CN116184124B - 一种配电网故障类型识别方法 - Google Patents

一种配电网故障类型识别方法 Download PDF

Info

Publication number
CN116184124B
CN116184124B CN202310456367.3A CN202310456367A CN116184124B CN 116184124 B CN116184124 B CN 116184124B CN 202310456367 A CN202310456367 A CN 202310456367A CN 116184124 B CN116184124 B CN 116184124B
Authority
CN
China
Prior art keywords
layer
fault
distribution network
power distribution
output signal
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.)
Active
Application number
CN202310456367.3A
Other languages
English (en)
Other versions
CN116184124A (zh
Inventor
李泽文
夏翊翔
辛建波
范瑞祥
高波
傅钦翠
于小四
郭峰
邓建峰
韦宝泉
邓芳明
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202310456367.3A priority Critical patent/CN116184124B/zh
Publication of CN116184124A publication Critical patent/CN116184124A/zh
Application granted granted Critical
Publication of CN116184124B publication Critical patent/CN116184124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Locating Faults (AREA)

Abstract

本发明提供一种配电网故障类型识别方法，包括：获取配电网中每个测点的故障电压信号，并对每个测点的故障电压信号进行标准化处理，每个测点的故障电压信号包括A、B、C三相电压信号；获取标准化后的每个测点的故障电压信号的WVD时频谱图；根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图，构建时空数据立方体；根据时空数据立方体和故障识别模型获取配电网的故障类型。本发明能够解决现有技术中对配电网的故障类型识别的准确率低的问题。

Description

一种配电网故障类型识别方法
技术领域
本发明涉及配电网故障处理技术领域，特别是涉及一种配电网故障类型识别方法。
背景技术
配电网的故障辨识方法众多，根据故障辨识方法的利用信息，配电网的故障辨识方法可分为两类：外加注入信号的故障辨识方法以及基于接地故障稳态和暂态故障特征量的故障辨识方法。
外加注入信号的故障辨识方法在过渡电阻较大情况下，信号特征极不明显，弧光接地时易受大量谐波分量干扰，信号注入装置的频率选取困难，且注入信号对一次系统的安全稳定有影响，因此该方法较难应用在具体工程中。基于接地故障稳态和暂态故障特征信息的辨识方法是国内外的研究热点，具体方法包括使用零序导纳法，或谐波法，或有功功率法基于稳态故障特征信息实现故障辨识。
然而，单相高阻接地、弧光接地的故障在初始阶段的故障电流可低至0.1A，仅为正常电流的万分之一，故障工频和谐波低频分量的故障特征极不明显，受限于电压等级低、配电线路分支多和对地等效电容小的特性，基于接地故障稳态和暂态故障特征信息的辨识方法难以在故障的初始阶段准确辨识出单相高阻接地、弧光接地的故障类型。
发明内容
本发明的目的在于提供一种配电网故障类型识别方法，以解决现有技术中对配电网的故障类型识别的准确率低的问题。
一种配电网故障类型识别方法，包括：
获取配电网中每个测点的故障电压信号，并对每个测点的故障电压信号进行标准化处理，每个测点的故障电压信号包括A、B、C三相电压信号；
获取标准化后的每个测点的故障电压信号的WVD时频谱图；
根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图，构建时空数据立方体；
根据时空数据立方体和故障识别模型获取配电网的故障类型。
根据本发明提供的配电网故障类型识别方法，首先获取配电网中每个测点的故障电压信号，并对每个测点的故障电压信号进行标准化处理，每个测点的故障电压信号包括A、B、C三相电压信号；然后获取标准化后的每个测点的故障电压信号的WVD时频谱图；再根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图，构建时空数据立方体；最后根据时空数据立方体和故障识别模型获取配电网的故障类型；该方法将多测点故障信号进行组合构造得到的时空数据立方体进行故障辨识，可以大大提高辨识准确率。
此外，上述的配电网故障类型识别方法，还具有以下技术特征：
进一步的，对每个测点的故障电压信号进行标准化处理具体包括：
获取所有测点的故障电压信号的最大值
Figure SMS_1
；
根据
Figure SMS_2
计算标准化后的每个测点的故障电压信号/>
Figure SMS_3
，其中，/>
Figure SMS_4
为中间值，/>
Figure SMS_5
，/>
Figure SMS_6
为每个测点的故障电压信号。
进一步的，获取标准化后的每个测点的故障电压信号的WVD时频谱图具体包括：
根据下式计算标准化后的每个测点的故障电压信号的WVD时频谱图
Figure SMS_7
：
Figure SMS_8
其中，
Figure SMS_9
为/>
Figure SMS_10
的共轭复数，/>
Figure SMS_11
为积分变量，f为频率，/>
Figure SMS_12
为时移，j为虚数。
进一步的，根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图，构建时空数据立方体具体包括：
根据每个测点的故障电压信号的WVD时频谱图获取所有测点的A、B、C三相电压信号的WVD时频谱图；
根据
Figure SMS_13
构建时空数据立方体/>
Figure SMS_14
，其中，d表示第d个输入通道；d=1时，表示A相；d=2时，表示B相；d=3时，表示C相；K表示测量节点的个数，/>
Figure SMS_15
表示第1个测量节点信号计算得到的WVD时频谱图，/>
Figure SMS_16
表示第2个测量节点信号计算得到的WVD时频谱图、/>
Figure SMS_17
表示第K个测量节点信号计算得到的WVD时频谱图。
进一步的，所述故障识别模型采用基于三维卷积核的CNN模型；
根据时空数据立方体和故障识别模型获取配电网的故障类型具体包括：
对时空数据立方体进行补零与三维卷积，获取所述基于三维卷积核的CNN模型的净输入；
根据所述基于三维卷积核的CNN模型的净输入和激活函数，获取卷积层的输出信号；
采用最大池化的方法，获取池化层的输出信号；
根据卷积层的输出信号或池化层的输出信号和全连接层，获取全连接层的输出信号；
根据所述全连接层的输出信号，获取配电网的故障类型。
进一步的，根据公式
Figure SMS_18
获取全连接层的输出信号的灵敏度/>
Figure SMS_19
，其中，Z为全连接层的净输入，/>
Figure SMS_20
为全连接层激活函数的导数，E为输出误差，/>
Figure SMS_21
，其中，Y为全连接层的输出信号，/>
Figure SMS_22
为全连接层的期望输出。
进一步的，若基于三维卷积核的CNN模型的当前隐含层为全连接层，其信号灵敏度为
Figure SMS_23
，下一层为全连接层或输出层，则根据/>
Figure SMS_24
获取当前隐含层的输出信号的灵敏度/>
Figure SMS_25
。
进一步的，若基于三维卷积核的CNN模型的当前隐含层为卷积层或池化层，且连接卷积层，则根据
Figure SMS_26
计算当前隐含层的输出信号的灵敏度/>
Figure SMS_28
，其中，/>
Figure SMS_30
表示对数据立方体元素上下、左右、前后各翻转180°操作，/>
Figure SMS_32
表示卷积核，/>
Figure SMS_33
表示表示立方体元素对应项相乘，/>
Figure SMS_34
表示等宽卷积，/>
Figure SMS_35
表示当前隐含层为卷积层或池化层，且连接卷积层时，全连接层的输出信号的灵敏度，/>
Figure SMS_27
表示第/>
Figure SMS_29
个输出通道，P表示输出信号的通道总数，/>
Figure SMS_31
表示净输入。
进一步的，若基于三维卷积核的CNN模型的当前隐含层为卷积层，且连接池化层，则根据
Figure SMS_36
计算当前隐含层的输出信号的灵敏度/>
Figure SMS_37
，
Figure SMS_38
表示上采样。
进一步的，基于三维卷积核的CNN模型根据各层输出信号的灵敏度调节各层的权重与偏置。
附图说明
图1为一实施例的配电网故障类型识别方法的流程图；
图2为一实施例的IEEE118节点配电网的拓扑结构图；
图3为一实施例的WVD时频谱图；
图4为一实施例的基于3维卷积核的VGG-11可视化模型示意图；
图5为一实施例的全连接层输入信号的变维操作的示意图；
图6为一实施例的卷积层输出信号与对应灵敏度的重排的示意图；
图7为一实施例的配电网故障类型的识别结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明的实施例提供一种配电网故障类型识别方法，首先进行故障仿真，并根据仿真数据构建数据样本库，然后使用该构建的数据样本看进行网络训练，并得到故障类型的识别模型，将故障数据输入值故障类型的识别模型，则可以根据该故障类型的识别模型进行故障类型的识别。
如图1所示，该方法包括步骤101至步骤104。
步骤101，获取配电网中每个测点的故障电压信号，并对每个测点的故障电压信号进行标准化处理，每个测点的故障电压信号包括A、B、C三相电压信号。
本发明的实施例以简化后的IEEE118节点配电网为例，首先搭建配电网仿真模型，然后设置故障类型、故障初相角、过渡电阻和故障位置，并得到仿真结果。如图2所示，可以在PSCAD/EMTDC上搭建简化后的IEEE118节点配电网模型测点包括M1~M18和b1~b13。以简化后的IEEE118节点配电网模型为基础，如表1所示，故障线路共30条。如表2所示，可以设置十种故障类型，该十种故障类型包括：A相接地 AG、B 相接地 BG、C 相接地 CG、AB两相短路AB、AC两相短路AC、BC两相短路BC、AB两相短路接地ABG、BC两相短路接地BCG、AC两相短路接地ACG、ABC三相短路ABC。6种过渡电阻包括：1Ω、10Ω、100Ω、500Ω、1kΩ、4kΩ。9种故障初相角包括：10°、20°、30°、40°、50°、60°、70°、80°、90°。根据表2可知，根据图2所示的模型，一个可共生成6120组样本，每组样本包括18个测量节点的三相电压波形。
表1 线路具体信息
Figure SMS_39
表2故障样本情况
Figure SMS_40
示例性地，可以通过专用行波传感器测得每个测点的故障电压信号，每个测点的故障电压信号是一段时间窗序列，即数组形式。可以采用公式（1）对每个测点的故障电压信号进行标准化。
Figure SMS_41
（1）
式（1）中，
Figure SMS_42
为每个测点的故障电压信号；/>
Figure SMS_43
为中间值，/>
Figure SMS_44
，/>
Figure SMS_45
为标准化后的故障电压信号。
步骤102，获取标准化后的每个测点的故障电压信号的WVD时频谱图。
示例性地，可以通过式（2）计算每个测点的故障电压信号的WVD时频谱图
Figure SMS_46
，WVD时频谱图如图3所示。
Figure SMS_47
（2）
式（2）中，
Figure SMS_48
为/>
Figure SMS_49
的共轭复数，/>
Figure SMS_50
为积分变量，f为频率，/>
Figure SMS_51
为时移，j为虚数。
步骤103，根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图，构建时空数据立方体。
示例性地，时空数据立方体构造方法如下：
将所有测点的A、B、C三相信号的WVD时频谱图作为故障特征基本单元，分别构造时空数据立方体。故障特征基本单元如式（3）所示。
Figure SMS_52
（3）
式（3）中，d表示第d个输入通道；d=1时，表示A相；d=2时，表示B相；d=3时，表示C相；K表示测量节点的个数，
Figure SMS_53
表示第1个测量节点信号计算得到的WVD时频谱图，/>
Figure SMS_54
表示第2个测量节点信号计算得到的WVD时频谱图、/>
Figure SMS_55
表示第K个测量节点信号计算得到的WVD时频谱图。
步骤104，根据时空数据立方体和故障识别模型获取配电网的故障类型。
故障识别模型具体采用基于三维卷积核的CNN模型。
根据时空数据立方体和故障识别模型获取配电网的故障类型具体包括：
对时空数据立方体进行补零与三维卷积，获取所述基于三维卷积核的CNN模型的净输入；
根据所述基于三维卷积核的CNN模型的净输入和激活函数，获取卷积层的输出信号；
采用最大池化的方法，获取池化层的输出信号；
根据卷积层的输出信号或池化层的输出信号和全连接层，获取全连接层的输出信号；
根据所述全连接层的输出信号，获取配电网的故障类型。
下面对步骤104的具体实现方法进行示例性说明。
采用的神经网络结构如图4和表3所示，网络中包含11个带有权重的隐含层，即8个卷积层与3个全连接层（输出层也采用了全连接层的形式）。网络以三通道的时空数据立方体作为输入，分别对应A、B、C三相电压信号。输出层实质上是一个列向量，表示11种信号类型，包括正常信号与10种故障信号类型。本实施例采样的CNN网络模型中所有卷积层均采取3×3×3的卷积核，步长为1；池化层采用最大池化。基于3维卷积核的CNN各层结构信息见表3。
表3 基于3维卷积核的VGG-11各层结构信息
Figure SMS_56
3D-CNN网络训练方法如下：（即，三维卷积核的卷积操作如下）
信号序列
Figure SMS_57
表示卷积层的输入信号，X是一个M×N×L×D的四维张量，其中M、N、L分别表示数据立方体长宽高三个方向的元素个数；D表示输入信号的通道个数，d表示第d个输入通道。信号序列/>
Figure SMS_58
表示卷积层的输出信号，/>
Figure SMS_59
是一个M’×N’×L’×P的四维张量，其中M’、N’、L’表示输出信号长宽高三个方向的元素个数；P表示输出信号的通道个数。根据输入输出信号的通道数，可以得到卷积核一共有D×P个，因此，卷积核/>
Figure SMS_60
为一个U×V×Q×D×P的五维张量，其中U、V、Q表示卷积核长宽高三个方向的元素个数。本发明的实施例主要使用等宽卷积，即卷积前后信号维数不变。
在进行卷积操作前，需对输入信号进行补零操作：在卷积步长S=1时，输入信号每个面外各补(U-1)/2、(V-1)/2、(Q-1)/2层零。通过卷积操作可得到净输入
Figure SMS_61
，如式（4）。
Figure SMS_62
（4）
式（4）中，
Figure SMS_63
为标量，表示第p通道的偏置，/>
Figure SMS_64
表示等宽卷积。
将净输入通过激活函数后得到卷积层的输出信号，如式（5）。
Figure SMS_65
（5）
池化层用于数据的降维，通过下采样操作降低特征数量。池化分为最大池化与平均池化，本发明采用最大池化方式，设输出信号Y为
Figure SMS_66
，则有式（6）。
Figure SMS_67
（6）
式（6）中，
Figure SMS_68
为输入信号X中的第i个元素；/>
Figure SMS_69
表示输出信号Y第p通道、m行、n列、l层对应于X中进行下采样操作的元素区域。
当隐含层为全连接层，且其输入为卷积层或池化层的输出时，需先将该隐含层输入信号展开为向量形式。如图5所示，输入信号X为两个通道的数据立方体，通过展开变成一个1维向量
Figure SMS_70
。
设全连接层输入信号
Figure SMS_71
为一个/>
Figure SMS_72
的列向量，输出信号Y为/>
Figure SMS_73
的列向量，则有式（7）。
Figure SMS_74
（7）
式（7）中，
Figure SMS_75
为一个/>
Figure SMS_76
的权重矩阵，b是一个/>
Figure SMS_77
的列向量，T表示偏置。
误差信号的反向传播，通过输出误差计算各层输出信号的灵敏度，从而调节权重与偏置。由于基本数据结构的不同，信号灵敏度计算、补零操作以及权重更新公式也需进一步改进。
设全连接层的输出信号为Y，期望输出为
Figure SMS_78
，则得到输出误差E如式（8）。
Figure SMS_79
（8）
从而，可计算全连接层的输出信号的灵敏度
Figure SMS_80
如式（9）。
Figure SMS_81
（9）
式（9）中，Z为全连接层的净输入；
Figure SMS_82
为全连接层激活函数的导数。
若基于三维卷积核的CNN模型的当前隐含层为全连接层，其信号灵敏度为
Figure SMS_83
，下一层为全连接层或输出层，则当前隐含层输出信号的灵敏度信号/>
Figure SMS_84
的计算公式如式（10）。
Figure SMS_85
（10）
若当前隐含层为卷积层或池化层时，可使用式（10）计算卷积层或者池化层到全连接层的输出信号的灵敏度
Figure SMS_86
，但由于卷积层或池化层的输出信号向全连接层进行前向传播时，输出矩阵X进行了重排列，变为/>
Figure SMS_87
作为全连接层的输入信号。因此，误差反向传播计算得到的灵敏度/>
Figure SMS_88
为保证与X维度一致，应重排列为/>
Figure SMS_89
，如图6所示。
若当前隐含层为卷积层或者池化层且连接卷积层时，当前隐含层的输出信号的灵敏度
Figure SMS_90
的计算方式如式（11）。
Figure SMS_91
（11）
式（11）中，
Figure SMS_92
表示对数据立方体元素上下、左右、前后各翻转180°操作，
Figure SMS_94
表示卷积核，/>
Figure SMS_95
表示表示立方体元素对应项相乘，/>
Figure SMS_96
表示等宽卷积，/>
Figure SMS_97
表示当前隐含层为卷积层或池化层，且连接卷积层时，全连接层的输出信号的灵敏度，/>
Figure SMS_98
表示第/>
Figure SMS_99
个输出通道，P表示输出信号的通道总数，/>
Figure SMS_93
表示净输入。
若当前隐含层为卷积层且连接池化层，当前隐含层的输出信号的灵敏度三维计算公式如式（12）。
Figure SMS_100
（12）
式（12）中，
Figure SMS_101
表示上采样操作，与池化层的下采样操作相反。信号前向传播时若选择最大池化，则将误差信号的每个元素传递到上一层输出信号对应区域中的最大值位置，其余位置赋0。若选择平均池化，则将误差信号平均分配给对应区域中的所有位置。
本实施例中，基于三维卷积核的CNN模型根据各层输出信号的灵敏度调节各层的权重与偏置，具体为：
全连接层的权重
Figure SMS_102
如式（13），全连接层的偏置/>
Figure SMS_103
如式（14）。
Figure SMS_104
（13）
Figure SMS_105
（14）
式（13）与式（14）中，
Figure SMS_106
表示学习率，I为样本数量，下标i表示第i个样本，/>
Figure SMS_107
为权重矩阵，/>
Figure SMS_108
为全连接层的输入信号，/>
Figure SMS_109
为全连接层的输出信号灵敏度，b为列向量，/>
Figure SMS_110
为偏置b的改变量，T表示偏置。
卷积层的权重
Figure SMS_111
如式（15），卷积层的偏置/>
Figure SMS_112
如式（16）。
Figure SMS_113
（15）
Figure SMS_114
（16）
其中，
Figure SMS_115
为卷积层的输入信号，/>
Figure SMS_116
为卷积层的输出信号灵敏度，M、N、L分别表示数据立方体长宽高三个方向的元素个数。
基于时空数据立方体，运用3D-CNN辨识结果如图7所示，图7为6300组样本数据测试结果的混淆矩阵，横坐标与纵坐标均表示要辨识的标签（即故障类型），中间的数字表示辨识情况。i行j列表示把i标签识别为j标签的数量，即：对角线表示把i标签识别正确的数量，非对角线即识别错误的数量。由图7可知，根据本发明的实施例提供的故障识别方法的准确率高达98.38%。
综上，根据本发明提供的配电网故障类型识别方法，首先获取配电网中每个测点的故障电压信号，并对每个测点的故障电压信号进行标准化处理，每个测点的故障电压信号包括A、B、C三相电压信号；然后获取标准化后的每个测点的故障电压信号的WVD时频谱图；再根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图，构建时空数据立方体；最后根据时空数据立方体和故障识别模型获取配电网的故障类型；该方法将多测点故障信号进行组合构造得到的时空数据立方体进行故障辨识，可以大大提高辨识准确率。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种配电网故障类型识别方法，其特征在于，包括：
获取配电网中每个测点的故障电压信号，并对每个测点的故障电压信号进行标准化处理，每个测点的故障电压信号包括A、B、C三相电压信号；
获取标准化后的每个测点的故障电压信号的WVD时频谱图；
根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图，构建时空数据立方体；
根据时空数据立方体和故障识别模型获取配电网的故障类型；
其中，所述故障识别模型采用基于三维卷积核的CNN模型；
根据时空数据立方体和故障识别模型获取配电网的故障类型具体包括：
对时空数据立方体进行补零与三维卷积，获取所述基于三维卷积核的CNN模型的净输入；
根据所述基于三维卷积核的CNN模型的净输入和激活函数，获取卷积层的输出信号；
采用最大池化的方法，获取池化层的输出信号；
根据卷积层的输出信号或池化层的输出信号和全连接层，获取全连接层的输出信号；
根据所述全连接层的输出信号，获取配电网的故障类型；
根据公式
Figure QLYQS_1
获取全连接层的输出信号的灵敏度/>
Figure QLYQS_2
，其中，Z为全连接层的净输入，/>
Figure QLYQS_3
为全连接层激活函数的导数，E为输出误差，/>
Figure QLYQS_4
，其中，Y为全连接层的输出信号，/>
Figure QLYQS_5
为全连接层的期望输出；
若基于三维卷积核的CNN模型的当前隐含层为全连接层，其信号灵敏度为
Figure QLYQS_6
，下一层为全连接层或输出层，则根据/>
Figure QLYQS_7
获取当前隐含层的输出信号的灵敏度
Figure QLYQS_8
，/>
Figure QLYQS_9
为权重矩阵；
若基于三维卷积核的CNN模型的当前隐含层为卷积层或池化层，且连接卷积层，则根据
Figure QLYQS_12
计算当前隐含层的输出信号的灵敏度
Figure QLYQS_14
，其中，/>
Figure QLYQS_18
表示对数据立方体元素上下、左右、前后各翻转180°操作，/>
Figure QLYQS_11
表示卷积核，/>
Figure QLYQS_15
表示表示立方体元素对应项相乘，/>
Figure QLYQS_17
表示等宽卷积，/>
Figure QLYQS_19
表示当前隐含层为卷积层或池化层，且连接卷积层时，全连接层的输出信号的灵敏度，/>
Figure QLYQS_10
表示第/>
Figure QLYQS_13
个输出通道，P表示输出信号的通道总数，/>
Figure QLYQS_16
表示净输入。
2.根据权利要求1所述的配电网故障类型识别方法，其特征在于，对每个测点的故障电压信号进行标准化处理具体包括：
获取所有测点的故障电压信号的最大值
Figure QLYQS_20
；
根据
Figure QLYQS_21
计算标准化后的每个测点的故障电压信号/>
Figure QLYQS_22
，其中，/>
Figure QLYQS_23
为中间值，
Figure QLYQS_24
，/>
Figure QLYQS_25
为每个测点的故障电压信号。
3.根据权利要求2所述的配电网故障类型识别方法，其特征在于，获取标准化后的每个测点的故障电压信号的WVD时频谱图具体包括：
根据下式计算标准化后的每个测点的故障电压信号的WVD时频谱图
Figure QLYQS_26
：
Figure QLYQS_27
其中，
Figure QLYQS_28
为/>
Figure QLYQS_29
的共轭复数，/>
Figure QLYQS_30
为积分变量，f为频率，/>
Figure QLYQS_31
为时移，j为虚数。
4.根据权利要求3所述的配电网故障类型识别方法，其特征在于，根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图，构建时空数据立方体具体包括：
根据每个测点的故障电压信号的WVD时频谱图获取所有测点的A、B、C三相电压信号的WVD时频谱图；
根据
Figure QLYQS_32
构建时空数据立方体/>
Figure QLYQS_33
，其中，d表示第d个输入通道；d=1时，表示A相；d=2时，表示B相；d=3时，表示C相；K表示测量节点的个数，/>
Figure QLYQS_34
表示第1个测量节点信号计算得到的WVD时频谱图，/>
Figure QLYQS_35
表示第2个测量节点信号计算得到的WVD时频谱图、/>
Figure QLYQS_36
表示第K个测量节点信号计算得到的WVD时频谱图。
5.根据权利要求4所述的配电网故障类型识别方法，其特征在于，若基于三维卷积核的CNN模型的当前隐含层为卷积层，且连接池化层，则根据
Figure QLYQS_37
计算当前隐含层的输出信号的灵敏度/>
Figure QLYQS_38
，/>
Figure QLYQS_39
表示上采样。
6.根据权利要求5所述的配电网故障类型识别方法，其特征在于，基于三维卷积核的CNN模型根据各层输出信号的灵敏度调节各层的权重与偏置。
CN202310456367.3A 2023-04-26 2023-04-26 一种配电网故障类型识别方法 Active CN116184124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310456367.3A CN116184124B (zh) 2023-04-26 2023-04-26 一种配电网故障类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310456367.3A CN116184124B (zh) 2023-04-26 2023-04-26 一种配电网故障类型识别方法

Publications (2)

Publication Number Publication Date
CN116184124A CN116184124A (zh) 2023-05-30
CN116184124B true CN116184124B (zh) 2023-07-07

Family

ID=86446568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310456367.3A Active CN116184124B (zh) 2023-04-26 2023-04-26 一种配电网故障类型识别方法

Country Status (1)

Country Link
CN (1) CN116184124B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325526A (zh) * 2018-09-05 2019-02-12 福州大学 一种采用卷积深度置信网络的配电网故障分类方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3050036B1 (fr) * 2016-04-08 2020-06-19 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede de detection de defauts non francs dans un cable par fusion de donnees
KR101926995B1 (ko) * 2017-10-24 2018-12-07 한국전력공사 지중케이블 고장위치 탐지 장치 및 그 방법
CN108846409A (zh) * 2018-04-28 2018-11-20 中国人民解放军国防科技大学 基于循环动态卷积神经网络的雷达回波外推模型训练方法
CN110943857B (zh) * 2019-11-20 2023-04-11 国网湖北省电力有限公司信息通信公司 基于卷积神经网络的电力通信网故障分析及定位方法
CN111507417A (zh) * 2020-04-21 2020-08-07 长沙理工大学 一种输电线路故障暂态保护方法
CN111783558A (zh) * 2020-06-11 2020-10-16 上海交通大学 一种卫星导航干扰信号类型智能识别方法及系统
WO2022119426A1 (fr) * 2020-12-01 2022-06-09 Université Internationale de RABAT Système intelligent pour détection et notification instantanée des perturbations de la qualité du signal électrique
CN114252716A (zh) * 2021-12-06 2022-03-29 深圳供电局有限公司 一种电网故障诊断方法与装置、存储介质
CN115876473A (zh) * 2022-12-14 2023-03-31 国家能源集团宿迁发电有限公司 基于PWVD和DenseNet的轴承故障诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325526A (zh) * 2018-09-05 2019-02-12 福州大学 一种采用卷积深度置信网络的配电网故障分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于VMD与卷积神经网络的脱硫增压风机轴承故障诊断;张娅婷;;内蒙古科技与经济(第10期);全文 *

Also Published As

Publication number Publication date
CN116184124A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
US9989580B2 (en) Fault analysis in electric networks having a plurality of multi-phase buses
Expósito et al. Reduced substation models for generalized state estimation
CN107453351B (zh) 一种基于节点注入功率的配电网运行拓扑辨识方法
CN106443360B (zh) 基于关联矩阵的配电网行波故障定位方法
CN101762774B (zh) 基于遗传算法参数辨识高压直流输电线路故障测距方法
CN107329045A (zh) 配网故障最小二乘定位算法
CN110907810A (zh) 基于粒子群算法的模拟电路单故障诊断方法
CN112415325A (zh) 基于边缘计算的单相接地故障区段辨识方法
CN114744625A (zh) 一种风电机组模型降阶方法及系统
CN110133444A (zh) 一种基于正序电压变化量的故障定位方法、装置及系统
CN105929305B (zh) 一种非全程混压双回线故障区段识别与精确测距方法
CN114527354A (zh) 一种配电网线路短路故障监测方法及相关设备
Hu et al. Fault location and classification for distribution systems based on deep graph learning methods
CN107462810A (zh) 一种适用于有源配电网的故障区段定位方法
CN116184124B (zh) 一种配电网故障类型识别方法
CN108336730B (zh) 一种基于降阶自灵敏度的戴维南等值参数辨识方法
Guillen et al. Data‐driven short‐circuit detection and location in microgrids using micro‐synchrophasors
CN115494349B (zh) 有源配电网单相接地故障区段定位方法
CN113177717B (zh) 一种基于影响增量灵敏度的输电系统韧性快速评估方法
CN104062501B (zh) 双变压器变电站谐波状态估计方法
Lowe A new method of determining the transmission line parameters of an untransposed line using synchrophasor measurements
CN113009279B (zh) 基于Neo4j的配电网电压暂降故障定位及其可视化系统
CN105699882B (zh) 基于振荡测试技术的模拟电路故障诊断方法
CN107478941A (zh) 基于多点同步测量数据的配电网故障模拟退火定位方法
Shu et al. Fault phase selection and distance location based on ANN and S-transform for transmission line in triangle network

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
GR01 Patent grant