一种电力系统故障高精度特征快速提取策略

本发明涉及电力系统故障诊断，具体为一种电力系统故障高精度特征快速提取策略。

背景技术：

1、电力系统是由电能的产生、变换、传送、分配和消费的各种设备,按照一定的需求组成的有机系统的总称,电力系统的稳定可靠运行对国防安全、工业生产、国民经济十分重要，输电线路是电力系统的重要组成部分，也是电力系统中极易发生故障的部分,输电线路一旦发生短路故障，电流将呈指数级增长，巨大的短路电流产生的高温电弧会导致线路外的隔离保护击穿，一旦发生故障就有可能造成较大的经济损失甚至危害人民的生命安全，因此，对对电力系统故障诊断至关重要；

2、传统的故障诊断方法主要包含两类，一种为基于信号分析或人工特征提取的故障诊断方法，另一种为基于模型的故障诊断方法。其中，第一种方法的一种常见的应用方式是通过设计阈值，对比信号是否达到阈值进行判断故障是否发生的，其他基于手动特征提取的方法也被广泛地研究过，而基于模型的方法是指建立被诊断对象的模型，并且通过在模型中设置不同类型的故障，分析各种故障发生时的情况，通过模型在不同故障时的输出差异与故障类型的对应关系实现故障诊断；

3、然而，上述两种传统方法均存在一定的局限性，具体地，基于信号分析的方法是通过人为选择特征类型进行诊断的，难以避免所选特征的代表性不足的问题，而基于模型的方法存在的主要问题是对模型的准确性要求高，且在对象发生一点变化时都不再适用，随着机器学习和人工智能技术的发展，基于数据驱动的故障诊断方法以其能够自动探索信号的特征和适用性较高的优势而使其近些年来十分流行，越来越多的诊断速度更快、准确率更高的基于数据驱动的诊断方法被提出，尽管不同类型的机器学习模型被有针对性地开发用到了基于数据驱动的诊断中，但是输入数据的处理仍然存在两个问题：输入信号数据类型单一，在保障数据信息完整性上不具有优势；在较少的考虑了多种输入信号的工作中，很少考虑到对不同信号的重要性进行分析，难以兼顾时间和效率的问题，不利于后续的特征提取与故障分类；

4、为此，我们提出一种电力系统故障高精度特征快速提取策略。

技术实现思路

1、本发明的目的在于提供一种电力系统故障高精度特征快速提取策略，解决了背景技术中所提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种电力系统故障高精度特征快速提取策略，包括如下步骤：

3、步骤一：搭建标准ieee14模型，建立了电力系统的故障模型；

4、步骤二：利用cbam注意力机制将从步骤一所述的模型中采集到的时域故障信号及转换获得的时频域信号进行权重分配；

5、步骤三：利用基于卷积神经网络结构的repvgg将步骤二所得的信号(即被施加了权重的信号)的输入数据进行特征深入挖掘和分类。

6、作为本发明的一种优选实施方式，根据公开的电力系统ieee14标准算例搭建其simulink仿真模型，设计故障信号生成模型，对正常的ieee14的simulink模型注入故障，测量结点处电流电压信号并得到故障输出，然后计算正常数据和故障数据的残差，将残差时序信号用作后续故障诊断模型处理的数据，在故障线路处共设置了包括单相接地短路故障、两相相间短路故障、两相接地短路故障、以及三相短路故障的四种故障类型，此外，将正常状态视为一种特殊的故障状态，则共计五种故障类型。

7、作为本发明的一种优选实施方式，cbam通过引入注意力机制，包含了通道注意力模块(channelattentionmodule,cam)和空间注意力模块(spartialattentionmodule,sam)这两个子模块，能够实现对输入信号从不同特征通道的注意和空间上的注意，从而可以得到不同通道之间的权重。

8、作为本发明的一种优选实施方式，repvgg网络是一种单路卷积网络架构，融合vgg和resnet的思想，通过结构重参数化的方式、仅通过堆加3×3卷积层也能达到了简单和更加高效的性能，整个repvgg模型通过不断堆叠repvggblock而形成。

9、作为本发明的一种优选实施方式，repvgg采用重参数化将训练过程中的多分支结构转化为带偏置的3×3卷积，重参数化的过程包含四个过程：融合conv2d和bn；将1×1卷积转换成3×3卷积并将bn转换成3×3卷积；将多分支进行融合。

10、作为本发明的一种优选实施方式，故障诊断策略，首先在标准ieee14模型中注入不同的故障，随后采集故障状态下的信号，通过s变换处理一维时域残差信号获得时频特征图，repvgg仅仅在空间维度获取特征，为了获得不同通道之间的特征关联，将cbam模块融入到了repvgg中。

11、作为本发明的一种优选实施方式，所述步骤二中采集信号具体操作为采集各种故障类别的残差信号，设置每个残差信号的长度，将他们都重新排列，利用s变换获得的时频图。

12、与现有技术相比，本发明的有益效果如下：

13、本发明将电力系统的时序信号变换到了时频域中，同时将时域信号和时频域信号作为特征挖掘对象；设计了一种信号代表性权重分析与分配策略，利用cbam注意力机制分析时域信号与时频域信号的各通道的代表性；提出了一种基于repvgg的快速、高精度的诊断技术，实现了良好的诊断精度-速度权衡，建立了一种用于电力系统的故障诊断方法，研究表明，各残差信号能够反映不同故障的差别，可以作为诊断信号，一维时域信号和二维时频域特征经过cbam注意力机制处理后，通过高权重强化了关键特征类别，随后使用深度repvgg进行了深入的特征挖掘并实现了快速且高准确率的诊断效果，因此，cbam注意力机制是一种有效的特征重要性排序的方案，在保障诊断信号完整性的情况下实现了信号类别的权重划分，repvgg是一种很有潜力的故障诊断算法，在保障精度的同时诊断速度优势明显。

技术特征：

1.一种电力系统故障高精度特征快速提取策略，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种电力系统故障高精度特征快速提取策略，其特征在于：根据公开的电力系统ieee14标准算例搭建其simulink仿真模型，设计故障信号生成模型，对正常的ieee14的simulink模型注入故障，测量结点处电流电压信号并得到故障输出，然后计算正常数据和故障数据的残差，将残差时序信号用作后续故障诊断模型处理的数据，在故障线路处共设置了包括单相接地短路故障、两相相间短路故障、两相接地短路故障、以及三相短路故障的四种故障类型，此外，将正常状态视为一种特殊的故障状态，则共计五种故障类型。

3.根据权利要求1所述的一种电力系统故障高精度特征快速提取策略，其特征在于：cbam通过引入注意力机制，包含了通道注意力模块(channelattentionmodule,cam)和空间注意力模块(spartialattentionmodule,sam)这两个子模块，能够实现对输入信号从不同特征通道的注意和空间上的注意，从而可以得到不同通道之间的权重。

4.根据权利要求1所述的一种电力系统故障高精度特征快速提取策略，其特征在于：repvgg网络是一种单路卷积网络架构，融合vgg和resnet的思想，通过结构重参数化的方式、仅通过堆加3×3卷积层也能达到了简单和更加高效的性能，整个repvgg模型通过不断堆叠repvggblock而形成。

5.根据权利要求1所述的一种电力系统故障高精度特征快速提取策略，其特征在于：repvgg采用重参数化将训练过程中的多分支结构转化为带偏置的3×3卷积，重参数化的过程包含四个过程：融合conv2d和bn；将1×1卷积转换成3×3卷积并将bn转换成3×3卷积；将多分支进行融合。

6.根据权利要求1所述的一种电力系统故障高精度特征快速提取策略，其特征在于：故障诊断策略，首先在标准ieee14模型中注入不同的故障，随后采集故障状态下的信号，通过s变换处理一维时域残差信号获得时频特征图，repvgg仅仅在空间维度获取特征，为了获得不同通道之间的特征关联，将cbam模块融入到了repvgg中。

7.根据权利要求1所述的一种电力系统故障高精度特征快速提取策略，其特征在于：所述步骤二中采集信号具体操作为采集各种故障类别的残差信号，设置每个残差信号的长度，将他们都重新排列，利用s变换获得的时频图。

技术总结
本发明公开了一种电力系统故障高精度特征快速提取策略，包括如下步骤：步骤一：搭建标准IEEE14模型，建立了电力系统的故障模型；步骤二：利用CBAM注意力机制将从步骤一所述的模型中采集到的时域故障信号及转换获得的时频域信号进行权重分配；步骤三：利用基于卷积神经网络结构的RepVGG将步骤二所得的信号的输入数据进行特征深入挖掘和分类。本发明将电力系统的时序信号变换到了时频域中，同时将时域信号和时频域信号作为特征挖掘对象；设计了一种信号代表性权重分析与分配策略，利用CBAM注意力机制分析时域信号与时频域信号的各通道的代表性；提出了一种基于RepVGG的快速、高精度的诊断技术，实现了良好的诊断精度‑速度权衡。

技术研发人员：贾真,杨奇奇,秦健
受保护的技术使用者：西安建筑科技大学
技术研发日：
技术公布日：2024/1/13