CN117434384A - 一种配电网绝缘故障辨识方法及相关装置 - Google Patents
一种配电网绝缘故障辨识方法及相关装置 Download PDFInfo
- Publication number
- CN117434384A CN117434384A CN202311475572.0A CN202311475572A CN117434384A CN 117434384 A CN117434384 A CN 117434384A CN 202311475572 A CN202311475572 A CN 202311475572A CN 117434384 A CN117434384 A CN 117434384A
- Authority
- CN
- China
- Prior art keywords
- model
- cnn
- svm
- frequency domain
- training
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 230000001052 transient effect Effects 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011176 pooling Methods 0.000 description 15
- 238000004088 simulation Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- 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
- G01R31/08—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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/096—Transfer 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种配电网绝缘故障辨识方法及相关装置，包括：采集配电网绝缘故障与正常扰动工况的暂态电压信号，并对暂态电压信号进行预处理，得到时频域波形灰度图像；基于时频域波形灰度图像对CNN神经网络模型进行训练，得到CNN神经网络模型的超参数和权重；通过SVM分类器替换CNN神经网络模型中的softmax分类器得到改进的CNN‑SVM模型，将超参数和权重迁移到CNN‑SVM模型，并通过时频域波形灰度图像对改进的CNN‑SVM模型进行训练得到CNN‑SVM识别模型；将待辨识的暂态电压信号输入到CNN‑SVM识别模型中，识别得到绝缘故障工况和正常扰动工况。从而解决了现有故障辨识技术准确性较差的问题。
Description
技术领域
本申请涉及配电网绝缘故障识别技术领域，尤其涉及一种配电网绝缘故障辨识方法及相关装置。
背景技术
统计数据表明，大多停电事故均由配电网绝缘故障引起。由配电网运行故障数据分析发现，在绝缘永久击穿之前，大多数的绝缘劣化初期经常发生瞬时性接地故障。因过渡电阻达数千欧姆以上，故障电流通常低于50A，在部分场景下甚至低于1A。
至今为止，研究人员已提出多种绝缘故障监测方法：外加信号法、局部放电信号检测法、接地电流法、直流电流法等，但这些方法应用于工程实际的效果并不好。传统故障识别方法存在特征提取困难、阈值选取灵活性较差的技术瓶颈，导致极端故障场景下出现漏判。而现有的利用人工智能技术进行故障识别的方法有：通过训练进化神经网络和卷积神经网络进行判定；利用变分模态分解和经验模态分解构造特征量，训练前馈神经网络和支持向量机进行故障识别；引入半监督学习进行无标签数据下的故障识别；使用变分原型自编码器提取信号特征，训练决策树对故障进行判定等。上述人工智能技术故障识别方法在一定程度上克服了阈值选取的困难，但受制于配电网线路长度较短，各类合闸工况操作位置单一，在绝缘发生劣化的故障场景下难以构建能够满足神经网络训练要求的足量且类别均衡的数据集，导致这类模型难以获得充分训练，在应用于绝缘故障辨识时分类性能受到限制，对小样本类数据集识别效果不佳。
因此，亟需研究准确的配电网绝缘故障辨识方法，及时感知配电网绝缘故障，保障电力系统安全稳定运行。
发明内容
本申请提供了一种配电网绝缘故障辨识方法及相关装置，用于解决现有故障辨识技术准确性较差的问题。
有鉴于此，本申请第一方面提供了一种配电网绝缘故障辨识方法，所述方法包括：
采集配电网绝缘故障与正常扰动工况的暂态电压信号，并对所述暂态电压信号进行预处理，得到时频域波形灰度图像；
基于所述时频域波形灰度图像对CNN神经网络模型进行训练，得到CNN神经网络模型的超参数和权重；
通过SVM分类器替换CNN神经网络模型中的softmax分类器，得到改进的CNN-SVM模型，将所述超参数和所述权重迁移到改进的CNN-SVM模型，并通过所述时频域波形灰度图像对改进的CNN-SVM模型进行训练，得到CNN-SVM识别模型；
将待辨识的暂态电压信号输入到所述CNN-SVM识别模型中，识别得到绝缘故障工况和正常扰动工况。
可选地，所述SVM分类器的数学模型为：
式中，ω为超平面法向量，g为模型分类阈值，ρ>0为惩罚因子，ξr≥0为松弛变量，Xr为第r个样本的特征向量，L为样本数量。
可选地，所述对所述暂态电压信号进行预处理，得到时频域波形灰度图像，具体包括：
截取故障扰动发生后200μs时间窗内的所述暂态电压信号，通过连续小波变换和相模变换获得暂态信号时频域波形，并转换为227*227的时频域波形灰度图。
可选地，所述基于所述时频域波形灰度图像对CNN神经网络模型进行训练，得到CNN神经网络模型的超参数和权重，具体包括：
将所述时频域波形灰度图像的数据集进行归一化处理，并按照4:1的比例将数据集划分为训练集和测试集；
搭建CNN神经网络模型，将训练集样本导入CNN神经网络模型进行训练，当CNN神经网络模型预测准确率趋于稳定时结束训练，保存模型最优的超参数和权重。
本申请第二方面提供一种配电网绝缘故障辨识系统，所述系统包括：
采集单元，用于采集配电网绝缘故障与正常扰动工况的暂态电压信号，并对所述暂态电压信号进行预处理，得到时频域波形灰度图像；
第一训练单元，用于基于所述时频域波形灰度图像对CNN神经网络模型进行训练，得到CNN神经网络模型的超参数和权重；
第二训练单元，用于通过SVM分类器替换CNN神经网络模型中的softmax分类器，得到改进的CNN-SVM模型，将所述超参数和所述权重迁移到改进的CNN-SVM模型，并通过所述时频域波形灰度图像对改进的CNN-SVM模型进行训练，得到CNN-SVM识别模型；
识别单元，用于将待辨识的暂态电压信号输入到所述CNN-SVM识别模型中，识别得到绝缘故障工况和正常扰动工况。
可选地，所述SVM分类器的数学模型为：
式中，ω为超平面法向量，g为模型分类阈值，ρ>0为惩罚因子，ξr≥0为松弛变量，Xr为第r个样本的特征向量，L为样本数量。
可选地，所述采集单元，具体用于：
通过暂态信号检测装置采集配电网绝缘故障与正常扰动工况的暂态电压信号；
截取故障扰动发生后200μs时间窗内的所述暂态电压信号，通过连续小波变换和相模变换获得暂态信号时频域波形，并转换为227*227的时频域波形灰度图。
可选地，所述第一训练单元，具体用于：
将所述时频域波形灰度图像的数据集进行归一化处理，并按照4:1的比例将数据集划分为训练集和测试集；
搭建CNN神经网络模型，将训练集样本导入CNN神经网络模型进行训练，当CNN神经网络模型预测准确率趋于稳定时结束训练，保存模型最优的超参数和权重。
本申请第三方面提供一种配电网绝缘故障辨识设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的配电网绝缘故障辨识方法的步骤。
本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的配电网绝缘故障辨识方法。
从以上技术方案可以看出，本申请具有以下优点：
(1)改进后的CNN-SVM复合模型在相同训练条件下的绝缘故障识别准确率更高，证明改进后的CNN-SVM算法在小样本分类问题中表现优异，更适用于配电网绝缘故障辨识。
(2)改进后的CNN-SVM模型在将故障与扰动样本清晰分类的同时，还将数量较少的扰动类样本也做出了一定程度的分类，因此改进后的CNN-SVM模型克服了传统CNN模型在高阻接地故障识别小样本场景下分类性能受限的问题。
附图说明
图1为本申请实施例中提供的一种配电网绝缘故障辨识方法的流程示意图；
图2为本申请实施例中提供的一种10kV配电网结构模型示意图；
图3为本申请实施例中提供的一种CNN-SVM模型训练准确率示意图；
图4为本申请实施例中提供的一种配电网绝缘故障辨识系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参阅图1，本申请实施例中提供的一种配电网绝缘故障辨识方法，包括：
步骤101、采集配电网绝缘故障与正常扰动工况的暂态电压信号，并对暂态电压信号进行预处理，得到时频域波形灰度图像；
