WO2024083840A1 - Monitoring three-phase periodic electrical signals using an artificial neural network - Google Patents

Monitoring three-phase periodic electrical signals using an artificial neural network Download PDF

Info

Publication number
WO2024083840A1
WO2024083840A1 PCT/EP2023/078852 EP2023078852W WO2024083840A1 WO 2024083840 A1 WO2024083840 A1 WO 2024083840A1 EP 2023078852 W EP2023078852 W EP 2023078852W WO 2024083840 A1 WO2024083840 A1 WO 2024083840A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
electrical signal
phase
periodic electrical
monitoring
Prior art date
Application number
PCT/EP2023/078852
Other languages
German (de)
French (fr)
Inventor
André KUMMEROW
Original Assignee
Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.
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 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. filed Critical Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.
Publication of WO2024083840A1 publication Critical patent/WO2024083840A1/en

Links

Classifications

    • 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
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2513—Arrangements for monitoring electric power systems, e.g. power lines or loads; Logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Definitions

  • the disclosure relates to a method and apparatus for monitoring three-phase periodic electrical signals based on an artificial neural network, in which the electrical signal is sampled at a predetermined sampling rate and a sampling signal resulting from the sampling is processed in an artificial neural or neural network.
  • the analysis in particular the on-site analysis of temporally highly sampled electrical current and voltage signals via artificial neural networks (ANNs) represents an increasingly important application of artificial intelligence (AI application) in the decentralized monitoring and control of electrical networks, in particular electrical power supply networks.
  • AI application artificial intelligence
  • central AI applications such as SCADA or WAMS as exemplary monitoring systems from the field of electrical monitoring
  • an AI-based evaluation of instantaneous values of electrical signals in the immediate vicinity of current and voltage transformers or AD converters also known as merging units, i.e. the local evaluation of instantaneous values of electrical signals such as voltage and current enables a significantly faster detection of local faults, anomalies or other (fault) conditions.
  • the instantaneous values of current and voltage must be recorded and evaluated locally.
  • the space vector theory was introduced in this area, which enables a compact description of three-phase alternating quantities such as the aforementioned current and voltage signals in electrical supply networks in the form of complex-valued rotary vectors and also provides various mathematical transformation methods.
  • the Clark-Park transformation is particularly relevant here, which corresponds to an invertible coordinate transformation for symmetrically loaded three-phase electrical systems with a rotating reference signal.
  • the task is to improve the existing approaches for monitoring electrical current and voltage signals and, in particular, to develop an efficient and versatile ANN model structure.
  • One aspect relates to a method for monitoring one or more three-phase periodic electrical signals using an artificial neural network in a power supply network.
  • the monitoring includes or is a classification of the three-phase periodic electrical signal using the artificial neural network and/or a detection of an anomaly of the three-phase periodic electrical signal using the artificial neural network.
  • the three-phase periodic electrical signal is classified, it is classified into previously known different classes, i.e. previously known error classes of faulty operation or standard operating classes of error-free operation, whereas when an anomaly of the three-phase periodic electrical signal is detected, this signal is detected as deviating in an unknown way from the signal in normal operation (a standard operating signal).
  • the periodic electrical signal preferably has exactly three phases, i.e. is a precisely three-phase periodic electrical signal.
  • One method step is sampling the three-phase periodic electrical signal, which can also be referred to as an electrical signal, at a predetermined sampling rate.
  • This sampling rate is preferably a high sampling rate, ie a sampling rate of more than 1000/s, preferably more than 3000/s and particularly preferably more than 4000/s.
  • sampling should only be carried out at a sampling rate of more than 6000 samples or individual values per second. This means that any errors can be detected particularly quickly and they can be better compensated for by the control system.
  • the KNN then processes a Tx3 observation matrix for a three-phase signal.
  • a further method step is processing a sampling signal resulting from the sampling of the electrical signal in an encoder structure of an artificial neural network (ANN), wherein the encoder structure contains one or more Clark-Park layers (CPS) which transform periodic components of the sampling signal or a processing signal derived from the sampling signal into non-periodic components in an output signal of the CPS (a CPS output signal) in accordance with a Clark-Park transformation, and the ANN uses the CPS during processing.
  • CPS Clark-Park layers
  • This is followed by monitoring the three-phase periodic electrical signal based on a result of the processing carried out in the artificial neural network with output of a monitoring signal.
  • the monitoring signal can be an electrical control signal and/or a warning signal, for example an acoustic, optical or electrical warning signal.
  • the monitoring of the electrical signal can also take place in the or another ANN.
  • the monitoring signal can also include a result vector or be a result vector.
  • the result vector can contain probabilities of occurrence for error classes and/or disturbance classes. As a subsequent process step, intervention in the control of the power supply network can also be provided depending on the monitoring signal.
  • ANNs such as the multilayer perceptron (MLP), the convolutional neural networks (CNN), the temporal convolutional neural networks (TCN), the recurrent neural networks (RNN) and the transformer networks.
  • MLP multilayer perceptron
  • CNN convolutional neural networks
  • TCN temporal convolutional neural networks
  • RNN recurrent neural networks
  • transformer networks While in the area of image processing by CNNs, in the area of text processing by transformer, a similar consideration of the specific technical properties of three-phase electrical current or voltage signals, especially in electrical supply networks, is not yet known.
  • the ANN models in the known approaches are over-parameterized, which leads to long calculation times and convergence problems in model training and when using the ANN models.
  • the approach presented here allows specific technical properties of the monitored alternating electrical quantities to be used to reduce parameters.
  • the special technical properties of the processed signals taken into account in the proposed architecture mainly include:
  • a network impedance specified by the network topology which physically describes the relationship between the current and voltage values in the power supply network.
  • Clark-Park transformation and the inverse Clark-Park transformation described below into the architecture of the ANN enables efficient processing and analysis of three-phase periodic electrical signals, ie three-phase current and voltage signals even under asymmetrical loads and non-equilibrium conditions.
  • the Clark-Park layer and the inverse Clark-Park layer are introduced here as a new layer in the ANN, which enables a conversion between periodic and non-periodic signals and the learning of representative feature representations from alternating electrical quantities.
  • Such an ANN architecture which has one or more Clark-Park or inverse Clark-Park layers, can be referred to as a space vector ANN.
  • space vector ANN uses such a space vector ANN to process three-phase periodic electrical signals such as three-phase current or voltage signals significantly reduces the number of required trainable model parameters, which are also referred to as weights, compared to previous ANN architectures.
  • computing operations of the respective CPS or inverse CPS can be parallelized and are suitable for use on graphics processors (Graphic Processing Units, GPUs) or tensor processors (Tensor Processing Units, TPUs). This means that the training and execution times of space vector ANNs can be greatly reduced compared to conventional approaches.
  • the CPS or inverse CPS can be combined with conventional ANN layers to build specific space vector ANN architectures and trained accordingly with common optimization and loss functions.
  • space vector ANNs in the processing and analysis, i.e. the monitoring of instantaneous values of three-phase periodic electrical signals, which are usually current or voltage signals, enables the implementation of AI-based decentralized monitoring functions in the area of station automation of electrical networks.
  • space vector ANNs can be used to detect measurement value anomalies in the three-phase periodic electrical signals as a result of IT attacks or technical faults in the sensor technology, to classify voltage quality events such as flicker or transients, to predict three-phase current or voltage signals to form substitute values in the event of measurement value anomalies and to estimate electrical parameters, such as impedance characteristics from the analysis of three-phase periodic electrical signals.
  • the encoder structure in particular the CPS, has learned one or more characteristic feature representations of at least one alternating electrical variable, in particular voltage and/or current.
  • the KNN then contains a classifier structure following the encoder structure in the signal processing path with one or more layers, in particular a softmax layer for implementing a softmax function.
  • the KNN classifies respective feature vectors, in particular those contained in the CPS output signal, which correspond to the learned characteristic feature representation(s) of the at least one alternating electrical quantity, according to several predetermined or learned classes, in particular classes predetermined or learned according to the softmax function.
  • the processing thus includes classification by the KNN and the KNN provides a result of the classification as the result of the processing or part of the result of the processing.
  • the monitoring can accordingly generate or output different monitoring signals specific to the respective classes.
  • the KNN contains a decoder structure following the encoder structure in the signal processing path with an inverse Clark-Park layer (iCPS), which transforms non-periodic components of the CPS output signal or a signal derived from the CPS output signal in an output signal of the iCPS (iCPS output signal) back into periodic components according to an inverse Clark-Park transformation.
  • iCPS inverse Clark-Park layer
  • the KNN uses the iCPS to calculate an estimated value for the sampling signal (possibly using additional layers).
  • the detection includes comparing the estimated value for the sampling signal (in particular as a result of the processing or part of the result of the processing) with the sampling signal.
  • the monitoring signal is output, preferably only, when a deviation between the estimated value for the sampling signal and the sampling signal is greater than a predetermined limit value.
  • a branched signal processing path can also be implemented here, for example by linking the encoder structure with the classifier structure in one branch of the signal processing path and with the decoder structure described here in another branch of the signal processing path.
  • the KNN contains, in addition to the first encoder structure introduced above and the first decoder structure introduced above, a convolution structure following the decoder structure in the signal processing path, which the KNN uses during processing.
  • the convolution structure approximates an amplitude and phase shift of current and voltage signals (as the three-phase periodic electrical signal) in the voltage supply network caused by a network impedance of the power supply network.
  • Current and voltage signals are thus components of the three-phase periodic electrical signal and can form this, as mentioned below.
  • the KNN contains a further (second) encoder structure with a further (second) CPS and a further (second) decoder structure with a further (second) iCPS following the further encoder structure in the signal processing path, as well as a further (second) convolution structure upstream of the encoder structure in the signal processing path.
  • the further convolution structure, the further encoder structure and the further decoder structure are used by the KNN during processing. Both convolution structures approximate the same amplitude and phase shift of current and voltage signals.
  • Both CPS are identical and both iCPS are identical, whereby identical can be understood here to mean that the trainable model parameters, i.e. weights, of the respective layers are identical or essentially identical, i.e. identical except for a predetermined small deviation, for example as can be expected due to uncontrollable influences in the training process such as noise.
  • the one, i.e. first encoder structure, the one, i.e. first decoder structure and the one, i.e. first convolution structure are used to calculate at least one estimated value for one or more second signal components of the three-phase periodic electrical signal that are different from the first signal components from one or more first signal components of the three-phase periodic electrical signal, which are processed in the ANNs.
  • second decoder structure are used to calculate at least one estimated value for one or more second signal components of the three-phase periodic electrical signal that are different from the first signal components from the one or more first signal components of the three-phase periodic electrical signal, which are processed in the ANNs.
  • second signal components to calculate at least one estimated value for the first signal component(s) of the three-phase periodic electrical signal.
  • the detection then comprises comparing at least one of the estimated values for the second signal components (as a result of the processing) with the second signal component(s) (as they are measured or sampled) and/or comparing at least one of the estimated values for the first signal component(s) (as a result of the processing) with the first signal component(s) (as they are measured or sampled).
  • the monitoring signal is output, preferably only, if a deviation between the at least one estimated value for the first signal component(s) and the first signal component(s) is greater than a predetermined first limit value and/or a deviation between the at least one estimated value for the second signal component(s) and the second signal component(s) is greater than a predetermined second limit value.
  • the first signal component can be a voltage signal of the three-phase periodic electrical signal
  • the second signal component can be a current signal of the three-phase periodic electrical signal, or vice versa.
  • the first and second signal components form the three-phase periodic electrical signal.
  • the CPS each have a plurality of Clark-Park blocks (CPB) arranged in a parallel circuit in the signal processing path, each of which processes an identical input signal (CPB input signal) with different phase angles
  • the iCPS each have a plurality of inverse Clark-Park blocks (iCPB) arranged in a parallel circuit in the signal processing path, each of which also processes an identical input signal (iCPB input signal) with different phase angles.
  • CPB Clark-Park blocks
  • iCPB inverse Clark-Park blocks
  • the respective CPS can contain at least three CPBs, preferably exactly three CPBs, and/or the respective iCPS can contain at least three iCPBs, preferably exactly three iCPBs.
  • the three-phase periodic electrical signal is a local electrical signal which is detected and/or processed in a local environment of a current transformer and/or a voltage transformer and/or an analog-digital converter.
  • a local environment can be specified by a housing common to the transformer and the detection point of the electrical signal, a circuit board common to the transformer and the detection point of the electrical signal or by a respective maximum distance of, for example, less than 1 m.
  • the local environment can also be specified by a common building, for example a substation. In this way, decentralized monitoring, possibly with subsequent control and regulation, can be implemented particularly precisely and reliably.
  • a further aspect relates to a device for monitoring a three-phase periodic electrical signal using an artificial neural network, in particular for classifying the three-phase periodic electrical signal and/or for detecting an anomaly of the three-phase periodic electrical signal using the artificial neural network in a power supply network.
  • the device comprises a sampling unit for sampling the three-phase periodic electrical signal at a predetermined sampling rate, a processing unit with an artificial neural network, which is designed to process a sampling signal resulting from the sampling of the three-phase periodic electrical signal in an encoder structure of the KNN, wherein the encoder structure comprises a Clark-Park layer, which is designed in accordance with a Clark-Park Transformation of periodic components of an associated CPS input signal into non-periodic components of a CPS output signal, as well as a monitoring unit for monitoring the three-phase periodic electrical signal based on a result from the processing unit and an output unit for outputting a monitoring signal.
  • Fig. 1 is a structural diagram of an exemplary Clark Park block
  • Fig. 2 is a structural diagram of an exemplary inverse Clark-Park block
  • Fig. 3 is a structural diagram of an exemplary space vector ANN for detecting an anomaly of the three-phase periodic electrical signal
  • Fig. 4 is a structural diagram of another exemplary space vector ANN for detecting an anomaly of the three-phase periodic electrical signal.
  • Fig. 5 is a structural diagram of an exemplary space vector ANN for classifying the three-phase periodic electrical signal.
  • a Clark-Park layer is a layer of an artificial neural network (ANN layer) for converting periodic input signals into non-periodic output signals.
  • An inverse Clark-Park layer is a corresponding ANN layer for converting non-periodic input signals into periodic output signals.
  • Both types of layers can each have a parallel connection of several blocks, Clark-Park blocks (CPBs) or inverse Clark-Park blocks (iCPBs), or consist of such a parallel connection.
  • the number of CPBs or iCPBs K is a hyperparameter.
  • the input signals of a CPS or iCPS are, for example, vectors x t e IR N with N dimensions at time step t and preferably an additional reference time value t ref .
  • the output signals of a CPS or iCPS are then observations y t e ]R M with M dimensions at time step t. M then corresponds to the number of output neurons per CPB or iCPB and is a hyperparameter.
  • Each input vector x r is processed separately within a CPS or iCPS by each CPB or iCPB.
  • Fig. 1 shows a structural diagram illustrating the calculation steps within an exemplary Clark Park Block (CPB).
  • CPB Clark Park Block
  • a linear transformation of the input vector is first carried out via the weighting matrix PV in e IR Nx3 and the bias vector 3 to determine the a,b,c components at time step t:
  • the a,b,c components are then converted into d,q,z components using a Clark-Park transformation, taking into account the phase angle p t :
  • the output vector y t follows here via a further linear transformation of the d, q, z components via the weighting matrix W out G ]R 3xM and the bias vector b out G ]R M to the journal t:
  • Fig. 2 shows a structural diagram illustrating exemplary calculation steps within an iCPB.
  • a linear transformation of the input vector is carried out via the weighting matrix lK in G IR Wx3 and the bias vector bj n G IR 3 to determine the d,q,z components for the journal t:
  • phase angle p t is determined using known methods.
  • the d, q, z components are then converted into a, b, c components using an inverse Clark-Pa ⁇ transformation, taking into account the phase angle p t :
  • the output vector is calculated here via a further linear transformation of the a,b,c components via the weighting matrix and the bias vector to the journal t:
  • Fig. 3 shows a structural diagram of an exemplary space vector ANN for detecting an anomaly of the three-phase periodic electrical signal.
  • a space vector ANN can also be called an autoencoder model.
  • a CPS is used in an encoder structure 3 and an iCPS with K CPBs or iCPBs in a decoder structure 4 and combined with conventional KNN layers (Dense, RNN).
  • the autoencoder model reconstructs three-phase current or voltage signals with X e ]R TX 3 for T journals per observation window.
  • the deviation between the input matrix X and the reconstructed output matrix X can be calculated using classical error measures, e.g. MAE, RMSE, and used for the KNN training based on backpropagation.
  • an encoder representation in this example becomes with Q dimensions by processing the input matrix over one or more dense or RNN layers.
  • the encoder representation is then passed to the CPS and the feature matrices with per CP block with additional specification of the reference time vector with and the number of output neurons M CP .
  • the calculation to determine the output vector f£ is carried out.
  • the overall feature representation is thus made up of the feature vectors f ⁇ ff of all CPBs to together.
  • the feature vectors fj ⁇ are fed to an iCPS with K ICPBs and Mj CP output neurons each to calculate the output matrix
  • the feature vector is rolled out along the time axis for each iCPB on the input side and the block-wise output matrix determined here with additional specification of the reference time vector.
  • the decoder representation is created using one or more dense or RNN layers. calculated and then passed on to a dense layer with linear activation to calculate the reconstruction signals.
  • Fig. 4 is a structural diagram of another exemplary space vector ANN for detecting an anomaly of the three-phase periodic electrical signal.
  • a space vector ANN can also be called a cross-autoencoder model, which allows simultaneous processing of three-phase current and voltage signals via a single ANN model.
  • an autoencoder model according to Fig. 3 is used for the cross-reconstruction of current and voltage signals.
  • the voltages are reconstructed based on the currents and the currents based on the voltages. For this, it is assumed that the current and voltage values are in a fixed relationship to one another, which is determined by the network impedance.
  • the conversion between the three-phase current and voltage signals is carried out using a one-dimensional convolution layer 1D-Conv with a trainable kernel, generally using a convolution structure.
  • This convolution layer approximates the impedance matrix, which is expressed by a fixed amplitude and phase shift between the current and voltage signals.
  • the currents reconstructed on the basis of the voltages are then calculated via the convolution structure.
  • the (observed) currents are converted into voltages via a further convolution layer 1D-Conv. converted and also further processed in an autoencoder constructed as shown in Fig. 3 to calculate the voltages reconstructed on the basis of the currents
  • Fig. 5 is a structural diagram of an exemplary space vector ANN for classifying the three-phase periodic electrical signal.
  • a space vector ANN can also be referred to as a classifier model.
  • the classifier model is generated with an encoder structure 3 according to Fig. 3 and a classifier structure 5.
  • the feature representation is derived from the input matrix time steps.
  • the feature vectors are transferred to a subsequent dense layer and softmax layer to calculate the probability vector assuming C classes. leads.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Measuring Phase Differences (AREA)
  • Measurement Of Current Or Voltage (AREA)

Abstract

The invention relates to a method for monitoring, in an electrical grid, a three-phase periodic electrical signal using an artificial neural network, in particular for classifying the three-phase periodic electrical signal and/or for detecting an anomaly in the three-phase periodic electrical signal using the artificial neural network, the method comprising sampling the three-phase periodic electrical signal at a predetermined sampling rate; processing a sampled signal, which results from the sampling of the three-phase electrical signal, in an encoder structure (3) of an artificial neural network, ANN, wherein the encoder structure (3) contains a Clarke and Park layer, CPL, which transforms periodic components into non-periodic components according to a Clarke and Park transformation, and the ANN uses the CPL in the processing; and monitoring the three-phase periodic electrical signal on the basis of a result of the processing, including outputting a monitoring signal, in order to improve the existing approaches for monitoring electrical current and voltage signals.

Description

Überwachung dreiphasiger periodischer elektrischer Signale unter Verwen- dung eines künstlichen neuronalen Netzes Monitoring three-phase periodic electrical signals using an artificial neural network
Die Offenbarung bezieht sich auf ein Verfahren und eine Vorrichtung zum Über- wachen dreiphasiger periodischer elektrischer Signale basierend auf einem künstlichen neuronalen Netz, bei welchem das elektrische Signal mit einer vor- gegebenen Abtastrate abgetastet wird und ein aus dem Abtasten resultieren- des Abtastsignal in einem künstlichen neuronalen oder neuralen Netz verarbei- tet wird. Die Analyse, insbesondere die Vor-Ort -Ana lyse zeitlich hochabgetasteter elektrischer Strom- und Spannungssignale über künstliche neuronale Netz- werke (KNNs) stellt eine zunehmend wichtige Anwendung von künstlicher In- telligenz (Kl-Anwendung) bei der dezentralen Überwachung und Steuerung elektrischer Netze, insbesondere elektrischer Stromversorgungsnetze, dar. Im Gegensatz zu zentralen Kl-Anwendungen wie SCADA oder WAMS als beispiel- hafte Überwachungssysteme aus dem Bereich der elektrischen Überwachung ermöglicht eine Kl-basierte Auswertung von Momentan-Werten elektrischer Signale in direkter Nähe zu Strom- und Spannungswandlern bzw. auch als Merging Units bezeichneten AD-Wandlern, also die lokale Auswertung von Mo- mentan-Werten elektrischer Signale wie Spannung und Strom, eine deutlich schnellere Erkennung lokaler Störungen, Anomalien oder sonstiger (Fehler-)Zu- stände. The disclosure relates to a method and apparatus for monitoring three-phase periodic electrical signals based on an artificial neural network, in which the electrical signal is sampled at a predetermined sampling rate and a sampling signal resulting from the sampling is processed in an artificial neural or neural network. The analysis, in particular the on-site analysis of temporally highly sampled electrical current and voltage signals via artificial neural networks (ANNs) represents an increasingly important application of artificial intelligence (AI application) in the decentralized monitoring and control of electrical networks, in particular electrical power supply networks. In contrast to central AI applications such as SCADA or WAMS as exemplary monitoring systems from the field of electrical monitoring, an AI-based evaluation of instantaneous values of electrical signals in the immediate vicinity of current and voltage transformers or AD converters also known as merging units, i.e. the local evaluation of instantaneous values of electrical signals such as voltage and current, enables a significantly faster detection of local faults, anomalies or other (fault) conditions.
Zur effizienten Umsetzung relevanter Steuerungs- und Regelungsaufgaben in elektrischen Maschinen müssen die Momentan-Werte von Strom und Span- nung vor Ort, d.h. lokal erfasst und ausgewertet werden. Zur Vereinfachung von Rechenoperationen wurde in diesem Bereich die Raumzeiger-Theorie einge- führt, welche eine kompakte Beschreibung dreiphasiger Wechselgrößen wie die besagten Strom- und Spannungssignale in elektrischen Versorgungsnetzen in Form komplexwertiger Drehzeiger ermöglicht und darüber hinaus verschie- dene mathematische Transformationsverfahren bereitstellt. Besonders rele- vant ist hierbei die Clark-Park-Transformation, welche einer invertierbaren Ko- ordinatentransformation für symmetrisch belastete dreiphasige elektrische Systeme mit rotierendem Referenzsignal entspricht. In order to efficiently implement relevant control and regulation tasks in electrical machines, the instantaneous values of current and voltage must be recorded and evaluated locally. To simplify calculation operations, the space vector theory was introduced in this area, which enables a compact description of three-phase alternating quantities such as the aforementioned current and voltage signals in electrical supply networks in the form of complex-valued rotary vectors and also provides various mathematical transformation methods. The Clark-Park transformation is particularly relevant here, which corresponds to an invertible coordinate transformation for symmetrically loaded three-phase electrical systems with a rotating reference signal.
Des Weiteren ist es möglich, dreiphasige Spannungssignale mittels einer Zeit- Frequenz-Transformation (S-Transformation) zu verarbeiten und eine resultie- rende Koeffizienten-Matrix einem künstlichen neuronalen Netz mit abschlie- ßender Softmax-Funktion zur Klassifikation von Ereignissen der Spannungsqua- lität zu übergeben. Die Anwendung der S-Transformation ist jedoch sehr be- rechnungsintensiv und muss für jedes Spannungssignal separat durchgeführt werden, was zu einer schlechten Verarbeitungseffizienz führt und relevante Signalzusammenhänge nicht erfasst. Auch können komplexwertige KNNs zur Verarbeitung periodischer Signale genutzt werden. Neben Konvergenzproble- men innerhalb des Modelltrainings (dem Anlernen des KNN) ist dessen prakti- sche Anwendbarkeit jedoch fraglich. Ein weiterer Ansatz sind sog. „Oscillatory Fourier Networks" zur Verarbeitung periodischer Signale, welche unter Nut- zung periodischer Aktivierungsfunktionen eine diskrete Fouriertransformation für verschiedene Frequenzbereiche durchführen. Derartige neuronale Netze sind in ihrer Anwendbarkeit jedoch nur auf Klassifikationsaufgaben beschränkt. Furthermore, it is possible to process three-phase voltage signals using a time-frequency transformation (S-transformation) and to pass a resulting coefficient matrix to an artificial neural network with a final softmax function for classifying voltage quality events. However, the application of the S-transformation is very computationally intensive and must be carried out separately for each voltage signal, which leads to poor processing efficiency and does not capture relevant signal relationships. Complex-valued ANNs can also be used to process periodic signals. In addition to convergence problems, However, its practical applicability is questionable in terms of model training (learning the ANN). Another approach is so-called "Oscillatory Fourier Networks" for processing periodic signals, which use periodic activation functions to carry out a discrete Fourier transformation for different frequency ranges. However, such neural networks are only applicable to classification tasks.
Entsprechend stellt sich die Aufgabe, die bestehenden Ansätze zum Überwa- chen elektrischer Strom- und Spannungssignale zu verbessern und insbeson- dere eine effiziente sowie vielseitig einsetzbare KNN-Modellstruktur zu entwi- ckeln. Accordingly, the task is to improve the existing approaches for monitoring electrical current and voltage signals and, in particular, to develop an efficient and versatile ANN model structure.
Diese Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausführungsformen ergeben sich aus den abhängigen An- sprüchen, der Beschreibung und den Figuren. This object is achieved by the subject matter of the independent patent claims. Advantageous embodiments emerge from the dependent claims, the description and the figures.
Ein Aspekt betrifft ein Verfahren zum Überwachen eines oder mehrerer drei- phasiger periodischer elektrischer Signale unter Verwendung eines künstlichen neuronalen Netzes in einem Stromversorgungsnetz. Insbesondere umfasst o- der ist das Überwachen ein Klassifizieren des dreiphasigen periodischen elektri- schen Signals unter Verwendung des künstlichen neuronalen Netzes und/oder ein Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Sig- nals unter Verwendung des künstlichen neuronalen Netzes. Dabei wird bei ei- nem Klassifizieren des dreiphasigen periodischen elektrischen Signals dieses in vorbekannte unterschiedliche Klassen, d. h. vorbekannte Fehlerklassen eines fehlerhaften Betriebs bzw. Normbetriebsklassen eines fehlerfreien Betriebs klassifiziert, beim Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Signals hingegen dieses Signal als von dem Signal in Normalbetrieb (einem Normbetriebssignal) in unbekannter Weise abweichend erkannt. Bevor- zugt hat das periodische elektrische Signal dabei genau drei Phasen, ist also ein genau dreiphasiges periodisches elektrisches Signal. One aspect relates to a method for monitoring one or more three-phase periodic electrical signals using an artificial neural network in a power supply network. In particular, the monitoring includes or is a classification of the three-phase periodic electrical signal using the artificial neural network and/or a detection of an anomaly of the three-phase periodic electrical signal using the artificial neural network. When the three-phase periodic electrical signal is classified, it is classified into previously known different classes, i.e. previously known error classes of faulty operation or standard operating classes of error-free operation, whereas when an anomaly of the three-phase periodic electrical signal is detected, this signal is detected as deviating in an unknown way from the signal in normal operation (a standard operating signal). The periodic electrical signal preferably has exactly three phases, i.e. is a precisely three-phase periodic electrical signal.
Ein Verfahrensschritt ist ein Abtasten des dreiphasigen periodischen elektri- schen Signals, was verkürzt auch als elektrisches Signal referenziert werden kann, mit einer vorgegebenen Abtastrate. Diese Abtastrate ist bevorzugt eine hohe Abtastrate, d. h. eine Abtastrate von mehr als 1000/s, bevorzugt mehr als 3000/s und besonders bevorzugt mehr als 4000/s. Idealerweise erfolgt das Ab- tasten nur mit einer Abtastrate von mehr als 6000 Abtastungen oder Einzel- werte pro Sekunde. Damit können etwaige Fehler besonders schnell erkannt werden und diese regelungstechnisch besser kompensiert werden. Die Einzel- werte (Abtastungen) können „gefenstert" („gesamplet") werden, sodass die Einzelwerte über T Einzelwerte, beispielsweise über T=50 Einzelwerte, norma- lisiert werden. Dass KNN verarbeitet dann entsprechend bei einem dreiphasi- gen Signal eine Tx3 Beobachtungsmatrix. One method step is sampling the three-phase periodic electrical signal, which can also be referred to as an electrical signal, at a predetermined sampling rate. This sampling rate is preferably a high sampling rate, ie a sampling rate of more than 1000/s, preferably more than 3000/s and particularly preferably more than 4000/s. Ideally, sampling should only be carried out at a sampling rate of more than 6000 samples or individual values per second. This means that any errors can be detected particularly quickly and they can be better compensated for by the control system. The individual values (samples) can be "windowed"("sampled") so that the individual values are normalized over T individual values, for example over T=50 individual values. The KNN then processes a Tx3 observation matrix for a three-phase signal.
