CN117330890A - 输电线路故障诊断系统及方法 - Google Patents

输电线路故障诊断系统及方法 Download PDF

Info

Publication number
CN117330890A
CN117330890A CN202311203318.5A CN202311203318A CN117330890A CN 117330890 A CN117330890 A CN 117330890A CN 202311203318 A CN202311203318 A CN 202311203318A CN 117330890 A CN117330890 A CN 117330890A
Authority
CN
China
Prior art keywords
matrix
parameter
time sequence
feature
vector
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.)
Granted
Application number
CN202311203318.5A
Other languages
English (en)
Other versions
CN117330890B (zh
Inventor
陈哲彬
陈国良
陈丽婷
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.)
Gooda Wire And Cable Group Co ltd
Original Assignee
Zhejiang Deqing Disheng Power Technology 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 Zhejiang Deqing Disheng Power Technology Co ltd filed Critical Zhejiang Deqing Disheng Power Technology Co ltd
Priority to CN202311203318.5A priority Critical patent/CN117330890B/zh
Publication of CN117330890A publication Critical patent/CN117330890A/zh
Application granted granted Critical
Publication of CN117330890B publication Critical patent/CN117330890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • 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
    • 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
    • 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
    • G06N3/045—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]
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本申请涉及智能诊断领域，其具体地公开了一种输电线路故障诊断系统及方法，其首先对输电线路的电流和电压数据进行排列，得到了一个包含电流和电压信息的参数全时序输入矩阵，接着对所述参数全时序输入矩阵进行特征提取，并将特征提取到的信息最终通过分类器以生成用于判断所述输电线路是否存在故障的分类结果。这样，可以更好地捕捉到故障前的潜在变化和趋势，并充分利用数据中的信息来进行故障诊断。

