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】
本专利技术属于电网故障诊断领域,具体涉及一种电网录波异常信号识别方法。
技术介绍
1、在现代电力系统管理和运维中,全面监测和分析电力数据的重要性日渐增强。随着复杂电力系统的发展,如特高压交直流电网、智能电网及新能源电力系统,电力系统的安全稳定保障变得更加关键;系统中产生的大量数据对维护稳定性和效率至关重要。故障诊断是电力系统的一个主要挑战;各种故障可能影响电网稳定并造成经济和安全风险。准确快速地识别、隔离和定位故障是电力系统管理的核心任务;特别是,电网的继电保护等二次设备是故障处理的关键环节。因此,故障录波产品和相关标准变得至关重要;故障录波文件记录了电网的实时动态数据,是故障分析的核心数据,类似于飞机的“黑匣子”,这些数据有助于分析和预防故障。
2、电力二次设备记录的故障录波文件包含电力系统的电气量动态数据。尽管这些设备可以自动分析某些典型的异常情况,但它们的判断能力有限,尤其是在面对早期、轻微、非典型异常时;因此,有效地诊断异常并及时采取措施,避免问题加剧成为重要的挑战;随着计算技术和智能算法的发展,电力二次系统故障检测和诊断领域已取得进展,但仍面临挑战;目前的坏数据辨识方法主要适用于线性系统,难以应用于以正弦波形为主要特征的电流、电压数据;这些方法通常过分依赖固定的算法和模型,不足以应对连续且不规则的坏数据。
3、现有技术中,cn116660672a公布了一种电网设备故障诊断方法及系统,该系统通过划分关联电网设备集合,对设备进行监测并分析,生成正常信号或异常信号,以此来进行电网设备的监管,但该方法较
技术实现思路
1、为解决上述问题,本专利技术公开了一种电网录波异常信号识别方法框架ca-gafnet,该框架通过相位自适应调整保持信号的相位关系,利用聚类算法划分数据,提升了分类准确性,并利用格拉姆角场将波形数据转换为图像,丰富了信号特征,再运用resnet18模型完成异常信号识别,该框架能够按周期识别录波数据的健康状态,实现所有异常特征的提前发现。
2、为达到上述目的,本专利技术的技术方案如下:
3、一种电网录波异常信号识别方法,包含如下步骤:
4、步骤一、电网录波原始数据预处理。具体包括以下步骤:
5、步骤1.1、获取电网录波原始数据,将其输入框架,并进行预处理。
6、步骤1.2、使用相位自适应调整以保持信号的相对相位关系,在时域中,给定两个信号和,则它们的时域互相关函数如式(1)所示:
7、(1)
8、得离散形式下信号和的离散互相关函数如式(2)所示:
9、(2)
10、在频域中,互相关是通过信号的傅里叶变换来计算的,给定两个信号和通过傅里叶变换和的乘积得到频域互相关函数如式(3)所示:
11、 (3)
12、其中表示的复共轭,则离散形式下,信号和的离散频域互相关函数如式(4)所示:
13、(4)。
14、步骤二、使用均值聚类算法对相位调整后的数据进行识别,均值聚类将数据集划分为个不相交的子集或簇,每个簇通过其聚类中心的均值来描述,核心是最小化所有点到其最近聚类中心的距离之和;具体包括以下步骤:
15、步骤2.1、假设有数据集,其中每个点是 d维空间中的一个点,选择个数据点作为初始聚类中心,将每个数据点分配给最近的聚类中心,对于每个点,计算欧氏距离如式(5)所示:
16、(5)
17、其中,和分别是点和簇中心在第维的坐标,
18、步骤2.2、将数据点划分为个簇、、、,找到最小化的,并将分配到相应的簇中,更新每个簇的聚类中心为簇内所有点的均值,如式(6)所示:
19、(6)
20、其中,是簇中的点数,
21、步骤2.3、重复执行步骤2.2,直至达到某个停止条件,如聚类中心的变化低于某个阈值,或者达到预定的迭代次数,最后,输出个簇及其聚类中心,如式(7)所示,通过计算目标函数的值来评估聚类质量:
22、(7)
23、其中,是簇的中心,是该簇所有点的均值。
24、步骤三、使用格拉姆角场对聚类分类的数据进行图像编码,将一维的时间序列数据转换成二维图像;具体包括以下步骤:
25、步骤3.1、利用格拉姆角场对相位调整后的数据进行图像编码,将一维时间序列转换成二维图像,假设时序数据为,将时序数据规范到区间,规范化后的时间序列值记为(8)
26、规范化后的格拉姆矩阵如式(9)所示:
27、 (9)
28、其中表示向量与向量之间的夹角,格拉姆矩阵表示了向量集合中的向量两两之间的内积,即表示了向量之间的相关程度,
29、步骤3.2、将规范化后的值转化为极坐标,计算公式如式(10)所示:
30、(10)
31、其中,为时间戳;表示规范化后的时序数据;表示将极径坐标的单位长度分成等份,每一个时序点数据包含两个信息:该数据点的规范化值以及其所在的时序位置,极坐标转换编码包含了这两个信息,且没有损失任何信息,极轴保留了时间上的关系;极角保留了数值上的关系,
32、步骤3.3、计算时序点的极坐标转化后的极角之和的余弦,得
33、(11)
34、同时计算时序点的极坐标转化后的极角之差的正弦,得
35、(12)
36、其中,称为格拉姆求和场,称为格拉姆差分场,代入数据得
37、 (13)
38、其中,为全部数值为1的单位行向量,为的转置矩阵,观察和矩阵,原始数据的时间相关性通过矩阵的主对角线得到了很好的保留。
39、步骤四、构建电网录波样本图像数据集;具体包括以下步骤:
40、步骤4.1、使用格拉姆角场编码后的图像构建样本数据集,并对每张录波数据编码图像配置分类标签。
41、步骤4.2、从样本数据集划分训练数据集、验证数据集和测试数据集。
42、步骤五、搭建图像分类模型;具体包括以下步骤:
43、步骤5.1、搭建电网录波数据图像分类框架,所述图像分类框架的结构顺序,依次为输入层,卷积层和输出层,输入层负责对电网录波样本图像数据集的输入图像进行预处理本文档来自技高网...
【技术保护点】
1.一种电网录波异常信号识别方法,其特征在于,包含如下步骤:
2.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于,步骤一所述的电网录波原始数据预处理,具体包括以下步骤:
3.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于,步骤二所述的使用均值聚类算法对相位调整后的数据进行识别,均值聚类将数据集划分为个不相交的子集或簇,每个簇通过其聚类中心的均值来描述,核心是最小化所有点到其最近聚类中心的距离之和,具体包括以下步骤:
4.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于,步骤三所述的使用格拉姆角场对聚类分类的数据进行图像编码,将一维的时间序列数据转换成二维图像,具体包括以下步骤:
5.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于,步骤四所述的构建电网录波样本图像数据集,具体包括以下步骤:
6.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于,步骤五所述的搭建图像分类模型,具体包括以下步骤:
7.根据权利要求1所述的一种电网录波异常信号识别方法,
8.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于:步骤四所述电网录波样本图像数据集,电网录波样本图像数据集包括至少3000张图像,并随机抽取70%图像设置为训练数据集,20%图像设置为验证数据集,剩下的设置为测试数据集,所述训练数据集、验证数据集和测试数据集中的图像不重复。
9.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于:步骤八所述优化过程,优化器采用算法包括以下之一:SGD、Adam、RAdam,学习率设置在训练初期及训练过程中进行调节,调整策略以下之一:线性调整、指数调整、余弦衰减,优选的,所述优化算法选择含动量机制的Adam优化器;训练过程中以余弦式衰减的方式调整学习率;所述余弦式衰减的核心理念是学习率根据余弦函数的规律随着训练进行而逐渐降低,具体分为两个阶段:第一阶段,学习率会从一个初始设定值线性减少至一个预设的最低值;第二阶段,学习率将依照余弦函数的规律从这个最低值缓慢上升,直至回到初始设定值,在训练早期,学习率较大使模型快速收敛;在训练后期,降低学习率来维持模型的稳定性,避免过拟合现象。
10.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于:步骤八所述模型性能评价指标包括Accuracy、Precision、Recall和F1-Score值,Accuracy表示正确预测的数量与总预测数量的比例,Precision表示所有被模型预测为正样本且实际为正样本所占的比例,Recall表示所有实际为正样本中且模型正确预测为正样本所占的比例,F1-Score值综合考虑了Precision和Recall,对分类模型性能进行综合评估,F1的值越高,表示模型的性能越好,计算公式如式(16)—式(19)所示:
...【技术特征摘要】
1.一种电网录波异常信号识别方法,其特征在于,包含如下步骤:
2.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于,步骤一所述的电网录波原始数据预处理,具体包括以下步骤:
3.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于,步骤二所述的使用均值聚类算法对相位调整后的数据进行识别,均值聚类将数据集划分为个不相交的子集或簇,每个簇通过其聚类中心的均值来描述,核心是最小化所有点到其最近聚类中心的距离之和,具体包括以下步骤:
4.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于,步骤三所述的使用格拉姆角场对聚类分类的数据进行图像编码,将一维的时间序列数据转换成二维图像,具体包括以下步骤:
5.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于,步骤四所述的构建电网录波样本图像数据集,具体包括以下步骤:
6.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于,步骤五所述的搭建图像分类模型,具体包括以下步骤:
7.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于,步骤六所述的训练电网录波数据图像分类框架,得到训练好的模型,具体包括以下步骤:
8.根据权利要求1所述的一种电网录波异常信号识别方法,其特征在于:步骤四所述电网录波样本图像数据集,电网录波样本图像数据集包括至少3000张图像,并随机抽取70%图像设置为训练数据集,20%图像设置为...
【专利技术属性】
技术研发人员:王东,王冠南,刘文松,冯李航,俞俊,张韬,皮杰明,丁凯,潘本仁,周仕豪,
申请(专利权)人:东南大学,
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。