一种5G承载网下基于EWT和CNN的配网故障诊断方法和系统技术方案

本发明专利技术的一种5G承载网下基于EWT和CNN的配网故障诊断方法和系统，通过以下步骤：基于5G承载网络从配网获得原始数据；对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断。本发明专利技术经过EWT处理后的数据，再进行卷积神经网络故障诊断，故障诊断精度高；通过峭度值计算能很好确定出有效的IMF分量，构建故障特征数据，实现故障诊断，具有很高的故障诊断精度。一方面，为配电网故障诊断提供了一种有效的诊断技术；另一方面，在5G背景下，能够更好更快的实现故障诊断，对及时排除配电网故障和恢复供用电具有重要的意义。

【技术实现步骤摘要】
一种5G承载网下基于EWT和CNN的配网故障诊断方法和系统
本专利技术涉及配网故障诊断
，具体涉及一种5G承载网下基于EWT和CNN的配网故障诊断方法和系统。
技术介绍
及时精确的故障诊断是合理调度规划和故障恢复的基础。配电网拓扑结构复杂、分支众多、具有非均匀性，故障诊断有一定难度。近年来随着分布式可再生能源接入规模和渗透率不断提高，配电网潮流方向、电流故障等级都发生了较大变化，需要高精度的故障诊断技术。数据驱动的配电网故障诊断可根据数据来源分为两类，其一是基于保护和断路器开关量信息，包括专家系统、人工神经网络(artificialneuralnetwork，ANN)、Petri网等。其二则基于故障录波的电气类信息，包括特征提取、频域分解、深度学习等。在实际故障过程中保护和断路器存在误动和拒动，电网发生故障时首先是电流、电压等电气量予以反应，然后才是继电保护装置启动。因此与保护和断路器开关量相比故障录波的电气量信息具有准确性、可靠性、连续性、时序逻辑性、冗余性等优点。原始数据的准确采集和有效传输对故障诊断的准确性和实时性具有重要的意义。但因通讯传输通道不稳定、传输速率低、时延大等不足，导致保护和断路器信息可能出现误传或漏传，录波数据也可能存在不完整、对时不准确的问题。为保障配电网系统的安全稳定，在高压输电层级普遍配置多种装备对输电网运行状态进行量测，并且先进的光纤通讯技术的应用使输电系统电力信息实现互联互通。与输电网络相比，电压等级较低的配电网络虽然连接更多的设备，但没有同步实现光纤覆盖。基于4G无线通信的配电网保护与故障诊断技术解决了光纤约束的问题，但是4G通信传输在通道质量、通道带宽、时间同步方面均有待提高。5G无线通信网络的关键能力指标更为加强和丰富，在配电网系统中存在低时延高可靠性、密集覆盖、大容量高带宽等多样化通信场景。其中配网故障诊断为5G通讯技术应用中典型的低时延高可靠性场景。
技术实现思路
本专利技术提出的一种5G承载网下基于EWT和CNN的配网故障诊断方法和系统，本专利技术通过构建了基于5G承载网络的分布式配电网故障诊断系统，建立了数据丢包、网络时延问题模型，测试了实际过流元件启动与接收两个网络时刻的网络时延。并在5G技术运用在电力通信背景下，提出了5G承载网络下基于EWT和CNN的配电网故障诊断方法。为实现上述目的，本专利技术采用了以下技术方案：一种5G承载网下基于EWT和CNN的配网故障诊断方法，包括以下步骤：S100、基于5G承载网络从配网获得原始数据；S200、对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；S300、把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断。进一步的，所示卷积神经网络故障诊断模型的训练步骤如下：S301、基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；S302、对样本信号进行EWT分解线路中电流信号，获得IMF分量；S303、对IMF分量通过峭度值分析，选择含有设定量故障信息的IMF分量，形成样本数据集；S304、将样本数据集随机选择设定部分作为训练样本集和测试样本集，用于训练CNN模型和故障诊断测试；S305、利用训练样本集作为CNN的输入进行训练，调整CNN模型参数设置，直到训练准确率满足要求；S306、利用测试样本作为输入数据，测试训练好的CNN模型，验证该模型的有效性。进一步的，所述S306中训练好的CNN模型包括输入层、隐含层、全连接层和输出层组成，其中隐含层由卷积层和池化层组成；卷积和池化过程用于提取输入数据中包含的拓扑结构特征；其中，卷积层由多个卷积核组成，实现信号特征自适应提取，卷积层的输出如下：其中，其中是第l层的第j个卷积区域的第i个卷积核的输出，是第l层的第i个卷积核的第个权值，是第l层第j个卷积区域，ω是卷积核宽度；池化层在卷积层之后，用于对卷积层的输出进行降低特征空间大小，减少计算时间；采用最大值池化函数作为池化层函数，形式如下：其中，表示池化输出，表示第i个中第m个神经元的激活函数，ω是池化层宽度；全连接层是实现训练数据集进行分类，采用softmax函数作为全连接层的激活函数，形式如下：其中，zj表示第j个神经元输出，k表示总类别。进一步的，所述S301基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；包括：定义Nd为期望批次长度，N1为各批次过程中的最小批次长度，则t时刻系统实际批次长度Nt落在区间{Nd,…,N1}内；定义随机数γ(t；k)服从伯努利二项分布，令Nt＝N1+l，l∈{1，...，Nd-N1},Prob{Nt}＝pl；以随机数α(t；k)表述传输网络丢包现象，α(t；k)＝0表示数据丢失，反之表示数据传输成功；Prob{α(t；k)＝1}＝E{α(t；k)}＝α(2)其中0≤α≤1为已知参数。进一步的，所述S302、对样本信号进行EWT分解线路中电流信号，获得IMF分量；包括：假设将Fourier支撑区间[0,π]分割成N个连续的部分，Λn＝[ωn-1,ωn],ωn为各分段的边界，定义一个以ωn为中心点的过渡区域Tn，宽为2λn；定义细节系数和近似系数的公式：分别为经验小波函数ψn(t)和经验尺度函数φ1(t)的傅里叶变换；式中：分别为的傅里叶变换形式；将5G承载网络传输得到的原始信号f(t)分解，提取出具有紧凑的支撑特性的傅立叶谱的AM-FM(AmplitudeModulation-FrequencyModulation)分量，结果如下式：每个fi(t)是一个AM-FM函数，写成根据(6)，可得到另一方面本专利技术还公开一种5G承载网下基于EWT和CNN的配网故障诊断系统，包括以下单元：数据采集单元，用于基于5G承载网络从配网获得原始数据；数据处理单元，用于对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；数据诊断单元，用于把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断。进一步的，还包括以下子单元：样本信号获取单元，用于基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；样本信号处理单元，用于对样本信号进行EWT分解线路中电流信号，获得IMF分量；样本数据集形成单元，用于对IMF分量通过峭度值分析，选择含有设定量故障信息的IMF分量，形成样本数据集；样本数据集处理单元，用于将样本数据集随机选择设定部分作为训练样本集和测试样本集，用于训练CNN模型和故障诊断测试；模型训练单元，本文档来自技高网...

【技术保护点】
1.一种5G承载网下基于EWT和CNN的配网故障诊断方法，其特征在于，包括以下步骤：/nS100、基于5G承载网络从配网获得原始数据；/nS200、对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；/nS300、把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断。/n

【技术特征摘要】
1.一种5G承载网下基于EWT和CNN的配网故障诊断方法，其特征在于，包括以下步骤：
S100、基于5G承载网络从配网获得原始数据；
S200、对原始数据进行EWT分解处理，通过峭度值计算确定出有效的IMF分量进而确定测试数据；
S300、把测试数据输入事先训练好的卷积神经网络故障诊断模型进行故障诊断。


2.根据权利要求1所述的5G承载网下基于EWT和CNN的配网故障诊断方法，其特征在于：所示卷积神经网络故障诊断模型的训练步骤如下：
S301、基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；
S302、对样本信号进行EWT分解线路中电流信号，获得IMF分量；
S303、对IMF分量通过峭度值分析，选择含有设定量故障信息的IMF分量，形成样本数据集；
S304、将样本数据集随机选择设定部分作为训练样本集和测试样本集，用于训练CNN模型和故障诊断测试；
S305、利用训练样本集作为CNN的输入进行训练，调整CNN模型参数设置，直到训练准确率满足要求；
S306、利用测试样本作为输入数据，测试训练好的CNN模型，验证该模型的有效性。


3.根据权利要求2所述的5G承载网下基于EWT和CNN的配网故障诊断方法，其特征在于：所述S306中训练好的CNN模型包括输入层、隐含层、全连接层和输出层组成，其中隐含层由卷积层和池化层组成；
卷积和池化过程用于提取输入数据中包含的拓扑结构特征；
其中，
卷积层由多个卷积核组成，实现信号特征自适应提取，卷积层的输出如下：



其中，其中是第l层的第j个卷积区域的第i个卷积核的输出，是第l层的第i个卷积核的第个权值，是第l层第j个卷积区域，ω是卷积核宽度；
池化层在卷积层之后，用于对卷积层的输出进行降低特征空间大小，减少计算时间；
采用最大值池化函数作为池化层函数，形式如下：



其中，表示池化输出，表示第i个中第m个神经元的激活函数，ω是池化层宽度；
全连接层是实现训练数据集进行分类，采用softmax函数作为全连接层的激活函数，形式如下：



其中，zj表示第j个神经元输出，k表示总类别。


4.根据权利要求2所述的5G承载网下基于EWT和CNN的配网故障诊断方法，其特征在于：所述S301基于5G承载网络从配网获得原始数据，提取故障区域各线路电流信号作为样本信号；
包括：
定义Nd为期望批次长度，N1为各批次过程中的最小批次长度，则t时刻系统实际批次长度Nt落在区间{Nd,…,N1}内；
定义随机数γ(t；k)服从伯努利二项分布，令Nt＝N1...

【专利技术属性】
技术研发人员：于洋，王同文，王吉文，谢民，宋志伟，叶远波，程晓平，王栋，邵庆祝，俞斌，张骏，
申请(专利权)人：国网安徽省电力有限公司，南京南瑞继保工程技术有限公司，
类型：发明
国别省市：安徽;34