【技术实现步骤摘要】
基于高频TFM网络的ADN早期故障检测方法及应用
[0001]本专利技术涉及小波和小波包变换技术、深度学习技术、Attention机制技术、残差技术，具体涉及基于高频特征注意力时频记忆网络的主动配电网早期故障检测方法，适用于主动配电系统中对早期故障进行高精度检测。
技术介绍
[0002]配电网是与用户直接相连的电力传输系统。配电网设备运行可划分为正常状态、早期故障状态和故障状态，而配电网早期故障通常被描述为一种间歇性的故障，其持续时间短，故障电流小，具有自恢复的特性，若不及时关注，将演变成永久故障，对电网设备造成损害。因此，早期故障检测系统在维护电力设备的稳定性方面发挥着重要作用。
[0003]传统的故障识别的方法常被用于早期故障检测，其中包括状态估计、参数估计等方法，通过提取故障电压电流信号的特征量，并分析计算与依据经验设定阈值比较，或根据人工制定的规则，对早期故障进行检测。这种通过人工选取特征再依据规则对早期故障检测的方法对特征提取精度要求高，并且阈值设定和区分标准制定由经验确定，因此不适用于波形复杂的故障分类。
[0004]随着人工智能的兴起，数据驱动方法也被大量应用于配电网故障检测。由于故障成因和机理复杂，很难建立全面的数学模型，而数据驱动方法是在大量采样数据的基础上经过训练和拟合形成自动化的决策模型，可良好地应用于配电网故障检测。如利用长短期记忆(LSTM)单元构建深度递归神经网络架构对故障电压电流时间建模，通过隐藏层提取故障特征实现检测。然而，早期故障信号具有非平稳特性，LSTM缺乏频域分...
【技术保护点】
【技术特征摘要】
1.一种基于高频TFM网络的ADN早期故障检测方法，其特征在于，是按如下步骤进行：步骤1、构建网络的训练集T
tr
；步骤1.1、采集故障设备的三相电压和三相电流数据，并构建故障数据分类集合，记为X＝{U,I}，其中，U表示三相电压数据集，且U＝{U1…
U
k
…
U
K
}，U
k
表示第k条故障数据的三相电压数据，且U
k
＝{u
k,a,1
…
u
k,a,t
…
u
k,a,T
,u
k,b,1
…
u
k,b,t
…
u
k,b,T
,u
k,c,1
…
u
k,c,t
…
u
k,c,T
}，u
k,a,t
表示第k条故障数据第t采样时刻的a相电压数据，u
k,b,t
表示第k条故障数据第t采样时刻的b相电压数据，u
k,c,t
表示第k条故障数据第t采样时刻的c相电压数据；I表示三相电流数据集，且I＝{I1…
I
k
…
I
K
},表示第k条故障数据的三相电流数据集，且I
k
＝{i
k,a,1
…
i
k,a,t
…
i
k,a,T
,i
k,b,1
…
i
k,b,t
…
i
k,b,T
,i
k,c,1
…
i
k,c,t
…
i
k,c,T
}，i
k,a,t
表示第k条故障数据的第t采样时刻的a相电流数据，i
k,b,t
表示第k条故障数据的第t采样时刻的b相电流数据，i
k,c,t
表示第k条故障数据的第t采样时刻的c相电流数据；1≤k≤K，K表示故障总数；1≤t≤T，T表示总采样时间；步骤1.2、构建故障数据分类集合F的标签信息集合，记为Y＝{y1,
…
,y
k
,
…
,y
K
}，其中，y
k
表示第k条故障数据的标签值，且y
k
属于[1,N]，N为故障种类数；步骤1.3、将带有标签的故障数据集P＝(X,Y)随机打乱顺序后作为训练集T
tr
；且T
tr
＝{(x1,y1),(x2,y2),
…
,(x
k
,y
k
),
…
,(x
K
,y
K
)}，x
k
表示第k条故障数据，且x
k
＝{x
k,1
,x
k,2
,
…
x
k,t
…
,x
k,T
}，x
k,t
表示第k条故障数据的第t采样时刻三相电压电流数据；步骤2、构建基于高频特征注意力时频记忆网络，包括：双通道多尺度时频记忆递归层、Attention层、残差辅助下高频特征注意力机制层和Softmax层；步骤2.1、构建双通道多尺度时频记忆递归层，包括：低频通道时频记忆单元，高频通道时频记忆单元；所述第k条故障数据x
