[發(fā)明專利]基于斯皮爾曼等級相關(guān)的卷積神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)智能故障檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201811209429.6
• 申請日: 2018-10-17
• 公開（公告）號: CN109614981B
• 公開（公告）日: 2023-06-30
• 發(fā)明（設(shè)計）人: 楊東升;龐永恒;張化光;楊珺;劉學芳;周博文;羅艷紅;秦佳;王智良;劉振偉
• 申請（專利權(quán)）人: 東北大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/40;G06N3/0464;G06F30/20
• 代理公司: 沈陽東大知識產(chǎn)權(quán)代理有限公司 21109
• 代理人: 李運萍

1.一種基于斯皮爾曼等級相關(guān)的卷積神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)智能故障檢測系統(tǒng)，其特征是，所述的系統(tǒng)包括：

相量測量單元，對電力系統(tǒng)的不同電量數(shù)據(jù)的測量，并將所測數(shù)據(jù)傳輸至斯皮爾曼等級相關(guān)性分析裝置；

斯皮爾曼等級相關(guān)性分析裝置，對采集的數(shù)據(jù)進行斯皮爾曼相關(guān)性分析，并將分析結(jié)果傳輸至基于斯皮爾曼等級相關(guān)的圖像建立裝置；

基于斯皮爾曼等級相關(guān)的圖像建立裝置，基于斯皮爾曼等級相關(guān)性分析裝置的分析結(jié)果，構(gòu)建電力系統(tǒng)故障圖像，并將所得圖像傳輸至卷積神經(jīng)網(wǎng)絡(luò)特征值提取裝置與基本數(shù)據(jù)圖像建立裝置；

卷積神經(jīng)網(wǎng)絡(luò)特征值提取裝置，對所得圖像提取特征信息，并將所提取的特征信息傳輸至卷積神經(jīng)網(wǎng)絡(luò)Softmax輸出裝置；

卷積神經(jīng)網(wǎng)絡(luò)Softmax輸出裝置，即分類器，將故障圖像分類；

PSCAD/EMTDAC仿真裝置，對實驗結(jié)果進行驗證；

基本數(shù)據(jù)圖像建立裝置，將圖像建立結(jié)果與添加SR圖像層的圖像對比；

等效故障網(wǎng)絡(luò)裝置，分析斯皮爾曼等級相關(guān)性與電力系統(tǒng)故障特征間的定性關(guān)系；

采用所述基于斯皮爾曼等級相關(guān)的卷積神經(jīng)網(wǎng)絡(luò)電力系統(tǒng)智能故障檢測系統(tǒng)進行電力系統(tǒng)故障檢測的方法，包括以下步驟：

步驟1：在區(qū)域網(wǎng)絡(luò)節(jié)點處使用相量測量單元對節(jié)點電壓，支路電流，功率角，有功和無功功率進行測量，獲得大量數(shù)據(jù)用于故障檢測；

步驟2：將采集的數(shù)據(jù)進行斯皮爾曼相關(guān)性分析，基于分析結(jié)果提出一種圖像生成方法-斯皮爾曼等級相關(guān)圖像層，將測量的基于時間序列的數(shù)據(jù)轉(zhuǎn)換為故障二維圖像；

所述步驟2的具體方法為：

步驟2.1：對所有測量的數(shù)據(jù)，基于它們中的每兩個來計算斯皮爾曼等級相關(guān)性，其計算的具體步驟如下：

對于每兩個相量x_n×1，y_n×1，它們的斯皮爾曼等級相關(guān)性計算如下：

其中是x,y的等級，σ，μ是方差和平均值，由于等級是連續(xù)的正整數(shù)，則上式的另一種表示形式為：

其中X、Y是兩個隨機變量，而是對應(yīng)的在對X、Y進行升序或降序排列后的第i個元素，將X、Y中的元素對應(yīng)相減得到一個排行差分集合d，隨機變量X、Y之間的斯皮爾曼等級相關(guān)系數(shù)由x_i、y_i、d_i計算得到；

步驟2.2：對原始測量數(shù)據(jù)，通過添加斯皮爾曼等級相關(guān)圖像層，構(gòu)造出故障二維圖像，具體步驟如下：

對于電力系統(tǒng)中的所有測量數(shù)據(jù)，基于它們中的每兩個計算斯皮爾曼等級相關(guān)性，通過矩陣描述為：

由于二維圖像每個像素值在0-255之間，所以應(yīng)該使用縮放來滿足這個要求，公式如下：

其中P_ij是斯皮爾曼等級相關(guān)圖像的像素，R是舍入功能，ρ_min，ρ_max是斯皮爾曼等級相關(guān)的最大值與最小值；通過建立斯皮爾曼等級相關(guān)圖像層，利用電力系統(tǒng)的多個數(shù)據(jù)建立故障圖像；

步驟3：建立等效故障網(wǎng)絡(luò)，理論論證故障特征與斯皮爾曼等級相關(guān)性之間的定性關(guān)系，說明變量的斯皮爾曼等級相關(guān)的變化可以描述電力系統(tǒng)不同的故障類型；

所述步驟3的具體方法為：

建立等效故障網(wǎng)絡(luò)，說明故障特征與斯皮爾曼等級相關(guān)性之間的定性關(guān)系，具體步驟如下：

當兩個測量節(jié)點之間發(fā)生故障時，發(fā)送點的電壓與接收點的電流有如下關(guān)系：

其中是發(fā)送點電壓，是接收點電流，分別是故障位置的電壓和電流，是集中負載電流，Z_s→f是從發(fā)送點到故障點的等效阻抗；

為了證明通過故障信息斯皮爾曼等級相關(guān)能夠反映出不同故障類型的不同特征，假設(shè)在等效故障網(wǎng)絡(luò)的同一位置分別發(fā)生單相接地故障與兩相短路故障，且每個故障都包含A相，公式(5)被寫為：

其中Z_f為故障阻抗，I_f為故障電流；

考慮到電力系統(tǒng)的暫態(tài)響應(yīng)，因此故障電流的邊界條件反映故障類型；對于單相接地故障來說，故障電流計算公式如下：

其中Z_1Σ，Z_2Σ，Z_0Σ分別是正序阻抗、負序阻抗、零序阻抗；是故障位置的初始電壓，它是一個正弦量，滯后U_sa一個相角度；公式(5)被寫為：

其中θ，C是常量，Γ是一個非線性函數(shù)；

至于兩相短路短路故障，故障電流邊界條件轉(zhuǎn)變?yōu)椋?/p>

同樣的，公式(5)被寫為：

其中

則任意兩個變量之間的關(guān)系具有如下的描述形式：

其中是由PMU所測量的任意變量；

常量θ，C對于相量的等級相關(guān)沒有影響，非線性的轉(zhuǎn)換對于等級相關(guān)的影響是不可忽略的，并且非線性函數(shù)Γ對于不同的變量或是不同的故障類型來說是不同的；

為了說明，定性分析如下：

引理：X是一個n維的相量，其中x_i＜x_i+1(i＝1,2,...,n)，是它的等級；對于任意的常數(shù)θ和不同的非線性函數(shù)Γ，[θx+Γ(x)]與X的等級是不同的；

證明：對于向量X中的任何x_i、x?_j，令y＝θx+Γ(x)；如果假設(shè)則不等式被寫為：

則對于任意相鄰的x_i、x_j，非線性函數(shù)Γ的導(dǎo)數(shù)并不總是有下界的，證明了X是一個n維的相量，其中x_i＜x_i+1(i＝1,2,...,n)，是它的等級；對于任意的常數(shù)θ和不同的非線性函數(shù)Γ，[θx+Γ(x)]與X的等級是不同的；則非線性變換改變相量的等級，等級的變化將通過不同的非線性變換而不一致，證明變量的斯皮爾曼等級相關(guān)的變化可以描述電力系統(tǒng)中不同的故障類型特征；

步驟4：建立基于斯皮爾曼等級相關(guān)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，所述故障二維圖像作為網(wǎng)絡(luò)的輸入層；

所述步驟4的具體方法為：

建立一個特定的基于斯皮爾曼等級相關(guān)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，其構(gòu)造的具體步驟如下：

步驟4.1：預(yù)處理原始基于時間序列的測量數(shù)據(jù)，進行斯皮爾曼相關(guān)性分析，添加SR圖像層，建立卷積神經(jīng)網(wǎng)絡(luò)的輸入—故障檢測圖像；

步驟4.2：在待檢測圖像中滑動一個固定大小的窗口，將窗口中的子圖像作為候選區(qū)；

步驟4.3：利用特定的算法對候選區(qū)進行特征提取；

步驟4.4：從特征向量中挑選具有代表性的特征，降低特征的維數(shù)；

步驟4.5：利用特定的分類器對特征進行分類，判定候選區(qū)是否包含了目標及其類別；

步驟4.6：合并判定為同一類別的相交候選區(qū)，完成目標檢測；

所述的特定的基于斯皮爾曼等級相關(guān)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，輸入層為構(gòu)造的故障圖像，輸入層的大小與輸入圖像的大小一致；卷積層提取圖像特征：每一個卷積層都由若干個節(jié)點構(gòu)成，卷積層通過卷積運算，即被一個可學習的卷積核進行卷積，然后通過一個激活函數(shù)，就提取出不同的圖像特征，得到輸出特征圖，每個輸出特征圖組合卷積多個特征圖的值；初始卷積層為3/8，表示有8個大小為3×3的卷積核，h＝l＝30是斯皮爾曼等級相關(guān)圖像的長寬，每個核都會過濾輸入圖像并生成一個特征映射；第二個卷積層用3/16描述，過濾由前一層產(chǎn)生的特征圖；由這種方式，故障特征由局部提取擴展到全局；卷積過程被描述為：

其中κ是卷積核，F(xiàn)是卷積的目標矩陣；

所述卷積層的重點主要在激活函數(shù)，激活函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)中起著重要的作用，它將非線性性質(zhì)引入到網(wǎng)絡(luò)中，非線性性質(zhì)是保證網(wǎng)絡(luò)具有一致逼近能力的重要因素；

在卷積神經(jīng)網(wǎng)絡(luò)的卷積層之后，會有一個池化層，也稱為下采樣層，下采樣層通過不同的池化操作對圖像進行降維，提高圖像特征的變換不變特性，即將圖像分成一小塊一小塊的區(qū)域，對每個區(qū)域計算出一個值，然后將計算出的值依次排列，輸出新的圖像；

全連接層位于特征提取之后，通過其隱藏的神經(jīng)元映射復(fù)雜的非線性關(guān)系，是一個分類器，將前一層的所有神經(jīng)元與淺層的每個神經(jīng)元相連接，根據(jù)輸出層的具體任務(wù)有針對性的對高層特征進行映射；

輸出層的形式面向具體任務(wù)，如果將卷積神經(jīng)網(wǎng)絡(luò)作為分類器使用，輸出層采用Softmax回歸，單個節(jié)點的輸出變成一個概率值，作為卷積神經(jīng)網(wǎng)絡(luò)最后的輸出，全連接層的輸出向量用作Softmax層的輸入，最終輸出的向量是不同概率的故障類型，即發(fā)生在電力系統(tǒng)中的故障呈現(xiàn)出最大的概率；

步驟5：在PSCAD/EMTDC平臺中，輸入三組形式不同的數(shù)據(jù)，對比輸入層為基本故障圖像的卷積神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果，驗證所提方法的優(yōu)越性。