CN116881825A - 基于gis设备的刀闸状态和三相刀闸动作的同步性检测方法 - Google Patents
基于gis设备的刀闸状态和三相刀闸动作的同步性检测方法 Download PDFInfo
- Publication number
- CN116881825A CN116881825A CN202310793799.3A CN202310793799A CN116881825A CN 116881825 A CN116881825 A CN 116881825A CN 202310793799 A CN202310793799 A CN 202310793799A CN 116881825 A CN116881825 A CN 116881825A
- Authority
- CN
- China
- Prior art keywords
- shallow
- state
- deep
- phase
- layer
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 230000009471 action Effects 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001131 transforming 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于GIS设备的刀闸状态和三相刀闸动作的同步性检测方法，包括：1、对电流数据进行预处理并划分数据集；2、设计基于带有注意力机制的双层LSTM神经网络和动态时间规整算法的CNN网络；3、构建基于带有注意力机制的双层LSTM神经网络和动态时间规整算法的CNN网络；4、基于带有注意力机制的双层LSTM神经网络和动态时间规整算法的CNN网络得到测试集样本的输出结果。本发明能提供时间序列的多尺度多分辨率分析，动态的捕获数据在时域和频域上的特征，以提高GIS设备刀闸状态及三相刀闸动作同步性的检测精度，从而能满足准确化快速化的实际需求。
Description
技术领域
本发明属于电力领域，具体的说是一种基于GIS设备的刀闸状态和三相刀闸动作的同步性检测方法。本发明涉及LSTM技术、CNN技术、Attention机制技术、DTW算法，具体涉及基于带有注意力机制的双层LSTM神经网络和动态时间规整算法的CNN网络并行的神经网络，适用于GIS设备分合闸状态检测及刀闸动作的同步性检测。
背景技术
SF6全封闭组合电器(Gas Insulated Switch,GIS)是把断路器、隔离开关、电压互感器、电流互感器、母线、避雷器、电缆终端盒、接地开关等除变压器外的一次设备密封在充满SF6气体的若干间隔内，经优化设计有机地组合成一种可靠的输变电设备。相比于常规敞开式开关设备，GIS具有占地面积小，可靠性高，安全性强、维护工作量小、施工周期短等特点。
断路器作为GIS的核心元件之一，是针对GIS做状态检测时最关键的监测部件。从国内的情况看，据能源部电力科学研究院的统计结果，1989年到1997年的8年时间内，共发生了4632次高压断路器故障，其中机械故障占总故障的39.3％；绝缘故障839次，占总故障的18.1％；开断闭合故障有212次，占总故障的4.6％，其他故障类型占38％。由此可见，机械故障是高压断路器故障的主要形式，而操动机构故障又是导致机械故障的主要因素。因此，对GIS中断路器的操动机构进行状态监测对保证电网的稳定运行，减少国民经济损失，维护社会稳定有着重要的意义。
高压断路器的主要故障源自操动机构的电气故障，所以把操动机构作为高压断路器的重点状态监测对象，针对操动机构的状态检测主要包括分(合)闸线圈电流监测、分(合)闸时间同期性测量等。现有的技术通常采用分析分合闸接地电流的波形特征，来判断刀闸状态和检测刀闸动作的同步性，主要包括以下几种：
基于比较法的技术：通过比较两个电压或电流波形之间的相位差、频率差等指标，来判断刀闸的状态和同步性。这种方法简单可靠，但不适用于电流波形中存在谐波的情况。
基于时序分析的技术：通过对电流波形的时序信息进行分析，比如从电流波形中提取特殊的模式、交叉点、过零点等信息，来准确判断刀闸的状态及同步性。该方法准确性较高，但需要对大量的波形进行数据采集和处理，成本较高。
基于频域分析的技术：通过对电流波形进行傅里叶变换，将波形变换到频域中，再分析频域分布的信息，比如各阶谐波的含量、频率、相位差等指标，来判断刀闸的状态和同步性。该方法对于包含大量谐波的电流波形判断效果较好。
基于模型预测的技术：通过建立电网的数学模型，并将分合闸接地电流信号与模型进行比对，来预测刀闸的状态及其动作。这种方法精度较高，但需要对电网的物理参数、模型参数等进行准确的测量和取值，建模成本较高。
现有技术中存在一些问题、缺点和不足之处。例如，基于时序分析和基于模型预测的技术需要大量的数据采集、处理和模型建立，成本较高；基于比较法的技术受到波形的谐波干扰影响较大；基于频域分析的技术需要对谐波的各项特征进行准确的测量和分析，处理复杂。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于GIS设备的刀闸状态和三相刀闸动作的同步性检测方法，以期能通过双通道同时检测GIS设备刀闸状态和三相刀闸动作的同步性，获得完备的GIS刀闸状态及动作同步性的特征信息，从而能实现GIS设备刀闸状态和三相刀闸动作的同步性高精度检测。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于GIS设备的刀闸状态和三相刀闸动作的同步性检测方法的特点在于，是按如下步骤进行：
步骤1、构建训练集Ttr；
步骤1.1、采集GIS设备的三相M路的电流数据，并构建三相电流数据集X＝{x1,…,xk,…,xK}，xk表示第k条采样的三相电流数据，且xk＝{xk,1,...,xk,m,...,xk,M}；其中，xk,m表示第k条采样的第m路三相电流数据，且xk,m＝{xk,1,1,...,xk,m,t,…,xk,M,T}，xk,m,t表示第k条中第t个时刻采样的第m路三相电流数据；1≤m≤M，1≤k≤K，1≤t≤T，K表示采样数据的总数；M表示采集总路数；T表示总采样时间；
步骤1.2、构建三相电流数据集X的标签信息集合Y＝{y1,…,yk,…,yK}，其中，yk表示第k条采样的三相电流数据xk的标签值，且yk∈[1,N]，N为状态种类数；
步骤1.3、将带有标签的三相电流数据集P＝(X,Y)作为训练集Ttr；
步骤2、构建由状态检测支路和同步性检测支路构成的状态同步性检测网络，其中，状态检测支路包括：双层LSTM神经网络层、一层Attention机制层和一层Softmax层；同步性检测支路包括：一层CNN层、一层动态时间规整算法层；
步骤2.1、构建双层LSTM神经网络，包括：浅层LSTM神经网络和深层LSTM神经网络，其中，所述浅层LSTM神经网络包括：浅层遗忘门，浅层输入门，浅层更新单元和浅层输出门，所述深层LSTM神经网络包括：深层遗忘门，深层输入门，深层更新单元和深层输出门；
步骤2.2、构建CNN层，包括：输入层、两层卷积层、两层池化层及输出层；
步骤3、将第m路三相电流数据xk,m,t输入同步性检测网络的状态检测支路中进行处理：
步骤3.1、所述双层LSTM神经网络中浅层LSTM神经网络对第m路三相电流数据xk,m,t进行处理，得到xk,m,t的第t个时间步的浅层状态信息隐藏状态
步骤3.2、所述双层LSTM神经网络中深层LSTM神经网络对浅层状态信息隐藏状态进行处理，得到/>的第t个时间步的深层状态信息隐藏状态/>
步骤3.3、所述Attention机制层利用式(11)-式(16)对深层状态信息隐藏状态进行处理，得到多分辨率时频特征Sk,m；
ek,m＝Qk,mKek,m T (14)
式(11)-式(16)中，Qk,m、Vk,m、Kek,m分别为的查询值、真值和关键值，wQh是查询值线性变换矩阵，wVl是真值线性变换矩阵，wKl是关键值线性变换矩阵，ek,m为/>的注意力得分，Kek,m T为Kek,m的转置，αk,m为/>的注意力权值；
步骤3.4、所述多分辨率时频特征Sk,m输入Softmax层中，并利用式(17)得到三相电流数据xk,m,t对应所有状态的概率值P(xk,m,t∣N)；
P(xk,m,t|N)＝softmax(Wp,k,m·Sk,m+bp,k,m) (17)
式(17)中，WP,k,m和bP,k,m分别表示多分辨率时频特征Sk,m的概率权重矩阵和概率偏差向量；softmax表示激活函数；
步骤3.5、构建状态检测支路的交叉熵损失函数L(yk,m,Pk,m,n)，其中，Pk,m,n表示第k条第m路的接地电流数据xk,m的标签值yk预测为第N种状态的概率；
步骤4、状态同步性检测网络中同步性检测支路的处理：
步骤4.1、所述CNN层对第m路三相电流数据xk,m,t进行处理，得到第m路特征向量Dk,m,t；
步骤4.2、所述动态时间规整算法层对第m路特征向量Dk,m,t进行处理，得到三相刀闸动作同步性的时差；
步骤4.3、构建同步性检测支路的交叉熵损失函数L(xk,m,Δk,m)，其中，Δk,m表示第k条第m路的接地电流数据xk,m对应的刀闸动作同步性的时差；
步骤5、状态同步性检测网络训练处理：
步骤5.1、构建状态同步性检测网络的损失函数Loss＝ɑL(yk,m,Pk,m,n)+βL(xk,m,Δk,m)；其中，ɑ表示L(yk,m,Pk,m,n)的权重，β表示L(xk,m,Δk,m)的权重，且ɑ+β＝1；
步骤5.2、基于所述训练集Ttr，并利用反向传播和梯度下降法状态同步性检测网络进行训练，计算所述损失函数Loss以更新网络参数，当训练轮次达到最大训练轮次Epoch时，或损失函数Loss达到最小时，停止训练，从而得到训练好的GIS刀闸的操作状态检测网络，用于对所输入的三相M路接地数据集合映射对应状态类别标签，最终输出GIS设备的刀闸状态及三相刀闸动作同步性的时差。
本发明所述的基于GIS设备的刀闸状态和三相刀闸动作的同步性检测方法的特点也在于，所述步骤3.1包括：
步骤3.1.1、所述浅层LSTM神经网络的浅层遗忘门对所述第m路三相电流数据xk,m,t进行选择性丢弃处理，得到xk,m,t的浅层故障选择信息
步骤3.1.2、所述所述浅层输入门将浅层故障选择信息与所述浅层更新单元输出的第t-1个时间步的记忆信息/>相乘后，得到xk,m,t的第t时间步的浅层故障保留信息/>当t＝1时，令/>
步骤3.1.3、所述浅层输入门分别利用式(1)和式(2)得到xk,m,t的第t个时间步的浅层输入故障信息和浅层故障调制信息/>
式(1)-式(2)中，Wpl,k,m和Upl,k,m分别表示xk,m,t和的浅层输入权重矩阵，bpl,k,m表示xk,m,t的浅层输入偏差向量；/>表示xk,m,t的第t-1时间步的浅层状态信息隐藏状态；当t＝1时，令/>Wgl,k,m和Ug1,k,m分别表示xk,m,t和/>的浅层调制权重矩阵，bgl,k,m表示xk,m,t的浅层调制偏差向量；tanh为激活函数；
步骤3.1.4、所述浅层更新单元将和/>相乘后，得到/>的浅层状态待更新信息/>从而利用式(3)得到xk,m,t的第t个时间步的记忆信息/>
步骤3.1.5、所述浅层输出门利用式(4)得到xk,m,t的第t个时间步的浅层状态信息隐藏状态从而得到三相电流数据xk,m,t在浅层LSTM神经网络中所有时间步的浅层状态信息隐藏状态/>
式(4)中，⊙表示逐元素相乘运算，表示三相电流数据xk,m在浅层记忆单元的第t时间步的浅层复合信号/>并由式(5)得到；
式(5)中，Wol,k,m和Uol,k,m分别表示xk,m,t和的浅层输出权重矩阵，bol,k,,m表示浅层输出偏差向量。
所述步骤3.2包括：
步骤3.2.1、所述深层LSTM神经网络的深层遗忘门对所述第t个时间步的浅层状态信息隐藏状态进行选择性丢弃处理后，得到/>的第t时间步的深层故障选择信息
步骤3.2.2、所述深层输入门将深层故障选择信息与所述深层更新单元输出的/>的第t-1个时间步的记忆信息/>相乘后，得到/>的第t个时间步的深层故障保留信息/>当t＝1时，令/>
步骤3.2.3、所述深层道输入门分别利用式(6)-式(7)得到的第t时间步的深层输入故障信息/>和深层故障调制信息/>
式(6)-式(7)中，Wpg,k,m和Upg,k,m分别表示和/>的深层输入权重矩阵，bpg,k,m表示/>的深层输入偏差向量；/>表示/>的第t-1个时间步的深层状态信息隐藏状态；当t＝1时，令/>Wgg,k,m和Ugg,k,m分别表示/>和/>的深层调制权重矩阵，bgg,k,m表示/>的深层输入偏差向量；
步骤3.2.4、所述深层更新单元将深层输入故障信息和深层故障调制信息/>相乘后，得到/>的深层状态待更新信息/>从而利用式(8)得到/>的第t个时间步的记忆信息/>
步骤3.2.5、所述深层输出门利用式(9)得到的第t个时间步的深层状态信息隐藏状态/>从而得到/>在深层LSTM神经网络中所有时间步的深层状态信息隐藏状态/>
式(9)中，表示状态信息隐藏状态/>在深层记忆单元的第t时间步的深层复合信号/>并由式(10)得到；
式(10)中，Wog,k,m和Uog,k,m分别表示和/>的深层输出权重矩阵，bog,k,m表示的深层输出偏差向量。
所述步骤4.1包括：
步骤4.1.1、所述第m路三相电流数据xk,m,t由CNN层的输入层传输给第一层卷积层进行卷积运算操作，从而得到第一层卷积层输出的特征向量
步骤4.1.2、第一层池化层对所述特征向量进行最大池化处理后，得到第一层池化层输出的特征向量/>
步骤4.1.3、第二层卷积层对特征向量进行二次卷积操作，从而得到第二层卷积层输出的特征向量/>
步骤4.1.4、第二层池化层对特征向量进行最大池化处理后，得到第二层池化层输出的特征向量Dk,m,t＝{Dk,m,a,t,Dk,m,b,t,Dk,m,c,t}，其中，Dk,m,a,t，Dk,m,b,t，Dk,m,c,t分别代表第k条第m路的a相、b相和c相t个时间步的时间序列；
所述步骤4.2包括：
步骤4.1、所述动态时间规整算法层利用式(18)-式(20)得到a相时间序列Dk,m,a,t和b相时间序列Dk,m,b,t之间第t个时间步的距离a相时间序列Dk,m,a,t和c相时间序列Dk,m,c,t之间第t个时间步的距离/>b相时间序列Dk,m,b,t和c相时间序列Dk,m,c,t之间第t个时间步的距离/>从而得到Dk,m,a,t和Dk,m,b,t之间所有时间步的距离Dk,m,a,t和Dk,m,c,t之间所有时间步的距离Dk,m,b,t和Dk,m,c,t之间所有时间步的距离
式(18)-式(20)中，Dk,m,a,t-1，Dk,m,b,t-1，Dk,m,c,t-1分别代表第k条第m路的a相、b相和c相的t-1个时间步的时间序列，D(,)表示两个序列之间的归整路径距离，min{}表示最小值；
步骤2.4.7、利用式(21)-式(23)分别得到第k条第m路采样数据的a相刀闸动作同步性的时差Δk,m,a，b相刀闸动作同步性的时差Δk,m,b，c相刀闸动作同步性的时差Δk,m,c；
本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行任一所述同步性检测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行任一所述同步性检测所述方法的步骤。
与现有技术相比，本发明的有益效果在于：
1、本发明所提出的基于带有注意力机制的双层LSTM神经网络和动态时间规整算法的CNN网络并行的GIS设备刀闸状态及三相刀闸动作同步性的检测方法，接地电流数据首先经过一层LSTM神经网络进行前置处理。处理后的输出结果分别输入到CNN网络和LSTM网络进行后续处理。在CNN网络中，使用动态时间规整算法分析三相电流数据的时频特性，有效地提取出三相刀闸的动作同步性差异及刀闸状态特征。同时，为了提高模型的鲁棒性，采用了带有注意力机制的双层LSTM神经网络来增强模型的记忆能力。在LSTM网络中，使用递归神经网络的结构进行时序数据建模，对接地电流数据进行分段建模，提高了模型的精度和稳定性。通过将CNN网络和LSTM网络并行使用，并在不同尺度下进行时频分析，这种方法能够有效地提高了GIS设备的状态检测性能，同时减少了误报率和漏报率，具备良好的实用性和可行性。
2、本发明所提出的基于带有注意力机制的双层LSTM神经网络和动态时间规整算法的CNN网络并行的GIS设备刀闸状态及三相刀闸动作同步性的检测方法，通过结合这两种神经网络，该方法能够有效地分析接地电流数据的时频特性，提取出刀闸操作的相关特征，进而实现GIS设备状态的检测。在本发明设计的方法中，使用LSTM网络对接地电流数据进行前置处理，并得到相应的输出结果。这些输出结果分别输入到CNN网络和LSTM网络中进行后续处理。CNN网络采用动态时间规整算法进行两两三相之间的时频分析，进一步提取出三相刀闸的动作同步性差异及刀闸状态特征，从而可以判断设备操作是否异常，可以高精度地检测GIS设备刀闸状态及三相刀闸动作同步性，具有非常好的实用性和可行性。
附图说明
图1为本发明提出的GIS设备的刀闸状态和三相刀闸动作的同步性检测方法的神经网络结构图。
具体实施方式
本实施例中，一种基于GIS设备的刀闸状态和三相刀闸动作的同步性检测方法，是利用深度学习网络框架，并综合考虑GIS设备刀闸的接地电流的特征，将三相刀闸接地电流数据作为输入，使用双层LSTM神经网络提取刀闸接地电流特征获得状态信息隐藏状态值，然后通过Attention层获得加权平均后的时频特征，最后通过Softmax层确定状态类别；同时第一层LSTMLSTM神经网络提取的刀闸接地电流特征获得多尺度多分辨的隐藏状态值通过CNN神经网络进行两次卷积、池化操作，最后通过动态时间规整算法得到三相刀闸动作的同步性时差，如图1所示。具体的说，是按如下步骤进行：
步骤1、构建训练集Ttr；
步骤1.1、采集GIS设备的三相M路的电流数据，通过对三相刀闸接地电流数据进行采样，归一化处理后，并构建三相电流数据集X＝{x1,…,xk,…,xK}，xk表示第k条采样的三相电流数据，且xk＝{xk,1,...,xk,m,...,xk,M}；其中，xk,m表示第k条采样的第m路三相电流数据，且xk,m＝{xk,1,1,...,xk,m,t,…,xk,M,T}，xk,m,t表示第k条中第t个时刻采样的第m路三相电流数据；1≤m≤M，1≤k≤K，1≤t≤T，K表示采样数据的总数；M表示采集总路数；T表示总采样时间；
步骤1.2、构建三相电流数据集X的标签信息集合Y＝{y1,…,yk,…,yK}，其中，yk表示第k条采样的三相电流数据xk的标签值，且yk∈[1,N]，N为状态种类数；
步骤1.3、将带有标签的三相电流数据集P＝(X,Y)作为训练集Ttr；
步骤2、构建由状态检测支路和同步性检测支路构成的状态同步性检测网络，如图1所示，状态检测支路包括：双层LSTM神经网络层、一层Attention机制层和一层Softmax层；同步性检测支路包括：一层CNN层、一层动态时间规整算法层；
步骤2.1、构建双层LSTM神经网络，如图1所示，包括：浅层LSTM神经网络和深层LSTM神经网络，其中，浅层LSTM神经网络包括：浅层遗忘门，浅层输入门，浅层更新单元和浅层输出门，深层LSTM神经网络包括：深层遗忘门，深层输入门，深层更新单元和深层输出门；
步骤2.2、构建CNN层，如图1所示，包括：输入层、两层卷积层、两层池化层及输出层；
步骤3、将第m路三相电流数据xk,m,t输入同步性检测网络的状态检测支路中进行处理：
步骤3.1、双层LSTM神经网络中浅层LSTM神经网络对第m路三相电流数据xk,m,t进行处理，得到xk,m,t的第t个时间步的浅层状态信息隐藏状态
步骤3.1.1、浅层LSTM神经网络的浅层遗忘门的功能是决定应丢弃或保留哪些信息，对第m路三相电流数据xk,m,t进行选择性丢弃处理，得到xk,m,t的浅层故障选择信息
步骤3.1.2、浅层输入门将浅层故障选择信息与浅层更新单元输出的第t-1个时间步的记忆信息/>相乘后，得到xk,m,t的第t时间步的浅层故障保留信息/>当t＝1时，令/>
步骤3.1.3、浅层输入门分别利用式(1)和式(2)得到xk,m,t的第t个时间步的浅层输入故障信息和浅层故障调制信息/>
式(1)-式(2)中，Wpl,k,m和Upl,k,m分别表示xk,m,t和的浅层输入权重矩阵，bpl,k,m表示xk,m,t的浅层输入偏差向量；/>表示xk,m,t的第t-1时间步的浅层状态信息隐藏状态；当t＝1时，令/>Wgl,k,m和Ug1,k,m分别表示xk,m,t和/>的浅层调制权重矩阵，bgl,k,m表示xk,m,t的浅层调制偏差向量；tanh为激活函数；
步骤3.1.4、浅层更新单元的功能是根据浅层输入门输入门和浅层输入门遗忘门输出浅层更新记忆信息，将和/>相乘后，得到/>的浅层状态待更新信息/>从而利用式(3)得到xk,m,t的第t个时间步的记忆信息/>
步骤3.1.5、浅层输出门的功能是确定当前时间步的浅层状态信息隐藏状态，利用式(4)得到xk,m,t的第t个时间步的浅层状态信息隐藏状态从而得到三相电流数据xk,m,t在浅层LSTM神经网络中所有时间步的浅层状态信息隐藏状态
式(4)中，⊙表示逐元素相乘运算，表示三相电流数据xk,m在浅层记忆单元的第t时间步的浅层复合信号/>并由式(5)得到；
式(5)中，Wol,k,m和Uol,k,m分别表示xk,m,t和的浅层输出权重矩阵，bol,k,,m表示浅层输出偏差向量。
步骤3.2、双层LSTM神经网络中深层LSTM神经网络对浅层状态信息隐藏状态进行处理，得到/>的第t个时间步的深层状态信息隐藏状态/>
步骤3.2.1、深层LSTM神经网络的深层遗忘门的功能是决定应丢弃或保留哪些信息，对第t个时间步的浅层状态信息隐藏状态进行选择性丢弃处理后，得到/>的第t时间步的深层故障选择信息/>
步骤3.2.2、深层输入门的功能是输入浅层输出门的第t个时间步的浅层状态信息隐藏状态将深层故障选择信息/>与深层更新单元输出的/>的第t-1个时间步的记忆信息/>相乘后，得到/>的第t个时间步的深层故障保留信息/>当t＝1时，令/>
步骤3.2.3、深层道输入门分别利用式(6)-式(7)得到的第t时间步的深层输入故障信息/>和深层故障调制信息/>
式(6)-式(7)中，Wpg,k,m和Upg,k,m分别表示和/>的深层输入权重矩阵，bpg,k,m表示/>的深层输入偏差向量；/>表示/>的第t-1个时间步的深层状态信息隐藏状态；当t＝1时，令/>Wgg,k,m和Ugg,k,m分别表示/>和/>的深层调制权重矩阵，bgg,k,m表示/>的深层输入偏差向量；
步骤3.2.4、深层更新单元的功能是根据深层输入门输入门和深层输入门遗忘门输出深层更新记忆信息，将深层输入故障信息和深层故障调制信息/>相乘后，得到的深层状态待更新信息/>从而利用式(8)得到/>的第t个时间步的记忆信息
步骤3.2.5、深层输出门的功能是确定当前时间步的深层状态信息隐藏状态，利用式(9)得到的第t个时间步的深层状态信息隐藏状态/>从而得到/>在深层LSTM神经网络中所有时间步的深层状态信息隐藏状态/>
式(9)中，表示状态信息隐藏状态/>在深层记忆单元的第t时间步的深层复合信号/>并由式(10)得到；
式(10)中，Wog,k,m和Uog,k,m分别表示和/>的深层输出权重矩阵，bog,k,m表示的深层输出偏差向量。
步骤3.3、Attention机制层功能是根据每一时间步隐藏状态所包含的状态信息程度，加权平均得到多分辨率时频特征向量，利用式(11)-式(16)对深层状态信息隐藏状态进行处理，得到多分辨率时频特征Sk,m；
式(11)-式(16)中，Qk,m、Vk,m、Kek,m分别为的查询值、真值和关键值，wQh是查询值线性变换矩阵，wVl是真值线性变换矩阵，wKl是关键值线性变换矩阵，ek,m为/>的注意力得分，Kek,m T为Kek,m的转置，αk,m为/>的注意力权值；
步骤3.4、多分辨率时频特征Sk,m输入Softmax层中，Softmax层功能是计算分类特征向量对应不同状态标签值的概率，并利用式(17)得到三相电流数据xk,m,t对应所有状态的概率值P(xk,m,t∣N)；
P(xk,m,t|N)＝softmax(Wp,k,m·Sk,m+bp,k,m) (17)
式(17)中，WP,k,m和bP,k,m分别表示多分辨率时频特征Sk,m的概率权重矩阵和概率偏差向量；softmax表示激活函数；
步骤3.5、构建状态检测支路的交叉熵损失函数L(yk,m,Pk,m,n)，其中，Pk,m,n表示第k条第m路的接地电流数据xk,m的标签值yk预测为第N种状态的概率；
步骤4、状态同步性检测网络中同步性检测支路的处理：
步骤4.1、CNN层对第m路三相电流数据xk,m,t进行处理，得到第m路特征向量Dk,m,t；
步骤4.1.1、第m路三相电流数据xk,m,t由CNN层的输入层传输给第一层卷积层进行卷积运算操作，卷积层的功能是对数据进行特征提取，从而得到第一层卷积层输出的特征向量/>
步骤4.1.2、第一层池化层对特征向量进行最大池化处理，卷积层的功能缩小特征图的维度，从而减少模型参数，得到第一层池化层输出的特征向量/>
步骤4.1.3、第二层卷积层对特征向量进行二次卷积操作，从而得到第二层卷积层输出的特征向量/>
步骤4.1.4、第二层池化层对特征向量进行最大池化处理后，得到第二层池化层输出的特征向量Dk,m,t＝{Dk,m,a,t,Dk,m,b,t,Dk,m,c,t}，其中，Dk,m,a,t，Dk,m,b,t，Dk,m,c,t分别代表第k条第m路的a相、b相和c相t个时间步的时间序列；
步骤4.2、动态时间规整算法层对第m路特征向量Dk,m,t进行处理，得到三相刀闸动作同步性的时差；
步骤4.2.1、动态时间规整算法层利用式(18)-式(20)得到a相时间序列Dk,m,a,t和b相时间序列Dk,m,b,t之间第t个时间步的距离a相时间序列Dk,m,a,t和c相时间序列Dk,m,c,t之间第t个时间步的距离/>b相时间序列Dk,m,b,t和c相时间序列Dk,m,c,t之间第t个时间步的距离/>从而得到Dk,m,a,t和Dk,m,b,t之间所有时间步的距离Dk,m,a,t和Dk,m,c,t之间所有时间步的距离Dk,m,b,t和Dk,m,c,t之间所有时间步的距离
式(18)-式(20)中，Dk,m,a,t-1，Dk,m,b,t-1，Dk,m,c,t-1分别代表第k条第m路的a相、b相和c相的t-1个时间步的时间序列，D(,)表示两个序列之间的归整路径距离，min{}表示最小值；
步骤4.2.2、利用式(21)-式(23)分别得到第k条第m路采样数据的a相刀闸动作同步性的时差Δk,m,a，b相刀闸动作同步性的时差Δk,m,b，c相刀闸动作同步性的时差Δk,m,c；
步骤4.3、构建同步性检测支路的交叉熵损失函数L(xk,m,Δk,m)，其中，Δk,m表示第k条第m路的接地电流数据xk,m对应的刀闸动作同步性的时差；
步骤5、状态同步性检测网络训练处理：
步骤5.1、构建状态同步性检测网络的损失函数Loss＝ɑL(yk,m,Pk,m,n)+βL(xk,m,Δk,m)；其中，ɑ表示L(yk,m,Pk,m,n)的权重，β表示L(xk,m,Δk,m)的权重，且ɑ+β＝1；
步骤5.2、基于训练集Ttr，并利用反向传播和梯度下降法状态同步性检测网络进行训练，计算损失函数Loss以更新网络参数，当训练轮次达到最大训练轮次Epoch时，或损失函数Loss达到最小时，停止训练，从而得到训练好的GIS刀闸的操作状态检测网络，用于对所输入的三相M路接地数据集合映射对应状态类别标签，最终输出GIS设备的刀闸状态及三相刀闸动作同步性的时差。
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
Claims (7)
1.一种基于GIS设备的刀闸状态和三相刀闸动作的同步性检测方法，其特征在于，是按如下步骤进行：
步骤1、构建训练集Ttr；
步骤1.1、采集GIS设备的三相M路的电流数据，并构建三相电流数据集X＝{x1,…,xk,…,xK}，xk表示第k条采样的三相电流数据，且xk＝{xk,1,...,xk,m,...,xk,M}；其中，xk,m表示第k条采样的第m路三相电流数据，且xk,m＝{xk,1,1,...,xk,m,t,…,xk,M,T}，xk,m,t表示第k条中第t个时刻采样的第m路三相电流数据；1≤m≤M，1≤k≤K，1≤t≤T，K表示采样数据的总数；M表示采集总路数；T表示总采样时间；
步骤1.2、构建三相电流数据集X的标签信息集合Y＝{y1,…,yk,…,yK}，其中，yk表示第k条采样的三相电流数据xk的标签值，且yk∈[1,N]，N为状态种类数；
步骤1.3、将带有标签的三相电流数据集P＝(X,Y)作为训练集Ttr；
步骤2、构建由状态检测支路和同步性检测支路构成的状态同步性检测网络，其中，状态检测支路包括：双层LSTM神经网络层、一层Attention机制层和一层Softmax层；同步性检测支路包括：一层CNN层、一层动态时间规整算法层；
步骤2.1、构建双层LSTM神经网络，包括：浅层LSTM神经网络和深层LSTM神经网络，其中，所述浅层LSTM神经网络包括：浅层遗忘门，浅层输入门，浅层更新单元和浅层输出门，所述深层LSTM神经网络包括：深层遗忘门，深层输入门，深层更新单元和深层输出门；
步骤2.2、构建CNN层，包括：输入层、两层卷积层、两层池化层及输出层；
步骤3、将第m路三相电流数据xk,m,t输入同步性检测网络的状态检测支路中进行处理：
步骤3.1、所述双层LSTM神经网络中浅层LSTM神经网络对第m路三相电流数据xk,m,t进行处理，得到xk,m,t的第t个时间步的浅层状态信息隐藏状态
步骤3.2、所述双层LSTM神经网络中深层LSTM神经网络对浅层状态信息隐藏状态进行处理，得到/>的第t个时间步的深层状态信息隐藏状态/>
步骤3.3、所述Attention机制层利用式(11)-式(16)对深层状态信息隐藏状态进行处理，得到多分辨率时频特征Sk,m；
ek,m＝Qk,mKek,m T (14)
式(11)-式(16)中，Qk,m、Vk,m、Kek,m分别为的查询值、真值和关键值，wQh是查询值线性变换矩阵，wVl是真值线性变换矩阵，wKl是关键值线性变换矩阵，ek,m为/>的注意力得分，Kek,m T为Kek,m的转置，αk,m为/>的注意力权值；
步骤3.4、所述多分辨率时频特征Sk,m输入Softmax层中，并利用式(17)得到三相电流数据xk,m,t对应所有状态的概率值P(xk,m,t∣N)；
P(xk,m,t|N)＝softmax(Wp,k,m·Sk,m+bp,k,m) (17)
式(17)中，WP,k,m和bP,k,m分别表示多分辨率时频特征Sk,m的概率权重矩阵和概率偏差向量；softmax表示激活函数；
步骤3.5、构建状态检测支路的交叉熵损失函数L(yk,m,Pk,m,n)，其中，Pk,m,n表示第k条第m路的接地电流数据xk,m的标签值yk预测为第N种状态的概率；
步骤4、状态同步性检测网络中同步性检测支路的处理：
步骤4.1、所述CNN层对第m路三相电流数据xk,m,t进行处理，得到第m路特征向量Dk,m,t；
步骤4.2、所述动态时间规整算法层对第m路特征向量Dk,m,t进行处理，得到三相刀闸动作同步性的时差；
步骤4.3、构建同步性检测支路的交叉熵损失函数L(xk,m,Δk,m)，其中，Δk,m表示第k条第m路的接地电流数据xk,m对应的刀闸动作同步性的时差；
步骤5、状态同步性检测网络训练处理：
步骤5.1、构建状态同步性检测网络的损失函数Loss＝ɑL(yk,m,Pk,m,n)+βL(xk,m,Δk,m)；其中，ɑ表示L(yk,m,Pk,m,n)的权重，β表示L(xk,m,Δk,m)的权重，且ɑ+β＝1；
步骤5.2、基于所述训练集Ttr，并利用反向传播和梯度下降法状态同步性检测网络进行训练，计算所述损失函数Loss以更新网络参数，当训练轮次达到最大训练轮次Epoch时，或损失函数Loss达到最小时，停止训练，从而得到训练好的GIS刀闸的操作状态检测网络，用于对所输入的三相M路接地数据集合映射对应状态类别标签，最终输出GIS设备的刀闸状态及三相刀闸动作同步性的时差。
2.根据权利要求1所述的基于GIS设备的刀闸状态和三相刀闸动作的同步性检测方法，其特征在于，所述步骤3.1包括：
步骤3.1.1、所述浅层LSTM神经网络的浅层遗忘门对所述第m路三相电流数据xk,m,t进行选择性丢弃处理，得到xk,m,t的浅层故障选择信息
步骤3.1.2、所述所述浅层输入门将浅层故障选择信息与所述浅层更新单元输出的第t-1个时间步的记忆信息/>相乘后，得到xk,m,t的第t时间步的浅层故障保留信息当t＝1时，令/>
步骤3.1.3、所述浅层输入门分别利用式(1)和式(2)得到xk,m,t的第t个时间步的浅层输入故障信息和浅层故障调制信息/>
式(1)-式(2)中，Wpl,k,m和Upl,k,m分别表示xk,m,t和的浅层输入权重矩阵，bpl,k,m表示xk,m,t的浅层输入偏差向量；/>表示xk,m,t的第t-1时间步的浅层状态信息隐藏状态；当t＝1时，令/>Wgl,k,m和Ug1,k,m分别表示xk,m,t和/>的浅层调制权重矩阵，bgl,k,m表示xk,m,t的浅层调制偏差向量；tanh为激活函数；
步骤3.1.4、所述浅层更新单元将和/>相乘后，得到/>的浅层状态待更新信息/>从而利用式(3)得到xk,m,t的第t个时间步的记忆信息/>
步骤3.1.5、所述浅层输出门利用式(4)得到xk,m,t的第t个时间步的浅层状态信息隐藏状态从而得到三相电流数据xk,m,t在浅层LSTM神经网络中所有时间步的浅层状态信息隐藏状态/>
式(4)中，⊙表示逐元素相乘运算，表示三相电流数据xk,m在浅层记忆单元的第t时间步的浅层复合信号/>并由式(5)得到；
式(5)中，Wol,k,m和Uol,k,m分别表示xk,m,t和的浅层输出权重矩阵，bol,k,,m表示浅层输出偏差向量。
3.根据权利要求2所述的基于GIS设备的刀闸状态和三相刀闸动作的同步性检测方法，其特征在于，所述步骤3.2包括：
步骤3.2.1、所述深层LSTM神经网络的深层遗忘门对所述第t个时间步的浅层状态信息隐藏状态进行选择性丢弃处理后，得到/>的第t时间步的深层故障选择信息/>
步骤3.2.2、所述深层输入门将深层故障选择信息与所述深层更新单元输出的的第t-1个时间步的记忆信息/>相乘后，得到/>的第t个时间步的深层故障保留信息/>当t＝1时，令/>
步骤3.2.3、所述深层道输入门分别利用式(6)-式(7)得到的第t时间步的深层输入故障信息/>和深层故障调制信息/>
式(6)-式(7)中，Wpg,k,m和Upg,k,m分别表示和/>的深层输入权重矩阵，bpg,k,m表示的深层输入偏差向量；/>表示/>的第t-1个时间步的深层状态信息隐藏状态；当t＝1时，令/>Wgg,k,m和Ugg,k,m分别表示/>和/>的深层调制权重矩阵，bgg,k,m表示/>的深层输入偏差向量；
步骤3.2.4、所述深层更新单元将深层输入故障信息和深层故障调制信息/>相乘后，得到/>的深层状态待更新信息/>从而利用式(8)得到/>的第t个时间步的记忆信息/>
步骤3.2.5、所述深层输出门利用式(9)得到的第t个时间步的深层状态信息隐藏状态/>从而得到/>在深层LSTM神经网络中所有时间步的深层状态信息隐藏状态
式(9)中，表示状态信息隐藏状态/>在深层记忆单元的第t时间步的深层复合信号/>并由式(10)得到；
式(10)中，Wog,k,m和Uog,k,m分别表示和/>的深层输出权重矩阵，bog,k,m表示/>的深层输出偏差向量。
4.根据权利要求3所述的基于GIS设备的刀闸状态和三相刀闸动作的同步性检测方法，其特征在于，所述步骤4.1包括：
步骤4.1.1、所述第m路三相电流数据xk,m,t由CNN层的输入层传输给第一层卷积层进行卷积运算操作，从而得到第一层卷积层输出的特征向量
步骤4.1.2、第一层池化层对所述特征向量进行最大池化处理后，得到第一层池化层输出的特征向量/>
步骤4.1.3、第二层卷积层对特征向量进行二次卷积操作，从而得到第二层卷积层输出的特征向量/>
步骤4.1.4、第二层池化层对特征向量进行最大池化处理后，得到第二层池化层输出的特征向量Dk,m,t＝{Dk,m,a,t,Dk,m,b,t,Dk,m,c,t}，其中，Dk,m,a,t，Dk,m,b,t，Dk,m,c,t分别代表第k条第m路的a相、b相和c相t个时间步的时间序列。
5.根据权利要求4所述的基于GIS设备的刀闸状态和三相刀闸动作的同步性检测方法，其特征在于，所述步骤4.2包括：
步骤4.1、所述动态时间规整算法层利用式(18)-式(20)得到a相时间序列Dk,m,a,t和b相时间序列Dk,m,b,t之间第t个时间步的距离a相时间序列Dk,m,a,t和c相时间序列Dk,m,c,t之间第t个时间步的距离/>b相时间序列Dk,m,b,t和c相时间序列Dk,m,c,t之间第t个时间步的距离/>从而得到Dk,m,a,t和Dk,m,b,t之间所有时间步的距离Dk,m,a,t和Dk,m,c,t之间所有时间步的距离Dk,m,b,t和Dk,m,c,t之间所有时间步的距离
式(18)-式(20)中，Dk,m,a,t-1，Dk,m,b,t-1，Dk,m,c,t-1分别代表第k条第m路的a相、b相和c相的t-1个时间步的时间序列，D(,)表示两个序列之间的归整路径距离，min{}表示最小值；
步骤2.4.7、利用式(21)-式(23)分别得到第k条第m路采样数据的a相刀闸动作同步性的时差Δk,m,a，b相刀闸动作同步性的时差Δk,m,b，c相刀闸动作同步性的时差Δk,m,c；
6.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-5中任一所述同步性检测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
7.一种计算机可读存储介质，计算机可读存储介质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运行时执行权利要求1-5中任一所述同步性检测所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310793799.3A CN116881825A (zh) | 2023-06-30 | 2023-06-30 | 基于gis设备的刀闸状态和三相刀闸动作的同步性检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310793799.3A CN116881825A (zh) | 2023-06-30 | 2023-06-30 | 基于gis设备的刀闸状态和三相刀闸动作的同步性检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116881825A true CN116881825A (zh) | 2023-10-13 |
Family
ID=88261376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310793799.3A Pending CN116881825A (zh) | 2023-06-30 | 2023-06-30 | 基于gis设备的刀闸状态和三相刀闸动作的同步性检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116881825A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117805607A (zh) * | 2024-02-29 | 2024-04-02 | 山西漳电科学技术研究院(有限公司) | 发电厂直流系统直流级差配合试验方法 |
-
2023
- 2023-06-30 CN CN202310793799.3A patent/CN116881825A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117805607A (zh) * | 2024-02-29 | 2024-04-02 | 山西漳电科学技术研究院(有限公司) | 发电厂直流系统直流级差配合试验方法 |
| CN117805607B (zh) * | 2024-02-29 | 2024-05-07 | 山西漳电科学技术研究院(有限公司) | 发电厂直流系统直流级差配合试验方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103558529B (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
| Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
| WO2021103496A1 (zh) | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 | |
| WO2023216553A1 (zh) | 一种配电网多重故障诊断方法及系统 | |
| CN107979086B (zh) | 基于em算法和梯度提升树的电压暂降原因识别方法 | |
| CN108805107B (zh) | 一种基于prps信号的gis内部局部放电缺陷识别方法 | |
| CN110118900A (zh) | 一种负载识别以及工频串联电弧故障检测方法 | |
| CN116881825A (zh) | 基于gis设备的刀闸状态和三相刀闸动作的同步性检测方法 | |
| Rui et al. | Fault location for power grid based on transient travelling wave data fusion via asynchronous voltage measurements | |
| CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
| Jia et al. | Validity evaluation of transformer DGA online monitoring data in grid edge systems | |
| Tsotsopoulou et al. | Time-domain protection of superconducting cables based on artificial intelligence classifiers | |
| Jin et al. | Mode identification of low‐frequency oscillations in power systems based on fourth‐order mixed mean cumulant and improved TLS‐ESPRIT algorithm | |
| CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
| CN116910470A (zh) | 一种gis组合电器局部放电故障模式识别方法 | |
| Zhu et al. | Aiming to Complex Power Quality Disturbances: A Novel Decomposition and Detection Framework | |
| Liu et al. | Identification and location of voltage sag sources based on multi-label random forest | |
| Yu et al. | Series arc fault detection of complex branch based on CNN_LSTM model | |
| CN114384319A (zh) | 一种并网逆变器孤岛检测方法、系统、终端及介质 | |
| Cui et al. | High impedance fault detection method based on Data divergence in the distribution network | |
| Lasalvia et al. | Intelligent acoustic detection of defective porcelain station post insulators | |
| Zheng et al. | Transformer Vibration Analysis Based on Double Branch Convolutional Neural Network | |
| Wang et al. | A disturbance localization method for power system based on group sparse representation of compressed sensing | |
| Lin et al. | Condition Evaluation of Power Cables Based on BiLSTM with Siamese Attention | |
| CN116184141B (zh) | 一种气体绝缘设备故障诊断方法及系统 |
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 |