CN116068329A - 一种基于迁移学习的输电线路故障分类与定位方法 - Google Patents
一种基于迁移学习的输电线路故障分类与定位方法 Download PDFInfo
- Publication number
- CN116068329A CN116068329A CN202111275382.5A CN202111275382A CN116068329A CN 116068329 A CN116068329 A CN 116068329A CN 202111275382 A CN202111275382 A CN 202111275382A CN 116068329 A CN116068329 A CN 116068329A
- Authority
- CN
- China
- Prior art keywords
- fault
- transmission line
- data
- classification
- 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
-
- 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
-
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于迁移学习的输电线路故障分类与定位方法,涉及输电线路故障分类与定位领域,所述方法包括步骤1:基于PSS/E软件和Python接口模拟输电线路的故障数据;步骤2:利用大数据处理技术对故障数据进行预处理,构建故障数据集A;步骤3:基于故障数据集A构建深度学习的故障分类模型、故障定位模型以及故障选线模型;步骤4:基于故障分类模型、故障定位模型对故障数据集B进行迁移学习,完成实际输电线路的故障分类与定位;步骤5:对实际输电线路的故障分类与定位数据进行可视化处理,验证迁移学习的合理性。本发明解决了现有技术中输电线路故障分类和故障定位中存在的问题。
Description
技术领域
本发明涉及输电线路故障分类与定位领域,特别是涉及一种基于迁移学习的输电线路故障分类与定位方法。
背景技术
传统的输电线路故障分类方法有基于傅立叶变换、S-变换、小波变换以及Clark变换的特征提取方法,这些方法的泛化能力弱,计算复杂,一定程度上依赖经验,难以发觉电网的时空数据的高维特征。而传统的机器学习方法如支持向量机、决策树、随机森林等准确率又不够高。传统的故障定位方法如单端双端行波法、单端双端故障分析法也存在泛化能力弱、准确度不够高的问题。这些传统方法大多基于数学物理模型,难以适应复杂度急剧增加的现代电网。
深度神经网络具有强大的拟合能力和泛化能力,直接以数据作为驱动,发掘数据内部高维的关联性。然而由于业界缺乏高质量的标签数据(带有故障类型和故障位置的数据),很难快速将深度学习的方法应用于实际电力系统。带标签数据量不足以及数据分布不均衡成为制约深度学习在电网中大规模应用的最大障碍,因为深度学习的有效性建立在大数据上,足够多的样本中才能学到足够多的特征,小规模数据集会造成过拟合。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于迁移学习的输电线路故障分类与定位方法,用于解决现有技术中输电线路故障分类和故障定位中存在的问题。
本发明提供一种基于迁移学习的输电线路故障分类与定位方法,所述方法包括以下步骤:
步骤1:基于PSS/E软件和Python接口模拟输电线路的故障数据;
步骤2:利用大数据处理技术对故障数据进行预处理,构建故障数据集A;
步骤3:基于故障数据集A构建深度学习的故障分类模型、故障定位模型以及故障选线模型;
步骤4:基于故障分类模型、故障定位模型对故障数据集B进行迁移学习,完成实际输电线路的故障分类与定位;
步骤5:对实际输电线路的故障分类与定位数据进行可视化处理,验证迁移学习的合理性。
于本发明的一实施例中,所述步骤1通过PSS/E软件和Python接口对四种故障条件下的四种故障类型进行动态仿真和显示,模拟生成输电线路的故障数据。
于本发明的一实施例中,所述四种故障条件包括:(1)不同的故障分支;(2)不同的故障类型;(3)不同的抗故障能力;(4)不同的故障距离;所述四种故障类型包括:(1)单相接地短路故障、(2)两相短路故障、(3)两相接地短路故障、(4)三相短路故障。
于本发明的一实施例中,所述步骤2的具体步骤为:
(1)构造用于深度前馈网络的高维时空故障样本矩阵;
(2)构造用于卷积神经网络的高维时空故障样本矩阵;
(3)对高维时空故障样本矩阵进行数据归一化处理。
于本发明的一实施例中,所述故障分类模型、故障定位模型分别基于深度前馈网络模型训练获取,所述故障选线模型基于卷积神经网络模型训练获取。
于本发明的一实施例中,所述步骤4的具体步骤为:
(1)模拟生成其他输电线路的故障数据集B;
(2)将故障分类模型、故障定位模型迁移到故障数据集B,利用故障数据集B的高维相似性实现数据迁移学习。
于本发明的一实施例中,所述步骤5中利用PCA对实际输电线路的故障分类与定位数据进行可视化处理,验证迁移学习的合理性。
