CN116819221A - 一种基于cnn-lstm的单端输电线路故障快速定位方法 - Google Patents
一种基于cnn-lstm的单端输电线路故障快速定位方法 Download PDFInfo
- Publication number
- CN116819221A CN116819221A CN202310557319.3A CN202310557319A CN116819221A CN 116819221 A CN116819221 A CN 116819221A CN 202310557319 A CN202310557319 A CN 202310557319A CN 116819221 A CN116819221 A CN 116819221A
- Authority
- CN
- China
- Prior art keywords
- lstm
- layer
- cnn
- output
- transmission line
- 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 62
- 230000005540 biological transmission Effects 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000717 retained effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000004807 localization Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process 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
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于CNN‑LSTM的单端输电线路故障快速定位方法包括：采集参数数据，并将其存储；对采集到的数据进行预处理；设计并搭建基于CNN‑LSTM的快速定位模型；使用采集的数据进行模型训练；使用已训练好的模型对新的输电线路数据进行故障定位。本发明提供的基于CNN‑LSTM的单端输电线路故障快速定位方法能够通过CNN‑LSTM训练数据的多样性来提高模型的鲁棒性，从而减小负载变化对模型的影响，通过分析多维数据来提高模型的精度，通过单侧测量数据来实现单端故障定位，从而避免了双端测量所需要的时间同步等问题，CNN‑LSTM还可以从历史数据中学习到信号的特征，从而提高故障定位的精度和效率。
Description
技术领域
本发明涉及电力工程领技术领域，具体为一种基于CNN-LSTM的单端输电线路故障快速定位方法。
背景技术
输电线路通常非常长，因此精确的故障定位技术可以帮助电力工程师更快地到达故障点，从而显著节省劳动力，并加快修复和恢复过程。传统的故障定位方法可以分为双端和单端方法。双端方法使用线路两端的电压或电流测量值来估计故障距离。这种方法通常能够提供较高的准确性，但需要获得双端数据、同时还需要可靠的通信，并且在大多数情况下需要精确的数据和时间同步技术。相比之下，单端方法更加便捷，因为它只需要一个端的测量值，通信和数据同步要求更低。
单端方法通常有两种典型的方法：阻抗法和行波法。单端阻抗法使用测量的基频来通过计算从故障点到末端的阻抗从而确定故障位置。其性能受到故障路径电阻、负载和源参数的影响。此外，单端阻抗法通常需要更长时间故障数据，因为故障测量的前一两个周期包含许多直流和高频成分，这会极大地影响故障位置的准确性。单端行波法通过监测波的到达时间来确定故障位置。当输电线路发生故障时，电压和电流波将以接近光速的速度从故障点向两个端点传播。基于单个端口第一次和第二次(或第三次)到达波之间的时间间隔，可以很容易地估算故障距离。然而，当故障发生在母线附近或故障发生角度较小时，其准确性存在疑问。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：常用单端故障定位方法如阻抗法和行波法是常用的单端故障定位方法，以及其他双端故障定位方法具有以下的一些缺点：受负载变化的影响：输电线路的负载和源的参数会对阻抗值产生影响，导致阻抗法的故障定位精度下降。受线路结构和故障类型的影响：行波法的故障定位精度受到线路结构和故障类型的影响，例如在母线附近或故障发生角度较小时，其定位精度可能下降。双端故障定位方法需要测量两个端口之间的到达时间差，并进行多次测量求平均，因此需要较长的时间来完成定位，大多数情况下还需要精确的时间同步方法。
为解决上述技术问题，本发明提供如下技术方案：一种基于CNN-LSTM的单端输电线路故障快速定位方法，包括：
采集参数数据，并将其存储；
对采集到的数据进行预处理；
设计并搭建基于CNN-LSTM的快速定位模型；
使用采集的数据进行模型训练；
使用已训练好的模型对新的输电线路数据进行故障定位。
作为本发明所述的基于CNN-LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述参数数据包括故障发生时的电压、电流、时序数据和故障位置点；
所述预处理包括：去除噪声、异常值和缺失值。
作为本发明所述的基于CNN-LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述基于CNN-LSTM的快速定位模型，具体包括：
输入层、CNN层、LSTM层、全连接层、输出层。
作为本发明所述的基于CNN-LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述输入层，包括：
接收采集到的参数数据，并传输到CNN层。
作为本发明所述的基于CNN-LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述CNN层，由卷积层、ReLU层和最大池化函数层组成，
所述卷积层，包括，卷积函数：
其中，f表示滤波器特征函数，ɡ表示与滤波器相对应的输入，n表示滤波器中卷积核，r表示卷积核中的每一个元素；卷积运算的输出经过所述ReLU层激活，然后进行最大池化操作以降低维度；
所述最大池化函数层，包括，最大池化函数公式：
给定一个n×m的输入矩阵X，和一个k×k的池化窗口，则最大池化函数的输出矩阵Y的元素yi,j计算公式如下：
其中，xi×k+p,j×k+q表示输入矩阵X的第i×k+p行，第j×k+q列的元素，p表示行循环变量，q表示列循环变量，k表示池化窗口的边长数；对于输出矩阵Y的每个元素，在输入矩阵中找到对应的池化窗口，然后取窗口内的最大值作为输出元素的值。
作为本发明所述的基于CNN-LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述LSTM层，具体包括：
输入门：在每一个时间步，根据当前的输入和前一时间步的输出来确定需要被保留的信息，并将它们加入到LSTM的状态中，其中，被保留的信息表示为：
it＝σ(Wi[xt,ht-1]+bi)
其中，xt表示当前时间步的输入，ht-1表示前一时间步的输出，σ表示sigmoid函数，Wi是输入门的权重矩阵，bi是输入门的偏置向量；
遗忘门：根据当前的输入和前一时间步的输出来决定需要从LSTM的状态中删除的信息，并更新LSTM的状态，其中，被保留的旧信息表示为：
ft＝σ(Wf[xt,ht-1]+bf)
其中，Wf是遗忘门的权重矩阵，bf是遗忘门的偏置向量，其余字符含义与上述相同；
输出门：当LSTM的状态已经包含了历史信息之后，输出门会根据当前的输入和前一时间步的输出来决定需要被输出到下一层或者作为最终输出的信息，其中，输出到下一层或者作为最终输出的信息表示为：
ot＝σ(Wo[xt,ht-1]+bo)
其中，Wo是输出门的权重矩阵，bo是输出门的偏置向量，其余字符含义与上述相同。
作为本发明所述的基于CNN-LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述全连接层，包括：
将所述CNN层和所述LSTM层输出的特征进行融合，同时对提取到的特征进行非线性变换和激活函数，将其映射到输出层；
所述输出层，使用均方根误差作为网络的损失函数。
作为本发明所述的基于CNN-LSTM的单端输电线路故障快速定位方法的一种优选方案，其中：所述模型训练，包括：
通过代入故障位置的所述参数数据，训练出电气时序数据与故障位置的关系；
当模型进行训练时，使用dropout进行正则化，随机删除密集层中的神经元部分；
当进行验证过程时，将dropout设置为0，即停用dropout，以便使用完整的模型对输电线路故障数据进行故障定位。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果：本发明提供的基于CNN-LSTM的单端输电线路故障快速定位方法能够通过CNN-LSTM训练数据的多样性来提高模型的鲁棒性，从而减小负载变化对模型的影响，通过分析多维数据来提高模型的精度，通过单侧测量数据来实现单端故障定位，从而避免了双端测量所需要的时间同步等问题，CNN-LSTM还可以从历史数据中学习到信号的特征，从而提高故障定位的精度和效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例提供的一种基于CNN-LSTM的单端输电线路故障快速定位方法的整体流程图；
图2为本发明第二个实施例提供的一种基于CNN-LSTM的单端输电线路故障快速定位方法的仿真实验误差分布图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于CNN-LSTM的单端输电线路故障快速定位方法，包括：
S1：采集参数数据，并将其存储；
采集故障发生时的电压、电流、时序数据和故障位置点，将其存储于存储器中。
S2：对采集到的数据进行预处理；
预处理包括：去除噪声、异常值和缺失值；
应说明的是，预处理的方式包括很多种，需根据数据类型进行选择，以便于模型能够更好地学习和预测。
S3：设计并搭建基于CNN-LSTM的快速定位模型；
CNN-LSTM的快速定位模型，具体包括：
输入层、CNN层、LSTM层、全连接层、输出层。
输入层，用于接收采集到的参数数据，并传输到CNN层。
CNN层，由卷积层、ReLU层和最大池化函数层组成，
卷积层，包括，卷积函数：
其中，f表示滤波器特征函数，ɡ表示与滤波器相对应的输入，n表示滤波器中卷积核，r表示卷积核中的每一个元素；卷积运算的输出经过所述ReLU层激活，然后进行最大池化操作以降低维度；
所述最大池化函数层，包括，最大池化函数公式：
给定一个n×m的输入矩阵X，和一个k×k的池化窗口，则最大池化函数的输出矩阵Y的元素yi,j计算公式如下：
其中，xi×k+p,j×k+q表示输入矩阵X的第i×k+p行，第j×k+q列的元素，p表示行循环变量，q表示列循环变量，k表示池化窗口的边长数，一般取k＝2；对于输出矩阵Y的每个元素，在输入矩阵中找到对应的池化窗口，然后取窗口内的最大值作为输出元素的值。
LSTM层，具体包括：
输入门：在每一个时间步，根据当前的输入和前一时间步的输出来确定需要被保留的信息，并将它们加入到LSTM的状态中，其中，被保留的信息表示为：
it＝σ(Wi[xt,ht-1]+bi)
其中，xt表示当前时间步的输入，ht-1表示前一时间步的输出，σ表示sigmoid函数，Wi是输入门的权重矩阵，bi是输入门的偏置向量；
遗忘门：根据当前的输入和前一时间步的输出来决定需要从LSTM的状态中删除的信息，并更新LSTM的状态，其中，被保留的旧信息表示为：
ft＝σ(Wf[xt,ht-1]+bf)
其中，Wf是遗忘门的权重矩阵，bf是遗忘门的偏置向量，其余字符含义与上述相同；
输出门：当LSTM的状态已经包含了历史信息之后，输出门会根据当前的输入和前一时间步的输出来决定需要被输出到下一层或者作为最终输出的信息，其中，输出到下一层或者作为最终输出的信息表示为：
ot＝σ(Wo[xt,ht-1]+bo)
其中，Wo是输出门的权重矩阵，bo是输出门的偏置向量，其余字符含义与上述相同。
全连接层，包括：将CNN层和LSTM层输出的特征进行融合，同时对提取到的特征进行非线性变换和激活函数，将其映射到输出层；
输出层，使用均方根误差作为网络的损失函数。
更进一步的，LSTM中的三个门是通过sigmoid函数来确定它们应该开启或关闭的，具体来说，这些门会接收输入数据和前一时间步的输出数据，并将它们送入一个sigmoid激活函数中进行处理。
sigmoid函数可以将任意实数映射到区间(0,1)内，形式化定义如下：
应说明的是，在LSTM中，sigmoid函数被用作门控制器，以便它们可以自适应地学习哪些信息应该被保留，哪些信息应该被遗忘，以及哪些信息应该被输出。
S4：使用采集的数据进行模型训练；
通过代入故障位置的所述参数数据，训练出电气时序数据与故障位置的关系；
当模型进行训练时，使用dropout进行正则化，随机删除密集层中的神经元部分；
当进行验证过程时，将dropout设置为0，即停用dropout，以便使用完整的模型对输电线路故障数据进行故障定位。
更进一步的，dropout会引导神经网络使用许多随机子集的神经元学习有用的强韧特征。dropout层会以指定的概率随机将每个神经元设置为不活跃状态，这样就可以强迫网络学习到多个独立的特征表示，并减少神经元之间的相互依赖性。
应说明的是，模型训练中损失函数使用均方根(RMS)误差，并且使用Adam技术进行训练过程的优化。
S5：使用已训练好的模型对新的输电线路数据进行故障定位。
应说明的是，计算机设备可以是服务器。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力监控系统的数据集群数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于CNN-LSTM的单端输电线路故障快速定位方法。
实施例2
参照图2，为本发明的一个实施例，提供了一种基于CNN-LSTM的单端输电线路故障快速定位方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
通过与常规单端方法在20km～180km的实际距离条件下进行精度误差的对比，具体数据参考下表：
| 实际距离(km) | CNN-LSTM | 单端方法 |
| 20 | 19.919 | 21.375 |
| 40 | 40.098 | 41.128 |
| 60 | 59.778 | 60.470 |
| 80 | 80.122 | 79.578 |
| 100 | 99.923 | 99.129 |
| 120 | 120.264 | 117.904 |
| 140 | 140.280 | 137.021 |
| 160 | 159.574 | 156.413 |
| 180 | 179.669 | 174.744 |
| 平均误差(km) | 0.211 | 2.020 |
从中可明显看出，我方发明采用的CNN-LSTM方法无论在短距离故障判断还是长距离的故障判断均比常规的单端方法精准。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于CNN-LSTM的单端输电线路故障快速定位方法，其特征在于，
包括：
采集参数数据，并将其存储；
对采集到的数据进行预处理；
设计并搭建基于CNN-LSTM的快速定位模型；
使用采集的数据进行模型训练；
使用已训练好的模型对新的输电线路数据进行故障定位。
2.如权利要求1所述的基于CNN-LSTM的单端输电线路故障快速定位方法，其特征在于：所述参数数据包括故障发生时的电压、电流、时序数据和故障位置点；
所述预处理包括：去除噪声、异常值和缺失值。
3.如权利要求2所述的基于CNN-LSTM的单端输电线路故障快速定位方法，其特征在于：所述基于CNN-LSTM的快速定位模型，具体包括：
输入层、CNN层、LSTM层、全连接层、输出层。
4.如权利要求3所述的基于CNN-LSTM的单端输电线路故障快速定位方法，其特征在于：所述输入层，包括：
接收采集到的参数数据，并传输到CNN层。
5.如权利要求4所述的基于CNN-LSTM的单端输电线路故障快速定位方法，其特征在于：所述CNN层，由卷积层、ReLU层和最大池化函数层组成，所述卷积层，也括，卷积函数：
其中，f表示滤波器特征函数，ɡ表示与滤波器相对应的输入，n表示滤波器中卷积核，r表示卷积核中的每一个元素；卷积运算的输出经过所述ReLU层激活，然后进行最大池化操作以降低维度；
所述最大池化函数层，包括，最大池化函数公式：
给定一个n×m的输入矩阵X，和一个k×k的池化窗口，则最大池化函数的输出矩阵Y的元素yi,j计算公式如下：
其中，xi×k+p,j×k+q表示输入矩阵X的第i×k+p行，第j×k+q列的元素，p表示行循环变量，q表示列循环变量，k表示池化窗口的边长数；对于输出矩阵Y的每个元素，在输入矩阵中找到对应的池化窗口，然后取窗口内的最大值作为输出元素的值。
6.如权利要求5所述的基于CNN-LSTM的单端输电线路故障快速定位方法，其特征在于：所述LSTM层，具体包括：
输入门：在每一个时间步，根据当前的输入和前一时间步的输出来确定需要被保留的信息，并将它们加入到LSTM的状态中，其中，被保留的信息表示为：
it＝σ(Wi[xt,ht-1]+bi)
其中，xt表示当前时间步的输入，ht-1表示前一时间步的输出，σ表示sigmoid函数，Wi是输入门的权重矩阵，bi是输入门的偏置向量；
遗忘门：根据当前的输入和前一时间步的输出来决定需要从LSTM的状态中删除的信息，并更新LSTM的状态，其中，被保留的旧信息表示为：
ft＝σ(Wf[xt,ht-1]+bf)
其中，Wf是遗忘门的权重矩阵，bf是遗忘门的偏置向量，其余字符含义与上述相同；
输出门：当LSTM的状态已经包含了历史信息之后，输出门会根据当前的输入和前一时间步的输出来决定需要被输出到下一层或者作为最终输出的信息，其中，输出到下一层或者作为最终输出的信息表示为：
ot＝σ(Wo[xt,ht-1]+bo)
其中，Wo是输出门的权重矩阵，bo是输出门的偏置向量，其余字符含义与上述相同。
7.如权利要求6所述的基于CNN-LSTM的单端输电线路故障快速定位方法，其特征在于：所述全连接层，包括：
将所述CNN层和所述LSTM层输出的特征进行融合，同时对提取到的特征进行非线性变换和激活函数，将其映射到输出层；
所述输出层，使用均方根误差作为网络的损失函数。
8.如权利要求7所述的基于CNN-LSTM的单端输电线路故障快速定位方法，其特征在于：所述模型训练，包括：
通过代入故障位置的所述参数数据，训练出电气时序数据与故障位置的关系；
当模型进行训练时，使用dropout进行正则化，随机删除密集层中的神经元部分；
当进行验证过程时，将dropout设置为0，即停用dropout，以便使用完整的模型对输电线路故障数据进行故障定位。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310557319.3A CN116819221A (zh) | 2023-05-17 | 2023-05-17 | 一种基于cnn-lstm的单端输电线路故障快速定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310557319.3A CN116819221A (zh) | 2023-05-17 | 2023-05-17 | 一种基于cnn-lstm的单端输电线路故障快速定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116819221A true CN116819221A (zh) | 2023-09-29 |
Family
ID=88121287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310557319.3A Pending CN116819221A (zh) | 2023-05-17 | 2023-05-17 | 一种基于cnn-lstm的单端输电线路故障快速定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819221A (zh) |
-
2023
- 2023-05-17 CN CN202310557319.3A patent/CN116819221A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
| CN107292023B (zh) | 一种基于损伤指标体系窄域特性的桥梁结构状态诊断方法 | |
| CN109190672A (zh) | 电力系统运行工况无监督聚类方法及装置 | |
| CN110443724B (zh) | 一种基于深度学习的电力系统快速状态估计方法 | |
| CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
| CN116484740A (zh) | 一种基于挖掘电网空间拓扑特征的线路参数辨识方法 | |
| CN117892117B (zh) | 一种配电网输电线路故障定位方法及系统 | |
| US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
| CN118068228B (zh) | 一种特高压电抗器短路的高效检测方法及系统 | |
| CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
| CN117436212A (zh) | 一种基于svm改进算法的配电网拓扑辨识方法及设备 | |
| CN117150409A (zh) | 一种用电异常检测方法 | |
| CN114239796A (zh) | 一种基于扩展卡尔曼滤波的电力系统状态估计方法 | |
| CN118095341A (zh) | 一种基于深度神经网络的SimRank相似度计算方法 | |
| CN116819221A (zh) | 一种基于cnn-lstm的单端输电线路故障快速定位方法 | |
| CN116894172A (zh) | 一种基于混合预测模型的风电短期功率预测方法 | |
| CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
| CN115688924A (zh) | 一种多样本联合多元自适应回归样条模型 | |
| CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
| CN112818455B (zh) | 一种桥梁结构响应监测方法及系统 | |
| CN112581031B (zh) | 一种c语言实现递归神经网络（rnn）对电机异常进行实时监控的方法 | |
| CN114298276A (zh) | 基于卷积神经网络的多智能体系统网络鲁棒性评估方法 | |
| CN112651183A (zh) | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 | |
| CN110826690A (zh) | 一种设备状态识别方法及其系统、计算机可读存储介质 | |
| CN118656706B (zh) | 基于改进Inception模型的直流电压互感器误差预测方法及系统 |
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 |