CN117809093A - 基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法 - Google Patents
基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法 Download PDFInfo
- Publication number
- CN117809093A CN117809093A CN202311827789.3A CN202311827789A CN117809093A CN 117809093 A CN117809093 A CN 117809093A CN 202311827789 A CN202311827789 A CN 202311827789A CN 117809093 A CN117809093 A CN 117809093A
- Authority
- CN
- China
- Prior art keywords
- neural network
- time
- excitation surge
- artificial neural
- stoker
- 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
- 230000005284 excitation Effects 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000009466 transformation Effects 0.000 title claims description 9
- 239000013598 vector Substances 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000011162 core material Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明涉及励磁涌流识别技术领域，具体是基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法，包括以下步骤：获取励磁涌流数据和故障电流数据；通过斯托克韦尔变换，将励磁涌流数据转换为时频平面上二维的励磁涌流特征向量，将故障电流数据转换为时频平面上二维的故障电流特征向量；将励磁涌流特征向量和故障电流特征向量输入到神经网络中进行预测分类，以预测各个特征向量所属的电流类型，本发明能够提高变压器的励磁涌流和内部故障电流的识别准确性。
Description
技术领域
本发明涉及励磁涌流识别技术领域，具体是基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法。
背景技术
差动保护因其简单的工作算法和精确的保护能力在变压器中作为主要的保护措施被广泛应用。励磁涌流在变压器通电的瞬间产生，并导致变压器铁芯饱和。该瞬时电流的大小通常较高，并且存在于变压器的绕组中。作为一种常见的方法，谐波抑制的方法被广泛使用，并且使用差分电流的二次谐波分量来防止继电器在磁化时工作。通过在现代变压器中使用高质量的非晶铁芯材料，瞬时电流的二次谐波分量显著降低，并防止差动继电器在磁化瞬间运行。然而，在某些情况下，在内部故障的情况下，二次谐波的幅度可能接近或大于励磁涌流的二次谐波成分，导致变压器保护的拒动或误动。造成这种现象的原因可能是在与电力变压器相连的长输电线中，电流互感器和分布式电容器的饱和状态影响。
短期傅里叶变换、离散小波变换、最小二乘法、卡尔曼滤波等信号处理方法通常用于特征提取和模式识别，用于检测内部故障电流和瞬时磁化电流等非平稳信号。然而，由于固定窗口宽度的限制，短期傅里叶变换等不能正确地确定信号特性。换句话说，分析同时包含高频和低频分量的瞬态信号是不成功的。因此，进一步探索快速、准确的区分变压器励磁涌流和内部故障电流的新方法以提高变压器差动保护的性能，是十分必要的。
发明内容
为了避免和克服现有技术中存在的技术问题，本发明提供了基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法。本发明能够提高变压器的励磁涌流和内部故障电流的识别准确性。
为实现上述目的，本发明提供如下技术方案：
基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法，包括以下步骤：
S1、获取励磁涌流数据和故障电流数据；
S2、通过斯托克韦尔变换，将励磁涌流数据转换为时频平面上二维的励磁涌流特征向量，将故障电流数据转换为时频平面上二维的故障电流特征向量；
S3、将励磁涌流特征向量和故障电流特征向量输入到神经网络中进行预测分类，以预测各个特征向量所属的电流类型。
作为本发明再进一步的方案：在设定的总模拟时间内，按照预定的采样频率，按照时间矢量序列依次采集具有时间戳的励磁涌流数据和故障电流数据；具有时间戳的励磁涌流数据和故障电流数据构成输入斯托克韦尔变换的时间。
作为本发明再进一步的方案：斯托克韦尔变换对连续的时间信号表示如下：
其中，T(τ,f)为斯托克韦尔变换对连续的时间信号表示；t表示信号的持续时间；x(t)表示要检查的信号；f表示信号的频率；τ为时移算子；i为整数，i∈(-∞,+∞)。
作为本发明再进一步的方案：在斯托克韦尔变换中，使用高斯窗口函数来替代傅里叶变换方程中的窗口函数，高斯窗口函数表示如下：
其中，g(t)表示高斯窗口函数；σ为高斯窗口的宽度。
作为本发明再进一步的方案：高斯窗口的宽度的计算公式如下：
由高斯窗口的宽度的计算公式可知，高斯窗口的宽度即为信号的周期T，且与信号频率f的绝对值成反比。
作为本发明再进一步的方案：高斯函数表示如下：
其中，S(t,f)表示高斯函数。
作为本发明再进一步的方案：神经网络采用的是列文伯格-马夸尔特算法。
与现有技术相比，本发明的有益效果是：
1、本发明在电力变压器两端使用静止无功补偿装置或柔性交流输电系统连接的长输电线上，传统的保护方法并非完全适用，基于如斯托克韦尔变换的统计技术和人工神经网络结构的智能技术更有助于确保差动保护继电器的安全运行。
2、本发明提出的基于斯托克韦尔变换和人工神经网络识别方法可以同时分析包含高频和低频分量的瞬态信号。其中，斯托克韦尔变换是一种时频定位技术，它使用宽度随频率减小的分析窗口(高斯函数)提供与频率相关的分辨率，对于如励磁涌流之类的非平稳信号是有利的，因为它在保持每个频率的绝对相位的同时提供了多频率分析。通过斯托克韦尔变换得到的图像易被多层人工神经网络分类，不需要更长的卷积神经网络。
3、本发明所提的神经网络结构中，使用了具有12个神经元的隐藏层，并选用列文伯格-马夸尔特作为训练算法。数据分为两组，即50％的训练和50％的测试。在模拟中，获得了100％的准确度，而实时实验获得了90％的性能。
附图说明
图1为本发明中基于斯托克韦尔变换和人工神经网络的励磁涌流识别流程图。
图2为本发明的变压器励磁涌流及内部故障电流的模拟案例研究示意图。
图3为本发明中变压器的励磁涌流波形图。
图4为本发明中变压器的内部故障电流波形图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1～4，本发明实施例中，基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法，主要包括以下内容：
1、将多个励磁涌流和内部故障电流随机选择并生成输入矩阵，并对时间矢量序列的采样频率和总模拟时间进行设定。
2、对于斯托克韦尔变换，采用与差分电流信号相同的采样间隔生成频率矢量。
3、对于不同的频率，期望具有不同大小的高斯窗口每次与输入信号相乘。
4、对与输入信号相乘的高斯窗口矩阵的频率表达式执行快速傅里叶变换，从而得到斯托克韦尔矩阵。
5、斯托克韦尔矩阵的绝对值的平方产生信号的能量并用作特征向量，并且每个信号计算的能量值被用作所设计的人工神经网络中的输入数据。斯托克韦尔变换是时间信号的时频表示。
斯托克韦尔变换对连续的时间信号表示如下：
其中，T(τ,f)为斯托克韦尔变换对连续的时间信号表示；t表示信号的持续时间；x(t)表示要检查的信号；f表示信号的频率；τ为时移算子；i为整数，i∈(-∞,+∞)。
在斯托克韦尔变换中，使用式(2)所示的高斯窗口来替代傅里叶变换方程中的窗口函数，式(2)如下所示：
其中，g(t)表示高斯窗口函数。σ为高斯窗口的宽度，并且与信号的频率的绝对值成反比，如式(3)所示：
由式(2)和式(3)可以得到式(4)的高斯函数的最终状态，如下所示：
其中，S(t,f)表示高斯函数。
式(1)和式(4)的斯托克韦尔变换是具有高斯窗口函数的特殊傅里叶变换。时域信息和傅里叶变换类似，并可在时域与时频域之间转换。
高斯窗口函数S(t,f)是时间和频率的函数，并且窗口的宽度与频率成反比，这使得窗口函数在低频范围内具有良好频率分辨率并且在高频范围中具有良好时间分辨率。斯托克韦尔变换的另一个特征是具有频率相关的分辨率和在时域中的局部相位信息，通过斯托克韦尔矩阵获得尺寸、相位和频率信息。
所述的人工神经网络是一种分类和区分电力变压器在故障和正常运行之间的方法。使用适当的权重和偏差值以及人工神经网络结构，就可以获得期望的正确结果。本发明选择反向传播神经网络中速度最快的列文伯格-马夸尔特算法来适当调整切线S形、隐藏层和输出层的权重和偏差。输出层根据训练数据对变压器中的电流是内部故障电流还是励磁涌流进行分类判别。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法，其特征在于，包括以下步骤：
S1、获取励磁涌流数据和故障电流数据；
S2、通过斯托克韦尔变换，将励磁涌流数据转换为时频平面上二维的励磁涌流特征向量，将故障电流数据转换为时频平面上二维的故障电流特征向量；
S3、将励磁涌流特征向量和故障电流特征向量输入到神经网络中进行预测分类，以预测各个特征向量所属的电流类型。
2.根据权利要求1所述的基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法，其特征在于，在设定的总模拟时间内，按照预定的采样频率，按照时间矢量序列依次采集具有时间戳的励磁涌流数据和故障电流数据；具有时间戳的励磁涌流数据和故障电流数据构成输入斯托克韦尔变换的时间。
3.根据权利要求2所述的基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法，其特征在于，斯托克韦尔变换对连续的时间信号表示如下：
其中，T(τ,f)为斯托克韦尔变换对连续的时间信号表示；t表示信号的持续时间；x(t)表示要检查的信号；f表示信号的频率；τ为时移算子；i为整数，i∈(-∞,+∞)。
4.根据权利要求3所述的基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法，其特征在于，在斯托克韦尔变换中，使用高斯窗口函数来替代傅里叶变换方程中的窗口函数，高斯窗口函数表示如下：
其中，g(t)表示高斯窗口函数；σ为高斯窗口的宽度。
5.根据权利要求4所述的基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法，其特征在于，高斯窗口的宽度的计算公式如下：
由高斯窗口的宽度的计算公式可知，高斯窗口的宽度即为信号的周期T，且与信号频率f的绝对值成反比。
6.根据权利要求5所述的基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法，其特征在于，高斯函数表示如下：
其中，S(t,f)表示高斯函数。
7.根据权利要求6所述的基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法，其特征在于，神经网络采用的是列文伯格-马夸尔特算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311827789.3A CN117809093A (zh) | 2023-12-28 | 2023-12-28 | 基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311827789.3A CN117809093A (zh) | 2023-12-28 | 2023-12-28 | 基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117809093A true CN117809093A (zh) | 2024-04-02 |
Family
ID=90424944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311827789.3A Pending CN117809093A (zh) | 2023-12-28 | 2023-12-28 | 基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117809093A (zh) |
-
2023
- 2023-12-28 CN CN202311827789.3A patent/CN117809093A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Interpretation of wavelet analysis and its application in partial discharge detection | |
| Atthapol et al. | Internal Fault Classification in Transformer Windings using Combination of Discrete Wavelet-Transforms and Back-propagation Neural Networks | |
| CN110991481B (zh) | 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法 | |
| CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
| Moravej et al. | A new approach based on S-transform for discrimination and classification of inrush current from internal fault currents using probabilistic neural network | |
| Purkait et al. | Pattern classification of impulse faults in transformers by wavelet analysis | |
| Chen et al. | Understanding IFRA for detecting synchronous machine winding short circuit faults based on image classification and smooth grad-CAM++ | |
| CN117289013A (zh) | 用于脉冲电流测试的数据处理方法及系统 | |
| CN107578016A (zh) | 一种基于稀疏表示的剩余电流波形自动识别方法 | |
| CN117809093A (zh) | 基于斯托克韦尔变换和人工神经网络的励磁涌流识别方法 | |
| Tuntisak et al. | Harmonic detection in distribution systems using wavelet transform and support vector machine | |
| Wang et al. | Complicated interference identification via machine learning methods | |
| CN113610020A (zh) | 一种基于fft及小波包算法实现变压器振动原因的识别方法 | |
| Hasheminejad et al. | Transient actions analysis of power transformers based on S‐transform and hidden Markov model | |
| Babu et al. | Use of wavelet and neural network (BPFN) for transformer fault diagnosis | |
| Viet et al. | A method for monitoring voltage disturbances based on discrete wavelet transform and adaptive linear neural network | |
| Behjat et al. | A DWT‐based approach for detection of interturn faults in power transformers | |
| Mortazavi et al. | A new inrush restraint algorithm for transformer differential relays using wavelet transform | |
| Mohod et al. | MLP-neural network based detection and classification of Power Quality Disturbances | |
| Ji et al. | Diagnosis of Power Transformer Internal Fault Based on Denoising Autoencoder and Optimized Convolutional Neural Network | |
| He et al. | Fault diagnosis for electronic transformer with wavelet energy entropy and SVM | |
| Shi et al. | Denoising of UHF partial discharge signals based on improved wavelet transform and shannon entropy | |
| Ozgonenel et al. | Modelling and identifying of transformer faults | |
| Tag Eldin | Characterisation of power quality disturbances based on wavelet transforms | |
| Ngaopitakkul et al. | Discrete wavelet transform and probabilistic neural networks algorithm for identification of fault locations on transmission systems |
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 |