CN115932484A - 输电线路故障辨识与故障测距方法、装置和电子设备 - Google Patents
输电线路故障辨识与故障测距方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115932484A CN115932484A CN202310114821.7A CN202310114821A CN115932484A CN 115932484 A CN115932484 A CN 115932484A CN 202310114821 A CN202310114821 A CN 202310114821A CN 115932484 A CN115932484 A CN 115932484A
- Authority
- CN
- China
- Prior art keywords
- fault
- volt
- characteristic curve
- ampere characteristic
- transmission line
- 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
Images
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
- Locating Faults (AREA)
Abstract
本发明涉及一种输电线路故障辨识与故障测距方法,包括以下步骤:获取输电线路的线路数据;基于线路数据构建输电线路的伏安特性曲线;将伏安特性曲线归一化为故障类型辨识伏安特性曲线图;根据预先构建的故障类型识别模型对故障类型辨识伏安特性曲线图进行识别;基于识别后的故障类型,构建与故障相相对应的故障原因及距离辨识伏安特性曲线图;根据预先构建的故障原因及距离识别模型对故障原因及距离辨识伏安特性曲线图进行识别,以输出识别后的故障原因和故障距离。本发明采用伏安特性图为输入,不依赖于信号处理算法可实现特征量的自提取,可有效应对录波数据含有白噪声的问题,并且对电压、电流的采样频率要求低。
Description
技术领域
本发明涉及一种输电线路故障辨识技术领域,具体涉及一种基于伏安特性曲线图像识别的输电线路故障辨识与故障测距方法、装置和电子设备。
背景技术
输电线路安全可靠运行是确保电力***安全稳定运行的重要条件。架空输电线路地域分布广泛,结构更加复杂,运行环境多变,尤其在恶劣天气条件、自然灾害、人为破坏等影响下,输电线路容易发生多种类型故障。及时准确地识别故障类型和原因,对于指导自适应重合闸和恢复线路送电,减少线路停运时间,保障电力***安全稳定运行,具有重要意义。电力一次设备感知和量测技术的进步,提高了数据采样精度,丰富了故障录波数据中的故障信息,为感知输电线路运行状态提供了可能。
在构建故障类型辨识器方面,现有研究方法通常使用故障位置、类型、起始相角、过渡电阻等参数均匀分布的故障类型样本集来建立故障类型辨识器。但是,从电网公司获取的故障跳闸记录看,单相接地、两相短路等故障类型,雷击、山火、异物等故障原因,其样本数量存在严重的类不平衡问题。由于检修能力缺失造成的小故障样本集问题也未被充分考虑。并且,现有研究方法普遍采用分别建立故障类型辨识器与故障距离辨识器来实现故障辨识与故障测距,未考虑故障测距与故障辨识的关联关系。
而且,在选择输入集方面,现有研究方法普遍依赖于信号分析与特征量提取,选取的故障特征易受电压电流波形、故障距离以及过渡电阻等因素的影响,且特征选取过程复杂,其分类辨识准确性并不理想。并且,这些方案中有许多需要高采样率。但是,实际情况中的电流互感器(CT)采样频率往往不超过20kHz,这也是此类方法实际效果不佳的原因。
因此,有必要设计一种新的输电线路故障辨识方法,以解决上述技术问题。
发明内容
有鉴于此,本发明提供一种输电线路故障辨识与故障测距方法,采用伏安特性图为输入,不依赖于信号处理算法,可实现特征量的自提取,可有效应对录波数据含有白噪声的问题,并且对电压、电流的采样频率要求低。此外,本发明基于采用伏安特性曲线图像训练出的深度学习神经网络模型进行,能够减少故障距离对故障原因的干扰以及故障原因对故障测距的干扰,同时实现对故障原因与故障距离的辨识。
本发明第一方面公开了一种输电线路故障辨识与故障测距方法,包括以下步骤:
获取输电线路的线路数据;
基于获取的输电线路的线路数据构建输电线路的伏安特性曲线;
将基于输电线路的线路数据构建的伏安特性曲线归一化为单张总伏安特性曲线图像,作为故障类型辨识伏安特性曲线图;
根据预先构建的故障类型识别模型对故障类型辨识伏安特性曲线图进行识别,并且输出识别后的故障类型;
基于识别后的故障类型获得输电线路与故障类型相对应的故障相,然后构建与故障相相对应的单张故障相伏安特性曲线图像,作为故障原因及距离辨识伏安特性曲线图;
根据预先构建的故障原因及距离识别模型对故障原因及距离辨识伏安特性曲线图进行识别和处理,以输出识别后的故障原因和故障距离。
在预先构建的故障类型识别模型中,故障类型标记包括:单相接地,两相短路,两相短路接地,三相短路。在上述实现过程中,先获取待测输电线路的线路数据,然后将获取的当前线路数据转换为对应的伏安特性曲线,其中根据线路数据的位置和相别的不同,伏安特性曲线能够为多条。将获得的多条伏安特性曲线进行归一化处理为单张总伏安特性曲线图像,将获得的单张总伏安特性曲线图像作为故障类型辨识伏安特性曲线图输入到预先构建的故障类型识别模型中,通过预先构建的故障类型识别模型进行识别,最终会输出识别后的故障类型标记。当相应被测输电线路的故障类型被辨识出后,根据故障类型确定输电线路与之相对应的故障相,然后基于确定后的故障相,构建与故障相相对应的单张故障相伏安特性曲线图像,之后将获得的单张故障相伏安特性曲线图像作为故障原因及距离辨识伏安特性曲线图输入到预先构建的故障原因及距离识别模型中,最终获得识别后的故障原因和故障距离。其中,所谓“单张总伏安特性曲线图像”是指包含有基于输电线路的线路数据构建的所有伏安特性曲线的单张图像,所谓“单张故障相伏安特性曲线图像”是指仅包含有与故障相相对应的伏安特性曲线的单张图像。也就是说,与单张总伏安特性曲线图像相比,在单张故障相伏安特性曲线图像中不包含与非故障相相对应的伏安特性曲线。
在上述过程中,采用伏安特性曲线图作为输入,不依赖于信号处理算法,可实现特征量的自提取,可有效应对录波数据含有白噪声的问题,并且采样频率要求低。
进一步地,在上述输电线路故障辨识与故障测距方法中,构建与故障相相对应的单张故障相伏安特性曲线图像,包括:基于获得的与故障类型相对应的故障相,对所述单张总伏安特性曲线图像进行处理,从中获得与故障相相对应的单张故障相伏安特性曲线图像。在该实施例中,单张故障相伏安特性曲线图像是通过直接对之前获得的单张总伏安特性曲线图像进行处理得出的,即直接从之前获得的单张总伏安特性曲线图像中获得与故障相相对应的伏安特性曲线,以形成单张故障相伏安特性曲线图像。
在其他的实施例中,单张故障相伏安特性曲线图像也能够通过这样的方式获得:基于判别的输电线路与故障类型相对应故障相,从基于输电线路的线路数据构建的伏安特性曲线中直接筛选出与故障相相对应的伏安特性曲线,然后对筛选出的、与故障相相对应的伏安特性曲线进行归一化处理,形成单张故障相伏安特性曲线图像。
进一步地,在上述输电线路故障辨识与故障测距方法中,所述线路数据包括输电线路两端的二次侧三相电压和电流信号的录波数据、零序电压和电流信号的录波数据;所述基于获取的输电线路的线路数据构建输电线路的伏安特性曲线,包括:构建输电线路首端侧的三相伏安特性曲线和零序伏安特性曲线,以及构建输电线路末端侧的三相伏安特性曲线和零序伏安特性曲线。
输电线路的三相是指A相、B相和C相。在上述实现过程中,获取的线路数据包括:输电线路首端(M端)的二次侧A相电压和电流的暂态录波数据,输电线路首端的二次侧B相电压和电流的暂态录波数据,输电线路首端的二次侧C相电压和电流的暂态录波数据和输电线路首端的二次侧零序电压和电流的暂态录波数据,以及输电线路末端(N端)的二次侧A相电压和电流的暂态录波数据,输电线路末端的二次侧B相电压和电流的暂态录波数据,输电线路末端的二次侧C相电压和电流的暂态录波数据和输电线路末端的二次侧零序电压和电流的暂态录波数据。与这些数据一一对应,被测量的输电线路共构建六条伏安特性曲线,并将这六条伏安特性曲线归一化处理为单张总伏安特性曲线图像,作为用于故障类型识别的故障类型辨识伏安特性曲线图。在故障类型被识别后,基于故障类型所涉及的相,构建仅包括有与故障类型所涉及的相相对应的伏安特性曲线的单张故障相伏安特性曲线图像,然后将其作为故障原因及距离辨识图输入到故障原因及距离识别模型中进行识别。
进一步地,在上述输电线路故障辨识与故障测距方法中,在获取输电线路的线路数据之前,所述方法还包括:
构建故障类型原始识别模型和故障原因及距离原始识别模型;
获取多条用于故障样本的故障输电线路的线路数据,以形成故障样本数据集;
基于故障样本数据集获取线路故障类型样本集和线路故障原因及距离样本集;
将获得的线路故障样本集输入所述故障类型原始识别模型进行迁移学习训练直至收敛,得到所述故障类型识别模型;以及,
将获得的线路故障原因及距离样本集输入所述故障原因及距离原始识别模型进行迁移学习训练直至收敛,得到所述故障原因及距离识别模型。
进一步地,在上述输电线路故障辨识与故障测距方法中,所述获取线路故障类型样本集,包括:
基于获取的故障样本数据集构建相应故障输电线路的伏安特性曲线;
将所构建的相应故障输电线路的伏安特性曲线归一化为单张总伏安特性曲线图像样本,作为故障类型辨识伏安特性曲线图样本;
获取多个所述故障类型辨识伏安特性曲线图样本以形成线路故障类型样本集。
进一步地,所述故障样本数据集包括有故障类型标记,所述获取线路故障原因及距离样本集,包括:
基于故障样本数据集中的故障类型标记,对所述单张总伏安特性曲线图像样本进行处理,从中获得与故障相相对应的单张故障相伏安特性曲线图像样本;
获取多个所述单张故障相伏安特性曲线图像样本,形成线路故障原因及距离样本集。
在上述实现过程中,无论是对线路故障类型样本集的构建,还是对线路故障原因及距离样本集的构建,都是基于采样数据构建的伏安特性曲线进行的。也就是说,在对相应的原始模型的训练和测试均是基于伏安特性曲线图像进行的。
现有技术中普遍采用分别建立故障类型辨识器与故障距离辨识器来实现故障辨识与故障测距。而在本发明中,由于采用伏安特性曲线图像作为模型的输入特征值对深度学习神经网络进行训练,借助于故障样本的已知数据以及伏安特性曲线的参数特性,不仅能够实现在同一深度学习神经网络模型中进行对故障原因和故障距离识别的训练和测试,而且能够减少故障距离对故障原因的干扰以及故障原因对故障测距的干扰,使得最终能够借助故障原因和故障距离模型同时实现对故障原因与故障距离的辨识。具体地,在本发明的方法中,收敛后最终形成的故障原因及距离识别模型可以同时提取出故障原因及距离伏安特性曲线图像的谐波、幅值、斜率等特征,通过模型的add层形成特征图,并通过全连接层(fc_3)从特征图中自动提取影响故障原因辨识的特征,通过全连接层(fc_2)从特征图中自动提取影响故障距离辨识的特征。
进一步地,在上述输电线路故障辨识与故障测距方法中,所述故障输电线路的线路数据包括:输电线路两端的二次侧三相电压和电流信号的录波数据、二次侧零序电压和电流信号的录波数据、故障类型标记、故障原因标记和故障距离标记。
进一步地,在上述输电线路故障辨识与故障测距方法中,在所述获取多条用于故障样本的故障输电线路的线路数据,以形成故障样本数据集的步骤中,包括:
将各故障类型占总故障类型的比例和各故障原因占总故障原因的比例作为分类权重;和/或,在所述获取多条用于故障样本的故障输电线路的线路数据,以形成故障样本数据集的步骤中,还包括:建立半监督模型以标记无标签的故障样本。
通过参考实际故障记录中故障类型、故障类型相别、故障原因的统计概率分布,设置深度学习神经网络模型(原始识别模型)的分类权重,有利于故障辨识识别模型的训练,能够提高其对于实际情况的泛化能力和应用效果。另外,参考实际情况中缺少有标签样本和存在大量无标签样本的情况,建立基于半监督学习的再标记方法,能够有效的扩充真实样本数据集,有利于故障辨识原始模型的训练。
进一步地,在上述输电线路故障辨识与故障测距方法中,故障类型原始识别模型为单输出卷积神经网络架构,所述故障原因及距离原始识别模型为多输出卷积神经网络架构。
本发明第二方面还公开了一种输电线路故障辨识与故障测距装置,输电线路故障辨识与故障测距装置包括:
第一获取单元,用于获取输电线路的线路数据;
伏安特性曲线构建单元,用于基于获取的输电线路的线路数据构建输电线路的伏安特性曲线;
归一化处理单元,用于将基于输电线路的线路数据构建的伏安特性曲线归一化为单张总伏安特性曲线图像,作为故障类型辨识伏安特性曲线图;
故障类型辨识单元,用于根据预先构建的故障类型识别模型对故障类型辨识伏安特性曲线图进行识别,并且输出识别后的故障类型;
图像构建单元,用于基于识别后的故障类型获得输电线路与故障类型相对应的故障相,然后构建与故障相相对应的单张故障相伏安特性曲线图像,作为故障原因及距离辨识伏安特性曲线图;
故障原因及距离辨识单元,用于根据预先构建的故障原因及距离识别模型对故障原因及距离辨识伏安特性曲线图进行识别和处理,以输出识别后的故障原因和故障距离。
进一步地,在上述本发明第二方面公开的装置中,还包括:
模型构建单元,用于在获取输电线路的线路数据之前,分别构建故障类型原始识别模型和故障原因及距离原始识别模型;
第二获取单元,用于获取多条用于故障样本的故障输电线路的线路数据,以形成故障样本数据集;
样本集分类单元,用于基于故障样本数据集获取线路故障类型样本集和线路故障原因及距离样本集;
第一训练单元,用于将获得的线路故障样本集输入所述故障类型原始识别模型进行迁移学习训练直至收敛,得到所述故障类型识别模型;以及,
第二训练单元,用于将获得的线路故障原因及距离样本集输入所述故障原因及距离原始识别模型进行迁移学习训练直至收敛,得到所述故障原因及距离识别模型。
本发明第三方面公开一种电子设备,其包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行前述第一方面中所描述的输电线路故障辨识与故障测距方法。
本发明的第四方面还公开了一种计算机可读存储介质,其存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行本发明第一方面中所描述的输电线路故障辨识与故障测距方法。
有益效果:在本发明的输电线路故障辨识与故障测距方法,采用伏安特性图为输入,不依赖于信号处理算法,可实现特征量的自提取,可有效应对录波数据含有白噪声的问题,并且对电压、电流的采样频率要求低。并且,在本发明中,由于采用伏安特性曲线图作为输入,能够在同一模型中实现对故障原因和故障距离的分别识别,避免了现有技术中所存在的故障原因和故障距离间相互干扰的技术问题。
下面结合附图中所示的实施例以及附图标记详细公开本发明的输电线路故障辨识与故障测距方法。
附图说明
图1示出了本发明实施例中输电线路故障辨识与故障测距方法的步骤流程图。
图2示出了本发明实施例中预先构建和训练原始识别模型的步骤流程图。
图3示出了本发明实施例中由暂态录波数据归一化后生成的单张总伏安特性曲线图像的示例。
图4示出了本发明实施例中的单张故障相伏安特性曲线图像的示例。
图5示出了本发明实施例中的单输出卷积神经网络的示意性结构图。
图6示出了本发明实施例中的多输出卷积神经网络的示意性结构图。
图7(a)-(c)示出了本发明实施例中基于类不平衡故障样本的深度学习神经网络模型的测试结果示意图。
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、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,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。
结合图1所示,本发明实施例公开了一种输电线路故障辨识与故障测距方法,包括以下步骤:
获取输电线路的线路数据;
基于获取的输电线路的线路数据构建输电线路的伏安特性曲线;
将基于输电线路的线路数据构建的伏安特性曲线归一化为单张总伏安特性曲线图像,作为故障类型辨识伏安特性曲线图;
根据预先构建的故障类型识别模型对故障类型辨识伏安特性曲线图进行识别,并且输出识别后的故障类型;
基于识别后的故障类型获得输电线路与故障类型相对应的故障相,然后构建与故障相相对应的单张故障相伏安特性曲线图像,作为故障原因及距离辨识伏安特性曲线图;
根据预先构建的故障原因及距离识别模型对故障原因及距离辨识伏安特性曲线图进行识别和处理,以输出识别后的故障原因和故障距离。
在上述实施例中,构建与故障相相对应的单张故障相伏安特性曲线图像,包括:基于获得的与故障类型相对应的故障相,对所述单张总伏安特性曲线图像进行处理,从中获得与故障相相对应的单张故障相伏安特性曲线图像。在该实施例中,单张故障相伏安特性曲线图像是通过直接对之前获得的单张总伏安特性曲线图像进行处理得出的,即直接从之前获得的单张总伏安特性曲线图像中获得与故障相相对应的伏安特性曲线,以形成单张故障相伏安特性曲线图像。
在上述实施例中,线路数据包括输电线路两端的二次侧三相电压和电流信号的录波数据、零序电压和电流信号的录波数据;所述基于获取的输电线路的线路数据构建输电线路的伏安特性曲线,包括:构建输电线路首端侧的三相伏安特性曲线和零序伏安特性曲线,以及构建输电线路末端侧的三相伏安特性曲线和零序伏安特性曲线。优选地,在通过构建好的神经网络模型对输电线路故障进行实际识别时,首先将以输电线路额定电压的二次侧信号为电压互感器信号的归一化的分母,以5倍额定电流的二次侧信号为电流互感器归一化的分母,对二次侧信号做归一化处理。然后,以归一化的电压为横坐标,归一化的电流为纵坐标,构建故障类型辨识伏安特性曲线图、故障原因与距离辨识伏安特性曲线图,如图3与图4所示。
优选地,故障类型辨识伏安特性曲线图由4行2列的多个伏安特性曲线图组成,其中第1行1列为输电线路M端A相的伏安特性曲线图,第1行2列为输电线路N端A相的伏安特性曲线图,第2行1列为输电线路M端B相的伏安特性曲线图,第2行2列为输电线路N端B相的伏安特性曲线图,第3行1列为输电线路M端C相的伏安特性曲线图,第3行2列为输电线路N端C相的伏安特性曲线图,第4行1列为输电线路M端零序的伏安特性曲线图,第4行2列为输电线路N端零序的伏安特性曲线图。如图3所示。
优选地,故障原因及距离辨识伏安特性曲线图由1行2列的两个伏安特性曲线图组成,本实施例以故障相涉及输电线路的A相为例,其中第1行1列为输电线路M端A相的伏安特性曲线图,第1行2列为输电线路N端A相的伏安特性曲线图。在本发明中,如果故障类型为涉及输电线路A相、A和B两相、A和C两相或者ABC三相的故障,则仅构建包含与A相相对应的伏安特性曲线的单张故障相伏安特性曲线图;如果故障类型为涉及输电线路B相、B和C两相类型的故障,则仅构建包含与B相相对应的伏安特性曲线的单张故障相伏安特性曲线图;如果故障类型为仅涉及输电线路C相的故障,则仅构建包含与C相相对应的伏安特性曲线的单张故障相伏安特性曲线图。
本发明的输电线路故障辨识与故障测距方法还提供了一种预先构建识别模型的方法,其实施在前述方法的获取输电线路的线路数据的步骤之前,结合图2所示,其过程包括以下步骤:
构建故障类型原始识别模型和故障原因及距离原始识别模型;
获取多条用于生成故障样本的故障输电线路的线路数据,以形成故障样本数据集;
基于故障样本数据集获取线路故障类型样本集和线路故障原因及距离样本集;
将获得的线路故障样本集输入所述故障类型原始识别模型进行迁移学习训练直至收敛,得到所述故障类型识别模型;以及,
将获得的线路故障原因及距离样本集输入所述故障原因及距离原始识别模型进行迁移学习训练直至收敛,得到所述故障原因及距离识别模型。
在上述实施例中,获取线路故障类型样本集,包括:
基于获取的故障样本数据集构建相应故障输电线路的伏安特性曲线;
将所构建的相应故障输电线路的伏安特性曲线归一化为单张总伏安特性曲线图像样本,作为故障类型辨识伏安特性曲线图样本;
获取多个所述故障类型辨识伏安特性曲线图样本以形成线路故障类型样本集。
同样的,在构建故障类型样本集的具体实施过程中,本发明首先将以输电线路额定电压的二次侧信号为电压互感器信号的归一化的分母,以5倍额定电流的二次侧信号为电流互感器归一化的分母,对二次侧信号做归一化处理。然后,以归一化的电压为横坐标,归一化的电流为纵坐标,构建故障类型辨识伏安特性曲线图样本、故障原因与距离辨识伏安特性曲线图样本,如图3与图4所示。
并且,同样的,在构建故障类型样本集的具体实施过程中,故障类型辨识伏安特性曲线图样本由4行2列的多个伏安特性曲线图组成,其中第1行1列为输电线路M端A相的伏安特性曲线图,第1行2列为输电线路N端A相的伏安特性曲线图,第2行1列为输电线路M端B相的伏安特性曲线图,第2行2列为输电线路N端B相的伏安特性曲线图,第3行1列为输电线路M端C相的伏安特性曲线图,第3行2列为输电线路N端C相的伏安特性曲线图,第4行1列为输电线路M端零序的伏安特性曲线图,第4行2列为输电线路N端零序的伏安特性曲线图。如图3所示。
此外,同样的,在构建故障类型样本集的具体实施过程中,故障原因及距离辨识伏安特性曲线图样本由1行2列的两个伏安特性曲线图组成,本实施例以故障相涉及输电线路的A相为例,其中第1行1列为输电线路M端A相的伏安特性曲线图,第1行2列为输电线路N端A相的伏安特性曲线图。在构建故障类型样本集的具体实施过程中,如果样本标记的故障类型为涉及输电线路A相、A和B两相、A和C两相或者ABC三相的故障,则仅构建包含与A相相对应的伏安特性曲线的单张故障相伏安特性曲线图样本;如果样本标记的故障类型为涉及输电线路B相、B和C两相类型的故障,则仅构建包含与B相相对应的伏安特性曲线的单张故障相伏安特性曲线图样本;如果样本标记的故障类型为仅涉及输电线路C相的故障,则仅构建包含与C相相对应的伏安特性曲线的单张故障相伏安特性曲线图样本。
在上述实施例中,故障样本数据集包括有故障类型标记,所述获取线路故障原因及距离样本集,包括:
基于故障样本数据集中的故障类型标记,对所述单张总伏安特性曲线图像样本进行处理,从中获得与故障相相对应的单张故障相伏安特性曲线图像样本;
获取多个所述单张故障相伏安特性曲线图像样本,形成线路故障原因及距离样本集。
在上述实施例中,故障输电线路的线路数据包括:输电线路两端的二次侧三相电压和电流信号的录波数据、二次侧零序电压和电流信号的录波数据、故障类型标记、故障原因标记和故障距离标记。
在上述实施例中,在所述获取多条用于故障样本的故障输电线路的线路数据,以形成故障样本数据集的步骤中,包括:将各故障类型占总故障类型的比例和各故障原因占总故障原因的比例作为分类权重。具体地包括以下步骤:统计各个故障类型样本占故障类型样本集的比例,并且统计各个故障原因样本占故障原因样本集的比例,然后将将各故障类型占总故障类型的比例和各故障原因占总故障原因的比例作为分类权重。
在本发明中,故障样本的生成能够通过现有技术中的样本生成方法,例如能够采集某区域实际配电网的输电线路的故障标签生成故障样本,或者,在实际工作中缺乏大量有效故障类别标签的情况下,能够根据实际输电线路段构建仿真模型,产生故障类型不平衡的故障样本集,用于模型训练。本发明对某地区电网的故障样本进行统计分析,发现故障类型的分布情况如下:单相接地短路占比90.66%,两相短路占比4.8%,两相接地短路占比3.8%,三相短路占比0.73%。进一步分析发现,除单相接地短路外,其他相间故障的过渡电阻多为电弧,其过渡电阻小;而导致单相接地短路的原因则比较多,同样存在分布不平衡的问题。据统计,雷击、异物、山火以及树木是引起高压架空线路故障的主要原因。其中,雷击故障占比44.33%,山火故障占比28.08%,异物故障占比4.43%,树闪故障占比2.96%。并且,雷击故障也并非均匀发生,在实际情况中雷击线路与雷击杆塔分别占比10%与90%。输电线路的故障相别同样表现出类不平衡。因为输电线路多呈三角排列或水平排列,B相导线通常在A相与C相导线之间。因此,在由雷击、树木、异物、山火引起的单相接地短路中,B相导线相对A、C相导线要少一些。此外,本发明统计发现故障位置沿输电线路的地理分布也表现出一定的类不平衡,某些地方由于特殊的地形和微气象,更容易发生故障,但整体来说故障位置还是比较均匀。电力设备因自身老化或局部缺陷而易在电压峰值放电,但对于输电线路而言,故障的发生时间多是由外部因素决定,因此故障相角的分布也是比较均匀的。
根据上述分布特征,本发明设定为19类分类标记,分别为:A相雷击线路接地短路故障、B相雷击线路接地短路故障、C相雷击线路接地短路故障、A相雷击杆塔接地短路故障、B相雷击杆塔接地短路故障、C相雷击杆塔接地短路故障、A相异物接地短路故障、B相异物接地短路故障、C相异物接地短路故障、A相树闪接地短路故障、B相树闪接地短路故障、C相树闪接地短路故障、AB两相故障、BC两相故障、AC两相故障、AB两相接地短路故障、BC两相接地短路故障、AC两相接地短路故障、三相短路故障。并根据公式(1)(2)设定分类权重。
weight=[w1,w2,...,w19] (1)
其中wi,i∈[1,19]表示第i个分类标记的个数;sum()向量求和;Wi,i∈[1,19]表示第i个分类标记的权重。
在上述实施例中,在所述获取多条用于故障样本的故障输电线路的线路数据,以形成故障样本数据集的步骤中,还包括:建立半监督模型以标记无标签的故障样本。其中,建立半监督模型来标记无标签的样本的步骤包括:
归一化输电线路两端的电压、电流信号;
根据故障样本有无故障原因标记,将样本划分为有标记样本集和无标记样本集;
将无标记样本集和有标记样本集以及标记输入半监督学习模型中对无标记样本再标记。
具体地,在该步骤中,采用K邻近图神经网络为半监督学习模型,以输电线路的电压、电流离散信号为输入,实现对无标记样本的再标记。互k最近邻图(mutual k-nearestneighbor graph,MKG)通过相似图建立标记和未标记数据之间的局部邻域关系模型,作为无向图。图中的节点表示观测值,而无方向的边表示观测值之间的连接。如果节点与节点间的距离为非零或大于某一阈值,相似图则用一条边连接两个节点。两个节点之间的边缘由成对相似度Si,j加权,Si,j的计算如(3)公式。
其中,σ为特定的内核大小。
在具体实施时,首先初始化一个n-by-K矩阵F(0),其中n为节点的数量,K为类的数量。前l行对应有标记的点。每一行在对应于该点的真实类标签的列中包含一个1,在其他每一列中包含一个0。最后的u行对应于无标记的点,并且在所有列中包含一个0。然后,从t=1开始迭代,使用概率转移矩阵P更新F矩阵,使F(t)=PF(t-1),其中Pi,j是节点i向节点j传输标签信息的概率,其计算如公式(4)。
迭代以保证前l行的真实类标签不丢失为目标,即需要保持F(t)的前l行等于F(0)中的初始值。最后,通过多次迭代,当F值收敛后,F中的每行具有最大分数的列对应于拟合的类标签。
在上述实施例中,故障类型原始识别模型为单输出卷积神经网络架构,所述故障原因及距离原始识别模型为多输出卷积神经网络架构。优选地,原始识别模型能够采用预训练的AlexNet网络模型。
其中,故障类型原始识别模型为基于残差神经网络的单输出卷积神经网络架构,其结构如图5所示,包括卷积层conv_1,大小为5×5×1,滑动步长为1;卷积层conv_2,大小为3×32×1,滑动步长为2;卷积层conv_3,大小为3×32×1,滑动步长为1;卷积层conv_skip,大小为1×32×1,滑动步长为2;归一化层bacthnorm_1、bacthnorm_2、bacthnorm_3、bacthnorm_skip;激活函数层relu_1、relu_2、relu_3、relu_skip;全连接层fc_3,大小为1000;全连接层fc,大小为19;dropout层,大小为0.5。
在本发明中,将故障类型辨识伏安特性曲线图样本的大小调整为224×224×3,然后将故障类型辨识伏安特性曲线图样本集输入到故障类型辨识器,通过卷积层conv_1、归一化层bacthnorm_1、激活函数层relu_1、卷积层conv_2、归一化层bacthnorm_2、激活函数层relu_2、卷积层conv_3、归一化层bacthnorm_3、激活函数层relu_3提取故障类型辨识伏安特性曲线图的特征量,并融合残差支路中卷积层conv_skip、归一化层bacthnorm_skip、激活函数层relu_skip的特征量。最后,将融合的特征量通过全连接神经网络实现对故障类型的分类。
在故障类型原始识别模型的训练和测试中,将故障类型辨识样本集随机抽取70%作为训练样本集,剩余作为测试样本集,将其作为目标域数据输入给单输出卷积神经网络模型,以故障类型为输出进行训练,设置最大训练次数并且判断是否收敛,在收敛的前提下达到最大训练次数后完成模型的训练,若训练未收敛则增大最大训练次数,直至收敛为止。最后输入测试样本集计算模型的准确率得到最终的分类模型。
在确定故障类型后,建立基于残差神经网络的故障原因与距离原始识别模型,其为多输出卷积神经网络,结构如图6所示,包括:卷积层conv_1,大小为5×5×1,滑动步长为1;卷积层conv_2,大小为3×32×1,滑动步长为2;卷积层conv_3,大小为3×32×1,滑动步长为1;卷积层conv_skip,大小为1×32×1,滑动步长为2;归一化层bacthnorm_1、bacthnorm_2、bacthnorm_3、bacthnorm_skip;激活函数层relu_1、relu_2、relu_3、relu_skip;全连接层fc_3,大小为1000;全连接层fc,大小为19;全连接层fc_2,大小为1;dropout层,大小为0.5。
本发明将故障原因与距离辨识伏安特性曲线图样本集输入到故障原因与距离原始识别模型中进行训练,通过卷积层conv_1、归一化层bacthnorm_1、激活函数层relu_1、卷积层conv_2、归一化层bacthnorm_2、激活函数层relu_2、卷积层conv_3、归一化层bacthnorm_3、激活函数层relu_3提取故障原因及距离辨识伏安特性曲线图的特征量,并融合残差支路卷积层conv_skip、归一化层bacthnorm_skip、激活函数层relu_skip的特征量。最后,通过双全连接层、dropout层、softmax层实现对故障原因的辨识,通过全连接层fc_2实现对故障距离的预测。
在故障原因及距离原始识别模型的训练过程中,将故障原因辨识样本集随机抽取70%作为训练样本集,剩余作为测试样本集,将其作为目标域数据输入给多输出卷积神经网络模型,以故障原因与故障距离为输出进行训练,设置最大训练次数并且判断是否收敛,在收敛的前提下达到最大训练次数后完成模型的训练,若训练未收敛则增大最大训练次数,直至收敛为止。收敛后最终形成的故障原因及距离识别模型可以同时提取出故障原因及距离伏安特性曲线图像的谐波、幅值、斜率等特征,通过模型的add层形成特征图,并通过全连接层(fc_3)从特征图中自动提取影响故障原因辨识的特征,通过全连接层(fc_2)从特征图中自动提取影响故障距离辨识的特征。优选地,伏安特性曲线中与输电线路的电流电压相关的斜率可反映出故障距离。相较于现有技术,本发明对故障原因和故障距离的测试中,不需要再单独设置故障原因辨识模型和故障距离辨识模型,而且不再需要对依赖于信号分析和特征值的提取,基于伏安特性曲线图像的特征的提取能够同时的完成对故障原因和故障距离的识别。
测试结果如图7所示,结果表明,无论是故障类型辨识还是故障原因辨识,准确率都能达到100%,故障测距的平均误差为0.285%。
本发明借助于图像识别算法在电力***的应用,使用伏安特性曲线图像识别算法能够实现同时学习完整的电压、电流信号,而不依赖使用计算复杂且涉及先验经验的信号分析方法来挖掘不同故障的微小区别。
本发明结合输电线路故障的类不平衡,构建基于半监督学习的无标签样本再标记方法,训练深度学习神经网络模型,以伏安特性曲线构建模型输入,输出故障分类标签以及故障距离,最终形成输电线路故障辨相、原因以及距离辨识器,将其部署应用于输电线路两端,也就是变电站的出线端,用于输电线路故障辨识与定位。
本发明第二实施例还公开了一种输电线路故障辨识与故障测距装置,输电线路故障辨识与故障测距装置包括:
第一获取单元,用于获取输电线路的线路数据;
伏安特性曲线构建单元,用于基于获取的输电线路的线路数据构建输电线路的伏安特性曲线;
归一化处理单元,用于将基于输电线路的线路数据构建的伏安特性曲线归一化为单张总伏安特性曲线图像,作为故障类型辨识伏安特性曲线图;
故障类型辨识单元,用于根据预先构建的故障类型识别模型对故障类型辨识伏安特性曲线图进行识别,并且输出识别后的故障类型;
图像构建单元,用于基于识别后的故障类型获得输电线路与故障类型相对应的故障相,然后构建与故障相相对应的单张故障相伏安特性曲线图像,作为故障原因及距离辨识伏安特性曲线图;
故障原因及距离辨识单元,用于根据预先构建的故障原因及距离识别模型对故障原因及距离辨识伏安特性曲线图进行识别和处理,以输出识别后的故障原因和故障距离。
进一步地,在上述本发明第二方面公开的装置中,还包括:
模型构建单元,用于在获取输电线路的线路数据之前,分别构建故障类型原始识别模型和故障原因及距离原始识别模型;
第二获取单元,用于获取多条用于故障样本的故障输电线路的线路数据,以形成故障样本数据集;
样本集分类单元,用于基于故障样本数据集获取线路故障类型样本集和线路故障原因及距离样本集;
第一训练单元,用于将获得的线路故障样本集输入所述故障类型原始识别模型进行迁移学习训练直至收敛,得到所述故障类型识别模型;以及,
第二训练单元,用于将获得的线路故障原因及距离样本集输入所述故障原因及距离原始识别模型进行迁移学习训练直至收敛,得到所述故障原因及距离识别模型。
本发明第三实施例公开一种电子设备,其包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行前述第一方面中所描述的输电线路故障辨识与故障测距方法。
本发明的第四实施例公开了一种计算机可读存储介质,其存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行本发明第一方面中所描述的输电线路故障辨识与故障测距方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的实施例的方法可能实现的体系架构、功能和操作。在这点上,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包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种输电线路故障辨识与故障测距方法,其特征在于:包括以下步骤:
获取输电线路的线路数据;
基于获取的输电线路的线路数据构建输电线路的伏安特性曲线;
将基于输电线路的线路数据构建的伏安特性曲线归一化为单张总伏安特性曲线图像,作为故障类型辨识伏安特性曲线图;
根据预先构建的故障类型识别模型对故障类型辨识伏安特性曲线图进行识别,并且输出识别后的故障类型;
基于识别后的故障类型获得输电线路与故障类型相对应的故障相,然后构建与故障相相对应的单张故障相伏安特性曲线图像,作为故障原因及距离辨识伏安特性曲线图;
根据预先构建的故障原因及距离识别模型对故障原因及距离辨识伏安特性曲线图进行识别,以输出识别后的故障原因和故障距离。
2.根据权利要求1所述的输电线路故障辨识与故障测距方法,其特征在于,
所述构建与故障相相对应的单张故障相伏安特性曲线图像,包括:基于获得的与故障类型相对应的故障相,对所述单张总伏安特性曲线图像进行处理,从中获得与故障相相对应的单张故障相伏安特性曲线图像。
3.根据权利要求1所述的输电线路故障辨识与故障测距方法,其特征在于,
所述线路数据包括输电线路两端的二次侧三相电压和电流信号的录波数据、零序电压和电流信号的录波数据;
所述基于获取的输电线路的线路数据构建输电线路的伏安特性曲线,包括:构建输电线路首端侧的三相伏安特性曲线和零序伏安特性曲线,以及构建输电线路末端侧的三相伏安特性曲线和零序伏安特性曲线。
4.根据权利要求1所述的输电线路故障辨识与故障测距方法,其特征在于,
在获取输电线路的线路数据之前,所述方法还包括:
构建故障类型原始识别模型和故障原因及距离原始识别模型;
获取多条用于生成故障样本的输电线路的线路数据,以形成故障样本数据集;
基于故障样本数据集获取线路故障类型样本集和线路故障原因及距离样本集;
将获得的线路故障样本集输入所述故障类型原始识别模型进行迁移学习训练直至收敛,得到所述故障类型识别模型;以及,
将获得的线路故障原因及距离样本集输入所述故障原因及距离原始识别模型进行迁移学习训练直至收敛。
5.根据权利要求4所述的输电线路故障辨识与故障测距方法,其特征在于,
所述获取线路故障类型样本集,包括:
基于获取的故障样本数据集构建相应故障输电线路的伏安特性曲线;
将所构建的相应故障输电线路的伏安特性曲线归一化为单张总伏安特性曲线图像样本,作为故障类型辨识伏安特性曲线图样本;
获取多个所述故障类型辨识伏安特性曲线图样本以形成线路故障类型样本集;
所述故障样本数据集包括有故障类型标记,所述获取线路故障原因及距离样本集,包括:
基于故障样本数据集中的故障类型标记,对所述单张总伏安特性曲线图像样本进行处理,从中获得与故障相相对应的单张故障相伏安特性曲线图像样本;
获取多个所述单张故障相伏安特性曲线图像样本,形成线路故障原因及距离样本集。
6.根据权利要求4所述输电线路故障辨识与故障测距方法,其特征在于,
所述故障输电线路的线路数据包括:输电线路两端的二次侧三相电压和电流信号的录波数据、二次侧零序电压和电流信号的录波数据、故障类型标记、故障原因标记和故障距离标记;
在所述获取多条用于生成故障样本的故障输电线路的线路数据,以形成故障样本数据集的步骤中,包括:
将各故障类型占总故障类型的比例和各故障原因占总故障原因的比例作为分类权重;
在所述获取多条用于故障样本的故障输电线路的线路数据,以形成故障样本数据集的步骤中,还包括:建立半监督模型以标记无标签的故障样本。
7.根据权利要求4所述的输电线路故障辨识与故障测距方法,其特征在于,所述故障类型原始识别模型为单输出卷积神经网络架构,所述故障原因及距离原始识别模型为多输出卷积神经网络架构。
8.一种输电线路故障辨识与故障测距装置,其特征在于,所述输电线路故障辨识与故障测距装置包括:
第一获取单元,用于获取输电线路的线路数据;
伏安特性曲线构建单元,用于基于获取的输电线路的线路数据构建输电线路的伏安特性曲线;
归一化处理单元,用于将基于输电线路的线路数据构建的伏安特性曲线归一化为单张总伏安特性曲线图像,作为故障类型辨识伏安特性曲线图;
故障类型辨识单元,用于根据预先构建的故障类型识别模型对故障类型辨识伏安特性曲线图进行识别,并且输出识别后的故障类型;
图像构建单元,用于基于识别后的故障类型获得输电线路与故障类型相对应的故障相,然后构建与故障相相对应的单张故障相伏安特性曲线图像,作为故障原因及距离辨识伏安特性曲线图;
故障原因及距离辨识单元,用于根据预先构建的故障原因及距离识别模型对故障原因及距离辨识伏安特性曲线图进行识别和处理,以输出识别后的故障原因和故障距离。
9.根据权利要求8所述的输电线路故障辨识与故障测距装置,其特征在于,还包括:
模型构建单元,用于在获取输电线路的线路数据之前,分别构建故障类型原始识别模型和故障原因及距离原始识别模型;
第二获取单元,用于获取多条用于故障样本的故障输电线路的线路数据,以形成故障样本数据集;
样本集分类单元,用于基于故障样本数据集获取线路故障类型样本集和线路故障原因及距离样本集;
第一训练单元,用于将获得的线路故障样本集输入所述故障类型原始识别模型进行迁移学习训练直至收敛,得到所述故障类型识别模型;以及,
第二训练单元,用于将获得的线路故障原因及距离样本集输入所述故障原因及距离原始识别模型进行迁移学习训练直至收敛,得到所述故障原因及距离识别模型。
10.一种电子设备,其特征在于,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的输电线路故障辨识与故障测距方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114821.7A CN115932484B (zh) | 2023-02-15 | 2023-02-15 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114821.7A CN115932484B (zh) | 2023-02-15 | 2023-02-15 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115932484A true CN115932484A (zh) | 2023-04-07 |
CN115932484B CN115932484B (zh) | 2023-07-18 |
Family
ID=86697899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310114821.7A Active CN115932484B (zh) | 2023-02-15 | 2023-02-15 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115932484B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116094179A (zh) * | 2023-04-11 | 2023-05-09 | 国网安徽省电力有限公司合肥供电公司 | 一种交直流柔性配网中压线路故障分析处理*** |
CN117290756A (zh) * | 2023-09-25 | 2023-12-26 | 重庆大学 | 基于联邦学习的输电线路故障辨识方法、装置和电子设备 |
CN117826019A (zh) * | 2024-03-06 | 2024-04-05 | 国网吉林省电力有限公司长春供电公司 | 中性点不接地***的线路单相接地故障区及类型检测方法 |
CN117856182A (zh) * | 2024-01-04 | 2024-04-09 | 国网新疆电力有限公司电力科学研究院 | 基于贝叶斯网络的输电线路重合闸和强送决策方法及*** |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
CN108344922A (zh) * | 2017-12-30 | 2018-07-31 | 国网重庆市电力公司万州供电分公司 | 一种基于相类区分和s变换的输电线路直击雷故障识别方法 |
CN108647479A (zh) * | 2018-07-03 | 2018-10-12 | 广东电网有限责任公司 | 一种避雷器故障暂态波形诊断方法及装置 |
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
CN109270407A (zh) * | 2018-11-16 | 2019-01-25 | 国网山东省电力公司电力科学研究院 | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 |
CN109324266A (zh) * | 2018-11-21 | 2019-02-12 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于深度学习的配网接地故障分析方法 |
CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及*** |
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
CN112255499A (zh) * | 2020-10-10 | 2021-01-22 | 重庆大学 | 基于相电流幅值的配电网断线故障定位与辨识方法及*** |
US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
CN113011084A (zh) * | 2021-02-26 | 2021-06-22 | 华北电力大学 | 基于相关向量机的输电线路故障原因智能辨识方法 |
US20210293873A1 (en) * | 2020-03-18 | 2021-09-23 | Mitsubishi Electric Research Laboratories, Inc. | Transient based Fault Location Method for Ungrounded Power Distribution Systems |
CN114034980A (zh) * | 2021-11-12 | 2022-02-11 | 陕西省地方电力(集团)有限公司渭南供电分公司 | 基于粒子群优化bp神经网络的配电线路故障检测方法 |
CN114047705A (zh) * | 2021-12-07 | 2022-02-15 | 国网河南省电力公司电力科学研究院 | 一种单相接地故障检测定值自适应整定方法及*** |
CN114062832A (zh) * | 2021-08-31 | 2022-02-18 | 广东电网有限责任公司 | 一种配电网短路故障类型的识别方法及*** |
CN114117921A (zh) * | 2021-11-29 | 2022-03-01 | 青海大学 | 一种光伏阵列故障智能诊断方法 |
CN114355099A (zh) * | 2021-12-07 | 2022-04-15 | 国网河南省电力公司电力科学研究院 | 基于现场录波数据分析的配电网单相接地故障检测方法 |
CN114414942A (zh) * | 2022-01-14 | 2022-04-29 | 重庆大学 | 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及*** |
US20220196720A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Single-ended fault positioning method and system for high-voltage direct-current transmission line of hybrid network |
CN114755529A (zh) * | 2022-04-06 | 2022-07-15 | 重庆大学 | 一种基于深度学习的多特征融合单相接地故障类型辨识方法 |
US20220268827A1 (en) * | 2021-02-24 | 2022-08-25 | Mitsubishi Electric Research Laboratories, Inc. | Distribution Fault Location Using Graph Neural Network with both Node and Link Attributes |
CN115469184A (zh) * | 2022-09-05 | 2022-12-13 | 广东电网有限责任公司广州供电局 | 基于卷积网络的新能源输电线路故障识别方法 |
-
2023
- 2023-02-15 CN CN202310114821.7A patent/CN115932484B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
CN108344922A (zh) * | 2017-12-30 | 2018-07-31 | 国网重庆市电力公司万州供电分公司 | 一种基于相类区分和s变换的输电线路直击雷故障识别方法 |
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
CN108647479A (zh) * | 2018-07-03 | 2018-10-12 | 广东电网有限责任公司 | 一种避雷器故障暂态波形诊断方法及装置 |
CN109270407A (zh) * | 2018-11-16 | 2019-01-25 | 国网山东省电力公司电力科学研究院 | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 |
CN109324266A (zh) * | 2018-11-21 | 2019-02-12 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于深度学习的配网接地故障分析方法 |
US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
CN111046581A (zh) * | 2019-12-27 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障类型识别方法及*** |
US20210293873A1 (en) * | 2020-03-18 | 2021-09-23 | Mitsubishi Electric Research Laboratories, Inc. | Transient based Fault Location Method for Ungrounded Power Distribution Systems |
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
CN112255499A (zh) * | 2020-10-10 | 2021-01-22 | 重庆大学 | 基于相电流幅值的配电网断线故障定位与辨识方法及*** |
US20220196720A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Single-ended fault positioning method and system for high-voltage direct-current transmission line of hybrid network |
US20220268827A1 (en) * | 2021-02-24 | 2022-08-25 | Mitsubishi Electric Research Laboratories, Inc. | Distribution Fault Location Using Graph Neural Network with both Node and Link Attributes |
CN113011084A (zh) * | 2021-02-26 | 2021-06-22 | 华北电力大学 | 基于相关向量机的输电线路故障原因智能辨识方法 |
CN114062832A (zh) * | 2021-08-31 | 2022-02-18 | 广东电网有限责任公司 | 一种配电网短路故障类型的识别方法及*** |
CN114034980A (zh) * | 2021-11-12 | 2022-02-11 | 陕西省地方电力(集团)有限公司渭南供电分公司 | 基于粒子群优化bp神经网络的配电线路故障检测方法 |
CN114117921A (zh) * | 2021-11-29 | 2022-03-01 | 青海大学 | 一种光伏阵列故障智能诊断方法 |
CN114355099A (zh) * | 2021-12-07 | 2022-04-15 | 国网河南省电力公司电力科学研究院 | 基于现场录波数据分析的配电网单相接地故障检测方法 |
CN114047705A (zh) * | 2021-12-07 | 2022-02-15 | 国网河南省电力公司电力科学研究院 | 一种单相接地故障检测定值自适应整定方法及*** |
CN114414942A (zh) * | 2022-01-14 | 2022-04-29 | 重庆大学 | 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及*** |
CN114755529A (zh) * | 2022-04-06 | 2022-07-15 | 重庆大学 | 一种基于深度学习的多特征融合单相接地故障类型辨识方法 |
CN115469184A (zh) * | 2022-09-05 | 2022-12-13 | 广东电网有限责任公司广州供电局 | 基于卷积网络的新能源输电线路故障识别方法 |
Non-Patent Citations (9)
Title |
---|
AHMAD ABDULLAH: "Ultrafast Transmission Line Fault Detection Using a DWT-Based ANN", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》, pages 1182 - 1192 * |
ALEX KRIZHEVSKY,ILYA SUTSKEVER,GEOFFREY E. HINTON: "ImageNet Classification with Deep Convolutional Neural Networks", 《RESEARCH HIGHLIGHTS》, pages 84 - 89 * |
MOSLEM SALEHI,FARHAD NAMDARI.: "Fault classification and faulted phase selection for transmission line using morphological edge detection filter", 《IET JOURNALS》, pages 1595 - 1604 * |
余锐;肖超;陈愚;欧阳金鑫;熊俊;熊小伏: "柔性直流馈入下交流输电线路单端故障测距分析", 《重庆大学学报》, pages 48 - 55 * |
徐舒玮;邱才明;张东霞;贺兴;储磊;杨浩森: "基于深度学习的输电线路故障类型辨识", 《中国电机工程学报》, pages 1 - 11 * |
李昊; 王建; 熊小伏; 张波; 陈红州: "基于双目图像测距的输电线路净距计算与安全告警方法", 《广东电力》, pages 11 - 19 * |
杨毅; 范栋琛; 殷浩然; 韩佶; 苗世洪: "基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究", 《电力自动化设备》, pages 1 - 8 * |
王建; 姚江宁; 刘泽青; 欧阳金鑫; 熊小伏: "恶劣天气下配电网故障统计分析及其概率分布拟合", 《电力***保护与控制》, pages 144 - 152 * |
王建;吴昊;张博;南东亮;欧阳金鑫;熊小伏: "不平衡样本下基于迁移学习-AlexNet 的输电线路故障辨识方法", 《电力***自动化》, pages 182 - 189 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116094179A (zh) * | 2023-04-11 | 2023-05-09 | 国网安徽省电力有限公司合肥供电公司 | 一种交直流柔性配网中压线路故障分析处理*** |
CN117290756A (zh) * | 2023-09-25 | 2023-12-26 | 重庆大学 | 基于联邦学习的输电线路故障辨识方法、装置和电子设备 |
CN117290756B (zh) * | 2023-09-25 | 2024-04-16 | 重庆大学 | 基于联邦学习的输电线路故障辨识方法、装置和电子设备 |
CN117856182A (zh) * | 2024-01-04 | 2024-04-09 | 国网新疆电力有限公司电力科学研究院 | 基于贝叶斯网络的输电线路重合闸和强送决策方法及*** |
CN117826019A (zh) * | 2024-03-06 | 2024-04-05 | 国网吉林省电力有限公司长春供电公司 | 中性点不接地***的线路单相接地故障区及类型检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115932484B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115932484B (zh) | 输电线路故障辨识与故障测距方法、装置和电子设备 | |
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 | |
Farshad et al. | A novel fault-location method for HVDC transmission lines based on similarity measure of voltage signals | |
CN112147462A (zh) | 一种基于深度学习的输电线路故障辨识方法 | |
Ferreira et al. | Probabilistic transmission line fault diagnosis using autonomous neural models | |
CN114414942A (zh) | 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及*** | |
CN112787591B (zh) | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 | |
CN113850330A (zh) | 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法 | |
CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
CN116008731B (zh) | 配电网高阻故障辨识方法、装置和电子设备 | |
CN115545479A (zh) | 一种配电网重要节点或重要线路的确定方法及装置 | |
Shi et al. | Diagnosis of the single phase‐to‐ground fault in distribution network based on feature extraction and transformation from the waveforms | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
Wu et al. | Transmission line fault cause identification method based on transient waveform image and MCNN-LSTM | |
Mehinović et al. | Application of artificial intelligence methods for determination of transients in the power system | |
Muzzammel et al. | Low impedance fault identification and classification based on Boltzmann machine learning for HVDC transmission systems | |
Mahela et al. | A protection scheme for distribution utility grid with wind energy penetration | |
Asbery et al. | Electric transmission system fault identification using modular artificial neural networks for single transmission lines | |
França et al. | A machine learning-based approach for comprehensive fault diagnosis in transmission lines | |
Cui et al. | High impedance fault detection method based on Data divergence in the distribution network | |
Bais et al. | Faulty line localization in ieee 30 bus system using cnn-lstm | |
Venkata et al. | Data Mining and SVM Based Fault Diagnostic Analysis in Modern Power System Using Time and Frequency Series Parameters Calculated From Full-Cycle Moving Window | |
CN117250439B (zh) | 一种面向多源接地故障的三层式研判分析*** | |
Bhatnagar et al. | LSTM-based low-impedance fault and high-impedance fault detection and classification | |
CN114912338B (zh) | 一种基于两阶段特征选择和格拉姆角场的拓扑辨识方法 |
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 |