Description

输电线路故障诊断系统及方法
技术领域
本申请涉及智能诊断领域，且更为具体地，涉及一种输电线路故障诊断系统及方法。
背景技术
传统的输电线路故障诊断方法仅考虑单个时间点的数据。它通过分析电流、电压等参数，并与预设的阈值和标准进行比较，以确定是否存在故障。然而，这种方法存在一些局限性。首先，它无法捕捉到故障发生前的潜在变化和趋势，因为它只关注单个时间点的数据；其次，它通常对相关数据的处理较为简单，无法充分利用数据中的信息和关联性。因此，在一些复杂的故障情况下，传统的输电线路故障诊断方法可能会出现误判和漏判的问题。
因此，需要一种优化的输电线路故障诊断方案。
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输电线路故障诊断系统及方法，其首先对输电线路的电流和电压数据进行排列，得到了一个包含电流和电压信息的参数全时序输入矩阵，接着对所述参数全时序输入矩阵进行特征提取，并将特征提取到的信息最终通过分类器以生成用于判断所述输电线路是否存在故障的分类结果。这样，可以更好地捕捉到故障前的潜在变化和趋势，并充分利用数据中的信息来进行故障诊断。
根据本申请的一个方面，提供了一种输电线路故障诊断系统，其包括：
输电线路参数获取模块，用于获取输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值；
参数结构化模块，用于将所述多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值按照样本维度和时间维度排列为参数全时序输入矩阵；
参数特征提取模块，用于将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；
特征矩阵切分模块，用于将所述参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；
矩阵展开模块，用于将所述多个参数时序关联子矩阵进行展开以得到多个参数时序关联向量；
分类特征生成模块，用于将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量；
故障结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述输电线路是否存在故障。
在上述输电线路故障诊断系统中，所述参数特征提取模块，包括：第一尺度参数特征提取单元，用于使用所述多尺度特征感知器的第一卷积神经网络模型对所述参数全时序输入矩阵基于第一空洞率的空洞卷积核进行第一尺度深度卷积编码以得到第一尺度参数全时序关联矩阵；第二尺度参数特征提取单元，用于使用所述多尺度特征感知器的第二卷积神经网络模型对所述参数全时序输入矩阵基于第二空洞率的空洞卷积核进行第二尺度深度卷积编码以得到第二尺度参数全时序关联矩阵；多尺度参数特征融合单元，用于融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到所述参数全时序关联矩阵。
在上述输电线路故障诊断系统中，所述第一尺度参数特征提取单元，用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第一空洞率的空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度参数全时序关联矩阵，所述第一卷积神经网络模型的第一层的输入为所述参数全时序输入矩阵。
在上述输电线路故障诊断系统中，所述第二尺度参数特征提取单元，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第二空洞率的空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度参数全时序关联矩阵，所述第二卷积神经网络模型的第一层的输入为所述参数全时序输入矩阵。
在上述输电线路故障诊断系统中，所述多尺度参数特征融合单元，包括：特征表达强化子单元，用于使用高斯密度图对所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵进行基于高斯先验分布的特征表达强化以得到第一高斯强化特征矩阵和第二高斯强化特征矩阵；转移类单应空间矩阵计算子单元，用于分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的转移类单应空间矩阵以得到多个转移类单应空间矩阵；余弦相似度计算子单元，用于分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的余弦相似度以得到类聚类中心权重特征向量；加权子单元，用于以所述类聚类中心权重特征向量中各个位置的特征值作为权重，计算所述多个转移类单应空间矩阵的按位置加权和以得到转移中心类单应空间矩阵；单应映射矩阵生成子单元，用于将所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵分别与所述转移中心类单应空间矩阵进行相乘以得到单应映射第一尺度参数全时序关联矩阵和单应映射第二尺度参数全时序关联矩阵；级联子单元，用于将所述单应映射第一尺度参数全时序关联矩阵和所述单应映射第二尺度参数全时序关联矩阵进行级联以得到所述参数全时序关联矩阵。
在上述输电线路故障诊断系统中，所述分类特征生成模块，包括：向量排列单元，用于将所述多个参数时序关联向量排列为输入向量；输入向量转化单元，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；自注意关联矩阵生成单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；标准化处理单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；激活单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；注意力施加单元，用于将所述自注意力特征矩阵与以所述多个参数时序关联向量中各个参数时序关联向量作为值向量分别进行相乘以得到所述多个上下文特征向量；上下文级联单元，用于将所述多个上下文特征向量进行级联以得到所述分类特征向量。
在上述输电线路故障诊断系统中，所述故障结果生成模块，用于：使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果；其中，所述分类公式为：
O＝softmax{(Mc,Bc)│Vc}
其中O为所述分类结果，Vc表示所述分类特征向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量，softmax为归一化指数函数。
根据本申请的另一方面，提供了一种输电线路故障诊断方法，其包括：
获取输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值；
将所述多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值按照样本维度和时间维度排列为参数全时序输入矩阵；
将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；
将所述参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；
将所述多个参数时序关联子矩阵进行展开以得到多个参数时序关联向量；
将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量；
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述输电线路是否存在故障。
与现有技术相比，本申请提供的输电线路故障诊断系统及方法，其首先对输电线路的电流和电压数据进行排列，得到了一个包含电流和电压信息的参数全时序输入矩阵，接着对所述参数全时序输入矩阵进行特征提取，并将特征提取到的信息最终通过分类器以生成用于判断所述输电线路是否存在故障的分类结果。这样，可以更好地捕捉到故障前的潜在变化和趋势，并充分利用数据中的信息来进行故障诊断。
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。附图用于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为根据本申请实施例的输电线路故障诊断系统的系统框图。
图2为根据本申请实施例的输电线路故障诊断系统的架构图。
图3为根据本申请实施例的输电线路故障诊断系统中参数特征提取模块的框图。
图4为根据本申请实施例的输电线路故障诊断系统中多尺度参数特征融合单元的框图。
图5为根据本申请实施例的输电线路故障诊断系统中分类特征生成的框图。
图6为根据本申请实施例的输电线路故障诊断方法的流程图。
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。
申请概述
如上述背景技术所言，传统的输电线路故障诊断方法有一定的局限性。首先，它往往只考虑单个时间点的数据，而无法捕捉到故障前的变化和趋势；其次，它处理数据的方式较为简单。在复杂的故障情况下，容易出现误判和漏判的问题。因此，需要一种优化的输电线路故障诊断方案。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为输电线路故障诊断提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值。应可以理解，在输电线路中，电压和电流是判断线路状态是否发生故障的重要指标。通过获取多个时间点的电压和电流数据，可以获得线路在不同时间点的状态信息。这些数据可以反映线路的动态变化和趋势，有助于捕捉到故障发生前的潜在变化。例如，故障可能导致电压或电流异常波动，通过多个时间点的数据可以更好地观察到这种变化。此外，获取三相电压和电流的各相值也是为了全面考虑线路的多个方面。在三相电力系统中，各相之间存在相互关联和平衡关系，通过获取各相的数值可以更好地分析线路的状态。例如，线路中的故障通常会导致电压和电流的不平衡，通过获取各相的数值可以更准确地判断是否存在故障。
接着，将所述多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值按照样本维度和时间维度排列为参数全时序输入矩阵。应可以理解，按照样本维度和时间维度排列数据可以将不同时间点的电压和电流数据组合成一个矩阵，其中每一行表示一个时间点的数据，每一列表示一个参数(例如，第一相电压、第二相电压、第三相电压、第一相电流、第二相电流、第三相电流)。这样的排列方式可以保留时间序列的顺序，并且方便对整个时间段内的数据进行统一处理。
然后，将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵。特别注意的是，这里，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核。应可以理解，多尺度特征感知器是为了在不同空洞率的空洞卷积核的作用下，从参数全时序输入矩阵中捕捉参数之间的时序关联。空洞卷积是一种具有可调节感受野大小的卷积操作，通过在卷积核中引入空洞或间隔，可以扩大卷积核的感受野，从而增加了模型对输入数据中长期依赖关系的感知能力。通过使用具有不同空洞率的空洞卷积核，可以在不同尺度上感知参数之间的关联信息。较小的空洞率可以捕捉到局部的时序关联，而较大的空洞率可以捕捉到更远距离的时序关联。这样的多尺度特征感知器可以帮助更全面地理解参数之间的时序关系，并提取更丰富的特征表示。最终，通过多尺度特征感知器，可以得到参数全时序关联矩阵，其中包含了从参数全时序输入矩阵中提取的时序关联信息。
紧接着，将所述参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵。应可以理解，通过将参数全时序关联矩阵切分成多个参数时序关联子矩阵，可以将不同参数之间的关联关系进行分离和独立地分析。每个参数时序关联子矩阵都包含了该参数与其他参数之间的时序关联信息，通过切分后的子矩阵，可以更加准确地捕捉到参数之间的局部时序关联性。
然后，将所述多个参数时序关联子矩阵进行展开以得到多个参数时序关联向量。应可以理解，展开参数时序关联子矩阵为参数时序关联向量可以将参数之间的时序关联性转化为更紧凑的表示形式。这样在降低数据维度的同时还保留了参数之间的关系信息。
进而，将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量。通过将多个参数时序关联向量输入到基于转换器的上下文编码器中，可以利用其自注意力机制来学习参数之间的复杂关系和时序依赖，以生成具有更高级别语义信息的分类特征向量。最后，将所述分类特征向量通过分类器以得到用于表示所述输电线路是否存在故障的分类结果。基于所述分类结果，运维人员可以快速了解到有关输电线路状态的重要信息，以便他们及时采取措施进行故障修复和维护。
在本申请的技术方案中，在融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到所述参数全时序关联矩阵时，考虑到所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵的源数据在大数据层面满足高斯分布的先验规律，因此，选择使用高斯密度图对所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵进行特征表达强化以得到第一高斯强化特征矩阵和第二高斯强化特征矩阵。进而，利用不同模态的特征分布在单应空间具有特征对齐的特性，分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的转移类单应空间矩阵以得到多个转移类单应空间矩阵。这里，所述第一高斯强化特征矩阵的各个行向量乘以所述转移类单应空间矩阵等于所述第二高斯强化特征矩阵中对应行向量。相应地，在以所述各个转移类单应空间矩阵来拟合真正的低位稀疏化单应空间的过程中，所述各个转移类单应空间矩阵仅表达各个行向量之间的单应空间映射规律，为了进行多面多维单因空间拼接和聚合，在本申请的技术方案中，计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的余弦相似度以得到类聚类中心权重特征向量，并以所述类聚类中心权重特征向量中各个位置的特征值作为权重，计算所述多个转移类单应空间矩阵的按位置加权和以得到转移中心类单应空间矩阵。也就是，以所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的余弦相似度来表示各个行向量之间的特征流形分布的相似性，从而间接地表征单应空间的空间结构，进而以所述类聚类中心权重特征向量中各个位置的特征值作为权重，计算所述多个转移类单应空间矩阵的按位置加权和以得到转移中心类单应空间矩阵通过这样的方式，对所述多个类单应空间进行多面多维空间聚合。最终，将所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵分别与所述转移中心类单应空间矩阵进行相乘以得到单应映射第一尺度参数全时序关联矩阵和单应映射第二尺度参数全时序关联矩阵，并将所述单应映射第一尺度参数全时序关联矩阵和所述单应映射第二尺度参数全时序关联矩阵进行级联以得到参数全时序关联矩阵。
这样，将高维的数据转化为低维的数据，同时保留数据中最重要的特征，以减少数据的冗余和噪声，提高数据的质量和可解释性，同时也可以降低后续处理或分析数据所需的时间和资源。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的输电线路故障诊断系统的系统框图。如图1所示，在输电线路故障诊断系统100中，包括：输电线路参数获取模块110，用于获取输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值；参数结构化模块120，用于将所述多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值按照样本维度和时间维度排列为参数全时序输入矩阵；参数特征提取模块130，用于将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；特征矩阵切分模块140，用于将所述参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；矩阵展开模块150，用于将所述多个参数时序关联子矩阵进行展开以得到多个参数时序关联向量；分类特征生成模块160，用于将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量；故障结果生成模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述输电线路是否存在故障。
图2为根据本申请实施例的输电线路故障诊断系统的架构图。如图2所示，在该架构中，首先，获取输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值。接着，将所述多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值按照样本维度和时间维度排列为参数全时序输入矩阵。然后，将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核。紧接着，将所述参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵。然后，将所述多个参数时序关联子矩阵进行展开以得到多个参数时序关联向量。进而，将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量。最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述输电线路是否存在故障。
在输电线路故障诊断系统100中，所述输电线路参数获取模块110，用于获取输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值。应可以理解，在输电线路中，电压和电流是判断线路状态是否发生故障的重要指标。通过获取多个时间点的电压和电流数据，可以获得线路在不同时间点的状态信息。这些数据可以反映线路的动态变化和趋势，有助于捕捉到故障发生前的潜在变化。此外，获取三相电压和电流的各相值也是为了全面考虑线路的多个方面。在三相电力系统中，各相之间存在相互关联和平衡关系，通过获取各相的数值可以更好地分析线路的状态。这里输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值可以通过电压传感器收集数据获得，输电线路在预定时间段内多个预定时间点的三相电流的第一相电流值、第二相电流值和第三相电流值可以通过电流传感器收集数据获得。
在输电线路故障诊断系统100中，所述参数结构化模块120，用于将所述多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值按照样本维度和时间维度排列为参数全时序输入矩阵。应可以理解，按照样本维度和时间维度排列数据可以将不同时间点的电压和电流数据组合成一个矩阵，其中每一行表示一个时间点的数据，每一列表示一个参数(例如，第一相电压、第二相电压、第三相电压、第一相电流、第二相电流、第三相电流)。这样的排列方式可以保留时间序列的顺序，并且方便对整个时间段内的数据进行统一处理。
在输电线路故障诊断系统100中，所述参数特征提取模块130，用于将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核。应可以理解，多尺度特征感知器是为了在不同空洞率的空洞卷积核的作用下，从参数全时序输入矩阵中捕捉参数之间的时序关联。空洞卷积是一种具有可调节感受野大小的卷积操作，通过在卷积核中引入空洞或间隔，可以扩大卷积核的感受野，从而增加了模型对输入数据中长期依赖关系的感知能力。通过使用具有不同空洞率的空洞卷积核，可以在不同尺度上感知参数之间的关联信息。较小的空洞率可以捕捉到局部的时序关联，而较大的空洞率可以捕捉到更远距离的时序关联。这样的多尺度特征感知器可以帮助更全面地理解参数之间的时序关系，并提取更丰富的特征表示。最终，通过多尺度特征感知器，可以得到参数全时序关联矩阵，其中包含了从参数全时序输入矩阵中提取的时序关联信息。
图3为根据本申请实施例的输电线路故障诊断系统中参数特征提取模块的框图。如图3所示，所述参数特征提取模块130，包括：第一尺度参数特征提取单元131，用于使用所述多尺度特征感知器的第一卷积神经网络模型对所述参数全时序输入矩阵基于第一空洞率的空洞卷积核进行第一尺度深度卷积编码以得到第一尺度参数全时序关联矩阵；第二尺度参数特征提取单元132，用于使用所述多尺度特征感知器的第二卷积神经网络模型对所述参数全时序输入矩阵基于第二空洞率的空洞卷积核进行第二尺度深度卷积编码以得到第二尺度参数全时序关联矩阵；多尺度参数特征融合单元133，用于融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到所述参数全时序关联矩阵。
具体地，在输电线路故障诊断系统100中，所述第一尺度参数特征提取单元131，用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第一空洞率的空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度参数全时序关联矩阵，所述第一卷积神经网络模型的第一层的输入为所述参数全时序输入矩阵。
具体地，在输电线路故障诊断系统100中，所述第二尺度参数特征提取单元132，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第二空洞率的空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度参数全时序关联矩阵，所述第二卷积神经网络模型的第一层的输入为所述参数全时序输入矩阵。
图4为根据本申请实施例的输电线路故障诊断系统中多尺度参数特征融合单元的框图。如图4所示，所述多尺度参数特征融合单元133，包括：特征表达强化子单元1331，用于使用高斯密度图对所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵进行基于高斯先验分布的特征表达强化以得到第一高斯强化特征矩阵和第二高斯强化特征矩阵；转移类单应空间矩阵计算子单元1332，用于分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的转移类单应空间矩阵以得到多个转移类单应空间矩阵；余弦相似度计算子单元1333，用于分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的余弦相似度以得到类聚类中心权重特征向量；加权子单元1334，用于以所述类聚类中心权重特征向量中各个位置的特征值作为权重，计算所述多个转移类单应空间矩阵的按位置加权和以得到转移中心类单应空间矩阵；单应映射矩阵生成子单元1335，用于将所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵分别与所述转移中心类单应空间矩阵进行相乘以得到单应映射第一尺度参数全时序关联矩阵和单应映射第二尺度参数全时序关联矩阵；级联子单元1336，用于将所述单应映射第一尺度参数全时序关联矩阵和所述单应映射第二尺度参数全时序关联矩阵进行级联以得到所述参数全时序关联矩阵。
应可以理解，在融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到所述参数全时序关联矩阵时，考虑到所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵的源数据在大数据层面满足高斯分布的先验规律，因此，选择使用高斯密度图对所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵进行特征表达强化以得到第一高斯强化特征矩阵和第二高斯强化特征矩阵。不同模态的特征分布在单应空间具有特征对齐的特性，分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的转移类单应空间矩阵以得到多个转移类单应空间矩阵。这里，所述第一高斯强化特征矩阵的各个行向量乘以所述转移类单应空间矩阵等于所述第二高斯强化特征矩阵中对应行向量。接下去以所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的余弦相似度来表示各个行向量之间的特征流形分布的相似性，从而间接地表征单应空间的空间结构，进而以所述类聚类中心权重特征向量中各个位置的特征值作为权重，计算所述多个转移类单应空间矩阵的按位置加权和以得到转移中心类单应空间矩阵通过这样的方式，对所述多个类单应空间进行多面多维空间聚合。最终，将所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵分别与所述转移中心类单应空间矩阵进行相乘以得到单应映射第一尺度参数全时序关联矩阵和单应映射第二尺度参数全时序关联矩阵，并将所述单应映射第一尺度参数全时序关联矩阵和所述单应映射第二尺度参数全时序关联矩阵进行级联以得到参数全时序关联矩阵。
在输电线路故障诊断系统100中，所述特征矩阵切分模块140，用于将所述参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵。应可以理解，通过将参数全时序关联矩阵切分成多个参数时序关联子矩阵，可以将不同参数之间的关联关系进行分离和独立地分析。每个参数时序关联子矩阵都包含了该参数与其他参数之间的时序关联信息，通过切分后的子矩阵，可以更加准确地捕捉到参数之间的局部时序关联性。
在输电线路故障诊断系统100中，所述矩阵展开模块150，用于将所述多个参数时序关联子矩阵进行展开以得到多个参数时序关联向量。应可以理解，展开参数时序关联子矩阵为参数时序关联向量可以将参数之间的时序关联性转化为更紧凑的表示形式。这样在降低数据维度的同时还保留了参数之间的关系信息。
在输电线路故障诊断系统100中，所述分类特征生成模块160，用于将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量。应可以理解，转换器是一种基于自注意力机制的神经网络架构，具有强大的建模能力和并行计算的优势。传统的卷积神经网络在特征提取是通常使用局部滑动窗口的方式，只能捕捉到局部的上下文信息，而转换器的自注意机制允许模型在特征提取过程中同时考虑到输入数据的全局上下文信息，通过对输入序列中的每个位置进行自注意力计算，转换器可以对不同位置之间的依赖关系进行建模，从而更好地捕捉到全局的语义和结构信息。通过将多个参数时序关联向量输入到基于转换器的上下文编码器中，可以利用其自注意力机制来学习参数之间的复杂关系和时序依赖，以生成具有更高级别语义信息的分类特征向量。
图5为根据本申请实施例的输电线路故障诊断系统中分类特征生成的框图。如图5所示，所述分类特征生成模块160，包括：向量排列单元161，用于将所述多个参数时序关联向量排列为输入向量；输入向量转化单元162，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；自注意关联矩阵生成单元163，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；标准化处理单元164，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；激活单元165，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；注意力施加单元166，用于将所述自注意力特征矩阵与以所述多个参数时序关联向量中各个参数时序关联向量作为值向量分别进行相乘以得到所述多个上下文特征向量；上下文级联单元167，用于将所述多个上下文特征向量进行级联以得到所述分类特征向量。
在输电线路故障诊断系统100中，所述故障结果生成模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述输电线路是否存在故障。分类器作为一种机器学习模型，可以根据输入数据进行分析和判断，将其映射到不同的类别上。将所述分类特征向量输入到训练好的分类器里，可以得到用于表示所述输电线路是否存在故障的分类结果。基于所述分类结果，运维人员可以快速了解到有关输电线路状态的重要信息，以便他们及时采取措施进行故障修复和维护。
具体地，在输电线路故障诊断系统100中，所述故障结果生成模块170，用于：使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果；其中，所述分类公式为：
O＝softmax{(Mc,Bc)│Vc}
其中O为所述分类结果，Vc表示所述分类特征向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量，softmax为归一化指数函数。
综上所述，基于本申请实施例的输电线路故障诊断系统100被阐明，其首先对输电线路的电流和电压数据进行排列，得到了一个包含电流和电压信息的参数全时序输入矩阵，接着对所述参数全时序输入矩阵进行特征提取，并将特征提取到的信息最终通过分类器以生成用于判断所述输电线路是否存在故障的分类结果。这样，可以更好地捕捉到故障前的潜在变化和趋势，并充分利用数据中的信息来进行故障诊断。
如上所述，根据本申请实施例的输电线路故障诊断系统100可以实现在各种终端设备中，例如用于输电线路故障诊断的服务器等。在一个示例中，根据本申请实施例的输电线路故障诊断系统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，该输电线路故障诊断系统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，该输电线路故障诊断系统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，该输电线路故障诊断系统100与该终端设备也可以是分立的设备，并且该输电线路故障诊断系统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6为根据本申请实施例的输电线路故障诊断方法的流程图。如图6所示，在输电线路故障诊断方法中，包括：S110，获取输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值；S120，将所述多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值按照样本维度和时间维度排列为参数全时序输入矩阵；S130，将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；S140，将所述参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；S150，将所述多个参数时序关联子矩阵进行展开以得到多个参数时序关联向量；S160，将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量；S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述输电线路是否存在故障。
在一个示例中，在上述输电线路故障诊断方法中，所述将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核，包括：使用所述多尺度特征感知器的第一卷积神经网络模型对所述参数全时序输入矩阵基于第一空洞率的空洞卷积核进行第一尺度深度卷积编码以得到第一尺度参数全时序关联矩阵；使用所述多尺度特征感知器的第二卷积神经网络模型对所述参数全时序输入矩阵基于第二空洞率的空洞卷积核进行第二尺度深度卷积编码以得到第二尺度参数全时序关联矩阵；融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到所述参数全时序关联矩阵。
在一个示例中，在上述输电线路故障诊断方法中，所述使用所述多尺度特征感知器的第一卷积神经网络模型对所述参数全时序输入矩阵基于第一空洞率的空洞卷积核进行第一尺度深度卷积编码以得到第一尺度参数全时序关联矩阵，用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第一空洞率的空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度参数全时序关联矩阵，所述第一卷积神经网络模型的第一层的输入为所述参数全时序输入矩阵。
在一个示例中，在上述输电线路故障诊断方法中，所述使用所述多尺度特征感知器的第二卷积神经网络模型对所述参数全时序输入矩阵基于第二空洞率的空洞卷积核进行第二尺度深度卷积编码以得到第二尺度参数全时序关联矩阵，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述第二空洞率的空洞卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度参数全时序关联矩阵，所述第二卷积神经网络模型的第一层的输入为所述参数全时序输入矩阵。
在一个示例中，在上述输电线路故障诊断方法中，所述融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到所述参数全时序关联矩阵，包括：使用高斯密度图对所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵进行基于高斯先验分布的特征表达强化以得到第一高斯强化特征矩阵和第二高斯强化特征矩阵；分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的转移类单应空间矩阵以得到多个转移类单应空间矩阵；分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的余弦相似度以得到类聚类中心权重特征向量；以所述类聚类中心权重特征向量中各个位置的特征值作为权重，计算所述多个转移类单应空间矩阵的按位置加权和以得到转移中心类单应空间矩阵；将所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵分别与所述转移中心类单应空间矩阵进行相乘以得到单应映射第一尺度参数全时序关联矩阵和单应映射第二尺度参数全时序关联矩阵；将所述单应映射第一尺度参数全时序关联矩阵和所述单应映射第二尺度参数全时序关联矩阵进行级联以得到所述参数全时序关联矩阵。
在一个示例中，在上述输电线路故障诊断方法中，所述将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量，包括：将所述多个参数时序关联向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；将所述自注意力特征矩阵与以所述多个参数时序关联向量中各个参数时序关联向量作为值向量分别进行相乘以得到所述多个上下文特征向量；将所述多个上下文特征向量进行级联以得到所述分类特征向量。
在一个示例中，在上述输电线路故障诊断方法中，所述将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述输电线路是否存在故障，包括：使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果；其中，所述分类公式为：
O＝softmax{(Mc,Bc)│Vc}
其中O为所述分类结果，Vc表示所述分类特征向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量，softmax为归一化指数函数。
综上所述，基于本申请实施例的输电线路故障诊断方法被阐明，其首先对输电线路的电流和电压数据进行排列，得到了一个包含电流和电压信息的参数全时序输入矩阵，接着对所述参数全时序输入矩阵进行特征提取，并将特征提取到的信息最终通过分类器以生成用于判断所述输电线路是否存在故障的分类结果。这样，可以更好地捕捉到故障前的潜在变化和趋势，并充分利用数据中的信息来进行故障诊断。

Claims (10)

1.一种输电线路故障诊断系统，其特征在于，包括：
输电线路参数获取模块，用于获取输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值；
参数结构化模块，用于将所述多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值按照样本维度和时间维度排列为参数全时序输入矩阵；
参数特征提取模块，用于将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；
特征矩阵切分模块，用于将所述参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；
矩阵展开模块，用于将所述多个参数时序关联子矩阵进行展开以得到多个参数时序关联向量；
分类特征生成模块，用于将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量；
故障结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述输电线路是否存在故障。
2.根据权利要求1所述的输电线路故障诊断系统，其特征在于，所述参数特征提取模块，包括：
第一尺度参数特征提取单元，用于使用所述多尺度特征感知器的第一卷积神经网络模型对所述参数全时序输入矩阵基于第一空洞率的空洞卷积核进行第一尺度深度卷积编码以得到第一尺度参数全时序关联矩阵；
第二尺度参数特征提取单元，用于使用所述多尺度特征感知器的第二卷积神经网络模型对所述参数全时序输入矩阵基于第二空洞率的空洞卷积核进行第二尺度深度卷积编码以得到第二尺度参数全时序关联矩阵；
多尺度参数特征融合单元，用于融合所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵以得到所述参数全时序关联矩阵。
3.根据权利要求2所述的输电线路故障诊断系统，其特征在于，所述第一尺度参数特征提取单元，用于：
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于所述第一空洞率的空洞卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度参数全时序关联矩阵，所述第一卷积神经网络模型的第一层的输入为所述参数全时序输入矩阵。
4.根据权利要求3所述的输电线路故障诊断系统，其特征在于，所述第二尺度参数特征提取单元，用于：
使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于所述第二空洞率的空洞卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度参数全时序关联矩阵，所述第二卷积神经网络模型的第一层的输入为所述参数全时序输入矩阵。
5.根据权利要求4所述的输电线路故障诊断系统，其特征在于，所述多尺度参数特征融合单元，包括：
特征表达强化子单元，用于使用高斯密度图对所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵进行基于高斯先验分布的特征表达强化以得到第一高斯强化特征矩阵和第二高斯强化特征矩阵；
转移类单应空间矩阵计算子单元，用于分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的转移类单应空间矩阵以得到多个转移类单应空间矩阵；
余弦相似度计算子单元，用于分别计算所述第一高斯强化特征矩阵和所述第二高斯强化特征矩阵的各组对应的行向量之间的余弦相似度以得到类聚类中心权重特征向量；
加权子单元，用于以所述类聚类中心权重特征向量中各个位置的特征值作为权重，计算所述多个转移类单应空间矩阵的按位置加权和以得到转移中心类单应空间矩阵；
单应映射矩阵生成子单元，用于将所述第一尺度参数全时序关联矩阵和所述第二尺度参数全时序关联矩阵分别与所述转移中心类单应空间矩阵进行相乘以得到单应映射第一尺度参数全时序关联矩阵和单应映射第二尺度参数全时序关联矩阵；
级联子单元，用于将所述单应映射第一尺度参数全时序关联矩阵和所述单应映射第二尺度参数全时序关联矩阵进行级联以得到所述参数全时序关联矩阵。
6.根据权利要求5所述的输电线路故障诊断系统，其特征在于，所述分类特征生成模块，包括：
向量排列单元，用于将所述多个参数时序关联向量排列为输入向量；
输入向量转化单元，用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；
自注意关联矩阵生成单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
标准化处理单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；
激活单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；
注意力施加单元，用于将所述自注意力特征矩阵与以所述多个参数时序关联向量中各个参数时序关联向量作为值向量分别进行相乘以得到所述多个上下文特征向量；
上下文级联单元，用于将所述多个上下文特征向量进行级联以得到所述分类特征向量。
7.根据权利要求6所述的输电线路故障诊断系统，其特征在于，所述故障结果生成模块，用于：使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果；
其中，所述分类公式为：
O＝softmax{(Mc,Bc)│Vc}
其中O为所述分类结果，Vc表示所述分类特征向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量，softmax为归一化指数函数。
8.一种输电线路故障诊断方法，其特征在于，包括：
获取输电线路在预定时间段内多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值；
将所述多个预定时间点的三相电压的第一相电压值、第二相电压值和第三相电压值以及三相电流的第一相电流值、第二相电流值和第三相电流值按照样本维度和时间维度排列为参数全时序输入矩阵；
将所述参数全时序输入矩阵输入到包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度特征感知器以得到参数全时序关联矩阵，其中，所述第一卷积神经网络模型和所述第二卷积神经网络模型分别使用具有不同空洞率的空洞卷积核；
将所述参数全时序关联矩阵进行特征矩阵切分以得到多个参数时序关联子矩阵；
将所述多个参数时序关联子矩阵进行展开以得到多个参数时序关联向量；
将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量；
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述输电线路是否存在故障。
9.根据权利要求8所述的输电线路故障诊断方法，其特征在于，将所述多个参数时序关联向量通过基于转换器的上下文编码器以得到分类特征向量，包括：
将所述多个参数时序关联向量排列为输入向量；
将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；
计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；
将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；
将所述自注意力特征矩阵与以所述多个参数时序关联向量中各个参数时序关联向量作为值向量分别进行相乘以得到所述多个上下文特征向量；
将所述多个上下文特征向量进行级联以得到所述分类特征向量。
10.根据权利要求9所述的输电线路故障诊断方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示所述输电线路是否存在故障，包括：使用所述分类器以如下分类公式对所述分类特征向量进行处理以生成所述分类结果；
其中，所述分类公式为：
O＝softmax{(Mc,Bc)│Vc}
其中O为所述分类结果，Vc表示所述分类特征向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏向向量，softmax为归一化指数函数。
CN202311203318.5A 2023-09-18 2023-09-18 输电线路故障诊断系统及方法 Active CN117330890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311203318.5A CN117330890B (zh) 2023-09-18 2023-09-18 输电线路故障诊断系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311203318.5A CN117330890B (zh) 2023-09-18 2023-09-18 输电线路故障诊断系统及方法

Publications (2)

Publication Number Publication Date
CN117330890A true CN117330890A (zh) 2024-01-02
CN117330890B CN117330890B (zh) 2024-08-06

Family

ID=89276378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311203318.5A Active CN117330890B (zh) 2023-09-18 2023-09-18 输电线路故障诊断系统及方法

Country Status (1)

Country Link
CN (1) CN117330890B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118362831A (zh) * 2024-04-22 2024-07-19 上海鑫智柔电线电缆有限公司 基于大数据的电缆故障智能定位系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980073A (zh) * 2017-05-23 2017-07-25 武汉大学 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法
CN109188198A (zh) * 2018-08-30 2019-01-11 武汉大学 一种基于卷积神经网络的故障数据匹配方法
CN109375065A (zh) * 2018-12-12 2019-02-22 长沙理工大学 基于三维灰色绝对关联度的行波识别方法和定位装置
WO2019232595A1 (en) * 2018-06-07 2019-12-12 Federation University Australia A method of estimating the location of a fault on an electrical distribution network and an associated system
CN112381784A (zh) * 2020-11-12 2021-02-19 国网浙江省电力有限公司信息通信分公司 一种基于多光谱图像的设备检测系统
CN112485597A (zh) * 2020-12-01 2021-03-12 国家电网公司华中分部 基于多源数据的电力系统输电线路故障诊断方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980073A (zh) * 2017-05-23 2017-07-25 武汉大学 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法
WO2019232595A1 (en) * 2018-06-07 2019-12-12 Federation University Australia A method of estimating the location of a fault on an electrical distribution network and an associated system
CN109188198A (zh) * 2018-08-30 2019-01-11 武汉大学 一种基于卷积神经网络的故障数据匹配方法
CN109375065A (zh) * 2018-12-12 2019-02-22 长沙理工大学 基于三维灰色绝对关联度的行波识别方法和定位装置
CN112381784A (zh) * 2020-11-12 2021-02-19 国网浙江省电力有限公司信息通信分公司 一种基于多光谱图像的设备检测系统
CN112485597A (zh) * 2020-12-01 2021-03-12 国家电网公司华中分部 基于多源数据的电力系统输电线路故障诊断方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118362831A (zh) * 2024-04-22 2024-07-19 上海鑫智柔电线电缆有限公司 基于大数据的电缆故障智能定位系统及方法

Also Published As

Publication number Publication date
CN117330890B (zh) 2024-08-06

Similar Documents

Publication Publication Date Title
CN109190482B (zh) 多标签视频分类方法及系统、系统训练方法及装置
CN112632972B (zh) 一种电网设备故障报告内故障信息的快速提取方法
CN114065862B (zh) 一种多维时序数据异常检测方法和系统
CN117330890B (zh) 输电线路故障诊断系统及方法
CN111507521A (zh) 台区电力负荷预测方法及预测装置
CN114724386B (zh) 智慧交通下的短时交通流量预测方法、系统和电子设备
CN117034123B (zh) 健身器材的故障监控系统及其方法
CN116257406A (zh) 用于智慧城市的网关数据管理方法及其系统
CN115471216B (zh) 智慧实验室管理平台的数据管理方法
CN111046961A (zh) 基于双向长短时记忆单元和胶囊网络的故障分类方法
CN114399066A (zh) 基于弱监督学习的机械设备预知性维护系统和维护方法
CN115935807B (zh) 基于图马尔可夫神经网络的诊断模型的训练方法
CN115018012B (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
CN116482524A (zh) 输配电开关状态检测方法及系统
CN117591813B (zh) 基于多维特征的复杂装备故障诊断方法及系统
CN116743555A (zh) 一种鲁棒多模态网络运维故障检测方法、系统及产品
CN117436950A (zh) 广告投放效果监控系统及其方法
CN116881792A (zh) 基于MEEMD-CNN-BiLSTM-ATT混合模型的电能质量信号识别方法
CN116124448A (zh) 用于风电齿轮箱的故障诊断系统及其方法
CN114297398B (zh) 基于神经网络的知识图谱实体链接方法、装置及电子设备
CN113240098B (zh) 基于混合门控神经网络的故障预测方法、装置和存储介质
CN114741697A (zh) 恶意代码分类方法、装置、电子设备和介质
CN114397521A (zh) 一种针对电子设备的故障诊断方法及系统
CN113392278A (zh) 基于工业互联网的设备液体管线流动检测方法
CN112836752A (zh) 基于深度值的特征图融合的智能采样参数控制方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240717

Address after: 561104 xiayun Industrial Park, Liyang high tech Zone, Pingba District, Anshun City, Guizhou Province

Applicant after: Gooda wire and cable (Group) Co.,Ltd.

Country or region after: China

Address before: No. 23, Qianlong Middle Road, Qianyuan Town, Deqing County, Huzhou City, Zhejiang Province 313200

Applicant before: Zhejiang Deqing Disheng Power Technology Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant