CN116401572A - 一种基于cnn-lstm的输电线路故障诊断方法及系统 - Google Patents
一种基于cnn-lstm的输电线路故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116401572A CN116401572A CN202211717900.9A CN202211717900A CN116401572A CN 116401572 A CN116401572 A CN 116401572A CN 202211717900 A CN202211717900 A CN 202211717900A CN 116401572 A CN116401572 A CN 116401572A
- Authority
- CN
- China
- Prior art keywords
- cnn
- lstm
- data
- transmission line
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000005540 biological transmission Effects 0.000 title claims abstract description 64
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 56
- 238000011176 pooling Methods 0.000 claims description 27
- 238000004088 simulation Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000007499 fusion processing Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229920003020 cross-linked polyethylene Polymers 0.000 description 2
- 239000004703 cross-linked polyethylene Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical group [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
本发明提供一种基于CNN‑LSTM的输电线路故障诊断方法及系统,以数据驱动的信息融合处理技术为基础,利用CNN和LSTM建立混合模型的输电线路故障诊断方法,将CNN强大的局部特征提取能力和LSTM处理长序列的方法相结合,有效地解决了由于线路参数变化时原始数据的多源性和异构性;使用CNN‑LSTM对输电线路状态进行分类,输电线路故障检测效果优于传统方法,且有更高的可靠性和稳定性,本发明有效解决了传统输电线路故障诊断对复杂数据深层次的挖掘不够,且不能直接进行多故障分类的问题,提高了输电线路故障诊断效率,具有极强的使用价值。
Description
技术领域
本发明属于电力系统领域,具体涉及一种基于CNN-LSTM的输电线路故障诊断方法及系统。
背景技术
传统输电线路故障诊断方法主要包括基于信号检测和基于数学模型的研究方法。前者依据检测到的线路故障信号,通过特征提取的方式了解不同故障类型的特点,并对故障进行归类;后者将故障定义为相较于正常模型的变化,然后根据过程模型的变化范围和类型采用不同的应对方法。
目前,电力系统正朝着清洁化、智能化方向发展,多能源形式负荷的接入以及多电压等级交直流互联,使得电力系统的复杂程度不断提升。随着智能电网的逐步建设和推进以及通信技术的快速发展,海量数据的快速稳定传输给人工智能的进一步训练提供了保障,也给基于数据驱动的故障诊断提供了机会。以深度学习为代表的人工智能技术在电力系统故障诊断领域中的应用越来越广泛,对深度学习在电力系统故障诊断领域的应用已展开了大量研究。
现有技术中使用BPNN解决非线性问题和处理少量数据时表现优异,但是对大规模数据的学习能力有限,对复杂数据深层次的挖掘不够。SVM可以提取故障特征,但是不能直接进行多故障的分类,需要进行人工定义阈值,降低了原始数据的利用。虽然卷积神经网络(CNN)的局部特征提取能力非常强大,但是在处理时间序列数据问题上准确度不够,而长短期记忆网络(LSTM)的分类效果又依赖于输入特征的明显程度,且少有关于输电线路故障识别的研究。
故,现有输电线路故障诊断方法存在对复杂数据深层次的挖掘不够,且不能直接进行多故障分类的问题。
发明内容
本发明的目的在于解决现有输电线路故障诊断方法对复杂数据深层次的挖掘不够,且不能直接进行多故障分类的问题,提出一种基于CNN-LSTM的输电线路故障诊断方法及系统,将CNN强大的局部特征提取能力和LSTM处理长序列的方法相结合,充分利用CNN-LSTM的提取和分类能力提高输电线路故障诊断效率,使线路故障监测更可靠和稳定。
为达到上述目的,本发明采用如下技术方案:
一种基于CNN-LSTM的输电线路故障诊断方法,包括以下步骤:
步骤一:对输电线路运行状态进行建模仿真,调节建模仿真的输电线路参数,获取监测区段线路两端三相电压信号的故障数据;
步骤二:获取监测区段线路两端三相电压信号的正常数据并对数据长度进行切割,切割后的数据与步骤一中获取的故障数据进行归一化处理,对归一化处理后不同类型的数据进行独热编码标签处理,并划分为训练集和测试集;
步骤三:将训练集作为CNN-LSTM模型的输入,利用CNN的卷积核提取故障特性,经过CNN的卷积核运算后,进行最大池化层操作;
步骤四:最大池化后的数据经过双层LSTM网络,训练神经网络,并学习故障特征;
步骤五:判断当前网络训练次数是否达到设定值,若当前网络训练次数达到设定值则CNN-LSTM模型训练完成,若当前网络训练次数没有达到设定值则重复步骤三到步骤五,反复调节网络参数搭建最优CNN-LSTM模型;
步骤六:将测试集输入训练完成的CNN-LSTM模型,完成对故障的诊断。
进一步地,步骤一中所述输电线路运行状态分为9种,包括三种单相接地、三种两相接地、三相接地、电弧故障和健康状况,所述建模仿真通过PSCAD进行。
进一步地,步骤二中所述归一化处理计算公式如下:
式中,y'为归一化结果,范围在[0,1]之间;y表示原始输入数据,ymax表示原始输入数据的最大值,ymin表示原始输入数据的最小值。
进一步地,步骤三中所述CNN-LSTM模型包括两层卷积层、两层池化层、两层LSTM层、两层全连接层和一层Softmax层;
所述两层卷积层和两层池化层的第一层卷积大小为128×1×1,步长为4×1,第一层池化大小为2×1,步长为2×1,第二层卷积大小为64×1×128,步长为4×1,第二层池化大小为2×1,步长为2×1;所述两层卷积层均采用ReLU激活函数,并对边界进行全零填充;所述两层LSTM层均采用Tanh激活函数,两层LSTM层的隐藏单元分别为250个和150个;所述两层全连接层的神经元个数分别为50个和9个;所述Softmax层共有九个输出值。
进一步地,步骤三中每层卷积操作后都加入批量归一化,在第二层池化操作后采用Dropout进行随机删除;步骤六中利用Softmax完成对故障的诊断。
进一步地,所述Dropout删除比例为0.1。
进一步地,步骤四中所述学习故障特征使用自适应矩阵估计方法进行学习率自适应,初值为0.001,选择交叉熵损失函数作为目标函数,通过反向传播对偏置和权重进行更新。
进一步地,所述交叉熵损失函数计算公式如下:
进一步地,步骤五中所述网络参数包括批大小、学习率、迭代次数。
一种基于CNN-LSTM的输电线路故障诊断系统,包括:
建模仿真模块:用于对输电线路运行状态进行建模仿真,调节建模仿真的输电线路参数,获取监测区段线路两端三相电压信号的故障数据;
构建数据样本模块:用于获取监测区段线路两端三相电压信号的正常数据并对数据长度进行切割,切割后的数据与建模仿真模块中获取的故障数据进行归一化处理,对归一化处理后不同类型的故障数据进行独热编码标签处理,并划分为训练集和测试集;
CNN提取故障特征模块:用于将训练集作为CNN-LSTM模型的输入,利用CNN的卷积核提取故障特性,经过CNN的卷积核运算后,进行最大池化层操作;
LSTM学习模块:用于将最大池化后的数据经过双层LSTM网络,训练神经网络,并学习故障特征;
训练次数判断模块:用于判断当前网络训练次数是否达到设定值,若当前网络训练次数达到设定值则CNN-LSTM模型训练完成,若当前网络训练次数没有达到设定值则重复训练,反复调节网络参数搭建CNN-LSTM模型;
故障诊断模块:用于将测试集输入训练完成的CNN-LSTM模型,完成对故障的诊断。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提出的一种基于CNN-LSTM的输电线路故障诊断方法,将深度学习引入输电线路故障识别中,提出一种CNN与LSTM相结合的算法,以原始故障数据作为输入,实现不同故障的识别,提高输电线路故障诊断效率。
进一步地,本发明以数据驱动的信息融合处理技术为基础,利用CNN和LSTM建立混合模型的输电线路故障诊断方法。将CNN强大的局部特征提取能力和LSTM处理长序列的方法相结合,有效地解决了由于线路参数变化时原始数据的多源性和异构性,使用CNN-LSTM对9种不同类型的线路状态进行分类,输电线路故障检测效果优于传统方法,且有更高的可靠性和稳定性。
进一步地,采用不同参数组合的方式通过PSCAD对不同的故障进行仿真,提高样本数量的同时也提高了数据质量。
进一步地,将训练集作为CNN-LSTM模型的输入,CNN-LSTM模型在保留原始故障信号基础上,避免了数据预处理中过多的加入人为经验影响数据质量。
进一步地,在每层卷积操作后都加入批量归一化,在第二层池化操作后采用Dropout进行随机删除,防止出现过拟合现象。采用交叉熵损失函数不断调整权重和偏置,使输出与期望之间的差尽可能的小,防止在训练过程中过拟合的发生。
本发明提出的一种基于CNN-LSTM的输电线路故障诊断系统,首先将线路模型及数据进行虚拟化处理,再利用CNN-LSTM模型提取故障特征,对不同类型的线路状态进行分类,实现故障特征快速记忆和分类,充分利用了CNN-LSTM的提取和分类能力提高输电线路故障诊断效率。
附图说明
说明书附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明CNN-LSTM网络结构。
图2为本发明CNN-LSTM输电线路故障监测流程。
图3为实施例输电线路的等效电路图。
图4为实施例输电线路的故障仿真模型。
图5为实施例模型参数。
图6为实施例不同迭代次数下的训练正确率收敛曲线。
图7为实施例训练损失值曲线。
图8为实施例CNN-LSTM全连接层的空间特征可视化。
图9为实施例CNN-LSTM模型测试集的混淆矩阵。
具体实施方式
下面将结合附图对本发明作进一步描述:
一种基于CNN-LSTM的输电线路故障诊断方法,网络结构如图1所示,流程如图2所示,包括以下步骤:
步骤一:通过PSCAD对输电线路运行状态进行建模仿真,调节建模仿真的输电线路参数,获取监测区段线路两端三相电压信号的故障数据;
输电线路运行状态分为9种,包括三种单相接地、三种两相接地、三相接地、电弧故障和健康状况,具体参数如表1:
表1输电线路状态的9种类型
其中,f1到f9分别是A相接地故障、B相接地故障、C相接地故障、AB相接地故障、BC相接地故障、CA相接地故障、ABC三相接地故障、健康状况和电弧故障。采用不同参数组合的方式通过PSCAD对不同的故障进行仿真,提高样本数量的同时也提高了数据质量。
步骤二:获取监测区段线路两端三相电压信号的正常数据并对数据长度进行切割,切割后的数据与步骤一中获取的故障数据进行归一化处理,对归一化处理后不同类型的数据进行独热编码标签处理,并划分为训练集和测试集;
归一化处理计算公式如下:
式中,y'为归一化结果范围在[0,1]之间;y表示原始输入数据,ymax表示原始输入数据的最大值,ymin表示原始输入数据的最小值。
步骤三:将训练集作为CNN-LSTM模型的输入,利用CNN的卷积核提取故障特性,经过CNN的卷积核运算后,进行最大池化层操作,保留故障的主要特征。
CNN-LSTM模型包括两层卷积层、两层池化层、两层LSTM层、两层全连接层和一层Softmax层;
第一层卷积大小为128×1×1,步长为4×1,第一层池化大小为2×1,步长为2×1;第二层卷积大小为64×1×128,步长为4×1,第二层池化大小为2×1,步长为2×1;两层卷积层均采用ReLU激活函数,并对边界进行全零填充,两层LSTM层均采用Tanh激活函数,两层LSTM层的隐藏单元分别为250和150个;两层全连接层的神经元个数分别为50和9个;Softmax层共有九个输出值;
CNN-LSTM模型在保留原始故障信号基础上,避免了数据预处理中过多的加入人为经验影响数据质量。
每层卷积操作后都加入批量归一化(BN,Batch Normalization),在第二层池化操作后采用Dropout进行随机删除,防止出现过拟合现象;Dropout删除比例为0.1;步骤六中利用Softmax完成对故障的诊断。CNN-LSTM模型结构参数具体如表2:
表2 CNN-LSTM模型结构参数
步骤四:最大池化后的数据经过双层LSTM网络,训练神经网络,并学习故障特征;学习故障特征使用自适应矩阵估计方法(adaptive moment estimation,Adam)进行学习率自适应,初值为0.001,选择交叉熵损失函数作为目标函数,通过反向传播对偏置和权重进行更新。采用交叉熵损失函数不断调整权重和偏置,使输出与期望之间的差尽可能的小,防止在训练过程中过拟合的发生。交叉熵损失函数(Categorical Cross Entropy,CCE)计算公式如下:
步骤五:判断当前网络训练次数是否达到设定值;
若当前网络训练次数达到设定值则CNN-LSTM模型训练完成,若当前网络训练次数没有达到设定值则重复步骤三到步骤五,反复调节网络参数搭建最优CNN-LSTM模型,网络参数包括批大小、学习率、迭代次数;
步骤六:将测试集输入训练完成的CNN-LSTM模型,完成对故障的诊断。
本发明提出的一种基于CNN-LSTM的输电线路故障诊断方法,将深度学习引入输电线路故障识别中,提出一种CNN与LSTM相结合的算法,以原始故障数据作为输入,实现不同故障的识别,提高输电线路故障诊断效率。
本发明以数据驱动的信息融合处理技术为基础,利用CNN和LSTM建立混合模型的输电线路故障诊断方法。将CNN强大的局部特征提取能力和LSTM处理长序列的方法相结合,有效地解决了由于线路参数变化时原始数据的多源性和异构性,使用CNN-LSTM对9种不同类型的线路状态进行分类,输电线路故障检测效果优于传统方法,且有更高的可靠性和稳定性。
一种基于CNN-LSTM的输电线路故障诊断系统,包括:
建模仿真模块:用于对输电线路运行状态进行建模仿真,调节建模仿真的输电线路参数,获取监测区段线路两端三相电压信号的故障数据;
构建数据样本模块:用于获取监测区段线路两端三相电压信号的正常数据并对数据长度进行切割,切割后的数据与建模仿真模块中获取的故障数据进行归一化处理,对归一化处理后不同类型的故障数据进行独热编码标签处理,并划分为训练集和测试集;
CNN提取故障特征模块:用于将训练集作为CNN-LSTM模型的输入,利用CNN的卷积核提取故障特性,经过CNN的卷积核运算后,进行最大池化层操作;
LSTM学习模块:用于将最大池化后的数据经过双层LSTM网络,训练神经网络,并学习故障特征;
训练次数判断模块:用于判断当前网络训练次数是否达到设定值,若当前网络训练次数达到设定值则CNN-LSTM模型训练完成,若当前网络训练次数没有达到设定值则重复训练,反复调节网络参数搭建CNN-LSTM模型;
故障诊断模块:用于将测试集输入训练完成的CNN-LSTM模型,完成对故障的诊断。
本发明提出的一种基于CNN-LSTM的输电线路故障诊断系统,首先将线路模型及数据进行虚拟化处理,再利用CNN-LSTM模型提取故障特征,对不同类型的线路状态进行分类,实现故障特征快速记忆和分类,充分利用了CNN-LSTM的提取和分类能力提高输电线路故障诊断效率。
下面结合实施例对本发明的实施过程作进一步说明:
选择单芯35kV型号为YJV-35kV高压交联聚乙烯输电线路进行仿真,参数表如表3所示;图3是输电线路的等效电路图。
表3YJV-35kV高压铜芯线路参数
根据输电线路的结构在PSCAD中进行故障仿真,故障仿真模型如图4所示,该系是一条总长为1.1km无分枝的输电线路,由三段分别为400m,300m和400m的线路通过交叉互联的方式连接而成。
由于导致局部放电的故障种类较多,将不同类型的局部放电看作一种故障,通过修改电弧的能量损耗和电弧持续时间进行仿真。所有类型故障发生的时间都设置为250-350ms,所有的数据都以4khz进行采样,各类故障分别生成210个样本,然后对数据集进行随机排序,并按3:1的比例划分为训练集和测试集。模型参数如图5所示。训练正确率收敛曲线与损失值曲线如图6、7所示,全连接层的空间特征可视化和预测结果混淆矩阵如图8、9所示。
通过对35kV交联聚乙烯输电线路9种运行状态进行验证,CNN-LSTM模型的故障诊断检测正确率达到95.9%,相比于传统方法明显提升。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (10)
1.一种基于CNN-LSTM的输电线路故障诊断方法,其特征在于,包括以下步骤:
步骤一:对输电线路运行状态进行建模仿真,调节建模仿真的输电线路参数,获取监测区段线路两端三相电压信号的故障数据;
步骤二:获取监测区段线路两端三相电压信号的正常数据并对数据长度进行切割,切割后的数据与步骤一中获取的故障数据进行归一化处理,对归一化处理后不同类型的数据进行独热编码标签处理,并划分为训练集和测试集;
步骤三:将训练集作为CNN-LSTM模型的输入,利用CNN的卷积核提取故障特性,经过CNN的卷积核运算后,进行最大池化层操作;
步骤四:最大池化后的数据经过双层LSTM网络,训练神经网络,并学习故障特征;
步骤五:判断当前网络训练次数是否达到设定值,若当前网络训练次数达到设定值则CNN-LSTM模型训练完成,若当前网络训练次数没有达到设定值则重复步骤三到步骤五,反复调节网络参数搭建最优CNN-LSTM模型;
步骤六:将测试集输入训练完成的CNN-LSTM模型,完成对故障的诊断。
2.根据权利要求1所述的一种基于CNN-LSTM的输电线路故障诊断方法,其特征在于,步骤一中所述输电线路运行状态分为9种,包括三种单相接地、三种两相接地、三相接地、电弧故障和健康状况,所述建模仿真通过PSCAD进行。
4.根据权利要求1所述的一种基于CNN-LSTM的输电线路故障诊断方法,其特征在于,步骤三中所述CNN-LSTM模型包括两层卷积层、两层池化层、两层LSTM层、两层全连接层和一层Softmax层;
所述两层卷积层和两层池化层的第一层卷积大小为128×1×1,步长为4×1,第一层池化大小为2×1,步长为2×1,第二层卷积大小为64×1×128,步长为4×1,第二层池化大小为2×1,步长为2×1;所述两层卷积层均采用ReLU激活函数,并对边界进行全零填充;所述两层LSTM层均采用Tanh激活函数,两层LSTM层的隐藏单元分别为250个和150个;所述两层全连接层的神经元个数分别为50个和9个;所述Softmax层共有九个输出值。
5.根据权利要求4所述的一种基于CNN-LSTM的输电线路故障诊断方法,其特征在于,步骤三中每层卷积操作后都加入批量归一化,在第二层池化操作后采用Dropout进行随机删除;步骤六中利用Softmax完成对故障的诊断。
6.根据权利要求5所述的一种基于CNN-LSTM的输电线路故障诊断方法,其特征在于,所述Dropout删除比例为0.1。
7.根据权利要求1所述的一种基于CNN-LSTM的输电线路故障诊断方法,其特征在于,步骤四中所述学习故障特征使用自适应矩阵估计方法进行学习率自适应,初值为0.001,选择交叉熵损失函数作为目标函数,通过反向传播对偏置和权重进行更新。
9.根据权利要求1所述的一种基于CNN-LSTM的输电线路故障诊断方法,其特征在于,步骤五中所述网络参数包括批大小、学习率、迭代次数。
10.一种基于CNN-LSTM的输电线路故障诊断系统,其特征在于,包括:
建模仿真模块:用于对输电线路运行状态进行建模仿真,调节建模仿真的输电线路参数,获取监测区段线路两端三相电压信号的故障数据;
构建数据样本模块:用于获取监测区段线路两端三相电压信号的正常数据并对数据长度进行切割,切割后的数据与建模仿真模块中获取的故障数据进行归一化处理,对归一化处理后不同类型的故障数据进行独热编码标签处理,并划分为训练集和测试集;
CNN提取故障特征模块:用于将训练集作为CNN-LSTM模型的输入,利用CNN的卷积核提取故障特性,经过CNN的卷积核运算后,进行最大池化层操作;
LSTM学习模块:用于将最大池化后的数据经过双层LSTM网络,训练神经网络,并学习故障特征;
训练次数判断模块:用于判断当前网络训练次数是否达到设定值,若当前网络训练次数达到设定值则CNN-LSTM模型训练完成,若当前网络训练次数没有达到设定值则重复训练,反复调节网络参数搭建CNN-LSTM模型;
故障诊断模块:用于将测试集输入训练完成的CNN-LSTM模型,完成对故障的诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211717900.9A CN116401572A (zh) | 2022-12-29 | 2022-12-29 | 一种基于cnn-lstm的输电线路故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211717900.9A CN116401572A (zh) | 2022-12-29 | 2022-12-29 | 一种基于cnn-lstm的输电线路故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116401572A true CN116401572A (zh) | 2023-07-07 |
Family
ID=87012940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211717900.9A Pending CN116401572A (zh) | 2022-12-29 | 2022-12-29 | 一种基于cnn-lstm的输电线路故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401572A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056708A (zh) * | 2023-10-11 | 2023-11-14 | 成都大公博创信息技术有限公司 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
-
2022
- 2022-12-29 CN CN202211717900.9A patent/CN116401572A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056708A (zh) * | 2023-10-11 | 2023-11-14 | 成都大公博创信息技术有限公司 | 一种基于多尺度特征融合和cnn-lstm的ais信号识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
CN110689069A (zh) | 一种基于半监督bp网络的变压器故障类型诊断方法 | |
CN110879373B (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
CN109445411A (zh) | 一种变电站故障诊断方法 | |
CN116401572A (zh) | 一种基于cnn-lstm的输电线路故障诊断方法及系统 | |
He et al. | Fault diagnosis and location based on graph neural network in telecom networks | |
CN115693661A (zh) | 一种基于图神经网络的连锁故障风险关键线路辨识方法 | |
CN111612078A (zh) | 一种基于条件变分自动编码器的变压器故障样本增强方法 | |
CN116087667A (zh) | 基于lstm的特高压直流输电线路继电保护故障检测方法 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
Tikariha et al. | Fault classification in an IEEE 30 bus system using convolutional neural network | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
Wang et al. | The cable fault diagnosis for XLPE cable based on 1DCNNs-BiLSTM network | |
CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
CN116882838A (zh) | 一种基于Stacking集成策略的短期电压稳定性评估方法 | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
CN108122054B (zh) | 一种基于图计算的电力系统拓扑实时计算方法 | |
CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
CN116432077A (zh) | 基于优化bp神经网络的智能站二次系统故障定位方法 | |
CN113466630B (zh) | 一种基于rsspn模型的配电网故障原因分类方法 | |
CN115659258A (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN114861792A (zh) | 一种基于深度强化学习的复杂电网关键节点识别方法 | |
CN114548762A (zh) | 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 |
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 |