CN113655341A - 一种配电网故障定位方法及*** - Google Patents
一种配电网故障定位方法及*** Download PDFInfo
- Publication number
- CN113655341A CN113655341A CN202111062551.7A CN202111062551A CN113655341A CN 113655341 A CN113655341 A CN 113655341A CN 202111062551 A CN202111062551 A CN 202111062551A CN 113655341 A CN113655341 A CN 113655341A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- circuit operation
- distribution network
- fault
- operation information
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 claims abstract description 48
- 230000007246 mechanism Effects 0.000 claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims 1
- 230000004807 localization Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 15
- 238000011176 pooling Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 12
- 230000004913 activation Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000009795 derivation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 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
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种配电网故障定位方法及***,获取配电网的电路运行信息并进行预处理;对于预处理后的各种电路运行信息按照预设判断条件进行判断,确定各种电路运行信息的融合机制;根据确定的融合机制对预处理后的各种电路运行信息选择相应的融合机制进行多信息融合;将融合后的电路运行信息输入到训练好的诊断神经网络中,得出配电网的故障诊断结果,根据诊断结果匹配故障位置。本发明通过对配电网的电路运行信息进行判断选择合适的融合机制,并利用神经网络实现对配电网的故障定位诊断。
Description
技术领域
本发明属于电力工程故障技术领域,尤其涉及一种配电网故障定位方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着电力工程技术的发展,以及经济水平和生活水平的提高,人们对于配电网供电可靠性和供电质量的需求也日益提升。而为了保障良好的供电可靠性和供电质量,需要对配电网的电力***的运作状态进行关注,对配电网的运行过程进行故障诊断,及时发现故障所在,进而实现配电网故障后的快速恢复。
其中,配电网故障诊断是通过利用有关电力***及其保护装置的广泛知识和继电保护等故障信息来识别故障的元件位置、类型和误动作的装置,而对于故障定位多采用单一的故障信息来源,导致了对于配电网故障定位的精确度无法保证。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种配电网故障定位方法及***,其对配电网的各类电路运行信息进行判断选择合适的融合机制,并利用神经网络实现对配电网的故障定位诊断,采用了各类电路运行信息来源,保证了故障定位基础数据的全面性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种配电网故障定位方法,包括:
获取配电网的电路运行信息并进行预处理;
对于预处理后的各种电路运行信息按照预设判断条件进行判断,确定各种电路运行信息的融合机制;
根据确定的融合机制对预处理后的各种电路运行信息选择相应的融合机制进行多信息融合;
将融合后的电路运行信息输入到训练好的诊断神经网络中,得出配电网的故障诊断结果,根据诊断结果匹配故障位置。
本发明的第二个方面提供一种配电网故障定位***,包括:
数据处理模块,被配置为获取配电网的电路运行信息并进行预处理;
融合机制确定模块,被配置为对于预处理后的各种电路运行信息按照预设判断条件进行判断,确定各种电路运行信息的融合机制;
多信息融合模块,被配置为根据确定的融合机制对预处理后的各种电路运行信息选择相应的融合机制进行多信息融合;
故障定位模块,被配置为将融合后的电路运行信息输入到训练好的诊断神经网络中,得出配电网的故障诊断结果,根据诊断结果匹配故障位置。
本发明的第三个方面提供一种计算机可读存储介质。
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如上述第一个方面所述的一种配电网故障定位方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的一种配电网故障定位方法中的步骤。
与现有技术相比,本发明的有益效果是:
采用多源信息融合机制,将配电网各类电路的运行信息融合在一起,对配电网故障进行定位,提高了配电网故障定位的基础数据的全面性,同时采用神经网络对其故障类型进行判断,根据先验知识通过故障类型确定故障位置,从而提高了配电网故障定位的精确度。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例中配电网故障定位方法的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和***的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示,本实施例提供了一种配电网故障定位方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和***,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
S1:获取配电网的电路运行信息并进行预处理;
S2:对于预处理后的各种电路运行信息按照预设判断条件进行判断,确定各种电路运行信息的融合机制;
S3:根据确定的融合机制对预处理后的各种电路运行信息选择相应的融合机制进行多信息融合;
S4:将融合后的电路运行信息输入到训练好的诊断神经网络中,得出配电网的故障诊断结果,根据诊断结果匹配故障位置。
在本实施例的步骤S2中,所述融合机制包括:数据级融合和特征级融合;
所述数据级融合是对于各个电路检测传感器采集的电路运行数据进行综合分析;
所述特征级融合的过程为:
获取各个电路检测传感器采集的电路运行数据;
对电路运行数据进行提取时序特征和空间特征;
对提取的时序特征和空间特征进行综合分析和处理。
所述电路运行信息包括电路运行的电流和电压。
判断确定好融合的机制,然后将融合后的电路运行信息输入到训练好的诊断神经网络中,
在本实施例的步骤S3中,所述训练诊断神经网路的过程为:
步骤31:采集配电网中对应各种电路故障类型的电路运行信息并进行判断融合;
步骤32:根据融合后的电路运行信息和对应的电路故障类型,构建数据训练集;
步骤33:构建诊断卷积神经网络结构模型,针对待测对象配电网的电路故障类型设计相应的诊断卷积神经网络结构,计算诊断卷积神经网络初始化参数;
步骤34:使用训练集训练诊断卷积神经网络,将数据训练集输入到诊断卷积神经网络进行训练,修正诊断卷积神经网络的各类参数。
然后根据输出的电路故障类型结果,确定配电网电路故障的位置,故障类型和故障位置的关系是已知的,从而通过确定故障类型来确定故障位置。
本实施例的诊断卷积神经网络主要包含输入层,卷积层,池化层,全连接层以及输出层,输入是数据预处理后的GIS放电信号图谱数据,保存数据形式为二维矩阵,卷积层和池化层交叉连接。
在卷积层中实现卷积步骤包括:(1)使用卷积滤波器对输入图像数据进行卷积的计算获得卷积值;(2)将卷积值通过激活函数生成了输入数据的多张特征图。本部分主要包含卷积计算和ReLU激活函数,运用于卷积层中,卷积层主要是将输入的图像与其卷积滤波器进行卷积,每一个局部滤波器都会重复的作用于整个感受域中,对输入数据进行卷积操作,实现权值共享,减少网络参数。最后卷积值通过激活函数生成输入数据的多张特征图,特征图中包含了图像数据有效的特征,使用卷积滤波器对输入图像数据进行卷积的计算公式可以为:
本实施例采用ReLU激活函数,ReLU的使用,使得网络可以自行引入稀疏性,相当于无监督学习的预训练,简单来说,ReLU激活函数的使用缩小了无监督学习和有监督学习之间的代沟,大大缩短学习周期,提高训练速度。
所述激活函数表达式可以为:
f(x)=max(0,x) (2)
卷积操作是滤波器权值ω,ω∈RN和累加表达xi:i+N-1之间的乘法操作,xi:i+N-1指与滤波器连接的N个序列点的累加表达。对与输入长度为D的原始图像数据,经滤波器卷积操作后,得到的一张特征图表达为:
其中,特征维度为D-N+1,j代表第j个滤波器。
池化层完成池化步骤,对输入的卷积层获得的特征图进行局部平均和二次提取。可以采用最大值池化进行特征的二次提取。应用于池化层中,池化层对图像特征进行子抽样,可以减少数据处理量,对上一层的特征图输入进行局部平均和二次提取,为了降低特征图的分辨率,这个操作能够在减少数据量的同时最大程度的保留有用关键信息,消除偏移和图像扭曲,减少计算时间、降低网络输出对于位移和变形的敏感程度。二次提取包含最大值池化和平均值池化,最大值池化对图像纹理提取的效果更好,针对GIS放电波形稀疏性较高的特点本实施例选择最大值池化方式,第l层池化层的第j个特征图可以由下式得到:
网络的全连接层是整合前面传过来的分散特征,最后使用分类器进行识别分类,针对多分类问题,可以选择Softmax分类器,可以由逻辑回归从二分类推广至多分类得到,对于给定的输入x,我们需要计算它属于每一个类别j的概率值p(y=j丨x),所以在Softmax回归中,假设函数hθ(x)将会输出一个k维的向量来表示输入属于每一个类别的概率。
输出层输出的是一个实数向量,其节点数与所分类数量一致,本实施例中的输出节点数为配电网电路故障类型的数量,每个节点的输出值表示该样本属于对应类别的概率,最后输出层的结果则是每一类的识别概率,通过大小关系能够判断出识别结果,从而可以输出识别结果。
在步骤34中,使用训练集训练诊断卷积神经网络,将数据训练集输入到诊断卷积神经网络进行训练,修正诊断卷积神经网络的各类参数,具体步骤如下:
训练集的样本图像经数据处理后输入至卷积神经网络,经过中间各层变换、映射,直到输出层,得到实际输出向量,获得前向输出结果;
将前向输出结果与预输出结果比较,以卷积神经网络模型的整体样本误差代价E最小为目标,采用链式求导法则调整卷积神经网络的各类参数。
预输出结果即为训练集样本数据中包含的电路故障类型。
训练的过程第1阶段是前向传播阶段,主要用于特征信息的传递,训练集的样本图像直接输入网络,经过中间各层变换、映射,直到输出层,得到实际输出向量;第2阶段是误差反向传播阶段,在进行误差传递的同时使用优化算法校正误差信号,微调网络模型,对整个卷积网络模型的权值参数进行调优,使得误差代价最小。
第2阶段具体的权值参数调优,通过下面具体的示例进行说明:
假定要把样本分为C个类别,为第n个训练样本的理想类别标签向量所对应的第k维数值,为第n个样本经前向传播过程得到的输出向量的第k维数值,则卷积神经网络模型的整体样本误差代价E即为目标函数可以由下式求得:
为了使E最小化,使用训练集样本对卷积神经网络进行迭代,直到E或迭代次数达到目标值停止。
迭代训练过程中,使用反向传播算法更新卷积神经网络各层神经元的权值参数,由t次到t+1次,权值ω由下式计算:
ω(t+1)=ω(t)+ηδ(t)x(t) (7)
其中,η为学习速率,x(t)是神经元的输入,δ(t)是神经元的误差项。
在训练卷积神经网络参数的过程中,反向传播算法最为关键,其核心是链式求导法则,由下式可求:
由于前向输出结果和真实值之间有一定的误差,计算输出值和真实值之间的误差,将该误差向输入层反向传播,根据误差来自动调整参数向量的值,不断重复这个过程,直到收敛或者达到训练步数。
下面对反向传播算法做具体介绍:
设有m个训练样本的集合{(x(1),y(1)),(x(2),y(2))…(x(m),y(m))},卷积神经网络需要学习的参数为权值向量w和偏置项b,对于单独的一个训练样本(x,y),损失函数的定义如下:
其中y为真实结果,hw,b(x)为网络的预测输出,对于包含m个样本的训练数据,定义整体损失函数为:
我们需要通过优化参数W,b来最小化损失函数J(W,b),首先,我们需要初始化参数向量W,b,一般初始化为接近0的随机值,然后对目标函数使用比如梯度下降的优化方法来优化参数。通常来说,神经网络的损失函数J(W,b)是个非凸函数,往往会收敛于局部最小值,但在实际应用中,梯度下降法仍然能得到较好的结果。
在梯度下降算法中,我们可以按公式(8)对参数进行更新,公式可以如下:
其中α是学习率,α表明每次更新参数时调整的幅度大小,和是目标函数分别对于参数向量W,b的偏导数。计算的主要目标就是得到偏导数的值,由此可得到的参数更新值。然而网络包含多个隐层,有些隐层和输出层并不直接相连,所以需要用到链式求导法则。
实施例二
本实施例提供了一种配电网故障定位***,包括:
数据处理模块,被配置为获取配电网的电路运行信息并进行预处理;
融合机制确定模块,被配置为对于预处理后的各种电路运行信息按照预设判断条件进行判断,确定各种电路运行信息的融合机制;
多信息融合模块,被配置为根据确定的融合机制对预处理后的各种电路运行信息选择相应的融合机制进行多信息融合;
故障定位模块,被配置为将融合后的电路运行信息输入到训练好的诊断神经网络中,得出配电网的故障诊断结果,根据诊断结果匹配故障位置。
此处需要说明的是,上述数据处理模块、融合机制确定模块、多信息融合模块、故障定位模块对应于实施例一中的步骤S1至S4,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
实施例三
本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如上述实施例一所述的一种配电网故障定位方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的一种配电网故障定位方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,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)
1.一种配电网故障定位方法,其特征在于,包括:
获取配电网的电路运行信息并进行预处理;
对于预处理后的各种电路运行信息按照预设判断条件进行判断,确定各种电路运行信息的融合机制;
根据确定的融合机制对预处理后的各种电路运行信息选择相应的融合机制进行多信息融合;
将融合后的电路运行信息输入到训练好的诊断神经网络中,得出配电网的故障诊断结果,根据诊断结果匹配故障位置。
2.如权利要求1所述的一种配电网故障定位方法,其特征在于,所述训练诊断神经网路的过程为:
采集配电网中对应各种电路故障类型的电路运行信息并进行判断融合;
根据融合后的电路运行信息和对应的电路故障类型,构建数据训练集;
构建诊断卷积神经网络结构模型,针对待测对象配电网的电路故障类型设计相应的诊断卷积神经网络结构,计算诊断卷积神经网络初始化参数;
使用训练集训练诊断卷积神经网络,将数据训练集输入到诊断卷积神经网络进行训练,修正诊断卷积神经网络的各类参数。
3.如权利要求所述的一种配电网故障定位方法,其特征在于,根据诊断结果与配电网位置之间的关系确定配电网电路故障的位置。
4.如权利要求1所述的一种配电网故障定位方法,其特征在于,所述融合机制包括:数据级融合和特征级融合。
5.如权利要求4所述的一种配电网故障定位方法,其特征在于,所述数据级融合是对于各个电路检测传感器采集的电路运行数据进行综合分析。
6.如权利要求4所述的一种配电网故障定位方法,其特征在于,所述特征级融合的过程为:
获取各个电路检测传感器采集的电路运行数据;
对电路运行数据进行提取时序特征和空间特征;
对提取的时序特征和空间特征进行综合分析和处理。
7.如权利要求1所述的一种配电网故障定位方法,其特征在于,所述电路运行信息包括电路运行的电流和电压。
8.一种配电网故障定位***,其特征在于,包括:
数据处理模块,被配置为获取配电网的电路运行信息并进行预处理;
融合机制确定模块,被配置为对于预处理后的各种电路运行信息按照预设判断条件进行判断,确定各种电路运行信息的融合机制;
多信息融合模块,被配置为根据确定的融合机制对预处理后的各种电路运行信息选择相应的融合机制进行多信息融合;
故障定位模块,被配置为将融合后的电路运行信息输入到训练好的诊断神经网络中,得出配电网的故障诊断结果,根据诊断结果匹配故障位置。
9.一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1-7中任一项所述的一种配电网故障定位方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种配电网故障定位方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062551.7A CN113655341B (zh) | 2021-09-10 | 2021-09-10 | 一种配电网故障定位方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062551.7A CN113655341B (zh) | 2021-09-10 | 2021-09-10 | 一种配电网故障定位方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113655341A true CN113655341A (zh) | 2021-11-16 |
CN113655341B CN113655341B (zh) | 2024-01-23 |
Family
ID=78483649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111062551.7A Active CN113655341B (zh) | 2021-09-10 | 2021-09-10 | 一种配电网故障定位方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113655341B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116914921A (zh) * | 2023-06-16 | 2023-10-20 | 国网江苏省电力有限公司南京供电分公司 | 一种电网运行状态确定方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726688A (zh) * | 2009-09-17 | 2010-06-09 | 浙江大学 | 一种多数据源信息融合的电网故障诊断方法 |
CN104133143A (zh) * | 2014-07-31 | 2014-11-05 | 东北大学 | 一种基于Hadoop云计算平台的电网线路故障诊断***及方法 |
CN104931857A (zh) * | 2015-06-25 | 2015-09-23 | 山东大学 | 一种基于d-s证据理论的配电网故障定位方法 |
CN106199276A (zh) * | 2016-07-25 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种用电信息采集***中异常信息的智能诊断***及方法 |
CN107907799A (zh) * | 2017-11-10 | 2018-04-13 | 国网浙江省电力公司电力科学研究院 | 基于卷积神经网络的局部放电缺陷类型的识别方法及*** |
CN109932627A (zh) * | 2019-04-30 | 2019-06-25 | 国网山东省电力公司烟台供电公司 | 一种gis耐压试验局部放电的定位方法及*** |
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
CN111199257A (zh) * | 2020-01-10 | 2020-05-26 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 高铁行车设备故障诊断方法及装置 |
CN112285484A (zh) * | 2020-10-15 | 2021-01-29 | 国家电网公司华北分部 | 基于深度神经网络的电力***故障诊断信息融合方法及装置 |
WO2021097442A1 (en) * | 2019-11-14 | 2021-05-20 | Qualcomm Incorporated | Guided training of machine learning models with convolution layer feature data fusion |
CN113159345A (zh) * | 2021-05-08 | 2021-07-23 | 中国电力科学研究院有限公司 | 一种基于融合神经网络模型的电网故障辨识方法及*** |
-
2021
- 2021-09-10 CN CN202111062551.7A patent/CN113655341B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726688A (zh) * | 2009-09-17 | 2010-06-09 | 浙江大学 | 一种多数据源信息融合的电网故障诊断方法 |
CN104133143A (zh) * | 2014-07-31 | 2014-11-05 | 东北大学 | 一种基于Hadoop云计算平台的电网线路故障诊断***及方法 |
CN104931857A (zh) * | 2015-06-25 | 2015-09-23 | 山东大学 | 一种基于d-s证据理论的配电网故障定位方法 |
CN106199276A (zh) * | 2016-07-25 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种用电信息采集***中异常信息的智能诊断***及方法 |
CN107907799A (zh) * | 2017-11-10 | 2018-04-13 | 国网浙江省电力公司电力科学研究院 | 基于卷积神经网络的局部放电缺陷类型的识别方法及*** |
CN109932627A (zh) * | 2019-04-30 | 2019-06-25 | 国网山东省电力公司烟台供电公司 | 一种gis耐压试验局部放电的定位方法及*** |
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
WO2021097442A1 (en) * | 2019-11-14 | 2021-05-20 | Qualcomm Incorporated | Guided training of machine learning models with convolution layer feature data fusion |
CN111199257A (zh) * | 2020-01-10 | 2020-05-26 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 高铁行车设备故障诊断方法及装置 |
CN112285484A (zh) * | 2020-10-15 | 2021-01-29 | 国家电网公司华北分部 | 基于深度神经网络的电力***故障诊断信息融合方法及装置 |
CN113159345A (zh) * | 2021-05-08 | 2021-07-23 | 中国电力科学研究院有限公司 | 一种基于融合神经网络模型的电网故障辨识方法及*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116914921A (zh) * | 2023-06-16 | 2023-10-20 | 国网江苏省电力有限公司南京供电分公司 | 一种电网运行状态确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113655341B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oh et al. | Crowd counting with decomposed uncertainty | |
CN110188685B (zh) | 一种基于双注意力多尺度级联网络的目标计数方法及*** | |
CN108764292B (zh) | 基于弱监督信息的深度学习图像目标映射及定位方法 | |
US20230367809A1 (en) | Systems and Methods for Geolocation Prediction | |
CN110188765B (zh) | 图像语义分割模型生成方法、装置、设备及存储介质 | |
CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
WO2019111118A1 (en) | Robust gradient weight compression schemes for deep learning applications | |
CN111785014B (zh) | 一种基于dtw-rgcn的路网交通数据修复的方法 | |
Ioannidis et al. | A recurrent graph neural network for multi-relational data | |
CN112699958A (zh) | 一种基于剪枝和知识蒸馏的目标检测模型压缩与加速方法 | |
CN111292195A (zh) | 风险账户的识别方法及装置 | |
CN107423747A (zh) | 一种基于深度卷积网络的显著性目标检测方法 | |
JP2024513596A (ja) | 画像処理方法および装置、ならびにコンピュータ可読ストレージ媒体 | |
Zhong et al. | Where to Prune: Using LSTM to Guide End-to-end Pruning. | |
CN110032551B (zh) | 模型生成***、方法及预测*** | |
CN112446350B (zh) | 一种改进YOLOv3复杂棉田背景下棉花检测方法 | |
CN114092760A (zh) | 卷积神经网络中自适应特征融合方法及*** | |
Mu et al. | Triple-level model inferred collaborative network architecture for video deraining | |
CN114330541A (zh) | 道路交通事故风险预测深度学习算法 | |
CN110991247B (zh) | 一种基于深度学习与nca融合的电子元器件识别方法 | |
CN114358197A (zh) | 分类模型的训练方法及装置、电子设备、存储介质 | |
CN116310563A (zh) | 一种贵金属库存的管理方法及*** | |
CN113655341A (zh) | 一种配电网故障定位方法及*** | |
Li et al. | Online learning method based on support vector machine for metallographic image segmentation | |
CN114723784A (zh) | 一种基于域适应技术的行人运动轨迹预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |