CN117216485B - 一种基于客观赋权的输电录波鸟害故障判别方法及*** - Google Patents
一种基于客观赋权的输电录波鸟害故障判别方法及*** Download PDFInfo
- Publication number
- CN117216485B CN117216485B CN202311481469.7A CN202311481469A CN117216485B CN 117216485 B CN117216485 B CN 117216485B CN 202311481469 A CN202311481469 A CN 202311481469A CN 117216485 B CN117216485 B CN 117216485B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- features
- discrimination
- recording
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000005540 biological transmission Effects 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012850 discrimination method Methods 0.000 claims 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000005770 birds nest Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 235000005765 wild carrot Nutrition 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000004088 simulation Methods 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于客观赋权的输电录波鸟害故障判别方法及***，涉及输电网故障监测技术领域。该方法包括以下步骤：获取故障录波数据，得到录波数据中的真实数据；根据设定的阈值提取故障区间特征；采用合成少数类过采样算法对故障区间特征进行增强处理；利用客观赋权法对离散特征进行权重训练，得到第一故障判别模型；利用自适应学习方式对连续特征进行学习，得到第二故障判别模型；结合第一故障判别模型和第二故障判别模型对待测数据的判别结果，作为鸟害故障判别的最终结果。本发明通过自适应学习的方式学习离散性特征权重，并利用自动机器学习框架学习连续性特征，最终实现输电故障录波鸟害故障的精准判别。
Description
技术领域
本发明涉及输电网故障监测技术领域，尤其涉及一种基于客观赋权的输电录波鸟害故障判别方法及***。
背景技术
输电线录波技术是一种广泛应用于电力***故障检测与分析的技术手段。通过在输电线路上设置录波设备，可以捕捉到电力***发生的各种故障波形数据。在鸟害故障判别中，录波数据可以提供关于故障发生时电流、电压的变化以及故障波形特征等信息，以便进行故障类型的判别和定位。当鸟类、鸟粪或鸟巢等在输电线路上形成串联路径时，会引起电流异常和电流振荡；当鸟类、鸟粪或鸟巢等在导线之间形成短路路径时，会导致电流过大而引发跳闸，从而对电力***的供电可靠性和运行安全性构成威胁。目前，传统的输电故障录波鸟害故障判别方法主要依赖于人工经验和专业知识，这种方法存在主观性强、判别准确度低、处理效率慢等问题。而现有输电线故障判别的模型，在提取特征的过程中无法提供多维度、多角度的特征信息，并且忽略了时域特征与频域之间的连续性，使其对鸟害的判别结果不够精确，实时性差，可能导致延误故障处理和增加线路安全隐患的风险。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种基于客观赋权的输电录波鸟害故障判别方法及***，通过自适应学习的方式学习离散性特征权重，并利用自动机器学习框架学习连续性特征，最终实现输电故障录波鸟害故障的精准判别。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明第一方面提供了一种基于客观赋权的输电录波鸟害故障判别方法，包括以下步骤：
获取故障录波数据，对录波数据进行预处理，得到录波数据中的真实数据；
根据设定的阈值提取故障区间特征，其中，从时域和频域两方面提取连续性特征，从多维度提取离散性特征；
采用合成少数类过采样算法对故障区间特征进行增强处理；
利用客观赋权法对离散特征进行权重训练，得到第一故障判别模型；
利用自适应学习方式对连续特征进行学习，得到第二故障判别模型；
结合第一故障判别模型和第二故障判别模型对待测数据的判别结果，作为鸟害故障判别的最终结果。
进一步的，对录波数据进行预处理的具体步骤为：
按照录波数据获得的文件格式进行无关数据剔除操作，得到各相电流和电压数据作为真实数据。
进一步的，连续性特征包括零序电流的直流含量、零序电流幅值变化、零序电流3次谐波含量、故障电阻均值以及零序电流小波包变换能量特征。
进一步的，通过故障相类型、重合闸情况、时段和天气四个维度提取离散性特征。
进一步的，采用合成少数类过采样算法对故障区间特征进行增强处理的具体步骤为：
采用K近邻算法构造新的少数类别样本；
将新的少数类别样本与原故障区间特征数据集合成，产生新的训练集。
更进一步的，采用K近邻算法构造新的少数类别样本的具体步骤为：
确定少数类样本；
采用最邻近算法，计算出每个少数类样本的K个近邻;
从K个近邻中随机挑选N个样本进行随机线性插值;
得到新的少数类样本。
进一步的，利用客观赋权法对离散特征进行权重训练，得到第一故障判别模型的具体步骤为：
针对数据集中的离散特征，利用客观赋权法确定初始权重；
利用自适应神经网络对客观赋权法确定的离散特征初始权重进行优化，得到第一故障判别模型。
更进一步的，利用自适应神经网络对客观赋权法确定的离散特征初始权重进行优化的具体步骤为：
通过不断调整神经网络的结构和连接权重，根据数据的变化和网络结构的变化自动调整模型和参数，以提高模型学习的效果和适应性，从而获取最优的离散特征权重数据。
更进一步的，不断调整神经网络的结构和连接权重的具体步骤包括：
在训练开始时，初始化神经网络的连接权重和偏置项；
使用输入数据通过神经网络进行前向传播，计算出网络的预测结果；
将网络的预测结果与实际标签进行比较，计算出预测结果的误差，即为损失函数；
通过多次迭代逐渐减小损失函数的值，从而获取最优的离散特征权重数据。
更进一步的，通过多次迭代逐渐减小损失函数的值的具体步骤为：
利用损失函数的值，通过反向传播算法计算每个连接权重和偏置项对损失的贡献程度；
使用梯度下降优化算法，沿着梯度的反方向更新连接权重和偏置项，从而减小损失函数的值。
进一步的，利用自动机器学习框架AutoGluon对连续特征进行学习。
本发明第二方面提供了一种基于客观赋权的输电录波鸟害故障判别***，包括：
数据获取模块，被配置为获取故障录波数据，对录波数据进行预处理，得到录波数据中的真实数据；
特征提取模块，被配置为根据设定的阈值提取故障区间特征，其中，从时域和频域两方面提取连续性特征，从多维度提取离散性特征；
特征增强模块，被配置为采用合成少数类过采样算法对故障区间特征进行增强处理；
第一模型训练模块，被配置为利用客观赋权法对离散特征进行权重训练，得到第一故障判别模型；
第二模型训练模块，被配置为利用自适应学习方式对连续特征进行学习，得到第二故障判别模型；
故障判别模块，被配置为结合第一故障判别模型和第二故障判别模型对待测数据的判别结果，作为鸟害故障判别的最终结果。
以上一个或多个技术方案存在以下有益效果：
本发明公开了一种基于客观赋权的输电录波鸟害故障判别方法及***，通过对故障录波文件中真实值的提取，确定故障特征数据集，针对离散特征的权重利用客观赋权和自适应学习的方式学习，利用自动机器学习方式训练连续特征，最终实现输电故障录波中鸟害跳闸故障的判别。本发明方法节约了人力成本，使用现代化机器学习技术提供了更准确、高效和实时的鸟害跳闸故障判别方法，从而提供更准确、高效的实现鸟害故障判别，提高电力***的供电可靠性和运行安全性。
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为本发明实施例一中基于客观赋权的输电录波鸟害故障判别方法流程图；
图2为本发明实施例一中的鸟害故障录波零序电流真实数据波形示意图；
图3为本发明实施例一中的一种鸟害故障录波母线零序电压真实数据波形示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，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；
实施例一：
本发明实施例一提供了一种基于客观赋权的输电录波鸟害故障判别方法，如图1所示，包括以下步骤：
步骤1，获取故障录波数据，对录波数据进行预处理，得到录波数据中的真实数据。
步骤2，根据设定的阈值提取故障区间特征，其中，从时域和频域两方面提取连续性特征，从多维度提取离散性特征。
步骤3，采用合成少数类过采样算法（Synthetic Minority OversamplingTechnique，SMOTE）对故障区间特征进行增强处理。
步骤4，利用客观赋权法对离散特征进行权重训练，得到第一故障判别模型。
步骤5，利用自适应学习方式对连续特征进行学习，得到第二故障判别模型。
步骤6，结合第一故障判别模型和第二故障判别模型对待测数据的判别结果，作为鸟害故障判别的最终结果。
步骤1中，对录波数据进行预处理的具体步骤为：
按照录波数据获得的文件格式进行无关数据剔除操作，得到各相电流和电压数据作为真实数据。
在一种具体的实施方式中，COMTRADE（Common format for transient dataexchange）是IEEE标准电力***暂态数据交换通用格式，该标准为电力***模型采集到的暂态波形和事故数据的文件定义了一种格式。每个COMTRADE记录都有一组最多4个与其相关的文件，4个文件中的每一个都具有一个不同的信息等级，4个文件包括：标题文件(.hdr)、配置文件(.cfg)、数据文件(.dat)、信息文件(.inf)。
为了获取各相电流、电压数据的真实值，本实施例针对COMTRADE文件格式中的.cfg文件和.dat文件进行提取，最终导出.csv格式数据以及根据数据采样得到的其各相电流、电压的波形图片，如图2和图3分别给出示例为鸟害徳坊线故障录波数据真实值提取后的零序电流和母线零序电压的数据采样图片，图2中数据波动区间即为输电线发生故障时间内的离散数据点。
步骤2中，经对录波文件进行真实值提取后，通过设定一定的阈值将录波中的故障区间数据进行提取，确定故障数据特征后得到最终的训练数据集。本实施例中提取的故障数据特征中包含连续性特征与离散性特征。阈值设为开始3次基波的平均值。为防止误判，设置当零序电流区间连续3次大于阈值时，判定为故障区间。
在一种具体的实施方式中，连续性特征包括零序电流的直流含量、零序电流幅值变化、零序电流3次谐波含量、故障电阻均值以及零序电流小波包变换能量特征。并且通过故障相类型、重合闸情况、时段和天气四个维度提取离散性特征。
（1）连续性特征
通过对故障录波数据从时域和频域两个角度进行连续性特征的提取，可以丰富的表征故障录波中的波形特征，实现故障起因的智能诊断。时域特征是对信号在时间上的直接描述，如最大最小值、均值、幅值等，其具有直观的物理意义，能够提供关于信号的基本信息。频域特征能够提供信号在频域上的信息，包括频谱能量、频谱峰值等。通过频域分析，可以了解信号的频率成分和能量分布情况，从而对故障类型或故障频率提供有益信息。综合使用时域和频域特征可以充分利用故障录波数据的信息，提供多维度、多角度的特征表示，可以更好地进行故障诊断和分类，从而提高故障判别的准确性和鲁棒性。本实施例中主要提取的连续性特征有：
1.零序电流的直流含量：零序电流直流含量即提取所有故障时零序电流数据的平均值；
2.零序电流幅值变化：零序电流幅值变化特征，可描述为零序电流幅值与基波幅值的倍数。
3.零序电流3次谐波含量：零序电流3次谐波含量利用离散傅里叶变换得出，可描述为：
。
式中，为离散故障数据序列/>的离散傅里叶变换系数，k为谐波次数，本发明中/>，N为一周波的故障数据样本数量，n为波的频率。
4.故障电阻均值：取故障处所有零序电流、零序电压数据点，零序电流为故障线零序电流数据I，零序电压为母线零序电压数据U，即故障电阻均值为：
。
式中，Means( )为均值函数。
5.零序电流小波包变换能量特征：零序电流的小波包变换能量特征，由小波包变换能量均值、能量方差、能量熵三种特征组成。提取小波包变换能量均值特征，值越高表明故障原因能量水平高；提取小波包变换能量方差特征，方差越高表明在该频段随时间推移能量波动的程度越大；提取小波包变换能量熵特征，熵用于描述暂态信号能量在概率空间内分布的复杂程度。小波包分解算法可描述为：
。
式中，为上一层小波包分解结果；/>和/>为下一级分解结果；j为尺度指标；l为位置指标；n为波的频率；k为变量；h0和h1为分解采用的多分辨率滤波器系数。对离散信号进行j层小波包分解后，即可得到j层小波包系数，m为小波包空间位置标识。
由上得到小波包各个频带分解能量Ej,k可表示为：
。
小波包变换能量均值、能量方差、能量熵即可通过Ej,k描述为：
。
其中，Eme为小波包变换能量均值特征；Evar为小波包变换能量方差特征；Eent为小波包变换能量熵特征；Means( )为均值函数；Variance( )为均方差函数；Entropy( )为熵值函数。
（2）离散性特征
故障相特征、重合闸特征、时段特征、天气特征均为离散特征。其中，故障相特征可以用于判别不同类型的故障，如短路、接地故障等；重合闸特征能够关联故障发生和恢复供电的过程，根据重合闸特征，可以确定故障发生前的状态和故障恢复后的影响，为故障诊断和处理提供更全面的信息；时段特征可以用于分析不同故障类型发生的时间段，如鸟害故障故障发生的时段一般为凌晨，施工导致的线路故障一般发生在白天；天气特征可以用于分析不同故障类型在不同天气条件产生的影响，例如，在雷暴天气条件可能由于雷击导致线路跳闸，在冰雪天气，可能由于线路覆冰，导致线路发生舞动从而引起线路跳闸等，通过分析天气特征，可以更好地理解故障发生的背景和环境因素。本发明中将离散特征描述为：
1.故障相特征：将故障相特征分为单相故障和相间故障；
2.重合闸特征：将重合闸特征分为重合闸成功与失败（未重合也认定为重合失败）；
3.时段特征：时段特征将全天分为2个时段，主要有7时-22时；
4.天气特征：天气特征根据故障发生时当天的天气状况确定，主要分为晴、雷、风、雨、大雾、冰六类。
步骤3中，对于小样本数据集，数据类别不平衡是一种在分类器模型训练过程中常见的问题之一，为了解决数据的非平衡问题，本实施例采用SMOTE算法进行数据扩充，其基本思想是对少数类别样本进行分析和模拟，并将人工模拟的新样本添加到数据集中，进而使原始数据中的类别不再严重失衡。该算法的模拟过程采用了K近邻算法（KNN）技术，具体步骤为：
（1）采用K近邻算法构造新的少数类别样本。
其具体步骤为：确定少数类样本；本实施例中，根据数据集中不同种类样本的数量确定少数类样本。
采用最邻近算法，计算出每个少数类样本的K个近邻;
从K个近邻中随机挑选N个样本进行随机线性插值;
得到新的少数类样本。
（2）将新的少数类别样本与原故障区间特征数据集合成，产生新的训练集。
步骤4中，本发明针对上述步骤提取出来的数据集中的离散特征，利用客观赋权的方法和自适应学习的方式学习其权重，利用自动机器学习方式训练数据集中的连续特征，最终实现输电故障录波中鸟害跳闸故障的判别。利用客观赋权法对离散特征进行权重训练，得到第一故障判别模型的具体步骤为：
S1：针对数据集中的离散特征，利用客观赋权法确定初始权重。
具体的，通过不断调整神经网络的结构和连接权重，根据数据的变化和网络结构的变化自动调整模型和参数，以提高模型学习的效果和适应性，从而获取最优的离散特征权重数据。
在一种具体的实施方式中，不断调整神经网络的结构和连接权重的具体步骤包括：
1.初始化参数：在训练开始时，初始化神经网络的连接权重和偏置项。
2.前向传播：使用输入数据通过神经网络进行前向传播，计算出网络的预测结果。
3.计算损失：将网络的预测结果与实际标签进行比较，计算出预测结果的误差，这个误差通常被称为损失（或成本）函数。
4.反向传播：利用损失函数的值，通过反向传播算法计算每个连接权重和偏置项对损失的贡献程度。
5.参数更新：使用梯度下降等优化算法，沿着梯度的反方向更新连接权重和偏置项，从而减小损失函数的值。
6.重复迭代：重复执行上述步骤2-5，通过多次迭代逐渐减小损失函数的值，从而提高模型在训练数据上的性能。
本实施例通过反向传播算法计算梯度，然后使用优化算法来更新参数。随着迭代次数的增加，模型会逐渐调整自己的参数，使得它能够更好地拟合训练数据，并在新的数据上表现得更好。
S2：利用自适应神经网络对客观赋权法确定的离散特征初始权重进行优化，得到第一故障判别模型。
在一种具体的实施方式中，针对数据集中的离散特征，利用客观赋权法来确定权重，保证初始权重公正性、可信度和可重复性，以减少主观偏见和不确定性对决策的影响，最终确定的离散特征初始权重设置如表1所示：
表1 .基于客观赋权法确定的离散特征初始权重
。
利用自适应神经网络对客观赋权法确定的离散特征初始权重进行优化，其通过不断调整神经网络的结构和连接权重，根据数据的变化和网络结构的变化自动调整模型和参数，以提高模型学习的效果和适应性，从而获取最优的离散特征权重数据，最终得到根据离散特征判别输电跳闸故障类型的判别概率。
步骤5中，利用自动机器学习框架AutoGluon对连续特征进行学习。
利用自动机器学习框架AutoGluon对上述故障类型的故障录波数据中的连续特征进行学习训练，利用其具备的自动化能力，自动选择合适的机器学习的模型和算法，并进行超参数调优，通过集成多个模型和算法，利用模型融合的方式提高预测的准确性，通过比较各模型的性能，无需手动选择和调整模型，最终输出最优模型的故障类型判别概率。
步骤6中，将利用离散特征判别的故障类型判别概率与利用AutoGluon框架判别的连续特征的故障类型判别概率相加和，得到最终输电线故障跳闸鸟害故障类型的判别。本实施例中，利用离散特征和连续特征判别的所有概率的总和相加为1，即：a*离散特征+b*连续特征，a和b权重总和为1，因此最后输出的所有的概率总和也为1，将最高概率相对应的故障作为最终的故障判别结果。
实施例二：
本发明实施例二提供了一种基于客观赋权的输电录波鸟害故障判别***，包括：
数据获取模块，被配置为获取故障录波数据，对录波数据进行预处理，得到录波数据中的真实数据；
特征提取模块，被配置为根据设定的阈值提取故障区间特征，其中，从时域和频域两方面提取连续性特征，从多维度提取离散性特征；
特征增强模块，被配置为采用合成少数类过采样算法对故障区间特征进行增强处理；
第一模型训练模块，被配置为利用客观赋权法对离散特征进行权重训练，得到第一故障判别模型；
第二模型训练模块，被配置为利用自适应学习方式对连续特征进行学习，得到第二故障判别模型；
故障判别模块，被配置为结合第一故障判别模型和第二故障判别模型对待测数据的判别结果，作为鸟害故障判别的最终结果。
以上实施例二中涉及的各步骤与实施例一相对应，具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于客观赋权的输电录波鸟害故障判别方法，其特征在于，包括以下步骤：
获取故障录波数据，对录波数据进行预处理，得到录波数据中的真实数据；
根据设定的阈值提取故障区间特征，其中，从时域和频域两方面提取连续性特征，从多维度提取离散性特征；
所述连续性特征包括零序电流的直流含量、零序电流幅值变化、零序电流3次谐波含量、故障电阻均值以及零序电流小波包变换能量特征；
通过故障相类型、重合闸情况、时段和天气四个维度提取离散性特征；
采用合成少数类过采样算法对故障区间特征进行增强处理；
利用客观赋权法对离散特征进行权重训练，得到第一故障判别模型；
针对数据集中的离散特征，利用客观赋权法确定初始权重；
利用自适应神经网络对客观赋权法确定的离散特征初始权重进行优化，得到第一故障判别模型；
利用自适应学习方式对连续特征进行学习，得到第二故障判别模型；
结合第一故障判别模型和第二故障判别模型对待测数据的判别结果，作为鸟害故障判别的最终结果；获取将利用离散特征判别的故障类型判别概率与利用AutoGluon框架判别的连续特征的故障类型判别概率相加和，即：a*离散特征+b*连续特征，将最高概率相对应的故障作为最终的故障判别结果。
2.如权利要求1所述的基于客观赋权的输电录波鸟害故障判别方法，其特征在于，对录波数据进行预处理的具体步骤为：
按照录波数据获得的文件格式进行无关数据剔除操作，得到各相电流和电压数据作为真实数据。
3.如权利要求1所述的基于客观赋权的输电录波鸟害故障判别方法，其特征在于，采用合成少数类过采样算法对故障区间特征进行增强处理的具体步骤为：
采用K近邻算法构造新的少数类别样本；
将新的少数类别样本与原故障区间特征数据集合成，产生新的训练集。
4.如权利要求3所述的基于客观赋权的输电录波鸟害故障判别方法，其特征在于，采用K近邻算法构造新的少数类别样本的具体步骤为：
确定少数类样本；
采用最邻近算法，计算出每个少数类样本的K个近邻；
从K个近邻中随机挑选N个样本进行随机线性插值；
得到新的少数类样本。
5.如权利要求1所述的基于客观赋权的输电录波鸟害故障判别方法，其特征在于，利用自适应神经网络对客观赋权法确定的离散特征初始权重进行优化的具体步骤为：
通过不断调整神经网络的结构和连接权重，根据数据的变化和网络结构的变化自动调整模型和参数，以提高模型学习的效果和适应性，从而获取最优的离散特征权重数据。
6.如权利要求5所述的基于客观赋权的输电录波鸟害故障判别方法，其特征在于，不断调整神经网络的结构和连接权重的具体步骤包括：
在训练开始时，初始化神经网络的连接权重和偏置项；
使用输入数据通过神经网络进行前向传播，计算出网络的预测结果；
将网络的预测结果与实际标签进行比较，计算出预测结果的误差，即为损失函数；
通过多次迭代逐渐减小损失函数的值，从而获取最优的离散特征权重数据。
7.如权利要求6所述的基于客观赋权的输电录波鸟害故障判别方法，其特征在于，通过多次迭代逐渐减小损失函数的值的具体步骤为：
利用损失函数的值，通过反向传播算法计算每个连接权重和偏置项对损失的贡献程度；
使用梯度下降优化算法，沿着梯度的反方向更新连接权重和偏置项，从而减小损失函数的值。
8.如权利要求1所述的基于客观赋权的输电录波鸟害故障判别方法，其特征在于，利用自动机器学习框架AutoGluon对连续特征进行学习。
9.一种基于客观赋权的输电录波鸟害故障判别***，其特征在于，包括：
数据获取模块，被配置为获取故障录波数据，对录波数据进行预处理，得到录波数据中的真实数据；
特征提取模块，被配置为根据设定的阈值提取故障区间特征，其中，从时域和频域两方面提取连续性特征，从多维度提取离散性特征；
所述连续性特征包括零序电流的直流含量、零序电流幅值变化、零序电流3次谐波含量、故障电阻均值以及零序电流小波包变换能量特征；
通过故障相类型、重合闸情况、时段和天气四个维度提取离散性特征；
特征增强模块，被配置为采用合成少数类过采样算法对故障区间特征进行增强处理；
第一模型训练模块，被配置为利用客观赋权法对离散特征进行权重训练，得到第一故障判别模型；
所述得到第一故障判别模型具体内容是：针对数据集中的离散特征，利用客观赋权法确定初始权重；
利用自适应神经网络对客观赋权法确定的离散特征初始权重进行优化，得到第一故障判别模型；
第二模型训练模块，被配置为利用自适应学习方式对连续特征进行学习，得到第二故障判别模型；
故障判别模块，被配置为结合第一故障判别模型和第二故障判别模型对待测数据的判别结果，作为鸟害故障判别的最终结果；具体内容是：获取将利用离散特征判别的故障类型判别概率与利用AutoGluon框架判别的连续特征的故障类型判别概率相加和，即：a*离散特征+b*连续特征，将最高概率相对应的故障作为最终的故障判别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311481469.7A CN117216485B (zh) | 2023-11-09 | 2023-11-09 | 一种基于客观赋权的输电录波鸟害故障判别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311481469.7A CN117216485B (zh) | 2023-11-09 | 2023-11-09 | 一种基于客观赋权的输电录波鸟害故障判别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117216485A CN117216485A (zh) | 2023-12-12 |
| CN117216485B true CN117216485B (zh) | 2024-01-30 |
Family
ID=89051490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311481469.7A Active CN117216485B (zh) | 2023-11-09 | 2023-11-09 | 一种基于客观赋权的输电录波鸟害故障判别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216485B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108535597A (zh) * | 2018-04-13 | 2018-09-14 | 国网福建省电力有限公司 | 基于线路模型的单相接地故障区段定位方法 |
| 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 |
| CN111898729A (zh) * | 2020-06-10 | 2020-11-06 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障原因识别方法及*** |
| CN112149554A (zh) * | 2020-09-21 | 2020-12-29 | 广东电网有限责任公司清远供电局 | 故障分类模型的训练、故障检测方法及相关装置 |
| 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 |
| CN113837477A (zh) * | 2021-09-27 | 2021-12-24 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
| CN113960417A (zh) * | 2021-11-19 | 2022-01-21 | 国网湖南省电力有限公司 | 基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质 |
| CN114113911A (zh) * | 2021-12-06 | 2022-03-01 | 国网山东省电力公司电力科学研究院 | 一种基于故障波形的故障类型判别方法及判别*** |
| WO2022068074A1 (zh) * | 2020-09-29 | 2022-04-07 | 山东大学 | 一种缓慢发展型永久性故障预警方法和*** |
| WO2022183698A1 (zh) * | 2021-03-05 | 2022-09-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识***及方法 |
| CN115422759A (zh) * | 2022-09-15 | 2022-12-02 | 西安热工研究院有限公司 | 一种设备故障诊断模型构建及设备故障诊断方法、装置 |
| CN116644361A (zh) * | 2023-04-20 | 2023-08-25 | 武汉大学 | 一种架空输电线路故障诊断方法及计算机可读介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020087184A1 (en) * | 2018-11-01 | 2020-05-07 | University Of Manitoba | Method for determining conductors involved in a fault on a power transmission line and fault location using local current measurements |
| JP2022085487A (ja) * | 2020-11-27 | 2022-06-08 | 三菱電機株式会社 | 事故予兆検知システム、事故予兆検知方法、ならびに事故予兆検知システムの親局および子局 |
| EP4125171A1 (en) * | 2021-07-27 | 2023-02-01 | Qualitrol Company, Llc | Systems and methods for ai continued learning in electrical power grid fault analysis |
-
2023
- 2023-11-09 CN CN202311481469.7A patent/CN117216485B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108535597A (zh) * | 2018-04-13 | 2018-09-14 | 国网福建省电力有限公司 | 基于线路模型的单相接地故障区段定位方法 |
| 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 |
| CN111898729A (zh) * | 2020-06-10 | 2020-11-06 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障原因识别方法及*** |
| 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 |
| CN112149554A (zh) * | 2020-09-21 | 2020-12-29 | 广东电网有限责任公司清远供电局 | 故障分类模型的训练、故障检测方法及相关装置 |
| WO2022068074A1 (zh) * | 2020-09-29 | 2022-04-07 | 山东大学 | 一种缓慢发展型永久性故障预警方法和*** |
| WO2022183698A1 (zh) * | 2021-03-05 | 2022-09-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识***及方法 |
| CN113837477A (zh) * | 2021-09-27 | 2021-12-24 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
| WO2023045278A1 (zh) * | 2021-09-27 | 2023-03-30 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
| CN113960417A (zh) * | 2021-11-19 | 2022-01-21 | 国网湖南省电力有限公司 | 基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质 |
| CN114113911A (zh) * | 2021-12-06 | 2022-03-01 | 国网山东省电力公司电力科学研究院 | 一种基于故障波形的故障类型判别方法及判别*** |
| CN115422759A (zh) * | 2022-09-15 | 2022-12-02 | 西安热工研究院有限公司 | 一种设备故障诊断模型构建及设备故障诊断方法、装置 |
| CN116644361A (zh) * | 2023-04-20 | 2023-08-25 | 武汉大学 | 一种架空输电线路故障诊断方法及计算机可读介质 |
Non-Patent Citations (8)
| Title |
|---|
| Fault Identification Technology For Overhead Transmission Lines;Li Fan等;2018 3RD INTERNATIONAL CONFERENCE ON SMART CITY AND SYSTEMS ENGINEERING (ICSCSE);全文 * |
| 基于改进模糊神经网络的配电网故障选线研究;张俊芳;刘鹏;;电力***保护与控制(第22期);全文 * |
| 基于深度学习的输电线路故障原因辨识研究;陆帅;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;全文 * |
| 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;杨毅;范栋琛;殷浩然;韩佶;苗世洪;;电力自动化设备(第10期);全文 * |
| 基于规则网的高压输电线路故障诊断与保护动作性能评价;廖志伟;岳苓;文福拴;朱炳铨;徐立中;;电力建设(第02期);全文 * |
| 案例推理式输电线单端电流行波故障测距;张广斌;束洪春;于继来;;中国电机工程学报(第06期);全文 * |
| 考虑小波奇异信息与不平衡数据集的输电线路故障识别方法;黄建明;李晓明;瞿合祚;张礼得;;中国电机工程学报(第11期);全文 * |
| 输电线路运行故障的特征与分析识别;刘辉军;李宏军;吴雄;邬邦发;江明奎;吴昌吉;李叶华;翁志海;;宁德师范学院学报(自然科学版)(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117216485A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112233091B (zh) | 一种风力机叶片图像损伤检测和定位方法 | |
| CN108647716B (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
| CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
| 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 | |
| CN112149554B (zh) | 故障分类模型的训练、故障检测方法及相关装置 | |
| CN116256602B (zh) | 一种低压配电网状态异常的识别方法和*** | |
| CN110728195B (zh) | 基于yolo算法的电能质量扰动检测方法 | |
| CN110726898B (zh) | 一种配电网故障类型识别方法 | |
| CN112147462A (zh) | 一种基于深度学习的输电线路故障辨识方法 | |
| CN109936113B (zh) | 一种基于随机森林算法的保护动作智能诊断方法及*** | |
| CN104459397A (zh) | 采用自适应多分辨率广义s变换的电能质量扰动识别方法 | |
| CN110969194A (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
| CN111898729A (zh) | 一种输电线路故障原因识别方法及*** | |
| CN111008641A (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
| 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 | |
| CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
| CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
| CN117216485B (zh) | 一种基于客观赋权的输电录波鸟害故障判别方法及*** | |
| CN117630569A (zh) | 一种基于gru神经网络的小电流单相接地故障多判据融合选线方法 | |
| CN112083275A (zh) | 一种配网故障类型识别方法及*** | |
| CN111126645A (zh) | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 | |
| CN110245617B (zh) | 基于暂态录波波形的人工智能分析方法 | |
| CN114325072A (zh) | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 | |
| CN114666236A (zh) | 一种全自动信号检测识别报警方法 | |
| CN114661700A (zh) | 一种基于ai的人工影响天气作业效果检验方法 |
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 |