CN113283632B (zh) 一种电池早期故障预警方法、系统、装置及存储介质
SE542335C2 (en) Method and system for vehicle analysis
CN112418175A (zh) 基于域迁移的滚动轴承故障诊断方法、系统及存储介质
CN111881950A (zh) 道岔转辙机电流时间序列的特征表示方法及装置
CN115032508B (zh) 一种基于目标识别的分布式输电线路故障诊断方法及系统
CN109101884B (zh) 一种脉冲阵列预测方法
CN113160279A (zh) 一种地铁环境中行人异常行为检测方法及装置
CN113033624A (zh) 一种基于联邦学习的工业图像故障诊断方法
CN114973152B (zh) 基于神经网络的小分子可循环压裂液储存罐的监控方法、装置、介质
CN113989746B (zh) 一种场景中复杂事件的检测方法、系统、设备及存储介质
CN114089181A (zh) 基于XG-Boost的MMC开关管开路故障检测方法
CN115270983A (zh) 一种基于AdaBoost-RBF算法的开关柜故障预测方法
CN115424253A (zh) 车牌识别方法、装置、电子设备和存储介质
CN111860222B (zh) 基于稠密-分段式帧采样的视频行为识别方法、系统、计算机设备和存储介质
CN114548178A (zh) 一种电梯故障检测方法、装置、计算机设备及存储介质
CN111027678B (zh) 一种数据迁移方法及装置

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
GR01 Patent grant
GR01 Patent grant