CN117347788B - 一种配电网单相接地故障类别概率预测方法 - Google Patents
一种配电网单相接地故障类别概率预测方法 Download PDFInfo
- Publication number
- CN117347788B CN117347788B CN202311354789.6A CN202311354789A CN117347788B CN 117347788 B CN117347788 B CN 117347788B CN 202311354789 A CN202311354789 A CN 202311354789A CN 117347788 B CN117347788 B CN 117347788B
- Authority
- CN
- China
- Prior art keywords
- fault
- layer
- output layer
- probability
- deviation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000006870 function Effects 0.000 claims abstract description 73
- 230000004913 activation Effects 0.000 claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000001052 transient 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
-
- 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
- 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
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及配电网故障检测及保护技术领域，公开了一种配电网单相接地故障类别概率预测方法，包括：S1、依据主流方法，构造反映接地故障的若干故障特征，形成故障特征集合X；S2、结合多层感知机方式，构建故障特征与多类故障类别之间映射关系的单相接地故障类别辨识学习模型，并在所述单相接地故障类别辨识学习模型的输出层引入多类的激活函数，并对通过所述激活函数得到的输出层的结果进行概率性转换；S3、引入交叉熵方式对所述单相接地故障类别辨识学习模型进行反向的权重及偏差修正，使修正后的所述单相接地故障类别辨识学习模型能依据所述故障特征预测出故障类别的概率。本发明可以对接地故障进行最大可能性的概率性辨识。
Description
技术领域
本发明涉及配电网故障检测及保护技术领域，具体涉及一种配电网单相接地故障类别概率预测方法。
背景技术
在配网故障类型中，单相接地故障发生概率最高，虽然有关规程允许中性点不接地系统可以运行两个小时，但是在该时限内若异名相发生接地，则可能演化为相间短路故障，在两个阶段过程，可能产生的过压或者过流都有可能给配电网线路甚至对于系统造成难以预想的事故危害，因此，配电网单相接地故障的辨识，长期以来备受工业界和学术界相关学者的高度关注。截止当前，围绕单相接地故障产生了一系列的研究成果，主要包含两大类：外加信号法和故障信号法。对于前者，其包含拉路法、S注入法、注入变频信号法和残流增量法；而后者，其包含工频零序电流比幅法、工频零序电流比相法、谐波分量法、零序电流有功分量法、零序导纳法、负序电流法等数十种；究其原理，可以分为三大类：首半波法、相不对称法和功率方向法；从方法种类看，现在关于接地方法的研究，确实有了长足的积累，也有一定的突破。
但遗憾的是，当前辨识方法从定性的角度看，基本可以属于“二分类”问题，即仅判断是否发生了接地故障，而忽视了接地故障类别的判别，如树线故障、断线接地故障、搭接(沙土、石头、黄土地或杂草等)以及是否为瞬时性接地故障等等，而这些故障对应的运维处置策略是不相同，不可能对任一接地故障都启动跳闸，抑或是都采取巡线计划进行排查，如此则不能保证用户用电的高品质、高可靠性，也不能满足配网的精益化、高效化运维。此外，甚至由于故障信号的微弱性、传感器精度的原因以及通信的失帧误码等，也会给故障辨识造成极强的干扰。因此，当前迫切需要一种能对接地故障类别进行概率性的辨识，以便适应复杂场景下的接地故障概率性辨识及多类别接地故障的有效区分。
发明内容
