CN113049914B - 一种输电线路故障诊断方法、***、电子设备和存储介质 - Google Patents
一种输电线路故障诊断方法、***、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113049914B CN113049914B CN202110277186.5A CN202110277186A CN113049914B CN 113049914 B CN113049914 B CN 113049914B CN 202110277186 A CN202110277186 A CN 202110277186A CN 113049914 B CN113049914 B CN 113049914B
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- fault
- neural network
- convolutional neural
- 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
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
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- 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
- 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
-
- 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
-
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明实施例提供一种输电线路故障诊断方法、***、电子设备和存储介质,其中,输电线路故障诊断方法通过获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数后,确定故障阈值曲线和故障类型曲线,根据故障阈值曲线和输电线路的参数确定输电线路在正常工作下的图谱,以及根据故障类型曲线和输电线路的参数确定输电线路在不同故障类型下的图谱;进而提取图谱的特征,将多个不同种类的数据整合,利用特征数据集构建故障诊断模型;将多种数据整合到一起构建故障诊断模型提高诊断的效率以及准确性,并且,利用故障诊断模型可以实时地对输电线路进行诊断,提高了诊断的实时性。
Description
技术领域
本发明涉及电力***输电安全技术领域,特别是涉及一种输电线路故障诊断方法、***、电子设备和存储介质。
背景技术
输电线路一方面跨越的空间距离大,一般为几十到几千千米,另一方面长期暴露在环境条件恶劣的户外,无法进行有效的维护,与其他电气元件比较,输电线路所处的环境决定了它是电力***中最容易发生故障的一环。
多年以来,输电线路故障诊断一直是电力***研究者和电力设备制造商所关注的问题,实时、准确的故障定位对迅速发现故障点、修复受损线路、以及提高***的可靠性起到重要的作用,但由于其环境因素及电力***本身的影响,输电线路的故障诊断仍有大量的工作需要进一步完善。
发明内容
本发明实施例提供一种输电线路故障诊断方法、***、电子设备和存储介质,以提高输电线路故障诊断的准确性和实时性。
第一方面,本发明实施例提供了一种输电线路故障诊断方法,包括:
获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数;
对所述输电线路在正常工作下的电力数据进行归一化处理确定故障阈值曲线,以及对所述输电线路在不同故障类型下的电力数据进行归一化处理确定故障类型曲线;
根据所述故障阈值曲线和所述输电线路的参数确定所述输电线路在正常工作下的图谱,以及对根据所述故障类型曲线和所述输电线路的参数确定所述输电线路在不同故障类型下的图谱;
分别对所述输电线路在正常工作下的图谱和所述输电线路在不同故障类型下的图谱进行特征提取,确定特征数据集;
以所述特征数据集为输入,以故障诊断结果为输出,构建故障诊断模型;所述故障位置为塔杆的标号以及塔杆的坐标;所述故障诊断结果包括:故障类型和故障位置;
利用所述故障诊断模型进行所述输电线路故障诊断得到所述输电线路的故障诊断结果。
可选的,所述获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数,之后还包括:
对电力数据进行数据预处理;所述数据预处理包括:滤波、清洗以及去噪。
可选的,所述以所述特征数据集为输入,以故障诊断结果为输出,构建故障诊断模型,具体包括:
将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障类型组成第一训练集,并通过所述第一训练集训练第一支路卷积神经网络;
将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障位置组成第二训练集,并通过第二训练集训练第二支路卷积神经网络;
构建与所述第一支路卷积神经网络和所述第二支路卷积神经网络具有相同中间层结构的并联卷积神经网络,并且把所述第一支路卷积神经网络和所述第二支路卷积神经网络中间层中的权重参数值和偏置参数值复制给并联卷积神经网络的两个支路对应位置;
固定所述并联卷积神经网络支路的参数值不变,利用所述特征数据集训练所述并联卷积神经网络的输入层参数和输出层参数,得到故障诊断模型。
可选的,所述利用所述故障诊断模型进行所述输电线路故障诊断,之后还包括:
通过浏览器界面结合卫星地图展示所述故障诊断结果,并以短息通报格式将所述故障诊断结果进行发送。
第二方面,本发明实施例提供了一种输电线路故障诊断***,包括:
数据获取模块,用于获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数;
曲线确定模块,用于对所述输电线路在正常工作下的电力数据进行归一化处理确定故障阈值曲线,以及对所述输电线路在不同故障类型下的电力数据进行归一化处理确定故障类型曲线;
图谱确定模块,用于根据所述故障阈值曲线和所述输电线路的参数确定所述输电线路在正常工作下的图谱,以及根据所述故障类型曲线和所述输电线路的参数确定所述输电线路在不同故障类型下的图谱;
特征数据集确定模块,用于分别对所述输电线路在正常工作下的图谱和所述输电线路在不同故障类型下的图谱进行特征提取,确定特征数据集;
故障诊断模型构建模块,用于以所述特征数据集为输入,以故障诊断结果为输出,构建故障诊断模型;所述故障位置为塔杆的标号以及塔杆的坐标;所述故障诊断结果包括:故障类型和故障位置;
故障诊断模块,用于利用所述故障诊断模型进行所述输电线路故障诊断得到所述输电线路的故障诊断结果。
可选的,还包括:
数据预处理模块,用于对电力数据进行数据预处理;所述数据预处理包括:滤波、清洗以及去噪。
可选的,所述故障诊断模型构建模块具体包括:
第一支路卷积神经网络训练单元,用于将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障类型组成第一训练集,并通过所述第一训练集训练第一支路卷积神经网络;
第二支路卷积神经网络训练单元,用于将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障位置组成第二训练集,并通过第二训练集训练第二支路卷积神经网络;
并联卷积神经网络构建单元,用于构建与所述第一支路卷积神经网络和所述第二支路卷积神经网络具有相同中间层结构的并联卷积神经网络,并且把所述第一支路卷积神经网络和所述第二支路卷积神经网络中间层中的权重参数值和偏置参数值复制给并联卷积神经网络的两个支路对应位置;
故障诊断模型确定单元,用于固定所述并联卷积神经网络支路的参数值不变,利用所述特征数据集训练所述并联卷积神经网络的输入层参数和输出层参数,得到故障诊断模型。
可选的,还包括:
故障诊断结果发送模块,用于通过浏览器界面结合卫星地图展示所述故障诊断结果,并以短息通报格式将所述故障诊断结果进行发送。
第三方面,本发明实施例提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,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本发明第一方面所述的输电线路故障诊断方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面所述的输电线路故障诊断方法。
本发明实施例所提供的一种输电线路故障诊断方法,在获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数后,确定故障阈值曲线和故障类型曲线,根据故障阈值曲线和输电线路的参数确定输电线路在正常工作下的图谱,以及根据故障类型曲线和输电线路的参数确定输电线路在不同故障类型下的图谱;进而提取图谱的特征,将多个不同种类的数据整合,利用特征数据集构建故障诊断模型;将多种数据整合到一起构建故障诊断模型提高诊断的效率以及准确性,并且,利用故障诊断模型可以实时地对输电线路进行诊断,提高了诊断的实时性。
附图说明
图1为本发明实施例一所提供的输电线路故障诊断方法流程图;
图2为本发明实施例二所提供的输电线路故障诊断方法流程图;
图3为本发明实施例三所提供的输电线路故障诊断***结构图;
图4是本发明实施例四提供的一种电子设备的结构示意图。
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。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合。
实施例一
图1为本发明实施例一提供的一种输电线路故障诊断方法的步骤流程图,本发明实施例可适用于诊断输电线路故障的情况,该方法可以由本发明实施例的输电线路故障诊断***来执行,该输电线路故障诊断***可以由硬件或软件来实现,并集成在本发明实施例所提供的电子设备中,具体地,如图1所示,本发明实施例的输电线路故障诊断方法可以包括如下步骤:
S101、获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数。
在本发明实施例中,输电线路的电力数据可以包括输电线路中各个节点的电压、电流、电量、功率、频率、功率因数以及相位中的至少一种数据,输电线路的参数包括塔杆之间的距离、塔杆的标号、塔杆的坐标以及输电线路的距离。
