CN115754599A - 基于迁移学习的电缆故障定位方法和装置 - Google Patents
基于迁移学习的电缆故障定位方法和装置 Download PDFInfo
- Publication number
- CN115754599A CN115754599A CN202211408687.3A CN202211408687A CN115754599A CN 115754599 A CN115754599 A CN 115754599A CN 202211408687 A CN202211408687 A CN 202211408687A CN 115754599 A CN115754599 A CN 115754599A
- Authority
- CN
- China
- Prior art keywords
- data matrix
- sample points
- matrix
- original data
- traveling wave
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013526 transfer learning Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 149
- 230000009467 reduction Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 29
- 230000005012 migration Effects 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Locating Faults (AREA)
Abstract
本发明实施例涉及故障定位技术领域,公开了一种基于迁移学习的电缆故障定位方法和装置。该方法包括:获取电流监测设备得到的电流行波波形,基于电流行波波形构建原始数据矩阵;基于迁移学习算法对原始数据矩阵进行处理,得到输出数据矩阵;对输出数据矩阵进行降维处理,得到降维数据矩阵;基于降维数据矩阵进行聚类,得到多个聚类后的数据集;选取样本点最少的两个数据集作为目标数据集,将目标数据集与电流行波波形进行匹配,确定目标数据集中样本点在电流行波波形中斜率最大的两个样本点;确定目标样本点的时间差,以时间差和行波速度确定故障点。实施本发明实施例,可以精准确定电缆故障点。
Description
技术领域
本发明涉及故障定位技术领域,具体涉及一种基于迁移学习的电缆故障定位方法和装置。
背景技术
在线路故障定位领域,行波故障定位法是最常用的一种方式。行波是一种电磁波,其幅值和相位角在时间轴范围内不断发生改变;在输电系统中,行波只能沿传输线路传播,无法和其它类型的电磁波一样在空气中传播。行波是在电力系统电压或者电流发生抖动的时候产生的;工频电流和工频电压都具有低频稳态特性,但当状态发生改变时,则会产生具有高频暂态特性的电磁波。
当输电线路发生故障时,故障点的行波总是沿着输电线路本体向两端传播,故障行波波头能够反映出故障的全部信息,通过对行波波头到达各监测端的时刻进行标定,结合故障行波在线路中的波速度就能计算出故障点到监测端的距离。但是对行波波头到达各监测端的时刻进行标定过程中,会出现同步的时间延迟导致的随机误差,从而无法准确识别行波到达的时间。
发明内容
针对所述缺陷,本发明实施例公开了一种基于迁移学习的电缆故障定位方法和装置,其通过迁移学习克服时序不一致对时间标定造成的影响,从而准确识别行波到达的时间。
本发明实施例第一方面公开一种基于迁移学习的电缆故障定位方法,在电缆的任一端设置电流监测设备,所述电缆故障定位方法包括以下步骤:
获取所述电流监测设备得到的电流行波波形,基于所述电流行波波形构建原始数据矩阵,定义为RN×d,表示原始数据矩阵R具有N×d个样本点;其中,N为采样点,根据采样率和采样时长确定,d为采样维度;
基于迁移学习算法对所述原始数据矩阵进行处理,得到输出数据矩阵;
对所述输出数据矩阵进行降维处理,得到降维数据矩阵;
基于所述降维数据矩阵进行聚类,得到多个聚类后的数据集;
选取样本点最少的两个数据集作为目标数据集,将所述目标数据集与所述电流行波波形进行匹配,确定目标数据集中样本点在所述电流行波波形中斜率最大的两个样本点,记为目标样本点;
确定所述目标样本点的时间差,以所述时间差和行波速度确定故障点。
作为较佳的实施例,在本发明实施例的第一方面中,基于所述电流行波波形构建原始数据矩阵,包括:
以固定采样率和采样时长在所述电流行波波形中选取多干个样本点,构成一维的原始数据矩阵。
作为较佳的实施例,在本发明实施例的第一方面中,基于迁移学习算法对所述原始数据矩阵进行处理,得到输出数据矩阵,包括:
通过T-Net网络对所述原始数据矩阵进行变换处理,得到变换数据矩阵;
通过MLP网络对所述变换数据矩阵进行点映射,得到所述输出数据矩阵。
作为较佳的实施例,在本发明实施例的第一方面中,所述变换数据矩阵的样本点与所述原始数据矩阵的样本点的数量相同;所述输出数据矩阵的样本点数为N×64个。
作为较佳的实施例,在本发明实施例的第一方面中,通过T-Net网络对所述原始数据矩阵进行变换处理,得到变换数据矩阵,包括:
所述T-Net网络包括T-Net子模块和变换子模块;
利用T-Net子模块将所述原始数据矩阵转换成d×d的第一矩阵;
利用变换子模块将所述第一矩阵和原始数据矩阵进行相乘,得到N×d的变换数据矩阵。
作为较佳的实施例,在本发明实施例的第一方面中,对所述输出数据矩阵进行降维处理通过KPCA算法实现;或/和,对所述降维数据矩阵进行聚类通过DBSCAN算法实现。
本发明实施例第二方面公开了基于迁移学习的电缆故障定位装置,在电缆的任一端设置电流监测设备,所述电缆故障定位装置包括:
构建单元,用于获取所述电流监测设备得到的电流行波波形,基于所述电流行波波形构建原始数据矩阵,定义为RN×d,表示原始数据矩阵R具有N×d个样本点;其中,N为采样点,根据采样率和采样时长确定,d为采样维度;
迁移单元,用于基于迁移学习算法对所述原始数据矩阵进行处理,得到输出数据矩阵;
降维单元,用于对所述输出数据矩阵进行降维处理,得到降维数据矩阵;
聚类单元,用于基于所述降维数据矩阵进行聚类,得到多个聚类后的数据集;
选取单元,用于选取样本点最少的两个数据集作为目标数据集,将所述目标数据集与所述电流行波波形进行匹配,确定目标数据集中样本点在所述电流行波波形中斜率最大的两个样本点,记为目标样本点;
定位单元,用于确定所述目标样本点的时间差,以所述时间差和行波速度确定故障点。
作为较佳的实施例,在本发明实施例的第二方面中,所述迁移单元,包括:
变换子单元,用于通过T-Net网络对所述原始数据矩阵进行变换处理,得到变换数据矩阵;
映射子单元,用于通过MLP网络对所述变换数据矩阵进行点映射,得到所述输出数据矩阵。
作为较佳的实施例,在本发明实施例的第二方面中,所述变换数据矩阵的样本点与所述原始数据矩阵的样本点的数量相同;所述输出数据矩阵的样本点数为N×64个。
作为较佳的实施例,在本发明实施例的第二方面中,所述T-Net网络包括T-Net子模块和变换子模块;所述变换子单元,包括:
利用T-Net子模块将所述原始数据矩阵转换成d×d的第一矩阵;
利用变换子模块将所述第一矩阵和原始数据矩阵进行相乘,得到N×d的变换数据矩阵。
本发明实施例第三方面公开一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行本发明实施例第一方面公开的一种基于迁移学习的电缆故障定位方法。
本发明实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行本发明实施例第一方面公开的一种基于迁移学习的电缆故障定位方法。
本发明实施例第五方面公开一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明实施例第一方面公开的一种基于迁移学习的电缆故障定位方法。
本发明实施例第六方面公开一种应用发布平台,所述应用发布平台用于发布计算机程序产品,其中,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明实施例第一方面公开的一种基于迁移学习的电缆故障定位方法。
与现有技术相比,本发明实施例具有以下有益效果:
本发明使用迁移学习算法对原始数据矩阵进行变换,从而使得各维时间之间的时序保持一致,避免随机时间误差造成的时间标定不准确,从而可以得到准确的故障定位结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于迁移学习的电缆故障定位方法的流程示意图;
图2是本发明实施例公开的T-Net网络和MLP网络的结构示意图;
图3是本发明实施例公开的一种基于迁移学习的电缆故障定位装置的结构示意图;
图4是本发明实施例公开的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,示例性地,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种基于迁移学习的电缆故障定位方法和装置,使用迁移学习算法对原始数据矩阵进行变换,从而使得各维时间之间的时序保持一致,避免随机时间误差造成的时间标定不准确,从而可以得到准确的故障定位结果,以下结合附图进行详细描述。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于迁移学习的电缆故障定位方法的流程示意图。本发明实施例采用单端行波故障定位方法,在其中一端(记为监测端)设置电流监测设备,例如电流互感器和示波器(当然也可以采用计算机相关软件实现波形展示,或者其他的波形分析设备等)的结合。如图1所示,该基于迁移学习的电缆故障定位方法包括以下步骤:
S110,获取所述电流监测设备得到的电流行波波形,基于所述电流行波波形构建原始数据矩阵,定义为RN×d,表示原始数据矩阵R具有N×d个样本点;其中,N为采样点,根据采样率和采样时长确定,d为采样维度。
电流监测设备可以通过电流互感器的电流采集,以及示波器得到电流行波波形,通过固定采样率例如100MHZ,固定时长例如12μs,即可得到N=1200个采样点,得到1200个样本数据,通过多次采样,得到多维数据,例如d=6,构成原始数据矩阵,即上述原始数据矩阵共包含1200×6个样本点(即样本数据)。
可以理解的是:1200×6的采样数据构建的原始数据矩阵与原始的行波信号在时序中存在不一致的情况(采样数据与原始的行波信号的数据在时序分布上肯定存在不一致的情况,每次从电流互感器采样的数据进行截取时的数据在时序上很难保证一致,例如:假设行波电流为标准的正弦波,第一次采样截取的数据1200个样本点正好为一个标准的正弦波形,第二次监测时同样采集1200个数据,此时则不一定为正弦波形,这样数据之间存在时序的变化)。
为了克服数据之间随机时间误差,在本发明较佳的实施例中,引入迁移学习算法对该样本点进行空间位置的调整,从而达到时序一致的目的。
S120,基于迁移学习算法对所述原始数据矩阵进行处理,得到输出数据矩阵。
迁移学习算法可以采用PointNet分类网络中的T-Net网络,只要选取预先训练后的PointNet分类网络中的T-Net网络和MLP网络即可,请参照图2所示。通过T-Net网络对所述原始数据矩阵进行变换处理,得到变换数据矩阵;再通过MLP网络对所述变换数据矩阵进行点映射,得到所述输出数据矩阵。
之所以引入MLP网络,为了提升各个样本点的区分度,MLP网络是对变换数据矩阵进行升维,可以在后续聚类时更容易聚类。
请参照图2所示,以N×6的原始数据矩阵为例,T-Net网络包括T-Net子模块和变换子模块;利用T-Net子模块(6×6)将所述原始数据矩阵转换成d×d的第一矩阵,即第一矩阵为6×6的数据;然后再利用变换子模块(Matrix Multiply)将所述第一矩阵和原始数据矩阵进行相乘,得到N×d,即N×6维的变换数据矩阵。
再将N×6维的变换数据矩阵输入MLP网络(64×64),通过MLP网络(64×64)的操作将该变换数据矩阵中的每一个样本数据均映射到一个64维的空间中,得到的特征数据为N×64的矩阵,记为输出数据矩阵。
S130,对所述输出数据矩阵进行降维处理,得到降维数据矩阵。
降维处理的方法有多种,例如,在本发明较佳的实施例中,可以采用PCA或KPCA等算法实现,在本发明较佳的实施例中,降维后得到的降维数据矩阵为N×2维。
S140,基于所述降维数据矩阵进行聚类,得到多个聚类后的数据集。
聚类的方法有多种,例如可以采用DBSCAN算法实现。
上述降维和聚类算法以及处理过程均为现有常规技术,这里不再详细描述。
S150,选取样本点最少的两个数据集作为目标数据集,将所述目标数据集与所述电流行波波形进行匹配,确定目标数据集中样本点在所述电流行波波形中斜率最大的两个样本点,记为目标样本点。
由于行波波峰幅值大、斜率高,在等间距采样的情况下对应的样本数量最少。因此,到达时间识别的算法包括如下步骤:
1)找到样本数集中样本点数量最少的数据集,作为目标数据集。
2)将目标数据集的样本点与原始的电流行波波形进行匹配。
3)找到目标数据集的样本点中在原始的电流行波波形中斜率最大的两个样本点,记为目标样本点。
S160,确定所述目标样本点的时间差,以所述时间差和行波速度确定故障点。
找出目标样本点在电流行波波形中对应的时间轴坐标,即目标样本点均为行波到达时刻,分别为第一个行波达到时间和第二个行波达到时间,二者之差即目标样本点对应的时间差,就是故障点到监测端(电流监测设备的一端)的时间,然后结合行波的波速度(与电缆的磁导率和介电常数决定),则该时间差和行波速度的乘积即为故障点到监测端的距离。
实施例二
请参阅图3,图3是本发明实施例公开的一种基于迁移学习的电缆故障定位装置的结构示意图,在电缆的任一端设置电流监测设备,请参照图3所示,所述电缆故障定位装置包括:
构建单元210,用于获取所述电流监测设备得到的电流行波波形,基于所述电流行波波形构建原始数据矩阵,定义为RN×d,表示原始数据矩阵R具有N×d个样本点;其中,N为采样点,根据采样率和采样时长确定,d为采样维度;
迁移单元220,用于基于迁移学习算法对所述原始数据矩阵进行处理,得到输出数据矩阵;
降维单元230,用于对所述输出数据矩阵进行降维处理,得到降维数据矩阵;
聚类单元240,用于基于所述降维数据矩阵进行聚类,得到多个聚类后的数据集;
选取单元250,用于选取样本点最少的两个数据集作为目标数据集,将所述目标数据集与所述电流行波波形进行匹配,确定目标数据集中样本点在所述电流行波波形中斜率最大的两个样本点,记为目标样本点;
定位单元260,用于确定所述目标样本点的时间差,以所述时间差和行波速度确定故障点。
优选地,所述迁移单元220,可以包括:
变换子单元221,用于通过T-Net网络对所述原始数据矩阵进行变换处理,得到变换数据矩阵;
映射子单元222,用于通过MLP网络对所述变换数据矩阵进行点映射,得到所述输出数据矩阵。
优选地,所述变换数据矩阵的样本点与所述原始数据矩阵的样本点的数量相同;所述输出数据矩阵的样本点数为N×64个。
优选地,所述T-Net网络包括T-Net子模块和变换子模块;所述变换子单元221,可以包括:
利用T-Net子模块将所述原始数据矩阵转换成d×d的第一矩阵;
利用变换子模块将所述第一矩阵和原始数据矩阵进行相乘,得到N×d的变换数据矩阵。
实施例三
请参阅图4,图4是本发明实施例公开的一种电子设备的结构示意图。如图4所示,该电子设备可以包括:
存储有可执行程序代码的存储器310;
与存储器310耦合的处理器320;
其中,处理器320调用存储器310中存储的可执行程序代码,执行实施例一中的一种基于迁移学习的电缆故障定位方法中的部分或全部步骤。
本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行实施例一中的一种基于迁移学习的电缆故障定位方法中的部分或全部步骤。
本发明实施例还公开一种计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中的一种基于迁移学习的电缆故障定位方法中的部分或全部步骤。
本发明实施例还公开一种应用发布平台,其中,应用发布平台用于发布计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中的一种基于迁移学习的电缆故障定位方法中的部分或全部步骤。
在本发明的各种实施例中,应理解,所述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可位于一个地方,或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分,可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
在本发明所提供的实施例中,应理解,“与A对应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种基于迁移学习的电缆故障定位方法和装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于迁移学习的电缆故障定位方法,其特征在于,在电缆的任一端设置电流监测设备,所述电缆故障定位方法包括以下步骤:
获取所述电流监测设备得到的电流行波波形,基于所述电流行波波形构建原始数据矩阵,定义为RN×d,表示原始数据矩阵R具有N×d个样本点;其中,N为采样点,根据采样率和采样时长确定,d为采样维度;
基于迁移学习算法对所述原始数据矩阵进行处理,得到输出数据矩阵;
对所述输出数据矩阵进行降维处理,得到降维数据矩阵;
基于所述降维数据矩阵进行聚类,得到多个聚类后的数据集;
选取样本点最少的两个数据集作为目标数据集,将所述目标数据集与所述电流行波波形进行匹配,确定目标数据集中样本点在所述电流行波波形中斜率最大的两个样本点,记为目标样本点;
确定所述目标样本点的时间差,以所述时间差和行波速度确定故障点。
2.根据权利要求1所述的基于迁移学习的电缆故障定位方法,其特征在于,基于所述电流行波波形构建原始数据矩阵,包括:
以固定采样率和采样时长在所述电流行波波形中选取多干个样本点,构成一维的原始数据矩阵。
3.根据权利要求1所述的基于迁移学习的电缆故障定位方法,其特征在于,基于迁移学习算法对所述原始数据矩阵进行处理,得到输出数据矩阵,包括:
通过T-Net网络对所述原始数据矩阵进行变换处理,得到变换数据矩阵;
通过MLP网络对所述变换数据矩阵进行点映射,得到所述输出数据矩阵。
4.根据权利要求3所述的基于迁移学习的电缆故障定位方法,其特征在于,所述变换数据矩阵的样本点与所述原始数据矩阵的样本点的数量相同;所述输出数据矩阵的样本点数为N×64个。
5.根据权利要求3所述的基于迁移学习的电缆故障定位方法,其特征在于,通过T-Net网络对所述原始数据矩阵进行变换处理,得到变换数据矩阵,包括:
所述T-Net网络包括T-Net子模块和变换子模块;
利用T-Net子模块将所述原始数据矩阵转换成d×d的第一矩阵;
利用变换子模块将所述第一矩阵和原始数据矩阵进行相乘,得到N×d的变换数据矩阵。
6.根据权利要求1-5任一项所述的基于迁移学习的电缆故障定位方法,其特征在于,对所述输出数据矩阵进行降维处理通过KPCA算法实现;或/和,对所述降维数据矩阵进行聚类通过DBSCAN算法实现。
7.一种基于迁移学习的电缆故障定位装置,其特征在于,在电缆的任一端设置电流监测设备,所述电缆故障定位装置包括:
构建单元,用于获取所述电流监测设备得到的电流行波波形,基于所述电流行波波形构建原始数据矩阵,定义为RN×d,表示原始数据矩阵R具有N×d个样本点;其中,N为采样点,根据采样率和采样时长确定,d为采样维度;
迁移单元,用于基于迁移学习算法对所述原始数据矩阵进行处理,得到输出数据矩阵;
降维单元,用于对所述输出数据矩阵进行降维处理,得到降维数据矩阵;
聚类单元,用于基于所述降维数据矩阵进行聚类,得到多个聚类后的数据集;
选取单元,用于选取样本点最少的两个数据集作为目标数据集,将所述目标数据集与所述电流行波波形进行匹配,确定目标数据集中样本点在所述电流行波波形中斜率最大的两个样本点,记为目标样本点;
定位单元,用于确定所述目标样本点的时间差,以所述时间差和行波速度确定故障点。
8.根据权利要求7所述的基于迁移学习的电缆故障定位装置,其特征在于,所述迁移单元,包括:
变换子单元,用于通过T-Net网络对所述原始数据矩阵进行变换处理,得到变换数据矩阵;
映射子单元,用于通过MLP网络对所述变换数据矩阵进行点映射,得到所述输出数据矩阵。
9.根据权利要求8所述的基于迁移学习的电缆故障定位装置,其特征在于,所述变换数据矩阵的样本点与所述原始数据矩阵的样本点的数量相同;所述输出数据矩阵的样本点数为N×64个。
10.根据权利要求8所述的基于迁移学习的电缆故障定位装置,其特征在于,所述T-Net网络包括T-Net子模块和变换子模块;所述变换子单元,包括:
利用T-Net子模块将所述原始数据矩阵转换成d×d的第一矩阵;
利用变换子模块将所述第一矩阵和原始数据矩阵进行相乘,得到N×d的变换数据矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408687.3A CN115754599B (zh) | 2022-11-10 | 2022-11-10 | 基于迁移学习的电缆故障定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408687.3A CN115754599B (zh) | 2022-11-10 | 2022-11-10 | 基于迁移学习的电缆故障定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115754599A true CN115754599A (zh) | 2023-03-07 |
CN115754599B CN115754599B (zh) | 2024-06-14 |
Family
ID=85369293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211408687.3A Active CN115754599B (zh) | 2022-11-10 | 2022-11-10 | 基于迁移学习的电缆故障定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115754599B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116338525A (zh) * | 2023-05-26 | 2023-06-27 | 昆明理工大学 | 一种风电交流送出线路故障测距方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841930A (zh) * | 2017-04-13 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种输电线路故障行波的检测方法 |
CN110426592A (zh) * | 2019-08-16 | 2019-11-08 | 南京国电南自电网自动化有限公司 | 基于行波时间差的架空和电缆混合线路接地故障定位方法 |
EP3648011A1 (en) * | 2018-11-02 | 2020-05-06 | Accenture Global Solutions Limited | Hierarchical clustered reinforcement machine learning |
CN111474442A (zh) * | 2020-03-30 | 2020-07-31 | 国网山东省电力公司德州供电公司 | 一种配电网单相接地故障定位方法及系统 |
CN112946424A (zh) * | 2021-02-04 | 2021-06-11 | 南方电网科学研究院有限责任公司 | 一种故障精确定位的方法及装置 |
CN113409574A (zh) * | 2021-06-18 | 2021-09-17 | 北京航空航天大学 | 一种基于贝叶斯网络的交通健康诊断方法 |
CN113495201A (zh) * | 2021-06-30 | 2021-10-12 | 南京荣港电气技术有限公司 | 分布式输电线缆故障定位诊断系统及定位诊断方法 |
CN113496061A (zh) * | 2021-03-03 | 2021-10-12 | 安徽大学 | 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法 |
CN113568819A (zh) * | 2021-01-31 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 异常数据检测方法、装置、计算机可读介质及电子设备 |
CN114169231A (zh) * | 2021-11-25 | 2022-03-11 | 上海交通大学 | 一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法 |
CN114878967A (zh) * | 2022-05-17 | 2022-08-09 | 国家电网有限公司 | 一种高压电缆线路故障定位方法、系统及可读存储介质 |
CN114966312A (zh) * | 2022-05-18 | 2022-08-30 | 广东电网有限责任公司 | 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 |
WO2022178977A1 (zh) * | 2021-02-26 | 2022-09-01 | 西北工业大学 | 一种基于自适应近邻图嵌入的无监督数据降维方法 |
CN115128394A (zh) * | 2022-06-13 | 2022-09-30 | 武汉三相电力科技有限公司 | 配网故障定位方法、装置、设备及存储介质 |
-
2022
- 2022-11-10 CN CN202211408687.3A patent/CN115754599B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841930A (zh) * | 2017-04-13 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种输电线路故障行波的检测方法 |
EP3648011A1 (en) * | 2018-11-02 | 2020-05-06 | Accenture Global Solutions Limited | Hierarchical clustered reinforcement machine learning |
CN110426592A (zh) * | 2019-08-16 | 2019-11-08 | 南京国电南自电网自动化有限公司 | 基于行波时间差的架空和电缆混合线路接地故障定位方法 |
CN111474442A (zh) * | 2020-03-30 | 2020-07-31 | 国网山东省电力公司德州供电公司 | 一种配电网单相接地故障定位方法及系统 |
CN113568819A (zh) * | 2021-01-31 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 异常数据检测方法、装置、计算机可读介质及电子设备 |
CN112946424A (zh) * | 2021-02-04 | 2021-06-11 | 南方电网科学研究院有限责任公司 | 一种故障精确定位的方法及装置 |
WO2022178977A1 (zh) * | 2021-02-26 | 2022-09-01 | 西北工业大学 | 一种基于自适应近邻图嵌入的无监督数据降维方法 |
CN113496061A (zh) * | 2021-03-03 | 2021-10-12 | 安徽大学 | 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法 |
CN113409574A (zh) * | 2021-06-18 | 2021-09-17 | 北京航空航天大学 | 一种基于贝叶斯网络的交通健康诊断方法 |
CN113495201A (zh) * | 2021-06-30 | 2021-10-12 | 南京荣港电气技术有限公司 | 分布式输电线缆故障定位诊断系统及定位诊断方法 |
CN114169231A (zh) * | 2021-11-25 | 2022-03-11 | 上海交通大学 | 一种基于迁移学习获取配电线路故障分类、定位与选线深度学习模型的方法 |
CN114878967A (zh) * | 2022-05-17 | 2022-08-09 | 国家电网有限公司 | 一种高压电缆线路故障定位方法、系统及可读存储介质 |
CN114966312A (zh) * | 2022-05-18 | 2022-08-30 | 广东电网有限责任公司 | 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 |
CN115128394A (zh) * | 2022-06-13 | 2022-09-30 | 武汉三相电力科技有限公司 | 配网故障定位方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王泽 等: "引入DDC迁移学习算法的卫星ACS系统故障定位技术", 《空间控制技术与应用》, vol. 48, no. 2, 30 April 2022 (2022-04-30), pages 80 - 87 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116338525A (zh) * | 2023-05-26 | 2023-06-27 | 昆明理工大学 | 一种风电交流送出线路故障测距方法及系统 |
CN116338525B (zh) * | 2023-05-26 | 2023-09-12 | 昆明理工大学 | 一种风电交流送出线路故障测距方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115754599B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2015154438A1 (zh) | 定位方法及装置 | |
CN115754599A (zh) | 基于迁移学习的电缆故障定位方法和装置 | |
CN108881138B (zh) | 一种网页请求识别方法及装置 | |
US11443137B2 (en) | Method and apparatus for detecting signal features | |
CN110210067B (zh) | 一种基于测量轨迹的阈值直线确定方法、装置 | |
CN116188822B (zh) | 图像相似性判断方法、装置、电子设备和存储介质 | |
CN111460185A (zh) | 书籍搜索方法、装置和系统 | |
JP2007206037A (ja) | 信号測定分析装置 | |
CN114374447A (zh) | 一种信道探测的方法、装置及介质 | |
JPH1039003A (ja) | 信号分析装置 | |
CN114168586A (zh) | 一种异常点检测的方法和装置 | |
CN111931932B (zh) | 对抗样本的生成方法及装置、电子设备和可读存储介质 | |
CN113672782A (zh) | 一种基于数据查询的物联网设备重要性匹配方法 | |
CN108631781A (zh) | 确定模/数转换器的非线性度的方法及设备 | |
ES2943468T3 (es) | Procedimiento y dispositivo de prueba | |
CN113132910B (zh) | 位置检测方法、装置、电子设备和计算机可读介质 | |
CN113960528A (zh) | 一种无线电发射源定位系统的实现方法 | |
CN113804235A (zh) | 一种环境检测方法及系统 | |
CN113283316A (zh) | 一种基于声音信号的开关机械故障诊断方法、装置及设备 | |
CN111160969A (zh) | 一种电力价格预测方法及装置 | |
CN117595943B (zh) | 一种目标特征频点快速回溯分析方法、系统、设备及介质 | |
CN113723720B (zh) | 页面浏览质量评估方法及装置 | |
CN114401503B (zh) | 一种智能电表的蓝牙检表连接方法及相关装置 | |
CN113960555B (zh) | 目标太赫兹时域回波处理方法、装置、设备及存储介质 | |
JP6865939B1 (ja) | 分析システム |
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 |