k
的第t采样时刻数据x
k,t
输入低频通道时频记忆单元中进行处理，得到第k条故障数据x
k
在低频通道中所有时间步的故障信息隐藏状态H
klow
；所述第k条故障数据x
k
的第t采样时刻数据x
k,t
输入所述高频通道时频记忆单元中进行处理，得到第k条故障数据x
k
在高频通道中所有时间步的故障信息隐藏状态H
khigh
；步骤2.2、所述Attention层对H
klow
和H
khigh
分别进行处理，得到加权平均后的第k条故障数据x
k
的低频通道特征向量V
klow
和高频通道特征向量V
khigh
；步骤2.3、所述加权平均后的第k条故障数据x
k
的低频通道特征向量V
klow
和加权平均后的第k条故障数据x
k
的高频通道特征向量V
khigh
输入到所述残差辅助下高频特征注意力机制层中进行处理，得到第k条故障数据x
k
的多分辨率时频特征S
k
；步骤2.4、所述第k条故障数据x
k
的多分辨率时频特征S
k
输入所述Softmax层中，并利用式(1)得到第k条故障数据x
k
对应所有故障类型的概率值P(x
k
∣N)；P(x
k
∣N)＝softmax(W
P,k
S
k
+b
P,k
)(1)式(34)中，W
P,k
和b
P,k
分别表示第k条故障数据x
k
的多分辨率时频特征S
k
的概率权重矩阵和概率偏差向量；softmax表示激活函数；步骤2.5、利用式(2)构建交叉熵损失函数L
log
(y
k
,P
k,n
)：
式(35)中，P
k,n
表示第k条故障数据x
k
的标签值y
k
预测为第N种故障的概率；步骤2.6、基于所述训练集T
tr
，并利用反向传播和梯度下降法对基于高频特征注意力时频记忆网络进行训练，计算所述损失函数L
log
以更新网络参数，当训练轮次达到最大训练轮次Epoch时，或损失函数L
log
达到最小时，停止训练，从而得到训练好的主动配电网早期故障检测网络，用于对所输入的故障数据集合映射对应故障类别标签。2.根据权利要求1所述的基于高频TFM网络的ADN早期故障检测方法，其特征在于，所述步骤2.1中的低频通道时频记忆单元包括：低频通道遗忘门、低频通道输入门、低频通道记忆更新单元、低频通道输出门；步骤2.1.1a、所述低频通道遗忘门利用式(3)对所述第k条故障数据x
k
的第t采样时刻数据x
k,t
进行选择性丢弃处理，得到第k故障数据x
k,t
在低频通道时频记忆单元的第t时间步的故障选择信息f
k,tlow
：f
k,tlow
＝sigmoid(W
fl,k
x
k,t
+U
fl,k
h
k,t
‑
1low
+b
fl,k
)(3)式(3)中，h
k,t
‑
1low
表示第k条故障数据x
k
在低频通道时频记忆单元的第t
‑
1时间步的故障信息隐藏状态；当t＝1时，令h
k,t
‑
1low
＝0；sigmoid活函数；W
fl,k
和U
fl,k
分别表示第k故障数据x
k
的第t样时刻数据x
k,t
和第k条故障数据x
k
在低频通道时频记忆单元的第t
‑
1时间步的故障信息隐藏状态h
k,t
‑
1low
的低频通道遗忘门权重矩阵,b
fl,k
表示第k条故障数据x
k
的低频通道遗忘门偏差向量；步骤2.1.2a、所述低频通道遗忘门利用式(4)得到第k条故障数据x
k
在低频通道时频记忆单元的第t时间步的故障保留信息F
k,tlow
：F
k,tlow
＝f
k,tlow
×
C
k,t
‑
1low
(4)式(4)中，
×
表示外积运算，C
k,t
‑
1low
是第k条故障数据x
k
在低频通道时频记忆单元的第t
‑
1时间步的记忆信息；步骤2.1.3a、所述低频通道输入门利用式(5)
‑
式(7)得到第k条故障数据x
k
在低频通道时频记忆单元的第t时间步的输入故障信息p
k,tlow
和故障调制信息g
k,tlow
；p
k,tlow
＝sigmoid(W
pl,k
x
k,t
+U
pl,k
h
k,t
‑
1low
+b
pl,k
)(5)g
k,tlow
＝tanh(W
gl,k
x
k,t
+U
gl,k
h
k,t
‑
1low
+b
gl,k
)(6)ig
k,tlow
＝p
k,tlow
⊙
g
k,tlow
(7)式(5)
‑
式(6)中，ig
k,tlow
为第k条故障数据x
k
在低频通道时频记忆单元的第t时间步的故障待更新信息；W
pl,k
和U
pl,k
分别表示第k条故障数据x
k
的第t采样时刻数据x
k,t
和第k条故障数据x
k
在低频通道时频记忆单元的第t
‑
1时间步的故障信息隐藏状态h
k,t
‑
1low
的低频通道输入权重矩阵，b
pl,k
表示第k条故障数据x
k
的低频通道输入偏差向量；W
gl,k
和U
gl,k
分别表示第k条故障数据x
k
的第t采样时刻数据x
k,t
和第k条故障数据x
k
在低频通道时频记忆单元的第t
‑
1时间步的故障信息隐藏状态h
k,t
‑
1low
的低频通道调制权重矩阵，b
gl,k
表示第k条故障数据x
k
的低频通道调制偏差向量；
⊙
表示逐元素相乘运算；tanh为激活函数；步骤2.1.4a、所述低频通道记忆更新单元利用式(8)
‑
式(11)得到第k条故障数据x
k
在低频通道记忆单元的第t时间步记忆信息C
k,tlow
：
in
k,tlow
＝[A
k,j1
…
A
k,jm
…
A
k,jM
D
k,j
](10)C
k,tlow
＝F
k,tlow
C
k,t
‑
1low
+W
A,k
in
k,tlow
(11)式(8)
‑
式(11)中，m是小波分解层数，1≤m≤M；A
k,jm
为第k条故障数据x
k
在m层小波分解下第j尺度中的低频小波系数，D
j,k
为第k条故障数据x
k
在第j尺度中的高频小波系数，φ
j,k
(t)为第k条故障数据x
k
在第j尺度中的尺度函数，ψ
j,k
(t)为第k条故障数据x
k
在第j尺度中的小波基函数，in
k,tlow
是第k条故障数据x
k
在低频通道时频记忆单元的第t时间步的时频信息，C
k,tlow
是第k条故障数据x
k
在低频通道记忆单元的第t
‑
1时间步记忆信息，W
A,k
为第k条故障数据x
k
在低频通道记忆更新单元的线性变换矩阵；步骤2.1.5a、所述低频通道输出门利用式(12)得到第k条故障数据x
k
在低频通道时频记忆单元的第t时间步的低频通道复合信号o
k,tlow
：o
k,tlow
＝sigmoid(W
ol,k
x
k,t
+U
ol,k
h
k,t
‑
1low
+b
ol,k
)(12)式(12)中，W
ol,k
和U
ol,k
分别表示第k条故障数据x
k
的第t采样时刻数据x
k,t
和第k条故障数据x
k
在低频通道时频记忆单元的第t
‑
1时间步的故障信息隐藏状态h
k,t
‑
1low
的低频通道输出权重矩阵，b
ol,k
表示第k条故障数据x
k
的低频通道输出偏差向量；步骤2.1.6a、所述低频通道输出门利用式(13)得到第k条故障数据x
k
在低频通道时频记忆单元的第t时间步的故障信息隐藏状态h
k,tlow
，从而得到第k条故障数据x
k
在低频通道中所有时间步的故障信息隐藏状态H
klow
＝{h
k,1low
,h
k,2low
…
h
k,...
【专利技术属性】
技术研发人员：李奇越，罗欢，周亚，吴航，蒋伟，谢涛，刘鑫，周攀，李帷韬，孙伟，姜黄琪，吴留兵，樊智奇，
申请(专利权)人：国网安徽省电力有限公司滁州供电公司国网安徽省电力有限公司，
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。