CN114818817B - 一种电容式电压互感器微弱故障识别***及方法 - Google Patents

一种电容式电压互感器微弱故障识别***及方法 Download PDF

Info

Publication number
CN114818817B
CN114818817B CN202210489091.4A CN202210489091A CN114818817B CN 114818817 B CN114818817 B CN 114818817B CN 202210489091 A CN202210489091 A CN 202210489091A CN 114818817 B CN114818817 B CN 114818817B
Authority
CN
China
Prior art keywords
time
value
data
feature
scada
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
Application number
CN202210489091.4A
Other languages
English (en)
Other versions
CN114818817A (zh
Inventor
吴杰
李世龙
罗荣森
宋梁
李富祥
冷代军
常政威
甄威
肖启繁
韩睿
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.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power 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 Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202210489091.4A priority Critical patent/CN114818817B/zh
Publication of CN114818817A publication Critical patent/CN114818817A/zh
Application granted granted Critical
Publication of CN114818817B publication Critical patent/CN114818817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种电容式电压互感器微弱故障识别方法，该方法以CVT运行SCADA三相电压数据为分析对象，构建时域跳跃卷积将SCADA三相电压时空特征进行提取并转换为一维时空特征序列，采用特征增强机制对时空故障特征自适应增强，再通过Bi‑LSTM网络从正反两个方向充分对时域特征进行提取分析，获得隐层特征向量输入全连接层运算得到下个数据预测值；然后计算预测值与实际值之间的NMSE值，通过指数加权移动平均法设定自适应阈值，最后通过NMSE值与阈值的对比实现对CVT故障的判断。本发明方法能充分提取CVT运行SCADA数据的时空特征，捕捉到CVT运行电压数据的变化趋势，对微弱故障的识别能力强，有效的实现了CVT早期微弱故障的准确预测，具有较大的应用价值。

Description

一种电容式电压互感器微弱故障识别***及方法
技术领域
本发明涉及故障识别和机器学习领域，尤其涉及一种基于深度网络的电容式电压互感器微弱故障识别***及方法。
背景技术
电容式电压互感器(CVT)作为变电站的主要设备，其发生故障将影响变电站的工作性能。尽早发现电容式电压互感器故障并及时处理，能够有效减少停机时间，避免重大事故，降低运维成本。
传统的CVT故障检测方法仅针对变压器数据采集与监视控制***(SCADA)数据的时域特征进行分析，但CVT不同相线之间在空域存在一定的联系，而传统的CVT故障检测方法未能有效利用SCADA三相电压数据的空域信息，其识别精度有限，CVT早期故障不易被发现。
因此，利用深度学习技术对SCADA三相电压数据在时域与空间进行特征分析，充分挖掘CVT时空运行数据的内在关联信息，建立有效的基于CVT时空运行数据的故障检测与评价方法具有较大的应用价值。
发明内容
针对上述现有技术存在的缺陷，本发明提供一种电容式电压互感器微弱故障识别方法，以实现对CVT早期微弱故障的准确识别。
所述电容式电压互感器微弱故障识别方法，包括以下步骤：
步骤S1，构建时域跳跃卷积模板，输入SCADA三相电压数据，利用所述时域跳跃卷积模板提取所述SCADA三相电压数据的空间特征，同时将所述SCADA三相电压数据转化为一维时空特征序列；
步骤S2，对所述一维时空特征序列进行特征增强计算，得到特征增强图；
步骤S3，将所述特征增强图输入双向长短期记忆网络进行双向时域特征的提取，得到时域上的时空特征向量；
步骤S4，将步骤S3获得的时空特征向量输入全连接层，全连接层利用接收到的特征向量对下一个数据值进行预测，得到预测值；
步骤S5，计算所述预测值与实际值之间归一化均方误差NMSE值；
步骤S6，通过指数加权移动平均法设定自适应阈值；
步骤S7，通过对所述NMSE值与阈值进行比较，实现对CVT故障的判断。
作为本发明的一个实施例，在所述步骤S1中，构建时域跳跃卷积模板，输入SCADA三相电压数据，利用所述时域跳跃卷积模板提取所述SCADA三相电压数据的空间特征，同时将所述SCADA三相电压数据转化为一维时空特征序列具体包括：
步骤S101，在时域卷积模板中设置空洞，构建时域上跳跃的二维卷积模板，即时域跳跃卷积模板；
步骤S102，利用所述时域跳跃卷积模板提取SCADA三相电压数据的空间特征，并对时域特征约简，得到一维时空特征序列。
作为本发明的一个实施例，在所述步骤S1中，在输入SCADA***三相电压数据时，具体包括：
步骤S100，将所述SCADA***三相电压数据进行标准化处理；所述标准化处理公式为：
Figure BDA0003629403920000021
式(1)中，xij为SCADA三相电压数据，其中i(i＝1、2、3、…)表述序列的时间点，j(j＝1、2、3，分别表示A、B、C三相电压)；
Figure BDA0003629403920000022
为表示三相电压数据均值；D(xj)为数据方差；zij为标准化处理后数据矩阵中的数据。
作为本发明的一个实施例，在所述步骤S2中，对所述一维时空特征序列进行特征增强计算，得到特征增强图具体包括：
步骤S201，构建细节模板A、细节模板B和权值模板C；其中，
所述细节模板A为：
Figure BDA0003629403920000031
所述细节模板B为：
Figure BDA0003629403920000032
所述权值模板C为：
Figure BDA0003629403920000033
步骤S202，对于每个所述一维时空特征序列输入向量z，依次截取相邻的四个数据为一组，三组为一个单元矩阵，每个单元矩阵分别与所述细节模板A、细节模板B与权值模板C卷积，生成三个新的空间特征f(z)、g(z)和h(z)；
步骤S203，对f(z)和g(z)的转置执行矩阵乘法，并对结果的每一行执行softmax处理得到注意矩阵:
Figure BDA0003629403920000034
式(2)中，αji表示第i个特征对第j个特征的影响；
步骤S204，在h(z)和由αji组成的特征矩阵的转置之间进行矩阵乘法，并与所述一维时空特征序列输入向量z进行元素求和，得到特征增强图；计算式如下：
Figure BDA0003629403920000035
式(3)中，Aj为特征增强图矩阵，β为细节信息的权重系数，β初始值为0，随着学习的进行，β权重不断增加。
作为本发明的一个实施例，在所述步骤S3中，所述双向长短期记忆网络包括正向层和反向层，所述正向层为自左向右循环神经网络层，所述反向层为自右向左循环神经网络层；前后相邻的正向层和反向层对所述特征增强图进行充分的双向时域特征提取，得到时域上的时空特征向量。
作为本发明的一个实施例，在所述步骤S5中，计算所述预测值与实际值之间归一化均方误差NMSE值的计算公式为：
Figure BDA0003629403920000041
式(7)中，ri为跳跃卷积后的时空特征序列；
Figure BDA0003629403920000042
为所述步骤S4得到的预测值，n为选取的样本数。
作为本发明的一个实施例，在所述步骤S6中，通过指数加权移动平均法设定自适应阈值具体包括：
步骤S601，统计正常SCADA三相电压数据，统计量计算公式为：
St＝λRt+(1-λ)St-1 (8)
式(8)中，R归一化均方误差NMSE值，为St为R在t时刻的统计量，Rt为t时刻的归一化均方误差，λ为Rt统计量的权重，λ取范围为0～1；
步骤S602，计算时域上的统计量阈值LU，计算公式为：
Figure BDA0003629403920000043
式(9)中，α取值为1-λ，
Figure BDA0003629403920000044
为St在0～t时刻的均值,σs为St的方差，nS为St在t时刻的SCADA三相电压数据个数。
作为本发明的一个实施例，在所述步骤S7中，通过对所述NMSE值与阈值进行比较，实现对CVT故障的判断具体为：
在t时刻，当R超过LU时，即Rt＞LU(t)时，表示CVT发生微弱故障。
与现有技术相比，本发明的有益效果体现在：
本发明的电容式电压互感器微弱故障识别方法，以CVT运行SCADA***的时空运行数据为分析对象，构建时域跳跃卷积将SCADA***的三相电压时空特征进行提取并转换为一维时空特征序列，采用特征增强机制对时空故障特征自适应增强，以捕获CVT运行数据的细微故障特征信息，再通过双向LSTM网络从正、反两个时间方向充分对时域特征进行提取分析，并完成对CVT早期轻微故障的识别。
可见，相比于现有技术仅针对SCADA***数据的时域特征进行分析而未能有效利用SCADA数据的空域信息导致识别精度有限，本发明的电容式电压互感器微弱故障识别方法利用深度学习技术，对SCADA***的电压数据在时域与空间进行特征分析，充分挖掘CVT时空运行数据的内在关联信息，能捕捉到CVT运行电压数据的变化趋势，建立了基于CVT时空运行数据的故障检测与评价方法，可有效实现CVT早期微弱故障的预测。本方法有效解决了CVT早期轻微故障不易识别的问题，能避免由CVT引起的变电站事故的发生，具有较大的应用价值。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的电容式电压互感器微弱故障识别方法的流程示意图。
图2为本发明所述方法中构建的时域跳跃卷积模板示意图。
图3为本发明所述方法中CVT电压数据跳跃卷积过程示意图。
图4为本发明所述方法中特征增强模块原理框图。
图5为本发明所述方法中Bi-LSTM的运算结构示意图。
图6为本发明一个实施例中进行故障识别实验时所获得的Bi-LSTM网络对仿真CVT故障数据的故障识别结果图。
图7为本发明一个实施例中进行故障识别实验时所获得的CNN+Bi-LSTM网络对仿真CVT故障数据的故障识别结果图。
图8为本发明一个实施例中进行故障识别实验时所获得的本申请FC-EF+Bi-LSTM网络对仿真CVT故障数据的故障识别结果图。
图9为本发明一个实施例中进行故障识别实验时所获得的Bi-LSTM网络网络对仿真CVT故障数据的多种故障识别结果图。
图10为本发明一个实施例中进行故障识别实验时所获得的CNN+Bi-LSTM网络对仿真CVT故障数据的多种故障识别结果图。
图11为本发明一个实施例中进行故障识别实验时所获得的本申请FC-EF+Bi-LSTM网络对仿真CVT故障数据的多种故障识别结果图。
图12为本发明一个实施例中进行故障识别实验时所获得的Bi-LSTM网络对真实CVT故障数据的故障识别结果图。
图13为本发明一个实施例中进行故障识别实验时所获得的CNN+Bi-LSTM网络对真实CVT故障数据的故障识别结果图。
图14为本发明一个实施例中进行故障识别实验时所获得的本申请FC-EF+Bi-LSTM网络对真实CVT故障数据的故障识别结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例提供了一种电容式电压互感器微弱故障识别方法，用于实现对CVT早期微弱故障的准确识别。
参阅图1，为本发明电容式电压互感器微弱故障识别方法的流程示意图。该电容式电压互感器微弱故障识别方法包括以下步骤：
步骤S1，构建时域跳跃卷积模板，输入SCADA三相电压数据，利用时域跳跃卷积模板提取SCADA三相电压数据的空间特征，同时将所述三相电压数据转化为一维时空特征序列；
步骤S2，对所述一维时空特征序列进行特征增强计算，得到特征增强图；
步骤S3，将所述特征增强图输入双向长短期记忆网络进行双向时域特征的提取，得到时域上的时空特征向量；
步骤S4，将步骤S3获得的时空特征向量输入全连接层，全连接层利用接收到的时空特征向量对下一个数据值进行预测，得到预测值；
步骤S5，计算所述预测值与实际值之间归一化均方误差NMSE值；
步骤S6，通过指数加权移动平均法设定自适应阈值；
步骤S7，通过对所述NMSE值与阈值进行比较，实现对CVT故障的判断。
其中，SCADA三相电压数据是指电容式电压互感器(CVT)在采集与监视控制***(SCADA)采集到的三相电压数据。
该电容式电压互感器微弱故障识别方法采用“FC-EF+Bi-LSTM”深度学习技术，对SCADA***的电压数据在时域与空间进行特征分析，充分挖掘CVT时空运行数据的内在关联信息，能捕捉到CVT运行电压数据的变化趋势，建立基于CVT时空运行数据的故障检测与评价方法，可有效实现CVT早期微弱故障的预测。
具体的，本申请实施例以2019年8月6日至2020年4月1日川南地区部分变电站的CVT运行电压数据作为分析对象，实施CVT早期微弱故障的识别、结果分析及对比。实施过程如下：
对步骤S1分三步实施：
步骤S100：收集CVT运行电压数据作为分析对象，并对CVT故障电压数据进行标注。由于实际收集的CVT运行电压数据绝大部分是正常数据，用于深度网络训练的故障电压数据不足，因此，根据CVT模型与SCADA的特点，在已有SCADA数据的基础上仿真生产二次电压异常、下节电容单元漏油以及变阻器螺栓松动等各类故障电压数据，总体作为输入数据。
由于深度学习网络涉及大量的卷积运算与梯度下降优化算法，输入的大量CVT运行电压数据将会造成繁重的运算。为此，对输入的SCADA***三相电压数据进行标准化处理，以减少网络的运算量，提高计算效率；标准化处理公式为：
Figure BDA0003629403920000081
