CN115795360A - 基于人工神经网络的电缆故障检测方法 - Google Patents
基于人工神经网络的电缆故障检测方法 Download PDFInfo
- Publication number
- CN115795360A CN115795360A CN202211444989.6A CN202211444989A CN115795360A CN 115795360 A CN115795360 A CN 115795360A CN 202211444989 A CN202211444989 A CN 202211444989A CN 115795360 A CN115795360 A CN 115795360A
- Authority
- CN
- China
- Prior art keywords
- fault detection
- cable fault
- sample
- neural network
- detection model
- 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
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工神经网络的电缆故障检测方法,方法包括下述步骤:S1、采集电缆发生故障时样本数据,得到实时故障样本;S2、对实时故障样本进行归一化处理,得到归一化样本;S3、采用Dropout算法改进人工神经网络,构建电缆故障检测模型;S4、使用梯度下降法对电缆故障检测模型进行训练,得到训练好的电缆故障检测模型;S5、将归一化样本输入训练好的电缆故障检测模型中,输出故障检测结果。本发明通过改进人工神经网络来构建和训练电缆故障检测模型,提高了电缆故障检测的精度和准确度,为实际电缆故障检测提供了实时有效的手段,保障了电力运行的安全性和可靠性。
Description
技术领域
本发明属于电缆故障检测的技术领域,具体涉及一种基于人工神经网络的电缆故障检测方法。
背景技术
随着电缆线路的增多,电缆故障对供电可靠性的影响日益增大。电缆在工作过程中所处的环境十分复杂,其绝缘层不单单会由于内部电场和杂质等因素的作用导致老化,而且会由于外部所处的水、化学性腐蚀材料、生物鼠害等因素导致的老化,直接会导致电缆的寿命缩短甚至是失效,因而迅速准确地找出故障点的位置、分析故障产生原因对故障电缆及时修复、电源及时恢复具有重要意义。
原始的故障诊断方法主要以人工完成为主,通过直观的方法对出现的问题进行综合分析,一般而言诊断精度不是很高,而且无法实现在线诊断。随着人工智能以及模式识别技术的发展,诊断自动化、智能化的可能逐步变为现实。人工神经网络(Artificial NeuralNetwork,ANN)由于它强大的并行计算能力和自学习功能及联想能力,常被应用于电缆故障诊断中作故障分类和模式识别,因此在诊断中很受欢迎。人工神经网络构造思路来源于人类大脑神经网络,相当于人工构造出的一种数学模型来模拟人类大脑的网络结构并以此来解决某些问题、实现某种功能。它实质上就是由众多基础的人工神经元(ArtificialNeuron,AN)共同作用并相互影响所构成的一种信息处理系统。然而在工程实际中,基于传统人工神经网络的电缆故障检测方法准确度较低,且在模型的训练过程中存在过拟合与训练时间过长的问题。
发明内容
本发明未解决现有技术的缺点与不足,提供一种基于人工神经网络的电缆故障检测方法,通过改进人工神经网络来构建和训练电缆故障检测模型,提高了电缆故障检测的精度和准确度,为实际电缆故障检测提供了实时有效的手段,保障了电力运行的安全性和可靠性。
为了达到上述目的,本发明采用一种基于人工神经网络的电缆故障检测方法,包括下述步骤:
S1、采集电缆发生故障时样本数据,得到实时故障样本;
S2、对实时故障样本进行归一化处理,得到归一化样本;
S3、采用Dropout算法改进人工神经网络,构建电缆故障检测模型,所述电缆故障检测模型由人工神经元构成,包括输入层、隐含层和输出层;
S4、使用梯度下降法对电缆故障检测模型进行训练,得到训练好的电缆故障检测模型;
S5、将归一化样本输入训练好的电缆故障检测模型中,输出故障检测结果。
作为优选的技术方案,所述实时故障样本为实时故障电压样本或实时故障电流样本;
所述归一化处理即将输入数据转换为[0,1]分布,计算公式为:
其中,y*表示归一化后的样本值,yi表示实时故障样本y中的第i个样本值,ymin表示实时故障样本y中的最小样本值,ymax表示实时故障样本y中的最大样本值。
作为优选的技术方案,所述电缆故障检测模型的训练步骤具体为:
S41、获取训练样本集,并对训练样本集进行归一化处理,得到归一化集;
S42、初始化电缆故障检测模型的参数;
S43、计算隐藏层单元被激活的概率;
S44、对输入层采样构建可见层,计算可见层被激活的概率;
S45、重新采样构建可见层;
S46、从归一化集中随机选取一组数据输入可见层中进行学习,输出层输出训练结果,计算隐藏层单元被激活的概率并更新参数值;
S47、重复执行S43-S47进行无监督迭代训练,直至达到终止条件;
S48、计算损失函数,通过梯度下降法对电缆故障检测模型的参数进行反向微调并备份;
S49、使用反向微调后的参数初始化电缆故障检测模型,重复执行S43-S49,直至函数收敛或达到最大迭代次数,得到训练好的电缆故障检测模型。
作为优选的技术方案,所述训练样本集是通过电磁暂态仿真软件PSCAD/EMTDC生成的电缆故障仿真电压数据样本集或电流数据样本集。
作为优选的技术方案,所述初始化电缆故障检测模型的参数,具体为:
对隐藏层的连接权重矩阵W=[wij]和偏置向量a=[ai]进行随机赋值,赋值范围为(0,1);
所述计算隐藏层单元被激活的概率的公式为:
作为优选的技术方案,所述重新采样构建可见层,具体为:
在区间[0,1]上产生随机数rj,通过采样确定隐藏层单元的值:
计算重构的可见层单元的被激活概率,重新采样重构可见层,可见层单元的被激活概率计算公式为:
作为优选的技术方案,所述计算隐藏层单元被激活的概率并更新参数值,公式为:
作为优选的技术方案,所述损失函数为:
其中,N为从归一化集中随机选取一组数据的样本数量,yn表示从归一化集中随机选取一组数据中的第n个样本的目标输出值;on表示从归一化集中随机选取一组数据中的第n个样本的实际输出值。
作为优选的技术方案,所述对电缆故障检测模型的参数进行反向微调,公式为:
其中,W*为反向微调后隐藏层的连接权重矩阵,b*为反向微调后可见层的偏置向量,b为可见层偏置向量,a*为反向微调后隐藏层的偏置向量,a为隐藏层偏置向量,γ为反向微调的学习率。
作为优选的技术方案,所述采样为吉布斯采样方法。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明采用Dropout算法改进人工神经网络,构建电缆故障检测模型,减少了层与层之间的连接,人工神经元的激活值以一定的概率工作,不会依赖某些局部的特征,使神经网络模型的泛化性更强,提升了训练的精度和准确度,还能有效解决由人工神经网络结构复杂导致的训练时间较长与过拟合的问题。
2、本发明中对于电缆故障检测模型的训练分为两部分:前向无监督迭代训练和反向梯度下降更新;前向无监督迭代训练起到数据的聚类作用,反向梯度下降更新根据输出值与目标值的误差进行微调参数,从而获得更高电缆故障检测准确率的神经网络模型,使其能够应用于实际环境中电缆故障检测,保障电力运行的安全性与可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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为本发明实施例中基于人工神经网络的电缆故障检测方法的流程图;
图2为本发明实施例中电缆故障检测模型的训练流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
如图1所示,本实施例基于人工神经网络的电缆故障检测方法,包括下述步骤:
S1、采集电缆发生故障时样本数据,得到实时故障样本;
本实施例中,实时故障样本为实时故障电压样本或实时故障电流样本,从实际故障记录中获得,当电缆发生故障时,采用高压发生器和电缆故障测距仪对电缆故障点查找,在测距仪显示电缆故障范围后,由技术人员携带定点设备去现场进行检测和监听,最终确定电缆故障的准确位置查找故障问题并做故障记录。
S2、对实时故障样本进行归一化处理,得到归一化样本;
S3、采用Dropout算法改进人工神经网络,构建电缆故障检测模型;电缆故障检测模型由人工神经元构成,包括输入层、隐含层和输出层;由于采用Dropout算法改进人工神经网络,减少了层与层之间的连接,人工神经元的激活值以一定的概率工作,不会依赖某些局部的特征,使神经网络的泛化性更强,提高了训练的精度和准确度,还能有效解决由神经网络结构复杂导致的训练时间较长与过拟合的问题。
S4、使用梯度下降法对电缆故障检测模型进行训练,得到训练好的电缆故障检测模型;
S5、将归一化样本输入训练好的电缆故障检测模型中,输出故障检测结果。
具体的,步骤S2中,由于样本数据具有不同的单位和大小,所以在进入神经网络之前先进行归一化处理,将输入数据转换为[0,1]分布,计算公式为:
其中,y*表示归一化后的样本值,yi表示实时故障样本y中的第i个样本值,ymin表示实时故障样本y中的最小样本值,ymax表示实时故障样本y中的最大样本值。
具体的,步骤S4中,电缆故障检测模型的训练分为两部分:前向无监督迭代训练和反向梯度下降更新;其中,前向无监督迭代训练起到数据的聚类作用;反向梯度下降更新根据输出值与目标值的误差进行微调参数,从而获得满足精度要求的神经网络模型,使其能够应用于实际环境中电缆故障检测,如图2所示,具体训练步骤为:
S41、获取训练样本集,并对训练样本集进行归一化处理,得到归一化集;
本实施例中的训练样本集是通过电磁暂态仿真软件PSCAD/EMTDC生成的电缆故障仿真电压数据样本集或电流数据样本集;其归一化处理方式与步骤S2中一样。
S42、初始化电缆故障检测模型的参数;
具体的,对隐藏层的连接权重矩阵W=[wij]和偏置向量a=[ai]进行随机赋值,赋值范围为(0,1)。
S43、计算隐藏层单元被激活的概率;
具体的,计算隐藏层单元被激活的概率的公式为:
S44、对输入层采样构建可见层,计算可见层被激活的概率;
S45、重新采样构建可见层;
具体的,在区间[0,1]上产生随机数rj,通过采样确定隐藏层单元的值:
计算重构的可见层单元的被激活概率,通过采样重构可见层,可见层单元的被激活概率计算公式为:
本实施例中,采样采用吉布斯采样方法(Gibbs)。
S46、从归一化集中随机选取一组数据输入可见层中进行学习,输出层输出训练结果,计算隐藏层单元被激活的概率并更新参数值;
具体的,计算隐藏层单元被激活的概率并更新参数值,公式为:
S47、重复执行S43-S47进行无监督迭代训练,直至达到终止条件;
S48、计算损失函数,通过梯度下降法对电缆故障检测模型的参数进行反向微调并备份;
具体的,损失函数为:
其中,N为从归一化集中随机选取一组数据的样本数量,yn表示从归一化集中随机选取一组数据中的第n个样本的目标输出值;on表示从归一化集中随机选取一组数据中的第n个样本的实际输出值。
对电缆故障检测模型的参数进行反向微调,公式为:
其中,W*为反向微调后隐藏层的连接权重矩阵,b*为反向微调后可见层的偏置向量,b为可见层偏置向量,a*为反向微调后隐藏层的偏置向量,a为隐藏层偏置向量,γ为反向微调的学习率。
S49、使用反向微调后的参数初始化电缆故障检测模型,重复执行S43-S49,直至函数收敛或达到最大迭代次数,得到训练好的电缆故障检测模型。
本实施例中,电缆故障检测模型的训练样本总数为1000个,电缆额定工作频率为50Hz,采集时长为两个周期0.04s,采样频率为5kHz。因此,可得到每个数据样本的数据点为2×3×0.04×5000=1200个;输入层神经单元数为1200个。故障类型包括接地故障、短路故障与开路故障3种,由于有三相因此故障类型种数为9,输出层神经单元数和故障类型种数相同。电缆故障检测模型设置两层隐藏层,第一层隐藏层神经单元数为200个,第二隐藏层神经单元数为40个,无监督迭代训练和反向微调参数学习率均设置为0.2。
需要说明的是,对于前述的各方法实施例,为了简便描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.基于人工神经网络的电缆故障检测方法,其特征在于,所述方法包括下述步骤:
S1、采集电缆发生故障时样本数据,得到实时故障样本;
S2、对实时故障样本进行归一化处理,得到归一化样本;
S3、采用Dropout算法改进人工神经网络,构建电缆故障检测模型,所述电缆故障检测模型由人工神经元构成,包括输入层、隐含层和输出层;
S4、使用梯度下降法对电缆故障检测模型进行训练,得到训练好的电缆故障检测模型;
S5、将归一化样本输入训练好的电缆故障检测模型中,输出故障检测结果。
3.根据权利要求1所述的基于人工神经网络的电缆故障检测方法,其特征在于,所述电缆故障检测模型的训练步骤具体为:
S41、获取训练样本集,并对训练样本集进行归一化处理,得到归一化集;
S42、初始化电缆故障检测模型的参数;
S43、计算隐藏层单元被激活的概率;
S44、对输入层采样构建可见层,计算可见层被激活的概率;
S45、重新采样构建可见层;
S46、从归一化集中随机选取一组数据输入可见层中进行学习,输出层输出训练结果,计算隐藏层单元被激活的概率并更新参数值;
S47、重复执行S43-S47进行无监督迭代训练,直至达到终止条件;
S48、计算损失函数,通过梯度下降法对电缆故障检测模型的参数进行反向微调并备份;
S49、使用反向微调后的参数初始化电缆故障检测模型,重复执行S43-S49,直至函数收敛或达到最大迭代次数,得到训练好的电缆故障检测模型。
4.根据权利要求3所述的基于人工神经网络的电缆故障检测方法,其特征在于,所述训练样本集是通过电磁暂态仿真软件PSCAD/EMTDC生成的电缆故障仿真电压数据样本集或电流数据样本集。
10.根据权利要求6所述的基于人工神经网络的电缆故障检测方法,其特征在于,所述采样为吉布斯采样方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211444989.6A CN115795360A (zh) | 2022-11-18 | 2022-11-18 | 基于人工神经网络的电缆故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211444989.6A CN115795360A (zh) | 2022-11-18 | 2022-11-18 | 基于人工神经网络的电缆故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115795360A true CN115795360A (zh) | 2023-03-14 |
Family
ID=85438793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211444989.6A Pending CN115795360A (zh) | 2022-11-18 | 2022-11-18 | 基于人工神经网络的电缆故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795360A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
-
2022
- 2022-11-18 CN CN202211444989.6A patent/CN115795360A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
CN117074628B (zh) * | 2023-10-17 | 2024-01-09 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113496262B (zh) | 数据驱动的有源配电网异常状态感知方法及系统 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
EP3422518B1 (en) | A method for recognizing contingencies in a power supply network | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN114636900B (zh) | 一种配电网多重故障诊断方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN110969194B (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
CN113705396B (zh) | 一种电机故障诊断方法、系统及设备 | |
EP3422517A1 (en) | A method for recognizing contingencies in a power supply network | |
CN112508429A (zh) | 一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN114545292A (zh) | 基于深度学习的电缆故障类型识别方法 | |
CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
Li et al. | Fault identification in power network based on deep reinforcement learning | |
CN115796033A (zh) | 输电系统故障的诊断方法、装置、计算机设备及存储介质 | |
Dai et al. | Fault diagnosis of data‐driven photovoltaic power generation system based on deep reinforcement learning | |
Turović et al. | Training an LSTM voltage sags classificator on a synthetic dataset | |
CN117669656A (zh) | 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 | |
Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
CN113092934B (zh) | 基于聚类和lstm的单相接地故障判定方法及系统 | |
CN111935762B (zh) | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 | |
CN114689991A (zh) | 一种高压电缆故障时间的确定方法、系统及相关组件 | |
Bais et al. | Faulty Line Localization in IEEE 30 Bus System Using CNN-LSTM |
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 |