CN117269644A - 电流互感器的线路故障监测系统及其方法 - Google Patents
电流互感器的线路故障监测系统及其方法 Download PDFInfo
- Publication number
- CN117269644A CN117269644A CN202311206358.5A CN202311206358A CN117269644A CN 117269644 A CN117269644 A CN 117269644A CN 202311206358 A CN202311206358 A CN 202311206358A CN 117269644 A CN117269644 A CN 117269644A
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic
- map
- current
- convolution
- 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
- 238000012544 monitoring process Methods 0.000 title claims description 49
- 238000000034 method Methods 0.000 title claims description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 239000003638 chemical reducing agent Substances 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 100
- 238000013527 convolutional neural network Methods 0.000 claims description 52
- 238000010586 diagram Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 11
- 238000012098 association analyses Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003252 repetitive 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Protection Of Transformers (AREA)
Abstract
本申请涉及电流互感器智能监测领域,其具体地公开了一种电流互感器的线路故障监测系统及其方法,其分别通过电流传感器、温度传感器和振动传感器采集多个预定时间点的待监测电流互感器的电流值、温度值和振动信号,接着,通过作为降噪器的第一卷积神经网络对所述振动信号进行降噪以及通过作为特征提取器的第二卷积神经网络采集降噪后振动信号的高维隐含特征分布信息,同时,将通过包含一维卷积层和全连接层的时序编码器提取到的所述电流值和所述温度值的特征信息经关联而得到的电流‑温度关联特征矩阵通过第三卷积神经网络以得到关联特征图,最后将关联特征图和振动频率特征图进行特征融合及分析,以此来判断待监测电流互感器的线路是否发生故障。
Description
技术领域
本申请涉及电流互感器智能监测领域,且更为具体地,涉及一种电流互感器的线路故障监测系统及其方法。
背景技术
电流互感器的作用是将大的电流通过比例转换成小的电流,可用于保护、测量等用途,它们广泛应用于电力系统中,用于测量和监测高电流的数值,以及提供给保护装置进行故障检测和保护动作。
但是,如果电流互感器自身出现故障或损坏,可能会导致电流测量不准确,进而影响电力系统的正常运行。因此对电流互感器进行故障监测是很有必要的。传统的电流互感器监测系统通常需要人工巡检来检测线路故障,这种方法耗时费力且容易出错,而且无法做到实施监测。
因此,期望一种电流互感器的线路故障监测系统及其方法,以基于其自身的电流、温度和振动情况来判断其线路是否发生故障,进而及时做出处理。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种电流互感器的线路故障监测系统及其方法,其分别通过电流传感器、温度传感器和振动传感器采集多个预定时间点的待监测电流互感器的电流值、温度值和振动信号,接着,通过作为降噪器的第一卷积神经网络对所述振动信号进行降噪以及通过作为特征提取器的第二卷积神经网络采集降噪后振动信号的高维隐含特征分布信息,同时,将通过包含一维卷积层和全连接层的时序编码器提取到的所述电流值和所述温度值的特征信息经关联而得到的电流-温度关联特征矩阵通过第三卷积神经网络以得到关联特征图,最后将关联特征图和振动频率特征图进行特征融合及分析,以此来判断待监测电流互感器的线路是否发生故障。
根据本申请的第一方面,提供了一种电流互感器的线路故障监测系统,其包括:
测量值获取单元,用于分别通过电流传感器、温度传感器和振动传感器采集多个预定时间点的待监测电流互感器的电流值、温度值和振动信号;
降噪单元,用于将所述振动信号通过作为降噪器的第一卷积神经网络以得到降噪后振动信号;
卷积编码单元,用于将所述降噪后振动信号通过作为特征提取器的第二卷积神经网络以得到振动频率特征图;
时序编码单元,用于将所述电流值和所述温度值通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量;
特征关联单元,用于将所述第一特征向量和所述第二特征向量进行特征关联以得到电流-温度关联特征矩阵;
特征提取单元,用于将所述电流-温度关联特征矩阵通过第三卷积神经网络以得到关联特征图;
特征融合单元,用于将所述关联特征图和所述振动频率特征图进行融合以得到分类特征图;
特征优化单元,用于对所述分类特征图进行特征空间的单应密度域关联分析以得到优化分类特征图;
结果生成单元,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待监测电流互感器的线路是否发生故障。
结合本申请的第一方面,在本申请的第一方面的一种电流互感器的线路故障监测系统中,所述卷积编码单元,用于:使用作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行:基于卷积核对所述输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图;以及对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图;其中,所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述振动频率特征图,所述作为特征提取器的第二卷积神经网络的第二层至最后一层的输入为上一层的输出,所述作为特征提取器的第二卷积神经网络的输入为所述降噪后振动信号。
根据本申请的第二方面,提供了一种电流互感器的线路故障监测方法,其包括:
分别通过电流传感器、温度传感器和振动传感器采集多个预定时间点的待监测电流互感器的电流值、温度值和振动信号;
将所述振动信号通过作为降噪器的第一卷积神经网络以得到降噪后振动信号;
将所述降噪后振动信号通过作为特征提取器的第二卷积神经网络以得到振动频率特征图;
将所述电流值和所述温度值通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量;
将所述第一特征向量和所述第二特征向量进行特征关联以得到电流-温度关联特征矩阵;
将所述电流-温度关联特征矩阵通过第三卷积神经网络以得到关联特征图;
将所述关联特征图和所述振动频率特征图进行融合以得到分类特征图;
对所述分类特征图进行特征空间的单应密度域关联分析以得到优化分类特征图;
将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待监测电流互感器的线路是否发生故障。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电流互感器的线路故障监测方法。
与现有技术相比,本申请提供的一种电流互感器的线路故障监测系统及其方法,其分别通过电流传感器、温度传感器和振动传感器采集多个预定时间点的待监测电流互感器的电流值、温度值和振动信号,接着,通过作为降噪器的第一卷积神经网络对所述振动信号进行降噪以及通过作为特征提取器的第二卷积神经网络采集降噪后振动信号的高维隐含特征分布信息,同时,将通过包含一维卷积层和全连接层的时序编码器提取到的所述电流值和所述温度值的特征信息经关联而得到的电流-温度关联特征矩阵通过第三卷积神经网络以得到关联特征图,最后将关联特征图和振动频率特征图进行特征融合及分析,以此来判断待监测电流互感器的线路是否发生故障。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的电流互感器的线路故障监测系统的示意性框图。
图2图示了根据本申请实施例的电流互感器的线路故障监测方法的流程图。
图3图示了根据本申请实施例的电流互感器的线路故障监测方法的系统架构的示意图。
图4图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
电流互感器的作用是将大的电流通过比例转换成小的电流,可用于保护、测量等用途,它们广泛应用于电力系统中,用于测量和监测高电流的数值,以及提供给保护装置进行故障检测和保护动作。
但是,如果电流互感器自身出现故障或损坏,可能会导致电流测量不准确,进而影响电力系统的正常运行。因此对电流互感器进行故障监测是很有必要的。传统的电流互感器监测系统通常需要人工巡检来检测线路故障,这种方法耗时费力且容易出错,而且无法做到实施监测。
因此,期望一种电流互感器的线路故障监测系统及其方法,以基于其自身的电流、温度和振动情况来判断其线路是否发生故障,进而及时做出处理。
相应地,在本申请的技术方案中,考虑到影响电流互感器的线路故障的主要因素是其本身的电流、温度等,而且这些影响因素通过传统的人为获取是很难做到实时监测的,甚至会出现检测不准确现象。因此,可以分别使用电流传感器、温度传感器对其特征进行采集。具体地,在本申请的技术方案中,通过电流传感器和温度传感器分别获取多个预定时间点的电流互感器的电流值和多个预定时间点的电流互感器的温度值。
进一步地,考虑到电流互感器的线路故障现象还可以通过其振动频率图来清晰的表现出来,因此,可以使用振动传感器对其振动特征进行采集。具体地,在本申请的技术方案中,通过振动传感器获取多个预定时间点的电流互感器的振动信号。
在采集到上述数据之后,如何将其进行分析以得到分类结果是关键。考虑到电流互感器在工作过程中会产生一定的噪音,为了捕捉到所述待监测电流互感器的更为准确的振动特征,首先要做的就是对所述振动信号进行降噪处理。然而,振动信号通常具有复杂的时域和频域特征,传统的降噪方法通常需要手动设计特征提取器,这可能会受到人为主观因素的影响。但是,卷积神经网络可以通过训练过程中自动学习适合降噪任务的特征表示,无需手动设计特征提取器。因此,可以通过卷积神经网络对所述振动信号进行降噪处理。具体地,将所述振动信号通过作为降噪器的第一卷积神经网络以得到降噪后振动信号。
进一步地,考虑到所述降噪后振动信号通常具有时间序列的特点,而卷积神经网络在对其进行处理时可以利用卷积层的滤波器来提取其局部特征。因此,为了捕捉所述降噪后振动信号的高维隐含局部变化特征,通过作为特征提取器的第二卷积神经网络对所述降噪后振动信号进行特征提取以得到振动频率特征图。
另外,考虑到所述多个预定时间点的电流互感器的电流值和所述多个预定时间点的电流互感器的温度值的特征变化是在时序维度上的特征变化,也就是,所采集的所述多个预定时间点的电流互感器的电流值和所述多个预定时间点的电流互感器的温度值是时序数据,而一维卷积层能够有效地捕捉所述时序数据中的局部特征且其在卷积操作中只关注局部区域的特征,这使得它能够更好地捕捉时序数据中的局部模式,全连接层能够将一维卷积层提取的特征进行整合和组合,通过全连接层,可以将所述时序数据中的不同特征之间的关系进行学习和建模。因此,在本申请的技术方案中,可以使用包含一维卷积层和全连接层的时序编码器分别对所述多个预定时间点的电流互感器的电流值和所述多个预定时间点的电流互感器的温度值进行编码,以此来获取所述电流互感器的电流值和所述电流互感器的温度值在时序维度上的高维变化特征。
接着,考虑到电流互感器在工作过程中,其电流和温度之间存在着一定的关联,比如,电流互感器的线圈通常由导线制成,而导线的电阻会随温度的变化而变化,如果线圈电阻随温度变化较大,那么电流互感器的输出电流可能会受到温度的影响。因此,为了更好的获取待监测电流互感器的电流和温度之间的特征关联,通过机器学习中的关联技术对所述待监测电流互感器的电流和温度进行特征关联提取及分析。具体地,通过计算所述第一特征向量和所述第二特征向量的转置向量来获取二者的关联特征以得到电流-温度关联特征矩阵。
由于待监测电流互感器的工作环境也会对其性能产生影响。例如,湿度、腐蚀性气体、灰尘和污染物等环境因素可能会导致电流互感器的绝缘性能下降、接触不良或腐蚀,因此,其存在的许多隐含的关系和模式难以被察觉。基于此,可以通过卷积神经网络以获取所述电流-温度关联特征矩阵的高维局部隐含关系特征。具体地,通过第三卷积神经网络对所述电流-温度关联特征矩阵进行编码以提取其高维局部隐含关系特征,从而得到关联特征图。
然后,融合所述关联特征图和所述振动频率特征图就可以对待监测电流互感器的线路是否故障进行监测了。具体地,使用机器学习中的融合技术对所述关联特征图和所述振动频率特征图进行融合以得到分类特征图。
特别地,在本申请的技术方案中,考虑到所述分类特征图本质上是其通道维度所表征的各个局部特征的集合,也就是,一方面所述分类特征图作为特征集合整体来参与后续的分类判断,另一方面如果能够利用所述分类特征图中各个局部特征之间的特征分布关联,则可以进一步利用所述分类特征图所隐含的特征分布信息来优化所述分类特征图的特征表达。
具体地,对所述分类特征图进行特征空间的单应密度域关联分析以得到优化分类特征图,包括:计算所述分类特征图的沿通道维度的各个特征矩阵的按位置均值以得到特征自分布聚类中心矩阵;计算所述分类特征图的沿通道维度的各个特征矩阵与所述特征自分布聚类中心矩阵之间的余弦相似度以得到多个特征密度域特征值;将所述多个特征密度域特征值排列为输入向量后通过Softmax激活函数以得到单应密度域权重特征向量;以所述单应密度域权重特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
这里,在本申请的技术方案中,计算所述分类特征图的沿通道维度的各个特征矩阵的按位置均值以得到特征自分布聚类中心矩阵,也就是,沿着所述分类特征图的通道维度,对所述分类特征图进行自聚类分析以得到特征自分布聚类中心矩阵,所述特征自分布聚类中心矩阵从特征流形的角度来看,可以视为所述分类特征图的自聚类中心。接着,以所述特征自分布聚类中心矩阵作为枢轴并通过度量所述分类特征图的各个特征子集与所述枢轴之间的类内一致性来重新权衡所述分类特征图的各个局部特征对于最终分类判断的贡献度,这样,可以在不降低数据维度的情况下,找出数据中的内在结构和关系,也就是,保留数据的原始信息和特征,避免因为维度降低而导致的信息损失和失真。
最后,将所述优化分类特征图通过分类器进行分类处理以得到用于表示待监测电流互感器的线路是否发生故障的分类结果。也就是,在本申请的技术方案中,所述分类器的分类标签包括所述待检测电流互感器的线路发生故障,以及,所述待检测电流传感器的线路没有发生故障。基于此就能够对待检测电流互感器的线路进故障检测,以此来保证电流互感器的正常工作。
示例性系统
图1图示了根据本申请实施例的电流互感器的线路故障监测系统的示意性框图。如图1所示,根据本申请实施例的所述电流互感器的线路故障监测系统100,包括:测量值获取单元110,用于分别通过电流传感器、温度传感器和振动传感器采集多个预定时间点的待检测电流互感器的电流值、温度值和振动信号;降噪单元120,用于将所述振动信号通过作为降噪器的第一卷积神经网络以得到降噪后振动信号;卷积编码单元130,用于将所述降噪后振动信号通过作为特征提取器的第二卷积神经网络以得到振动频率特征图;时序编码单元140,用于将所述电流值和所述温度值通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量;特征关联单元150,用于将所述第一特征向量和所述第二特征向量进行特征关联以得到电流-温度关联特征矩阵;特征提取单元160,用于将所述电流-温度关联特征矩阵通过第三卷积神经网络以得到关联特征图;特征融合单元170,用于将所述关联特征图和所述振动频率特征图进行融合以得到分类特征图;特征优化单元180,用于对所述分类特征图进行特征空间的单应密度域关联分析以得到优化分类特征图;结果生成单元190,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待监测电流互感器的线路是否发生故障。
在本申请实施例中,所述测量值获取单元110,用于分别通过电流传感器、温度传感器和振动传感器采集多个预定时间点的待监测电流互感器的电流值、温度值和振动信号。考虑到影响电流互感器的线路故障的主要因素是其本身的电流、温度等,而且这些影响因素通过传统的人为获取是很难做到实时监测的,甚至会出现检测不准确现象。因此,可以分别使用电流传感器、温度传感器对其特征进行采集。具体地,在本申请的技术方案中,通过电流传感器和温度传感器分别获取多个预定时间点的电流互感器的电流值和多个预定时间点的电流互感器的温度值。进一步地,考虑到电流互感器的线路故障现象还可以通过其振动频率图来清晰的表现出来,因此,可以使用振动传感器对其振动特征进行采集。具体地,在本申请的技术方案中,通过振动传感器获取多个预定时间点的电流互感器的振动信号。
在本申请实施例中,所述降噪单元120,用于将所述振动信号通过作为降噪器的第一卷积神经网络以得到降噪后振动信号。应可以理解,电流互感器在工作过程中会产生一定的噪音,为了捕捉到所述待监测电流互感器的更为准确的振动特征,首先要做的就是对所述振动信号进行降噪处理。然而,振动信号通常具有复杂的时域和频域特征,传统的降噪方法通常需要手动设计特征提取器,这可能会受到人为主观因素的影响,然而,卷积神经网络可以通过训练过程中自动学习适合降噪任务的特征表示,无需手动设计特征提取器。因此,可以通过卷积神经网络对所述振动信号进行降噪处理。具体地,将所述振动信号通过作为降噪器的第一卷积神经网络以得到降噪后振动信号。
在本申请实施例中,所述卷积编码单元130,用于将所述降噪后振动信号通过作为特征提取器的第二卷积神经网络以得到振动频率特征图。考虑到所述降噪后振动信号通常具有时间序列的特点,而卷积神经网络在对其进行处理时可以利用卷积层的滤波器来提取其局部特征。因此,为了捕捉所述降噪后振动信号的高维隐含局部变化特征,通过作为特征提取器的第二卷积神经网络对所述降噪后振动信号进行特征提取以得到振动频率特征图。
在本申请一个具体的实施例中,所述卷积编码单元130,用于:使用作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行:基于卷积核对所述输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图;以及对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图;其中,所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述振动频率特征图,所述作为特征提取器的第二卷积神经网络的第二层至最后一层的输入为上一层的输出,所述作为特征提取器的第二卷积神经网络的输入为所述降噪后振动信号。
在本申请实施例中,所述时序编码单元140,用于将所述电流值和所述温度值通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量。考虑到所述多个预定时间点的电流互感器的电流值和所述多个预定时间点的电流互感器的温度值的特征变化是在时序维度上的特征变化,也就是,所采集的所述多个预定时间点的电流互感器的电流值和所述多个预定时间点的电流互感器的温度值是时序数据,而一维卷积层能够有效地捕捉所述时序数据中的局部特征且其在卷积操作中只关注局部区域的特征,这使得它能够更好地捕捉时序数据中的局部模式,全连接层能够将一维卷积层提取的特征进行整合和组合,通过全连接层,可以将所述时序数据中的不同特征之间的关系进行学习和建模。因此,在本申请的技术方案中,可以使用包含一维卷积层和全连接层的时序编码器分别对所述多个预定时间点的电流互感器的电流值和所述多个预定时间点的电流互感器的温度值进行编码,以此来获取所述电流互感器的电流值和所述电流互感器的温度值在时序维度上的高维变化特征。具体地,将所述电流值和所述温度值通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量。
在本申请实施例中,所述特征关联单元150,用于将所述第一特征向量和所述第二特征向量进行特征关联以得到电流-温度关联特征矩阵。考虑到电流互感器在工作过程中,其电流和温度之间存在着一定的关联,比如,电流互感器的线圈通常由导线制成,而导线的电阻会随温度的变化而变化,如果线圈电阻随温度变化较大,那么电流互感器的输出电流可能会受到温度的影响。因此,为了更好的获取待监测电流互感器的电流和温度之间的特征关联,通过机器学习中的关联技术对所述待监测电流互感器的电流和温度进行特征关联提取及分析。具体地,通过计算所述第一特征向量和所述第二特征向量的转置向量来获取二者的关联特征以得到电流-温度关联特征矩阵。
在本申请实施例中,所述特征提取单元160,用于将所述电流-温度关联特征矩阵通过第三卷积神经网络以得到关联特征图。应可以理解,待监测电流互感器的工作环境也会对其性能产生影响。例如,湿度、腐蚀性气体、灰尘和污染物等环境因素可能会导致电流互感器的绝缘性能下降、接触不良或腐蚀,因此,其存在的许多隐含的关系和模式难以被察觉。基于此,可以通过卷积神经网络以获取所述电流-温度关联特征矩阵的高维局部隐含关系特征。具体地,通过第三卷积神经网络对所述电流-温度关联特征矩阵进行编码以提取其高维局部隐含关系特征,从而得到关联特征图。
在本申请实施例中,所述特征融合单元170,用于将所述关联特征图和所述振动频率特征图进行融合以得到分类特征图。
在本申请一个具体的实施例中,所述特征图融合单元170,用于:使用如下融合公式来融合所述关联特征图和所述振动频率特征图以获得所述分类特征图,其中,所述融合公式为:
F1=αFs+βFd
其中,F1为所述分类特征图,Fs为所述关联特征图,Fd为所述振动频率特征图,“+”表示所述关联特征图和所述振动频率特征图相对应位置处的元素相加,α和β为用于控制所述分类特征图中所述关联特征图和所述振动频率特征图之间的平衡的加权参数。
在本申请实施例中,所述特征优化单元180,用于对所述分类特征图进行特征空间的单应密度域关联分析以得到优化分类特征图。特别地,在本申请的技术方案中,考虑到所述分类特征图本质上是其通道维度所表征的各个局部特征的集合,也就是,一方面所述分类特征图作为特征集合整体来参与后续的分类判断,另一方面如果能够利用所述分类特征图中各个局部特征之间的特征分布关联,则可以进一步利用所述分类特征图所隐含的特征分布信息来优化所述分类特征图的特征表达。
具体地,对所述分类特征图进行特征空间的单应密度域关联分析以得到优化分类特征图,包括:计算所述分类特征图的沿通道维度的各个特征矩阵的按位置均值以得到特征自分布聚类中心矩阵;计算所述分类特征图的沿通道维度的各个特征矩阵与所述特征自分布聚类中心矩阵之间的余弦相似度以得到多个特征密度域特征值;将所述多个特征密度域特征值排列为输入向量后通过Softmax激活函数以得到单应密度域权重特征向量;以所述单应密度域权重特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
这里,在本申请的技术方案中,计算所述分类特征图的沿通道维度的各个特征矩阵的按位置均值以得到特征自分布聚类中心矩阵,也就是,沿着所述分类特征图的通道维度,对所述分类特征图进行自聚类分析以得到特征自分布聚类中心矩阵,所述特征自分布聚类中心矩阵从特征流形的角度来看,可以视为所述分类特征图的自聚类中心。接着,以所述特征自分布聚类中心矩阵作为枢轴并通过度量所述分类特征图的各个特征子集与所述枢轴之间的类内一致性来重新权衡所述分类特征图的各个局部特征对于最终分类判断的贡献度,这样,可以在不降低数据维度的情况下,找出数据中的内在结构和关系,也就是,保留数据的原始信息和特征,避免因为维度降低而导致的信息损失和失真。
在本申请实施例中,所述结果生成单元190,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待监测电流互感器的线路是否发生故障。
在本申请一个具体的实施例中,所述结果生成单元190,用于:使用所述分类器以如下结果生成公式对所述优化分类特征图进行处理以得到所述分类结果;
其中,所述结果生成公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(F1)}
其中Project(F1)表示将所述优化分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵,softmax表示归一化指数函数,O表示所述分类结果。
综上,基于本申请实施例的所述电流互感器的线路故障监测系统,其分别通过电流传感器、温度传感器和振动传感器采集多个预定时间点的待监测电流互感器的电流值、温度值和振动信号,接着,通过作为降噪器的第一卷积神经网络对所述振动信号进行降噪以及通过作为特征提取器的第二卷积神经网络采集降噪后振动信号的高维隐含特征分布信息,同时,将通过包含一维卷积层和全连接层的时序编码器提取到的所述电流值和所述温度值的特征信息经关联而得到的电流-温度关联特征矩阵通过第三卷积神经网络以得到关联特征图,最后将关联特征图和振动频率特征图进行特征融合及分析,以此来判断待监测电流互感器的线路是否发生故障。
如上所述,根据本申请实施例的所述电流互感器的线路故障监测系统100可以实现在各种终端设备中,例如部署有电流互感器的线路故障监测算法的服务器等。在一个示例中,根据电流互感器的线路故障监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该电流互感器的线路故障监测系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该电流互感器的线路故障监测系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,电流互感器的线路故障监测系统100与该终端设备也可以是分立的设备,并且电流互感器的线路故障监测系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图2图示了根据本申请实施例的电流互感器的线路故障监测方法的流程图。如图2所示,根据本申请实施例的电流互感器的线路故障监测方法,包括:S110,分别通过电流传感器、温度传感器和振动传感器采集多个预定时间点的待监测电流互感器的电流值、温度值和振动信号;S120,将所述振动信号通过作为降噪器的第一卷积神经网络以得到降噪后振动信号;S130,将所述降噪后振动信号通过作为特征提取器的第二卷积神经网络以得到振动频率特征图;S140,将所述电流值和所述温度值通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量;S150,将所述第一特征向量和所述第二特征向量进行特征关联以得到电流-温度关联特征矩阵;S160,将所述电流-温度关联特征矩阵通过第三卷积神经网络以得到关联特征图;S170,将所述关联特征图和所述振动频率特征图进行融合以得到分类特征图;S180,对所述分类特征图进行特征空间的单应密度域关联分析以得到优化分类特征图;S190,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待监测电流互感器的线路是否发生故障。
图3图示了根据本申请实施例的电流互感器的线路故障监测方法的系统架构的示意图。如图3所示,首先,通过电流传感器、温度传感器和振动传感器分别采集多个预定时间点的待监测电流互感器的电流值、温度值和振动信号。其次,通过使用作为降噪器的第一卷积神经网络对所述振动信号进行降噪处理,并通过作为特征提取器的第二卷积神经网络对降噪后振动信号进行高位隐含分布特征的提取以得到所述振动频率特征图。另外,在获取由电流传感器采集的所述多个预定时间点的待监测电流互感器的电流值以及由温度传感器采集的所述多个预定时间点的待监测电流互感器的温度值之后,使用包含一维卷积层和全连接层的时序编码器分别对所述多个预定时间点的待监测电流互感器的电流值和所述多个预定时间点的待监测电流互感器的温度值进行全连接编码和一维卷积编码以分别提取出所述待监测电流互感器的电流和温度在时序维度上的高维隐含变化特征。接着,考虑到二者之间存在一定的关联,因此将二者进行特征关联,并通过第三卷积神经网络对所述电流-温度关联特征矩阵进行编码来捕捉到电流和温度的高维隐含变化特征以得到关联特征图。然后,将所述振动频率特征图和所述关联特征图进行特征融合以得到分类特征图并对其进行特征空间的单应密度域关联分析以得到优化分类特征图,最后将所述优化分类特征图通过分类器以得到用于表示待监测电流互感器的线路是否发生故障的分类结果。
在本申请一个具体的实施例中,将所述降噪后振动信号通过作为特征提取器的第二卷积神经网络以得到振动频率特征图,用于:使用作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行:
基于卷积核对所述输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图;以及
对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图;
其中,所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述振动频率特征图,所述作为特征提取器的第二卷积神经网络的第二层至最后一层的输入为上一层的输出,所述作为特征提取器的第二卷积神经网络的输入为所述降噪后振动信号。
在本申请一个具体的实施例中,将所述电流值和所述温度值通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量,包括:
输入向量子单元,将多个预定时间点的电流值和多个预定时间点的温度值分别排列为第一输入向量和第二输入向量;
全连接编码子单元,使用时序编码器的全连接层以如下全连接公式分别对所述第一输入向量和所述第二输入向量进行全连接编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值的高维隐含特征,其中,所述全连接公式为:其中X是所述第一输入向量和所述第二输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,/>表示矩阵乘法;以及
关联特征子单元,使用所述时序编码器的一维卷积层以如下一维卷积公式分别对所述第一输入向量和所述第二输入向量进行一维卷积编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述一维卷积公式为:
其中,a为第一卷积核在X方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述第一输入向量和所述第二输入向量,Cov(X)表示对所述第一输入向量和所述第二输入向量进行一维卷积编码。
在本申请一个具体的实施例中,将所述第一特征向量和所述第二特征向量进行特征关联以得到电流-温度关联特征矩阵,用于:使用如下特征关联公式对所述第一特征向量与所述第二特征向量的转置向量进行联合编码以生成所述电流-温度关联特征矩阵;
其中,所述特征关联公式为:
其中表示向量相乘,M表示所述电流-温度关联特征矩阵,V1表示所述第一特征向量,V2表示所述第二特征向量,/>表示所述第二特征向量的转置。
在本申请一个具体的实施例中,将所述电流-温度关联特征矩通过第三卷积神经网络以得到关联特征图,用于:使用所述第三卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:
使用所述第三卷积神经网络模型的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;
使用所述卷积神经网络模型的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;以及
使用所述卷积神经网络模型的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;
其中,所述第三卷积神经网络模型的最后一层的输出为所述关联特征图。
这里,本领域技术人员可以理解,上述电流互感器的线路故障监测方法中的各个步骤的具体功能和操作已经在上面参考图1的电流互感器的线路故障监测系统的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图4来描述根据本申请实施例的电子设备。
图4图示了根据本申请实施例的电子设备的框图。
如图4所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的电流互感器的线路故障监测系统以及/或者其他期望的功能。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
应理解,本文中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例,而非限制本申请实施例的范围。并且,在本申请的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种电流互感器的线路故障监测系统,其特征在于,包括:
测量值获取单元,用于分别通过电流传感器、温度传感器和振动传感器采集多个预定时间点的待监测电流互感器的电流值、温度值和振动信号;
降噪单元,用于将所述振动信号通过作为降噪器的第一卷积神经网络以得到降噪后振动信号;
卷积编码单元,用于将所述降噪后振动信号通过作为特征提取器的第二卷积神经网络以得到振动频率特征图;
时序编码单元,用于将所述多个预定时间点的电流值和温度值分别通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量;
特征关联单元,用于将所述第一特征向量和所述第二特征向量进行特征关联以得到电流-温度关联特征矩阵;
特征提取单元,用于将所述电流-温度关联特征矩阵通过第三卷积神经网络以得到关联特征图;
特征融合单元,用于将所述关联特征图和所述振动频率特征图进行融合以得到分类特征图;
特征优化单元,用于对所述分类特征图进行特征空间的单应密度域关联分析以得到优化分类特征图;
结果生成单元,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待监测电流互感器的线路是否发生故障。
2.根据权利要求1所述的电流互感器的线路故障监测系统,其特征在于,所述卷积编码单元,用于:使用作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行:
基于卷积核对所述输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图;以及
对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图;
其中,所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述振动频率特征图,所述作为特征提取器的第二卷积神经网络的第二层至最后一层的输入为上一层的输出,所述作为特征提取器的第二卷积神经网络的输入为所述降噪后振动信号。
3.根据权利要求2所述的电流互感器的线路故障监测系统,其特征在于,所述时序编码单元,包括:
输入向量子单元,将多个预定时间点的电流值和多个预定时间点的温度值分别排列为第一输入向量和第二输入向量;
全连接编码子单元,使用时序编码器的全连接层以如下全连接公式分别对所述第一输入向量和所述第二输入向量进行全连接编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值的高维隐含特征,其中,所述全连接公式为:其中X是所述第一输入向量和所述第二输入向量,Y是输出向量,W是权重矩阵,B是偏置向量,/>表示矩阵乘法;以及
关联特征子单元,使用所述时序编码器的一维卷积层以如下一维卷积公式分别对所述第一输入向量和所述第二输入向量进行一维卷积编码以提取出所述第一输入向量和所述第二输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述一维卷积公式为:
其中,a为第一卷积核在X方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述第一输入向量和所述第二输入向量,Cov(X)表示对所述第一输入向量和所述第二输入向量进行一维卷积编码。
4.根据权利要求3所述的电流互感器的线路故障监测系统,其特征在于,所述特征关联单元,用于:使用如下特征关联公式对所述第一特征向量与所述第二特征向量的转置向量进行联合编码以生成所述电流-温度关联特征矩阵;
其中,所述特征关联公式为:
其中表示向量相乘,M表示所述电流-温度关联特征矩阵,V1表示所述第一特征向量,V2表示所述第二特征向量,/>表示所述第二特征向量的转置。
5.根据权利要求4所述的电流互感器的线路故障监测系统,其特征在于,所述特征提取单元,用于:使用所述第三卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:
使用所述第三卷积神经网络模型的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;
使用所述卷积神经网络模型的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;以及
使用所述卷积神经网络模型的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图;
其中,所述第三卷积神经网络模型的最后一层的输出为所述关联特征图。
6.根据权利要求5所述的电流互感器的线路故障监测系统,其特征在于,所述特征融合单元,用于:使用如下融合公式来融合所述关联特征图和所述振动频率特征图以获得所述分类特征图,其中,所述融合公式为:
F1=αFs+βFd
其中,F1为所述分类特征图,Fs为所述关联特征图,Fd为所述振动频率特征图,“+”表示所述关联特征图和所述振动频率特征图相对应位置处的元素相加,α和β为用于控制所述分类特征图中所述关联特征图和所述振动频率特征图之间的平衡的加权参数。
7.根据权利要求6所述的电流互感器的线路故障监测系统,其特征在于,所述特征优化单元,包括:
按位置均值计算子单元,计算所述分类特征图的沿通道维度的各个特征矩阵的按位置均值以得到特征自分布聚类中心矩阵;
余弦相似度计算子单元,计算所述分类特征图的沿通道维度的各个特征矩阵与所述特征自分布聚类中心矩阵之间的余弦相似度以得到多个特征密度域特征值;
特征激活子单元,将所述多个特征密度域特征值排列为输入向量后通过Softmax激活函数以得到单应密度域权重特征向量;
特征加权子单元,以所述单应密度域权重特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
8.根据权利要求7所述的电流互感器的线路故障监测系统,其特征在于,所述结果生成单元,用于:使用所述分类器以如下结果生成公式对所述优化分类特征图进行处理以得到所述分类结果;
其中,所述结果生成公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(F1)}
其中Project(F1)表示将所述优化分类特征图投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵,softmax表示归一化指数函数,O表示所述分类结果。
9.一种电流互感器的线路故障监测方法,其特征在于,包括:
分别通过电流传感器、温度传感器和振动传感器采集多个预定时间点的待监测电流互感器的电流值、温度值和振动信号;
将所述振动信号通过作为降噪器的第一卷积神经网络以得到降噪后振动信号;
将所述降噪后振动信号通过作为特征提取器的第二卷积神经网络以得到振动频率特征图;
将所述电流值和所述温度值通过包含一维卷积层和全连接层的时序编码器以得到第一特征向量和第二特征向量;
将所述第一特征向量和所述第二特征向量进行特征关联以得到电流-温度关联特征矩阵;
将所述电流-温度关联特征矩阵通过第三卷积神经网络以得到关联特征图;
将所述关联特征图和所述振动频率特征图进行融合以得到分类特征图;
对所述分类特征图进行特征空间的单应密度域关联分析以得到优化分类特征图;
将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待监测电流互感器的线路是否发生故障。
10.根据权利要求9所述的电流互感器的线路故障监测方法,其特征在于,所述将所述降噪后振动信号通过作为特征提取器的第二卷积神经网络以得到振动频率特征图,用于:使用作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行:
基于卷积核对所述输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行基于特征矩阵的全局均值池化处理以生成池化特征图;以及
对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图;
其中,所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述振动频率特征图,所述作为特征提取器的第二卷积神经网络的第二层至最后一层的输入为上一层的输出,所述作为特征提取器的第二卷积神经网络的输入为所述降噪后振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311206358.5A CN117269644A (zh) | 2023-09-18 | 2023-09-18 | 电流互感器的线路故障监测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311206358.5A CN117269644A (zh) | 2023-09-18 | 2023-09-18 | 电流互感器的线路故障监测系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117269644A true CN117269644A (zh) | 2023-12-22 |
Family
ID=89205534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311206358.5A Pending CN117269644A (zh) | 2023-09-18 | 2023-09-18 | 电流互感器的线路故障监测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117269644A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117477495A (zh) * | 2023-12-28 | 2024-01-30 | 国网山西省电力公司太原供电公司 | 一种电流互感器状态监测系统及方法 |
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
- 2023-09-18 CN CN202311206358.5A patent/CN117269644A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117477495A (zh) * | 2023-12-28 | 2024-01-30 | 国网山西省电力公司太原供电公司 | 一种电流互感器状态监测系统及方法 |
CN117477495B (zh) * | 2023-12-28 | 2024-03-12 | 国网山西省电力公司太原供电公司 | 一种电流互感器状态监测系统及方法 |
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 |
---|---|---|
CN117269644A (zh) | 电流互感器的线路故障监测系统及其方法 | |
CN116625438B (zh) | 燃气管网安全在线监测系统及其方法 | |
CN109298993B (zh) | 一种检测故障的方法、装置及计算机可读存储介质 | |
CN115456012A (zh) | 风电场风机大部件状态监测系统及其方法 | |
CN109522948A (zh) | 一种基于正交局部保持投影的故障检测方法 | |
CN115186774B (zh) | 智能电缆剥线设备及其方法 | |
CN114900126B (zh) | 太阳能电池组件的接地测试设备及其接地测试方法 | |
CN116247824B (zh) | 电力设备的控制方法及其系统 | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN116336400B (zh) | 油气集输管道基线检测方法 | |
CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
CN115495924A (zh) | 基于arima模型的mosfet寿命预测方法 | |
CN115018012A (zh) | 一种高维度特性下的物联网时间序列异常检测方法及系统 | |
CN115146676A (zh) | 电路故障检测方法及其系统 | |
CN109557434B (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN117351659A (zh) | 一种水文地质灾害监测装置及监测方法 | |
CN117269742A (zh) | 一种高海拔环境下断路器健康状态评估方法、装置及介质 | |
Liu et al. | An anomaly detection method based on double encoder–decoder generative adversarial networks | |
CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其系统 | |
CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
CN114118208A (zh) | 基于多元信息的变压器故障判断方法、装置及电子设备 | |
Zheng et al. | Fault diagnosis of transformer based on principal component analysis and self-organizing map neural network | |
CN116934304B (zh) | 智能配电房设备运行维护管理系统及其方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |