CN112149554B - 故障分类模型的训练、故障检测方法及相关装置 - Google Patents
故障分类模型的训练、故障检测方法及相关装置 Download PDFInfo
- Publication number
- CN112149554B CN112149554B CN202010997710.1A CN202010997710A CN112149554B CN 112149554 B CN112149554 B CN 112149554B CN 202010997710 A CN202010997710 A CN 202010997710A CN 112149554 B CN112149554 B CN 112149554B
- Authority
- CN
- China
- Prior art keywords
- fault
- classification model
- channel
- characteristic data
- wave recording
- 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.)
- Active
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 103
- 238000012549 training Methods 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000005540 biological transmission Effects 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000005070 sampling Methods 0.000 claims abstract description 52
- 230000001052 transient effect Effects 0.000 claims abstract description 20
- 238000011176 pooling Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000013075 data extraction Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Power Engineering (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Maintenance And Management Of Digital Transmission (AREA)
Abstract
本发明公开了一种故障分类模型的训练、故障检测方法及相关装置，包括：获取输电线路中具有相同采样率的八通道的录波信号，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；对所述八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据；以所述故障特征数据作为训练的样本，训练故障分类模型。无需改变原始录波信号的数据结构，保留了原始信号中每个通道的暂态故障信息，以所述故障特征数据作为训练的样本，训练故障分类模型，将训练好的故障分类模型用于检测输电线路中的故障，可以提高输电线路的故障检测效率，并对输电线路故障的类别进行快速的识别。
Description
技术领域
本发明实施例涉及电路故障检测技术，尤其涉及故障分类模型的训练、故障检测方法及相关装置。
背景技术
高压架空输电线路覆盖区域广，工作环境恶劣，是电力***中故障多发的重灾区，在输电线路故障发生后及时通过故障诊断来判别故障类型，对快速决策和提高供电稳定性都具有重要意义。
输电线路两端一般配备有故障录波装置，基于暂态录波信号的故障分析是最直接有效的方法。对此，常用特征提取结合分类器的技术方法对输电线路进行故障分析，一方面，该方法过度依赖低效且耗时的特征工程，不利于推广出通用的故障类别检测的***框架；另一方面，该方法需要对原始录波信号进行数据结构的重塑，可能会导致暂态故障信息的损失，影响故障检测的性能。
发明内容
本发明实施例提出了故障分类模型的训练、故障检测方法及相关装置，以解决输电线路中故障检测效率低、故障类别检测框架通用性较差的问题。
第一方面，本发明实施例提供了一种故障分类模型的训练方法，该方法包括：
获取输电线路中具有相同采样率的八通道的录波信号，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；
对所述八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据；
以所述故障特征数据作为训练的样本，训练故障分类模型。
第二方面，本发明实施例还提供了一种故障检测方法，该方法包括：
确定故障分类模型；
采集输电线路中任意采样率的八通道的录波信号，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；
对所述八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据；
采用样条插值法对所述故障特征数据进行统一化采样处理，得到相同采样率的故障特征数据；
将所述相同采样率的故障特征数据输入所述故障分类模型中进行处理，以预测所述输电线路发生故障的类别。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的故障分类模型的训练方法或者如第二方面所述的故障检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的故障分类模型的训练方法或者如第二方面所述的故障检测方法。
本发明通过获取输电线路中具有相同采样率的八通道的录波信号，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；无需改变原始录波信号的数据结构，对所述八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据，保留了原始信号中每个通道的暂态故障信息，以所述故障特征数据作为训练的样本，训练故障分类模型，将训练好的故障分类模型用于检测输电线路中的故障，可以提高输电线路的故障检测效率，并对输电线路故障的类别进行快速的识别；同时，基于故障分类模型进行故障检测的方法具有更好的通用性，可以实时适用于任意输电线路的环境中。
附图说明
图1为本发明实施例一提供的一种故障分类模型的训练方法的流程图；
图2是本发明实施例一提供的一种故障信号提取示意图；
图3为本发明实施例二提供的一种故障检测方法的流程图；
图4为本发明实施例二提供的一种多通道信号输入的CNN-1D模型的示意图；
图5为本发明实施例三提供的一种故障分类模型的训练装置的结构示意图；
图6为本发明实施例四提供的一种故障检测装置的结构示意图；
图7为本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
随着大数据技术的发展，以二维卷积神经网络(2D Convolutional NeuralNetwork,2D-CNN)为代表的数据驱动方法开始出现。然而在输电线路中应用了二维卷积核的CNN模型(Convolutional Neural Network,CNN)处理故障分类时，需要对多通道的录波信号预处理成二维数据结构，增加了样本处理的复杂度，且这种更改数据布局的处理可能会对网络自适应学习造成不良影响。除此之外，在工程应用中，各厂站的采样频率因记录设备而异，固定的神经网络模型不能接受不同尺度的输入数据，这意味着大多数设计的网络模型不能直接兼容来自不同现场的录波信号。
在本方案中，对于来自录波装置的多通道的录波信号，为了避免特征工程和改变原始录波信号的一维结构，采用了多通道结构的一维卷积神经网络(CNN-1D)，模型中采用一维的卷积核计算自适应地提取故障信号特征，对于采样率不统一的录波信号，采用样条插值法实现录波信号输入尺寸的统一，解决了固定结构的分类模型对不同频率的信号兼容性差的问题，可消除对现场设备采样率的要求。
实施例一
图1为本发明实施例一提供的一种故障分类模型的训练方法的流程图，本实施例可适用于对输电线路中的故障进行故障检测的情况，该方法可以由故障分类模型的训练装置来执行，该故障分类模型的训练装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，服务器、工作站、个人电脑，等等，该方法具体包括如下步骤：
S101、获取输电线路中具有相同采样率的八通道的录波信号。
在电力***领域，故障录波器常用于***中记录输电线路的故障前、后过程的各种电气量的变化情况。通过这些电气量的分析、比较，对分析处理电路事故、判断保护输电线路是否正确动作、提高电力***安全运行水平均有着重要作用。
录波信号是指输电线路中故障录波器所采集的录波数据，录波数据包括故障发生时的电压电流波形图。
在本实施例中，可以通过从故障录播器导出历史录波文件进行筛选，或者，预设信号生成条件、通过仿真软件生成的手段，获取输电线路中具有相同采样率的八通道的录波信号，其中，八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流。
S102、对八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据。
在本实施例中，可以基于预设的采样频率，对八通道的录波信号中的每个通道提取输电线路故障发生时刻t前后的1/4周波的故障暂态信号，以故障暂态信号作为每个通道的故障特征数据。
具体的，对初次获取的录波信号进行预处理。设采样频率为a kHz。由于多通道的录波信号皆为长序列时序信号，对每个通道信号进行序列截取和计算。取电信号的工频为50Hz，截取录波信号中故障发生时刻t前后1/4周波的录波信号，所得录波信号的序列长度如下：
其中，为向上取整符号。例如，图2为故障信号提取示意图，提取图2中输电线路故障发生时刻t0前后的1/4周波的故障波形信号。
若取a＝5，则可生成每个样本中含有八通道的故障暂态信号(包含Ua、Ub、Uc、3U0、Ia、Ib、Ic、3I0)，每个通道的故障暂态信号的序列长度为50，将特征向量Pn＝[x1，x2，x3…x49，x50，]表示为第n个通道的故障特征数据。
S103、以故障特征数据作为训练的样本，训练故障分类模型。
在本实施例中，可以根据所得多通道信号搭建一维卷积神经网络(CNN-1D)，以故障特征数据作为训练的样本，训练故障分类模型。
在本实施例的一个具体示例中，S103可以包括如下具体步骤：
S1031、将故障特征数据输入到故障分类模型中进行前向传播，得到八通道的录波信号属于不同故障类别的概率。
其中，故障分类模型包括全连接层，以及，针对每个通道设置的第一卷积层、第一池化层、第二卷积层、第二池化层。
具体的，针对每个通道，将通道的故障特征数据输入到第一卷积层中进行卷积操作，得到第一特征数据；针对每个通道，将通道的第一特征数据输入到第一池化层中进行池化操作，得到第二特征数据；针对每个通道，将通道的第二特征数据输入到第二卷积层中进行卷积操作，得到第三特征数据；针对每个通道，将通道的第三特征数据输入到第二池化层中进行池化操作，得到第四特征数据；将各个通道对应的第四特征数据输入到全连接层中进行映射操作，输出八通道的录波信号属于不同故障类别的概率。
S1032、基于概率，计算每个通道的故障特征数据的损失值。
神经网络可以看作是一种函数映射，而神经网络的训练过程是一个函数优化求解的过程。优化求解的目标就是不断更新该神经网络所包含的参数(一般为权值和偏置)，将预先处理的包含目标特征的样本作为输入的数据，经过神经网络的计算，使得输出的预测值和预先设定的输出预期(与目标特征相关联)之间的损失值最小。
在本示例中，可以选择损失函数为交叉熵损失函数，计算输入样本信号数据中每个通道的故障特征数据的损失值，公式如下：
其中，y为期望输出结果，为网络模型的输出结果，损失值loss表征了两者的差异程度，在本示例中，期望输出结果可以是预先判断的输电线路中的故障类别的概率。
S1033、利用损失值对故障分类模型进行反向传播，确定故障分类模型的参数。
具体的，采用小批量梯度下降的方法，将以故障特征数据作为样本的训练集拆分为小批次，分批次计算损失值和更新权值。
利用损失值的反向传播过程中可以使用Adam算法作为优化算法。Adam算法可以在学习过程中自适应地修正学习速率，公式如下：
mt＝μ×mt-1+(1-μ)×gt
其中：t为更新的步数；θ为网络中待更新的权值或偏置；g为反向传递所求得的梯度；mt、m‘t为梯度的一阶矩及其修正值；nt、n‘t为梯度的二阶矩及其修正值；ε为微小常数，默认为10-8；μ、γ为衰减系数值，设为μ＝0.9，γ＝0.999，α为学习率设置值，即最初学习速率，设为0.001。
在本示例中，利用损失值对故障分类模型进行反向传播，更新故障分类模型的权值和偏置；将更新后的权值和偏置应用于故障分类模型中，重新对故障分类模型进行前向传播，重新计算损失值，直到损失值达到预设的精度，或者，故障分类模型的训练次数达到预设的最大值，结束模型的训练。
若权值和偏置的变化值都小于预设的阈值，则确定此时权值和偏置为故障分类模型的参数，确定故障分类模型的训练完成。
若权值和偏置的变化值大于等于预设的阈值，则判断此时模型未训练获得正确的参数，重新对故障分类模型进行训练。
在本实施例中，可以预先将故障特征数据划分为两部分，一部分用作训练的样本、对故障分类模型进行训练，另一部分用于对故障分类模型进行测试，计算模型的准确率，以验证参数的选择。可以采用召回率(Recall)、精确度(Precision)、AP(Average Precision，平均精确度)、MAP(Mean Average Precision，平均精确度值)、PR曲线、ROC曲线等模型评价指标的计算方法，评估故障分类模型的准确率。
在本实施例中，输电线路中的故障类别包括A相接地故障、B相接地故障、C相接地故障、AB相间短路故障、BC相间短路故障、AC相间短路故障、AB相接地故障、BC相接地故障、AC相接地故障。
本发明通过获取输电线路中具有相同采样率的八通道的录波信号，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；无需改变原始录波信号的数据结构，对所述八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据，保留了原始信号中每个通道的暂态故障信息，以所述故障特征数据作为训练的样本，训练故障分类模型，将训练好的故障分类模型用于检测输电线路中的故障，能够缩减故障检测的周期，进一步提高输电线路的故障检测效率，并对输电线路故障的类别进行快速的识别；同时，基于故障分类模型进行故障检测的方法具有更好的通用性，可以实时适用于任意输电线路的环境中。
实施例二
图3为本发明实施例二提供的一种故障检测方法的流程图，本实施例可适用于在输电线路中对故障进行分析、判定故障的类别的情况，该方法可以由故障检测装置来执行，该故障检测装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，服务器、工作站、个人电脑，等等，该方法具体包括如下步骤：
S201、确定故障分类模型。
在本实施例中，可预先训练故障分类模型，将训练完成后的故障分类模型用于检测输电线路中的故障。
训练故障分类模型的具体方法包括：获取输电线路中具有相同采样率的八通道的录波信号，八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；对八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据；以故障特征数据作为训练的样本，训练故障分类模型。
需要说明的是，该故障分类模型的训练方法与上述任一实施例故障分类模型的训练方法基本相同，本实施例在此不加以详述。
S202、采集输电线路中任意采样率的八通道的录波信号。
在本实施例中，从输电线路中获取现场录波数据，通过线路上的测量终端(例如故障录波器)或实时录波文件提取A、B、C三相和零序的电流/电压信号，得到任意采样速率的八通道的录波信号。八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流。
S203、对八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据。
在本实施例中，可以基于预设的采样频率，对八通道的录波信号中的每个通道提取输电线路故障发生时刻t前后的1/4周波的故障暂态信号，以故障暂态信号作为每个通道的故障特征数据。
具体的，设采样频率为a kHz。由于多通道的录波信号皆为长序列时序信号，对每个通道信号进行序列截取和计算。取电信号的工频为50Hz，截取录波信号中故障发生时刻t前后1/4周波的录波信号，所得录波信号的序列长度如下：
其中，为向上取整符号。每个通道的故障特征数据的信号长度为z。
S204、采用样条插值法对故障特征数据进行统一化采样处理，得到相同采样率的故障特征数据。
样条插值法是一种以可变样条来作出一条经过一系列点的光滑曲线的数学方法。插值样条是由一些多项式组成的，每一个多项式都是由相邻的两个数据点决定的，这样，任意的两个相邻的多项式以及它们的导数(不包括仇阶导数)在连接点处都是连续的。
在本实施例中，采用样条插值法处理故障特征数据的目的在于对离散数据进行插补连续函数，使得连续曲线经过全部的离散数据点，同时可以估计出连续函数在其他点的近似值。样条插值法包括线性样条、二次样条、三次样条等不同的具体实现方式，本发明实施例对此不作任何限定。
在一种实现方式中，基于三次样条插值的方法构建一条表示为连续函数的曲线；将每个通道的故障特征数据代入到曲线中进行样条拟合，输出相同采样率的故障特征数据。
具体的，三次样条插值在离散信号的基础上建立一个连续函数，使连续函数的曲线通过所有离散点(已有的故障特征数据)，在其余点求出近似值。
三次样条函数S(x)是满足以下条件的多项式函数：
1)S(x)在目标区间[xj，xj+1]，j＝1，...，n-1上为三次多项式，可定义为：
2)S(x)在整个信号区间内皆为二阶微分函数；
3)S(xi)＝f(xi)，其中，f(xi)为离散信号的对应值，每个S(xi)函数称为样条曲线，每个通道的故障特征数据的信号长度为z，则z-1个样条合并成的分段函数即拟合的连续函数。
采用三次样条插值方法分别重建通道信号，可以使录波信号的尺度统一为同一序列长度，获得相同采样率的故障特征数据。
S205、将相同采样率的故障特征数据输入故障分类模型中进行处理，以预测输电线路发生故障的类别。
在本实施例中，可以将相同采样率的故障特征数据按照每个样本中的各个通道信号分别输入到独立的一维卷积层中进行自适应特征提取，实现分通道的时序特征提取。
每个样本经过卷积层和池化层的处理后，可获得样本中每个通道的新的故障特征数据，将所提取的故障特征数据拼接在一起，作为新的八通道的信号输入到全连接层中，全连接层拥有多个输出节点(神经元)，每个节点分别对应输电线路中不同的故障类型，将全连接层中输出概率为最大值的故障类型作为当前输入样本的故障分类结果。作为一个示例，多通道信号输入的CNN-1D模型(一维卷积神经网络模型)的示意图如图4所示。
其中，输电线路中的故障类别包括A相接地故障、B相接地故障、C相接地故障、AB相间短路故障、BC相间短路故障、AC相间短路故障、AB相接地故障、BC相接地故障、AC相接地故障。
在本实施例中，每个一维卷积层中通常有多个卷积核，一维卷积核以滑动平均的形式对输入信号的序列进行加权求和，从而提取出原始时序信号的数据特征，其输出序列计算公式为
l＝i+(i-1)×(stride-1)，n＝1，2，3...
其中，xk是输入信号中的第k个序列元素，即故障特征数据Pn中的每个暂态序列，是卷积层中第n个神经元的输出序列元素，i和k都是信号序列中的索引位置，l代表卷积核滑动计算的位置，m是每个卷积核的大小，n表示第n个卷积核，w和b分别为卷积核神经元n的权值和偏置，stride为设置的步幅值。
每个池化层采用最大值池化的方式对与其所对应的卷积层输出的信号特征数据进行下采样，计算公式为
qi＝max(yl，yl+1，......，yl+m-1)
其中，qi是池化采样后得到的信号中的第i个序列元素。通过逐个卷积核运算，从一维数组形式的输入信号特征数据中进一步提取多个局部特征数据，再通过反向传播算法不断调整卷积核，确定所需的局部特征，其中的池化核对提取的特征进行降维。
使用该故障分类模型进行故障检测的具体步骤可以包括：将故障特征数据输入到卷积层中进行卷积计算，得到卷积特征向量；在池化层中，提取卷积特征向量中的局部特征向量；将局部特征向量输入到全连接层中进行映射操作，以预测输电线路发生故障所属类别的概率。
在本实施例中，确定故障分类模型；采集输电线路中任意采样率的八通道的录波信号；对八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据；采用样条插值法对故障特征数据进行统一化采样处理，得到相同采样率的故障特征数据；将相同采样率的故障特征数据输入故障分类模型中进行处理，以预测输电线路发生故障的类别。无需改变原始录波信号的数据结构，对所述八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据，保留了原始信号中每个通道的暂态故障信息，对于采样率不统一的录波信号，采用样条插值法实现输入尺寸的统一，解决了固定结构的分类网络模型兼容性差的问题，消除对现场设备采样率的要求。将故障特征数据输入到预先训练好的故障分类模型中进行处理，可以实时检测输电线路中的故障，能够缩减故障检测的周期，进一步提高输电线路的故障检测效率，还可以预测输电线路发生故障的类别；同时，基于故障分类模型进行故障检测的方法具有更好的通用性，可以实时适用于任意输电线路的环境中。
实施例三
图5为本发明实施例三提供的一种故障分类模型的训练装置的结构示意图，该训练装置具体可以包括如下模块：
录波信号获取模块501，用于获取输电线路中具有相同采样率的八通道的录波信号，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；
故障特征数据提取模块502，用于对所述八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据；
模型训练模块503，用于以所述故障特征数据作为训练的样本，训练故障分类模型。
在本发明的一个实施例中，所述故障特征数据提取模块502包括：
故障暂态信号提取子模块，用于基于预设的采样频率，对所述八通道的录波信号中的每个通道提取输电线路故障发生时刻t前后的1/4周波的故障暂态信号，以所述故障暂态信号作为每个所述通道的故障特征数据。
在本发明的一个实施例中，所述模型训练模块503包括：
前向传播子模块，用于将所述故障特征数据输入到故障分类模型中进行前向传播，得到所述八通道的录波信号属于不同故障类别的概率；
损失值计算子模块，用于基于所述概率，计算每个所述通道的所述故障特征数据的损失值；
反向传播子模块，用于利用所述损失值对所述故障分类模型进行反向传播，确定所述故障分类模型的参数。
在本发明的一个实施例中，所述故障分类模型包括全连接层，以及，针对每个所述通道设置的第一卷积层、第一池化层、第二卷积层、第二池化层；所述前向传播子模块包括：
第一卷积层处理单元，用于针对每个所述通道，将所述通道的故障特征数据输入到所述第一卷积层中进行卷积操作，得到第一特征数据；
第一池化层处理单元，用于针对每个所述通道，将所述通道的所述第一特征数据输入到所述第一池化层中进行池化操作，得到第二特征数据；
第二卷积层处理单元，用于针对每个所述通道，将所述通道的所述第二特征数据输入到所述第二卷积层中进行卷积操作，得到第三特征数据；
第二池化层处理单元，用于针对每个所述通道，将所述通道的所述第三特征数据输入到所述第二池化层中进行池化操作，得到第四特征数据；
全连接层处理单元，用于将各个所述通道对应的所述第四特征数据输入到所述全连接层中进行映射操作，输出所述八通道的录波信号属于不同故障类别的概率。
在本发明的一个实施例中，所述反向传播子模块包括：
参数更新单元，用于利用所述损失值对所述故障分类模型进行反向传播，更新所述故障分类模型的权值和偏置；
参数确定单元，用于若所述权值和所述偏置的变化值都小于预设的阈值，则确定所述权值和所述偏置为所述故障分类模型的参数。
在本发明的一个实施例中，所述故障类别包括A相接地故障、B相接地故障、C相接地故障、AB相间短路故障、BC相间短路故障、AC相间短路故障、AB相接地故障、BC相接地故障、AC相接地故障。
本发明实施例所提供的故障分类模型的训练装置可执行本发明任意实施例所提供的故障分类模型的训练方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四提供的一种故障检测装置的结构示意图，该装置具体可以包括如下模块：
故障分类模型确定模块601，用于确定故障分类模型；
录波信号获取模块，用于获取输电线路中具有相同采样率的八通道的录波信号，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；
故障特征数据提取模块，用于对所述八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据；
模型训练模块，用于以所述故障特征数据作为训练的样本，训练故障分类模型。
录波信号采集模块602，用于采集输电线路中任意采样率的八通道的录波信号，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；
故障特征数据提取模块603，用于对所述八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据；
样条插值处理模块604，用于采用样条插值法对所述故障特征数据进行统一化采样处理，得到相同采样率的故障特征数据；
故障检测模块605，用于将所述相同采样率的故障特征数据输入所述故障分类模型中进行处理，以预测所述输电线路发生故障的类别。
在本发明的一个实施例中，所述样条插值处理模块604包括：
三次样条插值处理子模块，用于基于三次样条插值的方法构建一条表示为连续函数的曲线；
样条拟合子模块，用于将每个所述通道的所述故障特征数据代入到所述曲线中进行样条拟合，输出相同采样率的故障特征数据。
本发明实施例所提供的故障检测装置可执行本发明任意实施例所提供的故障检测方法，具备执行方法相应的功能模块和有益效果。
实施例五
图7为本发明实施例五提供的一种计算机设备的结构示意图，如图7所示，该计算机设备包括处理器700、存储器701、通信模块702、输入装置703和输出装置704；计算机设备中处理器700的数量可以是一个或多个，图7中以一个处理器700为例；计算机设备中的处理器700、存储器701、通信模块702、输入装置703和输出装置704可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储器701作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的故障分类模型的训练方法对应的模块(例如，如图5所示的故障分类模型的训练装置中的录波信号获取模块501、故障特征数据提取模块502和模型训练模块503)，或者，如本实施例中的故障检测方法对应的模块(例如，如图6所示的故障检测装置中的故障分类模型确定模块601、录波信号采集模块602、故障特征数据提取模块603、样条插值处理模块604和故障检测模块605)。处理器700通过运行存储在存储器701中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的故障分类模型的训练方法或故障检测方法。
存储器701可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器701可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器701可进一步包括相对于处理器700远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块702，用于与显示屏建立连接，并实现与显示屏的数据交互。
输入装置703可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
输出装置704可包括显示屏等显示设备。
需要说明的是，输入装置703和输出装置704的具体组成可以根据实际情况设定。
本实施例提供的计算机设备，可执行本发明任一实施例提供的故障分类模型的训练方法或故障检测方法，具备相应的功能和有益效果。
实施例六
本发明实施例六还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例的故障分类模型的训练方法或故障检测方法。
该故障分类模型的训练方法包括：
获取输电线路中具有相同采样率的八通道的录波信号，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；
对所述八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据；
以所述故障特征数据作为训练的样本，训练故障分类模型。
该故障检测方法包括：
确定故障分类模型；
采集输电线路中任意采样率的八通道的录波信号，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；
对所述八通道的录波信号提取输电线路故障发生时刻前后的故障特征数据；
采用样条插值法对所述故障特征数据进行统一化采样处理，得到相同采样率的故障特征数据；
将所述相同采样率的故障特征数据输入所述故障分类模型中进行处理，以预测所述输电线路发生故障的类别。
当然,本发明实施例所提供的计算机可读存储介质,其计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的故障分类模型的训练方法或故障检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述故障分类模型的训练装置和故障检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种故障分类模型的训练方法，其特征在于，包括：
获取输电线路中具有相同采样率的八通道的录波信号；其中，所述录波信号是指所述输电线路中故障录波器所采集的包括故障发生时的电压电流波形图的录波数据，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；
基于预设的采样频率，对所述八通道的录波信号中的每个通道提取输电线路故障发生时刻t前后的1/4周波的故障暂态信号；以所述故障暂态信号作为所述每个通道的故障特征数据；
以所述故障特征数据作为训练的样本，训练故障分类模型，包括：
将所述故障特征数据输入到故障分类模型中进行前向传播，得到所述八通道的录波信号属于不同故障类别的概率；所述故障分类模型包括全连接层，以及，针对每个所述通道设置的第一卷积层、第一池化层、第二卷积层、第二池化层；基于所述概率，计算每个所述通道的所述故障特征数据的损失值；利用所述损失值对所述故障分类模型进行反向传播，确定所述故障分类模型的参数。
2.根据权利要求1所述的方法，其特征在于，所述将所述故障特征数据输入到故障分类模型中进行前向传播，得到所述八通道的录波信号属于不同故障类别的概率，包括：
针对每个所述通道，将所述通道的故障特征数据输入到所述第一卷积层中进行卷积操作，得到第一特征数据；
针对每个所述通道，将所述通道的所述第一特征数据输入到所述第一池化层中进行池化操作，得到第二特征数据；
针对每个所述通道，将所述通道的所述第二特征数据输入到所述第二卷积层中进行卷积操作，得到第三特征数据；
针对每个所述通道，将所述通道的所述第三特征数据输入到所述第二池化层中进行池化操作，得到第四特征数据；
将各个所述通道对应的所述第四特征数据输入到所述全连接层中进行映射操作，输出所述八通道的录波信号属于不同故障类别的概率。
3.根据权利要求1所述的方法，其特征在于，所述利用所述损失值对所述故障分类模型进行反向传播，确定所述故障分类模型的参数，包括：
利用所述损失值对所述故障分类模型进行反向传播，更新所述故障分类模型的权值和偏置；
若所述权值和所述偏置的变化值都小于预设的阈值，则确定所述权值和所述偏置为所述故障分类模型的参数。
4.根据权利要求2或3所述的方法，其特征在于，所述故障类别包括A相接地故障、B相接地故障、C相接地故障、AB相间短路故障、BC相间短路故障、AC相间短路故障、AB相接地故障、BC相接地故障、AC相接地故障。
5.一种故障检测方法，其特征在于，包括：
确定故障分类模型；其中，所述故障分类模型是将故障特征数据输入到故障分类模型中进行前向传播，得到八通道的录波信号属于不同故障类别的概率；所述故障分类模型包括全连接层，以及，针对每个通道设置的第一卷积层、第一池化层、第二卷积层、第二池化层；基于所述概率，计算每个所述通道的所述故障特征数据的损失值；利用所述损失值对所述故障分类模型进行反向传播，确定所述故障分类模型的参数训练得到的；
采集输电线路中任意采样率的八通道的录波信号；其中，所述录波信号是指所述输电线路中故障录波器所采集的包括故障发生时的电压电流波形图的录波数据，所述八通道的录波信号包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、零序电压、零序电流；
基于预设的采样频率，对所述八通道的录波信号中的每个通道提取输电线路故障发生时刻t前后的1/4周波的故障暂态信号；以所述故障暂态信号作为所述每个通道的故障特征数据；
基于三次样条插值方法构建一条表示为连续函数的曲线，将每个所述通道的所述故障特征数据代入到所述曲线中进行样条拟合，得到相同采样率的故障特征数据；
将所述相同采样率的故障特征数据输入所述故障分类模型中进行处理，以预测所述输电线路发生故障的类别。
6.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的故障分类模型的训练方法或者如权利要求5中所述的故障检测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的故障分类模型的训练方法或者如权利要求5中所述的故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010997710.1A CN112149554B (zh) | 2020-09-21 | 2020-09-21 | 故障分类模型的训练、故障检测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010997710.1A CN112149554B (zh) | 2020-09-21 | 2020-09-21 | 故障分类模型的训练、故障检测方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112149554A CN112149554A (zh) | 2020-12-29 |
| CN112149554B true CN112149554B (zh) | 2024-05-07 |
Family
ID=73893644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010997710.1A Active CN112149554B (zh) | 2020-09-21 | 2020-09-21 | 故障分类模型的训练、故障检测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149554B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112345874B (zh) * | 2021-01-11 | 2021-04-20 | 北京三维天地科技股份有限公司 | 一种基于5g的实验室仪器设备在线故障诊断方法及*** |
| CN113049914B (zh) * | 2021-03-15 | 2023-02-07 | 广东电网有限责任公司清远供电局 | 一种输电线路故障诊断方法、***、电子设备和存储介质 |
| CN113033889B (zh) * | 2021-03-19 | 2022-12-20 | 国网河北省电力有限公司邢台供电分公司 | 高压输电线路故障预测方法、装置及终端设备 |
| CN113608063B (zh) * | 2021-06-25 | 2023-04-18 | 北京智芯微电子科技有限公司 | 电力线路故障识别方法、装置及电子设备 |
| CN113625109A (zh) * | 2021-08-04 | 2021-11-09 | 广西电网有限责任公司电力科学研究院 | 一种电力线路故障智能诊断方法及装置 |
| CN113554010B (zh) * | 2021-09-22 | 2022-01-21 | 广东电网有限责任公司东莞供电局 | 一种电网线路故障识别模型训练方法 |
| CN115047296B (zh) * | 2022-08-15 | 2022-10-25 | 四川轻化工大学 | 一种配电网故障区段定位方法 |
| CN116008733A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 一种基于集成深度神经网络的单相接地故障诊断方法 |
| CN117216485B (zh) * | 2023-11-09 | 2024-01-30 | 国网山东省电力公司电力科学研究院 | 一种基于客观赋权的输电录波鸟害故障判别方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106980073A (zh) * | 2017-05-23 | 2017-07-25 | 武汉大学 | 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法 |
| CN207181591U (zh) * | 2017-07-21 | 2018-04-03 | 国网河南省电力公司济源供电公司 | 一种暂态录波型数据采集单元 |
| CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
| CN109001593A (zh) * | 2018-07-16 | 2018-12-14 | 北京映翰通网络技术股份有限公司 | 一种配电网故障录波控制方法 |
-
2020
- 2020-09-21 CN CN202010997710.1A patent/CN112149554B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106980073A (zh) * | 2017-05-23 | 2017-07-25 | 武汉大学 | 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法 |
| CN207181591U (zh) * | 2017-07-21 | 2018-04-03 | 国网河南省电力公司济源供电公司 | 一种暂态录波型数据采集单元 |
| CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
| CN109001593A (zh) * | 2018-07-16 | 2018-12-14 | 北京映翰通网络技术股份有限公司 | 一种配电网故障录波控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张钧 ; *** ; 何正友 ; .采用自适应神经模糊推理***的配电网故障分类方法.中国电机工程学报.2010,(25),87-93. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112149554A (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149554B (zh) | 故障分类模型的训练、故障检测方法及相关装置 | |
| CN112041693B (zh) | 一种基于混合录波的配电网故障定位*** | |
| CN108107324B (zh) | 一种基于深度卷积神经网络的配电网故障定位方法 | |
| Ferreira et al. | A survey on intelligent system application to fault diagnosis in electric power system transmission lines | |
| CN110398663B (zh) | 一种基于卷积神经网络的柔性直流电网故障识别方法 | |
| Mishra et al. | FDOST-based fault classification scheme for fixed series compensated transmission system | |
| CN111965476B (zh) | 一种基于图卷积神经网络的低电压诊断方法 | |
| 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 | |
| Swaminathan et al. | A CNN-LSTM-based fault classifier and locator for underground cables | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| Mukherjee et al. | Probabilistic neural network-aided fast classification of transmission line faults using differencing of current signal | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
| CN113158781B (zh) | 一种雷击跳闸类型识别方法 | |
| Xi et al. | Fault detection and classification on insulated overhead conductors based on MCNN‐LSTM | |
| CN115980515A (zh) | 一种单相接地故障定位方法 | |
| CN113030648B (zh) | 电力电缆故障点位置确定方法、装置及终端设备 | |
| CN114943254A (zh) | 一种基于a-cnn的光伏电站送出线路光纤差动保护算法 | |
| CN113033889B (zh) | 高压输电线路故障预测方法、装置及终端设备 | |
| CN115222111A (zh) | 变压器健康状态评估方法、装置、设备及可读存储介质 | |
| CN114564877A (zh) | 一种滚动轴承寿命预测方法、***、设备及可读存储介质 | |
| CN116975742A (zh) | 局部放电模式识别方法、装置、设备和存储介质 | |
| CN114510469A (zh) | 电力***不良数据辨识方法、装置、设备及介质 | |
| CN114595746A (zh) | 配电网故障原因的分类方法、装置、设备及存储介质 | |
| CN114062832A (zh) | 一种配电网短路故障类型的识别方法及*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |