CN117054803A - 一种含分布式光伏配电网接地故障辨识方法及*** - Google Patents

一种含分布式光伏配电网接地故障辨识方法及*** Download PDF

Info

Publication number
CN117054803A
CN117054803A CN202310700538.2A CN202310700538A CN117054803A CN 117054803 A CN117054803 A CN 117054803A CN 202310700538 A CN202310700538 A CN 202310700538A CN 117054803 A CN117054803 A CN 117054803A
Authority
CN
China
Prior art keywords
sequence
value
scale
matrix
component
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.)
Pending
Application number
CN202310700538.2A
Other languages
English (en)
Inventor
吴义辉
李琼
廖旭
刘林君
贾玉鑫
陈亚奇
刘斌
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.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
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 Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN202310700538.2A priority Critical patent/CN117054803A/zh
Publication of CN117054803A publication Critical patent/CN117054803A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开一种含分布式光伏配电网接地故障辨识方法及***，方法包括：对获取的零序电压信号进行变分模态分解，得到模态分量序列，模态分量序列中包含本征模时间子序列；基于改进的MPE算法对本征模时间子序列进行多尺度粗粒化，得到多尺度排列熵矩阵；将多尺度排列熵矩阵输入卷积神经网络中，经过卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入卷积神经网络的全连接层进行分类，使卷积神经网络输出故障类型的分布概率。在进行池化时，通过计算各个位置与均值的差值的平方，并乘以该位置的指数值作为权值，该权值能够放大输入数据中原本较小的差异，能够对故障特征矩阵信息进行有效辨识，提高了故障辨识的准确率。

Description

一种含分布式光伏配电网接地故障辨识方法及***
技术领域
本发明属于电力自动化技术领域，尤其涉及一种含分布式光伏配电网接地故障辨识方法及***。
背景技术
随着高渗透率分布式光伏的接入，配电网导致传统配电网的拓扑结构发生变化，伴随着光伏发电的电源容量、接入位置、出力情况等不确定性进一步造成配电网电压分布，谐波含量等故障特征随之变化，这对配电网接地故障辨识造成了显著影响。
传统配电网接地故障辨识方法主要通过对故障波形进行分析，提取其中的故障特征信息进行故障辨识。此类方法主要依赖于对波形时域或频域特征的提取，结合人工设置的故障阈值进行故障辨识，但此类方法的主观性较强，时常发生误判的现象。目前，许多研究人员从时频域特征融合及机器学习等方面对故障进行诊断。但随着高渗透率分布式光伏接入，配电网故障特性与传统配电网存在较大差异，现有故障特征提取算法受光伏并网的影响，难以对故障特征进行有效提取。并且，现有故障特征提取算法只针对某一特定类型故障进行提取，难以对全体故障特征进行差异化描述。
综上，现有技术中的故障辨识存在以下技术缺陷：1)配电网接入分布式光伏后，故障特征受到显著影响，传统配电网故障辨识算法在辨识过程中出现了部分接地故障时频域特征混淆的问题，造成故障辨识难度加大；2)传统配电网故障特征提取算法所提取的故障特征只能针对某一类型故障进行故障辨识，无法将所有故障类型进行区分；3)传统故障分类算法需要人工设置阈值实现故障分类，容易发生错误判别。
发明内容
本发明提供一种含分布式光伏配电网接地故障辨识方法及***，用于解决难以对故障特征进行有效提取以及提取故障特征的类型单一的技术问题。
