CN117290756B - 基于联邦学习的输电线路故障辨识方法、装置和电子设备 - Google Patents
基于联邦学习的输电线路故障辨识方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117290756B CN117290756B CN202311245678.1A CN202311245678A CN117290756B CN 117290756 B CN117290756 B CN 117290756B CN 202311245678 A CN202311245678 A CN 202311245678A CN 117290756 B CN117290756 B CN 117290756B
- Authority
- CN
- China
- Prior art keywords
- fault
- local
- model
- transmission line
- training
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 113
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000004220 aggregation Methods 0.000 claims abstract description 21
- 230000001052 transient effect Effects 0.000 claims abstract description 18
- 230000002776 aggregation Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005577 local transmission Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 27
- 230000007246 mechanism Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000004593 Epoxy Substances 0.000 description 1
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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]
-
- 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
- G06N3/098—Distributed learning, e.g. federated learning
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于联邦学习的输电线路故障辨识方法、装置和电子设备,包括构建故障类型和故障原因辨识模型的步骤,其包括:在不同地区构建基于卷积神经网络的本地原始识别模型;获取不同地区输电线路的三相故障录波数据;将前述故障数据归一化为一张故障暂态波形图像;将归一化后的图像按照故障类型和故障原因进行分类,同时对小样本类型的故障做Smote过采样处理,生成故障样本集;将相应地区的故障样本集输入对应地区的原始识别模型,并且借助于联邦学习,将部署在各地区的原始识别模型的本地参数进行中心聚合并且将经中心聚合后的参数下发至本地原始识别模型进行训练,获得最终的辨识模型,从而消除不同地区输电线路的故障特征差异对模型的影响。
Description
技术领域
本发明涉及输电线路故障辨识技术领域,特别涉及一种基于联邦学习的输电线路故障辨识方法、装置和电子设备。
背景技术
输电线路的安全可靠运行是确保电网稳定运行的重要条件。但是由于输电线路分布范围广,跨区域面积大,线路结构复杂,运行环境多变,易受恶劣自然环境影响,因此其在运行过程中容易发生各种类型的故障。因此针对上述输电线路发生故障的情况,如何快速准确地辨识出故障原因和故障类型,对指导保护和安全自动装置快速切除故障,后续恢复电力供应,保障电网的供电可靠性具有重要意义。
现有的输电线路故障辨识研究,通常会对采集到的故障电压、电流数据进行信号分解,以提取故障波形的特征来辨识故障。但是传统的信号分析方法在辨识故障时分类速度慢、辨识准确度易受输电线路运行参数以及运行方式的影响,因此在早期的应用中并不广泛。随着机器学习的发展,越来越多的结合信号分析与机器学习的方法被应用到输电线路故障辨识领域中来,例如:支持向量机(Support Vector Machines,SVM)、BP神经网络、k-NN和随机森林等。但是这些方法都是浅层的学习方法,对数据特征提取的能力较弱,在实际应用中无法取得较好的辨识效果。
近年来,随着深度学***衡性。现有文献针对输电线路故障样本数量存在的类不平衡问题,提出了基于迁移学习的AlexNet故障辨识方法。这些基于深度学习的故障辨识方法都需要数据驱动的方式来训练模型,但在数据隐私保护的大环境下,通常无法获得大量的故障样本。
此外,在使用故障录波数据进行故障辨识的过程中,不同地区输电线路的故障类型、故障原因和故障特征往往具有差异性,因此仅使用单一地区的故障数据训练得到的模型在对不同地区的故障进行辨识时模型的适应性会变差,模型的辨识效果不佳,并且模型对小样本类型故障的辨识度往往会不够,无法对其进行准确地分类。
联邦学习的出现很好地解决了上述问题,现已有文献应用地下电力电缆中监测得到的护层接地电流数据,通过利用联邦学习的训练机制实现了地下电缆的故障诊断,同时解决了数据孤岛问题,提高了模型识别的精度,降低了硬件成本。另有文献针对目前电力设备故障检测方法中存在的数据运算量大、故障检测准确度低的技术问题,搭建了基于联邦学习的深度学习网络模型,借助联邦学习的交互方式,联合其他电力设备的数据进行联合故障检测,提高了电力设备的故障检测精度。然而,对于电缆发生的故障,其故障特征主要为:环氧套管开裂、应力锥托上有烧蚀孔、应力锥下端的电缆本体上有较大的贯穿性裂纹等,其主要是电缆自身运行不当导致的,与长时期暴露在外部的输电线路的故障特征相比,其故障主要发生于电缆内部,受外界影响因素较少。此外,由于电缆等电力设备大多布置于地下,不易受地域与气候条件的影响,因此电缆发生的故障特征不同于输电线路的故障特征,其不存在明显的地域性差异。
因此,在各地区输电线路故障特征存在差异性、小样本类型故障无法准确辨识以及数据隐私保护的前提下,有必要设计一种新的输电线路故障辨识方法,以解决上述问题。
发明内容
有鉴于此,本发明提供一种基于联邦学***衡问题,本发明还通过采用Somte过采样的方式,消除数据间的类不平衡性,最终实现对输电线路故障类型和故障原因的有效辨识。
本发明第一方面公开了一种基于联邦学习的输电线路故障辨识方法,包括构建本地输电线路故障辨识模型的步骤,本地输电线路故障辨识模型为基于多目标残差网络的多输出卷积神经网络架构,其能够将故障原因和故障类型作为预测结果进行同步输出。
在本发明的训练完成后的本地输电线路故障辨识模型中,基于输入的数据,能够将输电线路的故障原因和故障类型同时输出,以形成对输电线路故障原因和故障类型的同步预测。
根据本发明第一方面所公开的基于联邦学习的输电线路故障辨识方法,其中构建本地输电线路故障辨识模型的步骤包括:
S1,获取多个地区的输电线路故障数据;
S2,在每一地区,基于所获取的输电线路故障数据构建相应地区的本地故障样本集,并且在获取本地故障样本集的过程中,对少数类故障样本采用Smote过采样处理;
S3,在每一地区,基于本地故障样本集对基于卷积神经网络的本地原始辨识模型进行训练;具体地,将本地故障样本集随机抽取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,以故障类型和故障原因为输出进行训练;
S4,各个本地原始辨识模型每一轮训练好的本地训练模型参数传送至基于联邦学习的中央服务器,中央服务器对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行基于联邦学习的中央聚合,以生成用于相应地区下一轮训练的中央聚合后参数,并且将生成的中央聚合后参数下发至相应地区的本地原始辨识模型,使得本地原始辨识模型基于接收到的中央聚合后参数进行新一轮训练;
S5,本地原始辨识模型经多轮训练直至收敛,获得最终的本地输电线路故障辨识模型。
在步骤S1中,优选的获取多个不同地区的故障输电线路的故障数据,作为故障样本,这些不同地区的输电线路的故障样本在故障类型、故障原因、故障相角和过渡电阻的分布等方面军存在差异,并且这些不同地区之间在进行联邦学习之前不存在数据间的共享。
在上述实现过程中,在每一地区构建有本地原始辨识模型,基于在本地获取的本地故障样本集数据首先对本地原始辨识模型进行训练,在本地训练完成后,各个本地原始辨识模型训练好的本地训练模型参数被传输至中央服务器,中央服务器基于联邦学习算法机制对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合,中央服务器通过如下公式,求取各地模型的训练参数:
其中,ωt,k为本地原始辨识模型第t轮的本地训练模型参数,ωt+1,k为第t次更新后的中央聚合后参数,ak为第k个参与方的参数权重,N代表地区数量,k代表相对应的地区参与方,即相应地区参与联邦学习的本地模型。在一个实施例中,k代表对每一地区的定义的序数,例如,在甲乙丙三个地区获取数据,则能够甲乙丙三个地区分别定义为序数1、2、3,则对应甲地区时,其经中央聚合后的训练参数为:对应乙地区时,其经中央聚合后的训练参数为:/>对应丙地区时,其经中央聚合后的训练参数为:/>
根据本发明第一方面所公开的基于联邦学习的输电线路故障辨识方法,其中参数权重为根据相应地区的样本数和本地原始辨识模型的损失函计算获得,其计算公式为:
其中,nk为第k个参与方拥有的样本数,Fk(ω)代表每一个地区的本地原始辨识模型最终的优化目标函数。
即,根据本发明第一方面所公开的基于联邦学***均算法通过求取所有模型的参数平均值作为联邦学习模型的参数的机制,在该方法中的联邦学习算法机制中,其考虑到了不同地区输电线路的故障样本对联邦学习算法性能的影响,对不同的本地模型赋予了不同的权重系数,使得最终训练得到的联邦学习模型参数更加符合实际情况,从而提高了联邦学习的效率和精度。
也就是说,在本发明中,基于参数权重而获得的中央聚合后训练参数对应每一地区不同,这使得最终训练得到的每一地区的联邦学习模型参数更加符合本地实际情况,从而提高了联邦学习的效率和精度。
根据本发明第一方面所公开的基于联邦学习的输电线路故障辨识方法,其中在步骤S4中还包括本地模型准确率校验步骤:将新一轮的本地原始辨识模型的训练结果与上一轮本地原始辨识模型的训练结果进行准备率比较,若新一轮本地原始辨识模型训练结果的准确率高于上一轮本地原始辨识模型训练结果的准确率,则允许本地原始辨识模型继续采用中央服务器新下发的中央聚合后参数,反之,则拒绝继续使用中央服务器新下发的中央聚合后参数。
根据本发明第一方面所公开的基于联邦学习的输电线路故障辨识方法,其中在拒绝继续使用中央服务器新下发的中央聚合后参数的情况下,使用中央服务器上一轮下发的中央聚合后参数继续进行训练。
在上述实现过程中,在本地原始辨识模型与中央服务器的通信通道之间搭建本地模型准确率校验模块,以将本地模型新一轮的训练结果与上一轮的训练结果进行准确率比较,从而能够使得本地模型具有主动性的确定是否需要继续使用中央服务器下发的、基于联邦学习中央聚合后的训练参数。这能够使得本地模型训练效果的准确性能够得到足够保证。
根据本发明第一方面所公开的基于联邦学习的输电线路故障辨识方法,其中在步骤S1中,输电线路故障数据为输电线路的三相故障录波数据,在每一地区获取多条输电线路的三相故障录波数据。
根据本发明第一方面所公开的基于联邦学习的输电线路故障辨识方法,其中在步骤S2中,将所获取的每条输电线路的三相故障录波数据归一化处理为单张故障暂态波形图像,作为单张故障图像样本;将同一地区的所有单张故障图像样本按照故障类型和故障原因分别进行分类,形成基于故障类型的本地故障类型样本集和基于故障原因的本地故障原因样本集。
根据本发明第一方面所公开的基于联邦学习的输电线路故障辨识方法,其中在步骤S3中,在每一地区构建基于卷积神经网络的本地原始辨识模型,分别基于本地故障类型样本集和本地故障原因样本集对本地原始辨识模型进行训练。
根据本发明第一方面所公开的基于联邦学习的输电线路故障辨识方法,其中在将同一地区的所有单张故障图像样本按照故障类型和故障原因分别进行分类的步骤中,对其中的少数类故障样本做Smote过采样处理,包括:
将分类后的故障暂态波形图像转化为像素点矩阵,利用Smote过采样算法,计算少数类故障样本集中的每一个少数类故障样本到少数类故障样本集中所有故障样本的欧式距离;
根据欧式距离计算得到该少数类故障样本的k邻近点,并且随机从k个邻近点中选择一个邻近点,在该邻近点与该少数类故障样本点间的直线上选择任意一个位置,采用线性插值的方式生成新的故障样本。
根据本发明第一方面所公开的基于联邦学习的输电线路故障辨识方法,其中本地原始辨识模型的卷积神经网络采用基于多残差网络模块的多输出卷积神经网络架构,使得本地原始辨识模型具有本地故障类型原始辨识子模型和本地故障原因原始辨识子模型,从而使得最终训练后的本地输电线路故障辨识模型中具有本地输电线路故障类型辨识子模型和本地输电线路故障原因辨识子模型,以实现对故障原因和故障类型的同步输出;
在多残差网络模块的多输出卷积神经网络架构中,每一残差神经网络模块含有两个相同的基本计算单元,并且在两个基本计算单元中连接有shortcut跳远连接层,以防止模型过拟合。
在根据本发明的基于联邦学习的输电线路故障辨识方法中,在构建本地输电线路故障辨识模型的步骤之后,还包括如下步骤:
获取本地输电线路三相录波数据;
将获取的本地输电线路三相录波数据归一化为单张暂态波形图像,作为故障辨识图像;
根据预先构建的本地输电线路故障辨识模型对故障辨识图像进行识别,将辨识后获得的故障原因和故障类型作为结果进行输出。
本发明第二方面还公开了一种基于联邦学习的输电线路故障辨识装置,包括辨识模型构建单元,用于构建本地输电线路故障辨识模型,本地输电线路故障辨识模型能够将故障原因和故障类型作为结果进行输出;辨识模型构建单元包括:
故障数据获取子单元,用于获取多个地区的输电线路故障数据;
样本集生成子单元,用于在每一地区,基于所获取的输电线路故障数据构建相应地区的本地故障样本集;
模型构建子单元,用于在获取多个地区的输电线路故障数据构建基于卷积神经网络的本地原始辨识模型;
训练子单元,用于在每一地区,基于本地故障样本集对基于卷积神经网络的本地原始辨识模型进行训练,直至收敛,以获得最终的本地输电线路故障辨识模型;
基于联邦学习的中央服务器,用于接收自本地原始辨识模型传输而来的每一轮训练好的本地训练模型参数,并且对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合,以生成用于相应地区下一轮训练的中央聚合后参数,并且用于将生成的中央聚合后参数下发至相应地区的本地原始辨识模型,使得本地原始辨识模型基于接收到的中央聚合后参数进行新一轮训练。
本发明第三方面还公开了一种电子设备,电子设备包括存储器以及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行如上的基于联邦学习的输电线路故障辨识方法。
本发明与现有技术相比,具有如下有益效果:
(1)该方法利用联邦学习的机制,通过中央服务器对部署在各地区的基于卷积神经网络的本地原始辨识模型进行本地模型参数的中心聚合以及模型参数的下发,消除了不同地区输电线路的故障特征差异对网络模型性能的影响。
(2)该方法很好地解决了在隐私保护的大环境下无法通过数据驱动的方式来实现基于海量故障样本的深度学***衡问题。
(3)该方法具有很好的泛化性,在使用该方法的训练机制下不同的网络结构对输电线路故障类型和故障原因的辨识也都能够表现出较好的效果,解决了现有方法中存在的网络模型迁移效果差的问题。
(4)相比于单纯地提升网络模型的深度,使用联邦学习机制,网络对小样本类型故障的辨识准确性更高,可以有效地实现输电线路的故障辨识。
(5)相较于原有的联邦平均算法通过求取所有模型的参数平均值作为联邦学习模型的参数的机制,在该方法中的联邦学习算法机制中,其考虑到了不同地区输电线路的故障样本对联邦学习算法性能的影响,对不同的本地模型赋予了不同的权重系数,使得最终训练得到的联邦学习模型参数更加符合实际情况,从而提高了联邦学习的效率和精度。
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基于联邦学习的输电线路故障辨识方法、装置和电子设备。
附图说明
图1示出了本发明的基于联邦学习的输电线路的故障辨识方法的步骤流程图。
图2示出了本发明中构建本地输电线路故障辨识模型的步骤的流程图。
图3示出了本发明实施例中将输电线路的暂态录波数据归一化后生成的故障暂态波形图像的示例。
图4示出了本发明实施例中优选使用的ResNet 18网络的示意性结构图。
图5示出了本发明实施例中的基于联邦学习的ResNet18网络对于输电线路故障类型辨识的测试结果。
图6示出了本发明实施例中的基于联邦学习的ResNet18网络对于输电线路故障原因辨识的测试结果。
图7示出了本发明实施例中不同网络结构下仅使用单一地区的数据进行模型的训练得到的输电线路故障类型辨识准确率曲线。
图8示出了本发明实施例中不同网络结构下仅使用单一地区的数据进行模型的训练得到的输电线路故障原因辨识准确率曲线。
图9示出了本发明实施例中使用不同的网络结构进行联邦学习后模型对输电线路故障类型与故障原因辨识的准确率曲线。
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。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围内。
图1示出了本发明的基于联邦学习的输电线路的故障辨识方法的步骤流程图。结合图1所示,本发明提供了一种基于联邦学习的输电线路故障辨识方法,其包括如下步骤:
在多个不同地区,构建各地区的本地输电线路故障辨识模型;
在每一地区,获取本地输电线路三相录波数据;
在每一地区,将获取的每一输电线路的本地输电线路三相录波数据归一化为单张暂态波形图形,作为故障辨识图像;
在每一地区,根据所构建好的本地输电线路故障辨识模型对故障辨识图像进行识别,将辨识后获得的故障原因和故障类型作为结果进行输出。
其中,本地输电线路三相录波数据包括输电线路的二次侧A相电压和电流的暂态录波数据、输电线路的二次侧B相电压和电流的暂态录波数据和输电线路的二次侧C相电压和电流的暂态录波数据。
其中,本地输电线路故障辨识模型为基于多残差网络模块的多输出卷积神经网络架构进行训练和测试而得到的,使得最终训练好的本地输电线路故障辨识模型包括有最终训练好的本地输电线路故障类型辨识子模型和本地输电线路故障原因辨识子模型,从而能够基于故障辨识图像对单一输电线路的故障原因和故障类型进行辨识。也就是说,能够借助于本申请中预先构建好的本地输电线路故障辨识模型对某一输电线路可能发生的故障原因和故障类型进行预测,并且由于基于多残差网络模块的多输出卷积神经网络架构能够在同一输入的情况下实现对故障原因和故障类型的同时输出,从而实现对故障原因和故障类型的同时预测。
图2示出了本发明中构建本地输电线路故障辨识模型的步骤的流程图。结合图2所示,构建本地输电线路故障辨识模型的步骤包括如下子步骤:
S1,获取多个地区的输电线路故障数据;
S2,在每一地区,基于所获取的输电线路故障数据构建相应地区的本地故障样本集,并且在获取本地故障样本集的过程中,对少数类样本集采用Smote过采样处理;
S3,在每一地区,基于本地故障样本集对基于卷积神经网络的本地原始辨识模型进行训练;
S4,将本地原始辨识模型每一轮训练好的本地训练模型参数传送至基于联邦学习的中央服务器,中央服务器对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合,以生成用于相应地区下一轮训练的中央聚合后参数,并且将生成的中央聚合后参数下发至相应地区的本地原始辨识模型,使得本地原始辨识模型基于接收到的中央聚合后参数进行新一轮训练;
S5,本地原始辨识模型经多轮训练直至收敛,获得最终的本地输电线路故障辨识模型。
其中,在步骤S1中,在每一地区所获取的输电线路故障数据为输电线路三相故障录波数据,即将发生故障的输电线路作为故障样本,获取作为故障样本的故障输电线路的三相故障录波数据,包括:故障输电线路的二次侧A相电压和电流的暂态录波数据;故障输电线路的二次侧B相电压和电流的暂态录波数据;故障输电线路的二次侧C相电压和电流的暂态录波数据。并且,在步骤S1中,设置故障录波数据的采样区间为故障发生前一周波至故障发生后两周波,以此采样区间得到本方法所需要的故障录波数据。
在本发明步骤S1的一个实施例中,分别提取来源于甲、乙、丙三个不同地区的故障输电线路的A相、B相和C相故障录波数据,其中甲地区获得387组故障数据,乙地区获得354组故障数据,丙地区获得194组故障数据,共计935组。
在步骤S2中,将所获取的每条故障输电线路的三相故障录波数据归一化处理为单张故障暂态波形图像,作为单张故障图像样本;将同一地区的所有单张故障图像样本按照故障类型和故障原因分别进行分类,形成基于故障类型的本地故障类型样本集和基于故障原因的本地故障原因样本集。
在本发明步骤S2的一个实施例中,使用如下公式对所需要的故障输电线路中A相、B相和C相的故障电压和故障电流数据进行归一化:
式中:xi为A、B、C三相故障电压和故障电流所采集得到的故障数据点;X为A、B、C三相故障电压和故障电流的电气量向量。
并且在步骤S2中,以对应的采样点个数为故障暂态波形图像的横坐标,以不同故障下波形的最大值为纵坐标,生成一张大小为224×224的RGB图像。
在步骤S2中还涉及对故障数据进行分类的步骤,即,将同一地区的所有单张故障图像样本按照故障类型和故障原因分别进行分类的步骤。在一个实施例中,在该步骤中,对归一化后的暂态故障波形图像按照故障类型进行分类,分类得到A相单相接地故障、B相单相接地故障、C相单相接地故障、A和B两相、A和C两相、B和C两相故障、A和B两相接地故障、A和C两相接地故障、B和C两相接地故障、ABC三相故障共计10种故障类型;对归一化后的暂态故障波形图像按照故障原因进行分类,可以分类得到雷击故障、异物故障、山火故障、风偏故障、覆冰故障、外力破坏故障、鸟害故障、污闪故障、树闪故障9种故障原因。
在步骤S2中还涉及对少数类故障样本使用Smote过采样处理的步骤,其能够减少数据间的类不平衡性。具体包括:对于每一个故障地区的故障数据集中的小样本类型的故障,将其分类后的故障暂态波形图像转化为像素点矩阵,利用Smote过采样算法,计算少数类故障样本集中的每一个样本到少数类样本集中所有样本的欧式距离,根据欧式距离计算得到该少数类故障样本的k邻近点,并且随机从k个邻近点中选择一个邻近点,在该邻近点与少数类故障样本点间的直线上选择任意一个位置,采用线性插值的方式生成新的故障样本,将生成的样本分成训练集与测试集2大类。
在本发明的步骤S3中,在每一地区构建基于卷积神经网络的本地原始辨识模型,分别基于本地故障类型样本集和本地故障原因样本集对本地原始辨识模型进行训练。在一个优选的实施例中,在如前的甲、乙、丙三个地区均使用基于多个残差神经网络的多输出卷积神经网络架构,由于使用的是多输出卷积神经网络架构,能够使得将输电线路故障类型辨识子模型和输电线路故障原因辨识子模型集成在一个网络架构中。在本实施例中,每一用于构建辨识模型的卷积神经网络架构均包括多个残差神经网络模块,在每一个残差神经网络模块中均包括两个相同的基本计算单元(即,Res_a单元和Res_b单元),其包括卷积层conv_1、卷积层conv_2(即Cov层)、归一化层bacthnorm_1、bacthnorm_2(即BN层)和激活函数层relu_1、relu_2(即Re1u层),其中,卷积层conv_1的卷积核大小为5×5×1,滑动步长为2;卷积层conv_2的卷积核大小为3×3×1,滑动步长为1。此外,在两个基本计算单元中还连接有一个shortcut跳远连接层,以防止模型过拟合。优选地,使用ResNet18神经网络。
构建本地原始辨识模型的步骤包括构件本地故障类型原始辨识子模型和构建本地故障原因原始辨识子模型的步骤,其中,在构建整个基于卷积网络的本地原始辨识模型的过程中,其本地故障类型原始辨识子模型结构包括一层输入大小为224×224×3的卷积层conv_1,其卷积核大小为7×7×1,滑动步长为2,padding为3;归一化层bacthnorm_1;激活函数层relu_1;输入大小为64×112×112的最大池化层MaxPooling_1,其卷积核大小为3×3×1,滑动步长为1,之后连接3个前后相连接的残差神经网络模块;一层平均池化层AvgPooling_1,全连接层fc_1,大小为512,线性层Linear_1,输出大小为10。
并且,在构建整个基于卷积网络的本地原始辨识模型的过程中,其本地故障原因原始辨识子模型结构包括一层输入大小为224×224×3的卷积层conv_1,其卷积核大小为7×7×1,滑动步长为2,padding为3;归一化层bacthnorm_1;激活函数层relu_1;输入大小为64×112×112的最大池化层MaxPooling_1,其卷积核大小为4×4×1,滑动步长为2,之后连接4个前后相连接的残差神经网络模块;一层平均池化层AvgPooling_1,全连接层fc_1,大小为256,线性层Linear_1,输出大小为9。
此外,具体实施中,在步骤S3基于本地故障样本集对基于卷积神经网络的本地原始辨识模型进行训练的过程中,包括设置本地原始辨识模型的训练参数的步骤和实现模型在本地故障样本集数据下的模型训练的步骤。
具体地,其中,在设置本地原始辨识模型的训练参数的步骤中,在一个具体的实施例中,本地模型训练的优化器均采用SGD算法进行优化,损失函数采用与Softmax分类器相结合的交叉熵损失函数。模型的训练步长设置为64,模型的初始学习率设置为0.001,最大训练轮数设置为20轮;
在实现模型在本地故障样本集数据下的模型训练的步骤中,对于每一轮训练本地模型中的优化目标函数可以通过如下公式计算得到:
fj(ω)=l(uj,vj;ω);
式中:n为所有样本总数,fj(ω)为模型参数ω对第j个样本数据(uj,vj)的损失预测。
对于每一个本地模型,可以通过如下公式计算其最终的优化目标函数:
式中:nk为第k个参与方拥有的样本数,pk为第k个参与方的数据分布。
当参与方的梯度学习率为R时,经过t次迭代后,其更新的模型参数可通过如下公式计算:
每个参与方的本地模型参数更新方式如下式所示:
在步骤S4的实施过程中,预先构建中央服务器,优选地,中央服务器的构建可以通过构建argparse求解器实现,求解器中设置用户数量N(N>1),设置用户通信比例M,设置联邦学习模型的联邦训练轮数k。在本发明的实施例中,求解器中设置用户(地区)数量为3,设置用户通信比例为1。本地模型将每一轮训练好的模型参数ωt,k上传至中央服务器后,中央服务器通过如下公式,求取各本地模型的训练参数,接着将中央聚合后的参数下发至本地模型,使得模型进行新的一轮训练:
式中:ak为根据各地区参与方样本数与本地模型的损失函数计算得到的参数权重,其计算公式如下:
即,相较于原有的联邦平均算法通过求取所有模型的参数平均值作为联邦学习模型的参数的机制,在本申请的方法中的联邦学习算法机制中,考虑到了不同地区输电线路的故障样本对联邦学习算法性能的影响,对不同的本地模型赋予了不同的权重系数,使得最终训练得到的联邦学习模型参数更加符合实际情况,从而提高了联邦学习的效率和精度。
在一个优选的实施例中,在步骤S4中还包括本地模型准确率校验步骤:将新一轮的本地原始辨识模型的训练结果与上一轮本地原始辨识模型的训练结果进行准备率比较,若新一轮本地原始辨识模型训练结果的准确率高于上一轮本地原始辨识模型训练结果的准确率,则允许本地原始辨识模型继续采用中央服务器新下发的中央聚合后参数,反之,则拒绝继续使用中央服务器新下发的中央聚合后参数。
具体地,在本地模型与中央服务器的通信通道之间搭建本地模型准确率校验模块,从而对新一轮的本地模型的训练结果与上一轮本地模型的训练结果进行准确率的比较,若新一轮本地模型的训练准确率优于上一轮本地模型训练的准确率,则本地模型的参数可以采用中央服务器新下发的模型参数,反之,则拒绝使用中央服务器新下发的模型参数,使用上一轮联邦学习时中央服务器下发的模型参数。
在步骤S5的实施过程中,设置联邦学习的最大联邦训练次数并且以联邦学习的总损失函数作为判断模型是否收敛的标准,其计算公式如下所示:
若函数收敛则达到最大训练次数后就可以完成模型的训练,若训练未收敛则增大最大训练次数,直至收敛为止,最终得到故障辨识模型。
本发明的实施例还公开了一种基于联邦学习的输电线路故障辨识装置,包括辨识模型构建单元,用于构建本地输电线路故障辨识模型,本地输电线路故障辨识模型能够将故障原因和故障类型作为结果进行输出;辨识模型构建单元包括:
故障数据获取子单元,用于获取多个地区的输电线路故障数据;
样本集生成子单元,用于在每一地区,基于所获取的输电线路故障数据构建相应地区的本地故障样本集;
模型构建子单元,用于在获取多个地区的输电线路故障数据构建基于卷积神经网络的本地原始辨识模型;
训练子单元,用于在每一地区,基于本地故障样本集对基于卷积神经网络的本地原始辨识模型进行训练,直至收敛,以获得最终的本地输电线路故障辨识模型;
基于联邦学习的中央服务器,用于接收自本地原始辨识模型传输而来的每一轮训练好的本地训练模型参数,并且对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合,以生成用于相应地区下一轮训练的中央聚合后参数,并且用于将生成的中央聚合后参数下发至相应地区的本地原始辨识模型,使得本地原始辨识模型基于接收到的中央聚合后参数进行新一轮训练。
本发明的实施例还公开了一种电子设备,电子设备包括存储器以及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行如上的基于联邦学习的输电线路故障辨识方法。
本发明的实施例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,计算机程序指令被一处理器读取并运行时,执行本发明实施例第一方面中的基于联邦学习的输电线路故障辨识方法。
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,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。
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,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,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种基于联邦学习的输电线路故障辨识方法,其特征在于,包括构建本地输电线路故障辨识模型的步骤,所述本地输电线路故障辨识模型为基于多目标残差网络的多输出卷积神经网络架构,其能够将故障原因和故障类型作为预测结果进行同步输出;
所述构建本地输电线路故障辨识模型的步骤包括:
S1,获取多个地区的输电线路故障数据;
S2,在每一地区,基于所获取的输电线路故障数据构建相应地区的本地故障样本集,并且在获取本地故障样本集的过程中,对少数类故障样本采用Smote过采样处理;
S3,在每一地区,基于本地故障样本集对基于卷积神经网络的本地原始辨识模型进行训练;
S4,各个本地原始辨识模型每一轮训练好的本地训练模型参数传送至基于联邦学习的中央服务器,中央服务器对接收到的各个本地原始辨识模型的每一轮本地训练模型参数进行基于联邦学习的中央聚合,以生成用于相应地区下一轮训练的中央聚合后参数,并且将生成的中央聚合后参数下发至相应地区的本地原始辨识模型,使得本地原始辨识模型基于接收到的中央聚合后参数进行新一轮训练;
S5,将本地原始辨识模型训练至收敛,获得最终的本地输电线路故障辨识模型;
其中,基于各地区的故障样本数以及本地原始辨识模型的损失函数获取本地训练模型参数的参数权重;
在所述中央服务器对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合的步骤中,中央服务器基于与每一本地原始辨识模型相对应的参数权重对各个本地原始辨识模型当前一轮的本地训练模型参数进行中央聚合;
所述中央服务器对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合的公式为:
其中,ωt,k为本地原始辨识模型第t轮的本地训练模型参数,ωt+1,k为第t次更新后的中央聚合后参数,ak为第k个参与方的参数权重,N代表地区数量,k代表对应的地区参与方,即相应地区参与联邦学习的本地模型;
所述参数权重为根据相应地区的样本数和本地原始辨识模型的损失函计算获得,其计算公式为:
其中,nk为第k个参与方拥有的样本数,N代表地区数量,Fk(ω)代表每一个地区的本地原始辨识模型最终的优化目标函数。
2.根据权利要求1所述的基于联邦学习的输电线路故障辨识方法,其特征在于,在所述步骤S4中还包括本地模型准确率校验步骤:
将本地原始辨识模型新一轮的训练结果与上一轮的训练结果进行准备率比较,若新一轮训练结果的准确率高于上一轮训练结果的准确率,则允许本地原始辨识模型继续采用中央服务器新下发的中央聚合后参数,反之,则拒绝继续使用中央服务器新下发的中央聚合后参数。
3.根据权利要求2所述的基于联邦学习的输电线路故障辨识方法,其特征在于,在拒绝继续使用中央服务器新下发的中央聚合后参数的情况下,使用中央服务器上一轮下发的中央聚合后参数继续进行训练。
4.根据权利要求1-3中任一项所述的基于联邦学习的输电线路故障辨识方法,其特征在于,
在步骤S1中,输电线路故障数据为输电线路的三相故障录波数据,在每一地区获取多条输电线路的三相故障录波数据;
在步骤S2中,将所获取的每条输电线路的三相故障录波数据归一化处理为单张故障暂态波形图像,作为单张故障图像样本;将同一地区的所有单张故障图像样本按照故障类型和故障原因分别进行分类,形成基于故障类型的本地故障类型样本集和基于故障原因的本地故障原因样本集;
在步骤S3中,在每一地区构建基于卷积神经网络的本地原始辨识模型,分别基于所述本地故障类型样本集和所述本地故障原因样本集对本地原始辨识模型进行训练。
5.根据权利要求4所述的基于联邦学习的输电线路故障辨识方法,其特征在于,在将同一地区的所有单张故障图像样本按照故障类型和故障原因分别进行分类的步骤中,对其中的少数类故障样本做Smote过采样处理,包括:
将分类后的故障暂态波形图像转化为像素点矩阵,利用Smote过采样算法,计算少数类故障样本集中的每一个少数类故障样本到少数类故障样本集中所有样本的欧式距离;
根据欧式距离计算得到该少数类故障样本的k邻近点,并且随机从k个邻近点中选择一个邻近点,在该邻近点与该少数类故障样本点间的直线上选择任意一个位置,采用线性插值的方式生成新的故障样本。
6.根据权利要求4所述的基于联邦学习的输电线路故障辨识方法,其特征在于,所述本地原始辨识模型的卷积神经网络采用基于多残差网络模块的多输出卷积神经网络架构,使得最终训练后的本地输电线路故障辨识模型中具有本地输电线路故障类型辨识子模型和本地输电线路故障原因辨识子模型,以实现对故障原因和故障类型的同步输出;
在所述多残差网络模块的多输出卷积神经网络架构中,每一残差神经网络模块含有两个相同的基本计算单元,并且在两个基本计算单元中连接有能够防止模型过拟合的跳远连接层。
7.一种基于联邦学习的输电线路故障辨识装置,其特征在于,包括辨识模型构建单元,用于构建本地输电线路故障辨识模型,所述本地输电线路故障辨识模型能够将故障原因和故障类型作为结果进行输出;所述辨识模型构建单元包括:
故障数据获取子单元,用于获取多个地区的输电线路故障数据;
样本集生成子单元,用于在每一地区,基于所获取的输电线路故障数据构建相应地区的本地故障样本集;
模型构建子单元,用于在获取多个地区的输电线路故障数据构建基于卷积神经网络的本地原始辨识模型;
训练子单元,用于在每一地区,基于本地故障样本集对基于卷积神经网络的本地原始辨识模型进行训练,直至收敛,以获得最终的本地输电线路故障辨识模型;
基于联邦学习的中央服务器,用于接收自本地原始辨识模型传输而来的每一轮训练好的本地训练模型参数,并且对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合,以生成用于相应地区下一轮训练的中央聚合后参数,并且用于将生成的中央聚合后参数下发至相应地区的本地原始辨识模型,使得本地原始辨识模型基于接收到的中央聚合后参数进行新一轮训练;
其中,基于各地区的故障样本数以及本地原始辨识模型的损失函数获取本地训练模型参数的参数权重;
在所述中央服务器对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合的步骤中,中央服务器基于与每一本地原始辨识模型相对应的参数权重对各个本地原始辨识模型当前一轮的本地训练模型参数进行中央聚合;
所述中央服务器对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合的公式为:
其中,ωt,k为本地原始辨识模型第t轮的本地训练模型参数,ωt+1,k为第t次更新后的中央聚合后参数,ak为第k个参与方的参数权重,N代表地区数量,k代表对应的地区参与方,即相应地区参与联邦学习的本地模型;
所述参数权重为根据相应地区的样本数和本地原始辨识模型的损失函计算获得,其计算公式为:
其中,nk为第k个参与方拥有的样本数,N代表地区数量,Fk(ω)代表每一个地区的本地原始辨识模型最终的优化目标函数。
8.一种电子设备,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6中任一项所述的基于联邦学习的输电线路故障辨识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311245678.1A CN117290756B (zh) | 2023-09-25 | 2023-09-25 | 基于联邦学习的输电线路故障辨识方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311245678.1A CN117290756B (zh) | 2023-09-25 | 2023-09-25 | 基于联邦学习的输电线路故障辨识方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117290756A CN117290756A (zh) | 2023-12-26 |
CN117290756B true CN117290756B (zh) | 2024-04-16 |
Family
ID=89251317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311245678.1A Active CN117290756B (zh) | 2023-09-25 | 2023-09-25 | 基于联邦学习的输电线路故障辨识方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290756B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN115932484A (zh) * | 2023-02-15 | 2023-04-07 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
CN116008731A (zh) * | 2023-02-15 | 2023-04-25 | 重庆大学 | 配电网高阻故障辨识方法、装置和电子设备 |
-
2023
- 2023-09-25 CN CN202311245678.1A patent/CN117290756B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN115932484A (zh) * | 2023-02-15 | 2023-04-07 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
CN116008731A (zh) * | 2023-02-15 | 2023-04-25 | 重庆大学 | 配电网高阻故障辨识方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117290756A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
Ma et al. | A PMU-based data-driven approach for classifying power system events considering cyberattacks | |
CN105372528B (zh) | 一种电力变压器内部故障的状态检修方法 | |
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*** | |
CN105786702A (zh) | 计算机软件分析*** | |
CN115932484B (zh) | 输电线路故障辨识与故障测距方法、装置和电子设备 | |
Zhu et al. | Networked time series shapelet learning for power system transient stability assessment | |
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 | |
CN116008731B (zh) | 配电网高阻故障辨识方法、装置和电子设备 | |
CN107292512B (zh) | 一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法 | |
Fahim et al. | An unsupervised protection scheme for overhead transmission line with emphasis on situations during line and source parameter variation | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
Li et al. | Method of short-circuit fault diagnosis in transmission line based on deep learning | |
CN111031064A (zh) | 一种检测电网假数据注入攻击的方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN114169249A (zh) | 一种配电网高阻接地故障人工智能识别方法 | |
Na et al. | Detecting instant of multiple faults on the transmission line and its types using time–frequency analysis | |
CN117290756B (zh) | 基于联邦学习的输电线路故障辨识方法、装置和电子设备 | |
CN112946425A (zh) | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
Ma et al. | A pmu-based multivariate model for classifying power system events | |
CN115935179A (zh) | 结合训练集数据分布和w距离的模型窃取检测方法 | |
CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
Zhang et al. | Fault line selection method based on transfer learning depthwise separable convolutional neural network |
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 |