Ein weiterer Verfahrensschritt ist ein Verarbeiten eines aus dem Abtasten des elektrischen Signals resultierenden Abtastsignals in einer Encoder-Struktur ei- nes künstlichen neuronalen Netzes (KNN), wobei die Encoder-Struktur ein oder mehrere Clark-Parkt-Schichten (CPS), welche entsprechend einer Clark-Park- Transformation periodischer Anteile des Abtastsignals oder eines von dem Ab- tastsignal abgeleiteten Verarbeitungssignals in einem Ausgabesignal der CPS (einem CPS-Ausgabesignal) in nicht periodische Anteile transformiert, enthält und das KNN die CPS bei dem Verarbeiten nutzt. Daran anschließend erfolgt ein Überwachen des dreiphasigen periodischen elektrischen Signals anhand eines Ergebnisses des im künstlichen neuronalen Netz erfolgten Verarbeitens mit Ausgeben eines Überwachungssignals. Das Überwachungssignal kann ein elekt- risches Steuersignal sein und/oder ein Warnsignal, beispielsweise ein akusti- sches, optisches, oder elektrisches Warnsignal. Das Überwachen des elektri- schen Signals kann ebenfalls in dem oder einem anderen KNN erfolgen. Das Überwachungssignal kann auch einen Ergebnisvektor umfassen oder ein Ergeb- nisvektor sein. Der Ergebnisvektor kann Eintrittswahrscheinlichkeiten für Fehl- erklassen und/oder Störungsklassen enthalten. Als nachfolgender Verfahrens- schritt kann auch ein Eingreifen in die Regelung des Stromversorgungsnetzes in Abhängigkeit des Überwachungssignals vorgesehen sein. A further method step is processing a sampling signal resulting from the sampling of the electrical signal in an encoder structure of an artificial neural network (ANN), wherein the encoder structure contains one or more Clark-Park layers (CPS) which transform periodic components of the sampling signal or a processing signal derived from the sampling signal into non-periodic components in an output signal of the CPS (a CPS output signal) in accordance with a Clark-Park transformation, and the ANN uses the CPS during processing. This is followed by monitoring the three-phase periodic electrical signal based on a result of the processing carried out in the artificial neural network with output of a monitoring signal. The monitoring signal can be an electrical control signal and/or a warning signal, for example an acoustic, optical or electrical warning signal. The monitoring of the electrical signal can also take place in the or another ANN. The monitoring signal can also include a result vector or be a result vector. The result vector can contain probabilities of occurrence for error classes and/or disturbance classes. As a subsequent process step, intervention in the control of the power supply network can also be provided depending on the monitoring signal.
Damit überwindet der hier vorgestellte Ansatz den Mangel an Methoden zur effizienten Verarbeitung elektrischer dreiphasiger Strom- oder Spannungssig- nale in den aktuellen Architekturformen von KNNs wie beispielsweise dem Mul- tilayer-Perceptron (MLP), den Convolutional Neural Networks (CNN), den Tem- poral Convolutional Neural networks (TCN), den Recurrent Neural Networks (RNN) und den Transformer-Networks. Während nämlich im Bereich der Bild- verarbeitung durch CNNs, im Bereich der Textverarbeitung durch Transformer- Networks oder im Bereich der Sprachverarbeitung durch Transformer bereits signifikante signalspezifische Weiterentwicklungen von KNN-Architekturen stattgefunden haben, ist eine ähnliche Berücksichtigung der spezifischen tech- nischen Eigenschaften von elektrischen dreiphasigen Strom- oder Spannungs- signalen gerade in elektrischen Versorgungsnetzen bisher nicht bekannt. Als Folge sind in den bekannten Ansätzen die KNN-Modelle überparametrisiert, was zu hohen Berechnungszeiten bzw. Konvergenzproblemen im Modelltrai- ning und beim Einsatz der KNN-Modelle führt. The approach presented here thus overcomes the lack of methods for the efficient processing of electrical three-phase current or voltage signals in the current architectural forms of ANNs such as the multilayer perceptron (MLP), the convolutional neural networks (CNN), the temporal convolutional neural networks (TCN), the recurrent neural networks (RNN) and the transformer networks. While in the area of image processing by CNNs, in the area of text processing by transformer While significant signal-specific developments of ANN architectures have already taken place in the field of networking or in the field of speech processing using transformers, a similar consideration of the specific technical properties of three-phase electrical current or voltage signals, especially in electrical supply networks, is not yet known. As a result, the ANN models in the known approaches are over-parameterized, which leads to long calculation times and convergence problems in model training and when using the ANN models.
Mit dem hier vorgestellten Ansatz lassen sich spezifische technische Eigen- schaften der überwachten elektrischen Wechselgrößen parameterreduzierend nutzen. Zu den speziellen in der vorgeschlagenen Architektur berücksichtigten technischen Eigenschaften der verarbeiteten Signale zählen vorwiegend: The approach presented here allows specific technical properties of the monitored alternating electrical quantities to be used to reduce parameters. The special technical properties of the processed signals taken into account in the proposed architecture mainly include:
1. Ein hoher periodischer Signalanteil bzw. eine stark ausgeprägte Grund- schwingung im elektrischen Signal, welche zu redundanten Informatio- nen durch sich wiederholende Messwerte führt, 1. A high periodic signal component or a strong fundamental oscillation in the electrical signal, which leads to redundant information due to repeated measured values,
2. Ein sich (unter Idealbedingungen) einstellender 120° Phasenversatz, wel- cher zu redundanten Informationen zwischen den Strom- und Span- nungswerten unterschiedlicher Phasen führt, sowie 2. A 120° phase shift (under ideal conditions), which leads to redundant information between the current and voltage values of different phases, as well as
3. Eine durch die Netztopologie vorgegebenen Netzimpedanz, welche das Verhältnis aus den Strom- und Spannungswerten im Stromversorgungs- netz physikalisch beschreibt. 3. A network impedance specified by the network topology, which physically describes the relationship between the current and voltage values in the power supply network.
Die Integration der Clark-Park-Transformation sowie der weiter unten beschrie- benen inversen Clark-Park-Transformation in die Architektur des KNN ermög- licht eine effiziente Verarbeitung und Analyse dreiphasiger periodischer elektri- scher Signale, d. h. dreiphasiger Strom- und Spannungssignale auch bei asym- metrischer Belastung sowie unter Nicht-Gleichgewichtsbedingungen. Dazu wird hier die Clark-Park-Schicht und die inverse Clark-Park-Schicht als neue Schicht im KNN eingeführt, welche eine Umwandlung zwischen periodischen und nicht-periodischen Signalen sowie das Erlernen repräsentativer Merkmals- repräsentationen aus elektrischen Wechselgrößen ermöglicht. Eine derartige KNN-Architektur, welche ein oder mehrere Clark-Park- bzw. inverse Clark-Park- Schichten aufweist, kann als Raumzeiger-KNN bezeichnet werden. Die Verwendung eines solchen Raumzeiger-KNNs zur Verarbeitung dreiphasi- ger periodischer elektrischer Signale wie dreiphasiger Strom- bzw. Spannungs- signale reduziert im Vergleich zu den bisherigen KNN-Architekturen die Anzahl der benötigten trainierbaren Modellparameter, welche auch als Gewichte be- zeichnet werden, erheblich. Zudem lassen sich die Rechenoperationen der je- weiligen CPS bzw. inversen CPS parallelisieren und eignen sich für den Einsatz auf Grafik-Prozessoren (Graphic Processing Units, GPUs) oder Tensor-Prozesso- ren (Tensor Processing Units, TPUs). Somit können die Trainings- und Ausfüh- rungszeiten von Raumzeiger-KNNs im Vergleich zu den herkömmlichen Ansät- zen stark reduziert werden. Dabei können die CPS bzw. inversen CPS mit her- kömmlichen KNN-Schichten zum Aufbau spezifischer Raumzeiger-KNN-Archi- tekturen kombiniert und entsprechend mit gängigen Optimierungs- und Ver- lustfunktionen trainiert werden. The integration of the Clark-Park transformation and the inverse Clark-Park transformation described below into the architecture of the ANN enables efficient processing and analysis of three-phase periodic electrical signals, ie three-phase current and voltage signals even under asymmetrical loads and non-equilibrium conditions. For this purpose, the Clark-Park layer and the inverse Clark-Park layer are introduced here as a new layer in the ANN, which enables a conversion between periodic and non-periodic signals and the learning of representative feature representations from alternating electrical quantities. Such an ANN architecture, which has one or more Clark-Park or inverse Clark-Park layers, can be referred to as a space vector ANN. The use of such a space vector ANN to process three-phase periodic electrical signals such as three-phase current or voltage signals significantly reduces the number of required trainable model parameters, which are also referred to as weights, compared to previous ANN architectures. In addition, the computing operations of the respective CPS or inverse CPS can be parallelized and are suitable for use on graphics processors (Graphic Processing Units, GPUs) or tensor processors (Tensor Processing Units, TPUs). This means that the training and execution times of space vector ANNs can be greatly reduced compared to conventional approaches. The CPS or inverse CPS can be combined with conventional ANN layers to build specific space vector ANN architectures and trained accordingly with common optimization and loss functions.
Wie im Folgenden noch weiter ausgeführt, ermöglicht der Einsatz von Raum- zeiger-KNNs bei der Verarbeitung und Analyse, d. h. der Überwachung von Mo- mentan-Werten dreiphasiger periodischer elektrischer Signale, welche in der Regel Strom- oder Spannungssignale sind, die Umsetzung Kl-basierter dezent- raler Überwachungsfunktionen im Bereich der Stationsautomatisierung elektri- scher Netze. Konkret können Raumzeiger-KNNs dabei zur Erkennung von Mess- wertanomalien in den dreiphasigen periodischen elektrischen Signalen als Folge von IT-Angriffen oder technischen Störungen in der Sensorik genutzt wer- den, zur Klassifikation von Ereignissen der Spannungsqualität wie beispiels- weise Flicker oder Transiente, zur Vorhersage dreiphasiger Strom- bzw. Span- nungssignale zum Bilden von Ersatzwerten im Fall von Messwertanomalien und zur Schätzung elektrischer Parameter, wie beispielsweise Impedanz-Kenngrö- ßen aus der Analyse dreiphasiger periodischer elektrischer Signale. As explained further below, the use of space vector ANNs in the processing and analysis, i.e. the monitoring of instantaneous values of three-phase periodic electrical signals, which are usually current or voltage signals, enables the implementation of AI-based decentralized monitoring functions in the area of station automation of electrical networks. Specifically, space vector ANNs can be used to detect measurement value anomalies in the three-phase periodic electrical signals as a result of IT attacks or technical faults in the sensor technology, to classify voltage quality events such as flicker or transients, to predict three-phase current or voltage signals to form substitute values in the event of measurement value anomalies and to estimate electrical parameters, such as impedance characteristics from the analysis of three-phase periodic electrical signals.
Entsprechend ist in einer vorteilhaften Ausführungsform vorgesehen, dass ein Klassifizieren des dreiphasigen periodischen elektrischen Signals erfolgt. Dabei hat die Encoder-Struktur, insbesondere die CPS, eine oder mehrere charakte- ristische Merkmalsrepräsentationen von zumindest einer elektrischen Wech- selgröße, insbesondere von Spannung und/oder von Strom erlernt. Das KNN enthält dann eine der Encoder- Struktur im Signalverarbeitungspfad nachfol- gende Klassifikator-Struktur mit einer oder mehreren Schichten, insbesondere einer Softmax-Schicht zum Implementieren einer Softmax-Funktion. Bei dem Verarbeiten in der Klassifikator-Struktur klassifiziert das KNN jeweilige, insbe- sondere in dem CPS-Ausgabesignal enthaltene, Merkmalsvektoren, welche der oder den erlernten charakteristischen Merkmalsrepräsentationen der zumin- dest einen elektrischen Wechselgröße entsprechen, gemäß mehreren vorgege- benen oder erlernten Klassen, insbesondere entsprechend der Softmax-Funk- tion vorgegebenen oder erlernten Klassen. Das Verarbeiten umfasst somit ein Klassifizieren durch das KNN und das KNN stellt ein Ergebnis des Klassifizierens als das Ergebnis des Verarbeitens oder Teil des Ergebnisses des Verarbeitens bereit. Das Überwachen kann entsprechend unterschiedliche, für die jeweiligen Klassen spezifische Überwachungssignale erzeugen bzw. ausgeben. Accordingly, in an advantageous embodiment, it is provided that a classification of the three-phase periodic electrical signal takes place. In this case, the encoder structure, in particular the CPS, has learned one or more characteristic feature representations of at least one alternating electrical variable, in particular voltage and/or current. The KNN then contains a classifier structure following the encoder structure in the signal processing path with one or more layers, in particular a softmax layer for implementing a softmax function. During processing in the classifier structure, the KNN classifies respective feature vectors, in particular those contained in the CPS output signal, which correspond to the learned characteristic feature representation(s) of the at least one alternating electrical quantity, according to several predetermined or learned classes, in particular classes predetermined or learned according to the softmax function. The processing thus includes classification by the KNN and the KNN provides a result of the classification as the result of the processing or part of the result of the processing. The monitoring can accordingly generate or output different monitoring signals specific to the respective classes.
In einer anderen vorteilhaften Ausführungsform ist entsprechend vorgesehen, dass ein Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Signals erfolgt. Dabei enthält das KNN eine der Encoder-Struktur im Signalver- arbeitungspfad nachfolgende Decoder-Struktur mit einer inversen Clark-Park- Schicht (iCPS), welche entsprechend einer inversen Clark-Park-Transformation nicht-periodische Anteile des CPS-Ausgabesignals oder eines von dem CPS-Aus- gabesignal abgeleiteten Signals in einem Ausgabesignal der iCPS (iCPS-Ausga- besignal) in periodische Anteile rücktransformiert. Das KNN nutzt die iCPS da- bei, um (ggf. unter Nutzung weiterer Schichten) einen Schätzwert für das Ab- tastsignal zu berechnen. Das Erkennen umfasst dabei ein Vergleichen des Schätzwertes für das Abtastsignal (insbesondere als Ergebnis des Verarbeitens oder Teil des Ergebnisses des Verarbeitens) mit dem Abtastsignal. Insbeson- dere erfolgt das Ausgeben des Überwachungssignals dann, bevorzugt nur dann, wenn eine Abweichung zwischen dem Schätzwert für das Abtastsignal und dem Abtastsignal größer ist als ein vorgegebener Grenzwert. Es ist zu beachten, dass hier auch ein verzweigter Signalverarbeitungspfad implementiert werden kann, beispielsweise indem die Encoder-Struktur mit der Klassifikator-Struktur in ei- nem Zweig des Signalverarbeitungspfads verknüpft wird und mit der hier be- schriebenen Decoder-Struktur in einem weiteren Zweig des Signalverarbei- tungspfades. Beide Ansätze verbessern die bekannten Methoden zum Überwa- chen dreiphasiger periodischer elektrischer Signale in einem Stromversor- gungsnetz, wobei eine Kombination besonders vorteilhaft ist, da hier unter Nutzung synergetischer Effekte sowohl bekanntes (Fehl-)Verhalten, als auch unbekanntes und somit nicht klassifiziertes Verhalten detektiert und gemeldet werden kann. In another advantageous embodiment, it is accordingly provided that an anomaly of the three-phase periodic electrical signal is detected. The KNN contains a decoder structure following the encoder structure in the signal processing path with an inverse Clark-Park layer (iCPS), which transforms non-periodic components of the CPS output signal or a signal derived from the CPS output signal in an output signal of the iCPS (iCPS output signal) back into periodic components according to an inverse Clark-Park transformation. The KNN uses the iCPS to calculate an estimated value for the sampling signal (possibly using additional layers). The detection includes comparing the estimated value for the sampling signal (in particular as a result of the processing or part of the result of the processing) with the sampling signal. In particular, the monitoring signal is output, preferably only, when a deviation between the estimated value for the sampling signal and the sampling signal is greater than a predetermined limit value. It should be noted that a branched signal processing path can also be implemented here, for example by linking the encoder structure with the classifier structure in one branch of the signal processing path and with the decoder structure described here in another branch of the signal processing path. Both approaches improve the known methods for monitoring three-phase periodic electrical signals in a power supply network, with a combination being particularly advantageous because, using synergistic effects, both known (mis)behavior and unknown and thus unclassified behavior are detected and reported. can be.
In einer besonders vorteilhaften Ausführungsform ist dabei vorgesehen, dass das KNN zusätzlich zu der oben eingeführten ersten Encoder-Struktur und der oben eingeführten ersten Decoder-Struktur eine der Decoder-Struktur im Sig- nalverarbeitungspfad nachfolgende Faltungsstruktur enthält, welche das KNN bei dem Verarbeiten nutzt. Die Faltungsstruktur approximiert dabei eine durch eine Netzimpedanz des Stromversorgungsnetzes bedingte Amplituden- und Phasenverschiebung von Strom- und Spannungssignalen (als dem dreiphasigen periodischen elektrischen Signal) in dem Spannungsversorgungsnetz. Strom- und Spannungssignale sind somit Komponenten des dreiphasigen periodischen elektrischen Signals und können dieses bilden, wie im Folgenden noch erwähnt. In a particularly advantageous embodiment, it is provided that the KNN contains, in addition to the first encoder structure introduced above and the first decoder structure introduced above, a convolution structure following the decoder structure in the signal processing path, which the KNN uses during processing. The convolution structure approximates an amplitude and phase shift of current and voltage signals (as the three-phase periodic electrical signal) in the voltage supply network caused by a network impedance of the power supply network. Current and voltage signals are thus components of the three-phase periodic electrical signal and can form this, as mentioned below.
Des Weiteren enthält das KNN eine weitere (zweite) Encoder-Struktur mit einer weiteren (zweiten) CPS und eine der weiteren Encoder- Struktur im Signalverar- beitungspfad nachfolgende weitere (zweite) Decoder-Struktur mit einer weite- ren (zweiten) iCPS, sowie eine der Encoder-Struktur im Signalverarbeitungspfad vorgeschaltete weitere (zweite) Faltungsstruktur. Die weitere Faltungsstruktur, die weitere Encoder-Struktur und die weitere Decoder-Struktur werden dabei von dem KNN bei dem Verarbeiten genutzt. Beide Faltungsstrukturen approxi- mieren die gleiche Amplituden- und Phasenverschiebung von Strom- und Span- nungssignalen. Beide CPS sind identisch und beide iCPS sind identisch, wobei hier unter identisch verstanden werden kann, dass die trainierbaren Modell- Parameter, also Gewichte, der jeweiligen Schichten identisch oder im Wesent- lichen identisch, d. h. bis auf eine vorgegebene geringe Abweichung, beispiels- weise wie sie durch unkontrollierbare Einflüsse im Trainingsprozess wie Rau- schen zu erwarten sind, identisch sind. Furthermore, the KNN contains a further (second) encoder structure with a further (second) CPS and a further (second) decoder structure with a further (second) iCPS following the further encoder structure in the signal processing path, as well as a further (second) convolution structure upstream of the encoder structure in the signal processing path. The further convolution structure, the further encoder structure and the further decoder structure are used by the KNN during processing. Both convolution structures approximate the same amplitude and phase shift of current and voltage signals. Both CPS are identical and both iCPS are identical, whereby identical can be understood here to mean that the trainable model parameters, i.e. weights, of the respective layers are identical or essentially identical, i.e. identical except for a predetermined small deviation, for example as can be expected due to uncontrollable influences in the training process such as noise.
Die eine, also erste Encoder-Struktur, die eine, also erste Decoder-Struktur und die eine, also erste Faltungs-Struktur wird genutzt, um aus einem oder mehre- ren ersten Signalanteilen des dreiphasigen periodischen Signals, welche in den KNNs verarbeitet werden, zumindest einen Schätzwert für einen oder mehrere zu den ersten Signalanteilen verschiedene zweite Signalanteile des dreiphasi- gen periodischen elektrischen Signals zu berechnen. Die weitere, also zweite Faltungsstruktur, die weitere, also zweite Encoder-Struktur und die weitere, also zweite Decoder-Struktur wird genutzt, um aus den einen oder mehreren zweiten Signalanteilen zumindest einen Schätzwert für den oder die ersten Sig- nalanteile des dreiphasigen periodischen elektrischen Signals zu berechnen. Das Erkennen umfasst dann ein Vergleichen zumindest eines der Schätzwerte für die zweiten Signalanteile (als Ergebnis des Verarbeitens) mit dem oder den zweiten Signalanteilen (wie sie gemessen oder abgetastet werden) und/oder ein Vergleichen zumindest eines der Schätzwerte für den oder die ersten Sig- nalanteile (als Ergebnis des Verarbeitens) mit dem oder den ersten Signalantei- len (wie sie gemessen oder abgetastet werden). Insbesondere erfolgt das Aus- geben des Überwachungssignals dann, bevorzugt nur dann, wenn eine Abwei- chung zwischen dem zumindest einen Schätzwert für den oder die ersten Sig- nalanteile und dem oder den ersten Signalanteilen größer ist als ein vorgege- bener erster Grenzwert und/oder eine Abweichung zwischen dem zumindest einen Schätzwert für den oder die zweiten Signalanteile und dem oder den zweiten Signalanteilen größer ist als ein vorgegebener zweiter Grenzwert. Der erste Signalanteil kann dabei ein Spannungssignal des dreiphasigen periodi- schen elektrischen Signals sein, und der zweite Signalanteil ein Stromsignal des dreiphasigen periodischen elektrischen Signals, oder umgekehrt. Insbesondere bilden erster und zweiter Signalanteil das dreiphasige periodische elektrische Signal. Das hat den Vorteil, dass die durch die Netztopologie vorgegebene Net- zimpedanz, welche das Verhältnis aus den Strom- und Spannungswerte physi- kalisch beschreibt, explizit berücksichtigt werden kann, das künstliche neuro- nale Netz somit die im Stromversorgungsnetz vorliegenden technischen Rand- bedingungen berücksichtigt. The one, i.e. first encoder structure, the one, i.e. first decoder structure and the one, i.e. first convolution structure are used to calculate at least one estimated value for one or more second signal components of the three-phase periodic electrical signal that are different from the first signal components from one or more first signal components of the three-phase periodic electrical signal, which are processed in the ANNs. The further, i.e. second convolution structure, the further, i.e. second encoder structure and the further, i.e. second decoder structure are used to calculate at least one estimated value for one or more second signal components of the three-phase periodic electrical signal that are different from the first signal components from the one or more first signal components of the three-phase periodic electrical signal, which are processed in the ANNs. second signal components to calculate at least one estimated value for the first signal component(s) of the three-phase periodic electrical signal. The detection then comprises comparing at least one of the estimated values for the second signal components (as a result of the processing) with the second signal component(s) (as they are measured or sampled) and/or comparing at least one of the estimated values for the first signal component(s) (as a result of the processing) with the first signal component(s) (as they are measured or sampled). In particular, the monitoring signal is output, preferably only, if a deviation between the at least one estimated value for the first signal component(s) and the first signal component(s) is greater than a predetermined first limit value and/or a deviation between the at least one estimated value for the second signal component(s) and the second signal component(s) is greater than a predetermined second limit value. The first signal component can be a voltage signal of the three-phase periodic electrical signal, and the second signal component can be a current signal of the three-phase periodic electrical signal, or vice versa. In particular, the first and second signal components form the three-phase periodic electrical signal. This has the advantage that the network impedance specified by the network topology, which physically describes the relationship between the current and voltage values, can be explicitly taken into account, and the artificial neural network thus takes into account the technical boundary conditions present in the power supply network.
In einer besonders vorteilhaften Ausführungsform ist vorgesehen, dass die CPS jeweils mehrere im Signalverarbeitungspfad in einer Parallelschaltung angeord- nete Clark-Park-Blöcke (CPB) aufweisen, welche jeweils ein identische Ein- gangssignal (CPB-Eingangssignal) mit unterschiedlichen Phasenwinkeln verar- beiten, und/oder die iCPS jeweils mehrere im Signalverarbeitungspfad in einer Parallelschaltung angeordnete inverse Clark-Park-Blöcke (iCPB) aufweisen, wel- che ebenfalls jeweils ein identische Eingangssignal (iCPB-Eingangssignal) mit unterschiedlichen Phasenwinkeln verarbeiten. Das hat den Vorteil, dass die Be- rechnungsschritte gut parallelisierbar und besonders gut auf GPU- bzw. TPU- Hardware ausführbar sind. Die Überlagerung der entsprechenden Ausgabesig- nale aus mehreren CPB bzw. iCPB Blöcken ermöglicht überdies die Approxima- tion von zeitlich stark schwankenden Amplituden- und Phasenveränderungen sowie Unsymmetrien in den Eingangssignalen und erhöht so die Modellflexibi- lität. In a particularly advantageous embodiment, it is provided that the CPS each have a plurality of Clark-Park blocks (CPB) arranged in a parallel circuit in the signal processing path, each of which processes an identical input signal (CPB input signal) with different phase angles, and/or the iCPS each have a plurality of inverse Clark-Park blocks (iCPB) arranged in a parallel circuit in the signal processing path, each of which also processes an identical input signal (iCPB input signal) with different phase angles. This has the advantage that the calculation steps can be easily parallelized and can be carried out particularly well on GPU or TPU hardware. The superposition of the corresponding output signals from a plurality of CPB or iCPB blocks also enables the approximation of amplitude and phase changes that fluctuate greatly over time. as well as asymmetries in the input signals and thus increases model flexibility.
Dabei können in den jeweiligen CPS je zumindest drei CPBs, bevorzugt genau drei CPBs, enthalten sein und/oder in den jeweiligen iCPS je zumindest drei iCPBs, bevorzugt genau drei iCPBs. Das hat den Vorteil, dass eine Berechnung der jeweiligen Werte unabhängig voneinander erfolgen kann, was der Paralle- lisierung und damit Verarbeitungsgeschwindigkeit zuträglich ist. Durch die ge- wonnene Flexibilität können komplexere Modelle erzeugt und damit komple- xere Eingangssignale parallel verarbeitet werden. The respective CPS can contain at least three CPBs, preferably exactly three CPBs, and/or the respective iCPS can contain at least three iCPBs, preferably exactly three iCPBs. This has the advantage that the respective values can be calculated independently of one another, which is beneficial for parallelization and thus processing speed. The flexibility gained means that more complex models can be created and thus more complex input signals can be processed in parallel.
In einer weiteren vorteilhaften Ausführungsform ist vorgesehen, dass das drei- phasige periodische elektrische Signal ein lokales elektrisches Signal ist, wel- ches in einer lokalen Umgebung eines Stromwandlers und/oder eines Span- nungswandlers und/oder eines Analog-Digital-Wandlers erfasst und/oder ver- arbeitet wird. Eine lokale Umgebung kann dabei durch ein dem Wandler und dem Erfassungspunkt des elektrischen Signals gemeinsames Gehäuse, eine dem Wandler und dem Erfassungspunkt des elektrischen Signals gemeinsame Platine oder durch einen jeweiligen Maximalabstand von beispielsweise weni- ger als 1 m vorgegeben sein Die lokale Umgebung kann auch durch ein gemein- sames Gebäude, beispielsweise ein Umspannwerk vorgegeben sein. Damit kann eine dezentrale Überwachung ggf. mit anschließender Steuerung und Re- gelung besonders präzise und verlässlich implementiert werden. In a further advantageous embodiment, it is provided that the three-phase periodic electrical signal is a local electrical signal which is detected and/or processed in a local environment of a current transformer and/or a voltage transformer and/or an analog-digital converter. A local environment can be specified by a housing common to the transformer and the detection point of the electrical signal, a circuit board common to the transformer and the detection point of the electrical signal or by a respective maximum distance of, for example, less than 1 m. The local environment can also be specified by a common building, for example a substation. In this way, decentralized monitoring, possibly with subsequent control and regulation, can be implemented particularly precisely and reliably.
Ein weiterer Aspekt betrifft eine Vorrichtung zum Überwachen eines dreiphasi- gen periodischen elektrischen Signals unter Verwendung eines künstlichen neuronalen Netzes, insbesondere zum Klassifizieren des dreiphasigen periodi- schen elektrischen Signals und/oder zum Erkennen einer Anomalie des dreipha- sigen periodischen elektrischen Signals unter Verwendung des künstlichen neu- ronalen Netzes in einem Stromversorgungsnetz. Die Vorrichtung umfasst dabei eine Abtasteinheit zum Abtasten des dreiphasigen periodischen elektrischen Signals mit einer vorgegebenen Abtastrate, eine Verarbeitungseinheit mit ei- nem künstlichen neuronalen Netz, welche ausgebildet ist zum Verarbeiten ei- nes aus dem Abtasten des dreiphasigen periodischen elektrischen Signals re- sultierenden Abtastsignals in einer Encoder-Struktur des KNN, wobei die Enco- der-Struktur eine Clark-Park-Schicht, welche entsprechend einer Clark-Park- Transformation periodischer Anteile eines zugehörigen CPS-Eingangssignals in nicht-periodische Anteile eines CPS-Ausgangssignals transformiert, enthält, so- wie eine Überwachungseinheit zum Überwachen des dreiphasigen periodi- schen elektrischen Signals anhand eines Ergebnisses von der Verarbeitungsein- heit sowie eine Ausgabeeinheit zum Ausgeben eines Überwachungssignals. A further aspect relates to a device for monitoring a three-phase periodic electrical signal using an artificial neural network, in particular for classifying the three-phase periodic electrical signal and/or for detecting an anomaly of the three-phase periodic electrical signal using the artificial neural network in a power supply network. The device comprises a sampling unit for sampling the three-phase periodic electrical signal at a predetermined sampling rate, a processing unit with an artificial neural network, which is designed to process a sampling signal resulting from the sampling of the three-phase periodic electrical signal in an encoder structure of the KNN, wherein the encoder structure comprises a Clark-Park layer, which is designed in accordance with a Clark-Park Transformation of periodic components of an associated CPS input signal into non-periodic components of a CPS output signal, as well as a monitoring unit for monitoring the three-phase periodic electrical signal based on a result from the processing unit and an output unit for outputting a monitoring signal.
Vorteile und vorteilhafte Ausführungsformen der Vorrichtung entsprechen da- bei Vorteilen und vorteilhaften Ausführungsformen des Verfahrens. Advantages and advantageous embodiments of the device correspond to advantages and advantageous embodiments of the method.
Die vorstehend in der Beschreibung, auch im einleitenden Teil, genannten Merkmale und Merkmalskombinationen, sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen verwendbar, ohne den Rahmen der Erfindung zu verlassen. Es sind somit auch Ausführungen von der Erfindung als umfasst und offenbart anzusehen, die in den Figuren nicht explizit gezeigt und erläutert sind, jedoch durch separierte Merkmalskombinationen aus den erläuterten Ausführungen hervorgehen und erzeugbar sind. Es sind auch Ausführungen und Merkmalskombinationen als offenbart anzusehen, die somit nicht alle Merkmale eines ursprünglich formulierten unabhängigen Anspruchs aufweisen. Es sind darüber hinaus Ausführungen und Merkmalskombinationen, insbesondere durch die oben dargelegten Ausführungen, als offenbart anzusehen, die über die in den Rückbezügen der Ansprüche dargelegten Merkmalskombinationen hinausgehen oder von diesen abweichen. The features and combinations of features mentioned above in the description, including in the introductory part, as well as the features and combinations of features mentioned below in the description of the figures and/or shown in the figures alone can be used not only in the combination specified in each case, but also in other combinations without departing from the scope of the invention. Thus, embodiments are also to be regarded as encompassed and disclosed by the invention that are not explicitly shown and explained in the figures, but which emerge and can be produced by separate combinations of features from the explained embodiments. Embodiments and combinations of features are also to be regarded as disclosed that do not have all the features of an originally formulated independent claim. In addition, embodiments and combinations of features, in particular through the embodiments set out above, which go beyond or deviate from the combinations of features set out in the back references to the claims are to be regarded as disclosed.
Anhand der in den nachfolgenden Figuren gezeigten schematischen Zeichnun- gen soll der erfindungsgemäße Gegenstand näher erläutert werden, ohne die- sen auf die hier gezeigten spezifischen Ausführungsformen einschränken zu wollen. The subject matter of the invention will be explained in more detail with reference to the schematic drawings shown in the following figures, without wishing to restrict it to the specific embodiments shown here.
Dabei zeigen: Showing:
Fig. 1 ein Strukturbild eines beispielhaften Clark-Park-Blocks; Fig. 1 is a structural diagram of an exemplary Clark Park block;
Fig. 2 ein Strukturbild eines beispielhaften inversen Clark-Park-Blocks; Fig. 3 ein Strukturbild eines beispielhaften Raumzeiger-KNNs zum Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Signals; Fig. 2 is a structural diagram of an exemplary inverse Clark-Park block; Fig. 3 is a structural diagram of an exemplary space vector ANN for detecting an anomaly of the three-phase periodic electrical signal;
Fig. 4 ein Strukturbild eines weiteren beispielhaften Raumzeiger-KNNs zum Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Signals; und Fig. 4 is a structural diagram of another exemplary space vector ANN for detecting an anomaly of the three-phase periodic electrical signal; and
Fig. 5 ein Strukturbild eines beispielhaften Raumzeiger-KNNs zum Klassifizie- ren des dreiphasigen periodischen elektrischen Signals. Fig. 5 is a structural diagram of an exemplary space vector ANN for classifying the three-phase periodic electrical signal.
In den unterschiedlichen Figuren sind dabei gleiche oder funktionsgleiche Kom- ponenten mit den gleichen Bezugszeichen bzw. Benennungen versehen. In the different figures, identical or functionally identical components are provided with the same reference symbols or designations.
Allgemein ist eine Clark-Park-Schicht (CPS) eine Schicht eines künstlichen neu- ronalen Netzes (KNN-Schicht) zur Umwandlung periodischer Eingangssignale in nicht-periodische Ausgangssignale. Eine inverse Clark-Park-Schicht (iCPS) ist entsperchend eine KNN-Schicht zur Umwandlung nicht-periodischer Eingangs- signale in periodische Ausgangssignale. Beide Arten von Schichten können je- weils eine Parallelschaltung mehrerer Blöcke, Clark-Park-Blöcke (CPBs) bzw. in- verser Clark-Park-Blöcke (iCPBs) aufweisen oder aus solch einer Parallelschal- tung bestehen. Die Anzahl der CPBs bzw. iCPBs K ist ein Hyperparameter. In general, a Clark-Park layer (CPS) is a layer of an artificial neural network (ANN layer) for converting periodic input signals into non-periodic output signals. An inverse Clark-Park layer (iCPS) is a corresponding ANN layer for converting non-periodic input signals into periodic output signals. Both types of layers can each have a parallel connection of several blocks, Clark-Park blocks (CPBs) or inverse Clark-Park blocks (iCPBs), or consist of such a parallel connection. The number of CPBs or iCPBs K is a hyperparameter.
Die Eingangssignale einer CPS oder iCPS sind beispielsweise Vektoren xt e IRN mit N Dimensionen zum Zeitschritt t sowie bevorzugt ein zusätzlicher Referenz- zeitwert tref. Die Ausgangssignale einer CPS oder iCPS sind dann Beobachtun- gen yt e ]RM mit M Dimensionen zum Zeitschrift t. M entspricht dabei dann der Anzahl der Ausgangsneuronen je CPB bzw. iCPB und ist ein Hyperparame- ter. Jeder Eingangsvektor xr wird vorliegend innerhalb einer CPS oder iCPS durch jeden CPB bzw. iCPB separat verarbeitet. The input signals of a CPS or iCPS are, for example, vectors x t e IR N with N dimensions at time step t and preferably an additional reference time value t ref . The output signals of a CPS or iCPS are then observations y t e ]R M with M dimensions at time step t. M then corresponds to the number of output neurons per CPB or iCPB and is a hyperparameter. Each input vector x r is processed separately within a CPS or iCPS by each CPB or iCPB.
In Fig. 1 ist Strukturbild zur Darstellung der Berechnungsschritte innerhalb eines beispielhaften Clark-Park-Blocks (CPB) dargestellt. Fig. 1 shows a structural diagram illustrating the calculation steps within an exemplary Clark Park Block (CPB).
Innerhalb eines CP-Blocks 1 erfolgt im gezeigten Beispiel zunächst eine lineare Transformation des Eingangsvektors über die Gewichtungsmatrix PVin e IRNx3 und den Biasvekto
Figure imgf000015_0005
3 zur Bestimmung der a,b,c-Komponenten zum Zeit- schritt t:
Figure imgf000015_0001
Within a CP block 1, in the example shown, a linear transformation of the input vector is first carried out via the weighting matrix PV in e IR Nx3 and the bias vector
Figure imgf000015_0005
3 to determine the a,b,c components at time step t:
Figure imgf000015_0001
Der Referenzzeitwert tref wird dabei in diesem Beispiel über das Gewicht wP, den Biasterm bP sowie der Referenzfrequenz /ref = 2TT ■ 50Hz in einen Phasen- winkel pt zum Zeitschritt t umgerechnet:
Figure imgf000015_0002
In this example, the reference time value t ref is converted into a phase angle p t for the time step t using the weight w P , the bias term b P and the reference frequency / ref = 2TT ■ 50Hz:
Figure imgf000015_0002
Anschließend werden hier die a,b,c-Komponenten über eine Clark-Park-Trans- formation unter Hinzunahme des Phasenwinkels pt in d,q, z-Komponenten um- gewandelt:
Figure imgf000015_0003
The a,b,c components are then converted into d,q,z components using a Clark-Park transformation, taking into account the phase angle p t :
Figure imgf000015_0003
Der Ausgangsvektor yt folgt vorliegend über eine weitere lineare Transforma- tion der d,q, z-Komponenten über die Gewichtungsmatrix Wout G ]R3xM und den Biasvektor bout G ]RM zum Zeitschrift t:
Figure imgf000015_0004
The output vector y t follows here via a further linear transformation of the d, q, z components via the weighting matrix W out G ]R 3xM and the bias vector b out G ]R M to the journal t:
Figure imgf000015_0004
Fig. 2 stellt ein Strukturbild zur Darstellung beispielhafter Berechnungsschritte innerhalb eines iCPB dar. Fig. 2 shows a structural diagram illustrating exemplary calculation steps within an iCPB.
Innerhalb des iCPB 2 erfolgt vorliegend analog zum beispielhaften CPB von Fig. l eine lineare Transformation des Eingangsvektors über die Gewichtungsmatrix lKin G IRWx3 und den Biasvektor bjn G IR3 zur Bestimmung der d,q,z-Kompo- nenten zum Zeitschrift t:
Figure imgf000016_0001
Within the iCPB 2, analogous to the exemplary CPB of Fig. l, a linear transformation of the input vector is carried out via the weighting matrix lK in G IR Wx3 and the bias vector bj n G IR 3 to determine the d,q,z components for the journal t:
Figure imgf000016_0001
Die Ermittlung des Phasenwinkel pt erfolgt nach bekannten Methoden. An- schließend werden die d,q, z-Komponenten über eine inverse Clark-Pa ^-Trans- formation unter Hinzunahme des Phasenwinkels pt in a,b,c-Komponenten um- gewandelt:
Figure imgf000016_0002
The phase angle p t is determined using known methods. The d, q, z components are then converted into a, b, c components using an inverse Clark-Pa ^ transformation, taking into account the phase angle p t :
Figure imgf000016_0002
Der Ausgangsvektor
Figure imgf000016_0003
wird dabei vorliegend über eine weitere lineare Trans- formation der a,b,c-Komponenten über die Gewichtungsmatrix und den Biasvektor zum Zeitschrift t berechnet:
Figure imgf000016_0004
Figure imgf000016_0005
Figure imgf000016_0006
The output vector
Figure imgf000016_0003
is calculated here via a further linear transformation of the a,b,c components via the weighting matrix and the bias vector to the journal t:
Figure imgf000016_0004
Figure imgf000016_0005
Figure imgf000016_0006
Fig. 3 stellt ein Strukturbild eines beispielhaften Raumzeiger-KNNs zum Erken- nen einer Anomalie des dreiphasigen periodischen elektrischen Signals dar. Solch ein Raumzeiger-KNN kann auch als Autoencoder-Modell bezeichnet wer- den. Fig. 3 shows a structural diagram of an exemplary space vector ANN for detecting an anomaly of the three-phase periodic electrical signal. Such a space vector ANN can also be called an autoencoder model.
Vorliegend wird in einer Encoder-Struktur 3 eine CPS und in einer Decoder- Struktur4 eine iCPS mit jeweils K CPBs bzw. iCPBs eingesetzt und mit herkömm- lichen KNN-Schichten (Dense, RNN) kombiniert. Das Autoencoder-Modell re- konstruiert dreiphasige Strom- oder Spannungssignale mit
Figure imgf000016_0007
X e ]RTX 3 bei T Zeitschriften je Beobachtungsfenster. Die Abweichung zwi- schen Eingangsmatrix X und rekonstruierter Ausgangsmatrix X kann über klas- sische Fehlermaße, z.B. MAE, RMSE, gebildet und für das KNN-Training auf Basis von Backpropagation verwendet werden. In this case, a CPS is used in an encoder structure 3 and an iCPS with K CPBs or iCPBs in a decoder structure 4 and combined with conventional KNN layers (Dense, RNN). The autoencoder model reconstructs three-phase current or voltage signals with
Figure imgf000016_0007
X e ]R TX 3 for T journals per observation window. The deviation between the input matrix X and the reconstructed output matrix X can be calculated using classical error measures, e.g. MAE, RMSE, and used for the KNN training based on backpropagation.
Innerhalb der Encoder-Struktur wird eine Encoder-Repräsentation in diesem Beispiel zu
Figure imgf000016_0008
mit Q Dimensionen durch Verarbeitung der Eingangsmatrix über ein oder meh- rere Dense- bzw. RNN-Schichten berechnet. Die Encoder-Repräsentation wird anschließend an die CPS übergeben und die Merkmalsmatrizen mit
Figure imgf000017_0001
je CP-Block unter zusätzlicher Vorgabe des Referenzzeitvektors mit
Figure imgf000017_0002
sowie der Anzahl an Ausgangsneuronen MCP ermittelt. Dabei werden im ge- zeigten Beispiel je Zeitschrift t für jeden Encoder-Vektor
Figure imgf000017_0003
und Referenzzeit- wert tfef die Berechnung zur Ermittlung des Ausgangsvektors f£ durchgeführt. Anschließend werden für jeden CPB die Einträge f£ der Merkmalsmatrix FK über eine Effektivwertberechnung in einen zeitschrittunabhängigen Merkmals- vektor _ fjK<ff mit t=T
Figure imgf000017_0004
überführt. Die Gesamt-Merkmalsrepräsentation setzt sich somit aus den Merk- malsvektoren f^ff aller CPBs zu
Figure imgf000017_0005
zusammen. Within the encoder structure, an encoder representation in this example becomes
Figure imgf000016_0008
with Q dimensions by processing the input matrix over one or more dense or RNN layers. The encoder representation is then passed to the CPS and the feature matrices with
Figure imgf000017_0001
per CP block with additional specification of the reference time vector with
Figure imgf000017_0002
and the number of output neurons M CP . In the example shown, for each journal t for each encoder vector
Figure imgf000017_0003
and reference time value tf ef the calculation to determine the output vector f£ is carried out. Then, for each CPB, the entries f£ of the feature matrix F K are converted into a time-step-independent feature vector _ fjK< ff with t=T
Figure imgf000017_0004
The overall feature representation is thus made up of the feature vectors f^ ff of all CPBs to
Figure imgf000017_0005
together.
Innerhalb der Decoder-Strukturwerden die Merkmalsvektoren fj^ an eine iCPS mit K ICPBs und jeweils MjCP Ausgangsneuronen zur Berechnung der Ausgangs- matrix
Figure imgf000017_0006
übergeben. Dabei wird vorliegend je iCPB an der Eingangsseite der Merkmals- vektor entlang der Zeitachse ausgerollt und die blockweise Ausgangsmatrix
Figure imgf000017_0007
hier unter zusätzlicher Vorgabe des Referenzzeitvektors ermittelt. An-
Figure imgf000017_0008
schließend wird in diesem Beispiel über ein oder mehrere Dense- bzw. RNN- Schichten die Decoder-Repräsentation
Figure imgf000017_0009
berechnet und hier ab- schließend an eine Dense-Schicht mit linearer Aktivierung zur Berechnung der Rekonstruktionssignale übergeben.
Figure imgf000017_0010
Within the decoder structure, the feature vectors fj^ are fed to an iCPS with K ICPBs and Mj CP output neurons each to calculate the output matrix
Figure imgf000017_0006
In this case, the feature vector is rolled out along the time axis for each iCPB on the input side and the block-wise output matrix
Figure imgf000017_0007
determined here with additional specification of the reference time vector.
Figure imgf000017_0008
Finally, in this example, the decoder representation is created using one or more dense or RNN layers.
Figure imgf000017_0009
calculated and then passed on to a dense layer with linear activation to calculate the reconstruction signals.
Figure imgf000017_0010
Fig. 4 ein Strukturbild eines weiteren beispielhaften Raumzeiger-KNNs zum Erkennen einer Anomalie des dreiphasigen periodischen elektrischen Signals. Ein solches Raumzeiger-KNN kann auch als Kreuz-Autoencoder-Modell bezeich- net werden, der ein simultanes Verarbeiten dreiphasiger Strom- und Span- nungssignale über ein einzelnes KNN-Modell erlaubt. Fig. 4 is a structural diagram of another exemplary space vector ANN for detecting an anomaly of the three-phase periodic electrical signal. Such a space vector ANN can also be called a cross-autoencoder model, which allows simultaneous processing of three-phase current and voltage signals via a single ANN model.
Dabei wird vorliegend ein Autoencoder-Modell nach Fig. 3 zur Kreuz-Rekon- struktion von Strom- und Spannungssignalen verwendet. Dabei werden unter Verwendung eines einzelnen Autoencoder-Modells die Spannungen auf Basis der Ström rekonstruiert und die Ströme auf Basis der Spannungen. Dafür wird davon ausgegangen, dass die Strom- und Spannungswerte in einem festen Ver- hältnis zueinanderstehen, welches durch die Netzimpedanz festgelegt ist. In this case, an autoencoder model according to Fig. 3 is used for the cross-reconstruction of current and voltage signals. Using a single autoencoder model, the voltages are reconstructed based on the currents and the currents based on the voltages. For this, it is assumed that the current and voltage values are in a fixed relationship to one another, which is determined by the network impedance.
Die Umrechnung zwischen den dreiphasigen Strom- und Spannungssignalen er- folgt vorliegend über eine eindimensionale Faltungsschicht 1D-Conv mit trai- nierbarem Kernel, allgemein über eine Faltungsstruktur. Diese Faltungsschicht approximiert die Impedanzmatrix, welche sich durch eine fixe Amplituden- und Phasenverschiebung zwischen den Strom- und Spannungssignalen ausdrückt. The conversion between the three-phase current and voltage signals is carried out using a one-dimensional convolution layer 1D-Conv with a trainable kernel, generally using a convolution structure. This convolution layer approximates the impedance matrix, which is expressed by a fixed amplitude and phase shift between the current and voltage signals.
Auf der Eingangsseite werden im gezeigten Beispiel die Spannungen U = t=
Figure imgf000018_0002
] und die Ströme
Figure imgf000018_0003
Zeitschritten verarbeitet. Im oberen Signalverarbeitungszweig wer-
Figure imgf000018_0001
den die Spannungen direkt über den Autoencoder von re-
Figure imgf000018_0007
konstruiert. Anschließend erfolgt die Berechnung der auf Basis der Spannungen rekonstruierten Ströme
Figure imgf000018_0006
über die Faltungsstruktur. Im unteren Sig- nalverarbeitungszweig werden die (beobachteten) Ströme über eine weitere Faltungsschicht 1D-Conv in Spannungen
Figure imgf000018_0005
umgerechnet und eben- falls in einem gemäß Fig. 3 aufgebauten Autoencoder weiterverarbeitet zur Be- rechnung der auf Basis der Ströme rekonstruierten Spannungen
Figure imgf000018_0004
On the input side in the example shown, the voltages U = t =
Figure imgf000018_0002
] and the currents
Figure imgf000018_0003
time steps. In the upper signal processing branch,
Figure imgf000018_0001
the voltages directly via the autoencoder from re-
Figure imgf000018_0007
constructed. The currents reconstructed on the basis of the voltages are then calculated
Figure imgf000018_0006
via the convolution structure. In the lower signal processing branch, the (observed) currents are converted into voltages via a further convolution layer 1D-Conv.
Figure imgf000018_0005
converted and also further processed in an autoencoder constructed as shown in Fig. 3 to calculate the voltages reconstructed on the basis of the currents
Figure imgf000018_0004
Fig. 5 ein Strukturbild eines beispielhaften Raumzeiger-KNNs zum Klassifizie- ren des dreiphasigen periodischen elektrischen Signals. Ein derartiges Raumzei- ger-KNN kann auch als Klassifikator-Modell bezeichnet werden. Vorliegend wird das Klassifikator-Modell mit einer Encoder-Struktur 3 entsprechend Fig. 3 und einer Klassifikator-Struktur 5 erzeugt. Fig. 5 is a structural diagram of an exemplary space vector ANN for classifying the three-phase periodic electrical signal. Such a space vector ANN can also be referred to as a classifier model. In the present case, the classifier model is generated with an encoder structure 3 according to Fig. 3 and a classifier structure 5.
Unter der Annahme von M Ausgangsneuronen je CPB und K CPBs wird die Merkmalsrepräsentation aus der Eingangsmatrix
Figure imgf000018_0008
Figure imgf000018_0009
Zeitschritten erzeugt. Die Merkmalsvektoren werden im gezeigten Beispiel in eine nachfolgende Dense-Schicht und Softmax-Schicht zur Berechnung des Wahrscheinlichkeitsvektors unter der Annahme von C Klassen über-
Figure imgf000019_0001
führt. Assuming M output neurons per CPB and K CPBs, the feature representation is derived from the input matrix
Figure imgf000018_0008
Figure imgf000018_0009
time steps. In the example shown, the feature vectors are transferred to a subsequent dense layer and softmax layer to calculate the probability vector assuming C classes.
Figure imgf000019_0001
leads.

Claims

Patentansprüche Patent claims
1. Verfahren zum Überwachen, in einem Stromversorgungsnetz, eines dreiphasigen periodischen elektrischen Signals unter Verwendung ei- nes künstlichen neuronalen Netzes, insbesondere zum Klassifizieren des dreiphasigen periodischen elektrischen Signals und/oder zum Er- kennen einer Anomalie des dreiphasigen periodischen elektrischen Signals unter Verwendung des künstlichen neuronalen Netzes, mit den Verfahrensschritten: 1. Method for monitoring, in a power supply network, a three-phase periodic electrical signal using an artificial neural network, in particular for classifying the three-phase periodic electrical signal and/or for detecting an anomaly of the three-phase periodic electrical signal using the artificial neural network, comprising the method steps:
- Abtasten des dreiphasigen periodischen elektrischen Signals mit ei- ner vorgegebenen Abtastrate; - Sampling the three-phase periodic electrical signal at a predetermined sampling rate;
- Verarbeiten eines aus dem Abtasten des dreiphasigen elektrischen Signals resultierenden Abtastsignals in einer Encoder-Struktur (3) eines künstlichen neuronalen Netzes, KNN, wobei die Encoder-Struktur (3) eine Clark-Park-Schicht, CPS, welche entsprechend einer Clark-Park- Transformation periodische Anteile in nicht-periodische Anteile trans- formiert, enthält und das KNN die CPS bei dem Verarbeiten nutzt;- processing a sampling signal resulting from the sampling of the three-phase electrical signal in an encoder structure (3) of an artificial neural network, KNN, wherein the encoder structure (3) contains a Clark-Park layer, CPS, which transforms periodic components into non-periodic components according to a Clark-Park transformation, and the KNN uses the CPS in the processing;
- Überwachen des dreiphasigen periodischen elektrischen Signals an- hand eines Ergebnisses des Verarbeitens mit Ausgeben eines Überwa- chungssignals. - Monitoring the three-phase periodic electrical signal based on a result of the processing with outputting a monitoring signal.
2. Verfahren nach Anspruch 1, gekennzeichnet durch 2. Method according to claim 1, characterized by
- ein Klassifizieren des dreiphasigen periodischen elektrischen Signals, wobei - classifying the three-phase periodic electrical signal, whereby
- die Encoder-Struktur (3) eine oder mehrere charakteristische Merk- malsrepräsentationen von zumindest einer elektrischen Wechsel- größe, insbesondere von Spannung und/oder von Strom, erlernt hat, und das KNN eine der Encoder-Struktur (3) nachfolgende Klassifikator- Struktur (5) mit einer oder mehreren Schichten, insbesondere einer Softmax-Schicht zum Implementieren einer Softmax-Funktion, enthält, und dadurch, dass - the encoder structure (3) has learned one or more characteristic feature representations of at least one electrical alternating quantity, in particular voltage and/or current, and the KNN contains a classifier structure (5) following the encoder structure (3) with one or more layers, in particular a softmax layer for implementing a softmax function, and in that
- das KNN bei dem Verarbeiten in der Klassifikator-Struktur (5) jewei- lige Merkmalsvektoren, welche der oder den erlernten charakteristi- schen Merkmalsrepräsentationen der zumindest einen elektrischen Wechselgröße entsprechen, gemäß mehreren vorgegebenen oder er- lernten Klassen klassifiziert. - the ANN, during processing in the classifier structure (5), classifies respective feature vectors which correspond to the learned characteristic feature representation(s) of the at least one alternating electrical quantity according to a plurality of predetermined or learned classes.
3. Verfahren nach einem der vorhergehenden Ansprüche, gekennzeichnet durch - ein Erkennen einer Anomalie des dreiphasigen periodischen elektri- schen Signals, wobei 3. Method according to one of the preceding claims, characterized by - detecting an anomaly of the three-phase periodic electrical signal, whereby
- das KNN eine der Encoder-Struktur (3) nachfolgende Decoder-Struk- tur (4) mit einer inversen Clark-Park-Schicht, iCPS, welche entspre- chend einer inversen Clark-Park-Transformation nicht-periodische An- teile in nicht-periodische Anteile transformiert, enthält, und das KNN die iCPS bei dem Verarbeiten nutzt um einen Schätzwert für das Ab- tastsignal zu berechnen, sowie dadurch, dass - the KNN contains a decoder structure (4) following the encoder structure (3) with an inverse Clark-Park layer, iCPS, which transforms non-periodic components into non-periodic components according to an inverse Clark-Park transformation, and the KNN uses the iCPS during processing to calculate an estimated value for the sample signal, and in that
- das Erkennen ein Vergleichen des Schätzwertes für das Abtastsignal mit dem Abtastsignal umfasst, und insbesondere das Ausgeben des Überwachungssignals dann erfolgt, bevorzugt nur dann erfolgt, wenn eine Abweichung zwischen dem Schätzwert für das Abtastsignal und dem Abtastsignal größer ist als ein vorgegebener Grenzwert. - the detection comprises a comparison of the estimated value for the scanning signal with the scanning signal, and in particular the output of the monitoring signal takes place, preferably only takes place, if a deviation between the estimated value for the scanning signal and the scanning signal is greater than a predetermined limit value.
4. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass 4. Method according to the preceding claim, characterized in that
- das KNN zusätzlich zu der Encoder-Struktur (3) und der Decoder- Struktur (4) eine der Decoder-Struktur (4) nachfolgende Faltungs- Struktur, welche eine durch eine Netzimpedanz des Stromversorgungs- netzes bedingte Amplituden- und Phasenverschiebung von Strom- und Spannungssignalen als das dreiphasige periodische elektrische Signal in dem Stromversorgungsnetz approximiert, enthält, und das KNN die Faltungs-Struktur bei dem Verarbeiten nutzt, und - the KNN contains, in addition to the encoder structure (3) and the decoder structure (4), a convolution structure following the decoder structure (4), which approximates an amplitude and phase shift of current and voltage signals caused by a network impedance of the power supply network as the three-phase periodic electrical signal in the power supply network, and the KNN uses the convolution structure in the processing, and
- das KNN eine weitere Encoder-Struktur (3) mit einer weiteren CPS und eine der weiteren Encoder-Struktur (3) nachfolgende weitere De- coder-Struktur (4) mit einer weiteren iCPS enthält, sowie eine der En- coder-Struktur (3) vorgeschaltete weitere Faltungs-Struktur, wobei das KNN die weitere Faltungs-Struktur, die weitere Encoder-Struktur (3) und die weitere Decoder-Struktur (4) bei dem Verarbeiten nutzt, und- the KNN contains a further encoder structure (3) with a further CPS and a further decoder structure (4) with a further iCPS following the further encoder structure (3), as well as a further convolution structure upstream of the encoder structure (3), wherein the KNN uses the further convolution structure, the further encoder structure (3) and the further decoder structure (4) in the processing, and
- beide Faltungs-Strukturen die gleiche Amplituden- und Phasenver- schiebung von Strom- und Spannungssignalen approximieren, sowie beide CPS identisch* sind und beide iCPS identisch sind, sowie - both convolution structures approximate the same amplitude and phase shift of current and voltage signals, both CPS are identical* and both iCPS are identical, and
- die eine Encoder-Struktur (3), die eine Decoder-Struktur (4) und die eine Faltungs-Struktur genutzt wird, um aus einem oder mehreren ers- ten Signalanteilen des dreiphasigen periodischen elektrischen Signals zumindest einen Schätzwert für einen oder mehrere zu den ersten Sig- nalanteilen verschiedene zweite Signalanteile des dreiphasigen perio- dischen elektrischen Signals zu berechnen, und - the one encoder structure (3), the one decoder structure (4) and the one convolution structure are used to calculate at least one estimated value for one or more second signal components of the three-phase periodic electrical signal that are different from the first signal components from one or more first signal components of the three-phase periodic electrical signal, and
- die weitere Faltungs-Struktur, die weitere Encoder-Struktur (3) und die weitere Decoder- Struktur (4) genutzt wird, um aus den einen oder mehreren zweiten Signalanteilen zumindest einen Schätzwert für den oder die ersten Signalanteile des dreiphasigen periodischen elektri- schen Signals zu berechnen, und - the further convolution structure, the further encoder structure (3) and the further decoder structure (4) are used to obtain from the one or more second signal components at least one estimated value for the or to calculate the first signal components of the three-phase periodic electrical signal, and
- das Erkennen ein Vergleichen zumindest eines der Schätzwerte für die zweiten Signalanteile mit dem oder den zweiten Signalanteilen und/oder ein Vergleichen zumindest eines der Schätzwertes für den o- der die ersten Signalanteile mit dem oder den ersten Signalanteilen umfasst, und insbesondere - the detection comprises comparing at least one of the estimated values for the second signal components with the second signal component(s) and/or comparing at least one of the estimated values for the first signal component(s) with the first signal component(s), and in particular
- das Ausgeben des Überwachungssignals dann erfolgt, bevorzugt nur dann erfolgt, wenn eine Abweichung zwischen dem zumindest einen Schätzwert für den oder die ersten Signalanteile und dem oder den ersten Signalanteilen größer ist als ein vorgegebener erster Grenzwert und/oder eine Abweichung zwischen dem zumindest einen Schätzwert für den oder die zweiten Signalanteile und dem oder den zweiten Sig- nalanteilen größer ist als ein vorgegebener zweiter Grenzwert. - the monitoring signal is output, preferably only, when a deviation between the at least one estimated value for the first signal component(s) and the first signal component(s) is greater than a predetermined first limit value and/or a deviation between the at least one estimated value for the second signal component(s) and the second signal component(s) is greater than a predetermined second limit value.
5. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass der erste Signalanteil ein Spannungssignal des dreiphasigen periodi- schen elektrischen Signals ist, und der zweite Signalanteil ein Stromsig- nal des dreiphasigen periodischen elektrischen Signals ist oder umge- kehrt, insbesondere erster und zweiter Signalanteil des dreiphasigen periodischen elektrischen Signal bilden. 5. Method according to the preceding claim, characterized in that the first signal component is a voltage signal of the three-phase periodic electrical signal, and the second signal component is a current signal of the three-phase periodic electrical signal or vice versa, in particular first and second signal components form the three-phase periodic electrical signal.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass 6. Method according to one of the preceding claims, characterized in that
- die CPS jeweils mehrere in einer Parallelschaltung angeordnete Clark- Park-Blöcke (1), CPB, aufweisen, welche jeweils das identische Ein- gangssignal mit unterschiedlichen Phasenwinkeln verarbeiten, und/o- der - the CPS each have several Clark-Park blocks (1), CPB, arranged in parallel, which each process the identical input signal with different phase angles, and/or
- die iCPS jeweils mehrere in einer Parallelschaltung angeordnete in- verse Clark-Park-Blöcke (2), iCPB, aufweisen, welche jeweils das identi- sche Eingangssignal mit unterschiedlichen Phasenwinkeln verarbeiten. - the iCPS each have several inverse Clark-Park blocks (2), iCPB, arranged in parallel, which each process the identical input signal with different phase angles.
7. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass in den CPS jeweils zumindest drei CP-Blocks (1), bevorzugt genau drei CP-Blocks (1), enthalten sind und/oder in den iCPS jeweils zumindest drei iCP-Blocks (2), bevorzugt genau drei iCP-Blocks (2), enthalten sind. 7. Method according to the preceding claim, characterized in that the CPS each contain at least three CP blocks (1), preferably exactly three CP blocks (1), and/or the iCPS each contain at least three iCP blocks (2), preferably exactly three iCP blocks (2).
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das dreiphasige periodische elektrische Signal ein lokales elektrisches Signal ist, welches in einer lokalen Umgebung eines Stromwandlers und/oder eines Spannungswandlers und/oder eines Analog-Digital- Wandlers erfasst wird. 8. Method according to one of the preceding claims, characterized in that the three-phase periodic electrical signal is a local electrical Signal which is detected in a local environment of a current transformer and/or a voltage transformer and/or an analog-to-digital converter.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Abtastrate größer als 1000/s ist, bevorzugt größer als 3000/s, be- sonders bevorzugt größer als 4000/s. 9. Method according to one of the preceding claims, characterized in that the sampling rate is greater than 1000/s, preferably greater than 3000/s, particularly preferably greater than 4000/s.
10. Vorrichtung zum Überwachen eines dreiphasigen periodischen elektri- schen Signals unter Verwendung eines künstlichen neuronalen Netzes, insbesondere zum Klassifizieren des dreiphasigen periodischen elektri- schen Signals und/oder zum Erkennen einer Anomalie des dreiphasi- gen periodischen elektrischen Signals unter Verwendung des künstli- chen neuronalen Netzes, in einem Stromversorgungsnetz, mit: 10. Device for monitoring a three-phase periodic electrical signal using an artificial neural network, in particular for classifying the three-phase periodic electrical signal and/or for detecting an anomaly of the three-phase periodic electrical signal using the artificial neural network, in a power supply network, comprising:
- einer Abtasteinheit zum Abtasten des dreiphasigen periodischen elektrischen Signals mit einer vorgegebenen Abtastrate; - a sampling unit for sampling the three-phase periodic electrical signal at a predetermined sampling rate;
- einer Verarbeitungseinheit mit einem künstlichen neuronalen Netz, KNN, welche ausgebildet ist zum Verarbeiten eines aus dem Abtasten des dreiphasigen elektrischen Signals resultierenden Abtastsignals in einer Encoder-Struktur (3) des KNN, wobei die Encoder- Struktur (3) eine Clark-Park-Schicht, CPS, welche entsprechend einer Clark-Park- Transformation periodische Anteile in nicht-periodische Anteile trans- formiert, enthält; - a processing unit with an artificial neural network, KNN, which is designed to process a sampling signal resulting from the sampling of the three-phase electrical signal in an encoder structure (3) of the KNN, wherein the encoder structure (3) contains a Clark-Park layer, CPS, which transforms periodic components into non-periodic components in accordance with a Clark-Park transformation;
- einer Überwachungseinheit zum Überwachen des dreiphasigen perio- dischen elektrischen Signals anhand eines Ergebnisses von der Verar- beitungseinheit, und - a monitoring unit for monitoring the three-phase periodic electrical signal based on a result from the processing unit, and
- einer Ausgabeeinheit zum Ausgeben eines Überwachungssignals. - an output unit for outputting a monitoring signal.
PCT/EP2023/078852 2022-10-20 2023-10-17 Monitoring three-phase periodic electrical signals using an artificial neural network WO2024083840A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022211107.9A DE102022211107A1 (en) 2022-10-20 2022-10-20 Monitoring three-phase periodic electrical signals using an artificial neural network
DE102022211107.9 2022-10-20

Publications (1)

Publication Number Publication Date
WO2024083840A1 true WO2024083840A1 (en) 2024-04-25

Family

ID=88504953

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/078852 WO2024083840A1 (en) 2022-10-20 2023-10-17 Monitoring three-phase periodic electrical signals using an artificial neural network

Country Status (2)

Country Link
DE (1) DE102022211107A1 (en)
WO (1) WO2024083840A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109067232A (en) * 2018-08-03 2018-12-21 中国地质大学（武汉） Parallel inverter current control method based on recurrent neural network
US20200212676A1 (en) * 2018-12-20 2020-07-02 The George Washington University Smart sensor for online situation awareness in power grids
WO2021061040A1 (en) * 2019-09-25 2021-04-01 Eneryield Ab Active power filter controlled by machine learning and method thereof

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014223441B4 (en) 2014-11-17 2016-07-14 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Error detection for electrical networks
DE102016122105A1 (en) 2016-11-17 2018-05-17 Abb Schweiz Ag Method for reducing synchronism fluctuations of a permanent magnet excited electric motor
CN108551288A (en) 2018-06-20 2018-09-18 深圳日海新能源科技有限公司 A kind of operation method of neural network current controller and device and the controller

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109067232A (en) * 2018-08-03 2018-12-21 中国地质大学（武汉） Parallel inverter current control method based on recurrent neural network
US20200212676A1 (en) * 2018-12-20 2020-07-02 The George Washington University Smart sensor for online situation awareness in power grids
WO2021061040A1 (en) * 2019-09-25 2021-04-01 Eneryield Ab Active power filter controlled by machine learning and method thereof

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MARTINS L S ET AL: "The application of neural networks and clarke-concordia transformation in fault location on distribution power systems", IEEE/PES TRANSMISSION AND DISTRIBUTION CONFERENCE AND EXHIBITION 2002 : ASIA PACIFIC. YOKOHAMA, JAPAN, OCT. 6 - 10, 2002; [IEEE/PES TRANSMISSION AND DISTRIBUTION CONFERENCE AND EXPOSITION], NEW YORK, NY : IEEE, US, vol. 3, 6 October 2002 (2002-10-06), pages 2091 - 2095, XP010630210, ISBN: 978-0-7803-7525-3, DOI: 10.1109/TDC.2002.1177783 *
TORAB S M: "Fault Location and Classification in Distribution Systems using Clark Transformation and Neural Network", 19 April 2011 (2011-04-19), XP093115842, Retrieved from the Internet <URL:https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=5876406&ref=aHR0cHM6Ly9pZWVleHBsb3JlLmllZWUub3JnL2Fic3RyYWN0L2RvY3VtZW50LzU4NzY0MDY=> [retrieved on 20240104] *
WANG SHIYUAN ET AL: "Power Grid Online Surveillance Through PMU-Embedded Convolutional Neural Networks", IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS, IEEE SERVICE CENTER, PISCATAWAY, NJ, US, vol. 56, no. 2, 9 December 2019 (2019-12-09), pages 1146 - 1155, XP011778176, ISSN: 0093-9994, [retrieved on 20200312], DOI: 10.1109/TIA.2019.2958786 *

Also Published As

Publication number Publication date
DE102022211107A1 (en) 2024-04-25

Similar Documents

Publication Publication Date Title
DE102006008482B4 (en) Input vectoring method in neural networks for auto-identification of a partial discharge source
DE4333257C2 (en) Method of obtaining an error flag signal
WO1997036185A1 (en) Process for producing fault classification signals
DE4333259C1 (en) Method for generating a direction signal indicating the direction of a short-circuit current
EP3282399B1 (en) Method for the improved detection of process anomalies of a technical installation and corresponding diagnostic system
DE4333260C2 (en) Method for generating an excitation signal
EP3355073B1 (en) Generation of patterns for the identification of errors in electric power grids
EP2628224A1 (en) Method and device for producing a state signal
WO2024083840A1 (en) Monitoring three-phase periodic electrical signals using an artificial neural network
DE4124501C2 (en) Neural network with automatic installation of intermediate neurons
DE69824420T2 (en) Control and monitoring device for the opening or the closing of an electrical actuating element
DE202019105256U1 (en) Device for creating a machine learning system
EP3557048A1 (en) Wind turbine and method and device for operating a wind turbine
DE4333258A1 (en) Method for generating signals identifying the type of fault in an electrical power supply network to be monitored
EP4297222A1 (en) Computer-implemented method and system for anomaly detection and anomaly location in an energy distribution network
DE102021103121A1 (en) Methods and devices for detecting an arc
DE102021119818A1 (en) Computer-implemented method for producing a software image suitable for a numerical simulation of at least part of a real control unit
DE4434705A1 (en) Method and device for monitoring at least two redundant controller channels of an exciter device of an electric generator
DE102020122792B4 (en) Device, system and method for determining error signal windows in a measurement signal
EP4175090A1 (en) Safety device and method for monitoring an electrical energy supply network and computer program product
DE112020006674T5 (en) External signal input/output unit, control system, machine learning device and inference device
DE19748718A1 (en) Self-adjusting device for process control system
DE102020211650A1 (en) Method and device for detecting knocking combustion in an internal combustion engine
DE10225343A1 (en) Spurious measurement value detection method uses wavelet functions in defining a reporting window for rejecting spurious values in a continuous digital sequence of measurement values
DE3742028A1 (en) Method and device for testing the reliability of an energised switching operation in a switching installation