CN117233536B - 户用储能拓扑中的线路故障检测方法及相关设备 - Google Patents
户用储能拓扑中的线路故障检测方法及相关设备 Download PDFInfo
- Publication number
- CN117233536B CN117233536B CN202311475435.7A CN202311475435A CN117233536B CN 117233536 B CN117233536 B CN 117233536B CN 202311475435 A CN202311475435 A CN 202311475435A CN 117233536 B CN117233536 B CN 117233536B
- Authority
- CN
- China
- Prior art keywords
- fault
- pulse
- neuron
- impulse
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 99
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000010586 diagram Methods 0.000 claims abstract description 100
- 230000005540 biological transmission Effects 0.000 claims abstract description 59
- 230000004927 fusion Effects 0.000 claims abstract description 58
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 24
- 210000002569 neuron Anatomy 0.000 claims description 209
- 238000012360 testing method Methods 0.000 claims description 47
- 239000012528 membrane Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000946 synaptic effect Effects 0.000 claims description 11
- 230000005284 excitation Effects 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 230000005611 electricity Effects 0.000 description 19
- 238000009825 accumulation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002269 spontaneous effect Effects 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005215 presynaptic neuron Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请提供了一种户用储能拓扑中的线路故障检测方法及相关设备,其中,该方法包括:以户用储能拓扑中相互连接的两个设备为单位,获取两个设备间的输电线路的故障录波图序列;基于故障录波图中电流/电压录波波形的波峰/波谷和零基准线,从故障录波图序列中确定出至少一张待检测故障录波图;对至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图;对融合特征图中的融合特征进行脉冲编码,得到输入脉冲序列;将输入脉冲序列输入脉冲神经网络模型进行前向推理,得到两个设备间的输电线路的故障检测结果。本申请实施例有利于提升输电线路故障检测的效率。
Description
技术领域
本申请涉及新能源电池技术领域,尤其涉及一种户用储能拓扑中的线路故障检测方法及相关设备。
背景技术
故障录波器的录波信息是电力系统故障分析的重要依据,基于录波信息快速且准确地判断出系统的故障类型和故障位置,对电力系统的安全运行有着重大意义。故障录波图是故障录波器输出的能够反映电网故障的录波信息之一,对故障录波图进行分析是诊断电网故障的重要手段之一,然而,目前在电网发生故障时,基本是靠维护人员凭借经验对故障录波图进行分析和判断,故障诊断的效率相对较低。
发明内容
针对上述问题,本申请提供了一种户用储能拓扑中的线路故障检测方法及相关设备,有利于提升户用储能中线路故障检测的效率。
为实现上述目的,本申请第一方面提供了一种户用储能拓扑中的线路故障检测方法, 该方法包括:
以户用储能拓扑中相互连接的两个设备为单位,获取两个设备间的输电线路的故障录波图序列;
从故障录波图序列中确定出至少一张待检测故障录波图,对至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图;
对融合特征图中的融合特征进行脉冲编码,得到输入脉冲序列;
将输入脉冲序列输入脉冲神经网络模型,在脉冲神经网络模型中第i层的脉冲神经元向第(i+1)层的脉冲神经元传输脉冲信号时,从第i层的脉冲神经元中确定出第一目标脉冲神经元,基于第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号;i大于或等于1,且小于N,N为脉冲神经网络模型的总层数;第二目标脉冲神经元为第(i+1)层中与第一目标脉冲神经元连接的脉冲神经元;
基于第N层的脉冲神经元输出的脉冲信号进行故障分类,得到两个设备间的输电线路的故障检测结果。
结合第一方面,在一种可能的实施方式中,从故障录波图序列中确定出至少一张待检测故障录波图,包括:
对于故障录波图序列中的任意一张故障录波图P,将故障录波图P二值化;
在二值化后的故障录波图P中,计算电流/电压录波波形上的每个像素点与零基准线的像素距离,得到电流/电压录波波形的波峰与零基准线的第一像素距离及波谷与零基准线的第二像素距离;
基于第一像素距离和第二像素距离确定故障录波图P表征两个设备间的输电线路发生故障的故障系数;
在故障系数大于或等于第一阈值的情况下,将故障录波图P确定为待检测故障录波图,以得到至少一张待检测故障录波图。
结合第一方面,在一种可能的实施方式中,故障录波图P中的电流/电压录波波形包括A相电流/电压录波波形、B相电流/电压录波波形和C相电流/电压录波波形;基于第一像素距离和第二像素距离确定故障录波图P表征两个设备间的输电线路发生故障的故障系数,包括:
获取二值化后的故障录波图P中A、B、C三相的电流录波波形的第一像素距离和第二像素距离大于或等于第二阈值的数量x;
获取二值化后的故障录波图P中A、B、C三相的电压录波波形的第一像素距离和第二像素距离小于或等于第三阈值的数量y;
计算二值化后的故障录波图P中A、B、C三相的电流录波波形对应的数量x与第四阈值的第一比值;
计算二值化后的故障录波图P中A、B、C三相的电压录波波形对应的数量y与第四阈值的第二比值;
将A、B、C三相中至少一相对应的第一比值和第二比值确定为故障系数。
结合第一方面,在一种可能的实施方式中,对至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图,包括:
获取每张待检测故障录波图对应的故障录波数据;故障录波数据中包括电流录波波形在每个时刻的相位和电压录波波形在每个时刻的相位;
对于每张待检测故障录波图中电流/电压录波波形所在的前景像素点,将前景像素点的坐标、距零基准线的像素距离、对应的时刻和时刻对应的电流/电压相位作为前景像素点对应的融合特征,以及将前景像素点以外的背景像素点的坐标和0作为背景像素点对应的特征,得到融合特征图。
结合第一方面,在一种可能的实施方式中,从第i层的脉冲神经元中确定出第一目标脉冲神经元,包括:
针对第i层的第j个脉冲神经元,若第j个脉冲神经元与第(i+1)层的第k个脉冲神经元之间的突触权重为0,则将第i层中除第j个脉冲神经元以外的脉冲神经元确定为第一目标脉冲神经元;第j个脉冲神经元为第i层中的任意一个脉冲神经元;第k个脉冲神经元为第(i+1)层中的任意一个脉冲神经元;
基于第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号,包括:
计算第一目标脉冲神经元输出的脉冲信号的加权和,基于加权和在第二目标脉冲神经元内进行膜电位的累积;
在第二目标脉冲神经元内累积的膜电位大于激发阈值时,激发第二目标脉冲神经元输出脉冲信号,得到第(i+1)层的脉冲神经元输出的脉冲信号;
当i等于N-1时,得到第N层的脉冲神经元输出的脉冲信号。
结合第一方面,在一种可能的实施方式中,在获取两个设备间的输电线路的故障录波图序列之前,该方法还包括:
当户用储能拓扑处于并网工况时,获取两个设备间的输电线路无故障时A、B、C三相的电流/电压测试波形图;
当户用储能拓扑处于离网工况时,获取两个设备间的输电线路无故障时A、B、C三相的电流/电压测试波形图;
基于并网工况下A、B、C三相的电流测试波形图和离网工况下A、B、C三相的电流测试波形图,确定A、B、C三相分别对应的第二阈值;
基于并网工况下A、B、C三相的电压测试波形图和离网工况下A、B、C三相的电压测试波形图,确定A、B、C三相分别对应的第三阈值。
本申请第二方面提供了一种户用储能拓扑中的线路故障检测装置,装置包括获取单元和处理单元;
获取单元,用于以户用储能拓扑中相互连接的两个设备为单位,获取两个设备间的输电线路的故障录波图序列;
处理单元,用于从故障录波图序列中确定出至少一张待检测故障录波图,对至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图;对融合特征图中的融合特征进行脉冲编码,得到输入脉冲序列;将输入脉冲序列输入脉冲神经网络模型,在脉冲神经网络模型中第i层的脉冲神经元向第(i+1)层的脉冲神经元传输脉冲信号时,从第i层的脉冲神经元中确定出第一目标脉冲神经元,基于第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号;i大于或等于1,且小于N,N为脉冲神经网络模型的总层数;第二目标脉冲神经元为第(i+1)层中与第一目标脉冲神经元连接的脉冲神经元;基于第N层的脉冲神经元输出的脉冲信号进行故障分类,得到两个设备间的输电线路的故障检测结果。
结合第二方面,在一种可能的实施方式中,在从故障录波图序列中确定出至少一张待检测故障录波图方面,处理单元具体用于:
对于故障录波图序列中的任意一张故障录波图P,将故障录波图P二值化;
在二值化后的故障录波图P中,计算电流/电压录波波形上的每个像素点与零基准线的像素距离,得到电流/电压录波波形的波峰与零基准线的第一像素距离及波谷与零基准线的第二像素距离;
基于第一像素距离和第二像素距离确定故障录波图P表征两个设备间的输电线路发生故障的故障系数;
在故障系数大于或等于第一阈值的情况下,将故障录波图P确定为待检测故障录波图,以得到至少一张待检测故障录波图。
结合第二方面,在一种可能的实施方式中,故障录波图P中的电流/电压录波波形包括A相电流/电压录波波形、B相电流/电压录波波形和C相电流/电压录波波形;在基于第一像素距离和第二像素距离确定故障录波图P表征两个设备间的输电线路发生故障的故障系数方面,处理单元具体用于:
获取二值化后的故障录波图P中A、B、C三相的电流录波波形的第一像素距离和第二像素距离大于或等于第二阈值的数量x;
获取二值化后的故障录波图P中A、B、C三相的电压录波波形的第一像素距离和第二像素距离小于或等于第三阈值的数量y;
计算二值化后的故障录波图P中A、B、C三相的电流录波波形对应的数量x与第四阈值的第一比值;
计算二值化后的故障录波图P中A、B、C三相的电压录波波形对应的数量y与第四阈值的第二比值;
将A、B、C三相中至少一相对应的第一比值和第二比值确定为故障系数。
结合第二方面,在一种可能的实施方式中,在对所述至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图方面,处理单元具体用于:
获取每张待检测故障录波图对应的故障录波数据;故障录波数据中包括电流录波波形在每个时刻的相位和电压录波波形在每个时刻的相位;
对于每张待检测故障录波图中电流/电压录波波形所在的前景像素点,将前景像素点的坐标、距零基准线的像素距离、对应的时刻和时刻对应的电流/电压相位作为前景像素点对应的融合特征,以及将前景像素点以外的背景像素点的坐标和0作为背景像素点对应的特征,得到融合特征图。
结合第二方面,在一种可能的实施方式中,在从所述第i层的脉冲神经元中确定出第一目标脉冲神经元方面,处理单元具体用于:
针对第i层的第j个脉冲神经元,若第j个脉冲神经元与第(i+1)层的第k个脉冲神经元之间的突触权重为0,则将第i层中除第j个脉冲神经元以外的脉冲神经元确定为第一目标脉冲神经元;第j个脉冲神经元为第i层中的任意一个脉冲神经元;第k个脉冲神经元为第(i+1)层中的任意一个脉冲神经元;
在基于第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号方面,处理单元具体用于:
计算第一目标脉冲神经元输出的脉冲信号的加权和,基于加权和在第二目标脉冲神经元内进行膜电位的累积;
在第二目标脉冲神经元内累积的膜电位大于激发阈值时,激发第二目标脉冲神经元输出脉冲信号,得到第(i+1)层的脉冲神经元输出的脉冲信号;
当i等于N-1时,得到第N层的脉冲神经元输出的脉冲信号。
结合第二方面,在一种可能的实施方式中,处理单元还用于:
当户用储能拓扑处于并网工况时,获取两个设备间的输电线路无故障时A、B、C三相的电流/电压测试波形图;
当户用储能拓扑处于离网工况时,获取两个设备间的输电线路无故障时A、B、C三相的电流/电压测试波形图;
基于并网工况下A、B、C三相的电流测试波形图和离网工况下A、B、C三相的电流测试波形图,确定A、B、C三相分别对应的第二阈值;
基于并网工况下A、B、C三相的电压测试波形图和离网工况下A、B、C三相的电压测试波形图,确定A、B、C三相分别对应的第三阈值。
可以理解的是,由于装置实施例与方法实施例为相同技术构思的不同呈现形式,因此,本申请实施例第一方面的内容应同步适配于本申请实施例第二方面,且能达到相同或相似的有益效果,此处不再赘述。
本申请第三方面提供了一种电子设备,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述第一方面任意一个实施例中的方法的步骤。
本申请第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有用于设备执行的计算机程序,计算机程序被执行时实现上述第一方面任意一个实施例中的方法。
本申请第五方面提供了一种计算机程序产品,当计算机程序产品被设备运行,使得设备执行上述第一方面任意一个实施例中的方法。
本申请的上述方案至少包括以下有益效果:
本申请实施例中,通过电子设备从户用储能拓扑中相互连接的两个设备的故障录波图序列中确定出至少一张待检测故障录波图,对于确定需要进行故障检测的待检测故障录波图,由电子设备对其每个像素对应的位置进行编码,得到融合特征图,再将融合特征图中的融合特征编码为脉冲序列,将脉冲序列输入本地训练好的脉冲神经网络模型进行前向推理,得到两个设备间的输电线路的故障检测结果。相比较由人工对故障录波图进行分析的方式,有利于提升故障录波图的分析效率,进而提升了线路故障检测的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本申请实施例提供的一种户用储能拓扑的示意图;
图2为本申请实施例提供的一种户用储能拓扑中的线路故障检测方法的流程示意图;
图3为本申请实施例提供的一种对故障录波图进行二值化的示意图;
图4为本申请实施例提供的一种两层脉冲神经元的示意图;
图5为本申请实施例提供的一种脉冲神经元输出脉冲信号的示意图;
图6为本申请实施例提供的一种户用储能拓扑中的线路故障检测装置的结构示意图;
图7为本申请实施例提供的一种电子设备的结构示意图;
图8为本申请实施例提供的一种户用储能系统的结构示意图。
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的实施例,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,都应当属于本申请保护的范围。
本申请说明书、权利要求书和附图中出现的术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地进一步包括没有列出的步骤或单元,或可选地进一步包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,术语“第一”、“第二”和“第三”等是用于区别不同的对象,而并非用于描述特定的顺序。
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。
由于人们所需要的能源都具有很强的时间性和空间性,为了合理利用能源并提高能量的利用率,需要通过一种介质或者设备,把一种能量形式用同一种或者转换成另外一种能量形式存储起来,基于未来应用需要再以特定能量形式释放出来。目前绿色电能的产生主要途径是发展光伏、风电等绿色能源来替代化石能源,
目前绿色电能的产生普遍依赖于光伏、风电、水势等,而风能和太阳能等普遍存在间歇性强、波动性大的问题,会造成电网不稳定,用电高峰电不够,用电低谷电太多,不稳定的电压还会对电力造成损害,因此可能因为用电需求不足或电网接纳能力不足,引发“弃风弃光”问题,要解决这些问题须依赖储能。即将电能通过物理或者化学的手段转化为其他形式的能量存储起来,在需要的时候将能量转化为电能释放出来,简单来说,储能就类似一个大型“充电宝”,在光伏、风能充足时,将电能储存起来,在需要时释放储能的电力。
以电化学储能为例,本方案提供一种储能装置,储能装置内设有一组化学电池,主要是利用电池内的化学元素做储能介质,充放电过程伴随储能介质的化学反应或者变化,简单说就是把风能和太阳能产生的电能存在化学电池中,在外部电能的使用达到高峰时再将存储的电量释放出来使用,或者转移给电量紧缺的地方再使用。
目前的储能(即能量存储)应用场景较为广泛,包括发电侧储能、电网侧储能以及用电侧储能等方面,对应的储能装置的种类包括有:
(1)应用在风电、光伏电站侧的大型储能电站,其可以协助可再生能源发电满足并网要求,同时提高可再生能源利用率;储能电站作为电源侧中优质的有功/无功调节电源,实现电能在时间和空间上的负荷匹配,增强可再生能源消纳能力,减少瞬时功率变化,减少对电网的冲击,改善新能源发电消纳问题并在电网系统备用、缓解高峰负荷供电压力和调峰调频方面意义重大;
(2)应用在电网侧的储能集装箱,功能主要为调峰、调频、缓解电网阻塞调峰方面,可实现对用电负荷的削峰填谷,即在用电负荷低谷时对储能电池充电,在用电负荷高峰时段将存储的电量释放,从而实现电力生产和消纳之间的平衡;
(3)应用于用电侧的小型储能柜,功能主要为电力自发自用、峰谷价差套利、容量费用管理以及提高供电可靠性。根据应用场景的不同,用电侧储能可以分为工商业储能柜、户用储能装置、储能充电桩等,其一般与分布式光伏配套使用。工商业用户可利用储能进行谷峰价差套利和容量费用管理。在实施峰谷电价的电力市场中,通过低电价时给储能系统充电,高电价时储能系统放电,实现峰谷电价差套利,降低用电成本。此外,适用两部制电价的工业企业,可以利用储能系统在用电低谷时储能,在高峰负荷时放电,从而降低尖峰功率及申报的最大需求量,达到降低容量电费的目的。户用光伏配储可以提高电力自发自用水平。因高昂电价以及较差的供电稳定性,从而拉动户用光伏装机需求。考虑到光伏在白天发电,而用户一般在夜间负荷较高,通过配置储能可以更好地利用光伏电力,提高自发自用水平,同时降低用电成本。另外,通信基站、数据中心等领域需要配置储能,用于备用电源。
户用储能(可简称为户储)是指安装在个人住宅内的储能系统,用于储存太阳能电池板或其他可再生能源发电。户储是一种能量获取、储存和使用的混合系统,它是在传统光伏并网发电系统的基础上增加锂电池的储能功能,由电池、混合逆变器和光伏板等组成。户用储能拓扑是指户用储能系统的拓扑结构,通常由储能系统中的电气件和各电气件间的连接线路构成。
请参见图1,图1为本申请实施例提供的一种户用储能拓扑的示意图,如图1所示,该户用储能拓扑中可以包括储能电池、储能变流器(Power Conversion System,PCS)、光伏组件、配电盘、户用负载和变压器。其中,PCS的直流侧通过输电线路与储能电池和光伏组件连接,储能电池与PCS之间设置有电池开关,并通过电池管理系统(Battery ManagementSystem,BMS)线束进行通信。PCS的并网输出端与变压器连接,变压器与电网连接;PCS的离网输出端与配电盘连接,配电盘下连接有多个户用负载。PCS与变压器之间、与配电盘之间均设置有交流断路器。PCS可控制储能电池的充放电,执行交直流的变换和并网离网操作。
为克服现有技术的不足,本申请实施例提供一种户用储能拓扑中的线路故障检测方法。请参见图2,图2为本申请实施例提供的一种户用储能拓扑中的线路故障检测方法的流程示意图,该方法可由电子设备执行,一些可能的实现方式中,电子设备可以是户用储能系统中的控制主机。如图2所示, 该方法可以包括步骤201-205:
201:以户用储能拓扑中相互连接的两个设备为单位,获取两个设备间的输电线路的故障录波图序列。
本申请实施例中,可通过电子设备设定故障录波器的启动模式和输出模式,在户用储能系统发生故障时,故障录波器启动并以户用储能拓扑中相互连接的两个设备为单位,输出该两个设备间的输电线路在一定时间内的故障录波图序列。示例性的,如图1所示的户用储能拓扑,故障录波器可输出储能电池与PCS之间的输电线路的故障录波图,或者可输出储能电池与电池开关之间的输电线路的故障录波图,或者还可输出配电盘与户用负载之间的输电线路的故障录波图、PCS与变压器之间的输电线路的故障录波图,等等。
202:从故障录波图序列中确定出至少一张待检测故障录波图,对至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图。
本申请实施例中,以故障录波图序列中的任意一张故障录波图P为例,如图3所示,故障录波图P中的电流/电压录波波形包括A相电流(IA)/电压(UA)录波波形、B相电流(IB)/电压(UB)录波波形和C相电流(IC)/电压(UC)录波波形,进一步还可包括3I0零序电流录波的情况和3U0零序电压的录波情况。电子设备对故障录波图P进行二值化,得到二值化后的故障录波图P,然后通过遍历像素点的方式,计算二值化后的故障录波图P中电流/电压录波波形(白色线条波形)上的每个像素点与零基准线的像素距离,将电流/电压录波波形的波峰与零基准线的距离记为第一像素距离,将电流/电压录波波形的波谷与零基准线的距离记为第二像素距离。
示例性的,电子设备基于第一像素距离和第二像素距离可以确定故障录波图P表征两个设备间的输电线路发生故障的故障系数。具体而言,电子设备可以对二值化后的故障录波图P中A、B、C三相的电流录波波形的第一像素距离和第二像素距离大于或等于第二阈值的数量x进行统计,该第二阈值根据两个设备间的输电线路无故障时的电流波形确定。比如:图3中A相电流录波波形的该数量x为8。电子设备对二值化后的故障录波图P中A、B、C三相的电压录波波形的第一像素距离和第二像素距离大于或等于第三阈值的数量y进行统计,该第三阈值根据两个设备间的输电线路无故障时的电压波形确定。比如:图3中A相电压录波波形的该数量y为12。电子设备计算二值化后的故障录波图P中A、B、C三相的电流录波波形对应的数量x与第四阈值的第一比值,其公式可表示为:
其中,表示A、B、C三相中任一相对应的第一比值,/>表示第四阈值,第四阈值可基于经验值设定,示例性的,/>的取值范围为(0,3]。
电子设备计算二值化后的故障录波图P中A、B、C三相的电压录波波形对应的数量y与第四阈值的第二比值,其公式可表示为:
其中,表示A、B、C三相中任一相对应的第二比值。
电子设备将A、B、C三相中至少一相对应的第一比值和第二比值确定为故障系数。比如:将A相对应的第一比值和A相对应的第二比值确定为故障录波图P所表征的故障系数;或者将A相对应的第一比值、A相对应的第二比值、B相对应的第一比值和B相对应的第二比值确定为故障录波图P所表征的故障系数;或者将A、B、C三相对应的第一比值和第二比值均确定为故障录波图P所表征的故障系数。
示例性的,若A、B、C三相中任一相对应的该第一比值和第二比值均大于或等于第一阈值,则将故障录波图P确定为待检测故障录波图,从而得到至少一张待检测故障录波图。示例性的,第一阈值通常取1,比如当为3时,电子设备认为图3中A相对应的数量x和数量y超过了/>,表示两个设备间的输电线路确实出现了故障;若故障系数小于第一阈值,表示两个设备间的输电线路出现了假性故障。比如:图3中A相对应的第一比值和第二比值为故障系数,若该第一比值和/或该第二比值小于第一阈值,则故障录波图P将不会被确定为待检测故障录波图。需要说明的是,A、B、C三相对应的第一比值和第二比值需要成对被确定为故障系数。
示例性的,在获取两个设备间的输电线路的故障录波图序列之前,该方法还包括:
当户用储能拓扑处于并网工况时,获取两个设备间的输电线路无故障时A、B、C三相的电流/电压测试波形图;
当户用储能拓扑处于离网工况时,获取两个设备间的输电线路无故障时A、B、C三相的电流/电压测试波形图;
基于并网工况下A、B、C三相的电流测试波形图和离网工况下A、B、C三相的电流测试波形图,确定A、B、C三相分别对应的第二阈值;
基于并网工况下A、B、C三相的电压测试波形图和离网工况下A、B、C三相的电压测试波形图,确定A、B、C三相分别对应的第三阈值。
本申请实施例中,在户用储能拓扑处于并网工况和离网工况时,对两个设备间的输电线路进行测试,得到输电线路无故障时A、B、C三相的电流/电压测试波形图。以A相电流测试波形图为例,将并网工况下无故障的A相电流测试波形图记为测试波形图1,将离网工况下无故障的A相电流测试波形图记为测试波形图2,对测试波形图1和测试波形图2进行二值化,计算二值化后的测试波形图1中电流测试波形上的每个像素点与零基准线的像素距离,得到每个波峰/波谷与零基准线的像素距离,计算二值化后的测试波形图1中波峰/波谷与零基准线的像素距离的平均值,得到第一平均像素距离;计算二值化后的测试波形图2中电流测试波形上的每个像素点与零基准线的像素距离,得到每个波峰/波谷与零基准线的像素距离,计算二值化后的测试波形图2中波峰/波谷与零基准线的像素距离的平均值,得到第二平均像素距离,计算第一平均像素距离和第二平均像素距离的平均值,得到对A相电流录波波形进行分析的第二阈值,采用同样的方式,可以计算得到对B、C相电流录波波形进行分析的第二阈值。针对A、B、C三相的电压测试波形图,执行电流测试波形图相同的操作,分别得到A、B、C三相对应的第三阈值。该实现方式中,结合并网和离网工况下,A、B、C三相电流/电压测试波形图来确定A、B、C三相分别对应的第二阈值和第三阈值,考虑了户用储能这一特定应用场景,有利于提升对故障录波图进行判别的准确度。
本申请实施例中,应理解,故障录波器通常会记录电气量故障前后对应的数据,即故障录波数据,比如:每个时刻的电流/电压、电流录波波形在每个时刻的相位和电压录波波形在每个时刻的相位,进一步还可包括各相电流/电压的向量、曲线颜色等详细信息。
对于每张待检测故障录波图中电流/电压录波波形所在的前景像素点,电子设备将前景像素点的坐标、距零基准线的像素距离、对应的时刻和时刻对应的电流/电压相位作为前景像素点对应的融合特征,比如:图3中A相电流波形上的某个像素点对应的融合特征为(a,b,L,w,T)。其中,(a,b)表示该像素点的横坐标和纵坐标,L表示该像素点距零基准线的像素距离,w表示时刻T对应的电流相位,即每个波形所在的前景像素点对应的融合特征为一个包括坐标、距零基准线的像素距离、对应的时刻和时刻对应的电流/电压相位的向量。对于录波波形所在的前景像素点以外的背景像素点(包括未与录波波形相交的零基准线上的像素点),电子设备将该背景像素点的坐标和0作为背景像素点对应的特征,表示为(a,b,0),从而将每张待检测故障录波图编码为包括融合特征(a,b,L,w,T)和背景像素点对应的特征(a,b,0)的融合特征图。该实现方式中,将电流/电压录波波形所在的前景像素点编码为融合特征,融合特征中前景像素点距零基准线的像素距离L在时序上的变化可以帮助电子设备学习电流/电压的变化情况,比如:升高或降低等,电流/电压相位w可以帮助电子设备学习电流与电压的相位关系,而对应的时刻T可以帮助电子设备学习到故障持续的时间。另外,将录波波形所在的前景像素点以外的背景像素点编码为(a,b,0)的格式,能够减小后续脉冲编码和脉冲神经网络模型的计算量,进一步提升故障分类的效率。
203:对融合特征图中的融合特征进行脉冲编码,得到输入脉冲序列。
本申请实施例中,电子设备读取融合特征图,当读取到背景像素点对应的特征时,将其过滤,当读取到融合特征时,对其进行脉冲编码,将同一融合特征图中的融合特征编码为输入脉冲序列。其中,脉冲编码可以采用时间编码、速率编码等,本申请对此不做限定。
204:将输入脉冲序列输入脉冲神经网络模型,在脉冲神经网络模型中第i层的脉冲神经元向第(i+1)层的脉冲神经元传输脉冲信号时,从第i层的脉冲神经元中确定出第一目标脉冲神经元,基于第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号。
其中,i大于或等于1,且小于N,N为脉冲神经网络模型的总层数;第二目标脉冲神经元为第(i+1)层中与第一目标脉冲神经元连接的脉冲神经元。
应理解,脉冲神经元是脉冲神经网络模型中最基本的组成单元,脉冲神经网络模型中通过脉冲神经元进行信息的传递,前序脉冲神经元和后续脉冲神经元之间通过突触连接,突触通常有对应的突触权重。
本申请实施例中,电子设备将输入脉冲序列输入脉冲神经网络的第1层(输入层)进行膜电位的累积,当第1层的脉冲神经元中的膜电位累积超过激发阈值,则激发第1层的脉冲神经元输出脉冲信号。针对脉冲神经网络模型中第i层的第j个脉冲神经元,若第j个脉冲神经元与第(i+1)层的第k个脉冲神经元之间的突触权重为0,则电子设备可将第i层中除第j个脉冲神经元以外的脉冲神经元确定为第一目标脉冲神经元。其中,第j个脉冲神经元为第i层中的任意一个脉冲神经元;第k个脉冲神经元为第(i+1)层中的任意一个脉冲神经元。
示例性的,在基于第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号方面,电子设备可计算第i层中的第一目标脉冲神经元输出的脉冲信号的加权和,基于加权和在第二目标脉冲神经元内进行膜电位的累积,在第二目标脉冲神经元内累积的膜电位大于激发阈值时,激发第二目标脉冲神经元输出脉冲信号,从而得到第(i+1)层的脉冲神经元输出的脉冲信号。如图4所示,以脉冲神经网络模型的第1层中的第1个脉冲神经元和第2层的第1个脉冲神经元为例,第1层的脉冲神经元通过突触与第2层的第1个脉冲神经元连接。对于第1层的第1个脉冲神经元输出的脉冲信号,电子设备通过一判别函数判断对应路径的突触权重是否为0,若不是,则该输入信号输入第2层的第1个脉冲神经元进行加权求和,若是,则将第1层的第1个脉冲神经元输出的脉冲信号置为空。即第1层的第1个脉冲神经元输出的脉冲信号不作为第2层的第1个脉冲神经元的输入脉冲信号,不参与加权求和,也即丢弃第1层的第1个脉冲神经元输出的脉冲信号,对第1层的其他脉冲神经元输出的脉冲信号在第2层的第1个脉冲神经元内进行加权求和。其中,判别函数可表示为:
其中,表示判别函数,/>为脉冲神经元输出的脉冲信号,/>表示空,/>表示对应传输路径上的突触权重。
该实现方式中,对脉冲信号传输路径上的突触权重进行判定,若突触权重为0,则丢弃突触前神经元输出的脉冲信号,使其不参与加权和计算,以进一步降低计算开销,一定程度上有利于提升脉冲神经网络模型的推理效率。
请参见图5,在第2层的第1个脉冲神经元中对第1层除第1个脉冲神经元以外的脉冲神经元输出的脉冲信号进行加权求和,其公式可表示为:
其中,表示加权求和结果,/>表示第/>个脉冲神经元输出的脉冲信号,/>表示第/>个脉冲神经元的传输路径上的突触权重。电子设备基于加权和采用预设的膜电累积方式在第2层的第1个脉冲神经元内进行膜电位的累积,当其膜电位超过激发阈值/>时,激发第2层的第1个脉冲神经元输出脉冲信号。通过图4和图5所示的信息传递方式,当i等于N-1时,电子设备可以得到脉冲神经网络模型的最后一层(输出层,也即第N层)输出的脉冲信号。
205:基于第N层的脉冲神经元输出的脉冲信号进行故障分类,得到两个设备间的输电线路的故障检测结果。
本申请实施例中,基于脉冲神经网络模型的最后一层输出的脉冲信号对应的数据,电子设备可进行故障分类,得到两个设备间的输电线路的故障检测结果。比如:结合故障录波图中的3I0零序电流录波和3U0零序电压的录波,故障检测结果可以包括单相接地故障、两相短路故障或三相短路故障等。
可以看出,本申请实施例中,通过电子设备从户用储能拓扑中相互连接的两个设备的故障录波图序列中确定出至少一张待检测故障录波图,对于确定需要进行故障检测的待检测故障录波图,由电子设备对其每个像素对应的位置进行编码,得到融合特征图,再将融合特征图中的融合特征编码为脉冲序列,将脉冲序列输入本地训练好的脉冲神经网络模型,脉冲神经网络模型相邻两层间通过确定出的目标脉冲神经元进行数据的传递,最终得到脉冲神经网络模型最后一层输出的脉冲信号,基于该脉冲信号进行故障分类得到两个设备间的输电线路的故障检测结果。相比较由人工对故障录波图进行分析的方式,有利于提升故障录波图的分析效率,进而提升了线路故障检测的效率。
以上阐述了本申请实施例的方法,下面提供了本申请实施例的装置。
请参见图6,图6为本申请实施例提供的一种户用储能拓扑中的线路故障检测装置的结构示意图,如图6所示,该装置可以包括获取单元601和处理单元602,其中:
获取单元601,用于以户用储能拓扑中相互连接的两个设备为单位,获取两个设备间的输电线路的故障录波图序列;
处理单元602,用于从故障录波图序列中确定出至少一张待检测故障录波图,对至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图;对融合特征图中的融合特征进行脉冲编码,得到输入脉冲序列;将输入脉冲序列输入脉冲神经网络模型,在脉冲神经网络模型中第i层的脉冲神经元向第(i+1)层的脉冲神经元传输脉冲信号时,从第i层的脉冲神经元中确定出第一目标脉冲神经元,基于第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号;i大于或等于1,且小于N,N为脉冲神经网络模型的总层数;第二目标脉冲神经元为第(i+1)层中与第一目标脉冲神经元连接的脉冲神经元;基于第N层的脉冲神经元输出的脉冲信号进行故障分类,得到两个设备间的输电线路的故障检测结果。
示例性的,在从故障录波图序列中确定出至少一张待检测故障录波图方面,处理单元602具体用于:
对于故障录波图序列中的任意一张故障录波图P,将故障录波图P二值化;
在二值化后的故障录波图P中,计算电流/电压录波波形上的每个像素点与零基准线的像素距离,得到电流/电压录波波形的波峰与零基准线的第一像素距离及波谷与零基准线的第二像素距离;
基于第一像素距离和第二像素距离确定故障录波图P表征两个设备间的输电线路发生故障的故障系数;
在故障系数大于或等于第一阈值的情况下,将故障录波图P确定为待检测故障录波图,以得到至少一张待检测故障录波图。
示例性的,故障录波图P中的电流/电压录波波形包括A相电流/电压录波波形、B相电流/电压录波波形和C相电流/电压录波波形;在基于第一像素距离和第二像素距离确定故障录波图P表征两个设备间的输电线路发生故障的故障系数方面,处理单元602具体用于:
获取二值化后的故障录波图P中A、B、C三相的电流录波波形的第一像素距离和第二像素距离大于或等于第二阈值的数量x;
获取二值化后的故障录波图P中A、B、C三相的电压录波波形的第一像素距离和第二像素距离小于或等于第三阈值的数量y;
计算二值化后的故障录波图P中A、B、C三相的电流录波波形对应的数量x与第四阈值的第一比值;
计算二值化后的故障录波图P中A、B、C三相的电压录波波形对应的数量y与第四阈值的第二比值;
将A、B、C三相中至少一相对应的第一比值和第二比值确定为故障系数。
示例性的,在对所述至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图方面,处理单元602具体用于:
获取每张待检测故障录波图对应的故障录波数据;故障录波数据中包括电流录波波形在每个时刻的相位和电压录波波形在每个时刻的相位;
对于每张待检测故障录波图中电流/电压录波波形所在的前景像素点,将前景像素点的坐标、距零基准线的像素距离、对应的时刻和时刻对应的电流/电压相位作为前景像素点对应的融合特征,以及将前景像素点以外的背景像素点的坐标和0作为背景像素点对应的特征,得到融合特征图。
示例性的,在从所述第i层的脉冲神经元中确定出第一目标脉冲神经元方面,处理单元602具体用于:
针对第i层的第j个脉冲神经元,若第j个脉冲神经元与第(i+1)层的第k个脉冲神经元之间的突触权重为0,则将第i层中除第j个脉冲神经元以外的脉冲神经元确定为第一目标脉冲神经元;第j个脉冲神经元为第i层中的任意一个脉冲神经元;第k个脉冲神经元为第(i+1)层中的任意一个脉冲神经元;
在基于第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号方面,处理单元具体用于:
计算第一目标脉冲神经元输出的脉冲信号的加权和,基于加权和在第二目标脉冲神经元内进行膜电位的累积;
在第二目标脉冲神经元内累积的膜电位大于激发阈值时,激发第二目标脉冲神经元输出脉冲信号,得到第(i+1)层的脉冲神经元输出的脉冲信号;
当i等于N-1时,得到第N层的脉冲神经元输出的脉冲信号。
示例性的,处理单元602还用于:
当户用储能拓扑处于并网工况时,获取两个设备间的输电线路无故障时A、B、C三相的电流/电压测试波形图;
当户用储能拓扑处于离网工况时,获取两个设备间的输电线路无故障时A、B、C三相的电流/电压测试波形图;
基于并网工况下A、B、C三相的电流测试波形图和离网工况下A、B、C三相的电流测试波形图,确定A、B、C三相分别对应的第二阈值;
基于并网工况下A、B、C三相的电压测试波形图和离网工况下A、B、C三相的电压测试波形图,确定A、B、C三相分别对应的第三阈值。
需要说明的是,该装置实施例中各个单元模块的实现,可对应参照图2所示的方法实施例中各个步骤的实现。
可以看出,在图6所示的装置实施例中,从户用储能拓扑中相互连接的两个设备的故障录波图序列中确定出至少一张待检测故障录波图,对于确定需要进行故障检测的待检测故障录波图,对其每个像素对应的位置进行编码,得到融合特征图,再将融合特征图中的融合特征编码为脉冲序列,将脉冲序列输入本地训练好的脉冲神经网络模型,脉冲神经网络模型相邻两层间通过确定出的目标脉冲神经元进行数据的传递,最终得到脉冲神经网络模型最后一层输出的脉冲信号,基于该脉冲信号进行故障分类得到两个设备间的输电线路的故障检测结果。相比较由人工对故障录波图进行分析的方式,有利于提升故障录波图的分析效率,进而提升了线路故障检测的效率。
请参见图7,图7为本申请实施例提供的一种电子设备的结构示意图。该电子设备包括处理器701、存储器702和通信接口703,上述处理器701、存储器702和通信接口703通过总线704相互连接。
存储器702包括但不限于是随机存储记忆体(random access memory,RAM)、只读存储器(read-only memory, ROM)、可擦除可编程只读存储器(erasable programmableread only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器702用于相关计算机程序及数据。通信接口703用于接收和发送数据。
处理器701可以是一个或多个中央处理器(central processing unit,CPU),在处理器701是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。
该电子设备中的处理器701用于读取上述存储器702中存储的计算机程序代码,执行以下操作:
以户用储能拓扑中相互连接的两个设备为单位,获取两个设备间的输电线路的故障录波图序列;
从故障录波图序列中确定出至少一张待检测故障录波图,对至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图;
对融合特征图中的融合特征进行脉冲编码,得到输入脉冲序列;
将输入脉冲序列输入脉冲神经网络模型,在脉冲神经网络模型中第i层的脉冲神经元向第(i+1)层的脉冲神经元传输脉冲信号时,从第i层的脉冲神经元中确定出第一目标脉冲神经元,基于第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号;i大于或等于1,且小于N,N为脉冲神经网络模型的总层数;第二目标脉冲神经元为第(i+1)层中与第一目标脉冲神经元连接的脉冲神经元;
基于第N层的脉冲神经元输出的脉冲信号进行故障分类,得到两个设备间的输电线路的故障检测结果。
需要说明的是,各个操作的实现还可以对应参照图2所示的方法实施例或图6所示的装置实施例的相应描述。
本申请实施例还提供了一种计算机可读存储介质(Memory),所述计算机可读存储介质是信息处理设备或信息发送设备或信息接收设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端中的内置存储介质,当然也可以包括终端所支持的扩展存储介质,或者还可以包括与芯片配套使用的存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被芯片加载并执行的一条或多条的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是随机存储记忆体(random access memory,RAM)、双倍速率同步动态随机存储器(Double Data RateSynchronous Dynamic Random Access Memory,DDR),等等,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器;可选的,还可以是至少一个位于远离前述芯片的计算机可读存储介质。在一个实施例中,可由设备加载并执行计算机可读存储介质中存放的一条或多条指令,以实现图2中所示的户用储能拓扑中的线路故障检测方法。
本申请实施例还提供了一种计算机程序产品,其中,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,该计算机程序可操作来使设备执行图2中所示的户用储能拓扑中的线路故障检测方法。该计算机程序产品可以为一个软件安装包。
请参见图8,图8为本申请实施例提供的一种户用储能系统的结构示意图。如图8所示,该户用储能系统包括电能转换装置2(光伏板)、第一用户负载3(路灯)、第二用户负载4(例如:空调等家用电器)等以及储能装置1,所述储能装置1为小型储能箱,可通过壁挂方式安装于室外墙壁。具体的,光伏板可以在电价低谷时期将太阳能转换为电能,所述储能装置1用于储存该电能并在电价高峰时供给路灯和家用电器进行使用,或者在电网断电/停电时进行供电。应理解,本申请图8实施例以用户侧储能中的家用储能场景为例进行说明,附图为一种户用储能场景中的应用图,应理解,本申请中的储能装置1并不限定于家用储能场景。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种户用储能拓扑中的线路故障检测方法,其特征在于,所述方法包括:
以所述户用储能拓扑中相互连接的两个设备为单位,获取所述两个设备间的输电线路的故障录波图序列;
从所述故障录波图序列中确定出至少一张待检测故障录波图,对所述至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图;
对所述融合特征图中的融合特征进行脉冲编码,得到输入脉冲序列;
将所述输入脉冲序列输入脉冲神经网络模型,在所述脉冲神经网络模型中第i层的脉冲神经元向第(i+1)层的脉冲神经元传输脉冲信号时,从所述第i层的脉冲神经元中确定出第一目标脉冲神经元,基于所述第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到所述脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号;i大于或等于1,且小于N,N为所述脉冲神经网络模型的总层数;所述第二目标脉冲神经元为所述第(i+1)层中与所述第一目标脉冲神经元连接的脉冲神经元;
基于所述第N层的脉冲神经元输出的脉冲信号进行故障分类,得到所述两个设备间的输电线路的故障检测结果;
所述对所述至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图,包括:
获取所述每张待检测故障录波图对应的故障录波数据;所述故障录波数据中包括电流录波波形在每个时刻的相位和电压录波波形在每个时刻的相位;
对于所述每张待检测故障录波图中电流和电压录波波形所在的前景像素点,将所述前景像素点的坐标、距零基准线的像素距离、对应的时刻和所述时刻对应的电流和电压相位作为所述前景像素点对应的融合特征,以及将所述前景像素点以外的背景像素点的坐标和0作为所述背景像素点对应的特征,得到所述融合特征图。
2.根据权利要求1所述的方法,其特征在于,所述从所述故障录波图序列中确定出至少一张待检测故障录波图,包括:
对于所述故障录波图序列中的任意一张故障录波图P,将所述故障录波图P二值化;
在二值化后的所述故障录波图P中,计算电流和电压录波波形上的每个像素点与零基准线的像素距离,得到电流和电压录波波形的波峰与零基准线的第一像素距离及波谷与零基准线的第二像素距离;
基于所述第一像素距离和所述第二像素距离确定所述故障录波图P表征所述两个设备间的输电线路发生故障的故障系数;
在所述故障系数大于或等于第一阈值的情况下,将所述故障录波图P确定为待检测故障录波图,以得到所述至少一张待检测故障录波图。
3.根据权利要求2所述的方法,其特征在于,所述故障录波图P中的电流和电压录波波形包括A相电流和电压录波波形、B相电流和电压录波波形和C相电流和电压录波波形;所述基于所述第一像素距离和所述第二像素距离确定所述故障录波图P表征所述两个设备间的输电线路发生故障的故障系数,包括:
获取二值化后的所述故障录波图P中A、B、C三相的电流录波波形的所述第一像素距离和所述第二像素距离大于或等于第二阈值的数量x;
获取二值化后的所述故障录波图P中A、B、C三相的电压录波波形的所述第一像素距离和所述第二像素距离小于或等于第三阈值的数量y;
计算二值化后的所述故障录波图P中A、B、C三相的电流录波波形对应的所述数量x与第四阈值的第一比值;
计算二值化后的所述故障录波图P中A、B、C三相的电压录波波形对应的所述数量y与第四阈值的第二比值;
将A、B、C三相中至少一相对应的所述第一比值和所述第二比值确定为所述故障系数。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述从所述第i层的脉冲神经元中确定出第一目标脉冲神经元,包括:
针对所述第i层的第j个脉冲神经元,若所述第j个脉冲神经元与第(i+1)层的第k个脉冲神经元之间的突触权重为0,则将所述第i层中除所述第j个脉冲神经元以外的脉冲神经元确定为所述第一目标脉冲神经元;所述第j个脉冲神经元为所述第i层中的任意一个脉冲神经元;所述第k个脉冲神经元为所述第(i+1)层中的任意一个脉冲神经元;
所述基于所述第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到所述脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号,包括:
计算所述第一目标脉冲神经元输出的脉冲信号的加权和,基于所述加权和在所述第二目标脉冲神经元内进行膜电位的累积;
在所述第二目标脉冲神经元内累积的膜电位大于激发阈值时,激发所述第二目标脉冲神经元输出脉冲信号,得到所述第(i+1)层的脉冲神经元输出的脉冲信号;
当i等于N-1时,得到所述第N层的脉冲神经元输出的脉冲信号。
5.根据权利要求3所述的方法,其特征在于,在获取所述两个设备间的输电线路的故障录波图序列之前,所述方法还包括:
当所述户用储能拓扑处于并网工况时,获取所述两个设备间的输电线路无故障时A、B、C三相的电流和电压测试波形图;
当所述户用储能拓扑处于离网工况时,获取所述两个设备间的输电线路无故障时A、B、C三相的电流和电压测试波形图;
基于并网工况下A、B、C三相的电流测试波形图和离网工况下A、B、C三相的电流测试波形图,确定A、B、C三相分别对应的所述第二阈值;
基于并网工况下A、B、C三相的电压测试波形图和离网工况下A、B、C三相的电压测试波形图,确定A、B、C三相分别对应的所述第三阈值。
6.一种户用储能拓扑中的线路故障检测装置,其特征在于,所述装置包括获取单元和处理单元;
所述获取单元,用于以所述户用储能拓扑中相互连接的两个设备为单位,获取所述两个设备间的输电线路的故障录波图序列;
所述处理单元,用于从所述故障录波图序列中确定出至少一张待检测故障录波图,对所述至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图;
对所述融合特征图中的融合特征进行脉冲编码,得到输入脉冲序列;
将所述输入脉冲序列输入脉冲神经网络模型,在所述脉冲神经网络模型中第i层的脉冲神经元向第(i+1)层的脉冲神经元传输脉冲信号时,从所述第i层的脉冲神经元中确定出第一目标脉冲神经元,基于所述第一目标脉冲神经元输出的脉冲信号在第二目标脉冲神经元内进行膜电位的累积,以得到所述脉冲神经网络模型中第N层的脉冲神经元输出的脉冲信号;i大于或等于1,且小于N,N为所述脉冲神经网络模型的总层数;所述第二目标脉冲神经元为所述第(i+1)层中与所述第一目标脉冲神经元连接的脉冲神经元;
基于所述第N层的脉冲神经元输出的脉冲信号进行故障分类,得到所述两个设备间的输电线路的故障检测结果;
在对所述至少一张待检测故障录波图进行编码,得到每张待检测故障录波图对应的融合特征图方面,所述处理单元具体用于:
获取所述每张待检测故障录波图对应的故障录波数据;所述故障录波数据中包括电流录波波形在每个时刻的相位和电压录波波形在每个时刻的相位;
对于所述每张待检测故障录波图中电流和电压录波波形所在的前景像素点,将所述前景像素点的坐标、距零基准线的像素距离、对应的时刻和所述时刻对应的电流和电压相位作为所述前景像素点对应的融合特征,以及将所述前景像素点以外的背景像素点的坐标和0作为所述背景像素点对应的特征,得到所述融合特征图。
7.根据权利要求6所述的装置,其特征在于,在从所述故障录波图序列中确定出至少一张待检测故障录波图方面,所述处理单元具体用于:
对于所述故障录波图序列中的任意一张故障录波图P,将所述故障录波图P二值化;
在二值化后的所述故障录波图P中,计算电流和电压录波波形上的每个像素点与零基准线的像素距离,得到电流和电压录波波形的波峰与零基准线的第一像素距离及波谷与零基准线的第二像素距离;
基于所述第一像素距离和所述第二像素距离确定所述故障录波图P表征所述两个设备间的输电线路发生故障的故障系数;
在所述故障系数大于或等于第一阈值的情况下,将所述故障录波图P确定为待检测故障录波图,以得到所述至少一张待检测故障录波图。
8.一种电子设备,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如权利要求1-5中任一项所述的方法中的步骤。
9.一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用于设备执行的计算机程序,所述计算机程序被执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311475435.7A CN117233536B (zh) | 2023-11-08 | 2023-11-08 | 户用储能拓扑中的线路故障检测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311475435.7A CN117233536B (zh) | 2023-11-08 | 2023-11-08 | 户用储能拓扑中的线路故障检测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117233536A CN117233536A (zh) | 2023-12-15 |
CN117233536B true CN117233536B (zh) | 2024-01-26 |
Family
ID=89095072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311475435.7A Active CN117233536B (zh) | 2023-11-08 | 2023-11-08 | 户用储能拓扑中的线路故障检测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233536B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU739298B2 (en) * | 1997-06-02 | 2001-10-11 | Tempo Research Corporation | Apparatus for acquiring waveform data from a metallic transmission cable |
AU2020101683A4 (en) * | 2020-08-05 | 2020-09-10 | Abu-Siada, Ahmed ASSOC PROF | Fault detection, location, and prediction within an electricity power transmission and distribution networks |
CN111751664A (zh) * | 2020-06-29 | 2020-10-09 | 深圳供电局有限公司 | 基于电网录波图判断保护内正反方向接地故障方法及系统 |
CN112462195A (zh) * | 2020-11-10 | 2021-03-09 | 深圳供电局有限公司 | 一种基于故障特征值的小电流故障定位方法 |
CN113644741A (zh) * | 2021-08-06 | 2021-11-12 | 广西电网有限责任公司 | 一种基于边缘计算的海量故障录波数据处理方法 |
CN114553671A (zh) * | 2022-02-28 | 2022-05-27 | 国家电网有限公司 | 一种电力通信网故障告警的诊断方法 |
CN115270881A (zh) * | 2022-08-01 | 2022-11-01 | 国网宁夏电力有限公司固原供电公司 | 一种基于多模态信息融合知识图谱的线路故障识别方法 |
CN116256593A (zh) * | 2022-12-30 | 2023-06-13 | 昆明理工大学 | 一种基于波形图灵敏角检测的线路故障单端行波识别与波头标定方法 |
CN116401605A (zh) * | 2023-03-24 | 2023-07-07 | 国网黑龙江省电力有限公司双鸭山供电公司 | 电力故障波形的判定系统及方法 |
CN116679161A (zh) * | 2023-05-25 | 2023-09-01 | 国网江苏省电力有限公司南京供电分公司 | 一种电网线路故障诊断方法、设备和介质 |
-
2023
- 2023-11-08 CN CN202311475435.7A patent/CN117233536B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU739298B2 (en) * | 1997-06-02 | 2001-10-11 | Tempo Research Corporation | Apparatus for acquiring waveform data from a metallic transmission cable |
CN111751664A (zh) * | 2020-06-29 | 2020-10-09 | 深圳供电局有限公司 | 基于电网录波图判断保护内正反方向接地故障方法及系统 |
AU2020101683A4 (en) * | 2020-08-05 | 2020-09-10 | Abu-Siada, Ahmed ASSOC PROF | Fault detection, location, and prediction within an electricity power transmission and distribution networks |
CN112462195A (zh) * | 2020-11-10 | 2021-03-09 | 深圳供电局有限公司 | 一种基于故障特征值的小电流故障定位方法 |
CN113644741A (zh) * | 2021-08-06 | 2021-11-12 | 广西电网有限责任公司 | 一种基于边缘计算的海量故障录波数据处理方法 |
CN114553671A (zh) * | 2022-02-28 | 2022-05-27 | 国家电网有限公司 | 一种电力通信网故障告警的诊断方法 |
CN115270881A (zh) * | 2022-08-01 | 2022-11-01 | 国网宁夏电力有限公司固原供电公司 | 一种基于多模态信息融合知识图谱的线路故障识别方法 |
CN116256593A (zh) * | 2022-12-30 | 2023-06-13 | 昆明理工大学 | 一种基于波形图灵敏角检测的线路故障单端行波识别与波头标定方法 |
CN116401605A (zh) * | 2023-03-24 | 2023-07-07 | 国网黑龙江省电力有限公司双鸭山供电公司 | 电力故障波形的判定系统及方法 |
CN116679161A (zh) * | 2023-05-25 | 2023-09-01 | 国网江苏省电力有限公司南京供电分公司 | 一种电网线路故障诊断方法、设备和介质 |
Non-Patent Citations (3)
Title |
---|
Novel Traveling Wave Location Algorithm for Transmission Network Based on Information Fusion Technology;Feng Deng et al.;《Conference Proceedings: 2008 International Conference on Intelligent Computation Technology and Automation (ICICTA)》;第1091-1095页 * |
基于多Agent的分层扩展电网故障信息融合处理系统;林霞 等;《电力系统保护与控制》;第44卷(第21期);第129-137页 * |
基于实时站内图映射的故障准确辨识方;李乃永 等;《电力系统保护与控制》;第43卷(第08期);第58-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117233536A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102508055B (zh) | 一种风能发电并网系统检测装置及方法 | |
US20120228941A1 (en) | Electric power supply system, master control device, system stabilization system, control method for the master control device and control program for the master control device | |
CN104111388A (zh) | 一种风电场储能测试系统及评估方法 | |
CN104682436B (zh) | 一种具有可平抑功率波动的储能系统的微电网 | |
CN109884434B (zh) | 用于电池储能电站系统的联调试验方法、系统及介质 | |
CN104505907B (zh) | 一种具有无功调节功能的电池储能系统的监控装置 | |
CN104659800A (zh) | 一种基于功率预测的电池储能电站的监控装置 | |
CN104538981B (zh) | 一种具有无功调节功能的电池储能系统的监控方法 | |
CN117233536B (zh) | 户用储能拓扑中的线路故障检测方法及相关设备 | |
Feng et al. | A non-invasive on-line condition monitoring and health prognosis system for a remote islanded micro-grid | |
CN107979324A (zh) | 太阳能充电系统及其控制方法 | |
CN112039062B (zh) | 一种基于熵权法的最优储能方式确定方法 | |
CN104485679B (zh) | 适用于配网的风储一体化的自平衡控制方法及系统 | |
CN206490441U (zh) | 一种逆变节能控制装置及控制系统 | |
Cvetkovic et al. | Future home DC-based renewable energy nanoGrid system | |
CN205657428U (zh) | 一种海岛型风光互补直流微网结构 | |
CN111181248A (zh) | 新能源智能供电系统 | |
CN220544978U (zh) | 光伏测试系统 | |
CN106610471B (zh) | 一种考虑海缆影响的海上风电机组故障穿越测试方法 | |
CN113962608B (zh) | 一种分布式电源接入配电网络评价系统及评价方法 | |
CN117639107B (zh) | 配电网电能质量评估方法及系统 | |
CN111931357B (zh) | 波浪能独立发电系统容量规划方法 | |
CN116073440A (zh) | 设置储能电缆的并网逆变器的控制装置、方法及设备 | |
Chang et al. | Feature Extraction of Internal Fault Types for the Solar PV System using the Novel NIFM Techniques | |
CN118199165A (zh) | 电力系统、逆变器及电力系统的控制方法 |
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 |