CN112327104A - 一种含分布式电源配电网的故障检测与定位方法 - Google Patents
一种含分布式电源配电网的故障检测与定位方法 Download PDFInfo
- Publication number
- CN112327104A CN112327104A CN202011302501.7A CN202011302501A CN112327104A CN 112327104 A CN112327104 A CN 112327104A CN 202011302501 A CN202011302501 A CN 202011302501A CN 112327104 A CN112327104 A CN 112327104A
- Authority
- CN
- China
- Prior art keywords
- iteration
- neural network
- feature vector
- fault
- phase current
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000001360 synchronised effect Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 64
- 230000004927 fusion Effects 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000000819 phase cycle Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种含分布式电源配电网的故障检测与定位方法,该方法步骤如下:步骤一、利用同步相量测量单元对支路三相电流进行采样以获取训练样本数据;步骤二、构建三个深度神经网络并初始化网络参数;步骤三、对训练样本中的三相电流值序列进行离散小波变换并提取统计特征;步骤四、利用梯度下降算法对三个深度神经网络进行训练,并保存训练完成的网络模型用于故障检测。本方法能解决现有技术中故障信息处理不及时、故障类型判断不准确和故障位置无法定位的一系列问题,获得更加精确的故障类型信息和故障位置信息,让整个故障信息处理过程实时进行,从而使得含分布式电源配电网的故障检测更加智能。
Description
技术领域
本发明属于电力***保护的技术领域,尤其涉及一种含分布式电源配电网的故障检测与定位方法。
背景技术
含分布式电源配电网是分布式发电机、储能设备、负荷以及其他设备集成在一起的小型配电***。近年来,随着含分布式电源配电网***发电效率、电能质量和可靠性的提高,相关应用引起了工业界的广泛关注。然而,故障信息能否及时检测对含分布式电源配电网的控制和运行至关重要,当含分布式电源配电网发生故障时,其保护***一般需要确定故障类型、不平衡故障中的故障相序和故障位置。确定故障类型和故障相序有利于故障隔离,从而提高***的可靠性,而确定故障位置可以显著减少后续服务恢复的工作量。
现有的技术大多采用数据驱动和数字信号处理的方法进行含分布式电源配电网故障检测。例如,决策树和随机森林等数字驱动方法被广泛应用于并行含分布式电源配电网和孤岛含分布式电源配电网的故障检测;数字信号处理方法如离散傅里叶变换和离散小波变换等被应用于对输入信号进行“预处理”,以便更好地提取时频特性进行分析;其他机器学习技术,如支持向量机和k近邻算法也被用于故障检测。
但是现有的含分布式电源配电网故障检测方法计算效率比较慢,可能会对产生的故障信息处理不及时,因此处理故障检测的整个过程不能实时进行,而且大多只能给出故障类型,不能定位故障出现的位置,这就使得后续的服务恢复工作变得艰难。此外,现有的故障定位方法主要集中在直流含分布式电源配电网。虽然交流含分布式电源配电网故障定位通常可以通过行波或基于注入的算法来实现,然而行波算法会受到反射波检测和辨别问题的影响。同时,基于注入的算法局限于相对地故障,仅适用于径向拓扑网络。
发明内容
本发明为解决现有技术中故障信息处理不及时、故障类型判断不准确和故障位置无法定位的一系列问题,提供一种含分布式电源配电网的故障检测与定位方法,以期能获得更加精确的故障类型信息和故障位置信息,让整个故障信息处理过程能实时进行,从而使含分布式电源配电网***的故障检测更加智能。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种含分布式电源配电网的故障检测与定位方法的特点在于:包括如下步骤:
步骤1、对支路三相电流进行采样以获取训练样本数据:
在含分布式电源配电网中,在R条电力线两端安装同步相量测量装置并对支路电流进行采样,得到R条电力线的支路三相电流值序列,第r条电力线支路的a、b、c三相电流值序列记为其中,为第r条电力线支路的a相电流值序列,为第r条电力线支路的b相电流值序列,为第r条电力线支路的c相电流值序列;
步骤2、构建三个不同的深度神经网络T1、T2、T3,分别用于检测故障类型分类、故障相序识别和故障定位,每个深度神经网络中均包含GRU层、flatten层和全连接层;
定义三个深度神经网络的当前迭代次数为μ,并初始化μ=1;最大迭代次数为μmax;
步骤3、初始化r=1;
步骤4、取出所述第r组训练样本中的三相电流值序列Xr,利用离散小波变换将三相电流值序列Xr中的每一相电流值序列均分解为M级近似系数序列{aM,k|k∈[1,K]}和小波细节系数序列{dj,k|j∈[1,M],k∈[1,K]},从而共得到L=K×(M+1)个分解后的系数,并将γ相中第l个分解后的系数记为sl γ;其中,aM,k是层数为k的M级近似系数,dj,k是级数为j且层数为k的小波细节系数,M为分解的级数,K为每一级分解的层数,γ∈{a,b,c},l∈[1,L];
步骤5、构建γ相第l个分解后的系数sl γ的统计特征向量记为Vl γ={F1(sl γ),F2(sl γ),...,Fi(sl γ),...,FD(sl γ)},其中,Fi(sl γ)表示γ相第l个分解后的系数sl γ的第i个统计特征,D表示所选统计特征的个数;
步骤6、将所述第r组训练样本中的三相电流值序列Xr输入第μ次迭代的深度神经网络T1中,并经过p1个GRU层后输出第μ次迭代的深度神经网络T1的第一中间特征向量;
步骤7、将所述统计特征向量{Vl γ|γ∈{a,b,c},l∈[1,L]}输入第μ次迭代的深度神经网络T1中的flatten层进行展平后,得到第μ次迭代的深度神经网络T1的第二中间特征向量;
步骤8、将所述第μ次迭代的深度神经网络T1的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T1的第一融合特征向量,将所述第一融合特征向量输入到第μ次迭代的深度神经网络T1中的q1个全连接层后,得到第μ次迭代的第一前向输出结果
步骤9、将所述第r组训练样本中的三相电流值序列Xr输入第μ次迭代的深度神经网络T2中,并经过p2个GRU层后输出第μ次迭代的深度神经网络T2的第一中间特征向量;
步骤10、将三相电流值序列Xr的每一相的L个统计特征向量{Vl γ|γ∈{a,b,c},l∈[1,L]}输入第μ次迭代的深度神经网络T2中的flatten层进行展平后,得到第μ次迭代的深度神经网络T2的第二中间特征向量;
步骤11、将所述第μ次迭代的深度神经网络T2的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T2的第二融合特征向量,将所述第二融合特征向量输入到第μ次迭代的深度神经网络T2中的q2个全连接层后,得到第μ次迭代的第二前向输出结果
步骤12、将所述第r组训练样本中的三相电流值序列Xr输入第μ次迭代的深度神经网络T3中,并经过p3个GRU层后输出第μ次迭代的深度神经网络T3的第一中间特征向量;
步骤13、将三相电流值序列Xr的每一相的L个统计特征向量{Vl γ|γ∈{a,b,c},l∈[1,L]}输入第μ次迭代的深度神经网络T3中的flatten层进行展平后,得到第μ次迭代的深度神经网络T3的第二中间特征向量;
步骤14、将所述第μ次迭代的深度神经网络T3的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T3的第三融合特征向量,将所述第三融合特征向量输入到第μ次迭代的深度神经网络T3中的q3个全连接层后,得到第μ次迭代的第三前向输出结果
步骤16、将r+1赋值给r,判断r>R是否成立;若成立,则继续执行步骤17,否则,返回步骤4;
步骤18、判断和μ>μmax是否同时成立;若成立,则将第μ次迭代的三个深度神经网络模型作为最优模型并用于对含分布式电源配电网进行故障检测,否则,将μ+1赋值给μ,并根据梯度下降算法更新第μ次迭代的深度神经网络后,执行步骤3,其中,e0是所设定的误差阈值。
与现有技术相比,本发明的有益效果在于:
本发明将同步相量测量装置采样的支路电流量值作为输入,首先对输入数据利用离散小波变换进行预处理并提取统计特征,然后将测量值和统计特征输入到特制的深度神经网络中,可以得到故障类型、相序和位置的详细信息,为含分布式电源配电网的保护和服务恢复提供了依据。与以往的工作不同,该方法除了能更加准确地分类故障类型外,还能预测出输电线路沿线的故障位置。此外,由于深度神经网络的计算效率极高,整个故障检测过程可以实时进行,具有较强的适应性和实用性。
附图说明
图1为本发明故障检测方法流程图;
图2为本发明含分布式电源配电网***图;
图3为本发明用于故障类型分类的深度神经网络结构图;
图4为本发明用于故障相序识别和故障位置检测的深度神经网络结构图。
具体实施方式
本实施例中,如图1所示,一种含分布式电源配电网的故障检测与定位方法是按如下步骤进行:
步骤1、对支路三相电流进行采样以获取训练样本数据:
在含分布式电源配电网中,在R条电力线两端安装同步相量测量装置并对支路电流进行采样,得到R条电力线的支路三相电流值序列,第r条电力线支路的a、b、c三相电流值序列记为其中,为第r条电力线支路的a相电流值序列,为第r条电力线支路的b相电流值序列,为第r条电力线支路的c相电流值序列;具体实例中,含分布式电源配电网***结构如图2所示;
步骤2、构建三个不同的深度神经网络T1、T2、T3,分别用于检测故障类型分类、故障相序识别和故障定位,每个深度神经网络中均包含GRU层、flatten层和全连接层;
定义三个深度神经网络的当前迭代次数为μ,并初始化μ=1;最大迭代次数为μmax;本实施例中,设定三个深度神经网络的最大迭代次数μmax=1000;
步骤3、初始化r=1;
步骤4、取出第r组训练样本中的三相电流值序列Xr,利用离散小波变换将三相电流值序列Xr中的每一相电流值序列均分解为M级近似系数序列{aM,k|k∈[1,K]}和小波细节系数序列{dj,k|j∈[1,M],k∈[1,K]},从而共得到L=K×(M+1)个分解后的系数,并将γ相中第l个分解后的系数记为sl γ;其中,aM,k是层数为k的M级近似系数,dj,k是级数为j且层数为k的小波细节系数,M为分解的级数,K为每一级分解的层数,γ∈{a,b,c},l∈[1,L];
步骤5、构建γ相第l个分解后的系数sl γ的统计特征向量记为Vl γ={F1(sl γ),F2(sl γ),...,Fi(sl γ),...,FD(sl γ)},其中,Fi(sl γ)表示γ相第l个分解后的系数sl γ的第i个统计特征,D表示所选统计特征的个数;具体实例中,所选统计特征个数为6个,分别为最大值、最小值、均值、标准差、偏度和能量;
步骤6、将第r组训练样本中的三相电流值序列Xr输入第μ次迭代的深度神经网络T1中,并经过p1个GRU层后输出第μ次迭代的深度神经网络T1的第一中间特征向量;
步骤7、将统计特征向量{Vl γ|γ∈{a,b,c},l∈[1,L]}输入第μ次迭代的深度神经网络T1中的flatten层进行展平后,得到第μ次迭代的深度神经网络T1的第二中间特征向量;
步骤8、将第μ次迭代的深度神经网络T1的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T1的第一融合特征向量,将第一融合特征向量输入到第μ次迭代的深度神经网络T1中的q1个全连接层后,得到第μ次迭代的第一前向输出结果具体实施例中,步骤6-步骤8所描述的用于故障类型分类的深度神经网络结构如图3所示,包括4个GRU层和3个全连接层,选择4个GRU层的原因是如果层数过少,可能会对输入数据深度特征的挖掘不够,导致网络模型的训练精度降低,如果层数过多,虽然更多的GRU层可能会提高训练精度,但额外的层也可能会给网络模型带来过拟合问题,导致测试性能变差;
步骤9、将第r组训练样本中的三相电流值序列Xr输入第μ次迭代的深度神经网络T2中,并经过p2个GRU层后输出第μ次迭代的深度神经网络T2的第一中间特征向量;
步骤10、将三相电流值序列Xr的每一相的L个统计特征向量{Vl γ|γ∈{a,b,c},l∈[1,L]}输入第μ次迭代的深度神经网络T2中的flatten层进行展平后,得到第μ次迭代的深度神经网络T2的第二中间特征向量;
步骤11、将第μ次迭代的深度神经网络T2的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T2的第二融合特征向量,将第二融合特征向量输入到第μ次迭代的深度神经网络T2中的q2个全连接层后,得到第μ次迭代的第二前向输出结果
步骤12、将第r组训练样本中的三相电流值序列Xr输入第μ次迭代的深度神经网络T3中,并经过p3个GRU层后输出第μ次迭代的深度神经网络T3的第一中间特征向量;
步骤13、将三相电流值序列Xr的每一相的L个统计特征向量{Vl γ|γ∈{a,b,c},l∈[1,L]}输入第μ次迭代的深度神经网络T3中的flatten层进行展平后,得到第μ次迭代的深度神经网络T3的第二中间特征向量;
步骤14、将第μ次迭代的深度神经网络T3的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T3的第三融合特征向量,将第三融合特征向量输入到第μ次迭代的深度神经网络T3中的q3个全连接层后,得到第μ次迭代的第三前向输出结果具体实施例中,步骤9-步骤14所描述的用于故障相序识别和故障位置检测的深度神经网络结构如图4所示,同样均包含包括4个GRU层和3个全连接层;
步骤16、将r+1赋值给r,判断r>R是否成立;若成立,则继续执行步骤17,否则,返回步骤4;
Claims (1)
1.一种含分布式电源配电网的故障检测与定位方法,其特征在于:包括如下步骤:
步骤1、对支路三相电流进行采样以获取训练样本数据:
在含分布式电源配电网中,在R条电力线两端安装同步相量测量装置并对支路电流进行采样,得到R条电力线的支路三相电流值序列,第r条电力线支路的a、b、c三相电流值序列记为其中,为第r条电力线支路的a相电流值序列,为第r条电力线支路的b相电流值序列,为第r条电力线支路的c相电流值序列;
步骤2、构建三个不同的深度神经网络T1、T2、T3,分别用于检测故障类型分类、故障相序识别和故障定位,每个深度神经网络中均包含GRU层、flatten层和全连接层;
定义三个深度神经网络的当前迭代次数为μ,并初始化μ=1;最大迭代次数为μmax;
步骤3、初始化r=1;
步骤4、取出所述第r组训练样本中的三相电流值序列Xr,利用离散小波变换将三相电流值序列Xr中的每一相电流值序列均分解为M级近似系数序列{aM,k|k∈[1,K]}和小波细节系数序列{dj,k|j∈[1,M],k∈[1,K]},从而共得到L=K×(M+1)个分解后的系数,并将γ相中第l个分解后的系数记为sl γ;其中,aM,k是层数为k的M级近似系数,dj,k是级数为j且层数为k的小波细节系数,M为分解的级数,K为每一级分解的层数,γ∈{a,b,c},l∈[1,L];
步骤5、构建γ相第l个分解后的系数sl γ的统计特征向量记为Vl γ={F1(sl γ),F2(sl γ),...,Fi(sl γ),...,FD(sl γ)},其中,Fi(sl γ)表示γ相第l个分解后的系数sl γ的第i个统计特征,D表示所选统计特征的个数;
步骤6、将所述第r组训练样本中的三相电流值序列Xr输入第μ次迭代的深度神经网络T1中,并经过p1个GRU层后输出第μ次迭代的深度神经网络T1的第一中间特征向量;
步骤7、将所述统计特征向量{Vl γ|γ∈{a,b,c},l∈[1,L]}输入第μ次迭代的深度神经网络T1中的flatten层进行展平后,得到第μ次迭代的深度神经网络T1的第二中间特征向量;
步骤8、将所述第μ次迭代的深度神经网络T1的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T1的第一融合特征向量,将所述第一融合特征向量输入到第μ次迭代的深度神经网络T1中的q1个全连接层后,得到第μ次迭代的第一前向输出结果
步骤9、将所述第r组训练样本中的三相电流值序列Xr输入第μ次迭代的深度神经网络T2中,并经过p2个GRU层后输出第μ次迭代的深度神经网络T2的第一中间特征向量;
步骤10、将三相电流值序列Xr的每一相的L个统计特征向量{Vl γ|γ∈{a,b,c},l∈[1,L]}输入第μ次迭代的深度神经网络T2中的flatten层进行展平后,得到第μ次迭代的深度神经网络T2的第二中间特征向量;
步骤11、将所述第μ次迭代的深度神经网络T2的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T2的第二融合特征向量,将所述第二融合特征向量输入到第μ次迭代的深度神经网络T2中的q2个全连接层后,得到第μ次迭代的第二前向输出结果
步骤12、将所述第r组训练样本中的三相电流值序列Xr输入第μ次迭代的深度神经网络T3中,并经过p3个GRU层后输出第μ次迭代的深度神经网络T3的第一中间特征向量;
步骤13、将三相电流值序列Xr的每一相的L个统计特征向量{Vl γ|γ∈{a,b,c},l∈[1,L]}输入第μ次迭代的深度神经网络T3中的flatten层进行展平后,得到第μ次迭代的深度神经网络T3的第二中间特征向量;
步骤14、将所述第μ次迭代的深度神经网络T3的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T3的第三融合特征向量,将所述第三融合特征向量输入到第μ次迭代的深度神经网络T3中的q3个全连接层后,得到第μ次迭代的第三前向输出结果
步骤16、将r+1赋值给r,判断r>R是否成立;若成立,则继续执行步骤17,否则,返回步骤4;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302501.7A CN112327104B (zh) | 2020-11-19 | 2020-11-19 | 一种含分布式电源配电网的故障检测与定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011302501.7A CN112327104B (zh) | 2020-11-19 | 2020-11-19 | 一种含分布式电源配电网的故障检测与定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327104A true CN112327104A (zh) | 2021-02-05 |
CN112327104B CN112327104B (zh) | 2023-10-20 |
Family
ID=74321307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011302501.7A Active CN112327104B (zh) | 2020-11-19 | 2020-11-19 | 一种含分布式电源配电网的故障检测与定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327104B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552443A (zh) * | 2021-06-08 | 2021-10-26 | 广西大学 | 基于交直流脉冲和随机森林的混连高压线路故障识别方法 |
CN113872198A (zh) * | 2021-09-29 | 2021-12-31 | 电子科技大学 | 一种基于强化学习方法的主动配电网故障恢复方法 |
CN114814468A (zh) * | 2022-06-20 | 2022-07-29 | 南京工程学院 | 考虑高比例dg接入的配电网单相接地故障智能选线方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104297629A (zh) * | 2014-08-19 | 2015-01-21 | 中国科学院电工研究所 | 含分布式电源的配电网的区段故障检测与定位方法 |
US20150073735A1 (en) * | 2013-09-11 | 2015-03-12 | King Fahd University Of Petroleum And Minerals | Method for adaptive fault location in power system networks |
CN110223195A (zh) * | 2019-05-22 | 2019-09-10 | 上海交通大学 | 基于卷积神经网络的配电网故障检测方法 |
CN111239549A (zh) * | 2020-02-18 | 2020-06-05 | 国网信通亿力科技有限责任公司 | 一种基于离散小波变换的配电故障快速定位方法 |
CN111679158A (zh) * | 2020-08-04 | 2020-09-18 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 基于同步量测数据相似度的配电网故障辨识方法 |
CN111880044A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种含分布式电源配电网在线故障定位方法 |
-
2020
- 2020-11-19 CN CN202011302501.7A patent/CN112327104B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150073735A1 (en) * | 2013-09-11 | 2015-03-12 | King Fahd University Of Petroleum And Minerals | Method for adaptive fault location in power system networks |
CN104297629A (zh) * | 2014-08-19 | 2015-01-21 | 中国科学院电工研究所 | 含分布式电源的配电网的区段故障检测与定位方法 |
CN110223195A (zh) * | 2019-05-22 | 2019-09-10 | 上海交通大学 | 基于卷积神经网络的配电网故障检测方法 |
CN111239549A (zh) * | 2020-02-18 | 2020-06-05 | 国网信通亿力科技有限责任公司 | 一种基于离散小波变换的配电故障快速定位方法 |
CN111880044A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种含分布式电源配电网在线故障定位方法 |
CN111679158A (zh) * | 2020-08-04 | 2020-09-18 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 基于同步量测数据相似度的配电网故障辨识方法 |
Non-Patent Citations (2)
Title |
---|
孔祥玉;徐勇;李鹏;袁智勇;徐全;: "基于云边架构和小波神经网络的配电网故障诊断方法", 供用电, no. 04 * |
王东举;周浩;: "高压输电线路故障定位综述", 电气应用, no. 04 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552443A (zh) * | 2021-06-08 | 2021-10-26 | 广西大学 | 基于交直流脉冲和随机森林的混连高压线路故障识别方法 |
CN113872198A (zh) * | 2021-09-29 | 2021-12-31 | 电子科技大学 | 一种基于强化学习方法的主动配电网故障恢复方法 |
CN113872198B (zh) * | 2021-09-29 | 2022-09-13 | 电子科技大学 | 一种基于强化学习方法的主动配电网故障恢复方法 |
CN114814468A (zh) * | 2022-06-20 | 2022-07-29 | 南京工程学院 | 考虑高比例dg接入的配电网单相接地故障智能选线方法 |
CN114814468B (zh) * | 2022-06-20 | 2022-09-20 | 南京工程学院 | 考虑高比例dg接入的配电网单相接地故障智能选线方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112327104B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
CN112327104A (zh) | 一种含分布式电源配电网的故障检测与定位方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN110659693B (zh) | 基于k近邻分类的配电网快速拓扑识别方法、***及介质 | |
CN114021433B (zh) | 一种电力***的主导失稳模式识别模型的构建方法及应用 | |
CN109787250B (zh) | 一种基于多元经验模态分解的电力***低频振荡模式辨识方法 | |
CN112200038B (zh) | 一种基于cnn的电力***振荡类型的快速辨识方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN106874950A (zh) | 一种暂态电能质量录波数据的识别分类方法 | |
CN112507861A (zh) | 一种多层卷积特征融合的行人检测方法 | |
CN111553112A (zh) | 一种基于深度置信网络的电力***故障辨识方法及装置 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力***不良数据辨识方法 | |
CN112163106A (zh) | 二阶相似感知的图像哈希码提取模型建立方法及其应用 | |
CN115793590A (zh) | 适用于***安全运维的数据处理方法及平台 | |
CN111428772A (zh) | 基于k-近邻自适应投票的光伏***深度异常检测方法 | |
CN114330571A (zh) | 基于迁移学习的电力***主导失稳模式识别方法及*** | |
CN115878992A (zh) | 综合管廊供电***的监控方法和监控*** | |
CN105894014A (zh) | 基于多因素不一致度量的异常行为序贯检测方法 | |
CN110688918B (zh) | 基于长时增强特征增强及稀疏动态采样的快速行为检测方法 | |
CN110986949A (zh) | 一种基于人工智能平台下的路径识别方法 | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN113011597B (zh) | 一种回归任务的深度学习方法和装置 |
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 |