CN117314883B - 基于EWT和VGGNet的配电网故障选线方法及系统 - Google Patents

基于EWT和VGGNet的配电网故障选线方法及系统 Download PDF

Info

Publication number
CN117314883B
CN117314883B CN202311413701.3A CN202311413701A CN117314883B CN 117314883 B CN117314883 B CN 117314883B CN 202311413701 A CN202311413701 A CN 202311413701A CN 117314883 B CN117314883 B CN 117314883B
Authority
CN
China
Prior art keywords
convolution layer
sequence current
power distribution
distribution network
line selection
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
Application number
CN202311413701.3A
Other languages
English (en)
Other versions
CN117314883A (zh
Inventor
苏学能
张华�
巨云涛
宁鑫
丁理杰
于宗民
王晶
龙呈
徐琳
吴驰
李小鹏
宋暾昉
李龙江
高艺文
李世龙
刘畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202311413701.3A priority Critical patent/CN117314883B/zh
Publication of CN117314883A publication Critical patent/CN117314883A/zh
Application granted granted Critical
Publication of CN117314883B publication Critical patent/CN117314883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于EWT和VGGNet的配电网故障选线方法及系统，包括：利用经验小波变换将零序电流信号分解成一系列模态分量；通过加权排列熵滤除模态分量中的噪声，进行信号重构；计算降噪重构后的零序电流信号的马氏距离矩阵，通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵；将配电网所有线路的像素矩阵拼接成一张图像，将不同故障线路生成的图像打上对应的标签；将生成的图像输入加入SE注意力机制的VGGNet网络中进行训练，得到模型文件；利用模型文件即可完成配电网单相接地故障选线。本发明能够解决零序电流信号的故障特征不明显问题造成的故障选线困难；不受故障类型、接地电阻和初相角的影响，选线准确率高。

Description

基于EWT和VGGNet的配电网故障选线方法及系统
技术领域
本发明涉及电力系统运行与控制领域，具体涉及基于EWT和VGGNet的配电网故障选线方法及系统。
背景技术
中低压配电网中，80％的故障是由于单相接地引起的，如果不能及时发现故障线路，将会对配电网造成严重破坏。而当配电系统发生单相接地故障时，零序电流信号的故障特征不明显，容易被噪声所淹没，造成故障选线困难。
现有方法中基于零序电流包络线拟合斜率的配电网故障选线方法，该方法在高阻接地情况下，零序电流包络线拟合斜率基本相同，该方法失效。另外还有一些现有方法易受故障类型、初相角的影响，也会造成某些情况下配电网故障选线失效。因此，现有配电网故障选线方法易受不受故障类型、接地电阻和初相角的影响，造成选线准确率等问题。
有鉴于此，特提出本申请。
发明内容
本发明所要解决的技术问题是现有配电网故障选线方法受故障类型、接地电阻和初相角的影响，不能有效解决零序电流信号的故障特征不明显问题，造成选线准确率等。
本发明目的在于提供基于EWT和VGGNet的配电网故障选线方法及系统，首先利用经验小波变换(EWT)将零序电流信号分解成一系列模态分量，通过加权排列熵(WPE)滤除其中的噪声，进行信号重构，得到降噪后的电信号；然后计算降噪后的电信号的马氏距离矩阵，通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵；最后向VGGNet网络(卷积神经网络)中加入SE(Squeeze and Excitation)注意力机制，注意力机制的加入，使得网络更加关注故障区间，并利用加入注意力机制的VGGNet自主挖掘像素矩阵的特征，进行分类，最终实现故障选线。本发明能够有效完成配电网故障选线，解决零序电流信号的故障特征不明显问题造成的故障选线困难；并且不受故障类型、接地电阻和初相角的影响，选线准确率高达99.97％。
本发明通过下述技术方案实现：
第一方面，本发明提供了基于EWT和VGGNet的配电网故障选线方法，该方法包括：
该方法包括：
获取配电网中的零序电流信号，利用经验小波变换(EWT)将零序电流信号分解成一系列模态分量；
通过加权排列熵(WPE)滤除模态分量中的噪声，进行信号重构，得到降噪重构后的零序电流信号；
计算降噪重构后的零序电流信号的马氏距离矩阵，通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵；
将配电网所有线路的像素矩阵拼接成一张图像，同时，将不同故障线路生成的图像打上对应的标签；
将生成的图像输入加入SE注意力机制的VGGNet网络中进行训练，得到模型文件；并利用模型文件即可完成配电网单相接地故障选线。
进一步地，零序电流信号选取配电网中每个节点故障前一个周期和故障后两个周期的零序电流信号。
进一步地，通过加权排列熵(WPE)滤除模态分量中的噪声，进行信号重构，得到降噪重构后的零序电流信号，包括：
计算每个分解得到的模态分量对应本征模态函数的加权排列熵；
将加权排列熵与预设阈值进行比较，滤除大于预设阈值的本征模态函数，得到降噪重构后的零序电流信号。
进一步地，计算降噪重构后的零序电流信号的马氏距离矩阵，通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵，包括：
计算降噪后的零序电流信号每个点与整体之间的马氏距离，生成马氏距离矩阵；
将马氏距离矩阵进行颜色编码，将马氏距离矩阵中的元素按照数值大小转换为不同的颜色，并在坐标轴对应位置处以这种颜色染色，得到具有图像性质的像素矩阵。
进一步地，马氏距离度量降噪后的零序电流I和时间t之间的分布距离；马氏距离DM(x)的计算公式为：
μ＝(μI,μt)T
x＝(xI,xt)T
式中，μ为x的均值；μI为xI的均值；μt为xt的均值；x为xI、xt组成的多变量矢量；xI为零序电流信号；xt为时间的值；Σ为x的协方差矩阵；E[]为期望值。
进一步地，加入SE注意力机制的VGGNet网络采用VGG16网络模型，包括依次连接的第一卷积层组、第二卷积层组、第三卷积层组、第四卷积层组、第五卷积层组和全连接层，第一卷积层组输入端连接输入层，全连接层的输出端输出；
第一卷积层组包括依次连接的第一卷积层、第二卷积层、第一SE注意力机制模块和第一最大池化层；
第二卷积层组包括依次连接的第三卷积层、第四卷积层、第二SE注意力机制模块和第二最大池化层；
第三卷积层组包括依次连接的第五卷积层、第六卷积层、第七卷积层、第三SE注意力机制模块和第三最大池化层；
第四卷积层组包括依次连接的第八卷积层、第九卷积层、第十卷积层、第四SE注意力机制模块和第四最大池化层；
第五卷积层组包括依次连接的第十一卷积层、第十二卷积层、第十三卷积层、第五SE注意力机制模块和第五最大池化层；
全连接层包括依次连接的Flatten层、第一Dropout层和第二Dropout层。
进一步地，第一SE注意力机制模块、第二SE注意力机制模块、第三SE注意力机制模块、第四SE注意力机制模块、第五SE注意力机制模块的网络结构均包括依次连接的全局平均池化层、第一全连接层、第二全连接层和Scale层；
全局平均池化层，用于特征图输入后，通过基于特征图的宽度和高度进行全局平均池化，使空间特征降维到1×1×C，达到全局上下文信息的融合；
第一全连接层，用于降维作用，并通过ReLU函数激活；
第二全连接层，用于将输入的特征图恢复至原始维度，并通过Sigmoid函数激活；
Scale层，用于通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定，从而使得模型对各个通道的特征更有辨别能力。
进一步地，输入层输入的图像维度为224x224x3，第一卷积层组的图像维度为224x224x64，第二卷积层组的图像维度为112x112x128，第三卷积层组的图像维度为56x56x256，第四卷积层组的图像维度为28x28x512，第五卷积层组的图像维度为14x14x512，全连接层的图像维度为1x1x4096。
第二方面，本发明又提供了基于EWT和VGGNet的配电网故障选线系统，该系统使用上述的基于EWT和VGGNet的配电网故障选线方法；该系统与上述的基于EWT和VGGNet的配电网故障选线方法一一对应；该系统包括：
获取单元，用于获取配电网中的零序电流信号；
经验小波变换分解单元，用于利用经验小波变换(EWT)将零序电流信号分解成一系列模态分量；
降噪重构单元，用于通过加权排列熵(WPE)滤除模态分量中的噪声，进行信号重构，得到降噪重构后的零序电流信号；
矩阵转换单元，用于计算降噪重构后的零序电流信号的马氏距离矩阵，通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵；
拼接及打标签单元，用于将配电网所有线路的像素矩阵拼接成一张图像，同时，将不同故障线路生成的图像打上对应的标签；
网络训练及故障选线单元，用于将生成的图像输入加入SE注意力机制的VGGNet网络中进行训练，得到模型文件；并利用模型文件即可完成配电网单相接地故障选线。
进一步地，矩阵转换单元包括马氏距离矩阵计算子单元和像素矩阵生成子单元；
马氏距离矩阵计算子单元，用于计算降噪后的零序电流信号每个点与整体之间的马氏距离，生成马氏距离矩阵；
像素矩阵生成子单元，用于将马氏距离矩阵进行颜色编码，将马氏距离矩阵中的元素按照数值大小转换为不同的颜色，并在坐标轴对应位置处以这种颜色染色，得到具有图像性质的像素矩阵。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明基于EWT和VGGNet的配电网故障选线方法及系统，首先利用经验小波变换(EWT)将零序电流信号分解成一系列模态分量，通过加权排列熵(WPE)滤除其中的噪声，进行信号重构，得到降噪后的零序电流信号；然后计算降噪后的零序电流信号的马氏距离矩阵，通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵；最后向VGGNet网络(卷积神经网络)中加入SE(Squeeze and Excitation)注意力机制，注意力机制的加入，使得网络更加关注故障区间，并利用加入注意力机制的VGGNet自主挖掘像素矩阵的特征，进行分类，最终实现故障选线。本发明能够有效完成配电网故障选线，解决零序电流信号的故障特征不明显问题造成的故障选线困难；并且不受故障类型、接地电阻和初相角的影响，选线准确率高达99.97％。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明基于EWT和VGGNet的配电网故障选线方法流程图；
图2为本发明马氏距离矩阵颜色编码示意图；
图3为本发明SE注意力机制模块网络结构示意图；
图4为本发明VGG16中加入SE后的网络结构示意图；
图5为本发明实施例配电网拓扑结构；
图6为本发明训练结果示意图；
图7为本发明各组混淆矩阵示意图；
图8为本发明基于EWT和VGGNet的配电网故障选线系统结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
现有方法中基于零序电流包络线拟合斜率的配电网故障选线方法，该方法在高阻接地情况下，零序电流包络线拟合斜率基本相同，该方法失效。另外还有一些现有方法易受故障类型、初相角的影响，也会造成某些情况下配电网故障选线失效。因此，现有配电网故障选线方法易受不受故障类型、接地电阻和初相角的影响，不能有效解决零序电流信号的故障特征不明显问题，造成选线准确率等问题。
因此，本发明设计了基于EWT和VGGNet的配电网故障选线方法及系统，首先利用经验小波变换(EWT)将零序电流信号分解成一系列模态分量，通过加权排列熵(WPE)滤除其中的噪声，进行信号重构，得到降噪后的零序电流信号；然后计算降噪后的零序电流信号的马氏距离矩阵，通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵；最后向VGGNet网络(卷积神经网络)中加入SE(Squeeze and Excitation)注意力机制，注意力机制的加入，使得网络更加关注故障区间，并利用加入注意力机制的VGGNet自主挖掘像素矩阵的特征，进行分类，最终实现故障选线。
本发明能够有效完成配电网故障选线，解决零序电流信号的故障特征不明显问题造成的故障选线困难；并且不受故障类型、接地电阻和初相角的影响，选线准确率高达99.97％。
实施例1
如图1所示，本发明基于EWT和VGGNet的配电网故障选线方法，该方法包括：
步骤1，获取配电网中的零序电流信号，利用经验小波变换(EWT)将零序电流信号分解成一系列模态分量；
步骤1具体如下：
对于给定的零序电流信号f(t)，首先对其进行傅里叶变换，得到信号的频谱。将信号频谱分割为N个频率区间Λn。
Λn＝[Δn-1,Δn],n＝1,2,...,N (1)
式中，Δn为各分段边界，其中Δ0＝0，ΔN＝π，剩余Δn的取值由信号频谱的局部最大值确定。
若信号频谱含有N个局部最大值，记为Ωn，n＝1,2,3…,N，则Δn为相邻两个局部最大值的中点。
对于N的取值，Gilles提出了一种简单的估计方法:将待分解信号的频谱幅值Mm按照降序排列，得到
M1＞M2＞...＞Mm (3)
设置阈值γ为：
γ＝Mm+α(M1-Mm) (4)
式中，α为相对振幅比，一般取α＝0.1，此时，N为大于阈值的幅值个数，即:
N＝sum(Mi＞γ),i＝1,2...m (5)
式中，sum表示求和。
在区间Λn上，利用Littlewood-Paley和Meyer确定经验小波函数ψn和经验尺度函数φn。
式中，ω为信号角频率，β(x)在[0,1]内满足k阶可导，可为任意函数，本发明取β(x)＝x4(35-84x+70x2-20x3)，τn为过程参数，可表示为：
经验小波变换的细节系数Wfε(n,t)由经验小波函数ψn与信号f(t)内积产生，逼近系数Wfε(n,t)由经验尺度函数φ1与信号f(t)内积产生。
式中，<·>为内积运算；ψn(ω)和φ1(ω)分别是ψn(t)和φ1(t)的傅里叶变换；F-1为傅里叶逆变换。
零序电流信号f(t)的重构表达式为：
其中，f0(t)，fk(t)为分解得到的模态分量。
式中，表示卷积。
步骤2，通过加权排列熵(WPE)滤除模态分量中的噪声，进行信号重构，得到降噪重构后的零序电流信号，包括：
步骤21，计算每个分解得到的模态分量对应本征模态函数的加权排列熵；
步骤22，将加权排列熵与预设阈值进行比较，滤除大于预设阈值的本征模态函数，得到降噪重构后的零序电流信号。
步骤2具体如下：
对于给定的时间序列{x(i),i＝1,2,…n}，进行相空间重构，得到如下矩阵：
式中，m为嵌入维度，Γ为延时因子，k为重构分量个数，k＝n-(m-1)Γ。
将矩阵中的第j个分量x(j),x(j+Γ),…x(j+(m-1)Γ),j＝1,2…k按照数值大小进行升序排列，得到：
式中，j1,j2,…,jm代表各元素在重构分量中的下标索引值。如果在重构分量中，有两个或多个相等的值，如x(i+(j1-1)Γ)＝x(i+(j2-1)Γ)时，则需要根据j1、j2的大小来进行排序。当满足j1<j2时，有：x(i+(j1-1)Γ)＝x(i+(j2-1)Γ)
每个重构分量都可以得到一个重构符号序列：
S(l)＝(j1,j2,...,jm) (16)
式中，l＝1,2,…,k,满足k≤m！。每个重构分量是m维空间，映射到m维符号序列，共有m！种排列方式。
对于每个重构分量，计算其二阶中心矩Var作为权值：
式中，
计算每一种m维符号序列的概率，P1,P2,…,Pk：
式中，sum(Var)为所有重构分量的二阶中心距之和，Varj为对所有重构分量排序后，第j个排序结果对应的重构分量的二阶中心距。
根据香农熵的定义，信号序列x(i)的加权排列熵定义为：
式中，当Pj＝1/m！时，排列熵达到最大值ln(m！)。实际的处理过程中，通常将WPE进行归一化处理：
加权排列熵WPE的值越大，表示信号时间序列越随机，信号越复杂；反之，则说明信号序列越规则，复杂度越小。
常见信号的排列熵和加权排列熵如表1所示。
表1各信号排列熵和加权排列熵
信号 排列熵 加权排列熵
白噪声 0.9712 0.9590
高斯白噪声 0.9682 0.9622
高频正弦信号 0.4338 0.3828
基频正弦信号 0.1102 0.1054