如上所述,本发明的一种基于迁移学习的输电线路故障分类与定位方法,具有以下有益效果:
(1)将大数据和人工智能技术运用于电网输电线路的故障分类与定位中,利用深度神经网络有效挖掘电网数据的深度特征,并且利用迁移学习实现不同拓扑结构的输电线路之间的域适应,解决小规模、不平衡故障数据集进行精准分类与定位的难题,极大的提高了不完整不平衡的实际工业故障数据进行分类与定位的准确性。
(2)小规模数据集的故障分类的准确性达到99.98%。
(3)故障定位误差在1%以内的准确率达到99.75%;0.5%以内的精确度达到89.65%。
(4)对于分类运用迁移学习比直接训练的准确率提高了近30%,模型从完全无效到精确度较高。
(5)体现迁移学习运用与电力系统输电网络的可行性和有效性。
附图说明
图1显示为本发明实施例中公开的迁移学习的输电线路故障分类与定位方法总框图。
图2显示为本发明实施例中公开的基于DFN的故障分类模型。
图3显示为本发明实施例中公开的基于DFN的故障定位模型。
图4显示为本发明实施例中公开的基于CNN的故障选线模型。
图5显示为本发明实施例中公开的迁移学习的框架图。
图6显示为本发明实施例中公开的不同故障类型故障电压(左)、故障电流(右)仿真结果图。
图7显示为本发明实施例中公开的不同故障距离(Distance)故障电压(左)、故障电流(右)仿真结果图。
图8显示为本发明实施例中公开的不同过渡电阻(r)故障电压(左)、故障电流(右)仿真结果图。
图9显示为本发明实施例中公开的不同过渡支路(line)故障电压(左)、故障电流(右)仿真结果图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,本发明提供一种基于迁移学习的输电线路故障分类与定位方法,所述方法包括以下步骤:
步骤1:基于PSS/E软件和Python接口模拟输电线路故障数据;
本发明利用PSS/E软件的Python接口完成四种故障(单相接地短路故障(LGFault)、两相短路故障(LLFault)、两相接地短路故障(LLGFault)、三相短路故障(LLLFault))的动态仿真过程,并且显示四种不同条件的动态仿真结果,实现仿真自动化。
其中,PSS/E软件是一个用于研究电力传输、发电机稳态以及动态功能的程序包,能够处理潮流数据、故障数据、网络数据、动态仿真以及安全运行优化等问题,是电力工业中应用最广泛的电力系统分析软件之一。
所述PSS/E软件的优点包括:
1.允许的模拟规模非常大,可以满足海量数据规模的深度学习需求。
2.灵活的模型定制,可以通过自定义方法引入仿真系统来解决特定问题。
3.可以使用界面功能来编写自定义脚本,模拟新的电网物理场景或开发高级应用程序。
其中,Python接口可以直接在Python脚本环境中运行以实现仿真自动化,并且可以利用Python脚本的优势来开发具有更好的用户体验和更丰富功能的程序。
为了准备大量标记的电力系统故障数据集(即故障数据集A)以进行深度学习,本发明在PSS/E软件上构建一个由6个机器组成的具有23节点模拟的电力系统网络模型,完成四种故障的故障分析和动态仿真,包括:单相接地短路故障(LG)、两相短路故障(LL)、两相接地短路故障(LLG)、三相短路故障(LLL)。
PSS/E软件支持参数设计,以动态模拟不同的故障状况;本发明针对四种不同类型的故障设置了不同的故障条件,以获取接近电力系统实际运行的故障数据。
其中,故障状态包括:(1)母线电压在安全运行指标范围内;(2)总线频率在安全运行指标范围内;(3)考虑可再生能源等随机负荷的电网负荷波动。
故障条件包括:(1)不同的故障分支;(2)不同的故障类型;(3)不同的抗故障能力;(4)不同的故障距离。
由于,故障条件对故障发生后的过渡过程有重要影响,本发明以电力系统网络模型的节点151到节点201的支路为例;请参阅图6、图7、图8、图9,分别显示不同故障类型、不同故障距离、不同过渡阻抗、不同国度之路的故障电压和故障电流的仿真结果。
其中,仿真的运行时间为1s,正常运行0.01s后施加故障,故障运行60ms后消除故障。
由于深度学习需要大量数据来充分的训练和迭代以生成理想的模型,在仿真过程中,如果多次重复手动仿真,则不可能完成大量数据集的准备;为了减轻重复仿真的负担,PSS/E软件开发了丰富的仿真过程自动化操作机制,以便可以自定义模型和批量仿真。
本发明通过Python脚本调整了四种故障的参数,以生成不同条件下的故障数据集;并且使用Python脚本的循环结构,可以自动生成大样本集(即故障数据集A),以进行批量深度学习。模拟的故障状态包括安全操作指标范围内的母线电压和频率干扰以及在考虑了诸如可再生能源等随机负载之后的负载波动;设计的故障条件包括不同的故障类型、不同的故障阻抗、不同的故障距离以及不同的故障位置。然后针对PSS/E软件动态仿真生成的时序数据中电压、相角和线电流的大小和范围存在差异的问题,在保留完整信息的基础上实现数据归一化。并且使用深度学习网络的两种不同结构(深度前馈网络(DFN)和卷积神经网络(CNN))的数据进行高维数据融合,构建高维的故障样本矩阵,因此,可以构建用于训练深度学习网络的故障数据集(即故障数据集A)。
步骤2:利用大数据处理技术对故障数据进行预处理,构建故障数据集A;
为了构建可用于深度学习的模拟故障数据集,需要对步骤1中自动仿真得到的故障数据利用数据融合等大数据处理技术进行处理。由于电力系统运行数据具有时空特性,本发明采用高维数据融合方法构造故障样本矩阵,构造了两种故障样本矩阵作为两种不同的深度学习网络结构(深度前馈网络(DFN)和卷积神经网络(CNN))的输入,具体步骤如下:
1)构造用于深度前馈网络(DFN)的高维时空故障样本矩阵:
设置传输线两端的总线为ibus和jbus,功率流向为ibus到jbus,将k时刻ibus和jbus的电压幅度和相角设置为:
ui(k),θi(k),uj(k),θj(k)(k=1,2,…,T)
流过ibus和jbus的电流为:
ii(k),ij(k),(k=0,1,2,…,T)
其中k是最大采样时间,6个采样信号融合为特征时间序列为g,同时将故障类型和故障距离记录为l1和l2;用0、1、2、3表示四种类型的故障,距离定义为故障点与ibus之间的距离与整个传输线的比例。
其中,特征时间序列g:
g=[ui(0),θi(0),ii(0),uj(0),θj(0),ij(0)…,uT(T),θi(T),ii(T),uj(T),θj(T),ij(T)]
l1=[type],type∈{0,1,2,3}
l2=[distance],distance∈(0,1)
最大采样时间点为T=126,模拟故障网络为6机23总线系统,每个故障样本包括与每个采样时间相对应的ibus和jbus的电压幅度,相角和电流,总计126×6=756个值。
四种类型故障:单相接地短路故障(LG)、两相短路故障(LL)、两相接地短路故障(LLG)、三相短路故障(LLL)(LG选择进行动态仿真,通过将10000个随机故障应用于每种类型的故障(随机故障距离,随机接地,随机电压干扰,随机频率干扰,随机测量误差)和8000个测试样本,总共生成40000个训练样本通过将2000个随机故障应用于每种故障类型来生成,然后获得:
训练样本集矩阵:Gtrain∈R40000×756;
故障类型的训练标签1:Labelltrain∈R40000×1;
故障位置的训练标签2:Label2train∈R40000×1;
测试样本集矩阵:Gtest∈R8000×756;
故障类型的测试标签1:Label1test∈R8000×1;
故障类型的测试标签2:Label2test∈R8000×1;
最后,获得深度前馈网络(DFN)的完整故障数据集。
2)构造用于卷积神经网络(CNN)的高维时空故障样本矩阵:
故障数据集的预处理与上一节类似,但仅将电压幅度和相角包括到故障数据集中,并将电压和相角转换为实际电压ur和虚拟电压ui,公式为:
ur=u cosθ
ui=u sinθ
第1条总线的电压-时间特性序列如下:
23条总线的时间序列扩展为具有所有总线信息的多维高维时空故障样本矩阵:
g=[U1 U2…U23|
而标签是出现故障的传输线的序列号:
Labell=[l,l,l,…,l]T
并且,选择15条传输线进行故障诊断,得出G1,G2,…,G15,将它们放在一起,以得到在不同传输线中发生故障的最终数据集:
G=[G1,G2,…,G15]T
Label=[Label1,Label2,…,Label15]T
通过对15条传输线应用5000种四种类型的故障(随机故障距离,随机接地,随机电压扰动,随机频率扰动,随机测量误差)产生5000个随机故障,总共生成75000个训练样本,1000条随机故障到15条传输线,然后获得:
训练样本集矩阵:Gtrain∈R75000×2×23×34;
训练标签集矩阵:Labeltrain∈R75000×1;
测试样本集:Gtest∈R15000×2×23×34;
测试标签集:Labeltest∈R15000×1。
最后,获得卷积神经网络(CNN)的完整故障数据集。
3)数据归一化处理:
在PSS/E软件动态仿真生成的时间序列数据中,电压、相角以及电流的大小和范围是不同的。如果直接进行特征提取操作,样本数据的空间分布会不均匀,影响分析结果,因此,必须对原始样本数据进行预处理,本发明使用的方法是数据归一化。
由于样本矩阵G具有三种数据:1.电压幅度v,2.相角θ,3.电流幅值I;
因此,可以将矩阵v,θ和I相同类型的数据放在一起;
V=[ui(0),,uj(0),ui(1),,uj(1),ui(2),,uj(2),…,ui(T),uj(T)]
Θ=[θi(0),,θj(0),θi(l),,θj(l),θi(2),,θj(2),…,θi(T),θj(T)]
I=[ii(0),,ij(0),ii(l),,ij(1),ii(2),,ij(2),…,ii(T),ij(T)]
然后分别缩放每个矩阵以将数据映射到0到1的范围;最后,将处理后的数据放回样本矩阵G,数据预处理完成。
步骤3:构建基于深度学习的故障分类、故障定位模型以及故障选线模型;
此部分完成基于深度学习的故障分类、故障定位模型构建以及故障选线模型,请参阅表1,为深度神经网络模型总结表:
表1
其中,深度前馈网络(DFN)的准确率评估表,请参阅表2:
算法 | SVM | Decision Tree(J48) | KNN | Random Forest | DFN |
准确率(%) | 86.71 | 96.23 | 97.67 | 98.15 | 99.98 |
表2
其中,基于深度前馈网络(DFN)故障分类模型抗噪性能评估表,请参阅表3:
SNR | None | 60dB | 50dB | 40dB | 30dB |
准确率(%) | 99.98 | 99.87 | 97.85 | 99.85 | 99.74 |
表3
深度学习(也称为深度结构化学习或分层学习)是基于人工神经网络的更广泛的机器学习系列的一部分;使用多层来从原始输入中逐步提取更高级别的特征;与传统的特征提取方法不同,深度学习方法可以自动学习特征并选择最佳特征。传统的特征提取方法需要根据特定的系统配置的先验知识来设计和选择最佳特征,并且需要反复修改和调整才能确定实施细节,不依赖于先验知识,因此可以节省时间并在通用性方面具有良好的性能,从而可以将对样本数据进行的研究和结论扩展到以前看不见的数据。所有深度学习方法都尝试找到函数y=f(x)来将输入x映射到输出y,不同的网络使用不同的方法来找到函数f,几乎所有的深度学习算法都将数据集的规范,成本函数,优化过程和模型结合在一起。
激活函数用于将非线性引入模型,从而允许深度学习模型学习非线性预测边界。最常用的激活函数类型Sigmoid或Logistic,Tanh—双曲正切和ReLu修正的线性单位。本发明采用的激活函数是Sigmoid。
与损失函数结合使用的优化器是查找函数最小值的关键,深度学习通常需要大量时间和机器资源进行训练,这也是限制深度学习算法发展的原因。尽管可以使用分布式并行训练来加速模型的学习,但所需的计算资源并未减少,只有需要较少资源并且使模型收敛更快的优化算法才能从根本上提高机器的学习速度和效果,因此本发明采用的优化器是Adam。
1)构建基于深度前馈网络(DFN)的故障分类模型:
对于分类任务,深度学习可以有效地扩大原始输入数据的特征,并减少有关无效特征的信息量,在隐藏层的第一层,可以了解电压曲线的整体轮廓;在隐藏层的第二层中,可以学习电压曲线的行为变化点,并且根据该层中变化的位置来实现故障的初步分类;并且可以通过组合不同级别的特征来区分和提取更复杂的特征。
其中,深度学习的内涵是可以通过通用的学习算法自动学习原始数据的特征,从而避免了人为特征的选择,基于深度前馈网络的特征自学习功能,可以通过训练PMU生成的复杂电压数据来获得从PMU测量数据到故障类型的功能映射关系;当电力系统故障再次发生时,可以自动识别故障类别并调用预设的保护方案,从而显着提高了前瞻性时间和分类准确性。
本发明使用的用于电网线路故障分类深度前馈网络模型(DFN),请参阅图2。初始数据通过归一化处理之后输入网络的输入层,输入层的神经元个数为1564,隐藏层一层,神经元个数为126,输出层神经元个数为4,最后通过softmax层输入故障种类(0,1,2,3)。
2)构建基于深度前馈网络(DFN)的故障定位模型:
与故障类型分类不同,故障定位是一个回归问题;从根本上讲,分类与预测标签有关,而回归与预测数量有关,对于N分类问题,首先获得N个组具有不同W值的Wx+b,然后对其进行归一化(例如使用softmax函数),最后将其转化为N个类的概率。
对于回归问题,最后一层具有m个神经元,每个神经元输出一个标量,M个神经元的输出可以看作是向量v,现在都连接到一个神经元,那么该神经元的输出W x+b是一个连续值,可以处理回归问题,例如上面的线性回归。
评估分类模型的性能很容易,因为可以简单地计算测试数据集中的准确性,如果标签与预测标签相同,则为真。但是当涉及到回归问题时,预测故障位置到ibus的距离比例占整个传输线的比例,因此,模型的输出为0到1的小,均方差/均方误差(MSE)是回归任务最常用的性能指标.MSE是目标变量和预测值之间的平方距离之和。
MSE损失已用作损失函数,并且已在训练集和测试集中进行了监测,以评估模型的拟合能力,但是MSE损失不能直观地反映模型结果的质量,因此,本发明将模型输出的准确性定义为评估指标,如果预测标签与实际标签yi之差小于ε,则认为是正确,由此可以计算出精度,表达式为:
如果ε=1%,将其定义为Acc1;
如果ε=0.5%,将其定义为Acc2;
如果ε=0.4%,将其定义为Acc3;
如果ε=0.3%,将其定义为Acc4;
如果ε=0.2%,将其定义为Acc5;
如果ε=0.1%,将其定义为Acc6。
训练深度学习模型并不容易,因为要设置的超参数太多,超参数是确定网络结构的变量(例如:隐藏单元数)和确定网络训练方式的变量(例如:学习率),需要在训练之前(在优化权重和偏差之前)设置超参数,选择最佳的超参数对于改善模型的性能至关重要,隐藏层是输入层和输出层之间的层,使用正则化技术的一层中的许多隐藏单元可以提高准确性。在模型中使用了1、2和3个隐藏层,最终可以发现,增加隐藏层可以提高模型的收敛速度,并且提高故障定位预测的准确性,因为增加了隐藏层可以提高模型的拟合能力。
其中,基于深度前馈网络(DFN)的故障定位模型的准确率评估表,请参阅表4:
Acc1 | Acc2 | Acc3 | Acc4 | Acc5 | Acc6 | |
最大误差(%) | 1.00 | 0.5 | 0.4 | 0.3 | 0.2 | 0.1 |
准确率(%) | 100 | 99.98 | 99.72 | 98.13 | 88.84 | 59.48 |
表4
对于Acc1,可以训练所有三个模型接近100%。但是,隐藏层越多,精度就会提高得越快。但是对于Acc4,具有一个隐藏层的模型只能被训练为小于80%,具有三层隐藏层的模型训练正确率为98.13%。但是,当添加4个隐藏层时,模型的性能下降了。所以3个隐藏层是最好的选择。
基于DFN的故障定位模型,请参阅图3,初始数据通过归一化预处理之后输入网络的输入层,输入层的神经元个数为1564,隐藏层有三层,神经元个数为252,126,64,输出层神经元个数为1,最后通过放缩到(0,1)作为最终的模型输出。
本发明经过试验,统计故障基于深度前馈网络(DFN)的故障定位模型预测结果及误差,请参阅图4:
故障种类 | 实际故障距离 | 预测故障距离 | 误差(%) | 故障种类 | 实际故障距离 | 预测故障距离 | 误差(%) |
0 | 0.5 | 0.50076 | 0.0760 | 1 | 0.96964 | 0.97271 | 0.3067 |
0 | 0.80376 | 0.80498 | 0.1216 | 1 | 0.96964 | 0.96948 | 0.0162 |
0 | 0.80376 | 0.80541 | 0.1643 | 1 | 0.9473 | 0.94974 | 0.2436 |
0 | 0.80376 | 0.80536 | 0.1594 | 1 | 0.9473 | 0.95024 | 0.2935 |
0 | 0.33652 | 0.33715 | 0.0635 | 1 | 0.31995 | 0.31973 | 0.0218 |
0 | 0.33652 | 0.33768 | 0.1160 | 1 | 0.31995 | 0.31666 | 0.3284 |
0 | 0.33652 | 0.33769 | 0.1170 | 1 | 0.31995 | 0.31674 | 0.3205 |
0 | 0.19937 | 0.19916 | 0.0214 | 1 | 0.88778 | 0.89069 | 0.2917 |
0 | 0.19937 | 0.1992 | 0.0168 | 1 | 0.88778 | 0.89089 | 0.3115 |
0 | 0.59563 | 0.59624 | 0.0609 | 1 | 0.88778 | 0.88748 | 0.0297 |
0 | 0.59563 | 0.59609 | 0.0453 | 1 | 0.31809 | 0.31729 | 0.0804 |
0 | 0.59563 | 0.59555 | 0.0087 | 1 | 0.31809 | 0.31688 | 0.1210 |
0 | 0.10832 | 0.10952 | 0.1201 | 1 | 0.03799 | 0.03907 | 0.1078 |
0 | 0.10832 | 0.10962 | 0.1291 | 1 | 0.03799 | 0.03527 | 0.2718 |
0 | 0.10832 | 0.1091 | 0.0776 | 1 | 0.03799 | 0.03863 | 0.0632 |
2 | 0.187 | 0.18597 | 0.1025 | 3 | 0.45343 | 0.45771 | 0.4275 |
2 | 0.187 | 0.18546 | 0.1537 | 3 | 0.45343 | 0.4514 | 0.2037 |
2 | 0.187 | 0.18624 | 0.0755 | 3 | 0.57192 | 0.57113 | 0.079 |
2 | 0.187 | 0.18534 | 0.1659 | 3 | 0.57192 | 0.57283 | 0.0913 |
2 | 0.22043 | 0.22097 | 0.0539 | 3 | 0.07926 | 0.07991 | 0.0648 |
2 | 0.22043 | 0.21994 | 0.0495 | 3 | 0.07926 | 0.07744 | 0.1815 |
2 | 0.22043 | 0.22008 | 0.0347 | 3 | 0.07926 | 0.07836 | 0.0896 |
2 | 0.78831 | 0.7899 | 0.1597 | 3 | 0.33488 | 0.33247 | 0.2416 |
2 | 0.78831 | 0.78768 | 0.0629 | 3 | 0.33488 | 0.33513 | 0.0245 |
2 | 0.78831 | 0.78882 | 0.0512 | 3 | 0.33488 | 0.33331 | 0.157 |
2 | 0.7113 | 0.71179 | 0.0489 | 3 | 0.3829 | 0.38222 | 0.068 |
2 | 0.7113 | 0.71132 | 0.0018 | 3 | 0.3829 | 0.38054 | 0.2364 |
2 | 0.7113 | 0.71103 | 0.0263 | 3 | 0.3829 | 0.38147 | 0.143 |
2 | 0.80906 | 0.81189 | 0.2828 | 3 | 0.12464 | 0.12128 | 0.3363 |
2 | 0.80906 | 0.81155 | 0.249 | 3 | 0.12464 | 0.12374 | 0.0908 |
2 | 0.80906 | 0.81062 | 0.1563 | 3 | 0.12464 | 0.12225 | 0.2396 |
表5
3)构建基于卷积神经网络(CNN)的故障选线模型:
为了研究不同线路故障时整个系统的电压振荡,基于卷积神经网络(CNN)设计了故障线路选择器,这意味着在电力系统网络中任何一条线路发生故障时,都可以选择故障线路,请参阅图4,每一层的参数可以在图中看到。
在深度学习平台Pytorch的基础上,对深度前馈网络(DFN)的两种不同结构进行了训练,以实现故障数据特征的自学习,从而解决了传输线中的两种问题-故障分类和故障定位。用于故障选线,精度达98.76%以上,对于故障类型分类,结果表明,深度学习方法的分类精度几乎为100%,不受故障距离,故障位置,电压频率扰动和负载波动的影响。它可以准确地估计系统的状态,对于故障定位,故障定位的预测要比现有方法准确得多,故障定位误差在1%以内的准确率达到99.75%;0.5%以内的精确度达到89.65%。
步骤4:基于故障分类模型、故障定位模型对小规模数据集(即故障数据集B)进行迁移学习,完成实际输电线路的故障分类与定位;
众所周知,深度学习模型的训练和更新依赖大量的标记数据,但是在电力系统中,并不是所有的传输线都有足够的标记数据来应对不同类型的故障,这是一个制约深度学习应用在电网中的重要问题,但是目前在这个问题上没有有效的研究结果。
本发明提出迁移学习来解决这个问题,首先通过PSS/E软件模拟成千上万个带有故障类型和故障位置标记的故障数据,然后获得足够的数据来训练深度学习模型来实现故障分类和定位任务,最后将训练的模型转换为实际电力系统中的工业数据,只需少量数据即可完成任务。
本发明由于没有真实的网格数据,因此使用另一条线的少量模拟数据来验证迁移学习的可行性和有效性;迁移学习是指一种学习过程,利用数据,任务或模型之间的相似性,将在旧域中学习的模型应用于新域。
迁移学习中有两个基本概念:域和任务;
域由两部分组成:不同的特征空间和不同的边际分布,通常用D表示域,用P表示概率分布;如果两个域不同,则可能具有不同的特征空间或不同的边际分布。迁移对应于两个基本域:“源域”和“目标域”;“源域”是具有知识和大量数据注释的域,这是要迁移的对象。目标域是最终想要提供知识和注释的对象。从“源域”到“目标域”的传输完成了迁移。在本发明中“源域”是通过PSS/E软件模拟的故障数据,“目标域”是实际的工业数据。
本发明利用迁移学习完成对小规模数据集的故障分类和定位的任务,请参阅图5,利用网络拓扑1对应的故障分类与定位模型参数配置输电网络2的分类与定位模型,并且利用输电网络2的小规模数据集进行模型的微调;直接用输电网络2的小规模数据集进行训练,与加入迁移学习的模型的准确率进行比较。深度神经网络对于大数据集训练效果好,有很强对于小数据集而言训练效果差,因为数据太少会导致训练集过拟合,所有泛化能力差,测试效果差。因此,迁移学习可以大大提高模型的泛化能力,从而提高模型的准确率,体现了转移学习的可行性和有效性,具有工程意义和学术价值。
在步骤2中已经建立了支路151-201的故障分类和定位模型,之后通过PSS/E软件仿真和数据预处理操作准备了支路3003-3005和支路153-3006的故障数据集以进行迁移学习。这两个故障数据集都有1000个训练样本和500个测试样本,样本的构建与支路151-201的相同,但是故障数据集的大小要小得多。这三个故障数据集的大小可以在表6中看到,实验结果将在有转移学习的模型与无转移学习的模型之间进行比较。表7展示了转移学习和无转移学习的模型之间的分类准确性的比较,表8展示了支路153-3006有转移学习和不转移转移的模型之间的故障定位精度的比较结构。从实验结果看,运用迁移学习可以大大提高训练的效果:对于分类问题,一条线路训练出的模型甚至可以直接用到另一条线路,体现了深度学习强大的泛化能力;对于定位问题,虽然一条线路的定位模型无法直接用到另一条线路,但是经过训练可以大大提高模型的准确率,说明不同线路底层的基础feature是通用的,没有经过迁移学习的定位模型准确率无法得到提高。
步骤5:对实际输电线路的故障分类与定位数据进行可视化处理,验证迁移学习的合理性;
本部分实现分类模型的抗噪性能评估(在测试集引入不同信噪比的噪声),并且利用PCA对数据进行可视化处理,以解释迁移学习的合理性。
本发明统计出迁移学习的不同数据集,请参阅表6:
表6经过试验,统计出有迁移学习和无迁移学习的模型之间的分类准确性比较,请参阅表7:
表7
其中,支路153-3006有转移学习和不转移转移的模型之间的故障定位精度比较,请参阅表8:
表8
综上所述,本发明采用技术方案如下:
(1)基于PSS/E软件以及其Python接口实现电力系统暂态故障仿真,自动化、批量化生成不同输电网络拓扑下的故障数据集。
(2)基于深度前馈网络(DFN)或长短时记忆网络(LSTM)其中一个输电网络拓扑下生成仿真数据进行训练,构建故障分类模型和故障定位模型。
(3)基于迁移学习解决小规模数据集算法失效的问题;由于缺乏实际的工业数据,本发明利用模拟其他不同输电网络拓扑下的小规模故障数据集进行测试,将输电网络1下大规模数据集训练出的故障分类模型与定位模型迁移到输电网络2下生成的小规模故障数据集,利用小规模数据集的高维相似性实现从“源域”到“目标域”的迁移(域适应);结果证明只有少量的数据可以完成输电网络2的故障分类和定位的任务,利用迁移学习训练小规模数据集的准确率比直接训练高出很多,验证了迁移学习的可行性和有效性;因此,可以将本发明的方法用于实际电力系统的工业数据,解决工业数据带标签数据量不足以及数据分布不均衡的问题。
(4)对故障分类模型和故障定位模型的结果进行可视化和分析,验证模型的抗干扰性和鲁棒性。
所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种基于迁移学习的输电线路故障分类与定位方法,其特征在于,所述方法包括以下步骤:
步骤1:基于PSS/E软件和Python接口模拟输电线路的故障数据;
步骤2:利用大数据处理技术对故障数据进行预处理,构建故障数据集A;
步骤3:基于故障数据集A构建深度学习的故障分类模型、故障定位模型以及故障选线模型;
步骤4:基于故障分类模型、故障定位模型对故障数据集B进行迁移学习,完成实际输电线路的故障分类与定位;
步骤5:对实际输电线路的故障分类与定位数据进行可视化处理,验证迁移学习的合理性。
2.根据权利要求1所述的一种基于迁移学习的输电线路故障分类与定位方法,其特征在于:所述步骤1通过PSS/E软件和Python接口对四种故障条件下的四种故障类型进行动态仿真和显示,模拟生成输电线路的故障数据。
3.根据权利要求2所述的一种基于迁移学习的输电线路故障分类与定位方法,其特征在于:所述四种故障条件包括:(1)不同的故障分支;(2)不同的故障类型;(3)不同的抗故障能力;(4)不同的故障距离;所述四种故障类型包括:(1)单相接地短路故障、(2)两相短路故障、(3)两相接地短路故障、(4)三相短路故障。
4.根据权利要求1所述的一种基于迁移学习的输电线路故障分类与定位方法,其特征在于:所述步骤2的具体步骤为:
(1)构造用于深度前馈网络的高维时空故障样本矩阵;
(2)构造用于卷积神经网络的高维时空故障样本矩阵;
(3)对高维时空故障样本矩阵进行数据归一化处理。
5.根据权利要求1所述的一种基于迁移学习的输电线路故障分类与定位方法,其特征在于:所述故障分类模型、故障定位模型分别基于深度前馈网络模型训练获取,所述故障选线模型基于卷积神经网络模型训练获取。
6.根据权利要求1所述的一种基于迁移学习的输电线路故障分类与定位方法,其特征在于:所述步骤4的具体步骤为:
(1)模拟生成其他输电线路的故障数据集B;
(2)将故障分类模型、故障定位模型迁移到故障数据集B,利用故障数据集B的高维相似性实现数据迁移学习。
7.根据权利要求1所述的一种基于迁移学习的输电线路故障分类与定位方法,其特征在于:所述步骤5中利用PCA对实际输电线路的故障分类与定位数据进行可视化处理,验证迁移学习的合理性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111275382.5A CN116068329A (zh) | 2021-10-29 | 2021-10-29 | 一种基于迁移学习的输电线路故障分类与定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111275382.5A CN116068329A (zh) | 2021-10-29 | 2021-10-29 | 一种基于迁移学习的输电线路故障分类与定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116068329A true CN116068329A (zh) | 2023-05-05 |
Family
ID=86171926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111275382.5A Pending CN116068329A (zh) | 2021-10-29 | 2021-10-29 | 一种基于迁移学习的输电线路故障分类与定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116068329A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879684A (zh) * | 2023-09-06 | 2023-10-13 | 成都汉度科技有限公司 | 一种异常线路判断方法及系统 |
-
2021
- 2021-10-29 CN CN202111275382.5A patent/CN116068329A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879684A (zh) * | 2023-09-06 | 2023-10-13 | 成都汉度科技有限公司 | 一种异常线路判断方法及系统 |
CN116879684B (zh) * | 2023-09-06 | 2023-11-17 | 成都汉度科技有限公司 | 一种异常线路判断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114169231A (zh) | 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 | |
Jin et al. | A framework for evolutionary optimization with approximate fitness functions | |
US6424956B1 (en) | Stochastic encoder/decoder/predictor | |
CN107563067A (zh) | 基于自适应代理模型的结构可靠性分析方法 | |
CN116702678B (zh) | 一种融合深度学习和群智能算法的dtco优化方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110046710A (zh) | 一种神经网络的非线性函数极值优化方法及系统 | |
WO2022247388A1 (zh) | 一种数字集成电路众工艺角延时预测方法 | |
CN112270406A (zh) | 一种类脑计算机操作系统的神经信息可视化方法 | |
LU500551B1 (en) | Virtual load dominant parameter identification method based on incremental learning | |
Konopatskiy et al. | About one method of numeral decision of differential equalizations in partials using geometric interpolants | |
Nevtipilova et al. | Testing artificial neural network (ANN) for spatial interpolation | |
CN110490248A (zh) | 一种电力电子变换器故障诊断方法、终端设备及存储介质 | |
CN116068329A (zh) | 一种基于迁移学习的输电线路故障分类与定位方法 | |
Rayyes et al. | Learning inverse statics models efficiently with symmetry-based exploration | |
CN115688276A (zh) | 一种基于离散伴随方法的飞行器外形自动化优化方法、系统、设备、介质 | |
CN114004155A (zh) | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 | |
Yu et al. | Sub-population improved grey wolf optimizer with Gaussian mutation and Lévy flight for parameters identification of photovoltaic models | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
KR20220051903A (ko) | 회로 모델을 생성하는 방법 및 이를 이용한 집적 회로의 제조 방법 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN105893667A (zh) | 一种异构仿真数据的统一集成可视方法 | |
Tu et al. | Multitarget prediction—A new approach using sphere complex fuzzy sets | |
CN116502380A (zh) | 基于可解释图神经网络的电网暂态失稳定位方法和系统 | |
CN115879412A (zh) | 一种基于迁移学习的版图层级电路图尺寸参数优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |