CN116432023A - 基于样本迁移学习的新型电力系统故障分类方法 - Google Patents
基于样本迁移学习的新型电力系统故障分类方法 Download PDFInfo
- Publication number
- CN116432023A CN116432023A CN202310226145.2A CN202310226145A CN116432023A CN 116432023 A CN116432023 A CN 116432023A CN 202310226145 A CN202310226145 A CN 202310226145A CN 116432023 A CN116432023 A CN 116432023A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- power system
- convolutional neural
- novel power
- 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 54
- 238000013526 transfer learning Methods 0.000 title claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 230000008014 freezing Effects 0.000 claims abstract description 9
- 238000007710 freezing Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 17
- 230000001360 synchronised effect Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06N3/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于样本迁移学习的新型电力系统故障分类方法，包括：构造双馈风机送出线故障仿真模型，生成故障类别的故障样本，并得到数据样本和标签；搭建深度卷积神经网络模型，利用数据样本及标签对神经网络进行预训练；搭建新型电力系统模型，生成少量各类型的故障数据，并获取新能源训练样本及标签；将预训练好的深度卷积网络模型的卷积层冻结，利用新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练；将待识别故障样本输入至训练好的深度卷积网络模型中，得到最终所判别的故障类型。本发明根据故障线路的三相电压和三相电流测量信息，即可自动区分新型电力系统输电线路的故障类别。
Description
技术领域
本发明属于电力系统故障检测的技术领域，具体涉及一种基于样本迁移学习的新型电力系统故障分类方法。
背景技术
在传统电力系统，由于线路上发生故障时，故障电流均由同步机提供，故障特征具体表现为电流突增，电压急剧下降；而随着新能源的大规模接入，不同类型的电源，如风电机组、光伏以及储能蓄电池等，其故障特征均与传统火力发电机组有所区别，并且随着新能源接入比例增大，传统的故障特征逐渐减弱，而新能源故障特征将占据主导。此外，因为新能源出力具有随机性和波动性，且机组类型、运行工况、控制策略等都会对故障特征产生影响，使得传统的输电线路故障类型识别方法准确率降低。因此，如果能对新型电力系统输电线路的短路故障类型进行正确的分类，这对新型电力系统的运行稳定性至关重要。
目前实际投入运行的大比例新能源工程较少，针对新型电力系统的故障分类方法研究也刚刚起步，因此大部分接入分布式新能源的电网仍采用传统的故障电气量突变选相或序分量选相方法，这在初期尚且可行，但若新能源大规模接入，新的故障特征可能引起传统选相元件误判。
新型电力系统下的故障特征复杂多变，不同的控制测量、电源比例都会产生不同的特征形式，因此要对所有的可能故障组合形式进行变量效率极低，若能利用人工智能方法实现对经典故障特征的自动分析，并将其拓展更复杂的系统，实现对新型电力系统故障类型的准确分类，将提高故障类型识别的准确率和效率。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于样本迁移学习的新型电力系统故障分类方法，根据故障线路的三相电压和三相电流测量信息，即可自动区分新型电力系统输电线路的故障类别。
为了达到上述目的，本发明采用以下技术方案：
本发明一方面提供了一种基于样本迁移学习的新型电力系统故障分类方法，包括下述步骤：
步骤1：构造双馈风机送出线故障仿真模型，生成不同故障类别的故障样本，保留故障前至故障后预设时间的三相电压、电流采样值，将所述三相电压、电流采样值归一化并组合为训练数据样本x和标签y；
步骤2：搭建深度卷积神经网络模型，并设置深度卷积神经网络模型参数，利用步骤1所述的训练数据样本和标签对深度卷积神经网络模型进行预训练，得到预训练好的深度卷积神经网络模型；所述深度卷积神经网络模型包括多层卷积层和全连接层，并分别添加残差连接单元；所述卷积层用于提取输入数据的多种特征，并产生不同的特征子图；所述全连接层用于将卷积层所提取的特征子图映射到输出类型，实现对于新型电力系统的故障分类；所述残差连接单元用于联系不同卷积层间的信息，防止关键信息在池化过程中丢失；
步骤3：搭建新型电力系统模型，生成少量各类型的故障数据，并按步骤1的方式组成新能源训练样本及标签；所述新型电力系统模型是包括同步机、光伏和风机的三机九节点新型电力系统模型；
步骤4：根据迁移学习中的网络微调方法，将步骤2得到的预训练好的深度卷积神经网络模型的卷积层冻结，利用所述新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练，以学习除双馈风机外的传统同步电机及光伏故障特征，得到训练好的深度卷积神经网络模型；
步骤5：将待识别故障样本输入至训练好的深度卷积神经网络模型中，输出判别标签Z，并对判别标签Z进行argmax操作，得到最终所判别的故障类型。
作为优选的技术方案，所述生成包含所有故障类别的故障样本，考虑了包括风俗、故障位置及相角影响风机出力的因素和故障因素。
作为优选的技术方案，所述预设时间共计60ms。
作为优选的技术方案，所述标签y为十维向量，对于多种短路故障类别：A相接地、B相接地、C相接地、AB两相短路接地、AC两相短路接地、BC两相短路接地、ABC三相短路接地、AB两相短路、AC两相短路以及BC两相短路，当设定故障类别时，相应故障类别的向量对应位置的元素为1，其余为0。
作为优选的技术方案，所述设置深度卷积神经网络模型参数包括损失函数、学习率和步长。
作为优选的技术方案，所述预训练是利用梯度下降法对神经元权重进行更新。
作为优选的技术方案，所述步骤4中对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练是将权重参数的训练、更新方法均采用反向传播算法，连接权重的梯度计算公式为：
其中，Loss为网络的损失值，
为求偏导符号，om表示第m层的计算值，ωlm为连接第j层神经元m与第j+1层神经元l的权重，netk、netk-1、netj和netj+1分别表示第k、k-1、和j+1个隐藏层上神经元的输出。
本发明又一方面提供了一种基于样本迁移学习的新型电力系统故障分类系统，应用于所述的基于样本迁移学习的新型电力系统故障分类方法，包括构造故障仿真模型模块、预训练深度卷积神经网络模块、搭建新型电力系统模型模块、训练深度卷积神经网络模块以及识别故障模块；
所述构造故障仿真模型模块，用于构造双馈风机送出线故障仿真模型，生成不同故障类别的故障样本，保留故障前至故障后预设时间的三相电压、电流采样值，并将所述三相电压、电流采样值归一化并组合为训练数据样本x和标签y；
所述预训练深度卷积神经网络模块，用于搭建深度卷积神经网络模型，并设置深度卷积神经网络模型参数，利用步骤1所述的训练数据样本及标签对深度卷积神经网络模型进行预训练，得到预训练好的深度卷积神经网络模型；所述深度卷积神经网络模型包括多层卷积层和全连接层，并分别添加残差连接单元；所述卷积层用于提取输入数据的多种特征，并产生不同的特征子图；所述全连接层用于将卷积层所提取的特征子图映射到输出类型，实现对于新型电力系统的故障分类；所述残差连接单元用于联系不同卷积层间的信息，防止关键信息在池化过程中丢失；
所述搭建新型电力系统模型模块，用于搭建新型电力系统模型，生成少量各类型的故障数据，并按步骤1的方式组成新能源训练样本及标签；所述新型电力系统模型是包括同步机、光伏和风机的三机九节点的新型电力系统模型；
所述训练深度卷积神经网络模块，用于根据迁移学习中的网络微调方法，将步骤2得到的预训练好的深度卷积神经网络模型的卷积层冻结，利用所述新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练，以学习除双馈风机外的传统同步电机及光伏故障特征，得到训练好的深度卷积神经网络模型；
所述识别故障模块，用于将待识别故障样本输入至训练好的深度卷积神经网络模型中，输出判别标签Z，并对判别标签Z进行argmax操作，得到最终所判别的故障类型。
本发明又一方面提供了一种电子设备，其特征在于，所述电子设备包括：
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；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序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所述的基于样本迁移学习的新型电力系统故障分类方法。
本发明再一方面提供了一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现所述的基于样本迁移学习的新型电力系统故障分类方法。
本发明与现有技术相比，具有如下优点和有益效果：
1、无需人工设计特征。深度卷积网络为能够自动调节权重，学习输入数据中隐藏的关键故障特征，无需人为设计输入特征指标，能避免指标设计不合理以及特征复杂等问题；
2、样本需求量少。由于使用了迁移学习技术，将获得的训练网络模型用于高比例新能源接入的新型电力系统后，仅需对全连接层进行微调训练，因此所需的新数量大大减少；
3、扩展性良好。预训练模型是在双馈风机模型上构建的，但其深层卷积层经过预训练已充分学习了提取故障特征的能力，通过迁移学习能快速应用于不同的电力系统。
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是本发明实施例基于样本迁移学习的新型电力系统故障分类方法流程图；
图2是本发明实施例双馈风机送出线模型的示意图；
图3是本发明实施例高比例新能源接入的三机九节点新型电力系统模型；
图4是本发明实施例深度卷积神经网络模型的示意图；
图5为本发明实施例基于样本迁移学习的新型电力系统故障分类系统的方框图；
图6为本发明实施例电子设备的结构图。
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。
请参阅图1，在本申请的一个实施例中提供了一种基于样本迁移学习的新型电力系统故障分类方法，包括下述步骤：
S1、请参阅图2，构造双馈风机送出线故障仿真模型，生成不同故障类别的故障样本，保留故障前至故障后共计60ms的三相电压、电流采样值，并将所述三相电压、电流采样值归一化并组合为训练数据样本x和标签y。
进一步的，所述生成不同故障类别的故障样本，考虑了包括风俗、故障位置以及相角等影响风机出力的因素和故障因素；
所述预训练数据样本
所述标签/>
其中n表示采样三周波数据的总长度。
更进一步的，所述标签y为十维向量，对于典型的十种短路故障类别：A相接地、B相接地、C相接地、AB两相短路接地、AC两相短路接地、BC两相短路接地、ABC三相短路接地、AB两相短路、AC两相短路、BC两相短路，设定故障类别时，相应的故障类别的向量对应位置的元素为1，其余为0。
S2、请参阅图4，搭建深度卷积神经网络模型，并设置深度卷积神经网络模型参数，利用步骤S1所述的训练数据样本和标签对深度卷积神经网络模型进行预训练，得到预训练好的深度卷积神经网络模型；所述深度卷积神经网络模型包括四层卷积层、两层全连接层，并分别添加残差连接单元；所述卷积层用于提取输入数据的多种特征，并产生不同的特征子图；所述全连接层用于将卷积层所提取的特征子图映射到输出类型，实现对于新型电力系统的故障分类；所述残差连接单元用于联系不同卷积层间的信息，防止关键信息在池化过程中丢失。
进一步的，所述设置深度卷积神经网络模型参数包括损失函数、学习率和步长。
更进一步的，所述预训练是利用梯度下降法对神经元权重进行更新。
S3、请参阅图3，搭建新型电力系统模型，生成少量各类型的故障数据，并按步骤S1的方式组成新能源训练样本及标签；所述新型电力系统模型是包括同步机、光伏和风机的三机九节点新型电力系统模型。
S4、根据迁移学习中的网络微调方法，将步骤S2得到的预训练好的深度卷积神经网络模型的卷积层冻结，利用所述新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练，以学习除双馈风机外的传统同步电机及光伏故障特征，得到训练好的适用于新型电力系统故障分类的深度卷积神经网络模型。
进一步的，所述步骤S4中对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练是将权重参数的训练、更新方法均采用反向传播算法，某一连接权重的梯度计算公式为：
其中，Loss为网络的损失值，
为求偏导符号，om表示第m层的计算值，ωlm为连接第j层神经元m与第j+1层神经元l的权重，netk、netk-1、netj和netj+1分别表示第k、k-1、j和j+1个隐藏层上神经元的输出。
S5、将待识别故障样本输入至训练完毕的新型电力系统故障分类的深度卷积神经网络模型中，输出判别标签Z，并对判别标签Z进行argmax操作，得到最终所判别的故障类型。
本发明构建双馈风机送出线模型并生成批量故障数据，以得到预训练的深度卷积神经网络模型，同时在深度卷积神经网络模型的基础上引入残差学习，提高深层网络的性能；在此基础上利用迁移学习中微调的方法将该深度卷积神经网络模型应用于新型电力系统模型，利用少量新能源故障数据对网络的全连接层参数进行微调，即可得到适用于新型电力系统的深度卷积神经网络。
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。
基于与上述实施例中的基于样本迁移学习的新型电力系统故障分类方法相同的思想，本发明还提供了基于样本迁移学习的新型电力系统故障分类系统，该系统可用于执行上述基于样本迁移学习的新型电力系统故障分类方法。为了便于说明，基于样本迁移学习的新型电力系统故障分类系统实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
请参阅图5，在本申请的另一个实施例中，提供了一种基于样本迁移学习的新型电力系统故障分类系统100，该系统包括构造故障仿真模型模块101、预训练深度卷积神经网络模块102、搭建新型电力系统模型模块103、训练深度卷积神经网络模块104以及识别故障模块105；
所述构造故障仿真模型模块101，用于构造双馈风机送出线故障仿真模型，生成不同故障类别的故障样本，保留故障前至故障后的三相电压、电流采样值，并将所述三相电压、电流采样值均一化并组合为训练数据样本x和标签y；
所述预训练深度卷积神经网络模块102，用于搭建深度卷积神经网络模型，并设置深度卷积神经网络模型参数，利用步骤1所述的训练数据样本和标签对深度卷积神经网络模型进行预训练，得到预训练好的深度卷积神经网络模型；所述深度卷积网络模型包括多层卷积层和全连接层，并分别添加残差连接单元；所述卷积层用于提取输入数据的多种特征，并产生不同的特征子图；所述全连接层用于将卷积层所提取的特征子图映射到输出类型，实现对于新型电力系统的故障分类；所述残差连接单元用于联系不同卷积层间的信息，防止关键信息在池化过程中丢失；
所述搭建新型电力系统模型模块103，用于搭建新型电力系统模型，生成少量各类型的故障数据，并按步骤1的方式组成新能源训练样本及标签；所述新型电力系统模型包括同步机、光伏和风机的三机九节点新型电力系统模型；
所述训练深度卷积神经网络模块104，用于根据迁移学习中的网络微调方法，将步骤2得到的预训练好的深度卷积神经网络模型的卷积层冻结，利用所述新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练，以学习除双馈风机外的传统同步电机及光伏故障特征，得到训练好的深度卷积神经网络模型；
所述识别故障模块105，用于将待识别故障样本输入至训练好的深度卷积神经网络模型中，输出判别标签Z，并对判别标签Z进行argmax操作，得到最终所判别的故障类型。
需要说明的是，本发明的基于样本迁移学习的新型电力系统故障分类系统与本发明的基于样本迁移学习的新型电力系统故障分类方法一一对应，在上述基于样本迁移学习的新型电力系统故障分类方法的实施例阐述的技术特征及其有益效果均适用于基于样本迁移学习的新型电力系统故障分类系统的实施例中，具体内容可参见本发明方法实施例中的叙述，此处不再赘述，特此声明。
此外，上述实施例的基于样本迁移学习的新型电力系统故障分类系统的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述基于样本迁移学习的新型电力系统故障分类系统的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
请参阅图6，在一个实施例中，提供了一种实现基于样本迁移学习的新型电力系统故障分类方法的电子设备，所述电子设备200可以包括第一处理器201、第一存储器202和总线，还可以包括存储在所述第一存储器202中并可在所述第一处理器201上运行的计算机程序，如样本迁移学习的新型电力系统故障分类程序203。
其中，所述第一存储器202至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述第一存储器202在一些实施例中可以是电子设备200的内部存储单元，例如该电子设备200的移动硬盘。所述第一存储器202在另一些实施例中也可以是电子设备200的外部存储设备，例如电子设备200上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述第一存储器202还可以既包括电子设备200的内部存储单元也包括外部存储设备。所述第一存储器202不仅可以用于存储安装于电子设备200的应用软件及各类数据，例如样本迁移学习的新型电力系统故障分类程序203的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述第一处理器201在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述第一处理器201是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述第一存储器202内的程序或者模块，以及调用存储在所述第一存储器202内的数据，以执行电子设备200的各种功能和处理数据。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备200的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
所述电子设备200中的所述第一存储器202存储的样本迁移学习的新型电力系统故障分类程序203是多个指令的组合，在所述第一处理器201中运行时，可以实现：
步骤1：构造双馈风机送出线故障仿真模型，生成包含所有故障类别的故障样本，保留故障前至故障后的三相电压、电流采样值，并将所述三相电压、电流采样值均一化并组合为训练数据样本x和标签y；
步骤2：搭建深度卷积神经网络模型，并设置深度卷积神经网络模型参数，利用步骤1所述训练数据样本和标签对深度卷积神经网络模型进行预训练，得到预训练好的深度卷积神经网络模型；所述深度卷积神经网络模型包括多卷积层和全连接层，并分别添加残差连接单元；所述卷积层用于提取输入数据的多种特征，并产生不同的特征子图；所述全连接层用于将卷积层所提取的特征子图映射到输出类型，实现对于新型电力系统的故障分类；所述残差连接单元用于联系不同卷积层间的信息，防止关键信息在池化过程中丢失；
步骤3：搭建新型电力系统模型，生成少量各类型的故障数据，并按步骤1的方式组成新能源训练样本及标签；所述新型电力系统模型是包括同步机、光伏和风机的三机九节点新型电力系统模型；
步骤4：根据迁移学习中的网络微调方法，将步骤2得到的预训练好的深度卷积神经网络模型的卷积层冻结，利用所述新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练，以学习除双馈风机外的传统同步电机及光伏故障特征，得到训练好的深度卷积神经网络模型；
步骤5：将待识别故障样本输入至训练好的深度卷积神经网络模型中，输出判别标签Z，并对判别标签Z进行argmax操作，得到最终所判别的故障类型。
进一步地，所述电子设备200集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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.基于样本迁移学习的新型电力系统故障分类方法，其特征在于，包括下述步骤：
步骤1：构造双馈风机送出线故障仿真模型，生成不同故障类别的故障样本，保留故障前至故障后预设时间的三相电压、电流采样值，将所述三相电压、电流采样值归一化并组合为训练数据样本x和标签y；
步骤2：搭建深度卷积神经网络模型，并设置深度卷积神经网络模型参数，利用步骤1所述的训练数据样本和标签对深度卷积神经网络模型进行预训练，得到预训练好的深度卷积神经网络模型；所述深度卷积神经网络模型包括多层卷积层和全连接层，并分别添加残差连接单元；所述卷积层用于提取输入数据的多种特征，并产生不同的特征子图；所述全连接层用于将卷积层所提取的特征子图映射到输出类型，实现对于新型电力系统的故障分类；所述残差连接单元用于联系不同卷积层间的信息，防止关键信息在池化过程中丢失；
步骤3：搭建新型电力系统模型，生成少量各类型的故障数据，并按步骤1的方式组成新能源训练样本及标签；所述新型电力系统模型是包括同步机、光伏和风机的三机九节点新型电力系统模型；
步骤4：根据迁移学习中的网络微调方法，将步骤2得到的预训练好的深度卷积神经网络模型的卷积层冻结，利用所述新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练，以学习除双馈风机外的传统同步电机及光伏故障特征，得到训练好的深度卷积神经网络模型；
步骤5：将待识别故障样本输入至训练好的深度卷积神经网络模型中，输出判别标签Z，并对判别标签Z进行argmax操作，得到最终所判别的故障类型。
2.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述生成不同故障类别的故障样本，考虑了包括风俗、故障位置及相角影响风机出力的因素和故障因素。
3.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述预设时间共计60ms。
4.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述标签y为十维向量，对于多种短路故障类别：A相接地、B相接地、C相接地、AB两相短路接地、AC两相短路接地、BC两相短路接地、ABC三相短路接地、AB两相短路、AC两相短路以及BC两相短路，当设定故障类别时，相应故障类别的向量对应位置的元素为1，其余为0。
5.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述设置深度卷积神经网络模型参数包括损失函数、学习率和步长。
6.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述预训练是利用梯度下降法对神经元权重进行更新。
7.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述步骤4中对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练是将权重参数的训练、更新方法均采用反向传播算法，连接权重的梯度计算公式为：
其中，Loss为网络的损失值，
为求偏导符号，om表示第m层的计算值，ωlm为连接第j层神经元m与第j+1层神经元l的权重，netk、netk-1、netj和netj+1分别表示第k、k-1、j和j+1个隐藏层上神经元的输出。
8.基于样本迁移学习的新型电力系统故障分类系统，其特征在于，应用于权利要求1-7中任一项所述的基于样本迁移学习的新型电力系统故障分类方法，包括构造故障仿真模型模块、预训练深度卷积神经网络模块、搭建新型电力系统模型模块、训练深度卷积神经网络模块以及识别故障模块；
所述构造故障仿真模型模块，用于构造双馈风机送出线故障仿真模型，生成不同故障类别的故障样本，保留故障前至故障后预设时间的三相电压、电流采样值，并将所述三相电压、电流采样值归一化并组合为训练数据样本x和标签y；
所述预训练深度卷积神经网络模块，用于搭建深度卷积神经网络模型，并设置深度卷积神经网络模型参数，利用步骤1所述的训练数据样本及标签对深度卷积神经网络模型进行预训练，得到预训练好的深度卷积神经网络模型；所述深度卷积神经网络模型包括多层卷积层和全连接层，并分别添加残差连接单元；所述卷积层用于提取输入数据的多种特征，并产生不同的特征子图；所述全连接层用于将卷积层所提取的特征子图映射到输出类型，实现对于新型电力系统的故障分类；所述残差连接单元用于联系不同卷积层间的信息，防止关键信息在池化过程中丢失；
所述搭建新型电力系统模型模块，用于搭建新型电力系统模型，生成少量各类型的故障数据，并按步骤1的方式组成新能源训练样本及标签；所述新型电力系统模型是包括同步机、光伏和风机的三机九节点的新型电力系统模型；
所述训练深度卷积神经网络模块，用于根据迁移学习中的网络微调方法，将步骤2得到的预训练好的深度卷积神经网络模型的卷积层冻结，利用所述新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练，以学习除双馈风机外的传统同步电机及光伏故障特征，得到训练好的深度卷积神经网络模型；
所述识别故障模块，用于将待识别故障样本输入至训练好的深度卷积神经网络模型中，输出判别标签Z，并对判别标签Z进行argmax操作，得到最终所判别的故障类型。
9.一种电子设备，其特征在于，所述电子设备包括：
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；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序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如权利要求1-7中任意一项所述的基于样本迁移学习的新型电力系统故障分类方法。
10.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的基于样本迁移学习的新型电力系统故障分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310226145.2A CN116432023A (zh) | 2023-03-10 | 2023-03-10 | 基于样本迁移学习的新型电力系统故障分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310226145.2A CN116432023A (zh) | 2023-03-10 | 2023-03-10 | 基于样本迁移学习的新型电力系统故障分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116432023A true CN116432023A (zh) | 2023-07-14 |
Family
ID=87084468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310226145.2A Pending CN116432023A (zh) | 2023-03-10 | 2023-03-10 | 基于样本迁移学习的新型电力系统故障分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432023A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117520818A (zh) * | 2023-11-08 | 2024-02-06 | 广州水沐青华科技有限公司 | 一种电力指纹识别方法、装置、电子设备及存储介质 |
-
2023
- 2023-03-10 CN CN202310226145.2A patent/CN116432023A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117520818A (zh) * | 2023-11-08 | 2024-02-06 | 广州水沐青华科技有限公司 | 一种电力指纹识别方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108062302A (zh) | 一种特定文本信息的识别方法及装置 | |
| CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
| CN116432023A (zh) | 基于样本迁移学习的新型电力系统故障分类方法 | |
| CN112330165A (zh) | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 | |
| Chen et al. | Interpretable time-adaptive transient stability assessment based on dual-stage attention mechanism | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| 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 | |
| CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
| Yin et al. | Deep learning based feature reduction for power system transient stability assessment | |
| CN112633315A (zh) | 一种电力系统扰动分类方法 | |
| CN114021425B (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
| CN113488997B (zh) | 一种基于扰动响应多尺度特征的微电网临界能量评估方法 | |
| CN115800274B (zh) | 一种5g配电网馈线自动化自适应方法、装置及存储介质 | |
| Liu et al. | CNN-based fault phase identification method of double circuit transmission lines | |
| 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 | |
| CN115494349B (zh) | 有源配电网单相接地故障区段定位方法 | |
| CN117421571A (zh) | 一种基于配电网的拓扑实时辨识方法及系统 | |
| CN115409122A (zh) | 一种变电设备并发故障分析方法、系统、设备及介质 | |
| Lin et al. | The study on classification and prediction for data mining | |
| CN114492181A (zh) | 基于自适应气象分类的光伏超短期功率预测方法及设备 | |
| CN117150393B (zh) | 一种基于决策树的电力系统薄弱支路辨识方法及系统 | |
| Li et al. | Short-term Wind Power Prediction Method Based on Genetic Algorithm Optimized XGBoost Regression Model | |
| Niu et al. | Research on Power System Transient Security Prediction Based on AdaBoost-SVM | |
| Gao et al. | A Data-Knowledge-Hybrid-Driven Method for Modeling Reactive Power-Voltage Response Characteristics of Renewable Energy Sources |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Luhao Inventor after: Lin Zexuan Inventor after: Wang Haiyang Inventor after: Yao Wujiapin Inventor after: Liang Xueqing Inventor after: Lu Youfei Inventor after: Zhao Hongwei Inventor after: Wu Renbo Inventor after: Chen Minghui Inventor after: Zhang Shaofan Inventor after: Liu Chao Inventor after: Wang Liye Inventor before: Long Yun Inventor before: Wang Liye Inventor before: Lin Zexuan Inventor before: Wang Haiyang Inventor before: Yao Wujiapin Inventor before: Liu Luhao Inventor before: Liang Xueqing Inventor before: Lu Youfei Inventor before: Zhao Hongwei Inventor before: Wu Renbo Inventor before: Chen Minghui Inventor before: Zhang Shaofan Inventor before: Liu Chao |
|
| CB03 | Change of inventor or designer information |