YOLO网络配电网故障选线方法.pdf
《YOLO网络配电网故障选线方法.pdf》由会员分享,可在线阅读,更多相关《YOLO网络配电网故障选线方法.pdf(9页珍藏版)》请在咨信网上搜索。
1、引用格式:引用格式:侯思祖,徐岩,李柏奎,等.YOLO 网络配电网故障选线方法J.中国测试,2024,50(2):117-125.HOUSizu,XUYan,LIBaikui,etal.YOLObasedfaultlineselectionmethodfordistributionnetworkJ.ChinaMeasurement&Test,2024,50(2):117-125.DOI:10.11857/j.issn.1674-5124.2022030087YOLO 网络配电网故障选线方法侯思祖1,徐岩1,李柏奎2,郝淑敏1(1.华北电力大学电气与电子工程学院,河北保定071003;2.中国电
2、力科学研究院有限公司,北京100192)摘要:针对现有的配电网故障选线困难的问题,提出一种基于 YOLO 网络的配电网故障选线方法。首先,使用三相电流构建极坐标二维图像,充分提取特征信息;之后,对各线路三相电流的极坐标图像进行像素级融合,并以不同颜色区分,在进一步加强图像特征的同时,降低原始图像的冗余度;最后,使用 YOLO 神经网络对融合图像进行特征提取,训练得到最优的模型文件,利用该模型实现故障选线。将该方法与现有的故障选线结果进行对比,结果表明,该方法选线准确率可以达到 99.95%,选线时间 12.9ms,明显优于其他故障选线方案,且该方案不受故障时刻、故障类型和过渡电阻等因素的影响,
3、可满足配电网故障选线的准确度和可靠性需求。关键词:故障选线;极坐标变换;图像融合;YOLO 网络中图分类号:TM93文献标志码:A文章编号:16745124(2024)02011709YOLO based fault line selection method for distribution networkHOUSizu1,XUYan1,LIBaikui2,HAOShumin1(1.SchoolofElectricalandElectronicEngineering,NorthChinaElectricPowerUniversity,Baoding071003,China;2.ChinaEl
4、ectricPowerResearchInstitute,Beijing100192,China)Abstract:Inordertomakefulluseoftheadvantagesofdeeplearningfordistributionnetworkfaultlineselection,adistributionnetworkfaultlineselectionmethodbasedonYOLOnetworkisproposed.Firstly,thepolartwo-dimensionalimageisconstructedbyusingthree-phasecurrent,andt
5、hefeatureinformationisfullyextracted.Then,the polar images of three-phase current of each feeder are fused at pixel level anddistinguishedbydifferentcolors,whichfurtherstrengthenstheimagefeaturesandreducestheredundancyoftheoriginalimage.Finally,YOLOneuralnetworkisusedtoextractthefeaturesofthefusedim
6、age,traintheoptimalmodelfile,andusethemodeltorealizefaultlineselection.Comparingtheproposedmethodwiththeexistingfaultlineselectionresults,theresultsshowthattheaccuracyoftheproposedmethodcanreach99.95%andthelineselectiontimeisonlyabout12.9ms,whichisobviouslybetterthanotherfaultlineselectionschemes.Mo
7、reover,theschemeisnotaffectedbyfactorssuchasfaulttime,faulttypeandtransitionresistance,andcanmeettheaccuracyandreliabilityrequirementsoffaultlineselectionindistributionnetwork.Keywords:faultlineselection;polarcoordinatetransformation;imagefusion;YOLOnetwork收稿日期:2022-03-08;收到修改稿日期:2022-06-01基金项目:国家重点
8、研发计划(2018YFF01011900)作者简介:侯思祖(1962-),男,山西运城市人,教授,博士生导师,研究方向为配电网及其主要设备故障诊断等。第50卷第2期中国测试Vol.50No.22024年2月CHINAMEASUREMENT&TESTFebruary,20240 引言随着经济建设的全面发展,人们对电的需求越来越大,配电网络也越来越密集,安全可靠是电力系统运行的基本要求。在我国 666kV 中、低电压的配电网络中,大部分采用了小电流接地方式,其中 80%的故障是由单相接地引起的。单相接地故障发生后,其电流起伏较低,且无显著的电气量故障特性,准确及时地判断出故障所在线路存在难度1。目
9、前故障选线主要有三种方法:被动选线法、主动选线法和综合选线法。被动选线法又包括稳态分量法、暂态分量法、行波分量法等;主动选线法主要利用突变信号或者注入信号来实现故障选线,主动选线法包括小扰动法、信号注入法、残流增量法等;综合选线法是两种以上不同原理的选线方法相结合,也包括利用人工智能或数学算法等进行故障选线。文献 2 提出一种利用零序有功功率电流信号经过积分累加后对故障线路进行选线的方案,此方法对消弧线圈接地系统有很强的适应性,但是对于高阻接地选线效果较差;文献 3 提出了一种通过对五次谐波进行测量,并对其相位的变化规律进行分析,从而判断出在小电流接地系统中的单相接地线路。但是,五次调谐信号的
10、幅度很小,而且很难探测,因此这种方法的可信度很差。文献 4 提出了一种利用接地故障后馈线阻抗特性和零序电流的特性对谐振接地系统实现故障选线的方案,该方案不受线路长度和类型的影响,有较强的抗干扰性,但是不适用于消弧线圈接地系统。文献 5 利用相电流故障分量的固有模式能量来选择线路,但在某些初始故障相角下,其选线准确度较差。文献 6提出了一种将注入信号法和小波算法相结合的故障选线方法,提高了注入法选线的准确率,但是该方法不适用于接地电阻较大的情况。近些年,人工智能算法发展迅速,其具有处理速度快、容错性高等优势。将人工智能算法应用于配电网故障诊断是未来发展的一大趋势7-9。深度学习作为实现人工智能的
11、一种方法,可以自主地挖掘输入量的特征信息,在图像识别与分类领域表现优越。目前,已有学者利用配电网的电信号特征作为神经网络的输入进行故障选线,但是没有充分利用深度学习在图像识别领域的优势。文献 10 使用纵横交叉算法优化的径向基函数(radialbasisfunction,RBF)神经网络进行故障选线,但五次谐波分量随接地电阻增大而减小,导致测量准确度降低。文献 11 提出了一种行波和支持向量机结合的方法进行故障选线,但在波头标定方面精度较差。文献 12 提出了一种 SVM 和 CNN 相结合的故障分类模型,有效提高了配电网发生高阻故障时的分类准确率,且不受故障类型、网络结构、噪声干扰影响,在单
12、相弧光接地的情况下也具有很高的准确性,然而该方法没有充分利用深度学习在图像识别领域的优势,所以对高阻接地情况识别效果不佳。文献13 利用三相电流的空间域特征,通过卷积神经网络(convolutionneuralnetwork,CNN)进行故障选线,但对于复杂配电网,其单张图像的空间域特征过分重叠,故障特征无法被提取,导致方法的适用性有限。YOLO 是“Youonlylookonce”的首字母缩写词,是一种将图像分割成网格系统的目标检测算法,网格中每个单元负责检测自身内的对象。YOLO 因其识别速度和准确度而被广泛使用,2020 年推出的最新版本 YOLOv5 在灵活性与速度方面有了巨大提升,其
13、模型尺寸仅十几兆,推理速度可以达到十几毫秒甚至几毫秒14。本文提出了一种基于YOLO 网络的配电网故障选线方法。该方法首先对配电网发生单相接地故障时,各输电线三相电流的空间域图像进行融合,并通过人工标注的方式注明故障类型信息,得到各融合图像的特征标签,然后将图像和标签输入 YOLO 神经网络进行训练测试,得到最优的模型文件,利用该模型文件可以实现对配电网的故障选线。该方法极大地提高了故障选线的准确率。1 故障线路电特征提取1.1 电信号空间域特征提取对于中性点通过消弧线圈接地的配电网,每条输电线路的每相电流都可以作为系统的状态变量,其包括系统的状态信息。因此,可以通过分析所有相电流来获得系统的
14、状态信息。在小电流单相接地系统中,三相电流的波形是对称的,每相的瞬时表示为:iA=Imcos(t)iB=Imcos(t23)iC=Imcos(t+23)(1)118中国测试2024年2月式中:iA、iB、iC三相电流;Im峰值电流;工频;故障合闸角。三相电流具有很强的周期性,由图 1 可见,在正常运行的情况下,三相电流的时域波形只存在一个固定的相位差。iCiBiAi/A20002000.040.070.10t/s图 1 正常情况下时域三相电流当系统中有一相发生接地故障时,暂态接地电流由瞬时电容电流和暂态感应电流的叠加构成,其表达式为:iD=iC+iL=(ICmILm)cos(t+)+ICm(f
15、sincoscos(t)et+ILmcosetL(2)式中:ICm系统发生故障时暂态电容电流幅值;f故障后系统电容电流暂态自由振荡分量的角频率;相电压的初始相位;ILm故障后电感电流的幅值;L电感回路的时间常数;故障后系统暂态电容电流自由振荡分量的衰减系数。衰减因子反映暂态过程的持续时间,由图 2 可见,衰减因子越大,故障电路中接地电流的暂态过程具有周期性的衰减和振荡特性,在图像上表现为较大的振荡;衰减因子越小,接地电流具有非周期性的振荡衰减特性,并逐渐由暂态到稳定状态转变,在图像上仍然存在振荡,但振荡的幅值已经非常小。1.2 空间域图像生成原理如图 3 所示,在中性点经消弧线圈接地系统正常运
16、行状态下,将任意线路 iA、iB、iC三相电流数据作为半径值,按照等间隔角度(02)绘制到极坐标系中,可得到一个中心对称的花型曲线,共包含9 个完全相同的花瓣,花瓣长度反映了电流信号幅值。0501001505/67/64/33/25/311/6/6/3/22/30i/A图 3 正常情况极坐标系下三相电流发生单相接地故障时,由公式(2)可知,故障点暂态电流主要由衰减因子 决定,且=R/(2L),衰减因子与故障距离成反比,和故障电阻成正比15。如图 4 所示。当衰减因子较大时,三相电流的暂态过程故障量较大,其极坐标图像为一个轮廓存在较大扰动的花瓣曲线,与正常运行状态下具有明显区别;当衰减因子较小时
17、,三相电流的暂态过程故障量较小,其极坐标图像为一个轮廓存在较小扰动的花瓣曲线,其特征与正常运行情况下也有区别。i/A2000200i/A20002004000.040.070.10t/s0.040.070.11t/siAiAiBiCiBiC(a)衰减因子大(b)衰减因子小图 2 衰减因子对故障暂态电流的影响第50卷第2期侯思祖,等:YOLO 网络配电网故障选线方法1191.3 图像加权平均融合算法深度学习算法能够根据图像的特征进行自动分类,这些特征包括颜色、轮廓等,为了使图像的特征更为明显,以不同颜色区分各线路各相电流花瓣曲线,各线路各相电流曲线颜色参数见表 1。表 1 各线路相电流曲线颜色参
18、数相电流线路A相B相C相L1黑色绿色红色L2蓝色洋红色青色L3黄色橙色深黄色L4灰色天蓝色酒红色每条线路的三相电流均可以得到 3 张极坐标下的花瓣图像,当配电网发生单相接地故障时,由于接地相未知,需要将各条线路的所有极坐标平面图像均作为神经网络的输入,而这些图像存在大量冗余,导致神经网络训练效率低下,因此,为了最大限度保留图像特征,用一次融合的方法将同一条线路的 3 张极坐标平面图像进行融合。如图 5 所示,由于同一条线路的 3 张极坐标平面图像具有相似性,且图像像素点少,可以采用像素融合的方式,本文采用加权平均图像融合算法,每张极坐标图像的权值均为 1/3,如下式所示:D(x,y)=13(D
19、1(x,y)+D2(x,y)+D3(x,y)(3)式中:D(x,y)极坐标平面融合后的图像像素;D1(x,y)、D2(x,y)、D3(x,y)同一条线路的 3张极坐标图像的像素值。2 基于 YOLO 的故障选线方法2.1 改进的 YOLO 神经网络为了让模型能够快速收敛,本文在特征提取过程中引入 CA(coordinateattention)注意力机制。CA 注意力机制模块可以增强网络学习特征的表达能力,它可以对网络中的任意中间特征张量进行转化变换后输出同样尺寸的张量。CA 先将输入特征图分为宽度和高度两个方向,分别进行全局平均池化,获得在宽度和高度两个方向的特征图,如下式所示:zhc(h)=
20、1W0iW|xc(h,i)zhc(w)=1H0jH|xc(j,w)(4)接着将获得全局感受野的宽度和高度两个方向的特征图拼接在一起,之后将它们送入共享的卷积核为11的卷积模块,将其维度降低为原来的 c/r,式中,c 为通道号,r 为缩减率,然后将经过批量归一化处理的特征图F1送入Sigmoid 激活函数得到形如1(W+H)c/r的特征图f,如下式所示:f=(F1(zh,zw)(5)接着将特征图 f按照原来的高度和宽度进行卷积核为11 的卷积,分别得到通道数与原来一样的特征图Fh和Fw,经过Sigmoid 激活函数后分别得到特征图在高度和宽度上的注意力权重gh和 gw,如下式所示:gh=(Fh(
21、fh)gw=(Fw(fw)(6)经过上述计算后将会得到输入特征图在高度方向的注意力权重 gh和在宽度方向的注意力权重 gw。最后在原始特征图上通过乘法加权计算,将得到最终在宽度和高度方向上带有注意力权重的特征图,即:yc(i,j)=xc(i,j)ghc(i)gwc(j)(7)2.2 故障选线流程同一工况下,每条线路的三相电流可以得到 3幅二维极坐标图像,这三张图像之间存在很多冗余信息,通过加权平均融合算法可以将这些信息互补,同时又以不同颜色区分各条输电线路不同相电流,01002003000501001505/67/64/33/25/311/6/6/3/22/305/67/64/33/25/31
22、1/6/6/3/22/30i/Ai/A(a)衰减因子大(b)衰减因子小图 4 衰减因子对花瓣轮廓的影响L1L3L4L2图 5 融合图像120中国测试2024年2月丰富了融合图像的特征。将这些融合图像以及标签输入神经网络进行训练,利用训练得到的模型文件,即可实现故障选线。选线流程如图 6 所示。A 相电流B 相电流C 相电流采集信号特征图像获取融合图像标签文件加权平均融合故障线标注神经网络输入最优模型识别结果训练输出A 相、B 相、C 相电流极坐标图像YOLO 神经网络图 6 故障选线流程具体实现过程如下:1)采集每条线路的三相电流信号,采样频率为12.8kHz,截取故障前 1 个周期和故障后
23、2 个周期信号数据作为原始数据。2)利用采集到的原始数据在极坐标系下分别绘制不同相电流的图像曲线,以用不同的颜色加以区分,归一化保存为 3203203 的图片。3)利用加权平均融合算法将同一条线路的三张极坐标图像进行融合。4)将各条线路在同一工况下的融合图像以矩阵的形式放入同一张图像中,并将此图像归一化为6406403,为了便于分析,图像统一命名格式为“编号_故障距离_接地电阻_故障合闸角_线路编号_故障类型”。5)利用 labelling 软件手动标注故障信息,生成标签文件,该标签文件包含故障类型编号以及标注区域的归一化坐标信息,且命名格式与图像名称相同。6)将融合图像和对应的标签文件输入到
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- YOLO 网络 配电网 故障 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。