CN110988597A - 一种基于神经网络的谐振类别检测方法 - Google Patents

一种基于神经网络的谐振类别检测方法 Download PDF

Info

Publication number
CN110988597A
CN110988597A CN201911288046.7A CN201911288046A CN110988597A CN 110988597 A CN110988597 A CN 110988597A CN 201911288046 A CN201911288046 A CN 201911288046A CN 110988597 A CN110988597 A CN 110988597A
Authority
CN
China
Prior art keywords
resonance
neural network
module
picture
microcomputer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911288046.7A
Other languages
English (en)
Inventor
钱永亮
孟轩
唐明淑
冯跃
解迎桥
段永生
李开平
王晓亮
朱洪明
黄涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Original Assignee
Wenshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wenshan Power Supply Bureau of Yunnan Power Grid Co Ltd filed Critical Wenshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority to CN201911288046.7A priority Critical patent/CN110988597A/zh
Publication of CN110988597A publication Critical patent/CN110988597A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种基于神经网络的谐振类别检测方法，其采用微机消谐控制装置采集电压信息、电流信息，预设阈值触发暂态录波，并将每五个周波存储为一个图片信息，基于神经网络运算模块对图片信息进行识别，进而判断波形是否属于谐振，属于谐振的进一步判断谐振类型，最终通过微机消谐控制装置控制消谐设备有效动作；本发明方法能有效提高谐振类型准确性，解决了基频谐振与单相短路的判别困难的问题，即能有效避免保护装置勿动，又可提高消谐设备动作可靠性。

Description

一种基于神经网络的谐振类别检测方法
技术领域
本发明属于电力***检测技术领域，尤其涉及一种基于神经网络的谐振类别检测方法。
背景技术
在电力***中，存在很多的电容原件及电感原件，它们构成一系列的震动电路，因***发生断路器倒闸等操作很可能发生铁磁谐振现象。我国配电网中性点常常不接地，在中性点不接地***中，变电站母线侧安装的电压互感器一次侧为唯一的中性点接接点，发生铁磁谐振时，电压互感器一次侧电流剧增使得高压熔丝熔断；如果长时间过电流，则使得电压互感器烧毁。
根据铁磁谐振的激励源频率可分为分频谐振、基频谐振及高频谐振，因各类频段的谐振发生后其表现现象有所区别，现有的谐振判别方法是基于各相电压和开口电压的稳态变化进行判别，但对于基频谐振时因其他表像与单相故障相似，难以有效区分。
发明内容
针对现有技术存在的问题，本发明提供了一种基于神经网络的谐振类别检测方法，该方法利用微机消谐控制装置采集电压信息、电流信息，预设阈值触发暂态录波，每五个周波存储为一个图片信息，输入卷积神经网络运算模块，基于神经网络运算模块对图片信息进行识别，进而判断波形是否属于谐振，属于谐振的进一步判断谐振类型，最终通过微机消谐控制装置控制消谐设备有效动作。
本发明微机消谐控制装置包括：
暂态录波模块，基于预设的定值用于进行录波，以1.2Un为录波条件，以0.9Un为暂降录波条件，Un为线路额定电压，录波时采样点数为512点/周波；
波形转换模块，用于将每五个周波转化为一个图片，图片包含了时间与电压值、时间与电流值之间的关系信息；
卷积神经网络模块，基于卷积神经网络处理图片，通过电压波形、电流波形进行匹配，输入数据包括Ua、Ia、Ub、Ib、Uc、Ic数据；
完全连接层模块，判别处理后图片的铁磁谐振的发生类型，判别的发生类型包括分频谐振、基频谐振、高频谐振、其他；
综合判断模块，当发生类型中的6个输出结果中3个以上相同的，则确定且为完全连接层模块判别的谐振发生类型；否则等待下一组图片判断结果。
本发明中微机消谐控制装置接入电压、电流信号，以电压为基础设置触发录波条件，通常选择1.2Un，Un为线路额定电压；卷积神经网络模块将每五个周波切割为一个图片，利用卷积神经网络算法进行匹配，判断是否属于谐振及谐振类型，通过电压、电流匹配情况最终决定消谐设备是否动作。
本发明方法的具体操作如下：
1、在微机消谐控制装置中增加暂态录波模块，该模块基于预设值进行录波，以1.2Un为录波条件，以0.9%Un为暂降录波条件，Un为线路额定电压，录波时采样点数为512点/周波；
2、利用微机消谐控制装置中的波形转换模块，将每五个周波转化为一个图片，图片包含了时间与电压值、时间与电流值之间的关系信息；
3、将图片信息输入卷积神经网络模块，卷积神经网络的构建以及训练均为常规方法，图片信息输入该模块后，对电压波形、电流波形进行匹配，输入数据包括Ua、Ia、Ub、Ib、Uc、Ic等6类数据；
4、利用微机消谐控制装置中的完全连接层模块，对处理后图片的铁磁谐振的发生类型进行判别，谐振发生类型包括分频谐振、基频谐振、高频谐振、其他；
5、本发明中利用6个输出结果进行综合判断，当6个输出结果中3个以上相同，则确定其是完全连接层模块判别的发生类型；否则等待下一组图像判断结果。
本发明提供的判别方法有以下优点：1、以暂态波形作为判别依据，其他响应速度更快；2、基于暂态波形能有效区分铁磁谐振类型，尤其能有效区分基频谐振和单相短路，使得谐振装置动作更可靠。3、同时利用电压、电流波形作为谐振发生的判据能提高可靠性。
本发明利用卷积神经网络，将发送谐振或单相接地的电压、电流进行分析，能有效的区分谐振和单相接地，可避免保护设备误导，保证消谐设备有效工作。
附图说明
图1为铁磁谐振判别流程图；
图2为神经网络分类图片实现过程图。
具体实施方式
下面通过实施例对本发明作进一步详细说明，但本发明保护范围不局限于所述内容。
实施例1：如图1、2所示，本基于神经网络的谐振类别检测方法，采用微机消谐控制装置完成，微机消谐控制装置包括：暂态录波模块、波形转换模块、卷积神经网络模块、完全连接层模块、综合判断模块；
步骤1：在微机消谐控制装置中增加暂态录波功能，即增加暂态录波模块，该模块基于预设的定值进行录波，以1.2Un为录波条件，以0.9Un为暂降录波条件，Un为线路额定电压，录波时采样点数为512点/周波；
步骤2：波形转换为图片
为实现基于卷积神经网络分析及判别谐振类型，需将录波波形转换为图片，微机消谐控制装置中增加波形转换模块，将每五个周波转化为一个图片，图片存储了时间与电压值、时间与电流值之间的信息；为简化分析，本发明提供了一种实施方式，即只考虑灰度图像，矩阵中每个像素值的范围在0到255之间，0表示黑色，255表示白色；将图片转换为0-255的灰度矩阵；
步骤3：微机消谐控制装置中增加卷积神经网络模块，卷积神经网络负责图片处理，分别基于电压波形、电流波形进行匹配，输入包括Ua、Ia、Ub、Ib、Uc、Ic等6类数据；
卷积实现，利用特征探测器进行卷积运算，本实施例中以高斯函数作为特征探测器，在进行卷积时需做非线性化处理，本发明提供了Relu曲线的实施方式；经卷积计算后，池化计算，一直至最后一层，训练了35层（图2）；
步骤4：微机消谐控制装置中增加完全连接层模块，根据6类数据的图片处理后判别铁磁谐振的发生类型，结果为分频谐振、基频谐振、高频谐振或其他；
完全连接层是一个传统的多层感知器，它在输出层使用激活函数，本实施例使用softmax 函数，完全连接层的前一层中的每个神经元都连接到下一层的每个神经元；卷积层和池化层的输出代表了输入图像的高级特征；完全连接层的目的是利用这些基于训练数据集得到的特征，将输入图像分为不同的类，本实施例完全连接层为2层；
步骤5：综合判断模块；为提高判别的可靠性，本实施例利用6个输出结果进行综合判断，当6个子结论中有3个以上相同，则判断其为完全连接层模块判别的发生类型；否则等待下一组图像判断结果。

Claims (2)

1.一种基于神经网络的谐振类别检测方法，其特征在于：采用微机消谐控制装置采集电压信息、电流信息，预设阈值触发暂态录波，并将每五个周波存储为一个图片信息，基于神经网络运算模块对图片信息进行识别，进而判断波形是否属于谐振，属于谐振的进一步判断谐振类型，最终通过微机消谐控制装置控制消谐设备有效动作。
2.根据权利要求1所述的基于神经网络的谐振类别检测方法，其特征在于，微机消谐控制装置包括：
暂态录波模块，基于预设的定值用于进行录波，以1.2Un为录波条件，以90%Un为暂降录波条件，Un为线路额定电压，录波时采样点数为512点/周波；
波形转换模块，用于将每五个周波转化为一个图片，图片包含了时间与电压值、时间与电流值之间的关系信息；
卷积神经网络模块，基于卷积神经网络处理图片，对电压波形、电流波形进行匹配，输入数据包括Ua、Ia、Ub、Ib、Uc、Ic数据；
完全连接层模块，判别处理后图片的铁磁谐振的发生类型，发生类型包括分频谐振、基频谐振、高频谐振、其他；
综合判断模块，当发生类型中的6个输出结果中3个以上相同的，则确定其为完全连接层模块判别的谐振发生类型。
CN201911288046.7A 2019-12-15 2019-12-15 一种基于神经网络的谐振类别检测方法 Pending CN110988597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911288046.7A CN110988597A (zh) 2019-12-15 2019-12-15 一种基于神经网络的谐振类别检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911288046.7A CN110988597A (zh) 2019-12-15 2019-12-15 一种基于神经网络的谐振类别检测方法

Publications (1)

Publication Number Publication Date
CN110988597A true CN110988597A (zh) 2020-04-10

Family

ID=70093666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911288046.7A Pending CN110988597A (zh) 2019-12-15 2019-12-15 一种基于神经网络的谐振类别检测方法

Country Status (1)

Country Link
CN (1) CN110988597A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112798894A (zh) * 2021-02-02 2021-05-14 中国南方电网有限责任公司超高压输电公司柳州局 超高压变电站用瞬态事件触发录波测试方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399257A (zh) * 2013-07-31 2013-11-20 武汉大学 一种中性点不接地***的铁磁谐振故障检测方法
CN104375025A (zh) * 2014-10-31 2015-02-25 国家电网公司 中性点不接地的10kV***中铁磁谐振的诊断方法
CN106018991A (zh) * 2016-04-15 2016-10-12 国网江苏省电力公司盐城供电公司 一种配电网铁磁谐振与单相接地故障计算分析方法及装置
CN106229946A (zh) * 2016-08-17 2016-12-14 云南电网有限责任公司电力科学研究院 一种铁磁谐振消谐装置及方法
CN106646043A (zh) * 2016-12-13 2017-05-10 国网江苏省电力公司淮安供电公司 配电网铁磁谐振在线监测***及铁磁谐振分类识别方法
CN106680576A (zh) * 2017-01-11 2017-05-17 福州大学 基于分块时频谱和深度学习算法的配电网内部过电压识别方法
CN106709511A (zh) * 2016-12-08 2017-05-24 华中师范大学 基于深度学习的城市轨道交通全景监控视频故障检测方法
CN106771520A (zh) * 2016-12-15 2017-05-31 福州大学 一种配电网暂时过电压分类识别方法及装置
CN107332220A (zh) * 2017-08-29 2017-11-07 安徽三和电力技术有限公司 用于微机消谐装置控制***
CN206696364U (zh) * 2016-04-15 2017-12-01 国网江苏省电力公司盐城供电公司 一种配电网铁磁谐振与单相接地故障计算分析专用装置
CN107450016A (zh) * 2017-07-24 2017-12-08 西安工程大学 基于rst‑cnn的高压断路器故障诊断方法
CN109612708A (zh) * 2018-12-28 2019-04-12 东北大学 基于改进卷积神经网络的电力变压器在线检测***及方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399257A (zh) * 2013-07-31 2013-11-20 武汉大学 一种中性点不接地***的铁磁谐振故障检测方法
CN104375025A (zh) * 2014-10-31 2015-02-25 国家电网公司 中性点不接地的10kV***中铁磁谐振的诊断方法
CN106018991A (zh) * 2016-04-15 2016-10-12 国网江苏省电力公司盐城供电公司 一种配电网铁磁谐振与单相接地故障计算分析方法及装置
CN206696364U (zh) * 2016-04-15 2017-12-01 国网江苏省电力公司盐城供电公司 一种配电网铁磁谐振与单相接地故障计算分析专用装置
CN106229946A (zh) * 2016-08-17 2016-12-14 云南电网有限责任公司电力科学研究院 一种铁磁谐振消谐装置及方法
CN106709511A (zh) * 2016-12-08 2017-05-24 华中师范大学 基于深度学习的城市轨道交通全景监控视频故障检测方法
CN106646043A (zh) * 2016-12-13 2017-05-10 国网江苏省电力公司淮安供电公司 配电网铁磁谐振在线监测***及铁磁谐振分类识别方法
CN106771520A (zh) * 2016-12-15 2017-05-31 福州大学 一种配电网暂时过电压分类识别方法及装置
CN106680576A (zh) * 2017-01-11 2017-05-17 福州大学 基于分块时频谱和深度学习算法的配电网内部过电压识别方法
CN107450016A (zh) * 2017-07-24 2017-12-08 西安工程大学 基于rst‑cnn的高压断路器故障诊断方法
CN107332220A (zh) * 2017-08-29 2017-11-07 安徽三和电力技术有限公司 用于微机消谐装置控制***
CN109612708A (zh) * 2018-12-28 2019-04-12 东北大学 基于改进卷积神经网络的电力变压器在线检测***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钱永亮 等: "基于频域谐振阻抗的中高压电缆老化分析", 《云南电力技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112798894A (zh) * 2021-02-02 2021-05-14 中国南方电网有限责任公司超高压输电公司柳州局 超高压变电站用瞬态事件触发录波测试方法
CN112798894B (zh) * 2021-02-02 2023-10-03 中国南方电网有限责任公司超高压输电公司柳州局 超高压变电站用瞬态事件触发录波测试方法

Similar Documents

Publication Publication Date Title
US11489490B2 (en) Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation
Mohamed et al. A neural network-based scheme for fault diagnosis of power transformers
CN111812451B (zh) 一种基于相电流暂态故障分量的配电网分布式选线方法
Wilson et al. Automated identification of electrical disturbance waveforms within an operational smart power grid
Manohar et al. Enhancing resilience of PV-fed microgrid by improved relaying and differentiating between inverter faults and distribution line faults
Lu et al. A morphological scheme for inrush identification in transformer protection
CN107102236A (zh) 一种基于故障后波形相关分析的单相接地故障选线方法
Aslan An alternative approach to fault location on power distribution feeders with embedded remote-end power generation using artificial neural networks
CN111398733A (zh) 一种海洋核动力平台电网接地故障选线保护方法和***
Ezzat et al. Microgrids islanding detection using Fourier transform and machine learning algorithm
Kapoor Six phase transmission line boundary protection using wavelet transform
Kezunovic Translational knowledge: From collecting data to making decisions in a smart grid
CN106569093A (zh) 一种同塔多回输电线路故障判定方法
CN113850330A (zh) 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法
CN113902946A (zh) 电力***故障方位判别方法、装置、终端设备及存储介质
CN112986754A (zh) 一种基于数据驱动的小电流接地***故障辨识方法及装置
CN1805234A (zh) 网络环境下基于模式匹配的电力***继电保护信息安全防护方法
Yuan et al. Study on fault line detection methods based on multi‐feature fusion in distribution systems
CN110988597A (zh) 一种基于神经网络的谐振类别检测方法
CN111999591A (zh) 一种配电网一次设备异常状态的识别方法
Chu et al. TDV-LSTM: A new methodology for series arc fault detection in low power AC systems
Gnanamalar et al. CNN–SVM Based Fault Detection, Classification and Location of Multi-terminal VSC–HVDC System
CN108493909A (zh) 基于电压跌落的配网故障的检测方法
CN116338449A (zh) 一种断路器开关特性在线测试方法及***
CN110929673A (zh) 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200410

WD01 Invention patent application deemed withdrawn after publication