CN116679161A - 一种电网线路故障诊断方法、设备和介质 - Google Patents
一种电网线路故障诊断方法、设备和介质 Download PDFInfo
- Publication number
- CN116679161A CN116679161A CN202310603817.7A CN202310603817A CN116679161A CN 116679161 A CN116679161 A CN 116679161A CN 202310603817 A CN202310603817 A CN 202310603817A CN 116679161 A CN116679161 A CN 116679161A
- Authority
- CN
- China
- Prior art keywords
- time
- sampling time
- frequency image
- characteristic
- sampling
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003745 diagnosis Methods 0.000 title claims abstract description 63
- 238000005070 sampling Methods 0.000 claims abstract description 178
- 230000004927 fusion Effects 0.000 claims abstract description 91
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开一种电网线路故障诊断方法、设备和介质。该方法包括获取电网检测点的原始电流信号，将原始电流信号转换为至少三个采样时间段下的第一时频图像特征图；确定第一时频图像特征图在各采样时间段下分别对应的第二时频图像特征图；确定各采样时间段下第二时频图像特征图分别对应的共享特征，将各共享特征进行融合得到多尺度融合特征图；根据多尺度融合特征图和神经网络模型确定电网线路故障的诊断结果。本发明实施例通过多个采样时间段下对原始电流信号转换、时频图像特征提取、共享特征的融合和对共享融合特征进行识别得到电网线路故障诊断结果，可充分表征原始电流信号特征，提升故障检测效率和准确度，实现配电网中线路故障的定位。
Description
技术领域
本发明涉及电网故障诊断技术领域，尤其涉及一种电网线路故障诊断方法、设备和介质。
背景技术
配电网主变低压侧线路的三相电流可以反映电网线路的工作状态，如三相短路故障具有严重的热破坏性和力破坏性，导致对电线路及电力设备材料绝缘性和结构特性破坏，会造成局部停电或电网瘫痪等更严重后果。
现有技术中，基于三相电流信号的电网短路故障诊断方法一般有两种，一种是根据三相电流的瞬时值、斜率或幅度频率等的特征信号，当上述参量大于预设阈值时判断为短路的电网故障，实验证明，试验结果验证短路检测的准确率较高，但检测时延在2～7ms之间，检测效率较低；另一种是利用电流曲率被用于故障检测的判据，该方法能更快识别短路故障，但由于曲率中含有一阶、二阶微分，对噪声及异常数据的鲁棒性不足，且易受故障初相角影响，以及高频噪声和谐波影响，其在三相电流特征表征能力及诊断准确性方面存在不足，导致诊断的准确性低。
发明内容
有鉴于此，本发明提供一种电网线路故障诊断方法、设备和介质，能够充分表征原始电流信号的特征，在提升电网故障检测的效率的基础上，可准确、可靠地识别电网故障，具有极高的鲁棒性，实现配电网中单相接地故障的定位。
根据本发明的一方面，本发明实施例提供了一种电网线路故障诊断方法，该方法包括：
获取电网检测点的原始电流信号，将所述原始电流信号转换为至少三个采样时间段下的第一时频图像特征图；
确定所述第一时频图像特征图在各所述采样时间段下分别对应的第二时频图像特征图；
确定各所述采样时间段下所述第二时频图像特征图分别对应的共享特征，并将各所述共享特征进行融合得到多尺度融合特征图；
根据所述多尺度融合特征图和预先训练好的神经网络模型确定电网线路故障的诊断结果。
根据本发明的另一方面，本发明实施例还提供了一种电网线路故障诊断装置，所述装置，包括：
转换模块，用于获取电网检测点的原始电流信号，将所述原始电流信号转换为至少三个采样时间段下的第一时频图像特征图；
第一特征确定模块，用于确定所述第一时频图像特征图在各所述采样时间段下分别对应的第二时频图像特征图；
第二特征确定模块，用于确定各所述采样时间段下所述第二时频图像特征图分别对应的共享特征，并将各所述共享特征进行融合得到多尺度融合特征图；
结果确定模块，用于根据所述多尺度融合特征图和预先训练好的神经网络模型确定电网线路故障的诊断结果。
根据本发明的另一方面，本发明实施例还提供了一种电子设备，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，所述计算机程序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本发明任一实施例所述的电网线路故障诊断方法。
根据本发明的另一方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电网线路故障诊断方法。
本发明实施例的技术方案，通过将原始电流信号进行转换为至少三个采样时间段下的第一时频图像特征图，可解决现有原始电流信号样本库匮乏难以实施高性能的深度学习模型的问题；通过确定第一时频图像特征图对应的第二时频图像特征图，并确定各采样时间段下第二时频图像特征图分别对应的共享特征，将各共享特征进行融合得到多尺度融合特征图，根据多尺度融合特征图和预先训练好的神经网络模型确定电网线路故障的诊断结果，能够充分表征原始电流信号的特征，在提升电网故障检测的效率的基础上，可准确、可靠地识别电网故障，具有极高的鲁棒性，实现配电网中单相接地故障的定位。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明一实施例提供的一种电网线路故障诊断方法的流程图；
图2为本发明一实施例提供的另一种电网线路故障诊断方法的流程图；
图3为本发明一实施例提供的一种电网线路故障诊断方法中的深度神经网络的整体架构图；
图4为本发明一实施例提供的一种电网线路故障诊断装置的结构框图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在一实施例中，图1为本发明一实施例提供的一种电网线路故障诊断方法的流程图，本实施例可适用于对电网线路故障进行诊断和识别时的情况，该方法可以由电网线路故障诊断装置来执行，该电网线路故障诊断装置可以采用硬件和/或软件的形式实现，该电网线路故障诊断装置可配置于电子设备中。
如图1所示，本实施例中的电网线路故障诊断方法，具体步骤包括：
S110、获取电网检测点的原始电流信号，将原始电流信号转换为至少三个采样时间段下的第一时频图像特征图。
其中，原始电流信号可以理解为电网检测点的原始三相电流信号。采样时间段也可以称为采样时间尺度，可以理解为间隔多长时间进行一次采样。当然，每个采样时间段下对应相应的第一时频图像特征图，其中，第一时频图像特征图指的是每个采样时间段下的信号数据进行初级特征提取所得到的时频图像特征图，该时频图像特征图中包括原始电流信号随时间变化的频谱特征。
在本实施例中，在每个采样时间段下均对应相应的第一时频图像特征图，各采样时间段下的时频图像特征图中的时频特征是不同的，可以理解为，在不同的采样时间段下，时频图像特征中所包含的特征信息是不同。
在本实施例中，可以采用电流传感器采集电网中各个检测点的原始三相电流信号，将该原始三相电流信号通过相应的信号处理方式处理为多个采样时间段下的一维信号数据，并采用小波变换方式得到多个采样时间段下一维信号数据分别对应的时频图像特征图；在一些实施例中，也可以通过将采集到的原始电流信号进行加窗处理，通过滑动串口的方式将该电流信号分割为多个片段，然后对每一个片段进行傅里叶变换，从而得到第二时频图像特征图；在一些实施例中，也可以通过将采集到的原始电流信号进行预处理，获得去除噪音干扰的电流信号，在不同的采样时间段下将除噪音干扰的电流信号转换为无阈值递归图，并作为不同采样时间段下的第一时频图像特征图，本实施例在此不做限制。
S120、确定第一时频图像特征图在各采样时间段下分别对应的第二时频图像特征图。
其中，第二时频图像特征图可以理解为对初级特征提取所得到的第一时频图像特征图进行深度特征提取所得到的时频图像特征，该第二时频图像特征中包括深层次的语义特征。需要说明的是，在不同的采样时间段下对应的第二时频图像特征图中的特征信息是不同的。
在本实施例中，可以通过残差卷积网络确定第一时频特征图像，在各采样时间段下分别对应的第二时频图像特征图，可以理解为通过残差卷积网络以提取各采样时间段下第一时频特征图像分别对应的第二时频图像特征，由于采样时间段至少为三个，故残差卷积网络可以由三通道并行残差卷积网络所构成，当然，残差网络可以为不同层次结构的残差网络，本实施在此不做限制；在一些实施例中，也可以通过在各采样时间段下，将第一时频图像特征图进行多通道特征值提取，以得到对应的第二时频图像特征图。
S130、确定各采样时间段下第二时频图像特征图分别对应的共享特征，并将各共享特征进行融合得到多尺度融合特征图。
其中，共享特征可以理解为当前采样时间段的第二时频图像特征图与其他采样时间段的第二时频图像特征图分别进行特征融合所得到的共享特征。多尺度融合特征图指的是是由各采样时间段下第二时频图像特征图分别对应的共享特征进行特征融合所得到的多尺度融合特征图。
需要说明的是，每次采样时间段下均对应相应的共享特征，来自于当前采样时间段与其他采样时间段的融合，经历多次融合过程形成多个共享特征，由于每次融合时融合权重不同所以造成了三个共享特征也是不同的。
在本实施例中，可以通过共享学习提取各采样时间段下第二时频图像特征图分别对应的共享特征，依据相应的适应性加权融合方法将各采样时间段下分别对应的共享特征进行加权融合，以得到多尺度融合特征图，需要说明的是，该多尺度融合特征图中综合包含了不同采样时间段下第二时频图像特征图分别对应的特征信息；在一些实施例中，也可以在不同的采用时间段下，分别提取第二时频图像特征图中表示电流波形的特征数据构成K维特征向量，将不同采样时间段所构成的K维特征向量进行特征融合，以得到融合得到多尺度融合特征图。
S140、根据多尺度融合特征图和预先训练好的神经网络模型确定电网线路故障的诊断结果。
其中，电网线路故障的诊断结果即为对电网线路可能出现的故障进行诊断的结果，该诊断结果可以包括但不限于线路首端、线路中端、线路末端的单相短路、两相相间短路、两相接地短路、三相短路等故障。
在本实施例中，可以通过神经网络的全局池化层将多尺度融合特征图转化为一维向量融合特征，依据神经网络模型中全连接层的卷积核最优参数和一维向量融合特征的乘积得到电网线路故障的诊断结果，需要说明的是，在进行故障诊断时，使用线性整流函数作为激活函数，以根据激活函数的范围进行当前的故障诊断；在一些实施例中，也可以通过小波变换提取故障能量，得到可以体现故障现象的故障特征向量，采用遗传算法对神经网络模型进行训练，利用训练好的神经网络模型进行电网线路故障类型识别，以得到相应的故障诊断结果。
本发明实施例的技术方案，通过将原始电流信号进行转换为至少三个采样时间段下的第一时频图像特征图，可解决现有原始电流信号样本库匮乏难以实施高性能的深度学习模型的问题；通过确定第一时频图像特征图对应的第二时频图像特征图，并确定各采样时间段下第二时频图像特征图分别对应的共享特征，将各共享特征进行融合得到多尺度融合特征图，根据多尺度融合特征图和预先训练好的神经网络模型确定电网线路故障的诊断结果，能够充分表征原始电流信号的特征，在提升电网故障检测的效率的基础上，可准确、可靠地识别电网故障，具有极高的鲁棒性，实现配电网中单相接地故障的定位。
在一实施例中，图2为本发明一实施例提供的另一种电网线路故障诊断方法的流程图，本实施例在上述各实施例的基础上，对将原始电流信号转换为至少三个采样时间段下的第一时频图像特征图；确定第一时频图像特征图在各采样时间段下分别对应的第二时频图像特征图；确定各采样时间段下第二时频图像特征图分别对应的共享特征，并将各共享特征进行融合得到多尺度融合特征图；根据多尺度融合特征图和预先训练好的神经网络模型确定电网线路故障的诊断结果进行了进一步的细化。
如图2所示，本实施例中的电网线路故障诊断方法，具体可以包含如下步骤：
S210、获取电网检测点的原始电流信号，依据预设第一公式将原始电流信号处理为至三个采样时间段下分别对应的一维信号数据。
其中，一维信号数据指的是依据相应的处理方式所重构的信号数据。
在本实施例中，可以通过霍尔电流传感器采集电网中的原始电流信号，依据预设第一公式将原始电流信号处理为至少3个采样时间段下分别对应的一维信号数据。其中，预设第一公式表示为：其中，yτ(j)为采样时间段τ下重构的一维信号数据j点的值，x(i)为原始电流信号数据i点的值；其中，τ表示为不同的采样时间段，τ取值为整数。示例性的，τ取值为1时，即为采样时间段1下的一维信号数据，τ取值为2时，即为采样时间段2下的一维信号数据，τ取值为3时，即为采样时间段3下的一维信号数据。
S220、采用小波变换方法确定各采样时间段下一维信号数据分别对应的时频图像特征，并将各时频图像特征分别作为第一时频图像特征图。
其中，第一时频图像特征图包括原始电流信号随时间变化的频谱特征，可以理解为，该时频图像特征可以反应出原始电流信号随时间变化的频谱特征。
在本实施例中，采用小波变换方法提取各采样时间段下一维信号数据分别对应的时频图像特征，并将各时频图像特征分别作为第一时频图像特征图，可以理解为，将各采样时间段下一维信号数据转换为二维时频特征图像。示例性的，采集电网检测点三相电流信号，处理为3个采样时间段下的一维信号数据，进而采用小波变换提取3个采样时间段下一维信号数据分别对应的时频特征图像，即为采样时间段1下对应时频特征图像1，采样时间段2下对应时频特征图像2；采样时间段3下对应时频特征图像3，此处的时频特征图像1、时频特征图像2均为第一时频图像特征图。
S230、将各采样时间段下分别对应的第一时频特征图像输入预先训练好的残差卷积网络中，以提取各采样时间段下第一时频特征图像分别对应的第二时频图像特征图。
其中，第二时频图像特征图包括语义特征；其中，预先训练好的残差卷积网络由三通道并行残差卷积网络所构成，残差卷积网络的每个卷积层参数为各卷积层中卷积核的最优参数。
在本实施例中，预先训练好的残差卷积网络由三通道并行残差卷积网络所构成，残差卷积网络的每个卷积层参数为各卷积层中卷积核的最优参数，本实施例中，残差卷积网络可以为多层，每层均对应有相应的卷积核的最优参数。示例性的，残差卷积网络可以是三通道并行的五层残差卷积网络所构成，其中，残差卷积网络的第一层残差网络采用7×7×64的卷积核，第二层采残差网络采用3×3×64的卷积核，第三层残差网络采用3×3×128的卷积核，第四层残差网络采用3×3×256的卷积核，第五层残差网络采用3×3×512的卷积核。
在本实施例中，可以将各采样时间段下分别对应的第一时频特征图像输入预先训练好的三通道并行的多层残差卷积网络中，以提取各采样时间段下第一时频特征图像分别对应的第二时频图像特征图。具体的，将采样时间段1下的第一时频特征图像、采样时间段2下的第一时频特征图像以及采样时间段3下的第一时频特征图像输入预先训练好的三通道并行的五层残差卷积网络种，针对每一个采样时间段下的第一时频特征图像得到对应的第二时频图像特征图。
在一实施例中，残差卷积网络的训练过程，包括：
获取三相电流信号样本训练集；其中，三相电流信号样本训练集由ImageNet数据集组成；
通过三相电流信号样本训练集优化损失函数，直至损失函数达到最小，以得到残差卷积网络中各卷积层的卷积核的最优参数并通过迁移学习方法将最优参数传递至残差卷积网络中，用于提取各采样时间段下第一时频特征图像分别对应的第二时频图像特征图。
在本实施例中，获取三相电流信号样本训练集；其中，三相电流信号样本训练集由ImageNet数据集组成，通过三相电流信号样本训练集优化损失函数，直至损失函数达到最小，以得到多层残差卷积网络中各卷积层的卷积核的最优参数，并通过迁移学习方法将最优参数传递至残差卷积网络中，用于提取各采样时间段下第一时频特征图像分别对应的第二时频图像特征图。需要说明的是，在由ImageNet数据集进行卷积层参数训练时，训练所使用的残差卷积网络与进行深度特征提取的残差卷积网络为相同的卷积层数，示例性的，训练所使用的残差卷积网络为五层卷积层，该五层卷积层的第一层残差网络采用7×7×64的卷积核，第二层采残差网络采用3×3×64的卷积核，第三层残差网络采用3×3×128的卷积核，第四层残差网络采用3×3×256的卷积核，第五层残差网络采用3×3×512的卷积核。
S240、通过共享学习提取各采样时间段下第二时频图像特征图分别对应的共享特征；其中，各共享特征中包含第一采样时间、第二采样时间和第三采样时间下的最优共享权重矩阵。
在本实施例中，可以通过共享学习提取各采样时间段下第二时频图像特征图分别对应的共享特征；其中，各共享特征中包含第一采样时间、第二采样时间和第三采样时间下的最优共享权重矩阵；具体的，将第一采样时间下的第二时频图像特征图分别与第二采样时间下的第二时频图像特征图，以及第三采样时间下的第二时频图像特征图进行融合得到所述第一采样时间下的第一共享特征；将所述第二采样时间下的第二时频图像特征图分别与第一采样时间下的第二时频图像特征图，以及第三采样时间的第二时频图像特征图进行融合得到第二采样时间下的第二共享特征；将第三采样时间下的第二时频图像特征图分别与第一采样时间下的第二时频图像特征图，以及第二采样时间下的第二时频图像特征图进行融合得到第三采样时间下的第三共享特征。
在一些实施例中，共享特征用公式表示为：其中，/>为第一采样时间、第二采样时间和第三采样时间下的最优共享权重矩阵，χ1(i,j)表示为第一采样时间对应的第二时频图像特征图在(i,j)位置处的第一特征信息，χ2(i,j)表示为第二采样时间对应的第二时频图像特征图在(i,j)位置处的第二特征信息，χ3(i,j)表示为第三采样时间对应的第二时频图像特征图在(i,j)位置处的第三特征信息，表示为第一采样时间下的第一共享特征在(i,j)位置处的特征信息，/>表示为第二采样时间下的第二共享特征在(i,j)位置处的特征信息，/>表示为第三采样时间下的第三共享特征在(i,j)位置处的特征信息。
S250、依据适应性加权融合方法将各采样时间段下分别对应的共享特征进行加权融合得到多尺度融合特征图；其中，融合特征图中包含融合共享特征的最优融合权重。
在本实施中，依据适应性加权融合方法将各采样时间段下分别对应的共享特征进行加权融合得到多尺度融合特征图；其中，融合特征图中包含融合共享特征的最优融合权重。在一些实施例中，融合特征图用公式表示为：其中，ω1、ω2和ω3分别表示为第一采样时间、第二采样时间和第三采样时间下分别对应的最优融合权重，/>表示为第一采样时间下的第一共享特征在(i,j)位置处的特征信息，/>表示为第二采样时间下的第二共享特征在(i,j)位置处的特征信息，/>表示为第三采样时间下的第三共享特征在(i,j)位置处的特征信息。
在一实施例中，最优共享权重矩阵和融合共享特征的最优融合权重的确定，包括：
通过反向传播方法分别更新第一采样时间、第二采样时间和第三采样时间下的共享权重矩阵以及融合权重直至损失函数达到最小，得到更新后的最优权重矩阵和最优融合权重。
在本实施例中，通过反向传播方法分别更新第一采样时间、第二采样时间和第三采样时间下的共享权重矩阵以及融合权重直至损失函数达到最小，得到更新后的最优权重矩阵和最优融合权重。具体过程如下：
其中，μ是神经网络的学习率，示例性的，学习率可以设置为/> 表示为第一采样时间下的第一共享特征在(i,j)位置处的特征信息，/>表示为第二采样时间下的第二共享特征在(i,j)位置处的特征信息，/>表示为第三采样时间下的第三共享特征在(i,j)位置处的特征信息，E是神经网络的损失函数；当E小于预设阈值时停止反向传播和更新，得到最优参数。
示例性的，第一采样时间、第二采样时间和第三采样时间下的共享权重矩阵以及融合权重的更新方式为，设置共享权重矩阵以及融合权重分别对应的初始值，该初始值分别设置为ω1＝0.33,ω2＝0.33,ω3＝0.33，通过反向传播方法分别更新该初始值直至损失函数达到最小。
S260、通过神经网络的全局池化层将多尺度融合特征图转化为一维向量融合特征。
在本实施例中，通过神经网络的全局池化层将多尺度融合特征图转化为一维向量融合特征，可以理解为，将以矩阵形式的多尺度融合特征变换为一维向量，以通过该一维向量和全连接层的卷积核最优参数确定电网线路故障的诊断结果。
S270、依据神经网络模型中全连接层的卷积核最优参数和一维向量融合特征的乘积得到电网线路故障的诊断结果；其中，全连接层的卷积核的最优参数为采用Adam算法更新全连接层卷积核参数。
在本实施例中，依据神经网络模型中全连接层的卷积核最优参数和一维向量融合特征的乘积得到电网线路故障的诊断结果；其中，全连接层的卷积核的最优参数为依据三相电流信号样本数据集，并采用Adam算法更新全连接层卷积核参数。在一些实施例中，电网线路故障的诊断结果的判断，用公式表示为：R＝f′η，其中，f′表示为一维向量融合特征，η表示为全连接层的卷积核最优参数，R表示诊断结果，使用线性整流函数作为激活函数该激活函数用于生成最终的故障识别结果。也就是当R>0时候为R其他为0。
本发明实施例的技术方案，通过预设第一公式将所述原始电流信号处理为至少3个采样时间段下分别对应的一维信号数据，采用小波变换方法确定各所述采样时间段下所述一维信号数据分别对应的时频图像特征，并将各所述时频图像特征作为第一时频图像特征图，可进一步解决现有原始电流信号样本库匮乏难以实施高性能的深度学习模型的问题；通过将各所述采样时间段下分别对应的第一时频特征图像输入预先训练好的残差卷积网络中，以提取各所述采样时间段下所述第一时频特征图像分别对应的第二时频图像特征图，通过共享学习提取各所述采样时间段下所述第二时频图像特征图分别对应的共享特征，依据适应性加权融合方法将各所述采样时间段下分别对应的共享特征进行加权融合得到多尺度融合特征图，可通过对特征的共享学习和适应性加权融合，提取多尺度深度融合特征，进一步实现对原始电流信号的充分表征，在提升电网故障检测的效率的基础上，可准确、可靠地识别电网故障，具有极高的鲁棒性，实现配电网中单相接地故障的定位。
在一实施例中，为便于更好的理解深度神经网络的整体架构，图3为本发明一实施例提供的一种电网线路故障诊断方法中的深度神经网络的整体架构图，本实施例中，以建立了500kV输电线路的PSCAD/EMTDC仿真模型，输电线路采用频率相关模型，线路全长85km为例进行说明。本实施例中的时间尺度即为上述实施例中的采样时间段。
本实施例中的深度神经网络中包含电网检测点的原始三相电流信号、第一特征提取部分，用于将所述原始三相电流信号进行多时间尺度下的第一特征提取得到各时间尺度下的第一时频图像特征图；第二特征提取部分，用于对各时间尺度下分别对应的第一时频图像特征图进行第二特征提取得到分别对应的第二时频图像特征图；共享特征融合部分，用于将各时间尺度下的共享特征进行特征融合得到多尺度融合特征；故障识别部分，用于将多尺度融合特征转化为一维向量融合特征，并依据神经网络模型中全连接层的卷积核最优参数和一维向量融合特征的乘积得到电网线路故障的诊断结果。具体的，本实施例中，第二特征提取部分采用3通道并行5层残差卷积网络提取三相电流信号3个时间尺度下时频深度特征，在进行深度特征提取时，特征提取所使用的卷积层参数是由ImageNet数据集训练得到，并通过迁移学习方法传递该参数，卷积层参数主要包括：卷积核的大小、卷积核的权重矩阵参数。
本实施例中的残差卷积网络可以是三通道并行的五层残差卷积网络所构成，其中，残差卷积网络的第一层残差网络采用7×7×64的卷积核，第二层采残差网络采用3×3×64的卷积核，第三层残差网络采用3×3×128的卷积核，第四层残差网络采用3×3×256的卷积核，第五层残差网络采用3×3×512的卷积核。由ImageNet数据集进行卷积层参数训练时，训练所使用的残差卷积网络与进行深度特征提取的残差卷积网络为相同的卷积层数，该五层卷积层的第一层残差网络采用7×7×64的卷积核，第二层采残差网络采用3×3×64的卷积核，第三层残差网络采用3×3×128的卷积核，第四层残差网络采用3×3×256的卷积核，第五层残差网络采用3×3×512的卷积核。通过该诊断测试结果可以表明线路首端、线路中端、线路末端的单相短路、两相相间短路、两相接地短路、三相短路的检测准确率大于98.3％，平均检测时间0.7ms。
在一实施例中，图4为本发明一实施例提供的一种电网线路故障诊断装置的结构框图，该装置适用于对电网线路故障进行诊断和识别时的情况，该装置可以由硬件/软件实现。可配置于电子设备中来实现本发明实施例中的一种电网线路故障诊断处理方法。
如图4所示，所述装置，包括：转换模块410、第一特征确定模块420、第二特征确定模块430和结果确定模块440
其中，转换模块410，用于获取电网检测点的原始电流信号，将所述原始电流信号转换为至少三个采样时间段下的第一时频图像特征图；
第一特征确定模块420，用于确定所述第一时频图像特征图在各所述采样时间段下分别对应的第二时频图像特征图；
第二特征确定模块430，用于确定各所述采样时间段下所述第二时频图像特征图分别对应的共享特征，并将各所述共享特征进行融合得到多尺度融合特征图；
结果确定模块440，用于根据所述多尺度融合特征图和预先训练好的神经网络模型确定电网线路故障的诊断结果。
本发明实施例，转换模块，通过将原始电流信号进行转换为至少三个采样时间段下的第一时频图像特征图，可解决现有原始电流信号样本库匮乏难以实施高性能的深度学习模型的问题；第二特征确定模块，通过确定第一时频图像特征图对应的第二时频图像特征图，并确定各采样时间段下第二时频图像特征图分别对应的共享特征，将各共享特征进行融合得到多尺度融合特征图，结果确定模块，根据多尺度融合特征图和预先训练好的神经网络模型确定电网线路故障的诊断结果，能够充分表征原始电流信号的特征，在提升电网故障检测的效率的基础上，可准确、可靠地识别电网故障，具有极高的鲁棒性，实现配电网中单相接地故障的定位。
在一实施例中，转换模块410，包括：
数据处理单元，用于依据预设第一公式将所述原始电流信号处理为至少3个采样时间段下分别对应的一维信号数据；其中，所述预设第一公式表示为：其中，yτ(j)为采样时间段τ下重构的所述一维信号数据j点的值，x(i)为所述原始电流信号数据i点的值；其中，τ表示为不同的采样时间段，所述τ取值为整数；
特征确定单元，用于采用小波变换方法确定各所述采样时间段下所述一维信号数据分别对应的时频图像特征，并将各所述时频图像特征分别作为第一时频图像特征图；其中，所述第一时频图像特征图包括所述原始电流信号随时间变化的频谱特征。
在一实施例中，第一特征确定模块420，包括：
第一特征确定单元，用于将各所述采样时间段下分别对应的第一时频特征图像输入预先训练好的残差卷积网络中，以提取各所述采样时间段下所述第一时频特征图像分别对应的第二时频图像特征图；其中，所述第二时频图像特征图包括语义特征；
其中，所述预先训练好的残差卷积网络由三通道并行残差卷积网络所构成，所述残差卷积网络的每个卷积层参数为各卷积层中卷积核的最优参数。
在一实施例中，所述残差卷积网络的训练过程，包括：
获取三相电流信号样本训练集；其中，所述三相电流信号样本训练集由ImageNet数据集组成；
通过三相电流信号样本训练集优化损失函数，直至损失函数达到最小，以得到所述残差卷积网络中各卷积层的卷积核的最优参数并通过迁移学习方法将所述最优参数传递至所述残差卷积网络中，用于提取各所述采样时间段下所述第一时频特征图像分别对应的第二时频图像特征图。
在一实施例中，第二特征确定模块430，包括：
特征提取单元，用于通过共享学习提取各所述采样时间段下所述第二时频图像特征图分别对应的共享特征；其中，各所述共享特征中包含第一采样时间、第二采样时间和第三采样时间下的最优共享权重矩阵；
融合单元，用于依据适应性加权融合方法将各所述采样时间段下分别对应的共享特征进行加权融合得到多尺度融合特征图；其中，所述融合特征图中包含融合共享特征的最优融合权重。
在一实施例中，所述共享特征用公式表示为：其中，/>为所述第一采样时间、所述第二采样时间和所述第三采样时间下的最优共享权重矩阵，χ1(i,j)表示为所述第一采样时间对应的第二时频图像特征图在(i,j)位置处的第一特征信息，χ2(i,j)表示为所述第二采样时间对应的第二时频图像特征图在(i,j)位置处的第二特征信息，χ3(i,j)表示为所述第三采样时间对应的第二时频图像特征图在(i,j)位置处的第三特征信息，/>表示为所述第一采样时间下的第一共享特征在(i,j)位置处的特征信息，/>表示为所述第二采样时间下的第二共享特征在(i,j)位置处的特征信息，/>表示为所述第三采样时间下的第三共享特征在(i,j)位置处的特征信息；
所述融合特征图用公式表示为：其中，ω1、ω2和ω3分别表示为所述第一采样时间、所述第二采样时间和所述第三采样时间下分别对应的最优融合权重。
在一实施例中，所述最优共享权重矩阵和所述融合共享特征的最优融合权重的确定，包括：
通过反向传播方法分别更新所述第一采样时间、所述第二采样时间和所述第三采样时间下的共享权重矩阵以及融合权重直至损失函数达到最小，得到更新后的最优权重矩阵和最优融合权重。
在一实施例中，结果确定模块440，包括：
转换单元，用于通过所述神经网络的全局池化层将所述多尺度融合特征图转化为一维向量融合特征；
结果确定单元，用于依据所述神经网络模型中全连接层的卷积核最优参数和所述一维向量融合特征的乘积得到电网线路故障的诊断结果；其中，所述全连接层的卷积核的最优参数为采用Adam算法更新全连接层卷积核参数。
本发明实施例所提供的电网线路故障诊断处理装置可执行本发明任意实施例所提供的应用于金融系统的电网线路故障诊断处理方法，具备执行方法相应的功能模块和有益效果。
在一实施例中，图5为本发明实施例提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如电网线路故障诊断方法。
在一些实施例中，电网线路故障诊断处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的电网线路故障诊断方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行电网线路故障诊断方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程电网线路故障诊断装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种电网线路故障诊断方法，其特征在于，包括：
获取电网检测点的原始电流信号，将所述原始电流信号转换为至少三个采样时间段下的第一时频图像特征图；
确定所述第一时频图像特征图在各所述采样时间段下分别对应的第二时频图像特征图；
确定各所述采样时间段下所述第二时频图像特征图分别对应的共享特征，并将各所述共享特征进行融合得到多尺度融合特征图；
根据所述多尺度融合特征图和预先训练好的神经网络模型确定电网线路故障的诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述原始电流信号转换为至少三个采样时间段下的第一时频图像特征图，包括：
依据预设第一公式将所述原始电流信号处理为至少3个采样时间段下分别对应的一维信号数据；其中，所述预设第一公式表示为：其中，yτ(j)为采样时间段τ下重构的所述一维信号数据j点的值，x(i)为所述原始电流信号数据i点的值；其中，τ表示为不同的采样时间段，所述τ取值为整数；
采用小波变换方法确定各所述采样时间段下所述一维信号数据分别对应的时频图像特征，并将各所述时频图像特征分别作为第一时频图像特征图；其中，所述第一时频图像特征图包括所述原始电流信号随时间变化的频谱特征。
3.根据权利要求1所述的方法，其特征在于，所述确定所述第一时频图像特征图在各所述采样时间段下分别对应的第二时频图像特征图，包括：
将各所述采样时间段下分别对应的第一时频特征图像输入预先训练好的残差卷积网络中，以提取各所述采样时间段下所述第一时频特征图像分别对应的第二时频图像特征图；其中，所述第二时频图像特征图包括语义特征；
其中，所述预先训练好的残差卷积网络由三通道并行残差卷积网络所构成，所述残差卷积网络的每个卷积层参数为各卷积层中卷积核的最优参数。
4.根据权利要求3所述的方法，其特征在于，所述残差卷积网络的训练过程，包括：
获取三相电流信号样本训练集；其中，所述三相电流信号样本训练集由ImageNet数据集组成；
通过三相电流信号样本训练集优化损失函数，直至损失函数达到最小，以得到所述残差卷积网络中各卷积层的卷积核的最优参数并通过迁移学习方法将所述最优参数传递至所述残差卷积网络中，用于提取各所述采样时间段下所述第一时频特征图像分别对应的第二时频图像特征图。
5.根据权利要求1所述的方法，其特征在于，所述确定各所述采样时间段下所述第二时频图像特征图分别对应的共享特征，并将各所述共享特征进行融合得到多尺度融合特征图，包括：
通过共享学习提取各所述采样时间段下所述第二时频图像特征图分别对应的共享特征；其中，各所述共享特征中包含第一采样时间、第二采样时间和第三采样时间下的最优共享权重矩阵；
依据适应性加权融合方法将各所述采样时间段下分别对应的共享特征进行加权融合得到多尺度融合特征图；其中，所述融合特征图中包含融合共享特征的最优融合权重。
6.根据权利要求5所述的方法，其特征在于，所述共享特征用公式表示为：其中，/>为所述第一采样时间、所述第二采样时间和所述第三采样时间下的最优共享权重矩阵，χ1(i,j)表示为所述第一采样时间对应的第二时频图像特征图在(i,j)位置处的第一特征信息，χ2(i,j)表示为所述第二采样时间对应的第二时频图像特征图在(i,j)位置处的第二特征信息，χ3(i,j)表示为所述第三采样时间对应的第二时频图像特征图在(i,j)位置处的第三特征信息，/>表示为所述第一采样时间下的第一共享特征在(i,j)位置处的特征信息，/>表示为所述第二采样时间下的第二共享特征在(i,j)位置处的特征信息，/>表示为所述第三采样时间下的第三共享特征在(i,j)位置处的特征信息；
所述融合特征图用公式表示为：其中，ω1、ω2和ω3分别表示为所述第一采样时间、所述第二采样时间和所述第三采样时间下分别对应的最优融合权重。
7.根据权利要求5所述的方法，其特征在于，所述最优共享权重矩阵和所述融合共享特征的最优融合权重的确定，包括：
通过反向传播方法分别更新所述第一采样时间、所述第二采样时间和所述第三采样时间下的共享权重矩阵以及融合权重直至损失函数达到最小，得到更新后的最优权重矩阵和最优融合权重。
8.根据权利要求1所述的方法，其特征在于，所述根据所述多尺度融合特征图和预先训练好的神经网络模型确定电网线路故障的诊断结果，包括：
通过所述神经网络的全局池化层将所述多尺度融合特征图转化为一维向量融合特征；
依据所述神经网络模型中全连接层的卷积核最优参数和所述一维向量融合特征的乘积得到电网线路故障的诊断结果；其中，所述全连接层的卷积核的最优参数为采用Adam算法更新全连接层卷积核参数。
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，所述计算机程序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1-8中任一项所述的电网线路故障诊断方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的电网线路故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310603817.7A CN116679161B (zh) | 2023-05-25 | 2023-05-25 | 一种电网线路故障诊断方法、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310603817.7A CN116679161B (zh) | 2023-05-25 | 2023-05-25 | 一种电网线路故障诊断方法、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116679161A true CN116679161A (zh) | 2023-09-01 |
| CN116679161B CN116679161B (zh) | 2024-09-03 |
Family
ID=87790101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310603817.7A Active CN116679161B (zh) | 2023-05-25 | 2023-05-25 | 一种电网线路故障诊断方法、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116679161B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117233536A (zh) * | 2023-11-08 | 2023-12-15 | 深圳海辰储能科技有限公司 | 户用储能拓扑中的线路故障检测方法及相关设备 |
| CN117368639A (zh) * | 2023-10-18 | 2024-01-09 | 浙江德清迪生电力科技有限公司 | 基于人工智能的输电线路故障识别系统及方法 |
| CN117826019A (zh) * | 2024-03-06 | 2024-04-05 | 国网吉林省电力有限公司长春供电公司 | 中性点不接地系统的线路单相接地故障区及类型检测方法 |
| CN118169517A (zh) * | 2024-05-15 | 2024-06-11 | 武汉格蓝若智能技术股份有限公司 | 基于卷积神经网络的配电网单相接地故障定位方法、系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362907A (zh) * | 2019-07-03 | 2019-10-22 | 安徽继远软件有限公司 | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 |
| CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、系统及介质 |
| CN114355240A (zh) * | 2021-12-01 | 2022-04-15 | 国网安徽省电力有限公司电力科学研究院 | 配电网接地故障诊断方法及装置 |
| CN114970605A (zh) * | 2022-05-06 | 2022-08-30 | 大连理工大学 | 一种多模态特征融合神经网络的制冷设备故障诊断方法 |
| CN115291039A (zh) * | 2022-08-09 | 2022-11-04 | 贵州大学 | 一种谐振接地系统单相接地故障选线方法 |
| WO2023077809A1 (zh) * | 2021-11-05 | 2023-05-11 | 五邑大学 | 神经网络训练的方法、电子设备及计算机存储介质 |
-
2023
- 2023-05-25 CN CN202310603817.7A patent/CN116679161B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362907A (zh) * | 2019-07-03 | 2019-10-22 | 安徽继远软件有限公司 | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 |
| CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、系统及介质 |
| WO2023077809A1 (zh) * | 2021-11-05 | 2023-05-11 | 五邑大学 | 神经网络训练的方法、电子设备及计算机存储介质 |
| CN114355240A (zh) * | 2021-12-01 | 2022-04-15 | 国网安徽省电力有限公司电力科学研究院 | 配电网接地故障诊断方法及装置 |
| CN114970605A (zh) * | 2022-05-06 | 2022-08-30 | 大连理工大学 | 一种多模态特征融合神经网络的制冷设备故障诊断方法 |
| CN115291039A (zh) * | 2022-08-09 | 2022-11-04 | 贵州大学 | 一种谐振接地系统单相接地故障选线方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368639A (zh) * | 2023-10-18 | 2024-01-09 | 浙江德清迪生电力科技有限公司 | 基于人工智能的输电线路故障识别系统及方法 |
| CN117233536A (zh) * | 2023-11-08 | 2023-12-15 | 深圳海辰储能科技有限公司 | 户用储能拓扑中的线路故障检测方法及相关设备 |
| CN117233536B (zh) * | 2023-11-08 | 2024-01-26 | 深圳海辰储能科技有限公司 | 户用储能拓扑中的线路故障检测方法及相关设备 |
| CN117826019A (zh) * | 2024-03-06 | 2024-04-05 | 国网吉林省电力有限公司长春供电公司 | 中性点不接地系统的线路单相接地故障区及类型检测方法 |
| CN118169517A (zh) * | 2024-05-15 | 2024-06-11 | 武汉格蓝若智能技术股份有限公司 | 基于卷积神经网络的配电网单相接地故障定位方法、系统 |
| CN118169517B (zh) * | 2024-05-15 | 2024-08-09 | 武汉格蓝若智能技术股份有限公司 | 基于卷积神经网络的配电网单相接地故障定位方法、系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116679161B (zh) | 2024-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116679161B (zh) | 一种电网线路故障诊断方法、设备和介质 | |
| Roy et al. | Detection, classification, and estimation of fault location on an overhead transmission line using S-transform and neural network | |
| CN110069886A (zh) | 基于vmd和cnn的电缆早期故障识别与分类方法 | |
| CN110866448A (zh) | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 | |
| CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
| CN115015683B (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
| Liu et al. | Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements | |
| CN117113180A (zh) | 基于vmd与卷积神经网络的直流配网高阻故障识别方法 | |
| CN108918111A (zh) | 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 | |
| CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
| Yang et al. | Fault Classification in Distribution Systems Using Deep Learning With Data Preprocessing Methods Based on Fast Dynamic Time Warping and Short-Time Fourier Transform | |
| CN117290788B (zh) | 一种基于改进小波变换算法的配电网故障辨识方法及系统 | |
| CN107505495A (zh) | 一种电压信号扰动类别的检测方法及装置 | |
| Muzzammel et al. | Wavelet multiscale principal components and traveling waves enabled machine learning technique for protection of MT-HVDC systems | |
| CN117129863A (zh) | 一种三相鼠笼式异步电机转子断条故障诊断方法 | |
| CN116338391A (zh) | 一种绝缘子状态检测方法、装置、电子设备以及介质 | |
| CN114325072B (zh) | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 | |
| CN115963350A (zh) | 一种直流配电网故障定位方法及装置 | |
| Valsan et al. | Fault detection and classification logic for transmission lines using multi-resolution wavelet analysis | |
| Huai et al. | Line fault location for multi‐terminal MMC‐HVDC system based on SWT and SVD | |
| CN118566643A (zh) | 电网故障识别、电网故障识别模型训练方法、装置、设备、介质及程序 | |
| Inanloo Salehi et al. | Fault detection and classification of VSC-HVDC transmission lines using a deep intelligent algorithm | |
| CN118777661A (zh) | 一种电流重建方法、设备及存储介质 | |
| Oinonen et al. | An Automated Wavelet Generation Tool for Cyberattack Detection in Substation Automation Systems | |
| CN117591876A (zh) | 一种断路器故障诊断方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |