基于制造技术

本发明专利技术涉及基于

【技术实现步骤摘要】
基于VMD与卷积神经网络的直流配网高阻故障识别方法


[0001]本专利技术涉及电力系统故障检测领域，具体涉及基于
VMD
与卷积神经网络的直流配网高阻故障识别方法
。

技术介绍

[0002]随着电网数据规模骤升和计算能力大幅提升，人工神经网络智能算法显现出极大的优越性，随着网络深度的增强，数据降维与处理能力也得到了进一步的提升，能从复杂的外部与内部环境的影响下精确有效地自动提炼出对故障判别有用的信息
。
[0003]例如
CN111598166A《
基于主分量分析和
Softmax
函数的单相接地故障分类方法和系统
》
公开了“基于主分量分析和
Softmax
函数的单相接地故障分类方法和系统，该方法首先获取母线三相电压
、
三相电流
、
零序电压和零序电流在发生故障后一至两周的故障分量，然后将故障分量构成的数据矩阵进行奇异值分解，求协方差矩阵进行主分量分解，提取故障特征值和归一化特征向量；降低故障特征向量矩阵的维数，得出输出矩阵；输出矩阵输入
softmax
分类器，对故障特征量训练样本进行训练；估算出概率值，实现故障类型识别
。
基于本专利技术提出的方法，本专利技术还提出了分类系统
。
本专利技术立足于实际配电网故障录波数据，实现以故障设备来分类的方法进行单相接地故障的分类，建立更精确，更快速的数据分类模型”，但所述分类器模型存在参数个数多，计算量大，且随着网络深度和宽度的增多容易产生过拟合的问题
。
[0004]因此，如何在解决网络模型过拟合的问题基础上提升故障识别的准确度成为目前配电网故障识别的热门研究方向
。

技术实现思路

[0005]基于上述技术问题，本专利技术提供了基于
VMD
与卷积神经网络的直流配网高阻故障识别方法，具体步骤包括：
[0006]采集直流配网系统故障点的正极暂态电压时域波形信号，并对正极暂态电压时域波形信号进行预处理获得预处理后的信号；
[0007]将预处理后的信号进行
VMD
分解获得本征模态分量
IMF
；
[0008]构建卷积神经网络分类器，利用所述
IMF
对卷积神经网络分类器进行训练，获得训练完成的卷积神经网络分类器，利用训练完成的卷积神经网络分类器对待识别数据进行故障识别并分类
。
[0009]优选的，对正极暂态电压时域波形信号进行预处理获得预处理后的信号具体为对正极暂态电压时域波形信号进行滤波和去噪获得预处理后的信号，其中，所述滤波以公式表达为：
[0010]V
filtered
(t)
＝
H
filter
(V(t))
；
[0011]式中，
V(t)
为正极暂态电压时域波形信号，
H
filter
()
为滤波器的传递函数，
V
filtered
(t)
为滤波后的波形；
[0012]利用小波去噪算法进行去噪，以公式表达为：
[0013]W
＝
wavelet
transform
(V
filtered
(t))
；
[0014]式中，
V
filtered
(t)
为滤波后的波形，
wavelet
transform
()
为小波变换函数，
W
为示小波系数；
[0015]T
＝
threshold
estimate
(W)
；
[0016]式中，
threshold
estimate
()
为根据小波系数的统计特性估计阈值的函数，
T
表示阈值；
[0017]W
denoised
＝
threshold
process
(W,T)
；
[0018]式中，
threshold
process
()
为根据阈值对小波系数进行处理的函数，
W
denoised
为处理后的小波系数；
[0019]V
denoised
(t)
＝
inverse_wavelet
transform
(W_denoised)
；
[0020]式中，
inverse_wavelet
transform
()
为小波逆变换函数，
V
denoised
(t)
为去噪后的波形信号，即预处理后的信号
。
[0021]优选的，将预处理后的信号进行
VMD
分解获得
IMF
，以公式表达为：
[0022]V
denoised
(t)
＝
∑[u
k
(t)+r(t)]；
[0023]式中，
u
k
(t)
为第
k
个
IMF
，
r(t)
为剩余项；
[0024]其中，所述
VMD
分解约束条件以公式表达为：
[0025][0026]式中，
{u
k
}
为分解获得的
k
个
IMF
集合，
{
ω
k
}
为各
IMF
所对应的频率中心集合，
j
为复数的虚部，
δ
(t)
为狄拉克分布，为变量
t
的偏微分；
[0027]引入二次惩罚项
α
和拉格朗日算法乘子
λ
(t)
将所述约束性问题转变为非约束性问题，利用交替方向乘子法计算所述非约束性问题获得
k
个
IMF
，其中，所述非约束性问题以公式表达为：
[0028][0029]优选的，所述将预处理后的信号进行
VMD
分解获得
IMF
还包括利用果蝇优化算法优化
VMD
分解过程中的参数
k
和
α
。
[0030]优选的，构建的卷积神经网络分类器包括卷积层
、
池化层
、Inception
模块
、Dropout
层和全连接层，将
IMF
作为输入数据，使用卷积核在
IMF<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
VMD
与卷积神经网络的直流配网高阻故障识别方法，其特征在于，具体步骤包括：采集直流配网系统故障点的正极暂态电压时域波形信号，并对正极暂态电压时域波形信号进行预处理获得预处理后的信号；将预处理后的信号进行
VMD
分解获得本征模态分量
IMF
；构建卷积神经网络分类器，利用所述
IMF
对卷积神经网络分类器进行训练，获得训练完成的卷积神经网络分类器，利用训练完成的卷积神经网络分类器对待识别数据进行故障识别并分类
。2.
根据权利要求1所述的基于
VMD
与卷积神经网络的直流配网高阻故障识别方法，其特征在于，对正极暂态电压时域波形信号进行预处理获得预处理后的信号具体为对正极暂态电压时域波形信号进行滤波和去噪获得预处理后的信号，其中，所述滤波以公式表达为：
V
filtered
(t)
＝
H
filter
(V(t))
；式中，
V(t)
为正极暂态电压时域波形信号，
H
filter
()
为滤波器的传递函数，
V
filtered
(t)
为滤波后的波形；利用小波去噪算法进行去噪，以公式表达为：
W
＝
wavelet
transform
(V
filtered
(t))
；式中，
V
filtered
(t)
为滤波后的波形，
wavelet
transform
()
为小波变换函数，
W
为示小波系数；
T
＝
threshold
estimate
(W)
；式中，
threshold
estimate
()
为根据小波系数的统计特性估计阈值的函数，
T
表示阈值；
W
denoised
＝
threshold
process
(W,T)
；式中，
threshold
process
()
为根据阈值对小波系数进行处理的函数，
W
denoised
为处理后的小波系数；
V
denoised
(t)
＝
inverse_wavelet
transform
(W_denoised)
；式中，
inverse_wavelet
transform
()
为小波逆变换函数，
V
denoised
(t)
为去噪后的波形信号，即预处理后的信号
。3.
根据权利要求2所述的基于
VMD
与卷积神经网络的直流配网高阻故障识别方法，其特征在于，将预处理后的信号进行
VMD
分解获得
IMF
，以公式表达为：
V
denoised
(t)
＝
∑[u
k
(t)+r(t)]
；式中，
u
k
(t)
为第
k
个
IMF
，
r(t)
为剩余项；其中，所述
VMD
分解约束条件以公式表达为：式中，
{u
k
}
为分解获得的
k
个
IMF
集合，
{<...

【专利技术属性】
技术研发人员：孙玉波，王耀，朱贺，肖阳春，赵铃光，叶景，曾志宏，林超群，涂承谦，雷伟，吴剑钊，柳卫明，苏建新，叶娴，缪健锋，
申请(专利权)人：国网福建省电力有限公司国网福建省电力有限公司宁德供电公司国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：