基于时空注意力机制CNN的继电保护装置检测方法及系统制造方法及图纸

基于时空注意力机制CNN的继电保护装置检测方法及系统。方法包括：构建流

【技术实现步骤摘要】
基于时空注意力机制CNN的继电保护装置检测方法及系统


[0001]本专利技术属于电力能源领域，具体涉及基于时空注意力机制CNN(Convolutional Neural Network，卷积神经网络)的继电保护装置检测方法及系统。

技术介绍

[0002]目前，国内电网建设快速发展，电网运行的技术水平和复杂程度越来越高，作为智能电网的重要环节，智能变电站对电网管理模式优化的支撑作用越来越重要。智能变电站继电保护的年检定检主要由人工测试完成，在测试过程中，通过光纤将测试仪和保护装置与操作电脑连接的方式对测试场地要求高，同时也会有户外作业环境问题，给检修工作人员带来不便；此外还需要根据不同的试验项目调整试验接线和更换各种功能测试模板，不仅过程繁琐，容易出错，还考验现场工作人员的经验水平和细致程度；同时，试验结束后填写试验结果报告也会耗费大量的时间，给一线检修人员带来了极大的负担。因此，开发一种可以在减轻工作负担的同时保证电网的安全稳定运行和供电可靠性的智能变电站继电保护方法是愈加重要的。

技术实现思路

[0003]为解决现有技术中存在的不足，本专利技术提供一种基于时空注意力机制CNN的继电保护装置检测方法及系统，解决了智能变电器保护的年检和定检需要主要由人工完成的繁琐和不便流程。
[0004]本专利技术采用如下的技术方案。
[0005]基于时空注意力机制CNN的继电保护装置检测方法，包括以下步骤：
[0006]步骤1，构建流
‑
图像转换结构，采用流
‑/>图像转换结构将获取的WIFI信号由1维矩阵形式转换成2维矩阵形式；
[0007]步骤2，构建基于时空注意力机制的CNN网络模型，网络模型包括：卷积层，时间注意力机制网络层，空间注意力机制网络层，激活层，全连接层和Softmax层，输入2维矩阵WIFI信号经过一层卷积，得到特征R，将特征R分别输入时间注意力机制网络层、空间注意力机制网络层和激活层中，分别得到时间特征R
t
，空间特征R
s
和非线性特征R
l
，然后将R
t
，R
s
和R
l
进行等值权重融合，得到时空深度特征R
d
；
[0008]步骤3，将得到的时空深度特征R
d
输入卷积层，激活层和全连接层中继续训练以提取特征，得到最终的分类特征R
f
，利用Softmax对分类特征R
f
进行识别从而得到最终的分类结果；
[0009]步骤4，根据步骤3中的分类结果来判定工作状态是否正常，如果分类结果为1，表示继电保护装置仍处于正常的工作状态，若分类结果为0，表示继电保护装置存在问题。
[0010]优选地，步骤1中，流
‑
图像转换结构为编解码网络，WIFI信号包括：收集被测继电保护装置的状态、定值、事件、录波。
[0011]优选地，步骤1中，收集被测继电保护装置的状态信息组成一维矩阵D，并对不同的
状态进行相应的赋值，得到1维的WIFI信号，通过构建编解码将1维矩阵形式的WIFI信号D变为2维矩阵形式的WIFI信号M；
[0012]D＝[d1,d2,d3,
…
,d
n
][0013][0014]M＝ρ(D)
[0015][0016]式中，
[0017]d
n
表示接收WIFI信号的状态，
[0018]ρ(.)表示编解码网络操作，
[0019]a表示编解码网络输入数据，
[0020]a
′
表示编解码网络输出数据。
[0021]优选地，步骤2中，时间注意力机制中，卷积大小为1*3，从1维角度观察每一行相邻的信号之间存在关联性，通过1*3的卷积，提取出具有时间特征R
t
，其具体过程如下所示：
[0022][0023]式中，
[0024]R
(i,j)
表示二维矩阵中的具体行参数，i表示行数，j表示列数，t
n
表示时间特征训练权重，表示时间特征训练偏置，表示矩阵乘法运算。
[0025]优选地，步骤2中，空间注意力机制网络中，卷积大小为3*1，通过卷积核的限制，使得主干网络更加关注周期性的变换，提取出空间特征R
s
；
[0026][0027]式中，s
n
表示空间特征训练权重，表示空间特征训练偏置，代表矩阵乘法运算。
[0028]优选地，步骤2中，将R
t
，R
s
和R
l
进行等值权重融合，得到时空深度特征R
d
，具体公式如下：
[0029]R＝CONV(M)＝W(M)+B
[0030]R
t
＝T(R)
[0031]R
S
＝S(R)
[0032]R
l
＝ReLU(R)
[0033][0034]式中，
[0035]W(.)表示网络模型的权重参数，
[0036]B表示学习偏置参数，
[0037]R表示M卷积后的特征，
[0038]CON(.)表示卷积操作，
[0039]T(.)表示时间注意力机制，
[0040]S(.)表示空间注意力机制，
[0041]ReLU(.)表示激活函数。
[0042]优选地，步骤3中，将得到的时空深度特征R
d
输入由三个卷积层，三个ReLU激活层和全连接层所组成的后续的网络中继续训练以提取特征，得到最终的分类特征R
f
，利用Softmax对分类特征R
f
进行识别从而得到最终的分类结果ANS，公式表示如下：
[0043]R
f
＝N(R
d
)
[0044]ANS＝Softmax(R
f
)
[0045]式中，
[0046]N(.)表示后续网络的特征提取操作，
[0047]Softmax(.)表示分类操作。
[0048]基于时空注意力机制CNN的继电保护装置检测系统，包括：采集与预处理模块，建模模块，分类模块，判断模块，其中：
[0049]采集与预处理模块用于构建流
‑
图像转换结构，采用流
‑
图像转换结构将获取的WIFI信号由1维矩阵形式转换成2维矩阵形式；
[0050]建模模块，用于构建基于时空注意力机制的CNN网络模型，网络模型包括：卷积层，时间注意力机制网络层，空间注意力机制网络层，激活层，全连接层和Softmax层，输入2维矩阵WIFI信号经过一层卷积，得到特征R，将特征R分别输入时间注意力机制网络层、空间注意力机制网络层和激活层中，分别得到时间特征R
t
，空间特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时空注意力机制CNN的继电保护装置检测方法，其特征在于，包括以下步骤：步骤1，构建流
‑
图像转换结构，采用流
‑
图像转换结构将获取的WIFI信号由1维矩阵形式转换成2维矩阵形式；步骤2，构建基于时空注意力机制的CNN网络模型，网络模型包括：卷积层，时间注意力机制网络层，空间注意力机制网络层，激活层，全连接层和Softmax层，输入2维矩阵WIFI信号经过一层卷积，得到特征R，将特征R分别输入时间注意力机制网络层、空间注意力机制网络层和激活层中，分别得到时间特征R
t
，空间特征R
s
和非线性特征R
l
，然后将R
t
，R
s
和R
l
进行等值权重融合，得到时空深度特征R
d
；步骤3，将得到的时空深度特征R
d
输入卷积层，激活层和全连接层中继续训练以提取特征，得到最终的分类特征R
f
，利用Softmax对分类特征R
f
进行识别从而得到最终的分类结果；步骤4，根据步骤3中的分类结果来判定工作状态是否正常，如果分类结果为1，表示继电保护装置仍处于正常的工作状态，若分类结果为0，表示继电保护装置存在问题。2.根据权利要求1所述的基于时空注意力机制CNN的继电保护装置检测方法，其特征在于，步骤1中，流
‑
图像转换结构为编解码网络，WIFI信号包括：收集被测继电保护装置的状态、定值、事件、录波。3.根据权利要求2所述的基于时空注意力机制CNN的继电保护装置检测方法，其特征在于，步骤1中，收集被测继电保护装置的状态信息组成一维矩阵D，并对不同的状态进行相应的赋值，得到1维的WIFI信号，通过构建编解码将1维矩阵形式的WIFI信号D变为2维矩阵形式的WIFI信号M；D＝[d1,d2,d3,
…
,d
n
]M＝ρ(D)式中，d
n
表示接收WIFI信号的状态，ρ(.)表示编解码网络操作，a表示编解码网络输入数据，a
′
表示编解码网络输出数据。4.根据权利要求1所述的基于时空注意力机制CNN的继电保护装置检测方法，其特征在于，步骤2中，时间注意力机制中，卷积大小为1*3，从1维角度观察每一行相邻的信号之间存在关联性，通过1*3的卷积，提取出具有时间特征R
t
，其具体过程如下所示：
式中，R
(i,j)
表示二维矩阵中的具体行参数，i表示行数，j表示列数，t
n
表示时间特征训练权重，表示时间特征训练偏置，表示矩阵乘法运算。5.根据权利要求4所述的基于时空注意力机制CNN的继电保护装置检测方法，其特征在于，步骤2中，空间注意力机制网络中，卷积大小为3*1，通过卷积核的限制，使得主干网络更加关注周期性的变换，提取出空间特征R
s
；式中，s
n
表示空间特征训练权重，表示空间特征训练偏置，代表矩阵乘法运算。6.根据权利要求5所述的基于时空注意力机制CNN的继电保护装置检测方法，其特征在于，步骤2中，将R
t<...

【专利技术属性】
技术研发人员：张帆，纪洁，赵俊，肖耀，汤昶烽，刘孝刚，陈昊，高远，方国权，吴司颖，胡汉，
申请(专利权)人：国网江苏省电力有限公司超高压分公司，
类型：发明
国别省市：