对于输电线路,可以从电网***中获取输电线路上塔杆之间的距离、塔杆的标号、塔杆的坐标以及输电线路的距离,还可以从电网***中读取输电线路上各个节点设置的监测终端监测到的电压、电流、电量、功率、频率、功率因数以及相位等电力数据,该电力数据包括输电线路在正常工作时的电力数据、发生不同故障类型时的电力数据。
可选地,在获取电力数据和输电线路的参数后,还可以对电力数据和输电线路的参数进行预处理,具体地,可以对数据进行滤波处理、清理和去噪,以得到准确的数据和去除重复的数据,保证数据的准确性。
S102、对所述输电线路在正常工作下的电力数据进行归一化处理确定故障阈值曲线,以及对所述输电线路在不同故障类型下的电力数据进行归一化处理确定故障类型曲线。
归一化处理可以是指将各个监测终端采集的电力数据同一量纲化之后,把采集到数据转换为(0,1)的数值得到归一化之后的电力数据。
对于输电线路正常工作下的电力数据,可以采用每种电力数据拟合正常工作下的电力数据曲线,示例性地,输电线路包括多个节点,可以获取输电线路每个节点正常工作时的电压、电流、电量、功率、频率、功率因数以及相位等电力数据,以距离为横坐标、电力数据为纵坐标拟合输电线路在正常工作时的电压曲线、电流曲线、电量曲线、功率曲线、频率曲线、功率因数曲线以及相位曲线,由于上述曲线是输电线路在正常工作下的电力数据曲线,可以将该电流数据曲线作为故障阈值曲线,亦即电力数据不在上述电力数据曲线范围内时即判断为发生故障,示例性地,故障阈值曲线可以是过流阈值曲线,当输电线路上的节点的电流大于过流阈值曲线上的电流值时,可以判断该节点发生故障。
同理,对于输电线路不同故障类型下的电力数据,也可以拟合出电力数据曲线作为故障类型曲线,如对于输电线路上的各个节点,可以取过流故障时的电流值拟合过流故障曲线,或者取欠压故障时的电压拟合欠压故障曲线。
S103、根据所述故障阈值曲线和所述输电线路的参数确定所述输电线路在正常工作下的图谱,以及根据所述故障类型曲线和所述输电线路的参数确定所述输电线路在不同故障类型下的图谱。
图谱可以是按类编制的图集,是为了通过图像更好的了解事物的一种形式,在本发明实施例中,可以根据输电线路的故障阈值曲线和输电线路的参数绘制输电线路在正常工作下的图谱,在一个可选实施例中,可以直接在故障阈值曲线和故障类型曲线上拟合输电线路的参数,分别得到输电线路在正常工作下的图谱和输电线路在不同故障类型下的图谱。
例如,对于电流故障阈值曲线,可以在电流故障阈值曲线上添加每个节点所在的塔杆之间的距离、塔杆的标号、塔杆的坐标以及输电线路的距离得到输电线路在正常工作下的图谱。
同理,可以根据输电线路的故障类型曲线和输电线路的参数绘制输电线路在正常工作下的图谱。
S104、分别对所述输电线路在正常工作下的图谱和所述输电线路在不同故障类型下的图谱进行特征提取,确定特征数据集。
在一个示例中,对于输电线路在正常工作下的图谱可以提取输电线路上每个节点的故障阈值、塔杆之间的距离、塔杆的标号、塔杆的坐标以及输电线路的距离作为特征数据,对于输电线路在不同故障类型下的图谱可以提取输电线路上每个节点的故障类型、塔杆之间的距离、塔杆的标号、塔杆的坐标以及输电线路的距离作为特征数据。
当然,还可以提取正常工作下的图谱和不同故障类型下的图谱中每个节点上的曲线的波形、幅值、斜率等作为特征数据,本发明实施例对提取特征数据不做限制。
S105、以所述特征数据集为输入,以故障诊断结果为输出,构建故障诊断模型,所述故障诊断结果包括故障类型和故障位置,所述故障位置为塔杆的标号以及塔杆的坐标。
具体地,可以先初始化故障诊断模型,如构建故障诊断模型的网络结构,初始化网络参数,然后采用特征数据集中的特征数据对故障诊断模型进行训练,在迭代预设次数或者故障诊断模型的损失率小于预设值时停止对故障诊断模型进行训练,得到训练好的故障诊断模型,该故障诊断模型在输入输电线路的电力数据后,输出输电线路上发生故障的故障类型和故障位置,其中,故障位置包括塔杆的标号以及塔杆的坐标。
S106、利用所述故障诊断模型进行所述输电线路故障诊断得到所述输电线路的故障诊断结果。
在训练好故障诊断模型后,可以获取输电线路的电力数据,该电力数据包括各个输电线路上各个节点的电压、电流、电量、功率、频率、功率因数以及相位等数据,将上述电力数据输入故障诊断模型即可以得到发生故障的节点(塔杆)的标号和坐标,以便维修人员及时到该节点处理故障。
本发明实施例所提供的一种输电线路故障诊断方法,在获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数后,确定故障阈值曲线和故障类型曲线,根据故障阈值曲线和输电线路的参数确定输电线路在正常工作下的图谱,以及根据故障类型曲线和输电线路的参数确定输电线路在不同故障类型下的图谱;进而提取图谱的特征,将多个不同种类的数据整合,利用特征数据集构建故障诊断模型;将多种数据整合到一起构建故障诊断模型提高诊断的效率以及准确性,并且,利用故障诊断模型可以实时地对输电线路进行诊断,提高了诊断的实时性。
实施例二
图2为本发明实施例二提供的一种输电线路故障诊断方法的步骤流程图,本发明实施例在上述实施例一的基础上进行优化,如图2所示,本发明实施例的输电线路故障诊断方法可以包括以下步骤:
S201、获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数。
S202、对所述输电线路在正常工作下的电力数据进行归一化处理确定故障阈值曲线,以及并对所述输电线路在不同故障类型下的电力数据进行归一化处理确定故障类型曲线。
S203、根据所述故障阈值曲线和所述输电线路的参数确定所述输电线路在正常工作下的图谱,以及根据所述故障类型曲线和所述输电线路的参数确定所述输电线路在不同故障类型下的图谱。
S204、分别对所述输电线路在正常工作下的图谱和所述输电线路在不同故障类型下的图谱进行特征提取,确定特征数据集。
本发明实施例中S201-S204可参考实施例一中S101-S104,在此不再详述。
S205、将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障类型组成第一训练集,并通过所述第一训练集训练第一支路卷积神经网络。
本发明实施例可以先训练用于诊断故障类型的第一支路卷积神经网络,具体而言,第一支路卷积神经网络可以是CNN、RNN、DNN等神经网络,在初始化第一支路卷积神经网络后,可以采用第一训练集中的训练数据对第一支路卷积神经网络进行迭代训练,得到训练好的第一支路卷积神经网络。其中,第一训练集可以包括输电线路在不同故障类型下的图谱特征数据集与对应的故障类型,示例性地,输电线路在不同故障类型下的图谱特征数据集包括每种故障类型下输电线路上各个节点的故障阈值、发生故障时的电力数据等,例如,过压故障下的图谱特征数据集可以包括每种故障类型下输电线路上各个节点的故障阈值电压、发生故障时的电压、最大故障电压等电力数据,则可以采用过压故障下的上述图谱特征数据与过压作为故障类型组成第一训练集来训练第一支路卷积神经网络,其中,以图谱特征数据作为输入,故障类型作为标签来对第一支路卷积神经网络进行有监督训练,具体可参考现有有监督训练方法,在此不再详述。当然,上述仅仅是以过压故障作为示例,在实际应用中还可以包括欠压故障、过流故障等故障。训练好的第一支路卷积神经网络在输入输电线路的电路数据后可以输出输电线路的故障类型。
S206、将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障位置组成第二训练集,并通过第二训练集训练第二支路卷积神经网络。
本发明实施例可以还训练用于诊断故障位置的第二支路卷积神经网络,同理,第二支路卷积神经网络可以是CNN、RNN、DNN等神经网络,在初始化第二支路卷积神经网络后,可以采用第二训练集中的训练数据对第二支路卷积神经网络进行迭代训练,得到训练好的第二支路卷积神经网络。其中,第二训练集可以包括输电线路在不同故障类型下的图谱特征数据集与对应的故障位置,示例性地,输电线路在不同故障类型下的图谱特征数据集包括每种故障类型下输电线路上各个节点的故障阈值、发生故障时的电力数据等,例如,过压故障下的图谱特征数据集可以包括每种故障类型下输电线路上各个节点的故障阈值电压、发生故障时的电压、最大故障电压等电力数据,则可以采用过压故障下的上述图谱特征数据与发生过压故障时的故障位置组成第二训练集来训练第二支路卷积神经网络,其中,以图谱特征数据作为输入,故障位置作为标签来对第二支路卷积神经网络进行有监督训练,具体可参考现有有监督训练方法,在此不再详述。当然,上述仅仅是以过压故障作为示例,在实际应用中还可以包括欠压故障、过流故障等故障。训练好的第二支路卷积神经网络在输入输电线路的电路数据后可以输出输电线路的故障位置,该位置可以包括输电线路上各个节点所在的塔杆的标号和坐标,当然还可以是故障点距离配电站的距离等。
S207、构建与所述第一支路卷积神经网络和所述第二支路卷积神经网络具有相同中间层结构的并联卷积神经网络,并且把所述第一支路卷积神经网络和所述第二支路卷积神经网络中间层中的权重参数值和偏置参数值复制给并联卷积神经网络的两个支路对应位置。
本发明实施例的故障诊断模型可以包括两条支路的卷积神经网络,具体地,可以将S205和S206训练好的第一支路卷积神经网络和第二支路卷积神经网络作为故障诊断模型的两条支路卷积神经网络,即故障诊断模型的中间层为包括并联的第一支路卷积神经网络和第二支路卷积神经网络的并联卷积神经网络,该并联卷积神经网络中的两条支路卷积神经网络的权重参数值和偏置参数值分别与第一支路卷积神经网络和第二支路卷积神经网络相同,在该并联卷积神经网络之前设置有输入层,并联卷积神经网络之后设置有输出层。
S208、固定所述并联卷积神经网络支路的参数值不变,利用所述特征数据集训练所述并联卷积神经网络的输入层参数和输出层参数,得到故障诊断模型。
为了训练输入层和输出层,可以固定并联卷积神经网络的权重参数值和偏置参数值不变,采用S204中的特征数据集来训练输入层和输出层,具体地,特征数据集包括S205中的第一训练集和S206中第二训练集,可以采用第一训练集和第二训练集来训练输入层和输出层,并且在训练过程中反向传播时只更改输入层和输出层的参数,最后得到训练好的故障诊断模型,其中训练方法可参考现有的有监督训练方法,本发明实施例在此不再详述。
S209、利用所述故障诊断模型进行所述输电线路故障诊断得到所述输电线路的故障诊断结果。
训练好故障诊断模型后,可以获取待诊断输电线路的电力数据,该电力数据包括各个输电线路上各个节点的电压、电流、电量、功率、频率、功率因数以及相位等数据,将上述电力数据输入故障诊断模型即可以得到待诊断输电线路所发生故障的故障类型,发生故障的节点(塔杆)的标号和坐标,以便维修人员及时到该节点处理故障。
S210、通过浏览器界面结合卫星地图展示所述故障诊断结果,并以短息通报格式将所述故障诊断结果进行发送。
具体地,在监控中心的交互界面上展示电子地图,并在电子地图上展示故障点以及相关故障信息,例如,在计算机的显示屏上展示卫星地图,并且在卫星地图上故障点的位置展示预设的图元以表示卫星地图上该位置为故障位置,并以文字形式显示故障类型、塔杆标号、塔杆经纬度等信息,进一步以短信息通报格式将诊断结果发送至客户端,例如发送至维修人员的手持终端。
本发明实施例所提供的一种输电线路故障诊断方法,在获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数后,确定故障阈值曲线和故障类型曲线,根据故障阈值曲线和输电线路的参数确定输电线路在正常工作下的图谱,以及根据故障类型曲线和输电线路的参数确定输电线路在不同故障类型下的图谱;进而提取图谱的特征,将多个不同种类的数据整合,利用特征数据集构建故障诊断模型;将多种数据整合到一起构建故障诊断模型提高诊断的效率以及准确性,并且,利用故障诊断模型可以实时地对输电线路进行诊断,提高了诊断的实时性。
进一步地,故障诊断模型包括并联卷积神经网络,训练时先分别训练第一支路卷积神经网络和第二支路卷积神经网络,然后将训练好的第一支路卷积神经网络和第二支路卷积神经网络的网络参数分别复制给并联卷积神经网络的两个卷积神经网络,最后仅训练故障诊断模型的输入层和输出层,一方面,可以提高训练效率,另一方面,并联卷积神经网络的两个卷积神经网络分别诊断故障类型和故障位置,故障诊断模型诊断故障类型和故障位置的准确度高。
实施例三
图3是本发明实施例三提供的一种输电线路故障诊断***的结构框图,如图3所示,本发明实施例的输电线路故障诊断***具体可以包括如下模块:
数据获取模块301,用于获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数;
曲线确定模块302,用于对所述输电线路在正常工作下的电力数据进行归一化处理确定故障阈值曲线;并对所述输电线路在不同故障类型下的电力数据进行归一化处理确定故障类型曲线;
图谱确定模块303,用于根据所述故障阈值曲线和所述输电线路的参数确定所述输电线路在正常工作下的图谱;并根据所述故障类型曲线和所述输电线路的参数确定所述输电线路在不同故障类型下的图谱;
特征数据集确定模块304,用于分别对所述输电线路在正常工作下的图谱和所述输电线路在不同故障类型下的图谱进行特征提取,确定特征数据集;
故障诊断模型构建模块305,用于以所述特征数据集为输入,以故障诊断结果为输出,构建故障诊断模型;所述故障位置为塔杆的标号以及塔杆的坐标;所述故障诊断结果包括:故障类型和故障位置;
故障诊断模块306,用于利用所述故障诊断模型进行所述输电线路故障诊断得到所述输电线路的故障诊断结果。
可选的,还包括:
数据预处理模块,用于对电力数据进行数据预处理;所述数据预处理包括:滤波、清洗以及去噪。
可选的,所述故障诊断模型构建模块305具体包括:
第一支路卷积神经网络训练单元,用于将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障类型组成第一训练集,并通过所述第一训练集训练第一支路卷积神经网络;
第二支路卷积神经网络训练单元,用于将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障位置组成第二训练集,并通过第二训练集训练第二支路卷积神经网络;
并联卷积神经网络构建单元,用于构建与所述第一支路卷积神经网络和所述第二支路卷积神经网络具有相同中间层结构的并联卷积神经网络,并且把所述第一支路卷积神经网络和所述第二支路卷积神经网络中间层中的权重参数值和偏置参数值复制给并联卷积神经网络的两个支路对应位置;
故障诊断模型确定单元,用于固定所述并联卷积神经网络支路的参数值不变,利用所述特征数据集训练所述并联卷积神经网络的输入层参数和输出层参数,得到故障诊断模型。
可选的,还包括:
故障诊断结果发送模块,用于通过浏览器界面结合卫星地图展示所述故障诊断结果,并以短息通报格式将所述故障诊断结果进行发送。
本发明实施例所提供的输电线路故障诊断***可执行本发明实施例一、实施例二所提供的输电线路故障诊断方法,具备执行方法相应的功能和有益效果。
实施例四
参照图4,示出了本发明一个示例中的一种电子设备的结构示意图。如图4所示,该电子设备具体可以包括:处理器401、存储器402、具有触摸功能的显示屏403、输入装置404、输出装置405以及通信装置406。该电子设备中处理器401的数量可以是一个或者多个,图4中以一个处理器401为例。该电子设备中存储器402的数量可以是一个或者多个,图4中以一个存储器402为例。该设备的处理器401、存储器402、显示屏403、输入装置404、输出装置405以及通信装置406可以通过总线或者其他方式连接,图4中以通过总线连接为例。
存储器402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,如本发明任意实施例所述的输电线路故障诊断方法对应的程序指令/模块(例如,上述输电线路故障诊断***中的数据获取模块301、曲线确定模块302、图谱确定模块303、特征数据集确定模块304、故障诊断模型构建模块305和故障诊断模块306),存储器402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装置、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器402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402可进一步包括相对于处理器401远程设置的存储器,这些远程存储器可以通过网络连接至设备。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。
显示屏403为具有触摸功能的显示屏403,其可以是电容屏、电磁屏或者红外屏。一般而言,显示屏403用于根据处理器401的指示显示数据,还用于接收作用于显示屏403的触摸操作,并将相应的信号发送至处理器401或其他装置。可选的,当显示屏403为红外屏时,其还包括红外触摸框,该红外触摸框设置在显示屏403的四周,其还可以用于接收红外信号,并将该红外信号发送至处理器401或者其他设备。
通信装置406,用于与其他设备建立通信连接,其可以是有线通信装置和/或无线通信装置。
输入装置404可用于接收输入的数字或者字符信息,以及产生与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405可以包括扬声器等音频设备。需要说明的是,输入装置404和输出装置405的具体组成可以根据实际情况设定。
处理器401通过运行存储在存储器402中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述输电线路故障诊断方法。
具体地,实施例中,处理器401执行存储器402中存储的一个或多个程序时,具体实现本发明实施例提供的输电线路故障诊断方法的步骤。
实施例五
本发明实施例五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,该程序被处理器执行时可实现本发明任意实施例中的输电线路故障诊断方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明应用于设备上任意实施例所提供的输电线路故障诊断方法中的相关操作。
需要说明的是,对于***、电子设备、存储介质实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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输电线路故障诊断方法。
值得注意的是,上述输电线路故障诊断***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。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种输电线路故障诊断方法,其特征在于,包括:
获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数,所述输电线路的参数包括输电线路的距离;
对所述输电线路在正常工作下的电力数据进行归一化处理确定故障阈值曲线,以及对所述输电线路在不同故障类型下的电力数据进行归一化处理确定故障类型曲线,其中,所述故障阈值曲线以距离为横坐标,以所述电力数据为纵坐标;
根据所述故障阈值曲线和所述输电线路的参数确定所述输电线路在正常工作下的图谱,以及根据所述故障类型曲线和所述输电线路的参数确定所述输电线路在不同故障类型下的图谱;
分别对所述输电线路在正常工作下的图谱和所述输电线路在不同故障类型下的图谱进行特征提取,确定特征数据集;
以所述特征数据集为输入,以故障诊断结果为输出,构建故障诊断模型,所述故障诊断结果包括故障类型和故障位置,所述故障位置为塔杆的标号以及塔杆的坐标;
利用所述故障诊断模型进行所述输电线路故障诊断得到所述输电线路的故障诊断结果;
所述根据所述故障阈值曲线和所述输电线路的参数确定所述输电线路在正常工作下的图谱,以及根据所述故障类型曲线和所述输电线路的参数确定所述输电线路在不同故障类型下的图谱,包括:
在故障阈值曲线和故障类型曲线上拟合输电线路的参数,分别得到输电线路在正常工作下的图谱和输电线路在不同故障类型下的图谱。
2.根据权利要求1所述的一种输电线路故障诊断方法,其特征在于,所述获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数,之后还包括:
对电力数据进行数据预处理;所述数据预处理包括:滤波、清洗以及去噪。
3.根据权利要求1所述的一种输电线路故障诊断方法,其特征在于,所述以所述特征数据集为输入,以故障诊断结果为输出,构建故障诊断模型,具体包括:
将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障类型组成第一训练集,并通过所述第一训练集训练第一支路卷积神经网络;
将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障位置组成第二训练集,并通过第二训练集训练第二支路卷积神经网络;
构建与所述第一支路卷积神经网络和所述第二支路卷积神经网络具有相同中间层结构的并联卷积神经网络,并且把所述第一支路卷积神经网络和所述第二支路卷积神经网络中间层中的权重参数值和偏置参数值复制给并联卷积神经网络的两个支路对应位置;
固定所述并联卷积神经网络支路的参数值不变,利用所述特征数据集训练所述并联卷积神经网络的输入层参数和输出层参数,得到故障诊断模型。
4.根据权利要求1所述的一种输电线路故障诊断方法,其特征在于,所述利用所述故障诊断模型进行所述输电线路故障诊断,之后还包括:
通过浏览器界面结合卫星地图展示所述故障诊断结果,并以短息通报格式将所述故障诊断结果进行发送。
5.一种输电线路故障诊断***,其特征在于,包括:
数据获取模块,用于获取输电线路在正常工作下的电力数据、在不同故障类型下的电力数据以及输电线路的参数;
曲线确定模块,用于对所述输电线路在正常工作下的电力数据进行归一化处理确定故障阈值曲线,以及对所述输电线路在不同故障类型下的电力数据进行归一化处理确定故障类型曲线,其中,所述故障阈值曲线以距离为横坐标,以所述电力数据为纵坐标;
图谱确定模块,用于根据所述故障阈值曲线和所述输电线路的参数确定所述输电线路在正常工作下的图谱,以及根据所述故障类型曲线和所述输电线路的参数确定所述输电线路在不同故障类型下的图谱;
特征数据集确定模块,用于分别对所述输电线路在正常工作下的图谱和所述输电线路在不同故障类型下的图谱进行特征提取,确定特征数据集;
故障诊断模型构建模块,用于以所述特征数据集为输入,以故障诊断结果为输出,构建故障诊断模型;所述故障诊断结果包括:故障类型和故障位置;所述故障位置为塔杆的标号以及塔杆的坐标;
故障诊断模块,用于利用所述故障诊断模型进行所述输电线路故障诊断得到所述输电线路的故障诊断结果;
所述图谱确定模块用于在故障阈值曲线和故障类型曲线上拟合输电线路的参数,分别得到输电线路在正常工作下的图谱和输电线路在不同故障类型下的图谱。
6.根据权利要求5所述的一种输电线路故障诊断***,其特征在于,还包括:
数据预处理模块,用于对电力数据进行数据预处理;所述数据预处理包括:滤波、清洗以及去噪。
7.根据权利要求5所述的一种输电线路故障诊断***,其特征在于,所述故障诊断模型构建模块具体包括:
第一支路卷积神经网络训练单元,用于将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障类型组成第一训练集,并通过所述第一训练集训练第一支路卷积神经网络;
第二支路卷积神经网络训练单元,用于将提取的输电线路在不同故障类型下的图谱特征数据集与对应的故障位置组成第二训练集,并通过第二训练集训练第二支路卷积神经网络;
并联卷积神经网络构建单元,用于构建与所述第一支路卷积神经网络和所述第二支路卷积神经网络具有相同中间层结构的并联卷积神经网络,并且把所述第一支路卷积神经网络和所述第二支路卷积神经网络中间层中的权重参数值和偏置参数值复制给并联卷积神经网络的两个支路对应位置;
故障诊断模型确定单元,用于固定所述并联卷积神经网络支路的参数值不变,利用所述特征数据集训练所述并联卷积神经网络的输入层参数和输出层参数,得到故障诊断模型。
8.根据权利要求5所述的一种输电线路故障诊断***,其特征在于,还包括:
故障诊断结果发送模块,用于通过浏览器界面结合卫星地图展示所述故障诊断结果,并以短息通报格式将所述故障诊断结果进行发送。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,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任一项所述的输电线路故障诊断方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4任一项所述的输电线路故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277186.5A CN113049914B (zh) | 2021-03-15 | 2021-03-15 | 一种输电线路故障诊断方法、***、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277186.5A CN113049914B (zh) | 2021-03-15 | 2021-03-15 | 一种输电线路故障诊断方法、***、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113049914A CN113049914A (zh) | 2021-06-29 |
CN113049914B true CN113049914B (zh) | 2023-02-07 |
Family
ID=76512584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110277186.5A Active CN113049914B (zh) | 2021-03-15 | 2021-03-15 | 一种输电线路故障诊断方法、***、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113049914B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252716A (zh) * | 2021-12-06 | 2022-03-29 | 深圳供电局有限公司 | 一种电网故障诊断方法与装置、存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2628015B1 (en) * | 2010-10-14 | 2014-06-25 | ABB Research Ltd. | Fault direction parameter indicator device using only current and related methods |
CN105158642A (zh) * | 2015-09-21 | 2015-12-16 | 山东海兴电力科技有限公司 | 一种输电线路自动故障诊断和故障定位方法及*** |
CN108008252B (zh) * | 2017-11-29 | 2020-04-17 | 广东电网有限责任公司电力科学研究院 | 一种输电线路故障类型诊断方法和装置 |
CN110672976B (zh) * | 2019-10-18 | 2021-04-16 | 东北大学 | 基于并联卷积神经网络的多端直流输电线路故障诊断方法 |
CN112051480A (zh) * | 2020-08-06 | 2020-12-08 | 国网安徽省电力有限公司电力科学研究院 | 基于变分模态分解的神经网络配电网故障诊断方法及*** |
CN112149554B (zh) * | 2020-09-21 | 2024-05-07 | 广东电网有限责任公司清远供电局 | 故障分类模型的训练、故障检测方法及相关装置 |
-
2021
- 2021-03-15 CN CN202110277186.5A patent/CN113049914B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113049914A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103064895B (zh) | 基于gis的通信资源管理***计算机生成方法 | |
CN107611962B (zh) | 电网***支路搜索方法、***及电子设备 | |
CN112886468B (zh) | 一种基于巡维数据的输电线路区域故障定位方法及装置 | |
CN110347694B (zh) | 一种基于物联网的设备监控方法、装置及*** | |
CN116151776B (zh) | 配电线路保供电管理方法、***及电子设备 | |
CN113049914B (zh) | 一种输电线路故障诊断方法、***、电子设备和存储介质 | |
CN113746891A (zh) | 电力设备声纹监控*** | |
CN116780758A (zh) | 一种输电线路多传感器数据融合的在线监测***及方法 | |
CN113987724A (zh) | 基于拓扑分析的电网风险辨识方法及*** | |
CN113359829B (zh) | 一种基于大数据的无人机电厂智能巡检方法 | |
Ju et al. | The use of edge computing-based internet of things big data in the design of power intelligent management and control platform | |
CN112907157A (zh) | 一种基于气象预警的电网风险可视化方法及*** | |
CN111596157B (zh) | 一种电力***故障情况预测方法、装置、***及存储介质 | |
CN105840433B (zh) | 风电机组点检信息管理***和风电机组点检管理*** | |
CN111062825A (zh) | 基于移动App的低压故障诊断和快速复电方法 | |
CN115577548A (zh) | 基于数字孪生的电力通信传输网的分析方法、设备和介质 | |
CN113887813A (zh) | 台风灾害预警方法、装置、服务器及存储介质 | |
CN114826147A (zh) | 一种光伏发电站的故障巡检方法、装置及介质 | |
CN210428558U (zh) | 一种电力光缆巡检线路智能辅助*** | |
CN110729732B (zh) | 一种构建配电网统一量测模型的方法 | |
CN113472068A (zh) | 一种海岛微电网远程运维方法、***及存储介质 | |
CN112130036A (zh) | 一种高压电缆局部放电在线监测*** | |
CN111897655B (zh) | 一种输变电云端智能控制器 | |
CN112630581B (zh) | 变压器中性点直流监盘方法、装置、设备和存储介质 | |
CN117705138A (zh) | 输电线路巡检路径规划方法、装置、设备和存储介质 |
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 |