[發明專利]基于改進殘差收縮網絡的FOCS故障診斷方法

在審

• 申請號: 202210722092.9
• 申請日: 2022-06-24
• 公開（公告）號: CN115130505A
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 王立輝;張文鵬;許寧徽
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

基于改進殘差收縮網絡的FOCS故障診斷方法。1、讀取當前光纖電流傳感器(FOCS)的輸出電流信號；2、構建改進深度殘差收縮網絡，在兩種通道間共享閾值的殘差收縮構建模塊中融合批標準化層與修正線性單元，結合兩種模型的優點，加入新模塊加強網絡的學能力和覆蓋范圍，模型具有更強的數據上限及泛化能力，進行網絡優化重構；3、建立FOCS漂移、變比偏差和固定偏差特征模型，構建故障類數據集；4、將FOCS信號作為輸入，故障類標簽作為輸出，訓練所構建的改進深度殘差收縮網絡，通過對改進深度殘差收縮網絡模型不斷優化，使模型達到收斂；5、獲得FOCS故障診斷信息。該方法適用于光纖電流傳感測量領域，完成了FOCS的故障預警功能，提高了FOCS的可靠性。

技術領域

本發明屬于光纖電流傳感器故障檢測技術領域，特別涉及基于改進殘差收縮網絡的FOCS故障診斷方法。

背景技術

光纖電流傳感器(FOCS)以其具有絕緣性能好，高可靠性，寬帶頻域和良好的瞬態特性等優點，在高壓直流輸電工程中得到了大量應用。作為一次系統的測量元件，它的穩定可靠運行是繼電保護、測控、電能計量的重要保證。由于站內的高低溫、老化和振動等復雜環境影響，使得FOCS存在漂移、變比等非線性誤差，會導致測量結果發生偏移，其性能發生劣化甚至導致運行事故，導致輸出信號異常。

在實際工作中，FOCS受到換流站內溫度變化大、震動、電磁干擾等復雜場景因素，使測量結果的可靠性降低；作為一種光學干涉儀器，其內部結構復雜，且使用了大量光學與電子元器件，任何環節的損耗與老化都可能導致性能逐漸退化。另一方面，電網自身產生的短路、接地等故障及站內開關投切操作，也會對FOCS測量結果產生一定影響。由于FOCS的起步較晚，運行時間短，造成的現場施工不合理、運維經驗不足等現象，也嚴重影響FOCS的穩定投產運行。這些影響因素導致FOCS的測量精度下降，嚴重情況下可能會引發故障，嚴重影響了電網的安全穩定運行。

目前，針對FOCS研究，主要集中在傳感機理分析、光纖材料處理技術、光學器件溫度特性、噪聲處理等方面。隨著FOCS在直流輸電工程中的大量應用，相關故障機理與故障診斷技術研究也逐步成為該領域的熱點，而故障診斷更是也成為一門集數學、信號處理、計算機科學與人工智能等多學科融合的綜合性技術，深度學習也成為了多個領域的研究熱點方向，其特點在于“端到端”的學習過程，在對大量數據的處理方面有著天然的優勢，恰好與當前故障診斷領域相契合。隨著以深度學習理論為基礎的方法再語音識別、圖像識別等領域取得的快速發展，學者將深度學習方法同樣用于故障診斷方向，并取得了大量成果。FOCS輸出信號屬于典型的非線性非平穩型時間序列信號，因此，深度學習方法在FOCS故障診斷領域同樣適用。

相比于傳統神經網絡模型，卷積神經網絡所具有的最大特點在于局部連接與卷積核參數共享兩部分，這種特點使得卷積神經網絡的參數數量極大減小，訓練速度加快。局部連接指每層神經元僅與其上一層神經元區域進行連接，也被稱為局部感受野。其不僅減少了所需訓練的權重參數數量，且增強了相鄰數據之間的聯系。權值共享指的是在某一卷積神經網絡中，多個局部連接之間使用相同的權重。由于各個局部有著相同的邊緣信息等各種特征，因此只需要使用一個卷積核對整個輸入進行卷積操作。與傳統分類模型相比，卷積神經網絡的訓練過程是端對端型，目的在于將特征的提取與分類集成在一個結構，再通過卷積與池化操作，自動提取數據的特征，最后經過全連接層進行分類輸出，避免了人工特征提取所帶來的識別誤差。