流水线加速器、电力系统故障诊断装置和FPGA芯片制造方法及图纸

本实用新型专利技术公开了一种流水线加速器、基于神经网络的电力系统故障诊断装置和FPGA芯片，所述电力系统故障诊断装置具有基于AlexNet神经网络模型的流水线加速器，其片外存储器用于存储采集的电力系统数据以及AlexNet神经网络模型；其乘法矩阵单元用于执行卷积操作；其修正线性单元用于进行激活操作；其池化单元用于进行归一化以及池化操作；其补充乘法器用于进行乘法操作；其片上存储器用于存储补充乘法器输出的数据；其喂食单元用于片外存储器和片上存储器中的数据分配至乘法矩阵单元；其控制器用于按照神经网络模型控制各个单元的数据处理过程。该电力系统故障诊断装置可以更准确地提取出电流的高维特征，诊断可靠性更高。

【技术实现步骤摘要】
流水线加速器、电力系统故障诊断装置和FPGA芯片
本技术是关于电力检测
，特别是关于一种流水线加速器、包含该流水线加速器的基于神经网络的电力系统故障诊断装置、以及FPGA芯片。
技术介绍
在我国以特高压电网为骨干网架的智能电网建设过程中，电力系统规模的扩大和电压等级的提高，在客观上要求配置更大容量和更高电压等级的电力设备。大容量变压器的投入运行，对继电保护提出了更高要求，传统保护手段、保护方法受到严峻挑战。纵差保护长期以来一直作为变压器的主保护，长期的运行经验表明纵差保护能有效区分变压器内部故障和外部故障，保护的难点在于如何防止因涌流造成的误动作。随着继电保护中新技术的应用，我国电网继电保护动作的正确率逐年提高。相对线路等其他保护而言，变压器保护的正确动作率仍略低，加之特高压电网对变压器保护提出的更高要求，传统的保护手段、保护方法受到严峻挑战，因此研究和探索具备高速动性、可靠性和灵敏性、技术先进的数字变压器保护方案将具有重大的理论和工程价值。人工神经网络是由大量神经元广泛互连而成的网络，它是对人脑神经网络的模拟，网络的结构和神经元连接的权值体现出网络所具有的信息。人工神经网络具备极强的适应能力、高速的计算能力及自学能力，具备很好的容错性，非常适用于非线性系统。由于变压器本身就是一个非线性系统，因此，国内外大量学者对人工神经网络在变压器保护中的应用展开研究，利用其强大的模式识别功能区分励磁涌流与短路电流，该方法如图1所示，模数转换器采集来自互感器的信号，然后对采集信号进行小波变换预处理以及提取能量特征值，然后输入经典三层神经网络进行综合分析，区分出励磁涌流和区间故障。技术人发现该方法的诊断可靠性差。公开于该
技术介绍
部分的信息仅仅旨在增加对本技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
本技术的目的在于提供一种基于神经网络的电力系统故障诊断装置，设计了面向AlexNet的流水线加速器，可以更准确地提取出电流的高维特征，对细小电流变化更加敏感，诊断可靠性更高。为实现上述目的，本技术提供了一种基于神经网络的电力系统故障诊断装置，其包括：采集模块、FPGA芯片、单片机。采集模块用于采集电力系统的数据；FPGA芯片与所述采集模块相连，所述FPGA芯片具有基于AlexNet神经网络模型的流水线加速器；单片机与所述FPGA芯片相连，用于与所述FPGA芯片协同对采集的数据进行处理。其中，所述流水线加速器包括：片外存储器、乘法矩阵单元、修正线性单元、池化单元、补充乘法器、片上存储器、喂食单元、控制器。片外存储器用于存储采集的电力系统数据以及所述AlexNet神经网络模型；乘法矩阵单元用于对输入数据执行卷积操作；修正线性单元与所述乘法矩阵单元相耦合，用于对所述乘法矩阵单元输出的数据进行激活操作；池化单元与所述修正线性单元相耦合，用于对所述修正线性单元输出的数据进行归一化以及池化操作；补充乘法器与所述池化单元相耦合，用于对所述池化单元输出的数据进行乘法操作；片上存储器与所述补充乘法器相耦合，用于存储所述补充乘法器输出的数据；喂食单元与所述片外存储器、所述片上存储器以及所述乘法矩阵单元均相耦合，用于所述片外存储器和所述片上存储器中的数据分配至所述乘法矩阵单元；控制器与所述喂食单元相耦合，用于按照所述神经网络模型控制各个单元的数据处理过程。在本技术的一实施方式中，所述AlexNet神经网络模型为八层的结构，第一层、第二层、第三层、第四层以及第五层均包括卷积操作，其中，所述第一层、所述第二层以及所述第五层还包括激活操作、归一化以及池化操作，第六层至第八层为全连接层，其中，所述神经网络模型中的所述第一层与所述第二层之间选择权值优先的重排序方法，所述第三层与所述第四层之间选择图像优先的重排序方法，所述第四层、所述第五层、所述第六层、所述第七层以及所述第八层采用按层计算的方法。在本技术的一实施方式中，所述采集模块包括：交流输入及滤波插件和模数转换插件。交流输入及滤波插件用于采集电力系统的交流信号；模数转换插件与所述交流输入及滤波插件相连，用于将所述交流信号进行模数转化。与现有技术相比，根据本技术的基于神经网络的电力系统故障诊断装置，设计了面向AlexNet的流水线加速器，可以更准确地提取出电流的高维特征，对细小电流变化更加敏感，诊断可靠性更高。并且在AlexNet的流水线加速度中的第一层和第二层采用权值优先重排序方法计算，在第三层与第四层之间使用图像优先重排序方法进行计算，可以提高了电力系统数据的处理速度，另外结合补充乘法器可以降低中间变量的数量，并减少外部存储器的读写量，进一步提高运算效率。附图说明图1是根据本技术一实施方式的基于神经网络的电力系统故障诊断装置。图2显示了根据本技术一实施方式的流水线加速器的结构组成。具体实施方式下面结合附图，对本技术的具体实施方式进行详细描述，但应当理解本技术的保护范围并不受具体实施方式的限制。除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。为了解决现有技术的问题，本技术提出了一种神经网络的电力系统故障诊断装置，在神经网络硬件实现的过程中设计了新的流水结构加速器，重点分析相邻卷积层使用流水结构的可能性基础上，针对跨权值卷积层操作与非跨权值卷积层操作，提出了权值优先与图像优先的数据重排序方法。通过补充乘法器201e来进行层间流水操作，将次层的卷积操作隐含到本层实现，能够降低中间变量的数量，并减少外部存储器的读写量。然后基于提出的重排序方法，设计实现了一款面向AlexNet的可重构卷积神经网络加速器。如图1所示，在一实施方式中，基于神经网络的电力系统故障诊断装置包括：采集模块100、FPGA芯片200、单片机300。采集模块100用于采集电力系统的数据。采集模块100包括交流输入及滤波插件101和模数转换插件102。交流输入及滤波插件101用于采集电力系统的交流信号。模数转换插件102与交流输入及滤波插件101相连，用于将交流信号进行模数转化。FPGA芯片200与采集模块100相连，FPGA芯片200具有基于AlexNet神经网络模型的流水线加速器201。可选地，FPGA芯片200上还具有信号告警接口，用于向FPGA芯片200输入电力系统的信号以及向电力系统发送报警信号。FPGA芯片200上还具有开关量输入输出接口，用于输入电力系统的开关量以及向电力系统输出开关量。单片机300与FPGA芯片200相连，用于与FPGA芯片200协同对采集的数据进行处理。其中，流水线加速器201包括：片外存储器201a、乘法矩阵单元201b、修正线性单元201c、池化单元201d、补充乘法器201e、片上存储器20本文档来自技高网...

【技术保护点】
1.一种基于神经网络的电力系统故障诊断装置，其特征在于，包括：/n采集模块，用于采集电力系统的数据；/nFPGA芯片，与所述采集模块相连，所述FPGA芯片具有基于AlexNet神经网络模型的流水线加速器；/n单片机，与所述FPGA芯片相连，用于与所述FPGA芯片协同对采集的数据进行处理，/n其中，所述流水线加速器包括：/n片外存储器，用于存储采集的电力系统数据以及所述AlexNet神经网络模型；/n乘法矩阵单元，用于对输入数据执行卷积操作；/n修正线性单元，与所述乘法矩阵单元相耦合，用于对所述乘法矩阵单元输出的数据进行激活操作；/n池化单元，与所述修正线性单元相耦合，用于对所述修正线性单元输出的数据进行归一化以及池化操作；/n补充乘法器，与所述池化单元相耦合，用于对所述池化单元输出的数据进行乘法操作；/n片上存储器，与所述补充乘法器相耦合，用于存储所述补充乘法器输出的数据；/n喂食单元，与所述片外存储器、所述片上存储器以及所述乘法矩阵单元均相耦合，用于所述片外存储器和所述片上存储器中的数据分配至所述乘法矩阵单元；/n控制器，与所述喂食单元相耦合，用于按照所述神经网络模型控制各个单元的数据处理过程。/n...

【技术特征摘要】
1.一种基于神经网络的电力系统故障诊断装置，其特征在于，包括：
采集模块，用于采集电力系统的数据；
FPGA芯片，与所述采集模块相连，所述FPGA芯片具有基于AlexNet神经网络模型的流水线加速器；
单片机，与所述FPGA芯片相连，用于与所述FPGA芯片协同对采集的数据进行处理，
其中，所述流水线加速器包括：
片外存储器，用于存储采集的电力系统数据以及所述AlexNet神经网络模型；
乘法矩阵单元，用于对输入数据执行卷积操作；
修正线性单元，与所述乘法矩阵单元相耦合，用于对所述乘法矩阵单元输出的数据进行激活操作；
池化单元，与所述修正线性单元相耦合，用于对所述修正线性单元输出的数据进行归一化以及池化操作；
补充乘法器，与所述池化单元相耦合，用于对所述池化单元输出的数据进行乘法操作；
片上存储器，与所述补充乘法器相耦合，用于存储所述补充乘法器输出的数据；
喂食单元，与所述片外存储器、所述片上存储器以及所述乘法矩阵单元均相耦合，用于所述片外存储器和所述片上存储器中的数据分配至所述乘法矩阵单元；
控制器，与所述喂食单元相耦合，用于按照所述神经网络模型控制各个单元的数据处理过程。


2.如权利...

【专利技术属性】
技术研发人员：李良，庞振江，于同伟，王峥，丁岳，葛维春，黄旭，卢岩，杨文，
申请(专利权)人：北京智芯微电子科技有限公司，国网辽宁省电力有限公司电力科学研究院，国网信息通信产业集团有限公司，国家电网有限公司，
类型：新型
国别省市：北京;11