调幅信号 0.3926 0.2458
调频信号 0.2452 0.1722
调幅调频信号 0.4311 0.2992
根据排列熵的熵值判断信号是否为噪声需要给定一个参考阈值b，当熵值超过参考阈值b时，为噪声信号，本发明中取b＝0.6。从表1可以看出，排列熵无法正确判断间歇信号，这是由于间歇信号存在突变现象，排列熵对这一现象并不敏感，利用加权排列熵可以有效改善这一现象，综上，可以通过加权排列熵完成噪声信号的检测,得到降噪重构后的零序电流信号。
步骤3，计算降噪重构后的零序电流信号的马氏距离矩阵，通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵；包括：
步骤31，计算降噪后的零序电流信号每个点与整体之间的马氏距离，生成马氏距离矩阵；
步骤32，将马氏距离矩阵进行颜色编码，将马氏距离矩阵中的元素按照数值大小转换为不同的颜色，并在坐标轴对应位置处以这种颜色染色，得到具有图像性质的像素矩阵。
步骤3具体如下：
马氏距离是度量某个点和某个分布间距离的一个指标。与欧式距离相比，马氏距离不受量纲的影响，且能考虑各种特性之间的联系，排除变量之间相关性的干扰，在异常值检测、高度不平衡数据的分类上有着广泛的应用。
对于一个均值为μ＝(μ1,μ2,μ3,...,μp)T，协方差矩阵为Σ的多变量矢量x＝(x1,x2,x3,...,xp)T,其马氏距离为：
本发明中，马氏距离度量了零序电流I和时间t之间的分布距离，此时：
μ＝(μI,μt)T
x＝(xI,xt)T (22)
式中，μ为x的均值；μI为xI的均值；μt为xt的均值；x为xI、xt组成的多变量矢量；xI为零序电流信号；xt为时间的值；Σ为x的协方差矩阵；E[]为期望值。
当配电网发生单相接地故障时，首先利用上述方法进行降噪处理，然后计算降噪后零序电流每个点与整体之间的马氏距离，生成马氏距离矩阵。
将马氏距离矩阵进行颜色编码，将矩阵中的元素按照数值大小转换为不同的颜色，并在坐标轴对应位置处以这种颜色染色，得到具有图像性质的像素矩阵，如图2所示。该像素矩阵在故障发生时刻颜色特征更加突出，并且包含丰富的纹理特征。将一维时间序列转换为二维像素矩阵，有利于神经网络挖掘更多的特征，提高分类的准确率。
步骤4，将配电网所有线路的像素矩阵拼接成一张图像，同时，将不同故障线路生成的图像打上对应的标签；
步骤5，将生成的图像输入加入SE注意力机制的VGGNet网络中进行训练，得到模型文件；并利用模型文件即可完成配电网单相接地故障选线。
步骤5具体如下：
5-1：加入SE注意力机制：
为了让神经网络更加关注故障区间，提高故障选线的准确率，本发明在VGGNet网络中加入SE注意力机制。
SE注意力机制模块关注通道之间的关系，SE注意力机制模块首先对卷积得到的特征图进行Squeeze操作，得到通道级的全局特征，然后对全局特征进行Excitation操作，学习各个通道间的关系，得到不同通道的权重，最后将不同的特征图赋予不同的权重，得到最终的特征。SE注意力机制让模型可以更加关注信息量最大的通道特征，而抑制那些不重要的通道特征。其网络结构如图3所示。
如图3所示，SE注意力机制模块的网络结构包括依次连接的Inception层、全局平均池化层、第一全连接层、第二全连接层和Scale层；
全局平均池化层，用于特征图输入后，通过基于特征图的宽度和高度进行全局平均池化，使空间特征降维到1×1×C，达到全局上下文信息的融合；
第一全连接层，用于降维作用，并通过ReLU函数激活；
第二全连接层，用于将输入的特征图恢复至原始维度，并通过Sigmoid函数激活；
Scale层，用于通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定，从而使得模型对各个通道的特征更有辨别能力。
其中，H代表高，W代表宽，C代表通道(channel)，卷积神经网络的通道。
首先，为了获得在通道维度上的注意力，特征图输入后，通过基于特征图的宽度和高度进行全局平均池化，使空间特征降维到1×1×C，达到全局上下文信息的融合；紧接着使用两个全连接层建立通道间的连接，通过全连接层之间的非线性激活，添加模型的复杂度，达到确定不同通道之间的权重作用，其中为了减少计算量，第一全连接层起到降维的作用，并通过ReLU激活，第二全连接层用来将其恢复至原始的维度，通过Sigmoid激活；最后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定，从而使得模型对各个通道的特征更有辨别能力。
5-2：得到加入SE注意力机制后的VGGNet网络
本发明采用VGG16网络模型，其共包含5个卷积层组和一个全连接层，在每个卷积层组的最后一个卷积层加入SE注意力机制，其网络结果如图4所示。VGG16采用了小尺寸(3x3)的卷积核，这种设计可以有效地减少参数数量，同时增加非线性表达能力。相比于使用大尺寸卷积核的网络，VGG16在保持较少参数的同时，可以更好地捕获局部特征。将SE注意力机制应用于VGG16网络中，可以提升模型的特征表达能力、泛化能力和抗扰动能力，同时减少计算量和参数量。这使得模型在图像分类等任务中可以获得更好的性能和效果。
具体地，加入SE注意力机制的VGGNet网络包括依次连接的第一卷积层组(即图4中的卷积层组1)、第二卷积层组(即图4中的卷积层组2)、第三卷积层组(即图4中的卷积层组3)、第四卷积层组(即图4中的卷积层组4)、第五卷积层组(即图4中的卷积层组5)和全连接层，第一卷积层组输入端连接输入层，全连接层的输出端输出；
第一卷积层组包括依次连接的第一卷积层、第二卷积层、第一SE注意力机制模块和第一最大池化层；
第二卷积层组包括依次连接的第三卷积层、第四卷积层、第二SE注意力机制模块和第二最大池化层；
第三卷积层组包括依次连接的第五卷积层、第六卷积层、第七卷积层、第三SE注意力机制模块和第三最大池化层；
第四卷积层组包括依次连接的第八卷积层、第九卷积层、第十卷积层、第四SE注意力机制模块和第四最大池化层；
第五卷积层组包括依次连接的第十一卷积层、第十二卷积层、第十三卷积层、第五SE注意力机制模块和第五最大池化层；
全连接层包括依次连接的Flatten层、第一Dropout层和第二Dropout层。
其中，输入层输入的图像维度为224x224x3，第一卷积层组的图像维度为224x224x64，第二卷积层组的图像维度为112x112x128，第三卷积层组的图像维度为56x56x256，第四卷积层组的图像维度为28x28x512，第五卷积层组的图像维度为14x14x512，全连接层的图像维度为1x1x4096。
得到加入SE注意力机制的VGGnet网络后，将生成的图像输入至VGGnet网络进行训练，得到模型文件，利用该文件即可完成配电网单相接地故障选线。
具体实施时，为了验证本发明的有效性，以自定义的110kV/10kV配电网模型作为仿真系统，其拓扑结构如图5所示。
(1)步骤1：搭建基于Matlab/Simulink的110kV/10kV配电网模型，并根据表2的线路参数，设置每条线路的电阻、电感和电容等参数。
(2)步骤2：设置采集频率和系统运行时间，添加数据采集组件，采集故障前一个周期和故障后两个周期的零序电流信号，根据故障选线流程生成配电网特征图，并打上对应的标签。
(3)步骤3：根据各线路特征图的数量占比，将生成的特征图划分为训练集和测试集，训练集占80％总量，测试集占20％总量。另外，通过随机生成的方式生成三组不同故障参数情况下的配电网特征图作为验证集。
(4)步骤4：在对模型训练100个epochs后，训练准确率以及损失函数基本稳定，模型收敛。再将训练epochs次数设置为150次，最终得到本发明故障选线准确率。
如图5所示，共包含5条线路，线路1由两条架空线构成，节点v1处线路长度为5km，v2处线路长度为4km；线路2由两条电缆线构成，节点v3处线路长度为3km，v4处线路长度为5km；线路3由一条架空线和一条电缆线构成，节点v5和v6处线路长度均为4km；线路4由一条电缆线和两条架空线构成，节点v7处线路长度为3km，v8处线路为4km，v9处线路为5km；线路5由一条架空线和两条电缆线构成，节点v10处线路长度为4km，v11和v12处线路长度均为3km。线路参数如表2所示。
表2仿真模型线路参数
为了模拟实际工况下配电网的运行情况，分别设置故障线路、故障相位、故障初相角、故障接地电阻、故障距离。故障线路依次选择线路1到线路5；故障相位在A、B、C三相之间选择；故障初相角分别设置为0°、30°、60°、90°、120°、150°；接地电阻从0Ω开始，以50Ω的增速递增至300Ω，之后以100Ω的增速递增至1500Ω，故障距离从线路首端开始，以1km的增速递增到线路末端。采集频率为12.8kHz，系统运行时间为0.2s。
采集配电网中每个节点故障前一个周期和故障后两个周期的零序电流信号，按照本发明上述故障选线流程，生成配电网特征图，并根据故障线路的不同，打上对应的标签。共生成16074组配电网单相接地情况下的故障特征图。按照各线路特征图的数量占比，生成训练集和测试集，训练集占总量的80％，共12860张，测试集占总量的20％，共3214张。为了验证训练结果的鲁棒性，通过随机生成的方式，生成三组，每组2000张不同故障参数情况下的配电网特征图，作为验证集。
在对模型训练100个epochs(次)后，训练准确率以及损失函数基本稳定，模型收敛。将训练epochs次数设置为150次，训练结果如图6所示。图6(a)为损失函数，图6(b)准确率。从图6中可以看出，随着epochs的增加，训练集和测试集的损失函数不断降低，准确率不断提高，且随着训练集损失函数降低，测试集损失率也在一直降低，说明模型没有出现过拟合现象。模型的最终准确率稳定在99.97％。
为了验证模型具有一定的泛化能力，使用上述随机生成的三组，每组2000张配电网故障特征图进行验证。以混淆矩阵的方式显示训练结果，混淆矩阵可以更加清晰的显示训练结果，其主对角线单元格数值代表正确的选线结果，非主对角线单元格数值代表错误的选线结果，选线结果的混淆矩阵如图7所示。图7(a)为第一组混淆矩阵，图7(b)为第二组混淆矩阵，图7(c)为第三组混淆矩阵；第一组验证集出现14张图误判，第二组验证集出现9张图误判，第三组验证集出现6张图误判，识别准确率分别为99.3％、99.55％、99.7％，说明模型具有较强的泛化能力。
实验结果表明，该发明在不同故障类型、初相角、接地电阻、故障距离下，均有良好的表现，且具有较强的泛化性。
本发明基于EWT和VGGNet，提出了一种新型的配电网故障选线方法，具有较强的抗噪性和稳定性，能够准确判断故障线路，故障选线准确率非常高。本发明能够有效完成配电网故障选线，解决零序电流信号的故障特征不明显问题造成的故障选线困难；并且不受故障类型、接地电阻和初相角的影响，选线准确率高达99.97％。
实施例2
如图8所示，本实施例与实施例1的区别在于，本实施例提供了基于EWT和VGGNet的配电网故障选线系统，该系统使用实施例1的基于EWT和VGGNet的配电网故障选线方法；该系统与实施例1的基于EWT和VGGNet的配电网故障选线方法一一对应；该系统包括：
获取单元，用于获取配电网中的零序电流信号；
经验小波变换分解单元，用于利用经验小波变换(EWT)将零序电流信号分解成一系列模态分量；
降噪重构单元，用于通过加权排列熵(WPE)滤除模态分量中的噪声，进行信号重构，得到降噪重构后的零序电流信号；
矩阵转换单元，用于计算降噪重构后的零序电流信号的马氏距离矩阵，通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵；
拼接及打标签单元，用于将配电网所有线路的像素矩阵拼接成一张图像，同时，将不同故障线路生成的图像打上对应的标签；
网络训练及故障选线单元，用于将生成的图像输入加入SE注意力机制的VGGNet网络中进行训练，得到模型文件；并利用模型文件即可完成配电网单相接地故障选线。
作为进一步地实施，矩阵转换单元包括马氏距离矩阵计算子单元和像素矩阵生成子单元；
马氏距离矩阵计算子单元，用于计算降噪后的零序电流信号每个点与整体之间的马氏距离，生成马氏距离矩阵；
像素矩阵生成子单元，用于将马氏距离矩阵进行颜色编码，将马氏距离矩阵中的元素按照数值大小转换为不同的颜色，并在坐标轴对应位置处以这种颜色染色，得到具有图像性质的像素矩阵。
其中，各个单元的执行过程按照实施例1的基于EWT和VGGNet的配电网故障选线方法流程步骤执行即可，此实施例中不再一一赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于EWT和VGGNet的配电网故障选线方法，其特征在于，该方法包括：
获取配电网中的零序电流信号，利用经验小波变换将所述零序电流信号分解成一系列模态分量；
通过加权排列熵滤除所述模态分量中的噪声，进行信号重构，得到降噪重构后的零序电流信号；
计算降噪重构后的零序电流信号的马氏距离矩阵，通过颜色编码将所述马氏距离矩阵转换成具有图像性质的像素矩阵；
将配电网所有线路的像素矩阵拼接成一张图像，同时，将不同故障线路生成的图像打上对应的标签；
将生成的图像输入加入SE注意力机制的VGGNet网络中进行训练，得到模型文件；并利用所述模型文件即可完成配电网单相接地故障选线；
计算降噪重构后的零序电流信号的马氏距离矩阵，通过颜色编码将所述马氏距离矩阵转换成具有图像性质的像素矩阵，包括：
计算降噪后的零序电流信号每个点与整体之间的马氏距离，生成马氏距离矩阵；
将所述马氏距离矩阵进行颜色编码，将所述马氏距离矩阵中的元素按照数值大小转换为不同的颜色，并在坐标轴对应位置处以这种颜色染色，得到具有图像性质的像素矩阵；
所述马氏距离度量降噪后的零序电流I和时间t之间的分布距离；所述马氏距离D M (x)的计算公式为：
式中，μ为x的均值；μ I 为x I 的均值；μ t 为x t 的均值；x为x I 、x t 组成的多变量矢量；x I 为零序电流信号；x t 为时间的值；Σ为x的协方差矩阵；E[]为期望值。
2.根据权利要求1所述的基于EWT和VGGNet的配电网故障选线方法，其特征在于，所述零序电流信号选取配电网中每个节点故障前一个周期和故障后两个周期的零序电流信号。
3.根据权利要求1所述的基于EWT和VGGNet的配电网故障选线方法，其特征在于，通过加权排列熵滤除所述模态分量中的噪声，进行信号重构，得到降噪重构后的零序电流信号，包括：
计算每个分解得到的模态分量对应本征模态函数的加权排列熵；
将所述加权排列熵与预设阈值进行比较，滤除大于预设阈值的本征模态函数，得到降噪重构后的零序电流信号。
4.根据权利要求1所述的基于EWT和VGGNet的配电网故障选线方法，其特征在于，所述加入SE注意力机制的VGGNet网络采用VGG16网络模型，包括依次连接的第一卷积层组、第二卷积层组、第三卷积层组、第四卷积层组、第五卷积层组和全连接层，所述第一卷积层组输入端连接输入层，所述全连接层的输出端输出；
所述第一卷积层组包括依次连接的第一卷积层、第二卷积层、第一SE注意力机制模块和第一最大池化层；
所述第二卷积层组包括依次连接的第三卷积层、第四卷积层、第二SE注意力机制模块和第二最大池化层；
所述第三卷积层组包括依次连接的第五卷积层、第六卷积层、第七卷积层、第三SE注意力机制模块和第三最大池化层；
所述第四卷积层组包括依次连接的第八卷积层、第九卷积层、第十卷积层、第四SE注意力机制模块和第四最大池化层；
所述第五卷积层组包括依次连接的第十一卷积层、第十二卷积层、第十三卷积层、第五SE注意力机制模块和第五最大池化层；
所述全连接层包括依次连接的Flatten层、第一Dropout层和第二Dropout层。
5.根据权利要求4所述的基于EWT和VGGNet的配电网故障选线方法，其特征在于，所述第一SE注意力机制模块、第二SE注意力机制模块、第三SE注意力机制模块、第四SE注意力机制模块、第五SE注意力机制模块的网络结构均包括依次连接的全局平均池化层、第一全连接层、第二全连接层和Scale层；
所述全局平均池化层，用于特征图输入后，通过基于特征图的宽度和高度进行全局平均池化，使空间特征降维到1×1×C，达到全局上下文信息的融合；
所述第一全连接层，用于降维作用，并通过ReLU函数激活；
所述第二全连接层，用于将输入的特征图恢复至原始维度，并通过Sigmoid函数激活；
所述Scale层，用于通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定。
6.根据权利要求4所述的基于EWT和VGGNet的配电网故障选线方法，其特征在于，所述输入层输入的图像维度为224x224x3，所述第一卷积层组的图像维度为224x224x64，所述第二卷积层组的图像维度为112x112x128，所述第三卷积层组的图像维度为56x56x256，所述第四卷积层组的图像维度为28x28x512，所述第五卷积层组的图像维度为14x14x512，所述全连接层的图像维度为1x1x4096。
7.基于EWT和VGGNet的配电网故障选线系统，其特征在于，该系统包括：
获取单元，用于获取配电网中的零序电流信号；
经验小波变换分解单元，用于利用经验小波变换将所述零序电流信号分解成一系列模态分量；
降噪重构单元，用于通过加权排列熵滤除所述模态分量中的噪声，进行信号重构，得到降噪重构后的零序电流信号；
矩阵转换单元，用于计算降噪重构后的零序电流信号的马氏距离矩阵，通过颜色编码将所述马氏距离矩阵转换成具有图像性质的像素矩阵；
