CN116127354A - 基于深度学习的高压电缆局部放电故障定位方法及系统 - Google Patents
基于深度学习的高压电缆局部放电故障定位方法及系统 Download PDFInfo
- Publication number
- CN116127354A CN116127354A CN202211697917.2A CN202211697917A CN116127354A CN 116127354 A CN116127354 A CN 116127354A CN 202211697917 A CN202211697917 A CN 202211697917A CN 116127354 A CN116127354 A CN 116127354A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- fault
- layer
- original
- data
- 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
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Abstract
本发明涉及高压电缆技术领域,具体涉及基于深度学习的高压电缆局部放电故障定位方法及系统。方法包括以下步骤:S1:采用同步相量测量装置获取电力系统的原始局部放电脉冲的特征参数;S2:对原始局部放电脉冲的特征参数进行预处理,构建局部放电信号特征数据集,所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波;S3:将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中,输出故障区域识别结果或故障定位结果。利用了RMT和动态卡尔曼滤波对数据处理的优势,将PUMs采集的原始数据进行处理,得到更强的鲁棒性。
Description
技术领域
本发明涉及高压电缆技术领域,特别是一种基于深度学习的高压电缆局部放电故障定位方法及系统。
背景技术
由于目前大量的电网动态数据测量存储应用,部分学者已开始利用基于数据驱动的人工智能方法解决电气设备故障区域定位问题,利用深度学习改变传统的电气设备诊断方式。本发明使用深度卷积神经网络完成对高压电缆的局部放电故障定位。为判断故障区域,评估电缆状态,及时发现故障征兆,实现故障预警,制定合理检修计划提供了科学依据。
目前可以通过阻抗法、行波法、广域通信法对电气设备进行故障定位。其中,阻抗法易受到路径阻抗,过渡电阻以及线路负荷的影响出现伪故障点;由于结构复杂,行波法会导致波阻抗不连续点多,难在行波信号中提取出有用的信息;广域通信法对通信要求高,且自动化开关等保护装置在整定值不正确时会引起误操作,因此难以兼顾灵敏性与可靠性问题。上述方法仅支持特定情况,不具备广泛意义。
发明内容
本发明的目的在于:针对现有技术存在的问题,提出了基于深度循环神经网络(DRNN)的新型深度学习(DL)分类和回归模型实现高压电缆局部放电故障区域识别和定位诊断方法,即提供了一种基于深度学习的高压电缆局部放电故障定位方法及系统,旨在完成电力系统中涉及的局放信号的故障区域识别和定位,提高系统保护灵敏度和可靠性,维持电力系统连续正常运行。
为了实现上述目的,本发明采用的技术方案为:
一种基于深度学习的高压电缆局部放电故障定位方法,包括:
S1:采用同步相量测量装置获取电力系统的原始局部放电脉冲的特征参数,所述原始局部放电脉冲的特征参数包括电流角,电流幅值,电压角和电压幅值。
S2:对原始局部放电脉冲的特征参数进行预处理,构建局部放电信号特征数据集,所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波;
S3:将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中,输出故障区域识别结果或故障定位结果;
所述深度循环神经网络包括输入层、隐藏LSTM层、LSTM层、全连接层、用于故障区域识别的Softmax层或用于故障定位的回归层、输出层。
作为本发明的优选方案,步骤S2中所述预处理的步骤包括:
实时滑动窗口从原始局部放电脉冲的特征参数获取原始矩阵;
以所述随机矩阵理论数据为检测依据,以动态卡尔曼滤波器为数据调节器对所述原始矩阵进行调整,得到修订后的矩阵,将所述修订后的矩阵作为局部放电信号特征数据集。
