CN118050591A - 基于ai的配网10kv架空线故障预警及定位系统 - Google Patents

基于ai的配网10kv架空线故障预警及定位系统 Download PDF

Info

Publication number
CN118050591A
CN118050591A CN202410145623.1A CN202410145623A CN118050591A CN 118050591 A CN118050591 A CN 118050591A CN 202410145623 A CN202410145623 A CN 202410145623A CN 118050591 A CN118050591 A CN 118050591A
Authority
CN
China
Prior art keywords
model
fault
early warning
overhead line
data
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
Application number
CN202410145623.1A
Other languages
English (en)
Inventor
孙建强
逄冬青
刘发儒
杨法帅
崔卫
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.)
Shandong Beitianji Energy Technology Co ltd
Original Assignee
Shandong Beitianji Energy 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 Shandong Beitianji Energy Technology Co ltd filed Critical Shandong Beitianji Energy Technology Co ltd
Priority to CN202410145623.1A priority Critical patent/CN118050591A/zh
Publication of CN118050591A publication Critical patent/CN118050591A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/0464—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了基于AI的配网10KV架空线故障预警及定位系统，包括：数据采集与预处理模块：实时采集电流、电压和环境信息；特征提取与选择模块：使用深度学习模型对预处理后的数据进行特征提取；模型训练与优化模块：将提取的特征输入到深度学习模型中，进行监督学习训练；实时监测与异常检测模块：将训练好的模型应用于实时监测系统中，对于每个时间步，通过模型预测当前架空线的状态，并与实际测量值进行比较，引入异常检测机制，识别在低信噪比环境下可能导致误差的异常情况；故障类型分类与预警模块：通过模型进行故障类型的分类；定位模块：结合传感器布局信息，对故障位置进行定位。本发明可以解决在低信噪比环境中的配网故障预测和定位问题。

Description

基于AI的配网10KV架空线故障预警及定位系统
技术领域
本发明涉及电网技术领域，特别涉及基于AI的配网10KV架空线故障预警及定位系统。
背景技术
架空线故障预警及定位一般通过部署传感器(如温度、湿度、电流、电压传感器等)来监测10KV架空线的状态。通过收集这些传感器数据，并利用机器学习算法进行分析，以实现对潜在故障的预警。也有本领域技术人员将人工智能(AI)技术应用于配网10KV架空线故障预警及定位的过程中，但是会面临一些技术问题，例如：配网系统中的监测设备可能会受到噪声和干扰的影响，特别是在一些工业和城市环境中，处理低信噪比环境下的数据是一个挑战。
发明内容
为了解决以上问题，本发明提供了基于AI的配网10KV架空线故障预警及定位系统。
为实现上述目的，本发明所采用的技术方案如下：
基于AI的配网10KV架空线故障预警及定位系统，包括：。
进一步的：数据采集与预处理模块：实时采集电流、电压和环境信息，构建监测数据集，在采集的原始数据上进行预处理；
特征提取与选择模块：使用深度学习模型对预处理后的数据进行特征提取，使用自动特征选择方法，选择对于低信噪比环境中的故障预测和定位的关键特征；
模型训练与优化模块：将提取的特征输入到深度学习模型中，进行监督学习训练，选择损失函数、优化算法，并使用训练集和验证集进行模型的优化；
实时监测与异常检测模块：将训练好的模型应用于实时监测系统中，对于每个时间步，通过模型预测当前架空线的状态，并与实际测量值进行比较，引入异常检测机制，识别在低信噪比环境下可能导致误差的异常情况；
故障类型分类与预警模块：在检测到异常的情况下，通过模型进行故障类型的分类，确定故障的具体类型，基于分类结果，触发相应的预警机制；
定位模块：结合传感器布局信息，对故障位置进行定位。
进一步的：所述数据采集与预处理模块包括：
部署电流传感器、电压传感器和环境传感器，以确保对10KV架空线的全面监测，利用传感器实时采集电流、电压和环境信息，构建监测数据集；
对原始数据进行噪声去除：
其中，xt是滤波后的信号，N是滤波器的阶数，wi是滤波器的权重；
采用指数加权移动平均，减少由于噪声引起的波动：
xt＝αxt-1+(1-α)xt
其中，α是平滑系数；
采用插值方法填充缺失值：
xt＝(1-λ)xt-1+λxt+1
其中，λ是插值参数。
进一步的：所述特征提取与选择模块包括：
使用深度学习模型进行特征提取，以捕捉架空线的关键特征；
将预处理后的监测数据转换成深度学习模型输入格式，其中，对于时域数据，将数据表示为时间窗口内的序列，对于频域数据，使用小波变换进行频谱表示；
设计卷积神经网络结构，包括卷积层、池化层和全连接层；
通过深度学习模型提取时域和频域上的特征，包括架空线的波形、频谱和振幅信息；
在模型训练完成后，通过自动特征选择方法，选择对于低信噪比环境中的故障预测和定位最为关键的特征：
其中，λ是正则化强度，wi是权重。
进一步的：所述模型训练与优化模块包括：
将提取的特征数据集划分为训练集、验证集和测试集；
选择损失函数，以衡量模型预测结果与实际标签之间的差异：
其中，y是实际故障标签，是模型的预测输出；
调整学习率和动量参数以提高训练的稳定性：
其中，θ是模型参数，η是学习率；
将提取的特征输入深度学习模型进行训练，通过反向传播算法，调整模型参数以最小化损失函数；
使用验证集评估模型性能，根据验证集的性能调整模型的超参数，以提高模型对低信噪比环境的鲁棒性；
使用测试集对模型进行评估。
进一步的：所述实时监测与异常检测模块包括：
将训练好的深度学习模型部署到实时监测系统中，确保模型能够实时接收架空线监测数据；
对于每个时间步t，输入当前时刻的监测数据到训练好的模型中，得到模型的输出
引入异常检测机制，通过比较模型输出和实际测量值，识别在低信噪比环境下可能导致误差的异常情况：
设定阈值∈，当残差超过该阈值时，判定为异常：
其中，σ是残差的标准差；
根据异常检测的结果，判断当前是否存在异常情况，若存在异常，触发预警机制。
进一步的：所述故障类型分类与预警模块包括：
建立分类阈值∈分类，若异常得分超过该阈值，则进入故障类型分类阶段：
异常得分＞∈分类
使用用于故障类型分类的深度学习模型，模型具有多个输出节点的神经网络，每个节点代表一种可能的故障类型，在训练阶段，使用带有故障标签的数据集对模型进行监督学习；
将检测到异常的数据集用于训练故障类型分类模型，定义损失函数：
其中，M是故障类型的数量，yij是第i个样本的第j类标签，是模型对第i个样本的第j类的预测输出；
对于检测到异常的数据，使用训练好的故障类型分类模型进行预测，得到每个故障类型的概率分布：
其中，zj是模型对第i类的线性输出；
基于预测的故障类型概率，设定预警阈值∈预警，若任何故障类型的概率超过该阈值，则触发相应的预警机制：
maxiP(yi|特征)>∈预警
进一步的：所述定位模块包括：
获取传感器的布局信息，包括每个传感器的位置坐标；
对于每对传感器i和j，计算它们之间的相对距离dij；
其中，(xi,yi)和(xj,yj)分别是传感器i和j的位置坐标；
利用三角测量定位法，根据传感器之间的相对距离，计算故障位置的坐标。
本发明与现有技术相比，所取得的技术进步在于：
本发明采用深度学习模型进行特征提取和分类，能够更好地适应低信噪比环境下的监测数据，深度学习模型能够学习到数据中的复杂模式，提高了对噪声和干扰的鲁棒性。本发明通过深度学习模型，系统能够自动学习特征，无需依赖人工提取，这对于在低信噪比环境中寻找有效的特征至关重要，因为传统方法可能难以有效地从噪声中提取有用信息。本发明引入了多层次的预警机制，包括异常检测、故障类型分类和故障位置定位，这样的多层次机制能够在不同阶段提供更精细的信息，有助于运维人员更准确地判断和响应。
本发明模型训练中采用了动态调整学习率等参数的策略，可以在训练过程中自适应地调整模型以适应不同信噪比环境的变化，提高了模型的稳定性。本发明在故障位置定位阶段，充分利用传感器之间的相对距离信息，采用多边定位法提高了故障位置定位的准确性，这对于在噪声较大的环境中提供更可靠的结果具有重要意义。本发明引入实时监测和预警机制，能够在故障发生时迅速响应，减少了故障对整个系统的影响。这在需要迅速处理紧急情况的工业和城市环境中尤为重要。
通过综合利用深度学习、多层次的预警机制和多边定位法，本发明能够更有效地应对低信噪比环境下的配网故障预警及定位问题，提高了系统的鲁棒性和准确性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1为本发明的系统结构图。
具体实施方式
下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
如图1所示的，本发明公开了一种基于AI的配网10KV架空线故障预警及定位系统，包括：
数据采集与预处理模块：
在低信噪比环境下，确保高质量的数据采集是关键，使用传感器技术，包括高精度电流传感器、电压传感器和环境传感器，以实时监测10KV架空线的状态，在采集的原始数据上进行预处理，包括去除噪声、平滑数据、填充缺失值等，以提高数据质量。
特征提取与选择模块：
利用AI技术，采用深度学习模型(如卷积神经网络)对预处理后的数据进行特征提取，关注架空线的频谱、波形和幅值等特征，以更好地捕捉故障信号，在特征选择阶段，使用自动特征选择方法或领域专家知识，选择对于低信噪比环境中的故障预测和定位最为关键的特征。
模型训练与优化模块：
将提取的特征输入到深度学习模型中，进行监督学习训练，选择合适的损失函数、优化算法，并使用训练集和验证集进行模型的优化，在训练过程中，特别考虑在低信噪比环境下模型的鲁棒性。
实时监测与异常检测模块：
将训练好的模型应用于实时监测系统中，对于每个时间步，通过模型预测当前架空线的状态，并与实际测量值进行比较，引入异常检测机制，识别在低信噪比环境下可能导致误差的异常情况。
故障类型分类与预警模块：
在检测到异常的情况下，通过模型进行故障类型的分类，确定故障的具体类型，基于分类结果，触发相应的预警机制，通知运维人员进行进一步的检修和处理。
定位模块：
结合传感器布局信息，对故障位置进行更精确的定位。可以利用传感器间的相对距离、信号强度等信息，采用定位算法(如多边定位法)提高故障位置的准确性。
本发明结合了数据处理、深度学习、异常检测和定位技术，可以解决在低信噪比环境中的配网故障预测和定位问题。
具体的，数据采集与预处理模块包括：
在低信噪比环境下，数据采集与预处理的关键在于确保从传感器获取高质量的监测数据：
传感器部署：部署高精度的电流传感器、电压传感器和环境传感器，以确保对10KV架空线的全面监测。传感器的布局应考虑到系统的整体结构，覆盖可能发生故障的关键区域。
数据采集：利用传感器实时采集电流、电压和环境信息，构建监测数据集。这些数据应涵盖正常运行状态和各种故障情况，以便训练后续的深度学习模型。
噪声去除：采用信号处理技术，如数字滤波器，对原始数据进行噪声去除，在本实施例中，可以使用低通滤波器，以去除高频噪声，保留系统的主要信号：
其中，xt是滤波后的信号，N是滤波器的阶数，wi是滤波器的权重。
数据平滑：采用指数加权移动平均等平滑技术，进一步减少由于噪声引起的波动，提高数据的稳定性：
xt＝αxt-1+(1-α)xt
其中，α是平滑系数。
缺失值填充：处理由于传感器故障或其他原因导致的数据缺失，在本实施例中，可以采用插值方法，如线性插值或基于时间序列模型的插值方法，填充缺失值：
xt＝(1-λ)xt-1+λxt+1
其中，λ是插值参数。
通过上述模块，数据采集与预处理阶段能够有效应对低信噪比环境，提高后续深度学习模型对于架空线状态的准确性和鲁棒性。
具体的，特征提取与选择模块包括：
在本模块中，使用深度学习模型进行特征提取，以捕捉架空线的关键特征，在本实施中选择卷积神经网络(CNN)，因为它在处理时域和频域数据时表现优异。
数据转换：将预处理后的监测数据转换成适合CNN输入的格式。对于时域数据，可以将数据表示为时间窗口内的序列；对于频域数据，可以使用傅里叶变换或小波变换进行频谱表示。
构建卷积神经网络：设计卷积神经网络结构，包括卷积层、池化层和全连接层。确保网络的深度和广度足够以有效地学习架空线的特征。
特征提取：通过训练CNN模型，学习到的卷积核将有效地提取时域和频域上的特征，包括架空线的波形、频谱和振幅信息。
特征选择：在模型训练完成后，通过观察卷积核的权重或使用自动特征选择方法(如L1正则化)，选择对于低信噪比环境中的故障预测和定位最为关键的特征。
其中，λ是正则化强度，wi是权重。
通过以上模块，能够借助深度学习模型提取具有代表性的特征，同时通过特征选择聚焦于最关键的信息，以适应低信噪比环境下的配网10KV架空线故障预警及定位。
具体的，模型训练与优化模块包括：
在这一模块中，将详细说明如何将提取的特征输入深度学习模型，进行监督学习训练，并优化模型以适应低信噪比环境。
数据划分：将提取的特征数据集划分为训练集、验证集和测试集，通常采用80-10-10的比例，确保充分的训练和验证。
定义损失函数：选择适当的损失函数，以衡量模型预测结果与实际标签之间的差异，对于二分类问题，可以选择交叉熵损失函数：
其中，y是实际故障标签，是模型的预测输出。
选择优化算法：选择合适的优化算法，常用的包括Adam、SGD等，在低信噪比环境中，需要调整学习率和动量等参数以提高训练的稳定性：
其中，θ是模型参数，η是学习率。
模型训练：将提取的特征输入深度学习模型进行训练，通过反向传播算法，不断调整模型参数以最小化损失函数。
模型验证与调参：使用验证集评估模型性能，根据验证集的性能调整模型的超参数，如层数、节点数、正则化强度等，以提高模型对低信噪比环境的鲁棒性。
模型评估：最终使用测试集对模型进行评估，确保其在未见过的数据上表现良好。
通过以上模块，能够建立并优化一个深度学习模型，该模型能够利用提取的特征对配网10KV架空线的故障进行准确预测，同时特别关注在低信噪比环境下模型的鲁棒性。
具体的，实时监测与异常检测模块包括：
在这一模块中，将详细说明如何将训练好的深度学习模型应用于实时监测系统，并引入异常检测机制，以识别低信噪比环境下可能导致误差的异常情况。
模型部署：将训练好的深度学习模型部署到实时监测系统中，确保模型能够实时接收架空线监测数据。
实时监测：对于每个时间步t，输入当前时刻的监测数据到训练好的模型中，得到模型的输出这个输出表示当前架空线的状态。
异常检测：引入异常检测机制，通过比较模型输出和实际测量值，识别在低信噪比环境下可能导致误差的异常情况，可以使用设定阈值的方式来进行异常检测：
设定阈值∈，当残差超过该阈值时，判定为异常：
其中，σ是残差的标准差。
异常判断与预警：根据异常检测的结果，判断当前是否存在异常情况，若存在异常，触发相应的预警机制，通知运维人员进行进一步的检修和处理。
通过以上模块，能够实现将训练好的深度学习模型嵌入到实时监测系统中，结合异常检测机制，能够及时发现在低信噪比环境下可能导致误差的异常情况，并进行相应的预警。
具体的，故障类型分类与预警模块包括：
在检测到异常的情况下，通过深度学习模型进行故障类型的分类，并基于分类结果触发预警机制。
异常检测后的分类：在实时监测与异常检测模块中，得到了异常得分，在此基础上，建立一个分类阈值∈分类，若异常得分超过该阈值，则进入故障类型分类阶段：
异常得分＞∈分类
故障类型分类模型：设计一个用于故障类型分类的深度学习模型，这个模型可以是一个具有多个输出节点的神经网络，每个节点代表一种可能的故障类型，在训练阶段，使用带有故障标签的数据集对模型进行监督学习。
训练模型：将检测到异常的数据集用于训练故障类型分类模型，定义适当的损失函数，例如多类别交叉熵损失函数：
其中，M是故障类型的数量，yij是第i个样本的第j类标签，是模型对第i个样本的第j类的预测输出。
预测故障类型：对于检测到异常的数据，使用训练好的故障类型分类模型进行预测，得到每个故障类型的概率分布：
其中，zj是模型对第i类的线性输出。
预警触发：基于预测的故障类型概率，设定预警阈值∈预警，若任何故障类型的概率超过该阈值，则触发相应的预警机制，通知运维人员。
通过上述模块，能够在检测到异常的情况下，使用深度学习模型对故障类型进行分类，并基于分类结果触发预警机制，使运维人员能够及时获知并处理配网10KV架空线的故障。
具体的，定位模块包括：
在本模块中，将利用传感器布局信息，采用多边定位法对故障位置进行更精确的定位，多边定位法基于传感器之间的相对距离，通过三角测量等手段，计算故障位置的坐标。
传感器布局信息：获取传感器的布局信息，包括每个传感器的位置坐标，这些信息通常事先在系统中进行标定，确保其准确性。
计算相对距离：对于每对传感器i和j，计算它们之间的相对距离dij，可以通过传感器位置坐标之间的欧氏距离来实现：
其中，(xi,yi)和(xj,yj)分别是传感器i和j的位置坐标。
多边定位法：利用三角测量等多边定位法，根据传感器之间的相对距离，计算故障位置的坐标，可以通过解三角形定位问题来实现：
假设有三个传感器A、B和C，它们的位置坐标分别为(xA,yA)、(xB,yB)和(xC,yC)，假设故障位置为(x,y)，则有三个方程：
上述是一个非线性方程组，可以通过数值优化算法(如牛顿法、梯度下降法)求解，得到故障位置的估计值。
通过本模块，能够利用传感器的相对距离信息，通过多边定位法对故障位置进行更精确的定位，从而提高配网10KV架空线故障定位的准确性。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明权利要求保护的范围之内。

Claims (7)

1.基于AI的配网10KV架空线故障预警及定位系统，其特征在于，包括：
数据采集与预处理模块：实时采集电流、电压和环境信息，构建监测数据集，在采集的原始数据上进行预处理；
特征提取与选择模块：使用深度学习模型对预处理后的数据进行特征提取，使用自动特征选择方法，选择对于低信噪比环境中的故障预测和定位的关键特征；
模型训练与优化模块：将提取的特征输入到深度学习模型中，进行监督学习训练，选择损失函数、优化算法，并使用训练集和验证集进行模型的优化；
实时监测与异常检测模块：将训练好的模型应用于实时监测系统中，对于每个时间步，通过模型预测当前架空线的状态，并与实际测量值进行比较，引入异常检测机制，识别在低信噪比环境下可能导致误差的异常情况；
故障类型分类与预警模块：在检测到异常的情况下，通过模型进行故障类型的分类，确定故障的具体类型，基于分类结果，触发相应的预警机制；
定位模块：结合传感器布局信息，对故障位置进行定位。
2.根据权利要求1所述的基于AI的配网10KV架空线故障预警及定位系统，其特征在于，所述数据采集与预处理模块包括：
部署电流传感器、电压传感器和环境传感器，以确保对10KV架空线的全面监测，利用传感器实时采集电流、电压和环境信息，构建监测数据集；
对原始数据进行噪声去除：
其中，xt是滤波后的信号，N是滤波器的阶数，wi是滤波器的权重；
采用指数加权移动平均，减少由于噪声引起的波动：
xt＝αxt-1+(1-α)xt
其中，α是平滑系数；
采用插值方法填充缺失值：
xt＝(1-λ)xt-1+λxt+1
其中，λ是插值参数。
3.根据权利要求2所述的基于AI的配网10KV架空线故障预警及定位系统，其特征在于，所述特征提取与选择模块包括：
使用深度学习模型进行特征提取，以捕捉架空线的关键特征；
将预处理后的监测数据转换成深度学习模型输入格式，其中，对于时域数据，将数据表示为时间窗口内的序列，对于频域数据，使用小波变换进行频谱表示；
设计卷积神经网络结构，包括卷积层、池化层和全连接层；
通过深度学习模型提取时域和频域上的特征，包括架空线的波形、频谱和振幅信息；
在模型训练完成后，通过自动特征选择方法，选择对于低信噪比环境中的故障预测和定位最为关键的特征：
其中，λ是正则化强度，wi是权重。
4.根据权利要求3所述的基于AI的配网10KV架空线故障预警及定位系统，其特征在于，所述模型训练与优化模块包括：
将提取的特征数据集划分为训练集、验证集和测试集；
选择损失函数，以衡量模型预测结果与实际标签之间的差异：
其中，y是实际故障标签，是模型的预测输出；
调整学习率和动量参数以提高训练的稳定性：
其中，θ是模型参数，η是学习率；
将提取的特征输入深度学习模型进行训练，通过反向传播算法，调整模型参数以最小化损失函数；
使用验证集评估模型性能，根据验证集的性能调整模型的超参数，以提高模型对低信噪比环境的鲁棒性；
使用测试集对模型进行评估。
5.根据权利要求4所述的基于AI的配网10KV架空线故障预警及定位系统，其特征在于，所述实时监测与异常检测模块包括：
将训练好的深度学习模型部署到实时监测系统中，确保模型能够实时接收架空线监测数据；
对于每个时间步t，输入当前时刻的监测数据到训练好的模型中，得到模型的输出
引入异常检测机制，通过比较模型输出和实际测量值，识别在低信噪比环境下可能导致误差的异常情况：
设定阈值∈，当残差超过该阈值时，判定为异常：
其中，σ是残差的标准差；
根据异常检测的结果，判断当前是否存在异常情况，若存在异常，触发预警机制。
6.根据权利要求5所述的基于AI的配网10KV架空线故障预警及定位系统，其特征在于，所述故障类型分类与预警模块包括：
建立分类阈值∈分类，若异常得分超过该阈值，则进入故障类型分类阶段：
异常得分＞∈分类
使用用于故障类型分类的深度学习模型，模型具有多个输出节点的神经网络，每个节点代表一种可能的故障类型，在训练阶段，使用带有故障标签的数据集对模型进行监督学习；
将检测到异常的数据集用于训练故障类型分类模型，定义损失函数：
其中，M是故障类型的数量，yij是第i个样本的第j类标签，是模型对第i个样本的第j类的预测输出；
对于检测到异常的数据，使用训练好的故障类型分类模型进行预测，得到每个故障类型的概率分布：
其中，zj是模型对第i类的线性输出；
基于预测的故障类型概率，设定预警阈值∈预警，若任何故障类型的概率超过该阈值，则触发相应的预警机制：
maxiP(yi|特征)>∈预警。
7.根据权利要求6所述的基于AI的配网10KV架空线故障预警及定位系统，其特征在于，所述定位模块包括：
获取传感器的布局信息，包括每个传感器的位置坐标；
对于每对传感器i和j，计算它们之间的相对距离dij；
其中，(xi,yi)和(xj,yj)分别是传感器i和j的位置坐标；
利用三角测量定位法，根据传感器之间的相对距离，计算故障位置的坐标。
CN202410145623.1A 2024-01-31 2024-01-31 基于ai的配网10kv架空线故障预警及定位系统 Pending CN118050591A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410145623.1A CN118050591A (zh) 2024-01-31 2024-01-31 基于ai的配网10kv架空线故障预警及定位系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410145623.1A CN118050591A (zh) 2024-01-31 2024-01-31 基于ai的配网10kv架空线故障预警及定位系统

Publications (1)

Publication Number Publication Date
CN118050591A true CN118050591A (zh) 2024-05-17

Family

ID=91046166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410145623.1A Pending CN118050591A (zh) 2024-01-31 2024-01-31 基于ai的配网10kv架空线故障预警及定位系统

Country Status (1)

Country Link
CN (1) CN118050591A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118690308A (zh) * 2024-08-23 2024-09-24 北京理工大学 物理知识嵌入的复杂工业系统异常检测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118690308A (zh) * 2024-08-23 2024-09-24 北京理工大学 物理知识嵌入的复杂工业系统异常检测方法及系统

Similar Documents

Publication Publication Date Title
CN108984893B (zh) 一种基于梯度提升方法的趋势预测方法
WO2019080367A1 (zh) 一种机械设备健康状态评估方法
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN111273623B (zh) 基于Stacked LSTM的故障诊断方法
CN113657221B (zh) 一种基于智能感知技术的电厂设备状态监测方法
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
CN118050591A (zh) 基于ai的配网10kv架空线故障预警及定位系统
CN117408162B (zh) 基于数字孪生的电网故障控制方法
CN113848417A (zh) 轨道交通供电设备故障预测方法及装置
CN117076955A (zh) 一种高压变频器的故障检测方法及系统
CN118154174B (zh) 一种工业设备智慧运维云平台
CN110794254B (zh) 一种基于强化学习的配电网故障预测方法及系统
CN118130984B (zh) 基于数据驱动的电缆局放故障实时监测方法
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
CN113887571A (zh) 改进svr算法的电子设备故障预测方法
CN112733446A (zh) 一种数据驱动的自适应异常检测方法
CN117471346A (zh) 用于确定退役电池模组剩余寿命和健康状态的方法及系统
CN118051822A (zh) 一种基于声纹识别技术的设备运行状态异常检测方法
CN116609440A (zh) 基于云边协同的建筑工程质量智能验收管理方法及系统
CN114818817A (zh) 一种电容式电压互感器微弱故障识别系统及方法
CN117630797A (zh) 基于工作电流的电表健康状态检测方法、系统及存储介质
CN117435908A (zh) 一种用于旋转机械的多种故障特征提取方法
CN116720073A (zh) 一种基于分类器的异常检测提取方法与系统
CN103400021A (zh) 基于重尾分布的kdsne水电机组噪声源检测方法

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