拼接及打标签单元，用于将配电网所有线路的像素矩阵拼接成一张图像，同时，将不同故障线路生成的图像打上对应的标签；
网络训练及故障选线单元，用于将生成的图像输入加入SE注意力机制的VGGNet网络中进行训练，得到模型文件；并利用所述模型文件即可完成配电网单相接地故障选线；
所述矩阵转换单元包括马氏距离矩阵计算子单元和像素矩阵生成子单元；
马氏距离矩阵计算子单元，用于计算降噪后的零序电流信号每个点与整体之间的马氏距离，生成马氏距离矩阵；
像素矩阵生成子单元，用于将所述马氏距离矩阵进行颜色编码，将所述马氏距离矩阵中的元素按照数值大小转换为不同的颜色，并在坐标轴对应位置处以这种颜色染色，得到具有图像性质的像素矩阵；
所述马氏距离度量降噪后的零序电流I和时间t之间的分布距离；所述马氏距离D M (x)的计算公式为：
式中，μ为x的均值；μ I 为x I 的均值；μ t 为x t 的均值；x为x I 、x t 组成的多变量矢量；x I 为零序电流信号；x t 为时间的值；Σ为x的协方差矩阵；E[]为期望值。
CN202311413701.3A 2023-10-27 2023-10-27 基于EWT和VGGNet的配电网故障选线方法及系统 Active CN117314883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311413701.3A CN117314883B (zh) 2023-10-27 2023-10-27 基于EWT和VGGNet的配电网故障选线方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311413701.3A CN117314883B (zh) 2023-10-27 2023-10-27 基于EWT和VGGNet的配电网故障选线方法及系统

Publications (2)

Publication Number Publication Date
CN117314883A CN117314883A (zh) 2023-12-29
CN117314883B true CN117314883B (zh) 2024-04-16

Family

ID=89297303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311413701.3A Active CN117314883B (zh) 2023-10-27 2023-10-27 基于EWT和VGGNet的配电网故障选线方法及系统

Country Status (1)

Country Link
CN (1) CN117314883B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117970039B (zh) * 2024-04-01 2024-06-04 山东大学 一种配电线路故障时刻检测方法
CN118569844A (zh) * 2024-07-24 2024-08-30 国网山西省电力公司运城供电公司 基于改进ewt和gin网络的配电网单相接地故障区段定位方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108279364A (zh) * 2018-01-30 2018-07-13 福州大学 基于卷积神经网络的配电网单相接地故障选线方法
CN109325526A (zh) * 2018-09-05 2019-02-12 福州大学 一种采用卷积深度置信网络的配电网故障分类方法
CN109884464A (zh) * 2019-03-01 2019-06-14 西安理工大学 小电流单相接地故障选线方法
CN111191740A (zh) * 2020-01-10 2020-05-22 福州大学 一种滚动轴承故障诊断方法
CN112834921A (zh) * 2020-12-23 2021-05-25 浙江工业大学 一种基于残差图注意力网络的电机故障诊断方法
CN113325263A (zh) * 2020-11-15 2021-08-31 南方电网科学研究院有限责任公司 配电网接地故障选线方法、装置、计算机设备、存储介质
CN113762412A (zh) * 2021-09-26 2021-12-07 国网四川省电力公司电力科学研究院 一种配电网单相接地故障识别方法、系统、终端及介质
CN114355240A (zh) * 2021-12-01 2022-04-15 国网安徽省电力有限公司电力科学研究院 配电网接地故障诊断方法及装置
CN114414942A (zh) * 2022-01-14 2022-04-29 重庆大学 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及系统
CN114441900A (zh) * 2022-02-10 2022-05-06 国网四川省电力公司营销服务中心 一种配电网单相接地故障选线方法及系统
CN114936947A (zh) * 2022-07-18 2022-08-23 四川轻化工大学 基于gadf-vgg16的高压直流输电线路故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106463945B (zh) * 2013-12-06 2019-02-12 Abb公司 用于识别多相电力网络中的故障区段的系统和方法
CN106771870A (zh) * 2016-12-26 2017-05-31 北京国电通网络技术有限公司 一种配电网接地故障定位方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108279364A (zh) * 2018-01-30 2018-07-13 福州大学 基于卷积神经网络的配电网单相接地故障选线方法
CN109325526A (zh) * 2018-09-05 2019-02-12 福州大学 一种采用卷积深度置信网络的配电网故障分类方法
CN109884464A (zh) * 2019-03-01 2019-06-14 西安理工大学 小电流单相接地故障选线方法
CN111191740A (zh) * 2020-01-10 2020-05-22 福州大学 一种滚动轴承故障诊断方法
CN113325263A (zh) * 2020-11-15 2021-08-31 南方电网科学研究院有限责任公司 配电网接地故障选线方法、装置、计算机设备、存储介质
CN112834921A (zh) * 2020-12-23 2021-05-25 浙江工业大学 一种基于残差图注意力网络的电机故障诊断方法
CN113762412A (zh) * 2021-09-26 2021-12-07 国网四川省电力公司电力科学研究院 一种配电网单相接地故障识别方法、系统、终端及介质
CN114355240A (zh) * 2021-12-01 2022-04-15 国网安徽省电力有限公司电力科学研究院 配电网接地故障诊断方法及装置
CN114414942A (zh) * 2022-01-14 2022-04-29 重庆大学 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及系统
CN114441900A (zh) * 2022-02-10 2022-05-06 国网四川省电力公司营销服务中心 一种配电网单相接地故障选线方法及系统
CN114936947A (zh) * 2022-07-18 2022-08-23 四川轻化工大学 基于gadf-vgg16的高压直流输电线路故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A novel single-phase-to-earth fault line method in small current grounding systems;Jiao Shangbin et al;《Proceedings of the 38th Chinese Control Conference》;20190730;7310-7315 *
基于改进堆叠去噪自编码的接地故障选线方法;常宛露 等;计算机应用与软件;20200712;第37卷(第07期);49-60 *

Also Published As

Publication number Publication date
CN117314883A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
CN117314883B (zh) 基于EWT和VGGNet的配电网故障选线方法及系统
Yang et al. Fault diagnosis for energy internet using correlation processing-based convolutional neural networks
CN109142851B (zh) 一种新型的配电网内部过电压识别方法
CN110083940A (zh) 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法
CN111159638A (zh) 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法
CN106846173A (zh) 基于ewt‑esn的短期风电功率预测方法
CN108535648A (zh) 电机故障诊断方法和系统
CN114355240B (zh) 配电网接地故障诊断方法及装置
CN111654392A (zh) 基于互信息的低压配电网拓扑识别方法及系统
CN110728331A (zh) 一种改进最小二乘支持向量机的谐波发射水平评估方法
CN111368259B (zh) 一种配网电压数据缺失填补方法及相关装置
CN110765703B (zh) 一种风电场聚合特性建模方法
CN106099891A (zh) 对海上风电场出线端海缆进行并联电抗器优化配置的分析方法
CN110634082A (zh) 一种基于深度学习的低频减载系统运行阶段预测方法
CN115656817A (zh) 基于神经网络技术的永磁同步电机匝间短路故障检测方法
CN114355100A (zh) 配电网单相弧光接地故障选线方法、系统、设备及介质
CN107229774A (zh) 一种基于广义正交匹配追踪的电能质量信号重构方法
CN118033732A (zh) 一种基于空域频域融合架构的地震数据重建方法
CN117741336A (zh) 用于复合接地系统的故障选线方法和装置
CN117606724A (zh) 一种多分辨率的动态信号时域及频谱特征分析方法及装置
CN115291039B (zh) 一种谐振接地系统单相接地故障选线方法
CN106953331A (zh) 一种考虑不确定性和三相不平衡的电力系统谐波潮流算法
Priyadarshini et al. Detection of islanding and non-islanding fault disturbances in microgrid using LMD and deep stacked RVFLN based auto-encoder
CN106815659A (zh) 一种基于混合模型的超短期太阳辐射预测方法及其装置
CN115907142A (zh) 一种短期电量预测方法及装置

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