作为本发明的优选方案,所述数据调节器通过调整测量噪声协方差矩阵降低原始局部放电脉冲的特征参数中的噪声。
作为本发明的优选方案,采用以所述随机矩阵理论数据为检测依据具体是指将平均谱半径作为数据检测的指标,以降低原始局部放电脉冲的特征参数中的噪声并恢复缺失样本。
作为本发明的优选方案,步骤S1中,所述原始局部放电脉冲的特征参数是按照区域进采集的,每个区域的采集数据构成一个多维数组,包括用于故障区域识别的数组和用于故障定位判断的数组。
作为本发明的优选方案,当所述深度循环神经网络模型用于故障区域识别时,所述隐藏LSTM层和LSTM层均包括183个LSTM单元;
当所述深度循环神经网络模型用于故障定位时,所述隐藏LSTM层和LSTM层均包括100个LSTM单元。
作为本发明的优选方案,当所述深度循环神经网络模型用于故障区域识别时,全连接层的输出被馈送到Softmax层的输入,Softmax层输出故障区域识别结果,所述Softmax层采用了交叉熵损失函数。
作为本发明的优选方案,当所述深度循环神经网络模型用于故障定位时,全连接层的输出被馈送到回归层的输入,回归层输出故障定位结果,使用随机梯度下降法以监督的方式训练LSTM单元,通过时间反向传播来计算故障位置。
基于相同的构思,还提出了一种基于深度学习的高压电缆局部放电故障定位系统,包括:
原始数据采集模块:用于获取同步相量测量装置输出的电力系统的原始局部放电脉冲的特征参数,所述原始局部放电脉冲的特征参数包括电流角,电流幅值,电压角和电压幅值;
特征数据集构建模块:用于对原始局部放电脉冲的特征参数进行预处理,构建局部放电信号特征数据集,所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波;
定位识别模块:用于将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中,输出故障区域识别结果或故障定位结果;
所述深度循环神经网络包括输入层、隐藏LSTM层、LSTM层、全连接层、用于故障区域识别的Softmax层或用于故障定位的回归层。
基于相同的构思,还提出了一种基于深度学习的高压电缆局部放电故障定位装置,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明提出一种基于深度循环神经网络的新型深度学习分类和回归模型,同时,提出基于随机矩阵理论和卡尔曼滤波的数据预处理方案。首次将其应用到高压电缆局部放电信号故障诊断中。该发明利用了RMT和动态卡尔曼滤波对数据处理的优势,将PUMs采集的原始数据进行处理,得到更强的鲁棒性。实验结果表明,采用改进后的动态卡尔曼滤波器,数据在信噪比(SNR最低取了5)较低的情况下,比不使用滤波器的均方根误差(RMSE)降低了10左右,比使用传统卡尔曼滤波器处理后的RMSE降低了5左右,降噪能力明显提高。同时,当原始PMUs缺失30%的样本情况下,恢复其中13%左右的样本,具有缺失数据恢复的能力。
附图说明
图1是本发明的实施例1中一种基于深度学习的高压电缆局部放电故障定位方法的流程图;
图2是本发明实施例1中对原始局部放电脉冲的特征参数进行预处理的流程图;
图3是本发明实施例1中深度循环神经网络模型的结构图;
图4是本发明实施例2中具体的一种基于深度学习的高压电缆局部放电故障定位诊断方法的流程图。
具体实施方式
下面结合附图,对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
图1是本发明的一种基于深度学习的高压电缆局部放电故障定位方法的流程图,包括以下步骤:
S1:采用同步相量测量装置获取电力系统的原始局部放电脉冲的特征参数,所述原始局部放电脉冲的特征参数包括电流角,电流幅值,电压角和电压幅值。
S2:对原始局部放电脉冲的特征参数进行预处理,构建局部放电信号特征数据集,所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波。
S3:将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中,输出故障区域识别结果或故障定位结果;
所述深度循环神经网络包括输入层、隐藏LSTM层、LSTM层、全连接层、用于故障区域识别的Softmax层或用于故障定位的回归层、输出层。
作为本发明的优选方案,步骤S2中所述预处理的步骤包括:
实时滑动窗口从原始局部放电脉冲的特征参数获取原始矩阵;以所述随机矩阵理论数据为检测依据,以动态卡尔曼滤波器为数据调节器对所述原始矩阵进行调整,得到修订后的矩阵,将所述修订后的矩阵作为局部放电信号特征数据集。具体的,对原始局部放电脉冲的特征参数进行预处理的流程图如图2所示,步骤包括:将PMUs采集的原始数据(包括电流幅值、电流角、电压幅值和电压角)输入改进的卡尔曼滤波器,然后将卡尔曼滤波器输出的数据进行MSR计算和RMSE计算,并将计算得到的数据作为局部放电信号特征数据集。
作为本发明的优选方案,所述数据调节器通过调整测量噪声协方差矩阵降低原始局部放电脉冲的特征参数中的噪声。
作为本发明的优选方案,采用以所述随机矩阵理论数据为检测依据具体是指将平均谱半径作为数据检测的指标,以降低原始局部放电脉冲的特征参数中的噪声并恢复缺失样本。
作为本发明的优选方案,步骤S1中,所述原始局部放电脉冲的特征参数是按照区域进采集的,每个区域的采集数据构成一个多维数组,包括用于故障区域识别的数组和用于故障定位判断的数组。
深度循环神经网络模型的结构图如图3所示,在所述结构中,作为本发明的优选方案,当所述深度循环神经网络模型用于故障区域识别时,所述隐藏LSTM层和LSTM层均包括183个LSTM单元;
当所述深度循环神经网络模型用于故障定位时,所述隐藏LSTM层和LSTM层均包括100个LSTM单元。
作为本发明的优选方案,当所述深度循环神经网络模型用于故障区域识别时,全连接层的输出被馈送到Softmax层的输入,Softmax层输出故障区域识别结果,所述Softmax层采用了交叉熵损失函数。
作为本发明的优选方案,当所述深度循环神经网络模型用于故障定位时,全连接层的输出被馈送到回归层的输入,回归层输出故障定位结果,使用随机梯度下降法以监督的方式训练LSTM单元,通过时间反向传播来计算故障位置。
实施例2
图4是本发明技术方案的主流程图。如图4所示,一种具有较高精度和鲁棒性的基于深度循环神经网络的新型深度学习分类和回归模型,用于高压电缆局部放电故障区域识别和定位诊断,包含以下步骤:
S100:进行模拟测试,模拟一个包含6个不同区域的电力系统。利用具有高采样率和精确的时间同步相量测量装置(PMUs)来采集数据,采集的数据包括电流幅值,电压幅值,电流角和电压角,在输电线中传输电流,电流存在电压,电流,同时由于是三相交流电,所以存在相位。所以就存在四个量(电流幅值,电压幅值,电流角,电压角)。当产生局部放电的时候,这是个量会有变化,并且存在变换规律。深度学习的首要任务是创建一个充分和高质量的训练数据集,这应确保最大的信息覆盖范围和最小的冗余,重要的是,所收集的训练数据是信息量和代表性的。因此,实验选择每个区域在不同的位置受到一组不同局放类型的故障进行信号采集,作为实验的训练和测试原始数据。
S200:对获取的原始数据进行预处理,其中预处理使用基于随机矩阵理论和改进的卡尔曼滤波的方式,以降低数据中的噪声并恢复缺失样本,预处理后的样本将获取更高的鲁棒性。改进的卡尔曼滤波就是将噪声模型由高斯模型改进成混合高斯模型。这样更符合现实中的噪声情况,生成的数据存储为X∈Rm×n×Nf×DRl的多维数组。并用作DRNN模型的输入特征。
S300:采用序列深度学习(SDL)通过长短时记忆(LSTM)对高维多元特征的时空序列(预处理后的原始数据即为高维多元特征的时空序列)进行建模,用于局放故障区域识别和故障定位预测,该模型从故障前和故障后的周期中探索完整的瞬态信号数据,从而做出可靠的决策。对预处理后的PMUs数据作为模型的输入特征,以实现准确的故障区域分类和定位预测结果。
S400:对所提出的分类和回归模型概述。每个深层模型包含5层:输入层、隐藏LSTM层、LSTM层、全连接层、Softmax层(分别用于故障区域)或回归层(用于故障定位),然后是输出层。通过测试样本作测试集,选择softmax分类器和回归模型,分别选取交叉熵损失函数和均方根误差损失作为故障区域识别和故障定位损失函数,最终以区域分类结果和定位距离,作为网络的输出。以对高压电缆局放信号完成故障区域识别以及故障定位。
如图2所示,所述作深度循环神经网络输入的局放信号处理步骤S200,即通过不同区域不同位置的PMUs测量得到的原始数据,经过预处理后的模型输入特征。步骤中:包含步骤S110:构建模拟高压电缆传输系统,产生训练集原始数据:电流和电压模式被选择输入,而其他变量如转子转速角和转子转速偏差需要被估计,转子转速是指发电机的转动速度。偏差是指转动会有波动,不能保持一个恒定的速率。高压电缆在传输电力的时候有不同的电压和电流,不同的电压和电流就是指模式,在不同的电流和电压模式下,局部放电特征在不同的模式下会有差异,所以需要根据模式选择,构建模拟系统总线上电压和电流的幅值和相位被用作DRNN模型的特征输入。这些输入量可以通过PMUs的实时测量得到。
步骤S210:PMUs具有较高的采样率和精确的时间同步,在实际应用中PMUs数据存在显著噪声水平和大量缺失样本的实际情况。本发明提出降低PMUs数据中的噪声和恢复缺失样本的方法——基于随机矩阵理论和改进的卡尔曼滤波的高鲁棒性故障检测数据驱动方法。
步骤S220:将步骤S110中采集的原始信号先用RMT处理。RMT是已被证明对电力系统分析是有效的含广泛的定理和定律。本发明采用RMT中的环律对原始数据进行处理,利用平均谱半径(MSR)作为数据检测的指标。平均谱半径是随机矩阵线性特征根统计量所得到的。本发明中的预处理利用了随机矩阵理论在海量数据处理中的优势。
步骤S230:本发明还提出了一种改进的动态卡尔曼滤波器来校正PMUs数据。卡尔曼滤波作为一种状态估计技术,是电力系统PMU数据调节的常用方法。本发明通过动态地将测量噪声协方差矩R调整到调节过程中来进行改进。在不同的点同时测量电信号,就形成了多路信号,每路信号都有噪声。所以这些噪声信号存在相关性(所谓相关性就是相互关联,比如一个变大,另一个也变大)。在估计计算噪声的时候,就用矩阵来表示每一路噪声信号。这样就形成了协方差矩阵。协方差矩阵就是用来表示多路噪声信号的方差。而方差表示的噪声信号离平局值的波动大小。
步骤S240:为了执行实时分析,利用实时滑动窗口从原始PMUs数据源获取原始矩阵。为了减少数据误判,RMT充当数据检测依据,动态卡尔曼滤波器充当数据调节器。经过数据调理,得到修订后的矩阵,能更好的为之后的网络提供高鲁棒性的特征输入。
如图3所示,所述是本发明所提出的用于局放信号故障区域识别和故障定位预测网络即基于深度循环神经网络的新型深度学习分类和回归模型。步骤S300中:包含步骤S231:将RMT和改进后的卡尔曼滤波器处理得到的特征直接作为DRNN的输入。
步骤S232:模拟持续时间设置为10秒,考虑该值是因为它足够长,可以确保在不丢失系统同步的情况下表现出大多数故障症状。在正常运行t=1s后引入各种故障。在这项工作中所采用的标准是当任何两个发电机的转子角度差超过180°时,失去同步。
步骤S233:所有产生的电压和电流信号在601个时间戳中每1/60s采样一次。每个信号有时间间隔为0.016s的相位和幅值时间序列的两个特征。因此,对于时间戳t处的每个区域(模拟系统共有6个区域7个测试点),四个输入特征被发送到LTSM,它们分别是:电流角,电流幅值,电压角和电压幅值,在不同相位φi,i=1、2、3。总的来说,系统是通过m维数据矩阵中的一组m=7*4*3=84个协变量特征来监控的。每个区域在不同的位置受到一组不同故障类型的故障,对于每个实验场景n=601个样本的m=84个特征,生成的训练数据存储为X∈Rm×n的多维数组。实验定义从F个有/无故障和R个不同距离上的不同故障生成N=F*R个不同的示例。最终获取我们所需的训练数据的维度Rm×n×F×R。
步骤S234:对于故障区域识别,我们将实验训练数据被降采样到1/3的速率,序列从第55个时间戳开始,每增加3个时间戳,直到第601个时间戳。每个距离的每个区域的每种故障类型的电压、电流角度和幅度的数据,得到(7×3×4)=84个特征用于区域分类。每个特性都有183个不同的时间戳。每个区域的一个距离上的一个故障的数据维数为Rm1×n1。那么每个区域的所有数据的维数为Rm1×n1×F×R,其中m1=84,n1=183,F×R=1081。
步骤S235:对于故障定位判断,一个关键点是故障的增量距离。在本发明中,我们考虑一个0.8km到5km的增量距离(定位距离)取决于线的长度。由于这些距离的选择实际上是为了减少维护所需的时间。我们将实验将训练数据下采样到1/3的速率,序列从第80个时间戳开始,递进3个时间戳,直到第601个时间戳,数据长度为n2=174。得到每个故障位置的故障特征m2=12个。那么每个区域的所有数据的大小为Rm2×n2×F×R。
步骤S310:LSTM网络对已知的消失梯度学习问题具有鲁棒性,在时间序列数据中未知持续时间延迟的应用中也具有优势。对所提出的模型而言,每个深层模型包含5层;输入层、LSTM层、隐藏LSTM层、全连接层、Softmax层(用于故障区域识别模型)或回归层(用于故障定位模型),然后是输出层。步骤S320:模型的LSTM层和隐藏LSTM层。LSTM层被用于从可用数据中对并行依赖项(输入特征之间的相关性)和时间依赖项(序列相关性)建模。由于这三个问题的(序列、每个序列的特征、序列的时间长度)的数目不同,LSTM的结构也应该不同。在故障区域识别模型中,两个LSTM层都包括N1=183个LSTM单元,每个LSTM单元有4个输入分配给它的4个门。在故障定位预测中,LSTM层包括N2=100个LSTM单元。步骤S330:模型的全连接层,softmax,分类层和回归层。隐藏LSTM层输出被输入到全连接层,全连接层包含大量的简单神经元。每个神经元的输入为前一个隐藏LSTM层输出向量,乘以权值,再加上层偏置。
步骤S410:对于故障区域识别模型,全连接层的输出被馈送到Softmax层的输入,基于Softmax交叉熵的结果,分类层采用了交叉熵损失函数。由于损失与对所有输入序列进行正确分类的概率成反比,训练阶段通过神经网络模型确定所有层中所有单元的最优输入和偏差外的递归权值,以保证损失最小。
步骤S420:对于故障定位模型,故障定位是一个回归问题,在全连通层之后使用回归层来计算回归故障定位问题的均方根误差损失。本发明使用随机梯度下降法(SGDM)以监督的方式训练LSTM单元,通过时间反向传播来计算故障位置。
本发明的关键点在于以下两点:
1、提出了一种基于随机矩阵理论和改进的卡尔曼滤波的数据驱动方法优化网络输入特征参数
为了便于检测局放信号瞬态故障,本发明采用了具有较高的采样率和精确的时间同步的PMUs进行原始数据的采集,但由于实际信号采集过程总是伴随着各种各样的噪声。因此,开发了一种动态卡尔曼滤波技术,它可以通过调整测量噪声协方差矩阵,作为数据调节器,同时结合已有的RMT中的圆律作为数据处理的理论基础,将平均谱半径(MSR)作为数据检测的指标,以降低PMUs数据中的噪声和恢复缺失样本。最终为了消除误差影响,通过指标均方根误差(RMSE)来评估数据的降噪效果,采用绘图的方式查看数据样本的连续性判断样本恢复情况。
2、提出了基于DRNN的DL分类和回归模型并将其应用在高压电缆故障诊断领域
本发明以数据驱动的方法考虑了大型多机电力系统的故障区域识别和故障定位的问题。在该方法中,在模拟电力系统的场景中进行了广泛的数据验证。解决的问题是数据驱动的故障区域识别和准确的故障位置预测。网络最终通过分类的准确率评估网络分类能力,采用故障定位绝对误差和故障定位绝对平均误差来评估故障位置预测的能力。
本发明提出一种基于深度循环神经网络的新型深度学习分类和回归模型。同时,提出一种基于随机矩阵理论和卡尔曼滤波的数据预处理方案。首次将其应用到高压电缆局部放电信号故障诊断中。
该发明利用了RMT和动态卡尔曼滤波对数据处理的优势,将PUMs采集的原始数据进行处理,得到更强的鲁棒性。实验结果表明,采用改进后的动态卡尔曼滤波器,数据在信噪比(SNR最低取了5)较低的情况下,比不使用滤波器的均方根误差(RMSE)降低了10左右,比使用传统卡尔曼滤波器处理后的RMSE降低了5左右,降噪能力明显提高。同时,当原始PMUs缺失30%的样本情况下,恢复其中13%左右的样本,具有缺失数据恢复的能力。
该发明将预处理后的数据作为网络的特征输入,以便更准确的识别以及定位。RNN尤其是LSTM在特征序列提取和数据分类方面表现出了很高的效率。循环网络的优点是,它们可以处理多维特征的长模式的数据序列,以在其正确的类别中分类一个特定的例子,或将整个序列映射到回归问题中的预测标量。它能够在特征和时间方向上协调地捕获所有重要信息。它可以捕获长期依赖关系以及标准的并行依赖关系。它利用高维输入特征从整个瞬态周期中提取最大信息。据相关文献报道,LSTM序列深度学习在高压电缆系统故障诊断方面还尚未有人应用,故提出了本发明,以完成故障区域识别和故障定位。实验结果表明,对于故障区域识别,网络经过7405次迭代后,学习速率达到了1.8865%,识别精度接近99.8%,经过8000次迭代后,损失接近于零,训练程序效果很好。对于故障定位,训练过程达到了最终的8000次迭代次数,学习速率达到了0.34799%,在3000次迭代之后,均方根误差(RMSE)和损失函数非常小,距离预测误差,即真实故障定位距离与预测故障定位距离的差值保持在±1km内,训练过程具有良好的性能。
因此本发明可以一定程度提高高压电缆局部放电检测效率,减少故障排查时间。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于深度学习的高压电缆局部放电故障定位方法,其特征在于,包括:
S1:采用同步相量测量装置获取电力系统的原始局部放电脉冲的特征参数,所述原始局部放电脉冲的特征参数包括电流角,电流幅值,电压角和电压幅值;
S2:对原始局部放电脉冲的特征参数进行预处理,构建局部放电信号特征数据集,所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波;
S3:将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中,输出故障区域识别结果或故障定位结果;
所述深度循环神经网络包括输入层、隐藏LSTM层、LSTM层、全连接层、用于故障区域识别的Softmax层或用于故障定位的回归层、输出层。
2.根据权利要求1所述的基于深度学习的高压电缆局部放电故障定位方法,其特征在于,步骤S2中所述预处理的步骤包括:
实时滑动窗口从原始局部放电脉冲的特征参数获取原始矩阵;
以所述随机矩阵理论数据为检测依据,以动态卡尔曼滤波器为数据调节器对所述原始矩阵进行调整,得到修订后的矩阵,将所述修订后的矩阵作为局部放电信号特征数据集。
3.根据权利要求2所述的基于深度学习的高压电缆局部放电故障定位方法,其特征在于,所述数据调节器通过调整测量噪声协方差矩阵降低原始局部放电脉冲的特征参数中的噪声。
4.根据权利要求3所述的基于深度学习的高压电缆局部放电故障定位方法,其特征在于,采用以所述随机矩阵理论数据为检测依据具体是指将平均谱半径作为数据检测的指标,以降低原始局部放电脉冲的特征参数中的噪声并恢复缺失样本。
5.根据权利要求1所述的基于深度学习的高压电缆局部放电故障定位方法,其特征在于,步骤S1中,所述原始局部放电脉冲的特征参数是按照区域进采集的,每个区域的采集数据构成一个多维数组,包括用于故障区域识别的数组和用于故障定位判断的数组。
6.根据权利要求1所述的基于深度学习的高压电缆局部放电故障定位方法,其特征在于,
当所述深度循环神经网络模型用于故障区域识别时,所述隐藏LSTM层和LSTM层均包括183个LSTM 单元;
当所述深度循环神经网络模型用于故障定位时,所述隐藏LSTM层和LSTM层均包括100个LSTM单元。
7.根据权利要求4所述的基于深度学习的高压电缆局部放电故障定位方法,其特征在于,
当所述深度循环神经网络模型用于故障区域识别时,全连接层的输出被馈送到Softmax层的输入,Softmax层输出故障区域识别结果,所述Softmax层采用了交叉熵损失函数。
8.根据权利要求4所述的基于深度学习的高压电缆局部放电故障定位方法,其特征在于,当所述深度循环神经网络模型用于故障定位时,全连接层的输出被馈送到回归层的输入,回归层输出故障定位结果,使用随机梯度下降法以监督的方式训练LSTM单元,通过时间反向传播来计算故障位置。
9.一种基于深度学习的高压电缆局部放电故障定位系统,其特征在于,包括:
原始数据采集模块:用于获取同步相量测量装置输出的电力系统的原始局部放电脉冲的特征参数,所述原始局部放电脉冲的特征参数包括电流角,电流幅值,电压角和电压幅值;
特征数据集构建模块:用于对原始局部放电脉冲的特征参数进行预处理,构建局部放电信号特征数据集,所述预处理使用了基于随机矩阵理论和改进的卡尔曼滤波;
定位识别模块:用于将所述局部放电信号特征数据集输入预先构建的基于深度循环神经网络模型中,输出故障区域识别结果或故障定位结果;
所述深度循环神经网络包括输入层、隐藏LSTM层、LSTM层、全连接层、用于故障区域识别的Softmax层或用于故障定位的回归层。
10.一种基于深度学习的高压电缆局部放电故障定位诊断装置,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697917.2A CN116127354A (zh) | 2022-12-28 | 2022-12-28 | 基于深度学习的高压电缆局部放电故障定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697917.2A CN116127354A (zh) | 2022-12-28 | 2022-12-28 | 基于深度学习的高压电缆局部放电故障定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116127354A true CN116127354A (zh) | 2023-05-16 |
Family
ID=86305793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211697917.2A Pending CN116127354A (zh) | 2022-12-28 | 2022-12-28 | 基于深度学习的高压电缆局部放电故障定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127354A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451006A (zh) * | 2023-06-12 | 2023-07-18 | 湖南大学 | 基于增强型时序模式注意力的pmu数据恢复方法及系统 |
-
2022
- 2022-12-28 CN CN202211697917.2A patent/CN116127354A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451006A (zh) * | 2023-06-12 | 2023-07-18 | 湖南大学 | 基于增强型时序模式注意力的pmu数据恢复方法及系统 |
CN116451006B (zh) * | 2023-06-12 | 2023-08-25 | 湖南大学 | 基于增强型时序模式注意力的pmu数据恢复方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN104021238A (zh) | 一种铅酸动力电池系统故障诊断方法 | |
CN107632258A (zh) | 一种基于小波变换和dbn的风机变流器故障诊断方法 | |
CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN113298297A (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
CN109886328B (zh) | 一种电动汽车充电设施故障预测方法与系统 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
CN116127354A (zh) | 基于深度学习的高压电缆局部放电故障定位方法及系统 | |
CN112465124A (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
CN111275295A (zh) | 一种基于反距离权重插值的分布式光伏故障诊断方法 | |
CN106959397A (zh) | 一种用于高铁逆变器的微小故障诊断系统的设计方法 | |
CN115693663A (zh) | 一种计及pmu动态感知的新能源电力系统频率预测方法 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
CN111260823A (zh) | 基于i/o测点故障依赖矩阵的故障诊断方法 | |
CN116644361A (zh) | 一种架空输电线路故障诊断方法及计算机可读介质 | |
Zgraggen et al. | Physics informed deep learning for tracker fault detection in photovoltaic power plants | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子系统故障诊断方法 | |
CN115456013A (zh) | 基于运行数据的风电机组变流器功率模块故障诊断方法 | |
Murali et al. | Forecasting and Classification Of Power Quality Disturbance In Smart Grid Using Hybrid Networks | |
Jiang | Fault diagnosis technology of substation indoor inspection robot based on SVM | |
CN117494588B (zh) | 一种风机轴承剩余有效寿命优化方法、设备及介质 |
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 |