System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力系统运行与控制领域,具体涉及基于ewt和vggnet的配电网故障选线方法及系统。
技术介绍
1、中低压配电网中,80%的故障是由于单相接地引起的,如果不能及时发现故障线路,将会对配电网造成严重破坏。而当配电系统发生单相接地故障时,零序电流信号的故障特征不明显,容易被噪声所淹没,造成故障选线困难。
2、现有方法中基于零序电流包络线拟合斜率的配电网故障选线方法,该方法在高阻接地情况下,零序电流包络线拟合斜率基本相同,该方法失效。另外还有一些现有方法易受故障类型、初相角的影响,也会造成某些情况下配电网故障选线失效。因此,现有配电网故障选线方法易受不受故障类型、接地电阻和初相角的影响,造成选线准确率等问题。
3、有鉴于此,特提出本申请。
技术实现思路
1、本专利技术所要解决的技术问题是现有配电网故障选线方法受故障类型、接地电阻和初相角的影响,不能有效解决零序电流信号的故障特征不明显问题,造成选线准确率等。
2、本专利技术目的在于提供基于ewt和vggnet的配电网故障选线方法及系统,首先利用经验小波变换(ewt)将零序电流信号分解成一系列模态分量,通过加权排列熵(wpe)滤除其中的噪声,进行信号重构,得到降噪后的电信号;然后计算降噪后的电信号的马氏距离矩阵,通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵;最后向vggnet网络(卷积神经网络)中加入se(squeeze and excitation)注意力机制,注意力机制的加入,
3、本专利技术通过下述技术方案实现:
4、第一方面,本专利技术提供了基于ewt和vggnet的配电网故障选线方法,该方法包括:
5、该方法包括:
6、获取配电网中的零序电流信号,利用经验小波变换(ewt)将零序电流信号分解成一系列模态分量;
7、通过加权排列熵(wpe)滤除模态分量中的噪声,进行信号重构,得到降噪重构后的零序电流信号;
8、计算降噪重构后的零序电流信号的马氏距离矩阵,通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵;
9、将配电网所有线路的像素矩阵拼接成一张图像,同时,将不同故障线路生成的图像打上对应的标签;
10、将生成的图像输入加入se注意力机制的vggnet网络中进行训练,得到模型文件;并利用模型文件即可完成配电网单相接地故障选线。
11、进一步地,零序电流信号选取配电网中每个节点故障前一个周期和故障后两个周期的零序电流信号。
12、进一步地,通过加权排列熵(wpe)滤除模态分量中的噪声,进行信号重构,得到降噪重构后的零序电流信号,包括:
13、计算每个分解得到的模态分量对应本征模态函数的加权排列熵;
14、将加权排列熵与预设阈值进行比较,滤除大于预设阈值的本征模态函数,得到降噪重构后的零序电流信号。
15、进一步地,计算降噪重构后的零序电流信号的马氏距离矩阵,通过颜色编码将马氏距离矩阵转换成具有图像性质的像素矩阵,包括:
16、计算降噪后的零序电流信号每个点与整体之间的马氏距离,生成马氏距离矩阵;
17、将马氏距离矩阵进行颜色编码,将马氏距离矩阵中的元素按照数值大小转换为不同的颜色,并在坐标轴对应位置处以这种颜色染色,得到具有图像性质的像素矩阵。
18、进一步地,马氏距离度量降噪后的零序电流i和时间t之间的分布距离;马氏距离dm(x)的计算公式为:
19、
20、μ=(μi,μt)t
21、x=(xi,xt)t
22、
23、式中,μ为x的均值;μi为xi的均值;μt为xt的均值;x为xi、xt组成的多变量矢量;xi为零序电流信号;xt为时间的值;σ为x的协方差矩阵;e[]为期望值。
24、进一步地,加入se注意力机制的vggnet网络采用vgg16网络模型,包括依次连接的第一卷积层组、第二卷积层组、第三卷积层组、第四卷积层组、第五卷积层组和全连接层,第一卷积层组输入端连接输入层,全连接层的输出端输出;
25、第一卷积层组包括依次连接的第一卷积层、第二卷积层、第一se注意力机制模块和第一最大池化层;
26、第二卷积层组包括依次连接的第三卷积层、第四卷积层、第二se注意力机制模块和第二最大池化层;
27、第三卷积层组包括依次连接的第五卷积层、第六卷积层、第七卷积层、第三se注意力机制模块和第三最大池化层;
28、第四卷积层组包括依次连接的第八卷积层、第九卷积层、第十卷积层、第四se注意力机制模块和第四最大池化层;
29、第五卷积层组包括依次连接的第十一卷积层、第十二卷积层、第十三卷积层、第五se注意力机制模块和第五最大池化层;
30、全连接层包括依次连接的flatten层、第一dropout层和第二dropout层。
31、进一步地,第一se注意力机制模块、第二se注意力机制模块、第三se注意力机制模块、第四se注意力机制模块、第五se注意力机制模块的网络结构均包括依次连接的全局平均池化层、第一全连接层、第二全连接层和scale层;
32、全局平均池化层,用于特征图输入后,通过基于特征图的宽度和高度进行全局平均池化,使空间特征降维到1×1×c,达到全局上下文信息的融合;
33、第一全连接层,用于降维作用,并通过relu函数激活;
34、第二全连接层,用于将输入的特征图恢复至原始维度,并通过sigmoid函数激活;
35、scale层,用于通过乘法逐通道加权到先前的特征上,完成在通道维度上的对原始特征的重标定,从而使得模型对各个通道的特征更有辨别能力。
36、进一步地,输入层输入的图像维度为224x224x3,第一卷积层组的图像维度为224x224x64,第二卷积层组的图像维度为112x112x128,第三卷积层组的图像维度为56x56x256,第四卷积层组的图像维度为28x28x512,第五卷积层组的图像维度为14x14x512,全连接层的图像维度为1x1x4096。
37、第二方面,本专利技术又提供了基于ewt和vggnet的配电网故障选线系统,该系统使用上述的基于ewt和vggnet的配电网故障选线方法;该系统与上述的基于ewt和vggnet的配电网故障选线方法一一对应;该系统包括:
38、获取单元,用于获取配电网中的零序电流信号;
39、经验小波变换分解单元,用于利用经验小波变换(ewt)将零序电流信号分解成一系列模态本文档来自技高网...
【技术保护点】
1.基于EWT和VGGNet的配电网故障选线方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于EWT和VGGNet的配电网故障选线方法,其特征在于,所述零序电流信号选取配电网中每个节点故障前一个周期和故障后两个周期的零序电流信号。
3.根据权利要求1所述的基于EWT和VGGNet的配电网故障选线方法,其特征在于,通过加权排列熵滤除所述模态分量中的噪声,进行信号重构,得到降噪重构后的零序电流信号,包括:
4.根据权利要求1所述的基于EWT和VGGNet的配电网故障选线方法,其特征在于,计算降噪重构后的零序电流信号的马氏距离矩阵,通过颜色编码将所述马氏距离矩阵转换成具有图像性质的像素矩阵,包括:
5.根据权利要求4所述的基于EWT和VGGNet的配电网故障选线方法,其特征在于,所述马氏距离度量降噪后的零序电流I和时间t之间的分布距离;所述马氏距离DM(x)的计算公式为:
6.根据权利要求1所述的基于EWT和VGGNet的配电网故障选线方法,其特征在于,所述加入SE注意力机制的VGGNet网络采用VGG16网络模型,
7.根据权利要求6所述的基于EWT和VGGNet的配电网故障选线方法,其特征在于,所述第一SE注意力机制模块、第二SE注意力机制模块、第三SE注意力机制模块、第四SE注意力机制模块、第五SE注意力机制模块的网络结构均包括依次连接的全局平均池化层、第一全连接层、第二全连接层和Scale层;
8.根据权利要求6所述的基于EWT和VGGNet的配电网故障选线方法,其特征在于,所述输入层输入的图像维度为224x224x3,所述第一卷积层组的图像维度为224x224x64,所述第二卷积层组的图像维度为112x112x128,所述第三卷积层组的图像维度为56x56x256,所述第四卷积层组的图像维度为28x28x512,所述第五卷积层组的图像维度为14x14x512,所述全连接层的图像维度为1x1x4096。
9.基于EWT和VGGNet的配电网故障选线系统,其特征在于,该系统包括:
10.根据权利要求9所述的基于EWT和VGGNet的配电网故障选线方法,其特征在于,所述矩阵转换单元包括马氏距离矩阵计算子单元和像素矩阵生成子单元;
...【技术特征摘要】
1.基于ewt和vggnet的配电网故障选线方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于ewt和vggnet的配电网故障选线方法,其特征在于,所述零序电流信号选取配电网中每个节点故障前一个周期和故障后两个周期的零序电流信号。
3.根据权利要求1所述的基于ewt和vggnet的配电网故障选线方法,其特征在于,通过加权排列熵滤除所述模态分量中的噪声,进行信号重构,得到降噪重构后的零序电流信号,包括:
4.根据权利要求1所述的基于ewt和vggnet的配电网故障选线方法,其特征在于,计算降噪重构后的零序电流信号的马氏距离矩阵,通过颜色编码将所述马氏距离矩阵转换成具有图像性质的像素矩阵,包括:
5.根据权利要求4所述的基于ewt和vggnet的配电网故障选线方法,其特征在于,所述马氏距离度量降噪后的零序电流i和时间t之间的分布距离;所述马氏距离dm(x)的计算公式为:
6.根据权利要求1所述的基于ewt和vggnet的配电网故障选线方法,其特征在于,所述加入se注意力机制的vggnet网络采用vgg16网络模型,包括依次连接的第一卷积层组、第二卷积层组、第三卷积层组、第四卷积层组、第...
【专利技术属性】
技术研发人员:苏学能,张华,巨云涛,宁鑫,丁理杰,于宗民,王晶,龙呈,徐琳,吴驰,李小鹏,宋暾昉,李龙江,高艺文,李世龙,刘畅,
申请(专利权)人:国网四川省电力公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。