第一方面，本发明提供一种含分布式光伏配电网接地故障辨识方法，包括：
对获取的零序电压信号进行变分模态分解，得到模态分量序列，其中，所述模态分量序列中包含本征模时间子序列；
基于改进的MPE算法对所述本征模时间子序列进行多尺度粗粒化，得到多尺度排列熵矩阵；
将所述多尺度排列熵矩阵输入卷积神经网络中，经过所述卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入所述卷积神经网络的全连接层进行分类，使所述卷积神经网络输出故障类型的分布概率，其中，基于所述池化层对所述多尺度排列熵矩阵进行处理具体包括：
将输入矩阵Tγ转化成序列γ＝[γz]，z＝1，2，...，n，其中，输入矩阵Tγ为多尺度排列熵矩阵经过卷积层卷积处理后输出的矩阵，γz为序列γ第z个位置的值；
计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值，得到平方序列mγ＝[mγz]，z＝1，2，...，n，其中，计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值的表达式为：
mγz＝(γz-mean(γ))2，
式中，mean(γ)为序列γ的平均值；
将平方序列mγ中的各个值分别与对应位置的指数值相乘，得到权重序列weight＝[weightz]，z＝1，2，...，n，其中，将平方序列mγ中的各个值分别与对应位置的指数值相乘的表达式为：
式中，为对序列γ第z个位置的值取指数；
根据所述权重序列对所述输入矩阵Tγ进行加权，得到池化特征矩阵。
第二方面，本发明提供一种含分布式光伏配电网接地故障辨识***，包括：
获取模块，配置为对获取的零序电压信号进行变分模态分解，得到模态分量序列，其中，所述模态分量序列中包含本征模时间子序列；
粗粒化模块，配置为基于改进的MPE算法对所述本征模时间子序列进行多尺度粗粒化，得到多尺度排列熵矩阵；
处理模块，配置为将所述多尺度排列熵矩阵输入卷积神经网络中，经过所述卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入所述卷积神经网络的全连接层进行分类，使所述卷积神经网络输出故障类型的分布概率，其中，基于所述池化层对所述多尺度排列熵矩阵进行处理具体包括：
将输入矩阵Tγ转化成序列γ＝[γz]，z＝1，2，...，n，其中，输入矩阵Tγ为多尺度排列熵矩阵经过卷积层卷积处理后输出的矩阵，γz为序列γ第z个位置的值；
计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值，得到平方序列mγ＝[mγz]，z＝1，2，...，n，其中，计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值的表达式为：
mγz＝(γz-mean(γ))2，
式中，mean(γ)为序列γ的平均值；
将平方序列mγ中的各个值分别与对应位置的指数值相乘，得到权重序列weight＝[weightz]，z＝1，2，...，n，其中，将平方序列mγ中的各个值分别与对应位置的指数值相乘的表达式为：
式中，为对序列γ第z个位置的值取指数；
根据所述权重序列对所述输入矩阵Tγ进行加权，得到池化特征矩阵。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的含分布式光伏配电网接地故障辨识方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的含分布式光伏配电网接地故障辨识方法的步骤。
本申请的含分布式光伏配电网接地故障辨识方法及***，具有以下有益效果：基于VMD-改进MPE算法提取故障频域特征，减少因光伏并网对故障时域特征的影响导致故障特征提取不准确、故障特征混淆的问题。在基于卷积神经网络进行故障辨识的过程中，在进行池化时，通过计算各个位置与均值的差值的平方，并乘以该位置的指数值作为权值，该权值能够放大输入数据中原本较小的差异，能够对故障特征矩阵信息进行有效辨识，提高了故障辨识的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明一实施例提供的一种含分布式光伏配电网接地故障辨识方法的流程图；
图2为本发明一实施例提供的一具体实施例的池化过程示意图；
图3为本发明一实施例提供的一具体实施例的典型故障多尺度排列熵特征矩阵伪彩色编码图；
图4为本发明一实施例提供的一具体实施例的池化流程示意图；
图5为本发明一实施例提供的一种含分布式光伏配电网接地故障辨识***的结构框图；
图6是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
请参阅图1，其示出了本申请的一种含分布式光伏配电网接地故障辨识方法的流程图。
如图1所示，含分布式光伏配电网接地故障辨识方法具体包括以下步骤：
步骤S101，对获取的零序电压信号进行变分模态分解，得到模态分量序列，其中，所述模态分量序列中包含本征模时间子序列。
在本步骤中，输入零序电压信号f(t)；
初始化第k个模态分量第k个中心频率/>拉格朗日乘法算子λ1以及迭代次数n＝0；
分别对第k个模态分量第k个中心频率/>和拉格朗日乘法算子λ1进行迭代更新，直至满足迭代终止条件，其中，对第k个模态分量/>进行迭代更新的表达式为：
式中，为第n+1次迭代的第k个模态分量的傅里叶变换，/>为输入函数的傅里叶变换，/>为拉个朗日乘法算子的傅里叶变换，/>为第k个模态分量的傅里叶变换，α为惩罚因子，ω为频率，ωk为第k个模态分量的中心频率；
对第k个中心频率进行迭代更新的表达式为：
式中，为第n+1次迭代后的第k个中心频率；
对拉格朗日乘法算子λ1进行迭代更新的表达式为：
式中，τ为噪声容限，为第n+1次迭代的拉格朗日算子的傅里叶变换，为第n次迭代的拉格朗日算子的傅里叶变换；
输出模态分量序列X＝[IMF1，IMF2，...，IMFk]，其中，IMF1为第1个本征模时间子序列，IMF2为第2个本征模时间子序列，IMFk为第k个本征模时间子序列。
需要说明的是，迭代终止条件的表达式为：
式中，为第n+1次迭代的第k个模态分量的傅里叶变换，/>为第n次迭代的第k个模态分量的傅里叶变换，k为模态分量序数，ε为判别精度，/>为第n+1次迭代的第k个模态分量的傅里叶变换与第n次迭代的第k个模态分量的傅里叶变换的差值的平方范数，/>为第n次迭代的第k个模态分量的傅里叶变换的平方范数。
步骤S102，基于改进的MPE算法对所述本征模时间子序列进行多尺度粗粒化，得到多尺度排列熵矩阵。
在本步骤中，输入X＝[IMF1，IMF2，...，IMFk]；
对于长度为N的第k个本征模时间子序列IMFk＝{xξ，ξ＝1，2，...，N}，k＝1，2，...，n进行粗粒化，得到粗粒化序列
式中，Xj为第j个本征模时间子序列，s为尺度因子，ξ为第j个本征模时间子序列的第ξ个值；
对粗粒化序列进行重构，其中，对粗粒化序列/>进行重构的表达式为：
式中，m为嵌入维度，l＝1，2，…，N-(m-1)τ，l为第l个重构分量，t为延迟时间，为尺度为s的粗粒化序列重构序列，/>为尺度为s的第l个重构分量，/>为尺度为s的第l+t个重构分量，/>为尺度为s的第l+(m-1)t个重构分量；
计算重构后的粗粒化序列的排列熵，其中，计算排列熵的表达式为：
式中，Pr为第r种排列出现的概率，Hp(m)为各粗粒化序列的多尺度排列熵值，R为出现的排列的总数；
当Pr＝1/m！时，即Hp(m)达到最大值ln(m！)时，对多尺度排列熵值进行归一化处理，得到Hp＝Hp(m)/ln(m！)，其中，Hp为归一化后多尺度排列熵，ln(m！)为对嵌入维度的阶乘取以e为底的对数；
输出多尺度排列熵矩阵M，其中，多尺度排列熵矩阵M的表达式为：
式中，HP11为第1个IMF分量的尺度为1的排列熵，HP12为第1个IMF分量的尺度为2的排列熵，HP1s为第1个IMF分量的尺度为s的排列熵，HP21为第2个IMF分量的尺度为1的排列熵，HP22为第2个IMF分量的尺度为2的排列熵，HP2s为第2个IMF分量的尺度为s的排列熵，HPk1为第k个IMF分量的尺度为1的排列熵，HPk2为第k个IMF分量的尺度为2的排列熵，HPks为第k个IMF分量的尺度为s的排列熵。
步骤S103，将所述多尺度排列熵矩阵输入卷积神经网络中，经过所述卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入所述卷积神经网络的全连接层进行分类，使所述卷积神经网络输出故障类型的分布概率。
在本步骤中，如图2所示，基于池化层对多尺度排列熵矩阵进行处理具体包括：
将输入矩阵Tγ转化成序列γ＝[γz]，z＝1，2，...，n，其中，输入矩阵Tγ为多尺度排列熵矩阵经过卷积层卷积处理后输出的矩阵，γz为序列γ第z个位置的值；
计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值，得到平方序列mγ＝[mγz]，z＝1，2，...，n，其中，计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值的表达式为：
mγz＝(γz-mean(γ))2，
式中，mean(γ)为序列γ的平均值；
将平方序列mγ中的各个值分别与对应位置的指数值相乘，得到权重序列weight＝[weightz]，z＝1，2，...，n，其中，将平方序列mγ中的各个值分别与对应位置的指数值相乘的表达式为：
式中，为对序列γ第z个位置的值取指数；
根据所述权重序列对所述输入矩阵Tγ进行加权，得到池化特征矩阵。
综上，本申请的方法，基于VMD-改进MPE算法提取故障频域特征，减少因光伏并网对故障时域特征的影响导致故障特征提取不准确、故障特征混淆的问题。在基于卷积神经网络进行故障辨识的过程中，在进行池化时，通过计算各个位置与均值的差值的平方，并乘以该位置的指数值作为权值，该权值能够放大输入数据中原本较小的差异，能够对故障特征矩阵信息进行有效辨识，提高了故障辨识的准确率。
在一个具体实施例中，含分布式光伏配电网接地故障辨识方法包括以下步骤：
步骤一：基于VMD的故障信号分解。
步骤二：基于改进多尺度排列熵的故障特征提取。
为了量化模态分量X的故障信息，引入改进多尺度排列熵对X序列进行多尺度粗粒化，通过计算不同尺度的排列熵，提取信号的多个尺度的复杂度信息，由于传统粗粒化方法随着尺度因子的增大相邻两个序列之间的信息会产生遗漏，导致熵值产生波动。传统MPE算法粗粒化的步长为尺度因子s而改进后的MPE算法粗粒化的步长为1，降低了高尺度因子条件下相邻熵值之间的波动性，提高了熵值的稳定性。
为了更直观地展示多尺度排列熵的分布特征，本发明对多尺度排列熵矩阵M进行了伪彩色编码处理，将多尺度排列熵HPks∈[min(HPks)，max(HPks)]映射到BrBG映射表中，部分映射数值如表1所示。表1为：
图3为某单相接地故障样本的多尺度排列熵矩阵伪彩色编码图，其中，Scale1、Scale2、Scale3、Scale4、Scale5、Scale6、Scale7分别表示尺度1-尺度7，即第1-7个本征模子序列的尺度1-尺度7的排列熵，IMF1，IMF2，IMF3，IMF4，IMF5，IMF6，IMF7分别表示变分模态分解得到的各个模态分量，图中每个色块代表相应IMF分量对应尺度的排列熵值，排列熵值越小表明该尺度的IMF信号所含故障信息量越多。从图中可以看出，该单相接地故障样本的故障信息主要分布在IMF1到IMF3和IMF5到IMF6中，不同尺度所提取出的排列熵差异较大，可见采用单尺度下的排列熵将无法将故障信息表述完整。因此，采用多尺度排列熵作为故障特征矩阵，提高了故障特征表达的效率。
因此本发明提出的VMD-MPE故障特征提取算法通过变分模态分解对零序电压信号进行分解得到多个本征模分量，计算每个本征模分量的多尺度排列熵并生成特征值矩阵作为故障特征，能有有效将各类故障进行差异化表述。
步骤三：基于改进卷积神经网络的故障辨识。
采用改进卷积神经网络(Convolutional neural network,CNN)构建故障分类模型，将多尺度排列熵矩阵M输入卷积神经网络，经过卷积层和池化层处理后，将特征矩阵压缩成一维向量，输入全连接层进行分类，最终输出故障类型的分布概率。卷积神经网络的结构如图4所示，采用单个卷积层、池化层和全连接层来处理数据，卷积层的作用是提取故障特征矩阵的特征；自适应加权池化层用于降低数据维度，减少计算量；全连接层用于故障分类辨识。其中，卷积神经网络参数如表2所示。表2为：
请参阅图5，其示出了本申请的一种含分布式光伏配电网接地故障辨识***的结构框图。
如图5所示，含分布式光伏配电网接地故障辨识***200，包括：获取模块210、粗粒化模块220以及处理模块230。
其中，获取模块210，配置为对获取的零序电压信号进行变分模态分解，得到模态分量序列，其中，所述模态分量序列中包含本征模时间子序列；粗粒化模块220，配置为基于改进的MPE算法对所述本征模时间子序列进行多尺度粗粒化，得到多尺度排列熵矩阵；处理模块230，配置为将所述多尺度排列熵矩阵输入卷积神经网络中，经过所述卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入所述卷积神经网络的全连接层进行分类，使所述卷积神经网络输出故障类型的分布概率，其中，基于所述池化层对所述多尺度排列熵矩阵进行处理具体包括：将输入矩阵Tγ转化成序列γ＝[γz]，z＝1，2，...，n，其中，输入矩阵Tγ为多尺度排列熵矩阵经过卷积层卷积处理后输出的矩阵，γz为序列γ第z个位置的值；计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值，得到平方序列mγ＝[mγz]，z＝1，2，...，n，其中，计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值的表达式为：mγz＝(γz-mean(γ))2，式中，mean(γ)为序列γ的平均值；将平方序列mγ中的各个值分别与对应位置的指数值相乘，得到权重序列weight＝[weightz]，z＝1，2，...，n，其中，将平方序列mγ中的各个值分别与对应位置的指数值相乘的表达式为：式中，/>为对序列γ第z个位置的值取指数；据所述权重序列对所述输入矩阵Tγ进行加权，得到池化特征矩阵。
应当理解，图5中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图5中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例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，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的含分布式光伏配电网接地故障辨识方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
对获取的零序电压信号进行变分模态分解，得到模态分量序列，其中，所述模态分量序列中包含本征模时间子序列；
基于改进的MPE算法对所述本征模时间子序列进行多尺度粗粒化，并计算各个本征模时间子序列在不同尺度下的排列熵值，得到多尺度排列熵矩阵；
将所述多尺度排列熵矩阵输入卷积神经网络中，经过所述卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入所述卷积神经网络的全连接层进行分类，使所述卷积神经网络输出故障类型的分布概率，其中，基于所述池化层对所述多尺度排列熵矩阵进行处理具体包括：
将输入矩阵Tγ转化成序列γ＝[γz]，z＝1，2，...，n，其中，输入矩阵Tγ为多尺度排列熵矩阵经过卷积层卷积处理后输出的矩阵，γz为序列γ第z个位置的值；
计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值，得到平方序列mγ＝[mγz]，z＝1，2，...，n，其中，计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值的表达式为：
mγz＝(γz-mean(γ))2，
式中，mean(γ)为序列γ的平均值；
将平方序列mγ中的各个值分别与对应位置的指数值相乘，得到权重序列weight＝[weightz]，z＝1，2，...，n，其中，将平方序列mγ中的各个值分别与对应位置的指数值相乘的表达式为：
式中，为对序列γ第z个位置的值取指数；
根据所述权重序列对所述输入矩阵Tγ进行加权，得到池化特征矩阵。
计算机可读存储介质可以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***、至少一个功能所需要的应用程序；存储数据区可存储根据含分布式光伏配电网接地故障辨识***的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，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。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至含分布式光伏配电网接地故障辨识***。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。
图6是本发明实施例提供的电子设备的结构示意图，如图6所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图6中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例含分布式光伏配电网接地故障辨识方法。输入装置330可接收输入的数字或字符信息，以及产生与含分布式光伏配电网接地故障辨识***的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于含分布式光伏配电网接地故障辨识***中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
对获取的零序电压信号进行变分模态分解，得到模态分量序列，其中，所述模态分量序列中包含本征模时间子序列；
基于改进的MPE算法对所述本征模时间子序列进行多尺度粗粒化，并计算各个本征模时间子序列在不同尺度下的排列熵值，得到多尺度排列熵矩阵；
将所述多尺度排列熵矩阵输入卷积神经网络中，经过所述卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入所述卷积神经网络的全连接层进行分类，使所述卷积神经网络输出故障类型的分布概率，其中，基于所述池化层对所述多尺度排列熵矩阵进行处理具体包括：
将输入矩阵Tγ转化成序列γ＝[γz]，z＝1，2，...，n，其中，输入矩阵Tγ为多尺度排列熵矩阵经过卷积层卷积处理后输出的矩阵，γz为序列γ第z个位置的值；
计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值，得到平方序列mγ＝[mγz]，z＝1，2，...，n，其中，计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值的表达式为：
mγz＝(γz-mean(γ))2，
式中，mean(γ)为序列γ的平均值；
将平方序列mγ中的各个值分别与对应位置的指数值相乘，得到权重序列weight＝[weightz]，z＝1，2，...，n，其中，将平方序列mγ中的各个值分别与对应位置的指数值相乘的表达式为：
式中，为对序列γ第z个位置的值取指数；
根据所述权重序列对所述输入矩阵Tγ进行加权，得到池化特征矩阵。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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ROM/RAM、磁碟、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)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种含分布式光伏配电网接地故障辨识方法，其特征在于，包括：
对获取的零序电压信号进行变分模态分解，得到模态分量序列，其中，所述模态分量序列中包含本征模时间子序列；
基于改进的MPE算法对所述本征模时间子序列进行多尺度粗粒化，并计算各个本征模时间子序列在不同尺度下的排列熵值，得到多尺度排列熵矩阵；
将所述多尺度排列熵矩阵输入卷积神经网络中，经过所述卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入所述卷积神经网络的全连接层进行分类，使所述卷积神经网络输出故障类型的分布概率，其中，基于所述池化层对所述多尺度排列熵矩阵进行处理具体包括：
将输入矩阵Tγ转化成序列γ＝[γz]，z＝1，2，...，n，其中，输入矩阵Tγ为多尺度排列熵矩阵经过卷积层卷积处理后输出的矩阵，γz为序列γ第z个位置的值；
计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值，得到平方序列mγ＝[mγz]，z＝1，2，...，n，其中，计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值的表达式为：
mγz＝(γz-mean(γ))2，
式中，mean(γ)为序列γ的平均值；
将平方序列mγ中的各个值分别与对应位置的指数值相乘，得到权重序列weight＝[weightz]，z＝1，2，...，n，其中，将平方序列mγ中的各个值分别与对应位置的指数值相乘的表达式为：
式中，为对序列γ第z个位置的值取指数；
根据所述权重序列对所述输入矩阵Tγ进行加权，得到池化特征矩阵。
2.根据权利要求1所述的一种含分布式光伏配电网接地故障辨识方法，其特征在于，所述对获取的零序电压信号进行变分模态分解，得到模态分量序列包括：
输入零序电压信号f(t)；
初始化第k个模态分量第k个中心频率/>拉格朗日乘法算子λ1以及迭代次数n＝0；
分别对第k个模态分量第k个中心频率/>和拉格朗日乘法算子λ1进行迭代更新，直至满足迭代终止条件，其中，对第k个模态分量/>进行迭代更新的表达式为：
式中，为第n+1次迭代的第k个模态分量的傅里叶变换，/>为输入函数的傅里叶变换，/>为拉个朗日乘法算子的傅里叶变换，/>为第k个模态分量的傅里叶变换，α为惩罚因子，ω为频率，ωk为第k个模态分量的中心频率；
对第k个中心频率进行迭代更新的表达式为：
式中，为第n+1次迭代后的第k个中心频率；
对拉格朗日乘法算子λ1进行迭代更新的表达式为：
式中，τ为噪声容限，为第n+1次迭代的拉格朗日算子的傅里叶变换，/>为第n次迭代的拉格朗日算子的傅里叶变换；
输出模态分量序列X＝[IMF1,IMF2,…,IMFk]，其中，IMF1为第1个本征模时间子序列，IMF2为第2个本征模时间子序列，IMFk为第k个本征模时间子序列。
3.根据权利要求2所述的一种含分布式光伏配电网接地故障辨识方法，其特征在于，其中，所述迭代终止条件的表达式为：
式中，为第n+1次迭代的第k个模态分量的傅里叶变换，/>为第n次迭代的第k个模态分量的傅里叶变换，k为模态分量序数，ε为判别精度，/>为第n+1次迭代的第k个模态分量的傅里叶变换与第n次迭代的第k个模态分量的傅里叶变换的差值的平方范数，/>为第n次迭代的第k个模态分量的傅里叶变换的平方范数。
4.根据权利要求1所述的一种含分布式光伏配电网接地故障辨识方法，其特征在于，所述基于改进的MPE算法对所述本征模时间子序列进行多尺度粗粒化，并计算各个本征模时间子序列在不同尺度下的排列熵值，得到多尺度排列熵矩阵包括：
输入X＝[INF1，IMF2，...，IMFk]；
对于长度为N的第k个本征模时间子序列IMFk＝{xξ，ξ＝1，2，...，N}，k＝1，2，...，n进行粗粒化，得到粗粒化序列
式中，Xj为第j个本征模时间子序列，s为尺度因子，ξ为第j个本征模时间子序列的第ξ个值；
对粗粒化序列进行重构，其中，对粗粒化序列/>进行重构的表达式为：
式中，m为嵌入维度，l＝1，2，…，N-(m-1)τ，l为第l个重构分量，t为延迟时间，为尺度为s的粗粒化序列重构序列，/>为尺度为s的第l个重构分量，/>为尺度为s的第l+t个重构分量，/>为尺度为s的第l+(m-1)t个重构分量；
计算重构后的粗粒化序列的排列熵，其中，计算排列熵的表达式为：
式中，Pr为第r种排列出现的概率，Hp(m)为各粗粒化序列的多尺度排列熵值，R为出现的排列的总数；
当Pr＝1/m！时，即Hp(m)达到最大值ln(m！)时，对多尺度排列熵值进行归一化处理，得到Hp＝Hp(m)/ln(m！)，其中，Hp为归一化后多尺度排列熵，ln(m！)为对嵌入维度的阶乘取以e为底的对数；
输出多尺度排列熵矩阵M，其中，多尺度排列熵矩阵M的表达式为：
式中，HP11为第1个IMF分量的尺度为1的排列熵，HP12为第1个IMF分量的尺度为2的排列熵，HPls为第1个IMF分量的尺度为s的排列熵，HP2l为第2个IMF分量的尺度为1的排列熵，HP22为第2个IMF分量的尺度为2的排列熵，HP2s为第2个IMF分量的尺度为s的排列熵，HPk1为第k个IMF分量的尺度为1的排列熵，HPk2为第k个IMF分量的尺度为2的排列熵，HPks为第k个IMF分量的尺度为s的排列熵。
5.一种含分布式光伏配电网接地故障辨识***，其特征在于，包括：
获取模块，配置为对获取的零序电压信号进行变分模态分解，得到模态分量序列，其中，所述模态分量序列中包含本征模时间子序列；
粗粒化模块，配置为基于改进的MPE算法对所述本征模时间子序列进行多尺度粗粒化，得到多尺度排列熵矩阵；
处理模块，配置为将所述多尺度排列熵矩阵输入卷积神经网络中，经过所述卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入所述卷积神经网络的全连接层进行分类，使所述卷积神经网络输出故障类型的分布概率，其中，基于所述池化层对所述多尺度排列熵矩阵进行处理具体包括：
将输入矩阵Tγ转化成序列γ＝[γz]，z＝1，2，...，n，其中，输入矩阵Tγ为多尺度排列熵矩阵经过卷积层卷积处理后输出的矩阵，γz为序列γ第z个位置的值；
计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值，得到平方序列mγ＝[mγz]，z＝1，2，...，n，其中，计算序列γ各个位置的值与所述序列γ的平均值的差值的平方值的表达式为：
mγz＝(γz-mean(γ))2，
式中，mean(γ)为序列γ的平均值；
将平方序列mγ中的各个值分别与对应位置的指数值相乘，得到权重序列weight＝[weightz]，z＝1，2，...，n，其中，将平方序列mγ中的各个值分别与对应位置的指数值相乘的表达式为：
式中，为对序列γ第z个位置的值取指数；
根据所述权重序列对所述输入矩阵Tγ进行加权，得到池化特征矩阵。
6.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4任一项所述的方法。
7.一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，所述程序被处理器执行时实现权利要求1至4任一项所述的方法。
CN202310700538.2A 2023-06-14 2023-06-14 一种含分布式光伏配电网接地故障辨识方法及*** Pending CN117054803A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310700538.2A CN117054803A (zh) 2023-06-14 2023-06-14 一种含分布式光伏配电网接地故障辨识方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310700538.2A CN117054803A (zh) 2023-06-14 2023-06-14 一种含分布式光伏配电网接地故障辨识方法及***

Publications (1)

Publication Number Publication Date
CN117054803A true CN117054803A (zh) 2023-11-14

Family

ID=88654176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310700538.2A Pending CN117054803A (zh) 2023-06-14 2023-06-14 一种含分布式光伏配电网接地故障辨识方法及***

Country Status (1)

Country Link
CN (1) CN117054803A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290788A (zh) * 2023-11-27 2023-12-26 南昌航空大学 一种基于改进小波变换算法的配电网故障辨识方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290788A (zh) * 2023-11-27 2023-12-26 南昌航空大学 一种基于改进小波变换算法的配电网故障辨识方法及***
CN117290788B (zh) * 2023-11-27 2024-02-02 南昌航空大学 一种基于改进小波变换算法的配电网故障辨识方法及***

Similar Documents

Publication Publication Date Title
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN111382906B (zh) 一种电力负荷预测方法、***、设备和计算机可读存储介质
CN108182316B (zh) 一种基于人工智能的电磁仿真方法及其电磁大脑
CN113553755B (zh) 电力***状态估计方法、装置及设备
CN117054803A (zh) 一种含分布式光伏配电网接地故障辨识方法及***
CN108831561A (zh) 流感预测模型的生成方法、装置及计算机可读存储介质
CN107341768B (zh) 网格降噪
CN110852522B (zh) 一种短期电力负荷预测方法及***
CN110807428B (zh) 煤类样品的识别方法、装置、服务器及存储介质
CN115496144A (zh) 配电网运行场景确定方法、装置、计算机设备和存储介质
CN117290788B (zh) 一种基于改进小波变换算法的配电网故障辨识方法及***
CN114118401A (zh) 基于神经网络的配电网络流量预测方法、***、装置及存储介质
CN117200208B (zh) 基于多尺度分量特征学习的用户级短期负荷预测方法及***
CN117290679A (zh) 电流互感器的运行状态检测方法、装置及电子设备
CN108427742B (zh) 一种基于低秩矩阵的配电网可靠性数据修复方法及***
CN117079005A (zh) 一种光缆故障监测方法、***、装置及可读存储介质
CN116432608A (zh) 基于人工智能的文本生成方法、装置、计算机设备及介质
CN116316600A (zh) 基于季节分型的面向风电功率日前预测自适应滤波方法
CN113807517B (zh) 剪枝参数搜索方法及剪枝方法、装置、设备、介质
CN113449968B (zh) 一种基于深度学习的新能源电网频率风险评估方法及装置
CN116050579A (zh) 基于深度特征融合网络的建筑能耗预测方法及***
CN115358314A (zh) 风电功率预测模型的训练和功率预测的方法、装置和设备
CN111950615B (zh) 一种基于树种优化算法的网络故障特征选择方法
CN113947237A (zh) 一种基于ams-tcn的风电功率误差修正方法
CN113609445A (zh) 多源异构监测数据处理方法、终端设备及可读存储介质

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