【技术实现步骤摘要】
本专利技术属于供电系统线路故障诊断领域，具体涉及一种基于ms-2dresnet和icbam的海洋牧场供电系统线路故障诊断方法。
技术介绍
1、海洋牧场作为一种新兴的海洋资源利用方式，正逐步成为解决全球海洋资源枯竭和生态环境恶化问题的重要手段。海洋牧场供电系统是保障牧场正常运营的重要基础设施，其运行的稳定性和可靠性直接影响牧场的生产效率和经济效益。然而，由于海洋环境的特殊性，如盐雾腐蚀、潮汐变化、海水侵蚀以及极端天气等，对供电线路的可靠性和稳定性提出了严峻挑战。这些环境因素不仅可能导致线路的物理损坏，还可能引发一系列电气故障，如短路、断线、接地故障等。此外，线路本身的老化、设计缺陷和施工质量问题也可能引发故障。这些故障一旦发生，将直接影响到海洋牧场的正常运营，甚至可能导致严重的经济损失和环境问题。线路故障诊断因此成为保障海洋牧场供电系统稳定运行的关键环节。
2、针对海洋牧场供电系统线路故障的有效诊断，不仅可以提高故障排除的效率，减少停电时间，还能为系统的日常维护和预防性检修提供数据支持和决策依据。目前，供电线路故障诊断方法主要分为传统方法和基于数据驱动的方法。传统故障诊断方法主要包括基于数学模型的方法和基于传统机器学习的故障诊断方法等，其中基于数学模型的方法需要清楚了解诊断对象的系统动态特性和运行机理建立精确的数学模型。然而，当面对复杂的电力供电系统结构时，精确的数学模型难以建立，并且不同的故障诊断对象需要建立不同的数学模型。而传统的机器学习故障诊断方法包括支持向量机(svm)、决策树、随机森林、k最邻近(knn)、朴
3、近年来，由于卷积神经神经网络的强大特征提取能力，越来越多的学者将其应用到故障诊断之中。这些方法通过数据驱动方式，利用大量故障数据进行训练，可以实现对复杂故障的正确识别和分类。同时，深度学习模型还可以自动提取故障特征，无需人工干预，极大提升了故障诊断的效率和准确性。例如李岩等人利用1dcnn和d-s多信息融合的方法对光伏系统直流母线串联电弧故障进行了故障检测，作者利用1dcnn强大的特征提取能力对直流电流和电压数据进行了初步的特征提取，然后将提取到的故障特征数据利用d-s理论进行融合，最后再利用一定的决策规则进行故障判断。黄文栋等人提提出了一种利用改进图卷积神经网络的方法进行配网线路故障诊断。作者首先利用bpa软件搭建了一个ieee39节点的配电网仿真模型用来仿真采集故障数据，所提方法虽然最终的诊断结果较好，但是由于需要根据具体的配电网搭建相应的图神经网络，所以可泛化性不高。另外，针对传统深度学习方法不能很好用于多信号的电力系统故障诊断，pangy等人所提方法将故障诊断过程分为三个阶段，即多维图像构建(mib)阶段、特征解耦映射(fdm)阶段和系统故障状态分类(ssc)阶段。在这三个阶段中，用于故障诊断的多个信号的重要信息被融合在一起，实现了故障的快速准确的识别。can ding等人利用cnn对于图像分类问题的优势性，提出了一种基于傅里叶变换(fft)和格拉麦角场(gaf)的卷积神经网络(cnn)的直流输电线路故障的识别方案。该方法首先利用fft对得到的故障数据进行时频域分析，检测出信号中的周期性变化和异常频率变化，然后利用gaf将fft处理得到的频谱数据进一步转换为格兰姆角矩阵，最后利用cnn识别图像数据的优势进行故障的识别。相似的，yabo cui等人利用gramsummation angle field algorithm将采集到的逆变器的一维故障信号转化为二维图像，然后利用cnn的变体alexnet算法在图像特征提取方面的优势对转化得到的故障图像数据进行故障分类。huangy-j等人提出将通道注意力机制与多尺度卷积神经网络结合使用提出了一种基于ca-mcnn的故障诊断模型。此方法通过使用最大池化层和平均池化层提取输入信号的多尺度信息，以增加卷积神经网络的特征提取能力，并且可以通过注意力机制赋予模型关注和优先处理最具信息价值的特征的能力。si等人针对变工况下逆变器故障诊断问题，提出了一种基于注意力机制协同lstm网络的故障诊断模型。该模型以电流和电机转速两种时序信号为输入数据，利用lstm网络进行特征提取，然后利用注意力机制抑制无用特征，进一步提升了逆变器故障诊断的精确度。
4、通过上述分析，可以肯定现有的研究成果在故障诊断领域取得了显著进展。然而，随着供电网络拓扑结构的日益复杂，供电线路的故障类型也变得愈加多样化，尤其是多线路同时故障等问题的出现。部分故障之间的特征差异较小，这对故障诊断方法的特征提取能力提出了更高的要求。目前，许多方法仍然采用单尺度卷积进行故障数据的特征提取，然而，由于不同故障类型的特征可能存在细微差异，单尺度卷积在捕捉复杂故障特征方面存在局限性，且对不同大小和尺度的故障数据的鲁棒性较差。
5、此外，部分研究依赖人工特征提取技术，将故障特征提取后构造成特征图，再利用卷积神经网络进行分类。这种方法可能导致某些重要故障特征的丢失，同时未充分考虑噪声对故障特征提取的影响，在噪声干扰下提取出无效特征，最终影响故障识别的准确率，尤其在噪声较大的环境中。这表明现有方法在处理复杂故障类型及应对噪声影响方面尚存不足，仍需进一步优化特征提取和诊断策略。
技术实现思路
1、本专利技术的目的在于针对现有技术不足，提供一种基于ms-2dresnet和icbam的海洋牧场供电系统线路故障诊断方法，该故障诊断方法进行故障诊断时主要分为两个阶段，即多尺度残差特征提取和注意力特征融合阶段，该方法具有诊断准确率高，抗噪性能好的特点。
2、为实现上述目的，本专利技术的技术方案是：一种基于ms-2dresnet和icbam的海洋牧场供电系统线路故障诊断方法，包括多尺度特征提取阶段和注意力机制特征融合阶段；其中，
3、多尺度特征提取阶段，利用多尺度卷积对经二维转换的故障数据进行局部和全局的特征提取；
4、注意力特征融合阶段，经多尺度特征提取阶段提取特征后，利用改进的cbam对来自不同尺度通道的堆叠数据进行加权融合，最终完成故障分类。
5、在本专利技术一实施例中，故障数据输入多尺度本文档来自技高网...
【技术保护点】
1.一种基于MS-2DResNet和ICBAM的海洋牧场供电系统线路故障诊断方法，其特征在于，包括多尺度特征提取阶段和注意力机制特征融合阶段；其中，
2.根据权利要求1所述的基于MS-2DResNet和ICBAM的海洋牧场供电系统线路故障诊断方法，其特征在于，故障数据输入多尺度特征提取阶段前，需进行预处理后，再转化为二维数据。
3.根据权利要求2所述的基于MS-2DResNet和ICBAM的海洋牧场供电系统线路故障诊断方法，其特征在于，故障数据为利用MATLAB/Simulink搭建供电系统仿真模型得到的线路故障数据，考虑实际工作环境，故障数据的预处理方式即：在故障数据引入高斯白噪声，并采用随机切片采样的方法对故障数据进行扩充，并对故障数据的三相交流电流信号进行拼接操作，得到预处理的故障数据，并按预定比例划分为训练集、验证集和测试集。
4.根据权利要求3所述的基于MS-2DResNet和ICBAM的海洋牧场供电系统线路故障诊断方法，其特征在于，采用随机切片采样的方法对故障数据进行扩充的具体实现方式如下：
5.根据权利要求1所述的基于
6.根据权利要求1所述的基于MS-2DResNet和ICBAM的海洋牧场供电系统线路故障诊断方法，其特征在于，CBAM的改进方式具体如下：
7.根据权利要求6所述的基于MS-2DResNet和ICBAM的海洋牧场供电系统线路故障诊断方法，其特征在于，CAM的输出公式简写如下：
8.根据权利要求1所述的基于MS-2DResNet和ICBAM的海洋牧场供电系统线路故障诊断方法，其特征在于，该方法具体实现步骤如下：
9.一种基于MS-2DResNet和ICBAM的海洋牧场供电系统线路故障诊断系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8任一所述的方法步骤。
10.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8任一所述的方法步骤。
...【技术特征摘要】
1.一种基于ms-2dresnet和icbam的海洋牧场供电系统线路故障诊断方法，其特征在于，包括多尺度特征提取阶段和注意力机制特征融合阶段；其中，
2.根据权利要求1所述的基于ms-2dresnet和icbam的海洋牧场供电系统线路故障诊断方法，其特征在于，故障数据输入多尺度特征提取阶段前，需进行预处理后，再转化为二维数据。
3.根据权利要求2所述的基于ms-2dresnet和icbam的海洋牧场供电系统线路故障诊断方法，其特征在于，故障数据为利用matlab/simulink搭建供电系统仿真模型得到的线路故障数据，考虑实际工作环境，故障数据的预处理方式即：在故障数据引入高斯白噪声，并采用随机切片采样的方法对故障数据进行扩充，并对故障数据的三相交流电流信号进行拼接操作，得到预处理的故障数据，并按预定比例划分为训练集、验证集和测试集。
4.根据权利要求3所述的基于ms-2dresnet和icbam的海洋牧场供电系统线路故障诊断方法，其特征在于，采用随机切片采样的方法对故障数据进行扩充的具体实现方式如下：
5.根据权利要求1所述的基于ms-2dresnet和icbam的海洋牧场供电系统线路故障诊断方法，其特征在于，多尺度特征提取阶段，结...
【专利技术属性】
技术研发人员：王荣杰，张博，王亦春，蒋德松，林安辉，任子明，刘浩，陈圣卓，王耀琪，
申请(专利权)人：集美大学，
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。