基于卷积神经网络的电力故障信号检测方法技术

本发明专利技术提出一种基于卷积神经网络的电力故障信号检测方法，解决现有故障信号检测的方式无法兼顾故障信号预判与过程设计简洁性的问题，首先采集具有故障且故障位置已知的电力信号及无故障的电力信号，构造预处理矩阵及与预处理矩阵匹配的输出训练矩阵，构建卷积神经网络模型，利用预处理矩阵输出训练矩阵训练卷积神经网络模型，得到电力故障信号检测模型，最后对待检测的电力信号进行检测，检测过程的设计复杂度低，而且基于已训练好的电力故障信号检测模型，可以提前对待检测的质量不佳的电力信号进行预判，可进一步提前通知工作人员提高对其的关注度，便于工作人员及时对电力系统运行状态掌控。

【技术实现步骤摘要】
基于卷积神经网络的电力故障信号检测方法
本专利技术涉及电力系统故障信号检测的
，更具体地，涉及一种基于卷积神经网络的电力故障信号检测方法。
技术介绍
目前，电力企业通常利用故障录波器在系统发生故障时，自动地、准确地记录故障前、后过程的各种电气量的变化情况，通过对这些电气量的分析、比较，对分析处理事故、判断保护是否正确动作、提高电力系统安全运行水平有着重要作用，但故障信号识别不能预判，工作人员只能在故障发生时，根据故障录波器的记录，掌握故障前后各种电气量信号的变化情况，这样不利于工作人员对电力系统运行状态的掌控。此外，通过设计一些故障检测判断方法，也可以提高电力系统故障检测的性能，如公开号为CN110223195A，公开日为2019年9月10日的中国专利中公开了一种基于卷积神经网络的配电网故障检测方法，能够对配电网故障类型、相位和位置进行准确的判断，但是该方法实现故障信号识别的设计过程较复杂。
技术实现思路
为解决现有电力系统故障信号检测的方式无法兼顾故障信号预判与过程设计简洁性的问题，本专利技术提出了一种基于卷本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的电力故障信号检测方法，其特征在于，至少包括：/nS1.采集M条具有故障且故障位置已知的电力信号，N条无故障的电力信号；/nS2.将每条电力信号以滑动窗

【技术特征摘要】
1.一种基于卷积神经网络的电力故障信号检测方法，其特征在于，至少包括：
S1.采集M条具有故障且故障位置已知的电力信号，N条无故障的电力信号；
S2.将每条电力信号以滑动窗T截取分段，形成电力信号截取段，将电力信号截取段表示为预处理矩阵S={S1，S2，…，Sn}，其中，S1，S2，…，Sn表示以时间顺序排列的电力信号截取段，n表示总时间排列段数；Si={hi1，hi2，…，him}T，hi1，hi2，…，him表示以时间顺序排列的第i个电力信号截取段中的信号元素，m表示每个电力信号截取段中的信号元素数目，i表示1～n中的任意一个值；
S3.构造与预处理矩阵S匹配的输出训练矩阵Z＇={Z1＇，Z2＇，…，Zn＇}，并获取输出训练矩阵Z＇的信号元素值Zi＇，i表示1～n中的任意一个值；
S4.构造卷积神经网络模型J，将Si={hi1，hi2，…，him}T作为卷积神经网络模型J的输入，将Zi＇作为卷积神经网络模型J的输出，对卷积神经网络模型J进行训练，得到电力故障信号检测模型；
S5.采集待检测的电力信号，输入至电力故障信号检测模型，电力故障信号检测模型对待检测的电力信号进行检测。


2.根据权利要求1所述的基于卷积神经网络的电力故障信号检测方法，其特征在于，所述电力信号为电流信号或电压信号。


3.根据权利要求1所述的基于卷积神经网络的电力故障信号检测方法，其特征在于，步骤S2所述的滑动窗T的滑动步长为0.1s—0.2s，窗体长度为1s—2s。


4.根据权利要求3所述的基于卷积神经网络的电力故障信号检测方法，其特征在于，步骤S3所述的获取输出训练矩阵Z＇的信号元素值Zi＇的过程为：
S31.设Zi＇={hi1＇，hi2＇，…，him＇}T；
S32.对于Zi＇中任意一个信号元素hij＇，找到与其匹配的Si={hi1，hi2，…，him}T中的第j个信号元素hij，j表示1~m中的任意一个值；
S33.确定与信号元素hij对应的以滑动窗T为度量的两个端点信号元素值hij1和hij2；
S34.判断信号元素hij对应的电力信号是否为故障发生位置的电力信号，若是，
hij＇=max{hij1，hij2}；否则...

【专利技术属性】
技术研发人员：管致乾，张峰，麦智雄，樊国强，曾嘉俊，潘绍伟，麦国才，
申请(专利权)人：广东电网有限责任公司佛山供电局，
类型：发明
国别省市：广东;44