一种基于深度超分网络识别电力故障录波的方法及系统技术方案

本发明专利技术涉及电力故障录波识别技术领域，公开了一种基于深度超分网络识别电力故障录波的方法，包括以下步骤：步骤S1，使用录波器采集电力故障录波信息数据，并对电力故障录波信息数据进行预处理并构建数据集；步骤S2，构建深度超分网络模型；步骤S3，使用数据集训练深度超分网络模型；步骤S4，在实际场景下使用录波器采集电力故障录波信息数据，将采集的电力故障录波信息数据作为待检测样本输入进训练好深度超分网络模型中，通过深度挖掘分析特征聚集模块生成的特征结果输出电力故障分类结果。本发明专利技术还提供了一种基于深度超分网络识别电力故障录波的系统，包括采集单元、模型搭建单元、训练单元和检测单元。元、训练单元和检测单元。元、训练单元和检测单元。

【技术实现步骤摘要】
一种基于深度超分网络识别电力故障录波的方法及系统


[0001]本专利技术涉及电力故障录波识别
，具体地说，是一种基于深度超分网络识别电力故障录波的方法及系统，用于解决了现有技术中基于CNN模型不能充分修正电力故障录波特征的问题。

技术介绍

[0002]故障录波是一种基于故障录波信息的调度端电网故障诊断系统。故障录波器用于电力系统，可在系统发生故障时，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。我们知道，电力系统的故障过程越短、故障时间越短那么电力设备的损坏程度就越少，目前的故障录波大多数都可以做到在0.1s内切除故障，因此电力系统的故障信息必须使用故障录波器来进行记录，目前应用最广泛的是数字故障录波器，当我们当我们拿到一张电力故障录波图后，首先要大致判断系统发生了什么故障，故障持续了多长时间，以故障相电压或电流的过零点为相位基准，确定故障态各相电流电压的相位关系，然后绘制向量图，进行分析，最后读取故障持续、保护动作、保护返回等时间。
[0003]但是使用数字故障录波器直接进行读取分析会存在时间不准确的问题，如开关跳开或者合上时间一般是以断路器位置接点为基准的，断路器位置接点与主触头多数情况下并不十分同步，从而会产生一定的误差，此外我们需要从波形图中直接读取各事件的相对时间也容易读取的不准确，因此，现在也将深度学习和电力故障录波读取相结合，通过卷积层识别出故障点进行评价和定位，但是使用卷积提取特征的过程中会提取全部的特征，也就是说对于不同步的特征也是全部提取然后在训练模型的时候使用的也是这些特征，那么这个模型的优化度是不够的，此后再采集的电力故障录波输入进这个模型中得出的结果依旧是有不同步、偏差的特征。
[0004]因此，基于上述问题，本申请使用结合ResNet结构和DenseNet结构的深度超分网络，解决了现有技术中基于CNN模型不能充分修正电力故障录波特征的问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于深度超分网络识别电力故障录波的方法，用于解决现有技术中基于CNN模型不能充分修正电力故障录波特征的问题。
[0006]本专利技术通过下述技术方案实现：一种基于深度超分网络识别电力故障录波的方法，包括以下步骤：步骤S1，使用录波器采集电力故障录波信息数据，并对电力故障录波信息数据进行预处理并构建数据集，所述数据集包括训练集和测试集；步骤S2，构建深度超分网络模型，所述深度超分网络模型包括第一卷积模块、第二卷积模块、第一残差密集网络模块、第二残差密集网络模块、第三残差密集网络模块、特征拼接模块、特征相加模块、上采样模块和特征聚集模块；
步骤S3，使用数据集训练深度超分网络模型；步骤S4，在实际场景下使用录波器采集电力故障录波信息数据，将采集的电力故障录波信息数据作为待检测样本输入进训练好深度超分网络模型中，通过深度挖掘分析特征聚集模块生成的特征结果输出电力故障分类结果。
[0007]为了更好地实现本专利技术，进一步地，所述步骤S2中深度超分网络模型的结构包括：所述深度超分网络模型中，第一卷积模块连接有并联的第一残差密集网络模块、第二残差密集网络模和第三残差密集网络模块，所述第一残差密集网络模块、第二残差密集网络模和第三残差密集网络模块分别连接特征拼接模块，所述第一卷积模块和特征拼接模块分别和特征相加模块连接，所述特征相加模块依次连接上采样模块、第二卷积模块和特征聚集模块。
[0008]为了更好地实现本专利技术，进一步地，包括：所述第一残差密集网络模块、第二残差密集网络模和第三残差密集网络模块为三个网络结构相同的模块。
[0009]为了更好地实现本专利技术，进一步地，所述第一残差密集网络模块、第二残差密集网络模和第三残差密集网络模块中每个残差密集网络模块的结构包括三个串联的结构相同卷积组合模块和特征拼接卷积组合模块；所述卷积组合模块包括依次连接的层一归化模块、卷积模块和修正模块，所述特征拼接卷积组合模块包括依次连接的特征拼接模块和卷积模块。
[0010]为了更好地实现本专利技术，进一步地，所述第一残差密集网络模块、第二残差密集网络模和第三残差密集网络模块中当特征依次经过三个串联的卷积组合模块和特征拼接卷积组合模块后，与深度超分网络模型中第一卷积模块中输出的特征经过特征相加输入到深度超分网络模型中的特征相加模块中。
[0011]为了更好地实现本专利技术，进一步地，所述步骤S3包括：初始化数据集，并利用训练集进行训练深度超分网络模型，将深度超分网络模型中的迭代次数和学习率预设完整，直到迭代次数等于最大迭代次数，中止训练。
[0012]为了更好地实现本专利技术，进一步地，本专利技术还提供了一种基于深度超分网络识别电力故障录波的系统，包括采集单元、模型搭建单元、训练单元和检测单元，其中：采集单元，用于使用录波器采集电力故障录波信息数据，并对电力故障录波信息数据进行预处理并构建数据集，所述数据集包括训练集和测试集；模型搭建单元，用于构建深度超分网络模型，所述深度超分网络模型包括第一卷积模块、第二卷积模块、第一残差密集网络模块、第二残差密集网络模块、第三残差密集网络模块、特征拼接模块、特征相加模块、上采样模块和特征聚集模块；训练单元，用于使用数据集训练深度超分网络模型；检测单元，用于在实际场景下使用录波器采集电力故障录波信息数据，将采集的电力故障录波信息数据作为待检测样本输入进训练好深度超分网络模型中，通过深度挖掘分析特征聚集模块生成的特征结果输出电力故障分类结果。
[0013]为了更好地实现本专利技术，进一步地，包括一种电子设备。
[0014]为了更好地实现本专利技术，进一步地，包括一种计算机可读存储介质。
[0015]本专利技术与现有技术相比，具有以下优点及有益效果：
（1）本专利技术构建基于残差密集网络（RDB网络）的深度超分网络模型，并对深度超分网络模型进行适配于识别电力故障录波数据的调整；（2）本专利技术解决了现有技术中基于CNN模型不能充分修正电力故障录波特征的问题。
附图说明
[0016]本专利技术结合下面附图和实施例做进一步说明，本专利技术所有构思创新应视为所公开内容和本专利技术保护范围。
[0017]图1为本专利技术提供的深度超分网络模型的结构示意图。
[0018]图2为本专利技术提供的残差密集网络模块的结构示意图。
具体实施方式
[0019]为了更清楚地说明本专利技术实施例的技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本专利技术中的实施例，本领域普通技术工作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，都属于本专利技术保护的范围。
[0020]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度超分网络识别电力故障录波的方法，其特征在于，包括以下步骤：步骤S1，使用录波器采集电力故障录波信息数据，并对电力故障录波信息数据进行预处理并构建数据集，所述数据集包括训练集和测试集；步骤S2，构建深度超分网络模型，所述深度超分网络模型包括第一卷积模块、第二卷积模块、第一残差密集网络模块、第二残差密集网络模块、第三残差密集网络模块、特征拼接模块、特征相加模块、上采样模块和特征聚集模块；步骤S3，使用数据集训练深度超分网络模型；步骤S4，在实际场景下使用录波器采集电力故障录波信息数据，将采集的电力故障录波信息数据作为待检测样本输入进训练好深度超分网络模型中，通过深度挖掘分析特征聚集模块生成的特征结果输出电力故障分类结果。2.根据权利要求1所述的一种基于深度超分网络识别电力故障录波的方法，其特征在于，所述步骤S2中深度超分网络模型的结构包括：所述深度超分网络模型中，第一卷积模块连接有并联的第一残差密集网络模块、第二残差密集网络模和第三残差密集网络模块，所述第一残差密集网络模块、第二残差密集网络模和第三残差密集网络模块分别连接特征拼接模块，所述第一卷积模块和特征拼接模块分别和特征相加模块连接，所述特征相加模块依次连接上采样模块、第二卷积模块和特征聚集模块。3.根据权利要求1所述的一种基于深度超分网络识别电力故障录波的方法，其特征在于，包括：所述第一残差密集网络模块、第二残差密集网络模和第三残差密集网络模块为三个网络结构相同的模块。4.根据权利要求3所述的一种基于深度超分网络识别电力故障录波的方法，其特征在于，包括：所述第一残差密集网络模块、第二残差密集网络模和第三残差密集网络模块中每个残差密集网络模块的结构包括三个串联的结构相同卷积组合模块和特征拼接卷积组合模块；所述卷积组合模块包括依次连接的层一归化模块、卷积模块和修正模块，所述特征拼接卷积组合模块包括依次连接的特征拼接模块和卷积模块。5.根据权...

【专利技术属性】
技术研发人员：谢光彬，江漫，
申请(专利权)人：国网四川省电力公司宜宾供电公司，
类型：发明
国别省市：