本发明涉及计算机视觉,具体地说,涉及一种电压互感器故障诊断方法。
背景技术:
1、随着现代电网的发展以及各种电力器件的普及使用,电能是否准确计量以及继电保护装置是否准确动作关乎着供电、输电以及用电三方的基本利益。而电能计量以及继电保护装置动作的关键在于电流互感器二次侧电流能否真实准确地反映一次侧电流。
2、目前,通过国内外学者的研究,逆变器的开路故障诊断方法主要由三类组成:基于信号的处理方法,基于模型的处理方法,基于数据驱动的方法。基于信号的处理方法,主要根据电流、电压的信号来分析幅值、频率、电流平均值、电压比值等属性,但这些方法容易受外界因数干扰或系统内部扰动影响,误诊率高。基于模型的处理方法,主要根据逆变器的数学模型,一般用电压残差模型、电流观测器等模型,通过这些模型的残差信号来进行故障诊断,这种方法有一定的系统参数,且对系统建模有一定的精度要求。基于数据驱动的方法,主要有神经网络、专家系统和支持向量机等,这些方法不需要复杂的建模,但对数据的依赖性较强。
3、传感器的故障诊断方法也可分为基于信号、基于模型、基于数据驱动这三种方法。基于信号的方法可以采用计算电流平均值、建立扩展卡尔曼滤波模型等方法来识别传感器故障,但抗干扰性不强。基于模型的故障诊断一般采用观测器来实现故障识别,如电流观测器、电压观测器和若干个观测器组成的观测器组,但对建模精度有要求,计算量大。基于数据驱动的方法可以通过贝叶斯网络、极限学习机等方法来实现传感器故障的诊断,但依赖数据。
4、综上所述,现有的电压互感器故障诊断方法有以下问题:
5、1.实际变电站电压互感器存在谐波干扰,仿真数据具有误差。
6、2.基于模型的故障诊断方法要求系统模型准确,难以实现。
7、3.现有的数据处理方法无法保证对多种故障的识别率。
技术实现思路
1、本发明针对实际变电站电压互感器存在谐波干扰导致仿真数据存在误差,且现有的数据处理方法无法保证多种故障的识别率的问题,提出一种电压互感器故障诊断方法,首先根据采集的电压互感器的变比和故障信号,建立电压互感器故障模型,其次根据设置的初始函数,建立resnet神经网络;然后优化resnet神经网络,得到故障识别网络;最后根据故障识别网络识别待识别信号,得到故障类别;统一并放大了电压信号特征,提高了故障信号识别的正确率。
2、本发明具体实现内容如下:
3、一种电压互感器故障诊断方法,具体包括以下步骤:
4、步骤s1:根据采集的电压互感器的变比和故障信号,建立电压互感器故障模型,并根据所述电压互感器故障模型采集故障数据;
5、步骤s2:根据设置的初始函数,建立resnet神经网络;
6、步骤s3:将所述故障数据作为训练集样本,优化所述resnet神经网络,得到故障识别网络;
7、步骤s4:根据所述故障识别网络识别待识别信号,得到故障类别。
8、为了更好地实现本发明,进一步地,所述步骤s1具体包括以下步骤:
9、步骤s11:根据设定的线性变压器参数,调节电压互感器双侧变比,建立电压互感器初始模型,并将从所述初始模型采集的故障信号,根据设定的时间序列将所述故障信号截取为v个故障信号矩阵;其中,线性变压器是组成电压互感器的部件。
10、步骤s12:根据所述电压互感器的变比sx、所述故障信号矩阵ft,建立电压互感器故障模型;
11、步骤s13:将设定的偏差值输入至所述电压互感器故障模型中,得到故障数据;
12、步骤s14:转置所述故障数据,得到nyp格式的故障数据。
13、为了更好地实现本发明,进一步地,所述步骤s13具体包括以下步骤:
14、步骤s131:将设定的固定偏差数值输入至所述电压互感器故障模型中,得到固定偏差故障数据;
15、步骤s132:将设定的漂移偏差值输入至所述电压互感器故障模型中,得到漂移偏差故障数据;
16、步骤s133:将设定的完全失效值输入至所述电压互感器故障模型中,得到完全失效故障数据。
17、为了更好地实现本发明,进一步地,所述步骤s2具体包括以下步骤:
18、步骤s21:将resnet50残差网络作为主干网络;
19、步骤s22:设置初始函数,得到bottleneck类残差结构输出特征矩阵;
20、步骤s23:根据bottleneck类残差结构输出特征矩阵,建立resnet神经网络。
21、根据权利要求4所述的一种电压互感器故障诊断方法,其特征在于,所述步骤s22具体包括以下步骤:
22、步骤s221:调用nn.conv2d函数定义bottleneck类的第一层卷积层;所述第一卷积层用于降维输入的故障信号矩阵;
23、步骤s222:调用batch normalization函数定义第一batch normalization层;所述第一batch normalization层用于标准化处理降维后的所述故障信号矩阵;
24、步骤s223:调用nn.conv2d函数来定义bottleneck类的第二卷积层和第三卷积层;所述第二卷积层用于缩减故障信号矩阵的深度;所述第三卷积层用于升维缩减后的故障信号矩阵;
25、步骤s224:将升维后的故障信号矩阵传入relu激活函数,并进行下采样操作,得到bottleneck类整体输出;
26、步骤s225:根据设定的正向传播过程和所述bottleneck类整体输出,得到bottleneck类残差结构输出特征矩阵。
27、为了更好地实现本发明,进一步地,所述步骤s23具体包括以下步骤:
28、步骤s231:定义resnet神经网络框架的layer层结构,设置_make_layer函数参数、参数有残差类型block、残差结构中卷积层使用的卷积核个数channel、残差结构数量,并将所述layer层结构记为block_num;
29、步骤s232:设置resnet神经网络框架的正向传播过程,建立resnet神经网络。
30、为了更好地实现本发明,进一步地,所述步骤s231的具体操作为:首先定义_make_layer函数的下采样参数,判断步距stride是否为1或卷积核个数是否等于channel*expension,若步距stride不为1或卷积核个数不等于channel*expension,重新调用nn.conv2d函数定义残差结构,将第一层残差结构加入到layer1层结构中。
31、为了更好地实现本发明,进一步地,所述步骤s3具体包括以下步骤:
32、步骤s31:从采集的训练集样本中随机选取b个故障电压信号,计算所述故障电压信号的真实概率序列;
33、步骤s32:将所述故障电压信号输入至所述resnet神经网络,得到预测概率序列;
34、步骤s33:反向传播所述预测概率序列和所述真实概率序列,训练所述resnet神经网络,更新所述resnet神经网络权重的参数,得到更新后的resnet神经网络;
35、步骤s34:重复步骤s31-步骤s33,得到resnet50网络序列m和准确率序列n,选取所述准确率序列n中准确率最高的准确率序列nmax,将所述准确率最高的准确率序列nmax对应的resnet50网络作为故障识别网络。
36、为了更好地实现本发明,进一步地,所述步骤s4具体包括以下步骤:
37、步骤s41:将故障电压信号输入至所述故障识别网络中,得到待识别故障信号;
38、步骤s42:提取所述待识别故障信号,得到特征序列s;
39、步骤s43:根据所述特征序列s,调用softmax函数得到概率预测序列t,将所述概率预测序列t的维度数作为所述待识别故障信号的类别数,将所述概率预测序列t的值作为所述待识别故障信号的类别的置信度。
40、本发明具有以下有益效果:
41、(1)本发明克服了传统并网电压互感器存在谐波干扰的缺点,放大了电压信号特征,更好地提高了网络分类的准确率。
42、(2)本发明考虑到传统的故障识别方法没有很好的处理电流信号,导致电流信号的特征提取不充分,通过先对电流信号进行处理,再送入网络进行训练,实现了更好地提取特征。
43、(3)本发明对同时识别多种故障也能保持良好的识别率,识别率在95%左右。