考虑到当前的算法着重于接地故障“是否”性的定量辨识，缺乏对于存在极强干扰下的接地故障最大可能性辨识，以及完全不适应多场景下多类别的接地故障的辨识，因此本发明提出一种配电网单相接地故障类别概率预测方法，旨在丰富健全当前故障研判的技术体系，以及为科研、工程技术人员提供更加贴合实际的实用化方法。
本发明通过下述技术方案实现：
一种配电网单相接地故障类别概率预测方法，包括：
S1、依据主流方法，构造反映接地故障的若干故障特征，形成故障特征集合X；
S2、结合多层感知机方式，构建故障特征与多类故障类别之间映射关系的单相接地故障类别辨识学习模型，并在所述单相接地故障类别辨识学习模型的输出层引入多类的激活函数，并对通过所述激活函数得到的输出层的结果进行概率性转换，使所述单相接地故障类别辨识学习模型适应多类别接地故障的有效区分及干扰下的接地故障概率化分类；
S3、引入交叉熵方式对所述单相接地故障类别辨识学习模型进行反向的权重及偏差修正，使修正后的所述单相接地故障类别辨识学习模型能依据所述故障特征预测出故障类别的概率。
作为优化，所述故障特征包括零序角差、故障前后有功功率、故障前后无功功率、故障前后零序电流及其突变量、故障前后零序电压及其突变量、故障前后三相电流及其突变量以及故障前后三相电压及其突变量。
作为优化，S2的具体步骤为：
S2.1、根据多层感知机，将所述故障特征的总数设定为所述单相接地故障类别辨识学习模型的输入层维度N，所述故障类别的总数设定为所述单相接地故障类别辨识学习模型的输出层维度O，并根据避免极端情况的原则下设定隐藏层维度S；
S2.2、根据所述输入层、隐藏层和输出层的维度，设定所述输入层与隐藏层之间的第一权重矩阵所述隐藏层的第一偏差向量/>所述隐藏层与输出层之间的第二权重矩阵/>所述输出层的第二偏差向量/>所述第一权重矩阵、第一偏差向量、第二权重矩阵、第二偏差向量均设定为均值为零、标准差为1的正态分布，N代表输入层维度、/>代表空间；
S2.3、基于接地故障属性，结合所述第一权重矩阵、第一偏差向量、第二权重矩阵、第二偏差向量在所述输出层设置多类的激活函数得到所述输出层与所述激活函数以及所述第一权重矩阵、第一偏差向量、第二权重矩阵、第二偏差向量的数学关系式；
S2.4、引入概率转换函数，对所述数学关系式进行概率转换，以得到所述故障特征属于的每一个故障类别的概率。
作为优化，S2.1中，所述极端情况包括两类，即不合适的隐藏层维度过小或过大易导致感知机不能具有必要的学习能力和信息处理能力，以及导致增加网络结构的复杂性、网络学习速度变慢和陷入局部最优点的过拟合问题。
作为优化，所述隐藏层的维度具体为：
式中：round(·)和sqrt(·)分别为向上取整函数和平方根函数，N为输出层维度，O为输出层维度。
作为优化，所述激活函数为：
式中：x代表当前层的输入，对于隐藏层则为：H＝XWh+bh,而输出层则为：R＝HWo+bo；
所述输出层与所述激活函数以及所述第一权重矩阵、第一偏差向量、第二权重矩阵、第二偏差向量的数学关系式为：
作为优化，所述概率转换函数为：
其中，为概率转换函数；R＝[R1,R2,…RO]为故障类别的类别集合，P＝[P1,P2,…PO]为故障类别的类别概率集合，即Pi为当前故障特征属于第i条接地故障类别的概率。
作为优化，S3的具体步骤为：
S3.1、引入类别概率集合、故障特征对应的故障真实类别的交叉熵函数J：
式中：Yi为第i条的接地故障特征样本Xi所对应的故障真实类别，Y＝[Y1,Y2,…YO]，且Y中任一元素均为0或1；log(·)为底数为10的对数函数和J为交叉熵。
S3.2、对所述交叉熵函数J进行反向的闭环修正，以通过正向的学习训练、反向的多次级联、闭环修正各层网络的权重、偏差参数方式，建立故障输入特征与输出特征之间的非线性映射关系；其中，闭环修正方式具体为采取复合函数链式求导，对多层感知机的权重与偏差进行闭环修正，反向修正方式具体为对各输入层、隐藏层、输出层之间的权重及层内部的权重进行反向修正。
作为优化，采取复合函数链式求导，对多层感知机的权重与偏差进行闭环修正的修正函数为：
式中：符号代表求偏导函数；/>代表交叉熵对于当前接地故障样本属于第i类接地故障的类别概率的偏导；/>代表该概率对于该故障样本在经第i个输出层激活函数输出结果的偏导；/>代表第i个输出层激活函数输出结果对于输入层对隐藏层之间的权重矩阵的偏导；/>代表第i个输出层激活函数输出结果对于隐藏层偏差的偏导；/>代表第i个输出层激活函数输出结果对于隐藏层与输出层之间权重矩阵的偏导；/>代表第i个输出层激活函数输出结果对于输出层偏差的偏导；/>和/>分别代表交叉熵对于输入层与隐藏层之间的权重、隐藏层的偏差、隐藏层与输出层之间的权重和输出层的偏差之间的偏导。
作为优化，对各输入层、隐藏层、输出层之间的权重及层内部的权重进行反向修正的修正函数为：
式中：分别代表第k次、k+1次的输入层与隐藏层之间的权重矩阵；分别代表第k次、k+1次的隐藏层的偏差向量；/>分别代表第k次、k+1次的隐藏层与输出层之间的权重矩阵；/>分别代表第k次、k+1次的输出层的偏差向量。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明提出了一种配电网单相接地故障类别概率预测方法，在结合主流的接地选线方法构建了由零序角差、故障前后有功功率、故障前后三相电流及其突变量等组成高维接地故障特征的基础上，结合多层感知机方式构建单相接地故障类别辨识学习模型，并引入概率转换函数对分类结果进行概率化转换；进一步，为使得单相接地故障类别辨识学习模型能具有监督性的引导优化，引入了交叉熵方式对单相接地故障类别辨识学习模型进行反向的权重及偏差修正，最终使得单相接地故障类别辨识学习模型能深度挖掘和学习故障特征与故障类别之间的非线性关系，相比传统方式，该概率化分类的单相接地故障类别辨识学习模型避免了传统方式下接地故障“是与否”的粗粒度分类，也可克服由于故障信号的微弱性、传感器精度的原因以及通信的失帧误码等因素给故障辨识造成极强的干扰，可以对接地故障进行最大可能性的概率性辨识，更能胜任复杂场景下接地故障概率性辨识及多类别接地故障的有效区分。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为本发明所述的一种配电网单相接地故障概率性预测方法的流程图。
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。
实施例1的一种配电网单相接地故障概率性预测方法，如图1所示，包括：
S1、依据主流的首半波法、功率方向法和相不对称法，构造反映接地故障的特征集合X，包含：零序角差、故障前后有功功率、故障前后无功功率、故障前后零序电流及其突变量、故障前后零序电压及其突变量、故障前后三相电流及其突变量和故障前后三相电压及其突变量；
S2、结合多层感知机方式构建单相接地故障类别辨识学习模型，该单相接地故障类别辨识学习模型为高维故障特征与多类故障类别之间的映射关系模型，并在所述单相接地故障类别辨识学习模型的输出层引入多类的激活函数，并对通过所述激活函数得到的输出层的结果进行概率性转换，使其适应多类别接地故障的有效区分及干扰下的接地故障概率化分类。
步骤S2的具体过程为：
步骤S2.1、根据多层感知机，将所述故障特征的总数设定为所述单相接地故障类别辨识学习模型的输入层维度N，所述故障类别的总数设定为所述单相接地故障类别辨识学习模型的输出层维度O，并根据避免极端情况的原则下设定隐藏层维度S；
具体的，隐藏层维度的确定有两种选择：
式中：round(·)和sqrt(·)分别为向上取整函数和平方根函数。
两种方式为隐藏层维度的选择提供了一定的引导支持，避免两种极端情况，即该层维度过小或过大分别导致感知机不能具有必要的学习能力和信息处理能力，以及导致增加网络结构的复杂性、网络学习速度变慢和陷入局部最优点的过拟合问题等，这里的过大或者过小，应该根据实际情况来设定，具体问题对应的维度过高过低也有差异，所以调参优化非常敏感。
步骤S2.2、根据输入层、隐藏层和输出层的维度，设定输入层与隐藏层之间的第一权重矩阵隐藏层的第一偏差向量/>隐藏层与输出层之间的第二权重矩阵/>输出层的第二偏差向量/>所述第一权重矩阵、第一偏差向量、第二权重矩阵、第二偏差向量均设定为均值为零，标准差为1的正态分布，N代表输入层维度、代表空间。
步骤S2.3、基于接地故障属性，结合所述第一权重矩阵、第一偏差向量、第二权重矩阵、第二偏差向量在所述输出层设置多类的激活函数得到所述输出层与所述激活函数以及所述第一权重矩阵、第一偏差向量、第二权重矩阵、第二偏差向量的数学关系式，考虑到属于多分类问题，因此在激活函数/>有两种选择，主要采取sigmoid函数、tanh函数，两种函数的形式如下：
式中：x代表当前层的输入，对于隐藏层时则为：H＝XWh+bh,而输出层时则为：R＝HWo+bo,如果将以上两个式子联立起来，则可获取输出层的输出数学表达式，即
步骤S2.4、考虑到输出维度虽然映射到多维，但是其值(输出层的值)是介于0至1之间的随机数，无法反映出与当前故障特征关联的具体故障类别，因此需要对输出进行转换，并使其能适应模糊化的最大可能性预测或类别的最大概率，因此本发明引入如下概率转换函数进行概率转换，转换的数学形式为：
式中：为概率转换函数；R＝[R1,R2,…RO]和P为每个故障类别的类别集合及其概率集合，P＝[P1,P2,…PO]，即Pi对应结合当前故障特征，转换获取其属于第i条接地故障类别概率；Ri代表其结合当前故障特征，其对应属于第i条输出层网络的输出值，Pi为Ri转换成概率后的表征。
S3、为修正模型使其能朝有监督性的正向学习，引入交叉熵方式对单相接地故障类别辨识学习模型进行反向的权重及偏差修正，最终使单相接地故障类别辨识学习模型能深度挖掘和学习故障特征与故障类别之间的非线性关系。
步骤S3的具体过程为：
步骤S3.1、考虑到引入概率化的故障分类辨识方式，虽然可以概率化预测当前特征样本所对应的类别，但是对于概率化过于均衡或无法排他性时，则无法对于当前特征集合进行引导性的学习，并对当前样本给出明确化的概率分类。因此本发明引入交叉熵方式，即从只关心正确故障类别的故障概率。具体地，契合接地故障领域的交叉熵定义方式如下交叉熵函数J：
式中：Yi为第i条的接地故障特征样本Xi所对应的故障真实类别，Y＝[Y1,Y2,…YO]，且Y中任一元素均为0或1；log(·)为底数为10的对数函数和J为交叉熵。结合上述交叉熵的形式来看，设定最小化交叉熵损失函数的目标等价于最大化训练数据及所有标签类别的联合分类概率。
步骤S3.2、前序步骤及子步骤都对应多层感知机的正向性学习，而学习的结果虽然可以以交叉熵方式进行评价，但只是正向的一次串行级联计算，无法对感知机的各个神经单位进行调整，即无法建立好记忆故障集合的各层之间及层内部相关的权重、偏差超参，因此本步骤需要对其进行反向的闭环修正，以其通过正向的学习训练、反向的多次级联、闭环修正各层(输入层、隐藏层和输出层)网络的权重、偏差参数方式，建立故障输入特征与输出特征之间的非线性映射关系。闭环修正的方式为采取复合函数链式求导，多层感知机的权重与偏差修正函数形式如下：
式中：符号代表求偏导函数；/>代表交叉熵对于当前接地故障样本属于第i类接地故障的类别概率的偏导；/>代表该概率对于该故障样本在经第i个输出层激活函数输出结果的偏导；/>代表第i个输出层激活函数输出结果对于输入层对隐藏层之间的权重矩阵的偏导；/>代表第i个输出层激活函数输出结果对于隐藏层偏差的偏导；/>代表第i个输出层激活函数输出结果对于隐藏层与输出层之间权重矩阵的偏导；/>代表第i个输出层激活函数输出结果对于输出层偏差的偏导；/>和/>分别代表交叉熵对于输入层与隐藏层之间的权重、隐藏层的偏差、隐藏层与输出层之间的权重和输出层的偏差之间的偏导。
进一步，各层之间的权重及层内部的权重，反向的修正关系如下：
式中：分别代表第k次、k+1次的输入层与隐藏层之间的权重矩阵；分别代表第k次、k+1次的隐藏层的偏差向量；/>分别代表第k次、k+1次的隐藏层与输出层之间的权重矩阵；/>分别代表第k次、k+1次的输出层的偏差向量。
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 (8)
1.一种配电网单相接地故障类别概率预测方法，其特征在于，包括：
S1、依据主流方法，构造反映接地故障的若干故障特征，形成故障特征集合X；
S2、结合多层感知机方式，构建故障特征与多类故障类别之间映射关系的单相接地故障类别辨识学习模型，并在所述单相接地故障类别辨识学习模型的输出层引入多类的激活函数，并对通过所述激活函数得到的输出层的结果进行概率性转换，使所述单相接地故障类别辨识学习模型适应多类别接地故障的有效区分及干扰下的接地故障概率化分类；
S2的具体步骤为：
S2.1、根据多层感知机，将所述故障特征的总数设定为所述单相接地故障类别辨识学习模型的输入层维度N，所述故障类别的总数设定为所述单相接地故障类别辨识学习模型的输出层维度O，并根据避免极端情况的原则下设定隐藏层维度S；
所述隐藏层的维度S具体为：
式中：round(·)和sqrt(·)分别为向上取整函数和平方根函数，N为输入层维度，O为输出层维度；
S2.2、根据所述输入层、隐藏层和输出层的维度，设定所述输入层与隐藏层之间的第一权重矩阵所述隐藏层的第一偏差向量/>所述隐藏层与输出层之间的第二权重矩阵/>所述输出层的第二偏差向量/>所述第一权重矩阵、第一偏差向量、第二权重矩阵、第二偏差向量均设定为均值为零、标准差为1的正态分布，N代表输入层维度、/>代表空间；
S2.3、基于接地故障属性，结合所述第一权重矩阵、第一偏差向量、第二权重矩阵、第二偏差向量在所述输出层设置多类的激活函数得到所述输出层与所述激活函数以及所述第一权重矩阵、第一偏差向量、第二权重矩阵、第二偏差向量的数学关系式；
S2.4、引入概率转换函数，对所述数学关系式进行概率转换，以得到所述故障特征属于的每一个故障类别的概率；
S3、引入交叉熵方式对所述单相接地故障类别辨识学习模型进行反向的权重及偏差修正，使修正后的所述单相接地故障类别辨识学习模型能依据所述故障特征预测出故障类别的概率。
2.根据权利要求1所述的一种配电网单相接地故障类别概率预测方法，其特征在于，所述故障特征包括零序角差、故障前后有功功率、故障前后无功功率、故障前后零序电流及其突变量、故障前后零序电压及其突变量、故障前后三相电流及其突变量以及故障前后三相电压及其突变量。
3.根据权利要求1所述的一种配电网单相接地故障类别概率预测方法，其特征在于，S2.1中，所述极端情况包括两类，即不合适的隐藏层维度导致感知机不能具有必要的学习能力和信息处理能力，以及导致增加网络结构的复杂性、网络学习速度变慢和陷入局部最优点的过拟合问题。
4.根据权利要求1所述的一种配电网单相接地故障类别概率预测方法，其特征在于，所述激活函数为：
式中：x代表当前层的输入，对于隐藏层则为：H＝xWh+bh,而输出层则为：R＝HWo+bo；
所述输出层与所述激活函数以及所述第一权重矩阵、第一偏差向量、第二权重矩阵、第二偏差向量的数学关系式为：
5.根据权利要求4所述的一种配电网单相接地故障类别概率预测方法，其特征在于，所述概率转换函数为：
其中，为概率转换函数；R＝[R1,R2,…RO]为故障类别的类别集合，P＝[P1,P2,…PO]为故障类别的类别概率集合，即Pi为当前故障特征属于第i条接地故障类别的概率。
6.根据权利要求5所述的一种配电网单相接地故障类别概率预测方法，其特征在于，S3的具体步骤为：
S3.1、引入类别概率集合、故障特征对应的故障真实类别的交叉熵函数J：
式中：Yi为第i条的接地故障特征样本Xi所对应的故障真实类别，Y＝[Y1,Y2,…YO]，且Y中任一元素均为0或1；为底数为10的对数函数和J为交叉熵
S3.2、对所述交叉熵函数J进行反向的闭环修正，以通过正向的学习训练、反向的多次级联闭环修正各层网络的权重、偏差参数方式，建立故障输入特征与输出特征之间的非线性映射关系；其中，闭环修正方式具体为采取复合函数链式求导，对多层感知机的权重与偏差进行闭环修正，反向修正方式具体为对各输入层、隐藏层、输出层之间的权重及层内部的权重进行反向修正。
7.根据权利要求6所述的一种配电网单相接地故障类别概率预测方法，其特征在于，
采取复合函数链式求导，对多层感知机的权重与偏差进行闭环修正的修正函数为：
式中：符号代表求偏导函数；/>代表交叉熵对于当前接地故障样本属于第i类接地故障的类别概率的偏导；/>代表该概率对于该故障样本在经第i个输出层激活函数输出结果的偏导；/>代表第i个输出层激活函数输出结果对于输入层对隐藏层之间的权重矩阵的偏导；/>代表第i个输出层激活函数输出结果对于隐藏层偏差的偏导；/>代表第i个输出层激活函数输出结果对于隐藏层与输出层之间权重矩阵的偏导；/>代表第i个输出层激活函数输出结果对于输出层偏差的偏导；/>和/>分别代表交叉熵对于输入层与隐藏层之间的权重、隐藏层的偏差、隐藏层与输出层之间的权重和输出层的偏差之间的偏导。
8.根据权利要求7所述的一种配电网单相接地故障类别概率预测方法，其特征在于，对各输入层、隐藏层、输出层之间的权重及层内部的权重进行反向修正的修正函数为：
式中：分别代表第k次、k+1次的输入层与隐藏层之间的权重矩阵；/>分别代表第k次、k+1次的隐藏层的偏差向量；/>分别代表第k次、k+1次的隐藏层与输出层之间的权重矩阵；/>分别代表第k次、k+1次的输出层的偏差向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354789.6A CN117347788B (zh) | 2023-10-17 | 2023-10-17 | 一种配电网单相接地故障类别概率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354789.6A CN117347788B (zh) | 2023-10-17 | 2023-10-17 | 一种配电网单相接地故障类别概率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117347788A CN117347788A (zh) | 2024-01-05 |
| CN117347788B true CN117347788B (zh) | 2024-06-11 |
Family
ID=89360963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311354789.6A Active CN117347788B (zh) | 2023-10-17 | 2023-10-17 | 一种配电网单相接地故障类别概率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117347788B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
| CN107886168A (zh) * | 2017-11-07 | 2018-04-06 | 歌拉瑞电梯股份有限公司 | 一种使用多层感知器神经网络进行电梯故障识别的方法 |
| CN111046961A (zh) * | 2019-12-16 | 2020-04-21 | 浙江大学 | 基于双向长短时记忆单元和胶囊网络的故障分类方法 |
| CN111079836A (zh) * | 2019-12-16 | 2020-04-28 | 浙江大学 | 基于伪标签方法和弱监督学习的过程数据故障分类方法 |
| CN111191726A (zh) * | 2019-12-31 | 2020-05-22 | 浙江大学 | 一种基于弱监督学习多层感知器的故障分类方法 |
| CN114113909A (zh) * | 2021-12-03 | 2022-03-01 | 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 |
| CN114252739A (zh) * | 2021-12-24 | 2022-03-29 | 国家电网有限公司 | 配电网单相接地故障判别方法、系统、设备和存储介质 |
| CN115391955A (zh) * | 2022-09-13 | 2022-11-25 | 西安交通大学 | 基于多尺度成分分析的机械故障诊断方法 |
| CN115482464A (zh) * | 2022-09-19 | 2022-12-16 | 北京工业大学 | 一种基于双路摄像头的商品识别方法 |
| CN116010900A (zh) * | 2023-01-06 | 2023-04-25 | 江南大学 | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 |
| CN116227538A (zh) * | 2023-04-26 | 2023-06-06 | 国网山西省电力公司晋城供电公司 | 基于聚类和深度学习的小电流接地故障选线方法及设备 |
-
2023
- 2023-10-17 CN CN202311354789.6A patent/CN117347788B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845371A (zh) * | 2016-12-31 | 2017-06-13 | 中国科学技术大学 | 一种城市路网机动车尾气排放遥感监控系统 |
| CN107886168A (zh) * | 2017-11-07 | 2018-04-06 | 歌拉瑞电梯股份有限公司 | 一种使用多层感知器神经网络进行电梯故障识别的方法 |
| CN111046961A (zh) * | 2019-12-16 | 2020-04-21 | 浙江大学 | 基于双向长短时记忆单元和胶囊网络的故障分类方法 |
| CN111079836A (zh) * | 2019-12-16 | 2020-04-28 | 浙江大学 | 基于伪标签方法和弱监督学习的过程数据故障分类方法 |
| CN111191726A (zh) * | 2019-12-31 | 2020-05-22 | 浙江大学 | 一种基于弱监督学习多层感知器的故障分类方法 |
| CN114113909A (zh) * | 2021-12-03 | 2022-03-01 | 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 |
| CN114252739A (zh) * | 2021-12-24 | 2022-03-29 | 国家电网有限公司 | 配电网单相接地故障判别方法、系统、设备和存储介质 |
| CN115391955A (zh) * | 2022-09-13 | 2022-11-25 | 西安交通大学 | 基于多尺度成分分析的机械故障诊断方法 |
| CN115482464A (zh) * | 2022-09-19 | 2022-12-16 | 北京工业大学 | 一种基于双路摄像头的商品识别方法 |
| CN116010900A (zh) * | 2023-01-06 | 2023-04-25 | 江南大学 | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 |
| CN116227538A (zh) * | 2023-04-26 | 2023-06-06 | 国网山西省电力公司晋城供电公司 | 基于聚类和深度学习的小电流接地故障选线方法及设备 |
Non-Patent Citations (3)
| Title |
|---|
| 基于MLP深度学习算法的DGA准确识别技术研究;王辉;周忠锦;王世晋;史卓颖;;信息安全研究;20190605(06);全文 * |
| 基于交叉熵代价函数的DBN转子系统故障识别分析;梁珊;刘晓波;;南昌航空大学学报(自然科学版);20180915(03);全文 * |
| 智能电表故障大数据分析探究;贺宁;;中小企业管理与科技(上旬刊);20160705(07);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117347788A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| CN112803404B (zh) | 配电网自愈重构规划方法、装置及终端 | |
| CN112149554B (zh) | 故障分类模型的训练、故障检测方法及相关装置 | |
| CN116169675B (zh) | 考虑运行方式变化的电力系统动态稳定性在线评估方法 | |
| CN112330165A (zh) | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 | |
| CN112485587B (zh) | 一种含分布式光伏配电网故障区段分层定位方法 | |
| CN112564107A (zh) | 一种电力系统暂态稳定评估方法 | |
| CN112069723A (zh) | 一种用于评估电力系统暂态稳定的方法及系统 | |
| CN114386024A (zh) | 基于集成学习的电力内网终端设备异常攻击检测方法 | |
| CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
| CN117347788B (zh) | 一种配电网单相接地故障类别概率预测方法 | |
| CN114415056A (zh) | 一种分布式电源孤岛故障的检测方法 | |
| CN113642766B (zh) | 一种电力系统站点停电数的预测方法、装置、设备及介质 | |
| CN112085043B (zh) | 一种变电站网络安全智能监控方法及系统 | |
| CN114943254A (zh) | 一种基于a-cnn的光伏电站送出线路光纤差动保护算法 | |
| CN115980515A (zh) | 一种单相接地故障定位方法 | |
| CN115065166A (zh) | 一种低压配电网状态感知及异常告警方法 | |
| CN112669264A (zh) | 配网线路无人机巡检的人工智能缺陷识别方法和系统 | |
| CN114638555B (zh) | 基于多层正则化极限学习机的用电行为检测方法及系统 | |
| Zhao et al. | A new method for faulty line selection in distribution systems based on wavelet packet decomposition and signal distance | |
| CN116961072B (zh) | 基于时空卷积网络的多直流连锁换相失败识别方法及系统 | |
| CN117216485B (zh) | 一种基于客观赋权的输电录波鸟害故障判别方法及系统 | |
| Zhao et al. | Fault section location for distribution network containing DG based on IBQPSO | |
| Sebastian et al. | Particle swarm optimised controller for solid-state transfer switch towards fast power transfer and PQ mitigation | |
| CN116599067B (zh) | 一种微电网电能质量全局优化方法 |
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 |