需要说明的是，首先使用暂态信号检测装置采集配电网绝缘故障与正常扰动工况的暂态电压信号；接着，对暂态电压信号进行预处理，具体的，截取故障扰动发生后200μs时间窗内的暂态电压信号，通过连续小波变换和相模变换获得暂态信号时频域波形，并转换为227*227的灰度图。以此灰度图像作为后续模型训练预测的输入数据。
步骤102、基于时频域波形灰度图像对CNN神经网络模型进行训练，得到CNN神经网络模型的超参数和权重；
在一个实施例中，步骤102具体的包括：
将所述时频域波形灰度图像的数据集进行归一化处理，并按照4:1的比例将数据集划分为训练集和测试集；
搭建CNN神经网络模型，将训练集样本导入CNN神经网络模型进行训练，当CNN神经网络模型预测准确率趋于稳定时结束训练，保存模型最优的超参数和权重。
需要说明的是，将时频域波形灰度图像数据集进行归一化处理，并按照4:1的比例将数据集划分为训练集和测试集；搭建CNN模型，将训练集样本导入CNN模型进行初次训练，当模型预测准确率趋于稳定时结束训练，保存模型最优超参数和权重；从而在后续步骤103将上述已保存的参数迁移到改进CNN-SVM模型中，激活全局平均池化层中的输出特征和对应的样本标签，并将其输入至SVM模型进行训练。
步骤103、通过SVM分类器替换CNN神经网络模型中的softmax分类器，得到改进的CNN-SVM模型，将超参数和权重迁移到改进的CNN-SVM模型，并通过时频域波形灰度图像对改进的CNN-SVM模型进行训练，得到CNN-SVM识别模型；
本实施例改进的CNN-SVM模型的说明如下：
改进之处为：设计一个二分类SVM分类器替换CNN模型中的softmax分类器，以提高绝缘故障识别准确率。将暂态信号时频域波形灰度图像输入模型，经归一化、卷积与激活操作后进入池化层，连续三次上述操作后进行全局平均池化。最后将全局平均池化层中的样本特征量及对应的标签数据输入SVM分类器进行绝缘故障识别。
模型原理如下：
1)将卷积层提取的时频域图像灰度图像特征数据进行min-max归一化处理，即将图形灰度值转换到区间[0,1]内，一方面能够抵消故障过渡电阻、故障相角等因素对波形幅值的影响，另一方面能够避免梯度弥散，提高模型泛化能力，防止模型产生过拟合。
2)卷积层对输入的时频域波形灰度图进行特征提取。其中浅层的卷积层能够获取位于图像边缘的非显著特征(如初始波头的到达时间、低频区能量的分布等)，深层的卷积可获取到图像中高级抽象特征(如整个时频域上的能量分布)。卷积运算如下:
式中，Xi k表示第k层输出的第i个特征图，Wij k为第k层第i个卷积的权重值，Xj k-1表示第k-1层输出的第j个特征图，表示卷积运算符，Nk-1为第k-1层输出特征图，bi k是第k层第i个卷积的偏置项。
3)利用ReLU激活函数进行非线性激活，ReLU激活函数具有收敛速度快的优势，能够在提高模型表达能力的同时加快模型训练速度。ReLU激活函数如下所示:
式中，xi k为Xi k中的各像素值。
4)将激活后的特征数据输入池化层，采用最大池化方式进行下采样。下采样方式能够在保留数据的有效特征的同时减少模型训练的参数量。最大池化公式为：
式中，xi k+1(p,q)为输入的第i个特征图的第p行q列的像素值，xi k+2(m,n)为经过池化运算后输出的第i个特征图的第m行n列的像素值，H和W表示池化窗口的高度和宽度。
5)时频域灰度图像经过三次卷积到池化过程后得到的c个尺寸为M×N的特征图，将特征图输入全局平均池化层，分别对每一个特征图进行全局平均池化，得到特征向量Xr＝{x1,x2,…,xi,…xc}，其中xi表达式为:
6)将全局平均池化层输出的特征向量Xr和类别标签yr输入SVM分类器训练，其数学模型为：
式中，ω为超平面法向量，g为模型分类阈值，ρ>0为惩罚因子，ξr≥0为松弛变量，Xr为第r个样本的特征向量，L为样本数量。
可以理解的是，当得到改进后的CNN-SVM模型，通过将上述步骤102中已保存的参数迁移到改进CNN-SVM模型中，激活全局平均池化层中的输出特征和对应的样本标签，并将其输入至SVM模型进行训练。接着，通过步骤101的时频域波形灰度图像对改进的CNN-SVM模型进行训练，得到CNN-SVM识别模型。
步骤104、将待辨识的暂态电压信号输入到CNN-SVM识别模型中，识别得到绝缘故障工况和正常扰动工况。
需要说明的是，收集待辨识的信号，经过上述数据预处理过程后，导入训练完成的CNN-SVM模型进行判别并输出辨识结果，辨识结果分为绝缘故障工况和正常扰动工况两种。
以下为本申请提供的一种仿真实施例说明：