式(1)中，xij为SCADA三相电压数据，其中i(i＝1、2、3、…)表述序列的时间点，j(j＝1、2、3，分别表示A、B、C三相电压)；
Figure BDA0003629403920000082
为表示三相电压数据均值；D(xj)为数据方差；zij为标准化处理后数据矩阵中的数据。
步骤S101：CVT的SCADA三相电压数据具有时间与空间的特性，SCADA三相电压数据之间产生复杂联系，并相互影响；常规二维卷积网络能有效提取数据的时空域特征，但其在尺度固定，不能有效表述不同尺度的细节特征。通常，CVT在SCADA采集电压数据时通常在一小时内采样几个电压，而CVT正常采集的电压数据短时间不会发生较大变化。为此，本申请实施例采用跳跃卷积技术在卷积模板中设置空洞，构建时域上跳跃的二维卷积模板，即时域跳跃卷积模板，如图2所示；与标准卷积网络相比，能提高时空特征的表达能力，通过设置空洞的数量，在保留数据细节信息的同时还能增加感受野；同时，采用跳跃(时间域上进行跳跃)卷积还有利于提取不同时间尺度细节的时域特征，便于时间数据的化解。
步骤S102：利用时域跳跃卷积模板提取SCADA三相电压数据的空间特征，并对时域特征约简，得到一维时空特征序列，提取过程如图3所示。空洞卷积网络在不损失空域信息的前提下，实现将SCADA三相电压数据的空域信息的特征提取与时域特征的约简，得到一维时空特征序列，便于后续Bi-LSTM在时间域进行双向特征的提取。同时将三相电压数据转化为一维数据，使得在三相电压中的微弱变化在一维数据增强体现，从而提高对CVT故障特征描述的可靠性与稳定性。
步骤S2目的是对一维时空特征序列进行特征增强计算，得到特征增强图。
在SCADA数据中，采用跳跃卷积网络在实现空域特征提取与时域信息约简过程中，受跳跃距离的影响无法保持时域特征的连续性，遗漏部分时域细节特征。因此，步骤S2通过设计特征增强模块(如图4所示)，将包含空间特征的一维时域信号进行特征增强计算，并得到特征增强图。通过特征增强计算，突出一维时域信号变量的内部细微结构，以实现对微弱故障的关注。
步骤S2的具体实施方案分四步进行：
步骤S201，构建细节模板A、细节模板B和权值模板C；其中，
细节模板A为：
Figure BDA0003629403920000091
细节模板B为：
Figure BDA0003629403920000092
权值模板C为：
Figure BDA0003629403920000093
步骤S202，对于每个一维时空特征序列输入向量z，依次截取相邻的四个数据为一组，三组为一个单元矩阵，每个单元矩阵分别与细节模板A、细节模板B与权值模板C卷积，生成三个新的空间特征f(z)、g(z)和h(z)；
步骤S203，对f(z)和g(z)的转置执行矩阵乘法，并对结果的每一行执行softmax处理得到注意矩阵：
Figure BDA0003629403920000101
式(2)中，αji表示第i个特征对第j个特征的影响；
步骤S204，在h(z)和由αji组成的特征矩阵的转置之间进行矩阵乘法，并与一维时空特征序列输入向量z进行元素求和，得到特征增强图；计算式如下：
Figure BDA0003629403920000102
式(3)中，Aj为特征增强图矩阵，β为细节信息的权重系数，β初始值为0，随着学习的进行，β权重不断增加。
在跳跃卷积的基础上，通过实施上述步骤S201-S204，避免了跳跃卷积对时空特征不利的影响，采用FE(Feature Enhancement，即特征增强模块，如图4所示)对一维时空特征信号通过特征增强模块实现对时空特征进一步增强，实现CVT信号故障特征表达的准确性。尤其在步骤S204中，最后将求得的空间位置特征和原始特征的加权求和，可以一步捕获全局特征，选择性地对关键变量信息进行提取，解决长距离依赖问题。
步骤S3：将特征增强图送入到Bi-LSTM中的存储单元，进行故障检测的学习与预测。Bi-LSTM通过构建两个LSTM实现从正、反两个方向提取特征信息,充分学习数据的时域特征，其运算结构如图5所示。从图5中可以看出，输出时域上的时空特征向量(即隐层特征向量yt)综合的考虑了t-1和t+1时刻的信息。
Bi-LSTM能够有挖掘SCADA数据时空的特征、感知数值的变化。结合某一时刻前后的空间特征信息，对ACNN学习到的空间特征进行时序编码，得到时序上的时空特征向量，并将特征向量送入输出层。
其中，该双向长短期记忆网络包括正向层和反向层，正向层为自左向右循环神经网络层，反向层为自右向左循环神经网络层；当双向长短期记忆网络在对特征增强图进行双向时域特征提取时，其正向层的更新公式为：
Figure BDA0003629403920000111
其反向层的更新公式为：
Figure BDA0003629403920000112
前后相邻的正向层和反向层对特征增强图进行充分的双向时域特征提取，得到时域上的特征向量，并将特征向量送入双向长短期记忆网络输出层；其中，前后相邻的正向层和反向层叠加后输出公式为：
Figure BDA0003629403920000113
在式(4)、式(5)、式(6)中，t为某一时刻；ht为t时刻的隐层向量，其上标箭头表示方向；xt为时刻t时的输入数据；yt为时刻t时的输出数据；Wxh为输入层到隐藏层间的权重矩阵；Whh为隐藏层到隐藏层间的权重矩阵；Why为隐藏层到输出层间的权重矩阵；bh为隐藏层偏置向量；by为输出层偏置向量；H为隐层激活函数。
步骤S4：将步骤S3获得的隐层特征向量yt输入全连接层，全连接层将隐层特征向量yt映射到时空特性序列样本空间，从而实现对下一个时空特性序列数据值进行预测，得到预测值
Figure BDA0003629403920000114
步骤S5：计算所述预测值
Figure BDA0003629403920000115
与实际值ri之间归一化均方误差NMSE值；为了更准确的反应残差的变化，序列间隔以小时为单位，/>
Figure BDA0003629403920000116
与ri分别表示第i小时的预测时空特征值与跳跃卷积后的时空特征值，计算残差的归一化均方误差NMSE值，计算公式为：
Figure BDA0003629403920000121
式(7)中，ri为跳跃卷积后的时空特征序列；
Figure BDA0003629403920000122
为所述步骤S4得到的预测值，n为选取的样本数。
步骤S6，通过指数加权移动平均法设定自适应阈值；合适的阈值将决定故障识别的性能，考虑到SCADA三相电压数据(即CVT运行电压数据)的连续性，阈值的选择在时间域上自适应调整，以适用于NMSE的变化趋势。故障识别阈值通过正常SCADA三相电压数据统计分析获取，因此，自适应阈值的计算分两步进行：
步骤S601，统计正常SCADA三相电压数据，统计量计算公式为：
St＝λRt+(1-λ)St-1 (8)
式(8)中，R归一化均方误差NMSE值，St为R在t时刻的统计量，Rt为t时刻的归一化均方根误差，λ为Rt统计量的权重，λ取范围为0～1；
步骤S602，计算时域上的统计量阈值LU，计算公式为：
Figure BDA0003629403920000123
式(9)中，α取值为1-λ，
Figure BDA0003629403920000124
为St在0～t时刻的均值,σs为St的方差，nS为St在t时刻的SCADA三相电压数据个数。
步骤S7，通过对式(7)计算得到的NMSE值与式(9)计算得到的阈值进行比较，实现对CVT故障的判断：在t时刻，当R超过LU时，即Rt＞LU(t)时，表示CVT发生微弱故障。
本申请实施例还对本申请提供的电容式电压互感器微弱故障识别方法进行了验证，验证方式为故障识别实验。故障识别实验从仿真CVT故障数据与真实CVT故障数据(真实CVT故障数据来源于SCADA三相电压数据，及真实CVT运行电压数据)两个方面进行不同算法对比分析。根据Bi-LSTM网络的特点，所有的实验数据前半为健康数据，后半部分为不同强度的故障数据，计算预测值残差的NMSE值，并与阈值进行对比实现故障检测。
①仿真数据故障识别分析
为验证提出方法对CVT微弱故障检测的有效性，仿真生成的微弱故障的CVT故障数据分别采用Bi-LSTM、CNN+Bi-LSTM、与申请的FC-EF+Bi-LSTM进行对比实验分析。图6～图8给出CVT电压运行数据前100天未发生故障，100天后发生轻微故障，故障并不断加重，在200天后进行检修并恢复正常的三种网络的识别结果。对比图6、图7、图8可以看出，三种方法都实现了CVT故障的检测，但本申请的FC-EF+Bi-LSTM在第106天实现了对故障的首次识别，而CNN+Bi-LSTM与Bi-LSTM实现故障的首次识别时间分别为第135天宇148天。
在图9～图11中，给出了在第100天、150天、200天与250天4个时间段产生不同强度的微弱故障，分别采用三种算法进行识别的结果。从图9中可以看出，Bi-LSTM仅能识别第250天时间段的故障，从图10中可以看出，CNN+Bi-LSTM在4个微弱故障中，仅能识别其中2个故障，从图11中可以看出，本申请的FC-EF+Bi-LSTM方法能实现4个微弱故障的识别。
另外，本实施例仿真产生200余种CVT运行电压微弱故障数据，电压微弱故障分别包括CVT高压电容、分压电容的电容值损坏、一次电压谐波含量高、二次回路接触不良以及铁磁谐振损伤等轻微故障，采用精确率AP(Average Precision)与平均精确率均值mAP(Mean Average Precision)作为网络性能评判指标，得到的评价指标如表1所示。从表中数据可知，本申请的FC-EF+Bi-LSTM对CVT的各类微弱故障的精确率明显高于其它两种算法，平均精确率均值mAP达到了93.6％，而Bi-LSTM识别精度最低。
表1各种模型故障识别准确率对比实验
Figure BDA0003629403920000141
以上分析证明本申请提出的FC-EF+Bi-LSTM中的跳跃卷积模块可以有效提取CVT不同相线数据的时空特征，采用特征增强消除时空特征之间的距离依赖关系，进一步实现捕获空间变量的内部细微结构变化，从而实现对特征权重自适应调整，获得更加准确的时空特征描述，进而采用Bi-LSTM以获得更加准确的故障识别结果。
②运行故障数据识别分析
川南XX站500kV变电站XX一线在2019年8月6日检修时，发现A、B、C三相运行电压都高于数据电压。在2019年8月6日以前CVT运行数据采用本申请提出的FC-EF+Bi-LSTM方法进行故障识别，比较得出本申请提出的FC-EF+Bi-LSTM方法发现故障的最早时间。得到的故障识别结果如图12～图14所示，图中横坐标是2019年8月6日以前的天数。从图12中可以看出，Bi-LSTM网络最早发现轻微故障的时间是39天，从图13中可以看出，CNN+Bi-LSTM网络最早发现轻微故障的时间是92天，从图13中可以看出，本申请的FC-EF+Bi-LSTM网络最早发现轻微故障的时间是120天，本申请提出的FC-EF+Bi-LSTM网络分别早于Bi-LSTM与CNN+Bi-LSTM网络81天、29天发现问题。
上述实验通过对模拟仿真CVT故障电压数据与真实CVT运行电压数据进行故障识别，对比实验数据证明，本申请提供的FC-EF+Bi-LSTM网络能充分提取CVT运行SCADA数据的时空特征，能捕捉到CVT运行电压数据的变化趋势，对微弱故障的识别能力强，能及时从CVT运行电压数据中识别出CVT的早期微弱故障，及时进行预警，避免由CVT引起的变电站事故的发生，具有较大的应用价值。

Claims (7)

1.一种电容式电压互感器微弱故障识别方法，其特征在于，其包括如下步骤：
步骤S1，构建时域跳跃卷积模板，输入SCADA三相电压数据，利用所述时域跳跃卷积模板提取所述SCADA三相电压数据的空间特征，同时将所述SCADA三相电压数据转化为一维时空特征序列；
步骤S101，在时域卷积模板中设置空洞，构建时域上跳跃的二维卷积模板，即时域跳跃卷积模板；
步骤S102，利用所述时域跳跃卷积模板提取SCADA三相电压数据的空间特征，并对时域特征约简，得到一维时空特征序列；
步骤S2，对所述一维时空特征序列进行特征增强计算，得到特征增强图；
步骤S3，将所述特征增强图输入双向长短期记忆网络进行双向时域特征的提取，得到时域上的时空特征向量；
步骤S4，将步骤S3获得的时空特征向量输入全连接层，全连接层利用接收到的特征向量对下一个数据值进行预测，得到预测值；
步骤S5，计算所述预测值与实际值之间归一化均方误差NMSE值；
步骤S6，通过指数加权移动平均法设定自适应阈值；
步骤S7，通过对所述NMSE值与阈值进行比较，实现对CVT故障的判断。
2.根据权利要求1所述的电容式电压互感器微弱故障识别方法，其特征在于，在所述步骤S2中，对所述一维时空特征序列进行特征增强计算，得到特征增强图具体包括：
步骤S201，构建细节模板A、细节模板B和权值模板C；其中，所述细节模板A为：
Figure FDA0004182158250000011
所述细节模板B为：
Figure FDA0004182158250000021
所述权值模板C为：
Figure FDA0004182158250000022
步骤S202，对于每个所述一维时空特征序列输入向量z，依次截取相邻的四个数据为一组，三组为一个单元矩阵，每个单元矩阵分别与所述细节模板A、细节模板B与权值模板C卷积，生成三个新的空间特征f(z)、g(z)和h(z)；
步骤S203，对f(z)和g(z)的转置执行矩阵乘法，并对结果的每一行执行softmax处理得到注意矩阵：
Figure FDA0004182158250000023
式(2)中，αji表示第i个特征对第j个特征的影响；
步骤S204，在h(z)和由αji组成的特征矩阵的转置之间进行矩阵乘法，并与所述一维时空特征序列输入向量z进行元素求和，得到特征增强图；计算式如下：
Figure FDA0004182158250000024
式(3)中，Aj为特征增强图矩阵，β为细节信息的权重系数，β初始值为0，随着学习的进行，β权重不断增加。
3.根据权利要求1所述的电容式电压互感器微弱故障识别方法，其特征在于，在所述步骤S3中，所述双向长短期记忆网络包括正向层和反向层，所述正向层为自左向右循环神经网络层，所述反向层为自右向左循环神经网络层；前后相邻的正向层和反向层对所述特征增强图进行充分的双向时域特征提取，得到时域上的时空特征向量。
4.根据权利要求1所述的电容式电压互感器微弱故障识别方法，其特征在于，在所述步骤S5中，计算所述预测值与实际值之间归一化均方误差NMSE值的计算公式为：
Figure FDA0004182158250000031
式(7)中，ri为跳跃卷积后的时空特征序列；
Figure FDA0004182158250000032
为所述步骤S4得到的预测值，n为选取的样本数。
5.根据权利要求1所述的电容式电压互感器微弱故障识别方法，其特征在于，在所述步骤S6中，通过指数加权移动平均法设定自适应阈值具体包括：
步骤S601，统计正常SCADA三相电压数据，统计量计算公式为：
St＝λRt+(1-λ)St-1 (8)
式(8)中，R归一化均方误差NMSE值，为St为R在t时刻的统计量，Rt为t时刻的归一化均方误差，λ为Rt统计量的权重，λ取范围为0～1；
步骤S602，计算时域上的统计量阈值LU，计算公式为：
Figure FDA0004182158250000033
式(9)中，α取值为1-λ，
Figure FDA0004182158250000034
为St在0～t时刻的均值,σs为St的方差，nS为St在t时刻的SCADA三相电压数据个数。
6.根据权利要求5所述的电容式电压互感器微弱故障识别方法，其特征在于，在所述步骤S7中，通过对所述NMSE值与阈值进行比较，实现对CVT故障的判断具体为：
在t时刻，当R超过LU时，即Rt＞LU(t)时，表示CVT发生微弱故障。
7.根据权利要求1所述的电容式电压互感器微弱故障识别方法，其特征在于，在所述步骤S1中，在输入SCADA三相电压数据时，具体包括：
步骤S100，将所述SCADA三相电压数据进行标准化处理；所述标准化处理公式为：
Figure FDA0004182158250000041
式(1)中，xij为SCADA三相电压数据；
Figure FDA0004182158250000042
为表示三相电压数据均值；D(xj)为数据方差；zij为标准化处理后数据矩阵中的数据；其中，i＝1、2、3、…，表述序列的时间点；j＝1、2、3，分别表示A、B、C三相电压。/>
CN202210489091.4A 2022-05-06 2022-05-06 一种电容式电压互感器微弱故障识别***及方法 Active CN114818817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210489091.4A CN114818817B (zh) 2022-05-06 2022-05-06 一种电容式电压互感器微弱故障识别***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210489091.4A CN114818817B (zh) 2022-05-06 2022-05-06 一种电容式电压互感器微弱故障识别***及方法

Publications (2)

Publication Number Publication Date
CN114818817A CN114818817A (zh) 2022-07-29
CN114818817B true CN114818817B (zh) 2023-05-19

Family

ID=82510797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210489091.4A Active CN114818817B (zh) 2022-05-06 2022-05-06 一种电容式电压互感器微弱故障识别***及方法

Country Status (1)

Country Link
CN (1) CN114818817B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115980647B (zh) * 2022-11-02 2023-08-11 国网安徽省电力有限公司营销服务中心 一种基于群体信息的cvt异常状态识别方法及装置
CN117332215B (zh) * 2023-12-01 2024-03-15 深圳市大易电气实业有限公司 一种高低压配电柜异常故障信息远程监测***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010009235A1 (de) * 2010-02-25 2011-08-25 Feng, Yongxin, 89079 Einrichtung zur Messung von Spannung hoher Frequenzen
CN113567904A (zh) * 2021-07-02 2021-10-29 中国电力科学研究院有限公司 一种适用于电容式互感器的计量误差的方法及***
CN113777552A (zh) * 2021-11-09 2021-12-10 武汉格蓝若智能技术有限公司 一种电容式电压互感器计量误差的预测方法及***
CN113899968A (zh) * 2021-09-23 2022-01-07 成都高斯电子技术有限公司 一种电压互感器监测方法
CN114062993A (zh) * 2021-10-20 2022-02-18 国网上海市电力公司 一种基于时间卷积网络的cvt误差状态预测方法
CN114118232A (zh) * 2021-11-08 2022-03-01 北京智芯微电子科技有限公司 一种基于时空卷积神经网络的智能电表故障预测方法
CN114358092A (zh) * 2022-03-10 2022-04-15 武汉格蓝若智能技术有限公司 一种电容式电压互感器内绝缘性能在线诊断方法及***

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MX2008008749A (es) * 2008-07-04 2010-03-01 Sensa Control Digital S A De C V Dispositivo de adquisicion, control y medicion.
US9143629B2 (en) * 2012-12-20 2015-09-22 Xerox Corporation Systems and methods for streak detection in image array scanning
CN106990380B (zh) * 2017-05-31 2020-01-31 国网河南省电力公司平顶山供电公司 现场电容式电压互感器故障检测方法
CN108710099B (zh) * 2018-05-24 2021-08-31 广东电网有限责任公司广州供电局 电容式电压互感器监测告警方法和***
CN109239638A (zh) * 2018-08-17 2019-01-18 国网江苏省电力有限公司盐城供电分公司 电容式电压互感器谐波误差测量修正装置
CN109581270B (zh) * 2019-01-14 2021-01-12 四川大学 基于小波多尺度变换快速辨识cvt故障的方法
CN110361686B (zh) * 2019-08-28 2021-05-18 华北电力大学（保定） 基于多参数的电容式电压互感器故障检测方法
US11480601B2 (en) * 2019-09-26 2022-10-25 General Electric Technology Gmbh Systems and methods to improve distance protection in transmission lines
CN112131798A (zh) * 2020-09-29 2020-12-25 西安热工研究院有限公司 基于bp神经网络的cvt一次侧电压信号恢复方法
CN112904108B (zh) * 2021-01-15 2023-03-31 云南电网有限责任公司电力科学研究院 一种电容式电压互感器电磁单元故障诊断方法
CN112910695B (zh) * 2021-01-22 2022-07-19 湖北工业大学 基于全局注意力时域卷积网络的网络故障预测方法
CN112947672B (zh) * 2021-02-08 2022-09-02 南京邮电大学 一种光伏电池最大功率点跟踪方法及装置
CN114118586A (zh) * 2021-11-29 2022-03-01 江苏科技大学 基于CNN-Bi LSTM的电机故障预测方法及***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010009235A1 (de) * 2010-02-25 2011-08-25 Feng, Yongxin, 89079 Einrichtung zur Messung von Spannung hoher Frequenzen
CN113567904A (zh) * 2021-07-02 2021-10-29 中国电力科学研究院有限公司 一种适用于电容式互感器的计量误差的方法及***
CN113899968A (zh) * 2021-09-23 2022-01-07 成都高斯电子技术有限公司 一种电压互感器监测方法
CN114062993A (zh) * 2021-10-20 2022-02-18 国网上海市电力公司 一种基于时间卷积网络的cvt误差状态预测方法
CN114118232A (zh) * 2021-11-08 2022-03-01 北京智芯微电子科技有限公司 一种基于时空卷积神经网络的智能电表故障预测方法
CN113777552A (zh) * 2021-11-09 2021-12-10 武汉格蓝若智能技术有限公司 一种电容式电压互感器计量误差的预测方法及***
CN114358092A (zh) * 2022-03-10 2022-04-15 武汉格蓝若智能技术有限公司 一种电容式电压互感器内绝缘性能在线诊断方法及***

Also Published As

Publication number Publication date
CN114818817A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
CN114818817B (zh) 一种电容式电压互感器微弱故障识别***及方法
CN112149316B (zh) 基于改进的cnn模型的航空发动机剩余寿命预测方法
CN112200244B (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN111830408A (zh) 一种基于边缘计算和深度学习的电机故障诊断***及方法
CN111273623B (zh) 基于Stacked LSTM的故障诊断方法
CN111339712A (zh) 质子交换膜燃料电池剩余寿命预测方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN108415885A (zh) 基于近邻回归的实时公交客流预测方法
Shajihan et al. CNN based data anomaly detection using multi-channel imagery for structural health monitoring
CN110794254B (zh) 一种基于强化学习的配电网故障预测方法及***
CN105023044A (zh) 基于大量时间序列的交通流因果关系挖掘方法
CN110263944A (zh) 一种多变量故障预测方法和装置
CN115204272A (zh) 基于多采样率数据的工业***故障诊断方法与设备
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN116819423A (zh) 关口电能计量装置运行状态异常检测方法及***
CN110161387A (zh) 一种基于改进梯度提升树的电力设备局放量预测方法
CN113743592A (zh) 一种基于gan的遥测数据异常检测方法
CN113469013A (zh) 一种基于迁移学习和时间序列的电机故障预测方法及***
CN115791174B (zh) 一种滚动轴承异常诊断方法、***、电子设备及存储介质
CN117454100A (zh) 一种面向工程结构的缺失数据重构方法
CN116881821A (zh) 基于图神经网络的水轮机组监测数据异常检测方法及***
CN117154680A (zh) 一种基于非平稳Transformer模型的风电功率预测方法
CN116451163A (zh) 基于深度残差网络的光纤电流互感器故障诊断方法

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