CN115659258B - 一种基于多尺度图卷积孪生网络的配电网故障检测方法 - Google Patents
一种基于多尺度图卷积孪生网络的配电网故障检测方法 Download PDFInfo
- Publication number
- CN115659258B CN115659258B CN202211402783.7A CN202211402783A CN115659258B CN 115659258 B CN115659258 B CN 115659258B CN 202211402783 A CN202211402783 A CN 202211402783A CN 115659258 B CN115659258 B CN 115659258B
- Authority
- CN
- China
- Prior art keywords
- model
- network
- training
- classification
- data
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 239000013074 reference sample Substances 0.000 claims abstract description 16
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 3
- 239000000523 sample Substances 0.000 claims description 33
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多尺度图卷积孪生网络的配电网故障检测方法,通过构建配电数据集,构建故障检测分类模型,所述故障检测分类模型分为第一次模型预训练和第二次模型训练;每个训练模型分成特征提取和分类两步;所述特征提取采用多尺度的图卷积神经网络,所述分类采用Softmax分类模型;故障分类,将图卷积孪生网络基准样本特征测试集输入到已经训练好的网络模型中,经分类器获得故障结果,得到配电网故障定位数据。可实现配电网故障的准确、快速检测,在最小影响范围下隔离故障,提高配电网电力供应可靠性与用户满意度。
Description
技术领域
本发明涉及一种基于多尺度图卷积孪生网络的配电网故障检测方法,属于配电故障检测技术领域。
背景技术
随着人们日常生产和生活中对电能的需求不断增长,配电网网络的密度以及复杂性也在增加,配电网出现线路故障则会影响配电网***的正常供电,从而影响人民生产和生活的正常进行,造成巨大的经济损失。如何快速定位配电网中故障位置以及配电网故障之后如何根据配电网***状态去动态地调整配电网的网络拓扑,这对于配电网的安全可靠性来说具有重要的意义。基于人工智能的电网故障诊断技术已经有了大量的研究成果,但配电网拓扑变化频繁,而传统人工智能方法高度依赖训练数据,给配电网的故障定位问题带来了困难。针对配电网故障样本数量相对较少容易受到限制。
发明内容
本发明目的是提供了一种基于多尺度图卷积孪生网络的配电网故障检测方法,可实现配电网故障的准确、快速检测,在最小影响范围下隔离故障,提高配电网电力供应可靠性与用户满意度。
本发明为实现上述目的,通过以下技术方案实现:
步骤1:构建配电数据集,选取相同的时间间隔,分别从实时运行供电数据中获取各时间节点下正常运行数据和故障数据,组成实时样本数据,从历史供电数据中获取各时间节点下正常运行数据和故障数据,组成历史样本数据;
两种样本数据进行预处理操作,转化为邻接矩阵数据集,并分别划分为训练集和测试集,将实时样本数据和历史样本数据打乱并随机进行拼接,获得图卷积孪生网络基准样本集;
步骤2:构建故障检测分类模型,所述故障检测分类模型分为第一次模型预训练和第二次模型训练;每个训练模型分成特征提取和分类两步;所述特征提取采用多尺度的图卷积神经网络,所述分类采用Softmax分类模型。
步骤3:故障分类,将图卷积孪生网络基准样本特征测试集输入到已经训练好的网络模型中,经分类器获得故障结果,得到配电网故障定位数据。
优选的,所述第一次模型预训练具体步骤如下:
使用多尺度的图卷积神经网络将实时样本数据进行特征提取,得到实时样本特征测试集和训练集;
初始化网络参数将得到的实时样本特征训练集输入Softmax分类模型中进行训练,通过CE分类损失函数优化模型的性能,优化结束后,保存网络参数;所述CE分类损失函数具体公式如下:
其中,是第/>个样本的实际类别;/>是预测样本类别为实际类别的概率,/>为样本总数;
优选的,所述第二次模型训练具体步骤如下:
使用多尺度的图卷积神经网络将图卷积孪生网络基准样本集进行特征提取,得到图卷积孪生网络基准样本特征测试集和训练集;
将第一次模型预训练得到的模型作为第二次模型训练的子网络部分,搭建多尺度图卷积孪生神经网络模型,从图卷积孪生网络基准样本对特征中随机抽取作为输入样本,训练得到第二次模型。
优选的,通过联合损失函数和反向传播算法反复迭代更新模型参数;所述联合损失函数公式如下:
式中:、/>为联合损失函数的权重系数,取值范围为0~1。
本发明的优点在于:本发明可以提高配电网故障检测模型提取特征的能力和拓扑泛化能力,可实现配电网故障的准确、快速检测,在最小影响范围下隔离故障,提高配电网电力供应可靠性与用户满意度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明流程结构示意图。
图2为本发明多尺度特征提取结构示意图。
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做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。
步骤1:构建配电数据集,选取相同的时间间隔,分别从实时运行供电数据中获取各时间节点下正常运行数据和故障数据,组成实时样本数据,从历史供电数据中获取各时间节点下正常运行数据和故障数据,组成历史样本数据;
两种样本数据进行预处理操作,转化为邻接矩阵数据集,并分别划分为训练集和测试集,将实时样本数据和历史样本数据打乱并随机进行拼接,获得图卷积孪生网络基准样本集;使模型学习样本间的相似度并利用其加以分类,通过将实际数据与多组正常情况下的数据做相似度对比,实现准确检测故障的目标。
步骤2:构建故障检测分类模型,所述故障检测分类模型分为第一次模型预训练和第二次模型训练;每个训练模型分成特征提取和分类两步;所述特征提取采用多尺度的图卷积神经网络,所述分类采用Softmax分类模型。
具体的,多尺度图卷积神经网络的特征提取:采用大小不同的卷积核进行多尺度的特征提取。通过将原始数据经由一层全连接层映射之后的数据、原始样本、与经过多尺度图卷积神经网络之后的数据拼接在一起作为特征向量,由几种不同的卷积核所构成的多尺度图卷积神经网络模型。
步骤3:故障分类,将图卷积孪生网络基准样本特征测试集输入到已经训练好的网络模型中,经分类器获得故障结果,得到配电网故障定位数据。
实施例1
步骤2中第一次模型预训练具体步骤如下:
使用多尺度的图卷积神经网络将实时样本数据进行特征提取,得到实时样本特征测试集和训练集;
初始化网络参数将得到的实时样本特征训练集输入Softmax分类模型中进行训练,通过CE分类损失函数优化模型的性能,优化结束后,保存网络参数;所述CE分类损失函数具体公式如下:
其中,是第/>个样本的实际类别;/>是预测样本类别为实际类别的概率,/>为样本总数;
实施例2
步骤2中第二次模型训练具体步骤如下:
使用多尺度的图卷积神经网络将图卷积孪生网络基准样本集进行特征提取,得到图卷积孪生网络基准样本特征测试集和训练集;
将第一次模型预训练得到的模型作为第二次模型训练的子网络部分,搭建多尺度图卷积孪生神经网络模型,从图卷积孪生网络基准样本对特征中随机抽取作为输入样本,训练得到第二次模型。
具体的,通过联合损失函数和反向传播算法反复迭代更新模型参数;所述联合损失函数公式如下:
式中:、/>为联合损失函数的权重系数,取值范围为0~1。
针对单一损失函数难以同时满足模型的特征度量性能和故障定位性能,本发明的网络模型则采用了基于对比损失和分类损失的联合损失函数作为目标函数,根据孪生网络的特点,各子网之间保持权值共享,分别从样本数据集中接收一对不同的样本作为模型的输入,通过特征提取操作将样本对中故障信息映射到特征空间,后面利用对比损失函数计算故障特征对之间的相似度。另外,每个子网又连接到一个独立的分类器得到一个输出类别,通过分类损失函数衡量模型的分类效果。
最后应说明的是: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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (2)
1.一种基于多尺度图卷积孪生网络的配电网故障检测方法,其特征在于,包括以下步骤:
步骤1:构建配电数据集,选取相同的时间间隔,分别从实时运行供电数据中获取各时间节点下正常运行数据和故障数据,组成实时样本数据,从历史供电数据中获取各时间节点下正常运行数据和故障数据,组成历史样本数据;
两种样本数据进行预处理操作,转化为邻接矩阵数据集,并分别划分为训练集和测试集,将实时样本数据和历史样本数据打乱并随机进行拼接,获得图卷积孪生网络基准样本集;
步骤2:构建故障检测分类模型,所述故障检测分类模型分为第一次模型预训练和第二次模型训练;每个训练模型分成特征提取和分类两步;所述特征提取采用多尺度的图卷积神经网络,所述分类采用Softmax分类模型;
所述第一次模型预训练具体步骤如下:
使用多尺度的图卷积神经网络将实时样本数据进行特征提取,得到实时样本特征测试集和训练集;
初始化网络参数将得到的实时样本特征训练集输入Softmax分类模型中进行训练,通过CE分类损失函数优化模型的性能,优化结束后,保存网络参数;所述CE分类损失函数具体公式如下:
其中,是第/>个样本的实际类别;/>是预测样本类别为实际类别的概率,/>为样本总数;
所述第二次模型训练具体步骤如下:
使用多尺度的图卷积神经网络将图卷积孪生网络基准样本集进行特征提取,得到图卷积孪生网络基准样本特征测试集和训练集;
将第一次模型预训练得到的模型作为第二次模型训练的子网络部分,搭建多尺度图卷积孪生神经网络模型,从图卷积孪生网络基准样本对特征中随机抽取作为输入样本,训练得到第二次模型;
步骤3:故障分类,将图卷积孪生网络基准样本特征测试集输入到已经训练好的网络模型中,经分类器获得故障结果,得到配电网故障定位数据。
2.根据权利要求1所述的基于多尺度图卷积孪生网络的配电网故障检测方法,其特征在于,通过联合损失函数和反向传播算法反复迭代更新模型参数;所述联合损失函数公式如下:
式中:、/>为联合损失函数的权重系数,取值范围为0~1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402783.7A CN115659258B (zh) | 2022-11-10 | 2022-11-10 | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402783.7A CN115659258B (zh) | 2022-11-10 | 2022-11-10 | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659258A CN115659258A (zh) | 2023-01-31 |
CN115659258B true CN115659258B (zh) | 2024-04-30 |
Family
ID=85015898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211402783.7A Active CN115659258B (zh) | 2022-11-10 | 2022-11-10 | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659258B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704266B (zh) * | 2023-07-28 | 2023-10-31 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
CN112308850A (zh) * | 2020-11-09 | 2021-02-02 | 国网山东省电力公司威海供电公司 | 一种多尺度特征融合的输电线路检测方法与*** |
CN113191215A (zh) * | 2021-04-12 | 2021-07-30 | 西安理工大学 | 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法 |
CN113436184A (zh) * | 2021-07-15 | 2021-09-24 | 南瑞集团有限公司 | 基于改进孪生网络的电力设备图像缺陷判别方法及*** |
WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
CN114091553A (zh) * | 2020-08-06 | 2022-02-25 | 长沙理工大学 | 一种滚动轴承故障的诊断方法 |
CN114897103A (zh) * | 2022-06-13 | 2022-08-12 | 南京林业大学 | 一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法 |
-
2022
- 2022-11-10 CN CN202211402783.7A patent/CN115659258B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
CN114091553A (zh) * | 2020-08-06 | 2022-02-25 | 长沙理工大学 | 一种滚动轴承故障的诊断方法 |
CN112308850A (zh) * | 2020-11-09 | 2021-02-02 | 国网山东省电力公司威海供电公司 | 一种多尺度特征融合的输电线路检测方法与*** |
CN113191215A (zh) * | 2021-04-12 | 2021-07-30 | 西安理工大学 | 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法 |
CN113436184A (zh) * | 2021-07-15 | 2021-09-24 | 南瑞集团有限公司 | 基于改进孪生网络的电力设备图像缺陷判别方法及*** |
CN114897103A (zh) * | 2022-06-13 | 2022-08-12 | 南京林业大学 | 一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern;Susheng Cao et al;《Measurement》;第181卷;1-14 * |
多尺度特征融合的光伏电站故障诊断_基于孪生深度神经网络的风电机组故障诊断方法;刘家瑞等;《***仿真学报》;1-11 * |
Also Published As
Publication number | Publication date |
---|---|
CN115659258A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647716B (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN103926526A (zh) | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 | |
CN110213244A (zh) | 一种基于时空特征融合的网络入侵检测方法 | |
CN115412947B (zh) | 一种基于数字孪生与ai算法的故障仿真方法和*** | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN112084237A (zh) | 一种基于机器学习和大数据分析的电力***异常预测方法 | |
CN112039687A (zh) | 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法 | |
CN110879373B (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
He et al. | Fault diagnosis and location based on graph neural network in telecom networks | |
CN114167180B (zh) | 一种基于图注意力神经网络的充油电气设备故障诊断方法 | |
CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
Zhang et al. | A fault diagnosis method of power transformer based on cost sensitive one-dimensional convolution neural network | |
CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及*** | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN113705695A (zh) | 一种基于卷积神经网络的配电网故障数据辨识方法 | |
CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
Wang et al. | A novel hybrid meta-learning for few-shot gas-insulated switchgear insulation defect diagnosis | |
CN117150383A (zh) | 一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法 | |
CN116663414A (zh) | 一种用于电力变压器的故障诊断方法及*** | |
CN113466630B (zh) | 一种基于rsspn模型的配电网故障原因分类方法 |
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 |