在PSCAD/EMTDC仿真平台上搭建图2所示的10kV配电网模型，在该模型上进行绝缘故障工况和正常扰动工况的仿真分析。通过设置图2中接地导纳YN值得到谐振接地10kV配电网模型。其中共5条配电馈线包括架空线路、电缆线路、电缆-架空混合线路多种线路类型，假定负荷均为0.5+j0.25MVA，线路3为电缆-架空混合线路，其余为架空线路。线路参数列于下表1中。为使获取的故障样本具有代表性，设置F0～F9作为构建样本的故障点，每一故障点设置10种故障类型，通过改变故障点过渡电阻、故障初相角，仿真获得样本数据。其中故障点F1、F2距母线4km，F5、F7距母线7km，F3距母线8km，F4、F6、F8、F9距母线10km，F0点用来模拟中性点出口发生的故障。
采样频率取1MHz；截取启动判据动作后100us时间窗内的行波波形构造时频域图像灰度图作为神经网络输入量；设置不同故障位置、不同故障相角、不同过渡电阻及运行参数的绝缘故障和正常扰动工况的仿真，每次只改变其中1个参数进行循环仿真，参数设置见下表2。在获取仿真数据集后，再将部分历史故障数据以及真型试验场中测得的绝缘故障与正常扰动工况信号补充至数据集中，共得到故障及扰动样本1522个，按照4:1的比例划分为训练集(1218个)和测试集(304个)。
表1 10kV中性点非有效接地配电网线路仿真参数
表2仿真样本参数设置
模型训练采用Adam优化器，设置最小批量为32个，最大迭代次数为200次，对CNN模型进行初次训练。待训练完成后，保存最优模型参数。进一步，将已保存参数迁移到CNN-SVM复合模型中，激活模型全局平均池化层中的输出特征和样本标签数据，输入至SVM模型中进行二次训练，CNN-SVM模型最终准确率如图3所示。
观察图3可知，1522个样本中仅有3个样本识别错误，不论是训练集还是测试集，故障类与扰动类样本的真实值与模型预测值吻合率都很高，模型总识别率达到了99.8％，这表明CNN-SVM模型完成了训练，能够准确识别绝缘故障，并且克服了不均衡小样本场景下深度学习模型的分类偏向问题。
以上为本申请实施例中提供的一种配电网绝缘故障辨识方法，以下为本申请实施例中提供的一种配电网绝缘故障辨识系统。
请参阅图4，本申请实施例中提供的一种配电网绝缘故障辨识系统，包括：
采集单元201，用于采集配电网绝缘故障与正常扰动工况的暂态电压信号，并对暂态电压信号进行预处理，得到时频域波形灰度图像；
第一训练单元202，用于基于时频域波形灰度图像对CNN神经网络模型进行训练，得到CNN神经网络模型的超参数和权重；
第二训练单元203，用于通过SVM分类器替换CNN神经网络模型中的softmax分类器，得到改进的CNN-SVM模型，将超参数和权重迁移到改进的CNN-SVM模型，并通过时频域波形灰度图像对改进的CNN-SVM模型进行训练，得到CNN-SVM识别模型；
识别单元204，用于将待辨识的暂态电压信号输入到CNN-SVM识别模型中，识别得到绝缘故障工况和正常扰动工况。
进一步地，本申请实施例中还提供了一种配电网绝缘故障辨识设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令，执行如上述方法实施例所述的配电网绝缘故障辨识方法的步骤。
进一步地，本申请实施例中还提供了计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述方法实施例所述的配电网绝缘故障辨识方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种配电网绝缘故障辨识方法，其特征在于，包括：
采集配电网绝缘故障与正常扰动工况的暂态电压信号，并对所述暂态电压信号进行预处理，得到时频域波形灰度图像；
基于所述时频域波形灰度图像对CNN神经网络模型进行训练，得到CNN神经网络模型的超参数和权重；
通过SVM分类器替换CNN神经网络模型中的softmax分类器，得到改进的CNN-SVM模型，将所述超参数和所述权重迁移到改进的CNN-SVM模型，并通过所述时频域波形灰度图像对改进的CNN-SVM模型进行训练，得到CNN-SVM识别模型；
将待辨识的暂态电压信号输入到所述CNN-SVM识别模型中，识别得到绝缘故障工况和正常扰动工况。
2.根据权利要求1所述的配电网绝缘故障辨识方法，其特征在于，所述SVM分类器的数学模型为：
式中，ω为超平面法向量，g为模型分类阈值，ρ>0为惩罚因子，ξr≥0为松弛变量，Xr为第r个样本的特征向量，L为样本数量。
3.根据权利要求1所述的配电网绝缘故障辨识方法，其特征在于，所述对所述暂态电压信号进行预处理，得到时频域波形灰度图像，具体包括：
截取故障扰动发生后200μs时间窗内的所述暂态电压信号，通过连续小波变换和相模变换获得暂态信号时频域波形，并转换为227*227的时频域波形灰度图。
4.根据权利要求1所述的配电网绝缘故障辨识方法，其特征在于，所述基于所述时频域波形灰度图像对CNN神经网络模型进行训练，得到CNN神经网络模型的超参数和权重，具体包括：
将所述时频域波形灰度图像的数据集进行归一化处理，并按照4:1的比例将数据集划分为训练集和测试集；
搭建CNN神经网络模型，将训练集样本导入CNN神经网络模型进行训练，当CNN神经网络模型预测准确率趋于稳定时结束训练，保存模型最优的超参数和权重。
5.一种配电网绝缘故障辨识系统，其特征在于，包括：
采集单元，用于采集配电网绝缘故障与正常扰动工况的暂态电压信号，并对所述暂态电压信号进行预处理，得到时频域波形灰度图像；
第一训练单元，用于基于所述时频域波形灰度图像对CNN神经网络模型进行训练，得到CNN神经网络模型的超参数和权重；
第二训练单元，用于通过SVM分类器替换CNN神经网络模型中的softmax分类器，得到改进的CNN-SVM模型，将所述超参数和所述权重迁移到改进的CNN-SVM模型，并通过所述时频域波形灰度图像对改进的CNN-SVM模型进行训练，得到CNN-SVM识别模型；
识别单元，用于将待辨识的暂态电压信号输入到所述CNN-SVM识别模型中，识别得到绝缘故障工况和正常扰动工况。
6.根据权利要求5所述的配电网绝缘故障辨识系统，其特征在于，所述SVM分类器的数学模型为：
式中，ω为超平面法向量，g为模型分类阈值，ρ>0为惩罚因子，ξr≥0为松弛变量，Xr为第r个样本的特征向量，L为样本数量。
7.根据权利要求5所述的配电网绝缘故障辨识系统，其特征在于，所述采集单元，具体用于：
通过暂态信号检测装置采集配电网绝缘故障与正常扰动工况的暂态电压信号；
截取故障扰动发生后200μs时间窗内的所述暂态电压信号，通过连续小波变换和相模变换获得暂态信号时频域波形，并转换为227*227的时频域波形灰度图。
8.根据权利要求5所述的配电网绝缘故障辨识系统，其特征在于，所述第一训练单元，具体用于：
将所述时频域波形灰度图像的数据集进行归一化处理，并按照4:1的比例将数据集划分为训练集和测试集；
搭建CNN神经网络模型，将训练集样本导入CNN神经网络模型进行训练，当CNN神经网络模型预测准确率趋于稳定时结束训练，保存模型最优的超参数和权重。
9.一种配电网绝缘故障辨识设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的配电网绝缘故障辨识方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的配电网绝缘故障辨识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311475572.0A CN117434384A (zh) | 2023-11-07 | 2023-11-07 | 一种配电网绝缘故障辨识方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311475572.0A CN117434384A (zh) | 2023-11-07 | 2023-11-07 | 一种配电网绝缘故障辨识方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117434384A true CN117434384A (zh) | 2024-01-23 |
Family
ID=89547827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311475572.0A Pending CN117434384A (zh) | 2023-11-07 | 2023-11-07 | 一种配电网绝缘故障辨识方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117434384A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117706277A (zh) * | 2024-02-02 | 2024-03-15 | 昆明理工大学 | 基于图形分析识别的配电网故障选线方法 |
| CN117725981A (zh) * | 2024-02-08 | 2024-03-19 | 昆明学院 | 一种基于最佳时间窗口机制的配电网故障预测方法 |
| CN118112360A (zh) * | 2024-04-28 | 2024-05-31 | 广东技术师范大学 | 一种电动汽车动态工况下电磁干扰测试系统及方法 |
-
2023
- 2023-11-07 CN CN202311475572.0A patent/CN117434384A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117706277A (zh) * | 2024-02-02 | 2024-03-15 | 昆明理工大学 | 基于图形分析识别的配电网故障选线方法 |
| CN117706277B (zh) * | 2024-02-02 | 2024-06-07 | 昆明理工大学 | 基于图形分析识别的配电网故障选线方法 |
| CN117725981A (zh) * | 2024-02-08 | 2024-03-19 | 昆明学院 | 一种基于最佳时间窗口机制的配电网故障预测方法 |
| CN117725981B (zh) * | 2024-02-08 | 2024-04-30 | 昆明学院 | 一种基于最佳时间窗口机制的配电网故障预测方法 |
| CN118112360A (zh) * | 2024-04-28 | 2024-05-31 | 广东技术师范大学 | 一种电动汽车动态工况下电磁干扰测试系统及方法 |
| CN118112360B (zh) * | 2024-04-28 | 2024-06-21 | 广东技术师范大学 | 一种电动汽车动态工况下电磁干扰测试系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117434384A (zh) | 一种配电网绝缘故障辨识方法及相关装置 | |
| CN111046581B (zh) | 一种输电线路故障类型识别方法及系统 | |
| CN110188397B (zh) | 一种架空输电线路覆冰预测模型和方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN110346142A (zh) | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 | |
| CN110866448A (zh) | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 | |
| CN112859822A (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
| CN110807760A (zh) | 一种烟叶分级方法及系统 | |
| CN106203531A (zh) | 一种基于卷积稀疏自动编码器的输电线故障分类方法 | |
| CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
| CN110672905A (zh) | 基于cnn的自监督电压暂降源辨识方法 | |
| CN114925734B (zh) | 一种基于神经拟态计算的在线神经元分类方法 | |
| CN109583635A (zh) | 一种面向运行可靠性的短期负荷预测建模方法 | |
| CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
| CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN112085111B (zh) | 一种负荷辨识方法和装置 | |
| CN114841199A (zh) | 配电网故障诊断方法、装置、设备及可读存储介质 | |
| CN113468796A (zh) | 一种基于改进随机森林算法的电压缺失数据辨识方法 | |
| CN106443380A (zh) | 一种配电电缆局部放电信号识别方法及装置 | |
| CN117290679A (zh) | 电流互感器的运行状态检测方法、装置及电子设备 | |
| CN113780160B (zh) | 一种电能质量扰动信号分类方法和系统 | |
| CN109669017A (zh) | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 | |
| CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
| CN113360555A (zh) | 一种基于电网二次设备大数据的故障诊断分析方法及系统 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 |
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 |