CN115184734A - 一种电网线路故障检测方法和系统 - Google Patents

一种电网线路故障检测方法和系统 Download PDF

Info

Publication number
CN115184734A
CN115184734A CN202210929346.4A CN202210929346A CN115184734A CN 115184734 A CN115184734 A CN 115184734A CN 202210929346 A CN202210929346 A CN 202210929346A CN 115184734 A CN115184734 A CN 115184734A
Authority
CN
China
Prior art keywords
value
current
grid line
model
power grid
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
CN202210929346.4A
Other languages
English (en)
Inventor
卢明
刘善峰
黄苏辉
冯光
郭志民
马建伟
李哲
田杨阳
南江
陈锦鹏
王磊
孙芊
袁少光
梁允
李丰君
毛万登
王超
王津宇
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 Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Henan 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 Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210929346.4A priority Critical patent/CN115184734A/zh
Publication of CN115184734A publication Critical patent/CN115184734A/zh
Pending legal-status Critical Current

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
    • G01R31/088—Aspects of digital computing
    • 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
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电网线路技术领域，具体涉及一种电网线路故障检测方法和系统。检测方法包括以下步骤：获取训练集电流数据和测试集电流数据；引入Inceptionv3结构，采用卷积核与BiLSTM并行的方式，提取电网线路故障特征，输入特征融合层形成联合特征，将联合特征输入到全连接层，进行时间序列的预测，完成电网线路故障预测模型的搭建；采用训练集电流数据对预测模型进行训练；将测试集电流数据输入到训练好的预测模型中，实现下一时刻馈线电流的预测。本发明准确地检测电网线路故障，保证电网安全运行，而且通过将模型中的卷积核进行分解处理，减少了参数量，加快了运行速度。

Description

一种电网线路故障检测方法和系统
技术领域
本发明属于电网线路技术领域，具体涉及一种电网线路故障检测方法和系统。
背景技术
电力是一个国家发展的基石，电力的稳定供应能保障工业活动的正常运行，在电网的运行过程中，往往会受到人为环境、自然环境以及社会环境等多方面影响，导致故障的发生。据电网故障的历史统计数据，配电网故障占据所有故障的80％。而作为电力输送系统的最终模块，配电网直接与用户相连接，配电网能否正常运作，关系到各个用户的正常生活和生产。目前对于电网中的馈线故障防治的主要手段仍依赖人工检测，然而，人工检测存在费用高以及滞后性问题，无法做到实时监控和检测。
近年来，深度学习因其强大的数据处理能力和自我学习能力，在各个领域得到快速应用，在电网线路故障检测领域，深度学习为故障的检测提供了智能化基础，通过建立深度学习模型，挖掘数据中的内在隐含特征，实现电网线路故障早期识别，有效的对配电网线路故障进行检测，及时减少故障的发生，提高配电网配电的可靠性，合理的优化电网设备，节省人力，保障用户的生产或者生活上的刚性需求。张鹏飞等人公开了一种基于气象因素和时间序列分析的配电网故障数量预测，利用华东某市配电网故障报修数据，开展配电网故障数量短期预测研究，提出基于气温的季节判定方法，综合采用多元回归和时间序列分析手段，构建分季节的气象影响故障量预测模型，确定温度、天气等气象因素与故障量的量化关系，并针对剔除气象因素影响的剩余故障量，构建自回归移动平均时间序列预测模型，捕捉故障量的时间序列变化趋势，通过上述模型的综合应用，实现了配电网故障数量的短期预测。然而该方法只能检测某一时间的故障数量，以此制定抢修计划，并不能直接定位到故障线路或者分支线路，无法针对故障线路进行快速排查。
发明内容
为克服上述缺陷，本发明的目的在于提供一种电网线路故障检测方法和系统，直接定位到故障线路，定位精度高，直接检测各条电网线路的健康状况，而且准确诊断电网线路故障，保证电网的正常工作。
为实现上述目的，本发明采用如下技术方案：
一种电网线路故障检测方法，包括以下步骤：
S1.获取训练集电流数据和测试集电流数据；
S2.引入Inceptionv3结构，采用卷积核与BiLSTM并行的方式，提取电网线路故障特征，输入特征融合层形成联合特征，将联合特征输入到全连接层，进行时间序列的预测，完成电网线路故障预测模型ImTreNet模型的搭建；
S3.将训练集电流数据作为训练集输入到步骤S2搭建好的ImTreNet模型中，对模型进行训练；
S4.将测试集电流数据输入到步骤S3训练好的预测模型中，实现下一时刻馈线电流的预测。
优选地，步骤S1所述的获取训练集电流数据和测试集电流数据，包括：
确定待测馈线ID并将其电流数据作为目标参数，选择同一变电站下与该馈线相关系数大于0.5的其他馈线电流作为输入参数；将各个馈线的电流数据进行标准化处理，获取训练集电流数据和测试集电流数据。
优选地，所述的相关系数为皮尔逊相关系数，皮尔逊相关系数计算公式如下：
Figure BDA0003780972500000021
式中，r为皮尔逊相关系数，n是样本数，xi和yi是第i采样点，
Figure BDA0003780972500000022
和
Figure BDA0003780972500000023
是样本均值。
优选地，所述的标准化处理方法为：
Figure BDA0003780972500000031
式中，x'表示标准化后的电流数据，x表示电流数据，μ为均值，σ为方差。
优选地，步骤S2所述的卷积核为尺寸为(1，1)、(3，3)、(1，3)、(3，1)的一维卷积核。
优选地，步骤S2所述的BiLSTM的信息传播分为前向和后向两部分，每个时刻的输出便同时包含有该神经元的前向输出和后向输出，计算公式如下：
ht＝f(w1xt+w2ht-1+b1)
h′t＝f(w3xt+w5ht+1+b2)
o′t＝g(w4ht+b3)
o″t＝g(w6h′t+b4)
Ot＝(o′t+o″t)/2
式中，f和g代表激活函数，wi(i＝1…6)表示一层网络层到另一网络层的权重；{…ht-1,ht,ht+1…}表示BiLSTM神经网络中的前向传播层，{…xt-1,xt,xt+1…}表示前向传播层的输入；{…ht+1′,ht′,ht-1′…}表示BiLSTM神经网络中的后向传播层，{…xt+1,xt,xt-1…}表示后向传播层的输入；b1、b2、b3、b4代表隐藏单元的偏置系数，o′t，o′t为两个LSTM单元在相应时刻分别处理输入的特征向量的结果，把相应时刻的两个特征向量相加求和取平均值作为输出的时序特征向量Ot。
优选地，步骤S4所述的将测试集电流数据输入到训练好的预测模型中，实现下一时刻馈线电流的预测，包括：
将馈线电流的实际值与模型输出值之间的均方根误差RMSE值作为电网线路故障的检测指标，进行电网故障的检测；
所述RMSE值的计算公式为：
Figure BDA0003780972500000032
式中，R为均方根误差RMSE值，ri为实际值，
Figure BDA0003780972500000033
为模型输出值，n为样本数。
优选地，所述的电网故障的检测还包括：将RMSE值与状态检测阈值比较，进行电网故障的检测；
所述状态检测阈值的计算公式为：
Figure BDA0003780972500000041
式中，L(t)为状态检测阈值，μR为R的均值，σR为R的标准差，nS为采样长度，z为位置系数，β为历史R对当前统计量的权重。
一种电网线路故障检测系统，实现上述的检测方法，包括：
数据获取模块，获取训练集电流数据和测试集电流数据；
模型搭建模块，引入Inceptionv3结构，采用卷积核与BiLSTM并行的方式，提取电网线路故障特征，输入特征融合层形成联合特征，将联合特征输入到全连接层，进行时间序列的预测，完成电网线路故障预测模型ImTreNet模型的搭建；
模型训练模块，将训练集电流数据作为训练集输入到搭建好的ImTreNet模型中，对模型进行训练；
故障检测模块，将测试集电流数据输入到训练好的预测模型中，实现下一时刻馈线电流的预测。
优选地，所述的数据获取模块具体用于：
确定待测馈线ID并将其电流数据作为目标参数，选择同一变电站下与该馈线相关系数大于0.5的其他馈线电流作为输入参数；将各个馈线的电流数据进行标准化处理，获取训练集电流数据和测试集电流数据。
优选地，所述的相关系数为皮尔逊相关系数，皮尔逊相关系数计算公式如下：
Figure BDA0003780972500000042
式中，r为皮尔逊相关系数，n是样本数，xi和yi是第i采样点，
Figure BDA0003780972500000051
和
Figure BDA0003780972500000052
是样本均值。
优选地，所述的标准化处理方法为：
Figure BDA0003780972500000053
式中，x'表示标准化后的电流数据，x表示电流数据，μ为均值，σ为方差。
优选地，所述的卷积核为尺寸为(1，1)、(3，3)、(1，3)、(3，1)的一维卷积核。
优选地，所述的BiLSTM的信息传播分为前向和后向两部分，每个时刻的输出便同时包含有该神经元的前向输出和后向输出，计算公式如下：
ht＝f(w1xt+w2ht-1+b1)
h′t＝f(w3xt+w5ht+1+b2)
o′t＝g(w4ht+b3)
o″t＝g(w6h′t+b4)
Ot＝(o′t+o″t)/2
式中，f和g代表激活函数，wi(i＝1…6)表示一层网络层到另一网络层的权重；{…ht-1,ht,ht+1…}表示BiLSTM神经网络中的前向传播层，{…xt-1,xt,xt+1…}表示前向传播层的输入；{…ht+1′,ht′,ht-1′…}表示BiLSTM神经网络中的后向传播层，{…xt+1,xt,xt-1…}表示后向传播层的输入；b1、b2、b3、b4代表隐藏单元的偏置系数，o′t，o″t为两个LSTM单元在相应时刻分别处理输入的特征向量的结果，把相应时刻的两个特征向量相加求和取平均值作为输出的时序特征向量Ot。
优选地，所述的故障检测模块具体用于：
将馈线电流的实际值与模型输出值之间的均方根误差RMSE值作为电网线路故障的检测指标，进行电网故障的检测；
所述RMSE值的计算公式为：
Figure BDA0003780972500000054
式中，R为均方根误差RMSE值，ri为实际值，
Figure BDA0003780972500000061
为模型输出值，n为样本数。
优选地，所述的电网故障的检测还包括：将RMSE值与状态检测阈值比较，进行电网故障的检测；
所述状态检测阈值的计算公式为：
Figure BDA0003780972500000062
式中，L(t)为状态检测阈值，μR为R的均值，σR为R的标准差，nS为采样长度，z为位置系数，β为历史R对当前统计量的权重。
本发明的积极有益效果：
1.本发明公开了一种基于深度学习模型的电网线路故障检测方法，引入inceptionv3结构，通过将模型中的卷积核进行分解处理，减少了参数量，加快了运行速度。
2.本发明利用不同大小的卷积核进行局部特征提取，每一层卷积都会学习整个数据集，提高模型的局部特征提取能力，保证得到精确的局部特征。同时，考虑到历史趋势序列中存在的长期依赖，也避免了“梯度消失”和“长期依赖”的问题，ImTreNet模型使用双向长短时记忆网络BiLSTM来捕获这种依赖，BiLSTM通过构建两个LSTM实现了从正、反两个方向提取特征信息，充分学习数据的时序特征，通过特征融合层来结合卷积核与BiLSTM的输出，形成联合特征，将联合特征输入到全连接层，进行时间序列预测，从而准确地检测电网线路故障，保证电网安全运行。
3.本发明首先根据正常时期的电流数据训练模型，再将电网线路采集到的电流数据输入到模型中，如果产生早期故障，模型预测值与真实值的均方根误差将明显增大。通过电网线路正常运行状态下预测值与真实值计算的均方根误差值设定阈值，当预测值与真实值之间的均方根误差超过阈值，将会在故障的线路产生报警。本发明检测方法直接定位到故障线路，定位精度高，直接检测各条电网线路的健康状况，更方便线路运检人员进行故障巡查与排除，大大减少了运检人员的巡查工作量。
附图说明
图1为本发明电网线路故障检测方法的流程图；
图2为ImTreNet模型结构图；
图3为BiLSTM神经网络的示意图；
图4为馈线电流时域图；
图5为电网线路故障识别图。
具体实施方式
下面结合一些具体实施例对本发明进一步说明。
实施例1
参见图1，一种电网线路故障检测方法，包括以下步骤：
S1.获取训练集电流数据和测试集电流数据：
1)获取同一变电站下不同馈线的电流数据，确定待测馈线ID并将其电流数据作为目标参数，为了进一步压缩数据量，使输入数据的信息更加全面，采用相关性分析从各个馈线中选择更有价值的变量，该操作的目的是通过皮尔逊相关系数来计算每个变量之间的相关性，选择与目标参数相关性较强的健康馈线电流数据作为模型的最终输入，本发明选择选择同一变电站下与上述发生故障的馈线相关系数大于0.5的其他馈线电流作为输入参数，相关系数采用皮尔逊相关系数，皮尔逊相关系数计算公式如下式所示：
Figure BDA0003780972500000071
式中，r为皮尔逊相关系数，n是样本数，xi和yi是第i采样点，
Figure BDA0003780972500000072
和
Figure BDA0003780972500000073
是样本均值。
2)将各个馈线的电流数据进行标准化处理，并将标准化后的数据分为训练集电流数据和测试集电流数据；
将电流数据进行标准化处理的具体方法如下：
Figure BDA0003780972500000081
式中，x'表示标准化后的电流数据，x表示电流数据，μ为均值，σ为方差。
S2.ImTreNet模型的搭建：
通过不同大小的一维卷积核进行局部特征提取，卷积核尺寸为(1，1)、(3，3)、(1，3)、(3，1)，利用双向长短时记忆网络BiLSTM进行全局特征提取，引入Inceptionv3结构，采用卷积核与BiLSTM并行的方式，全面实现电网线路故障特征提取，通过特征融合层进行融合，形成联合特征，将联合特征输入到全连接层，进行时间序列的预测，完成电网线路故障预测模型ImTreNet模型的搭建，参见图2；
卷积核和BiLSTM网络参数设置如表1所示。
表1 ImTreNet网络参数设置
Figure BDA0003780972500000082
S3.ImTreNet模型的训练
将健康状态下馈线的电流数据作为训练集输入到搭建好的ImTreNet模型中，对模型进行训练；
在训练阶段，序列T分别输入到ImTreNet中的BiLSTM层，参见图3，BiLSTM的信息传播分为前向和后向两部分，每个时刻的输出便同时包含有该神经元的前向输出和后向输出，BiLSTM计算公式如下：
ht＝f(w1xt+w2ht-1+b1)
ht′t＝f(w3xt+w5ht+1+b2)
o′t＝g(w4ht+b3)
o″t＝g(w6ht′+b4)
Ot＝(o′t+o″t)/2
式中，f和g代表激活函数，wi(i＝1…6)表示一层网络层到另一网络层的权重；{…ht-1,ht,ht+1…}表示BiLSTM的前向传播层，{…xt-1,xt,xt+1…}表示前向传播层的输入；{…ht+1′,ht′,ht-1…}表示BiLSTM神经网络中的后向传播层，{…xt+1,xt,xt-1…}表示后向传播层的输入；b1、b2、b3、b4代表隐藏单元的偏置系
′″
数，ot、ot为两个LSTM单元在相应时刻分别处理输入的特征向量的结果，把相应时刻的两个特征向量相加求和取平均值作为输出的时序特征向量Ot。
参见图2，序列T在输入BiLSTM的同时，利用BiLSTM层提取信号中所包含的时间特征，还分别输入到三条包含卷积操作的分支中，第一个分支对输入进行1×1卷积操作，1×1卷积可以跨通道组织信息，提高网络的表达能力；第二个分支先使用1×1卷积，然后使用3×3卷积，本发明采用inceptionv3结构进一步将第二个分支中的3×3卷积分解为1×3和3×1的卷积，经过改进后的卷积核在处理较大特征数据时，加快了运算速度；第三个分支，先使用1×1卷积，然后使用5×5卷积，采用inceptionv3结构用两个3×3的卷积核代替5×5卷积核，并将其中一个3×3卷积核进一步拆分成1×3和3×1的卷积核，既降低了参数数量，也提升了计算速度；每一条分支都会学习整个数据集，保证得到精确的局部特征，再由特征融合层结合BiLSTM和卷积核的输出，形成联合特征，将联合特征输入到全连接层，进行时间序列的预测，完成模型的训练。
S4.电网线路故障检测：
将测试集数据输入到训练好的模型中，馈线电流的实际值与模型输出值之间的残差始终存在，残差值反映了线路的健康水平，为了更准确的反应残差的变化，以天为单位，计算RMSE值，通过观察RMSE值的变化趋势实现电网的故障检测，RMSE值计算公式为：
Figure BDA0003780972500000101
式中，R为均方根误差RMSE值，ri为实际值，
Figure BDA0003780972500000102
为模型输出值，n为样本数。
当电网线路正常运行，输入数据与模型会很好地匹配，输出残差足够小，RMSE值也足够小；相反，当线路处于不健康或故障状态，这些数据将不适应模型参数，RMSE值将远远大于训练误差。因此，将RMSE值作为检测指标进行处理。
由于模型是由馈线正常状态下的数据训练的，因此可以反映馈线正常运行期间的特征，为了进一步提高模型的表达能力，有必要对模型的状态检测阈值进行设置。为了定义故障的状态检测阈值，采用EWMA来计算。
指数加权移动平均法EWMA是一种统计学的方法，它能够平滑数据集，随着时间的推移，它的计算量将变小，此外，EWMA对微小的变化也很敏感，利用EWMA方法对深度学习模型的RMSE值进行处理，利用健康时期数据的RMSE值计算出预警阈值与报警阈值。EWMA的计算方法为：
vt＝βRt+(1-β)vt-1
式中，vt为EWMA控制线的统计量，Rt为t时刻的RMSE值，β为历史R对当前统计量的权重，分析过程中取值为0.2。
vt的均值和方差可通过下式计算得到：
Figure BDA0003780972500000103
式中，μR为R的均值，σR为R的标准差，nS为采样长度，该分析过程选择采样长度为48。
状态检测阈值计算公式如下：
Figure BDA0003780972500000111
将μR和σR代入L(t)中得到状态检测阈值计算公式：
Figure BDA0003780972500000112
式中，L(t)为第t个时间节点的状态检测阈值，μR为R的均值，σR为R的标准差，nS为采样长度，β为历史R对当前统计量的权重，取值为0.2；z为位置系数，为了防止误报警的情况，分别取z值为2和28，当z取2时，计算出EWMA的预警阈值；当z取28时，计算出EWMA的报警阈值。当RMSE超过预警阈值时，表示可能发生了故障，当RMSE超过了报警阈值时，则表示产生了早期故障。
下面通过对某变电站各个馈线一整年电流数据分析来验证本发明的有效性。
获取某变电站2021年全年各个馈线的电流数据，馈线ID分别为17DKX-329377，17DKX-327489，17DKX-479793，17DKX-330513，17DKX-773761，17DKX-908801，17DKX-1563265，17DKX-648657，17DKX-909137，17DKX-788801。其中，发生故障的馈线ID为17DKX-329377，选择该馈线为目标参数，17DKX-329377与其他馈线的皮尔逊相关系数如表2，通过表2可以发现，其他馈线与故障馈线的相关系数均大于0.5。
表2馈线间相关系数
馈线ID 17DKX-329377 17DKX-327489 17DKX-479793 17DKX-330513 17DKX-773761
相关系数 1 0.680364356 0.52682804 0.645846135 0.695869624
馈线ID 17DKX-908801 17DKX-1563265 17DKX-648657 17DKX-909137 17DKX-788801
相关系数 0.58138926 0.646336981 0.621193265 0.657489016 0.599987803
通过上述步骤对数据进行预处理及模型的搭建，采用MSE，RMSE，R2三个评价指标对模型的预测性能进行评估，各个指标如表3所示。ImTreNet模型各个指标都表现出良好的性能，MSE、RMSE两个误差指标均较小，R2接近于1，说明电网在健康状态下的预测值与真实值比较接近，模型的拟合程度较好，进一步说明了模型在电网在正常运行状态下能够实现准确预测。
表3ImTreNet模型评价指标表
评价指标 MSE RMSE R<sup>2</sup>
ImTreNet 0.155 0.393 0.934
图4为产生故障的馈线电流时域图，由图4可知，在160天以前电流趋于稳定，在160天后电流开始持续增长并在220天处出现故障并停电检修，检修后电流恢复正常值，图5为电网线路故障识别图，对比图5可知，RMSE值在160处达到了预警阈值，在170天处达到报警阈值，并在220天检修之后恢复到正常水平，说明了该模型可以有效的对电网线路故障进行检测。
实施例2
一种电网线路故障检测系统，用于实现实施例1所述的检测方法，包括：
数据获取模块，获取训练集电流数据和测试集电流数据；
模型搭建模块，引入Inceptionv3结构，采用卷积核与BiLSTM并行的方式，提取电网线路故障特征，输入特征融合层形成联合特征，将联合特征输入到全连接层，进行时间序列的预测，完成电网线路故障预测模型ImTreNet模型的搭建；
模型训练模块，将训练集电流数据作为训练集输入到搭建好的ImTreNet模型中，对模型进行训练；
故障检测模块，将测试集电流数据输入到训练好的预测模型中，实现下一时刻馈线电流的预测。
进一步地，数据获取模块具体用于：
确定待测馈线ID并将其电流数据作为目标参数，选择同一变电站下与该馈线相关系数大于0.5的其他馈线电流作为输入参数；将各个馈线的电流数据进行标准化处理，获取训练集电流数据和测试集电流数据。
更进一步地，相关系数为皮尔逊相关系数，皮尔逊相关系数计算公式如下：
Figure BDA0003780972500000131
式中，r为皮尔逊相关系数，n是样本数，xi和yi是第i采样点，
Figure BDA0003780972500000132
和
Figure BDA0003780972500000133
是样本均值。
更进一步地，标准化处理方法为：
Figure BDA0003780972500000134
式中，x'表示标准化后的电流数据，x表示电流数据，μ为均值，σ为方差。
进一步地，卷积核为尺寸为(1，1)、(3，3)、(1，3)、(3，1)的一维卷积核，进行多尺度的局部抽象特征提取。
进一步地，BiLSTM的信息传播分为前向和后向两部分，每个时刻的输出便同时包含有该神经元的前向输出和后向输出，计算公式如下：
ht＝f(w1xt+w2ht-1+b1)
h′t＝f(w3xt+w5ht+1+b2)
o′t＝g(w4ht+b3)
o″t＝g(w6h′t+b4)
Ot＝(o′t+o″t)/2
式中，f和g代表激活函数，wi(i＝1…6)表示一层网络层到另一网络层的权重；{…ht-1,ht,ht+1…}表示BiLSTM神经网络中的前向传播层，{…xt-1,xt,xt+1…}表示前向传播层的输入；{…ht+1′,ht′,ht-1′…}表示BiLSTM神经网络中的后向传播层，{…xt+1,xt,xt-1…}表示后向传播层的输入；b1、b2、b3、b4代表隐藏单元的偏置系数，o′t，o″t为两个LSTM单元在相应时刻分别处理输入的特征向量的结果，把相应时刻的两个特征向量相加求和取平均值作为输出的时序特征向量Ot。
进一步地，故障检测模块具体用于：
将馈线电流的实际值与模型输出值之间的均方根误差RMSE值作为电网线路故障的检测指标，进行电网故障的检测；
RMSE值的计算公式为：
Figure BDA0003780972500000141
式中，R为均方根误差RMSE值，ri为实际值，
Figure BDA0003780972500000142
为模型输出值，n为样本数。
更进一步地，电网故障的检测还包括：将RMSE值与状态检测阈值比较，进行电网故障的检测；
状态检测阈值的计算公式为：
Figure BDA0003780972500000143
式中，L(t)为状态检测阈值，μR为R的均值，σR为R的标准差，nS为采样长度，z为位置系数，β为历史R对当前统计量的权重。
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，本发明可采用完全硬件实施例、完全软件实施例、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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (16)

1.一种电网线路故障检测方法，其特征在于，包括以下步骤：
S1.获取训练集电流数据和测试集电流数据；
S2.引入Inceptionv3结构，采用卷积核与BiLSTM并行的方式，提取电网线路故障特征，输入特征融合层形成联合特征，将联合特征输入到全连接层，进行时间序列的预测，完成电网线路故障预测模型ImTreNet模型的搭建；
S3.将训练集电流数据作为训练集输入到步骤S2搭建好的ImTreNet模型中，对模型进行训练；
S4.将测试集电流数据输入到步骤S3训练好的预测模型中，实现下一时刻馈线电流的预测。
2.根据权利要求1所述的电网线路故障检测方法，其特征在于，步骤S1所述的获取训练集电流数据和测试集电流数据，包括：
确定待测馈线ID并将其电流数据作为目标参数，选择同一变电站下与该馈线相关系数大于0.5的其他馈线电流作为输入参数；将各个馈线的电流数据进行标准化处理，获取训练集电流数据和测试集电流数据。
3.根据权利要求2所述的电网线路故障检测方法，其特征在于，所述的相关系数为皮尔逊相关系数，皮尔逊相关系数计算公式如下：
Figure FDA0003780972490000011
式中，r为皮尔逊相关系数，n是样本数，xi和yi是第i采样点，
Figure FDA0003780972490000013
和
Figure FDA0003780972490000014
是样本均值。
4.根据权利要求2所述的电网线路故障检测方法，其特征在于，所述的标准化处理方法为：
Figure FDA0003780972490000012
式中，x'表示标准化后的电流数据，x表示电流数据，μ为均值，σ为方差。
5.根据权利要求1所述的电网线路故障检测方法，其特征在于，步骤S2所述的卷积核为尺寸为(1，1)、(3，3)、(1，3)、(3，1)的一维卷积核。
6.根据权利要求1所述的电网线路故障检测方法，其特征在于，步骤S2所述的BiLSTM的信息传播分为前向和后向两部分，每个时刻的输出便同时包含有该神经元的前向输出和后向输出，计算公式如下：
ht＝f(w1xt+w2ht-1+b1)
h′t＝f(w3xt+w5ht+1+b2)
o′t＝g(w4ht+b3)
o″t＝g(w6h′t+b4)
Ot＝(o′t+o″t)/2
式中，f和g代表激活函数，wi(i＝1…6)表示一层网络层到另一网络层的权重；{…ht-1,ht,ht+1…}表示BiLSTM神经网络中的前向传播层，{…xt-1,xt,xt+1…}表示前向传播层的输入；{…ht+1′,ht′,ht-1′…}表示BiLSTM神经网络中的后向传播层，{…xt+1,xt,xt-1…}表示后向传播层的输入；b1、b2、b3、b4代表隐藏单元的偏置系数，o′t，o″t为两个LSTM单元在相应时刻分别处理输入的特征向量的结果，把相应时刻的两个特征向量相加求和取平均值作为输出的时序特征向量Ot。
7.根据权利要求1所述的电网线路故障检测方法，其特征在于，步骤S4所述的将测试集电流数据输入到训练好的预测模型中，实现下一时刻馈线电流的预测，包括：
将馈线电流的实际值与模型输出值之间的均方根误差RMSE值作为电网线路故障的检测指标，进行电网故障的检测；
所述RMSE值的计算公式为：
Figure FDA0003780972490000021
式中，R为均方根误差RMSE值，ri为实际值，
Figure FDA0003780972490000031
为模型输出值，n为样本数。
8.根据权利要求7所述的电网线路故障检测方法，其特征在于，所述的电网故障的检测还包括：将RMSE值与状态检测阈值比较，进行电网故障的检测；
所述状态检测阈值的计算公式为：
Figure FDA0003780972490000032
式中，L(t)为状态检测阈值，μR为R的均值，σR为R的标准差，nS为采样长度，z为位置系数，β为历史R对当前统计量的权重。
9.一种电网线路故障检测系统，其特征在于，包括：
数据获取模块，获取训练集电流数据和测试集电流数据；
模型搭建模块，引入Inceptionv3结构，采用卷积核与BiLSTM并行的方式，提取电网线路故障特征，输入特征融合层形成联合特征，将联合特征输入到全连接层，进行时间序列的预测，完成电网线路故障预测模型ImTreNet模型的搭建；
模型训练模块，将训练集电流数据作为训练集输入到搭建好的ImTreNet模型中，对模型进行训练；
故障检测模块，将测试集电流数据输入到训练好的预测模型中，实现下一时刻馈线电流的预测。
10.根据权利要求9所述的电网线路故障检测系统，其特征在于，所述数据获取模块具体用于：确定待测馈线ID并将其电流数据作为目标参数，选择同一变电站下与该馈线相关系数大于0.5的其他馈线电流作为输入参数；将各个馈线的电流数据进行标准化处理，获取训练集电流数据和测试集电流数据。
11.根据权利要求10所述的电网线路故障检测系统，其特征在于，所述的相关系数为皮尔逊相关系数，皮尔逊相关系数计算公式如下：
Figure FDA0003780972490000041
式中，r为皮尔逊相关系数，n是样本数，xi和yi是第i采样点，
Figure FDA0003780972490000042
和
Figure FDA0003780972490000043
是样本均值。
12.根据权利要求10所述的电网线路故障检测系统，其特征在于，所述的标准化处理方法为：
Figure FDA0003780972490000044
式中，x'表示标准化后的电流数据，x表示电流数据，μ为均值，σ为方差。
13.根据权利要求9所述的电网线路故障检测系统，其特征在于，所述的卷积核为尺寸为(1，1)、(3，3)、(1，3)、(3，1)的一维卷积核。
14.根据权利要求9所述的电网线路故障检测系统，其特征在于，所述的BiLSTM的信息传播分为前向和后向两部分，每个时刻的输出便同时包含有该神经元的前向输出和后向输出，计算公式如下：
ht＝f(w1xt+w2ht-1+b1)
h′t＝f(w3xt+w5ht+1+b2)
o′t＝g（w4ht+b3）
o″t＝g(w6h′t+b4)
Ot＝(o′t+o″t)/2
式中，f和g代表激活函数，wi(i＝1…6)表示一层网络层到另一网络层的权重；{…ht-1,ht,ht+1…}表示BiLSTM神经网络中的前向传播层，{…xt-1,xt,xt+1…}表示前向传播层的输入；{…ht+1′,ht′,ht-1′…}表示BiLSTM神经网络中的后向传播层，{…xt+1,xt,xt-1…}表示后向传播层的输入；b1、b2、b3、b4代表隐藏单元的偏置系数，o′t，o″t为两个LSTM单元在相应时刻分别处理输入的特征向量的结果，把相应时刻的两个特征向量相加求和取平均值作为输出的时序特征向量Ot。
15.根据权利要求9所述的电网线路故障检测系统，其特征在于，所述的故障检测模块具体用于：将馈线电流的实际值与模型输出值之间的均方根误差RMSE值作为电网线路故障的检测指标，进行电网故障的检测；
所述RMSE值的计算公式为：
Figure FDA0003780972490000051
式中，R为均方根误差RMSE值，ri为实际值，
Figure FDA0003780972490000052
为模型输出值，n为样本数。
16.根据权利要求15所述的电网线路故障检测系统，其特征在于，所述的电网故障的检测还包括：将RMSE值与状态检测阈值比较，进行电网故障的检测；
所述状态检测阈值的计算公式为：
Figure FDA0003780972490000053
式中，L(t)为状态检测阈值，μR为R的均值，σR为R的标准差，nS为采样长度，z为位置系数，β为历史R对当前统计量的权重。
CN202210929346.4A 2022-08-03 2022-08-03 一种电网线路故障检测方法和系统 Pending CN115184734A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210929346.4A CN115184734A (zh) 2022-08-03 2022-08-03 一种电网线路故障检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210929346.4A CN115184734A (zh) 2022-08-03 2022-08-03 一种电网线路故障检测方法和系统

Publications (1)

Publication Number Publication Date
CN115184734A true CN115184734A (zh) 2022-10-14

Family

ID=83521849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210929346.4A Pending CN115184734A (zh) 2022-08-03 2022-08-03 一种电网线路故障检测方法和系统

Country Status (1)

Country Link
CN (1) CN115184734A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117791856A (zh) * 2023-12-20 2024-03-29 武汉人云智物科技有限公司 一种基于巡检机器人的电网故障预警方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117791856A (zh) * 2023-12-20 2024-03-29 武汉人云智物科技有限公司 一种基于巡检机器人的电网故障预警方法及装置

Similar Documents

Publication Publication Date Title
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
CN106779505B (zh) 一种基于大数据驱动的输电线路故障预警方法及系统
CN109146246B (zh) 一种基于自动编码器和贝叶斯网络的故障检测方法
CN109460618A (zh) 一种滚动轴承剩余寿命在线预测方法及系统
CN111680820B (zh) 分布式光伏电站故障诊断方法和装置
CN107949812A (zh) 用于检测配水系统中的异常的组合方法
CN116244617A (zh) 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统
CN108090515B (zh) 一种基于数据融合的环境等级评估方法
CN110879377A (zh) 基于深度信念网络的计量装置故障溯源方法
CN115409131A (zh) 基于spc过程管控系统的生产线异常检测方法
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN111612149A (zh) 一种基于决策树的主网线路状态检测方法、系统及介质
CN117972537B (zh) 基于广域量测的电压互感器计量状态评估方法及系统
Song et al. Telemetry data-based spacecraft anomaly detection using generative adversarial networks
CN116736214A (zh) 一种cvt稳定性评估方法和系统
CN115184734A (zh) 一种电网线路故障检测方法和系统
CN116306806A (zh) 故障诊断模型确定方法、装置及非易失性存储介质
CN117060353A (zh) 基于前馈神经网络高压直流输电系统故障诊断方法及系统
CN116338545A (zh) 电流互感器计量误差状态识别方法、系统、设备及介质
Chen et al. A data-driven approach for assessing aero-engine health status
CN115127605B (zh) 一种水质自动监测系统远程智能诊断系统及方法
CN110633874B (zh) 一种变电站二次设备状态监测方法及可读存储介质
CN116304846B (zh) 一种基于自监督学习的cvt内部绝缘异常在线评估方法
CN117034157B (zh) 一种结合多模态运行数据的水电设备故障识别方法与系统
CN114580101B (zh) 一种旋转机械剩余使用寿命预测方法及系统

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