基于卷积神经网络识别输电线路发展性故障的方法技术

本发明专利技术公开了一种基于卷积神经网络识别输电线路发展性故障的方法，该方法结合了CBAM注意力机制，使网络从通道和空间上更注重有效的细节和全貌特征。首先，建立模型生成大量发展性故障数据，构建故障样本库；然后，建立结合CBAM模块的卷积神经网络，并利用故障数据集训练该网络，训练好的网络末端通过阈值判断可对发展性故障进行识别和分类。当应用时，只需要导入待检测的电流波形，即可逐点输出识别的故障类型信息。与现有的技术相比，本发明专利技术方法无需复杂的理论建模和特征分析过程，抗噪性能和泛化能力优良，且基于注意力机制所提取的故障特征具有较明确的物理含义，一定程度上解决了已有人工智能方法可解释性不足的问题。已有人工智能方法可解释性不足的问题。已有人工智能方法可解释性不足的问题。

【技术实现步骤摘要】
基于卷积神经网络识别输电线路发展性故障的方法


[0001]本专利技术属于电力系统的继电保护
，具体涉及一种基于卷积神经网络识别输电线路发展性故障的方法。

技术介绍

[0002]电力系统中输电线路运行环境复杂，易受各种因素影响而发生故障。电力系统故障后处于非正常运行状态，易发生发展性故障。发展性故障是指同一故障点，从单相接地故障发展到包括该相在内的两相接地短路或从两相短路发展为三相短路。输电线路遭遇发展性故障时，选相元件可能会误选相，引起保护误动作。因此，如果能及时、准确地判断出发展性故障，采取相应的措施，就可以防止故障进一步扩大，提高电力系统稳定性。
[0003]目前针对输电线路发展性故障识别的方法较少，传统方法主要是根据故障后电压、电流序分量之间差值或比值关系进行判断，人为选择合适的阈值作为故障判据。而三相参数不对称、阈值选取不当等问题很可能影响上述方法的识别效果。
[0004]随着人工智能的发展，各种机器学习算法在故障检测、识别方面取得了良好的效果，但在故障特征提取等方面，仍需人为参与。深度学习是机器学习领域的一个分支，基于数据驱动，能够自动挖掘数据的潜在特征。然而现有的深度学习方法作为一个“黑箱”，其提取的特征缺乏可解释性，物理意义不明确。因此，基于人工智能识别发展性故障的方法有待发展。

技术实现思路

[0005]为解决上述现有技术中存在的问题，本专利技术的目的是提供一种基于卷积神经网络识别输电线路发展性故障的方法，本专利技术仅需任意时间段三相电流和零序电流量测信息，就能自动对输电线路故障(包括发展性故障)的时间段进行精准地识别，并判断出故障类别。本专利技术在卷积网络模型的基础上引入注意力机制(CBAM模块)，所提取的故障特征具有较好的物理意义，同时提高了模型的抗噪性能以及泛化能力。
[0006]为达到上述目的，本专利技术采用如下技术方案：
[0007]基于卷积神经网络识别输电线路发展性故障，包括如下步骤：
[0008]步骤1：搭建双端交流线路仿真模型，生成发展性故障样本，按时序将三相电流和零序电流上下堆叠并归一化生成训练数据和标签数据，故障时段的采样点标签设为1，无故障则为0；
[0009]步骤2：搭建五层卷积网络模型，各卷积层之间加入CBAM模块，设置好学习率和训练周期，利用步骤1所得训练数据和标签数据对卷积网络模型进行有监督训练；
[0010]步骤3：将任意待识别样本x输入训练好的卷积网络模型中，并对卷积网络模型的三相电流和零序电流的输出结果进行阈值判断得到对应的判别标签y，其中x,n表示待识别样本的采样长度；
[0011]步骤4：通过故障类型对照表，将判别标签转换为1
×
n的序列s，该序列即为各采样
点的故障类型。
[0012]进一步地，所述步骤2中，CBAM模块是由通道注意力模块和空间注意力模块组成。所述的通道注意力模块是将中间特征层在空间维度上分别使用平均池化和最大池化来聚合中间特征层的空间信息，将这两个不同的特征信息输入共享的多层感知机网络MLP处理，最后经过非线性激活得到通道注意力的权重系数；该过程对应的描述公式为：
[0013][0014]其中，M
c
(F)为中间特征层的通道注意力权重，σ为sigmoid激活函数，W0、W1为MLP的共享权重，和表示中间特征层F进行平均池化和最大池化的结果。
[0015]所述的空间注意力模块是将中间特征层在通道维度上应用平均池化和最大池化聚合通道信息，然后将两个特征拼接并进行卷积计算；该过程对应的描述公式为：
[0016][0017]其中，M
s
(F)为中间特征层的空间注意力权重，σ为sigmoid激活函数，
[0018]和表示平均池化特征和最大池化特征。
[0019]所述的CBAM模块是加在基础CNN之后，经过注意力机制得到新的输出F
″
，计算过程如下：
[0020][0021][0022]其中，为点乘，F
′
表示中间特征层F经过通道注意力模块的中间量，F
″
表示经过空间注意力模块后的最后输出。
[0023]与现有技术相比较，本专利技术具备如下优点：
[0024]1、逐点连续判别。输出结果为连续的判别序列，包含了各采样点的故障类型以及故障类型转变的时刻，实现对采样点故障类型的逐点识别；
[0025]2、模型性能好。卷积网络模型精确性、稳定性好，抗噪性能优异，模型学习到的是故障的普遍特征，而非针对特定模型，具有较好的泛化能力。
[0026]3、物理含义明确。结合了注意力机制的卷积网络，通过中间层可视化技术可以清晰地看到卷积网络模型对于故障电流突变、过零点、幅值等信息的重点关注，一定程度上解决了已有人工智能方法可解释性不足的问题；
附图说明
[0027]图1是本专利技术方法流程图；
[0028]图2是故障电流的归一化样本及对应标签；
[0029]图3是卷积网络模型的结构图；
[0030]图4是判别标签的转换过程；
[0031]图5是网络中间层的可视化结果。
具体实施方式
[0032]下面结合附图和实施例对本专利技术做进一步详细说明:
[0033]如图1所示为本专利技术一实施例中基于卷积神经网络识别输电线路发展性故障的方法的流程图，包括如下步骤：
[0034]步骤1：搭建双端交流线路仿真模型，生成发展性故障样本，截取11周波的电流数据，将三相电流及零序电流上下堆叠并归一化生成故障数据和标签数据。如图2所示，各相电流及零序电流在故障时段的采样点标签设为1，无故障则为0；
[0035]步骤2：搭建五层卷积网络模型，，各卷积层之间加入CBAM模块，如图3所示,设置训练轮次epoch＝75，学习率为0.01且50个epoch后缩小10倍，利用步骤1所得故障样本和标签数据对卷积网络模型进行有监督训练；
[0036]步骤3：将任意待识别样本x输入训练好的卷积网络模型中，并对卷积网络模型的三相电流和零序电流的输出结果进行阈值判断得到对应的判别标签y，其中x,n表示待识别样本的采样长度；
[0037]步骤4：通过表1所示故障类型对照表，将判别标签y转换为1
×
n的序列s，该序列即为各采样点的故障类型，具体转换过程如图4所示，在0～t1时间段内各相标签均是0，t1～t2间A相和零序标签变为1，而t2后B相标签也变为1，因此可以判断0～t1时间内无故障，t1～t2间发生了A相接地短路故障，t2时刻发生了发展性故障，故障类型由A相接地短路转化为更严重AB两相接地短路。
[0038]表1故障类型对照表
[0039]故障类型A相标签B相标签C相标签零序标签无故障(0)0000A相接地(1)1001B相接地(2)0101C相接地(3)0011AB相间短路(4)1100AC相间短路(5)1010BC相间短路(6)0110AB相接地短路(7)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络识别输电线路发展性故障的方法，其特征在于，包括如下步骤：步骤1：搭建双端交流线路仿真模型，生成发展性故障样本，按时序将三相电流和零序电流上下堆叠并归一化生成训练数据以及标签数据；步骤2：搭建五层卷积网络模型，各卷积层之间加入CBAM模块，利用步骤1所得的训练数据和标签数据对卷积网络模型进行有监督训练；步骤3：将任意待识别样本x输入训练好的卷积网络模型中，并对卷积网络模型的三相电流和零序电流的输出结果进行阈值判断操作得到对应的判别标签y，其中n表示采样长度；步骤4：通过故障类别对照表，将判别标签转换为1
×
n的序列s，该序列即为各采样点的故障类型。2.如权利要求1所述的基于卷积神经网络识别输电线路发展性故障的方法，其特征在于，所述步骤2中，所搭建的卷积网络模型包含输入层、三层卷积层以及输出层，各卷积层输出形状在二维上均设置为4
...

【专利技术属性】
技术研发人员：郝治国，林泽暄，杨松浩，张宇博，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：