基于轻量化CNN的配电网故障识别研究.pdf
《基于轻量化CNN的配电网故障识别研究.pdf》由会员分享,可在线阅读,更多相关《基于轻量化CNN的配电网故障识别研究.pdf(4页珍藏版)》请在咨信网上搜索。
1、现有基于深度学习的配电网故障识别算法普遍存在结构复杂、参数较多、计算量大等问题。基于此,本文对卷积神经网络(Convolutional Neural Networks,CNN)模型应用深度可分离卷积进行轻量化改进,并进一步采用倒残差结构优化,提高模型的特征表达能力,结合变分模态分解(Variational mode decomposition,VMD)预处理,提出VMD-LCNN模型(VMD and Lightweight CNN)。该模型首先应用VMD分解提取故障信号特征,然后输入到轻量化CNN中,最后对故障类型进行识别。试验结果表明,该模型的有效性和可行性。关键词:配电网;故障识别;CNN
2、;轻量化;VMD配电网是将电能从输电网传输到最终用户的重要组成部分,如果出现故障可能会导致电力中断、安全事故和经济损失等问题。借助现代智能化技术对配电网进行实时监测和故障识别,可以提高配电网的可靠性和稳定性,对于保障电力供应的稳定性和可靠性,具有重要的现实意义1。目前,基于深度学习的配电网故障识别方法成为主流。文献 2 提出一种将特征迁移和深度学习相结合的配电网故障诊断新方法。文献 3 基于长短期记忆神经网络(LongShortTermMemory,LSTM),针对电气故障进行了分类。深度学习网络性能较好,特别适于配备大量传感器的配电网,但是在运行中由于参数较多,运行时间过长,给云计算平台带来
3、很大压力。因此,客观上需要对深度学习网络进行轻量化改进。本文基于常用的 CNN 神经网络,进行轻量化改进,结合VMD(VariationalModalDecomposition)4进行数据预处理,提出 VMD-LCNN 模型,进行配电网故障分类。1 Vmd-Lcnn 模型配电网故障所产生的信号如果直接使用可能导致噪声过多以及特征不够明显,因此在进行轻量化 CNN 模型训练之前需要先将数据进行预处理。本文利用 VMD 分解对信号进行模态分解,将最后得到的矩阵数据作为轻量化 CNN 的输入数据。在 VMD 分解之后,应用轻量化 CNN 模型进行数据的训练和故障识别。即在原始 CNN 基础上,将深度
4、可分离卷积策略代替传统卷积。为了进一步提高特征的表征能力,采用倒残差结构进行优化5。一般情况下,普通卷积的计算量是深度可分离卷积的8到9倍,因此采用深度可分类卷积可以大大提升计算速度和效率。虽然采用深度可分离卷积可以提高模型的计算效率,但是特征表达能力会有所下降。因此,本文在轻量化 CNN 模型中加入了倒残差结构(InvertedResiduals)。该结构主要变化通道数,实现数据的降维和升维。和标准的残差结构相比,调换了降维和升维的顺序,并将标准卷积替换成逐通道卷积。这种结构可以有效提高模型的特征表征能力。同时,最后一层采用线性层,可使准确率更高,模型更小。本文提出的配电网故障识别 VMD-
5、LCNN 模型如图1所示。首先通过仿真程序获取不同故障情况下的数据信息,应用 VMD 分解提取数据特征,完成样本数据的获取;接着将训练集数据传入轻量化CNN 模型进行训练;最后应用该模型进行故障类型的识别。186 EPEM 2023.7 下电力安全Power Security图1 配电网故障识别示意图2 算例分析VMD-LCNN 模型的样本数据通过 MATLAB/SIMULINK 仿真平台生成。首先在平台搭建10kv配电网模型,设置故障点位置;然后获取故障发生前后一周的三相电流、三相电压和零序电压数据;通过 VMD 分解预处理之后生成故障信号特征矩阵;最后输入轻量化 CNN 模型中进行训练与测
6、试。在 MATLAB/SIMULINK 搭建的10kV 配电网模型如图2所示,其中 L1L2是2条馈线,F1F5是设置的故障点位置。在每个故障点设置故障类型为单相接地(AG,BG,CG)、两相短路(AB,AC,BC)、两相短路接地(ABG,ACG,BCG)和三相短路(ABC),设置故障过渡电阻为0,5,50,500,1000,1500,2000,故障初相角则每次随机生成,范围是1180。在这种设置下,每次只修改一个参数,最终生成2100个样本数据集。这里,随机选取20%作为测试集。图2 matLaB/SimuLink 配电网模型2.1 生成故障信号特征矩阵根据 VMD 原理,对生成的数据集进行
7、 VMD分解。VMD 通过变分约束条件,自适应地将输入信号 X(t)同时分解为 K 个有限带宽的本征模式分量 uk(t),同时最小化所有模式分量的带宽之和。将信号 X(t)通过 VMD 分解后获得的矩阵为。(1)在式(1)中,HX(t)是对 X(t)VMD 分解后得到的矩阵,k 是对信号进行 VMD 分解的层数,n是 X(t)中采样点的个数,u(k,n)是 X(t)分解后第 k 个模态分量的第 n 个采样点的数值。将仿真得到的三相电压、三相电流和零序电压均进行 VMD 分解,其中三相电压和三相电流进行三层模态分解,零序电压进行四层模态分解,最后得 到 的 矩 阵 分 别 为:HIA、HIB、H
8、IC、HUA、HUB、HUC、HU0。将得到的这几个矩阵自上而下组成新的矩阵 W:(2)获得矩阵 W 后,对 W 进行归一化处理。将故障的信号数据都转换为改矩阵后即可作为轻量化CNN 模型的训练样本。2.2 性能分析文中进行两类对比分析,一是在提出的轻量化CNN 模型上,进行常用的预处理技术对比,包括小波变换、EMD(EmpiricalModeDecomposition,经验模态分解)和 VMD。二是基于常用的 CNN 模型 LeNet 和 VGG,对 比 LeNet、VGG、VMD-LCNNI(深度可分离卷积)和 VMD-LCNNII(深度可分离卷积+倒残差)的性能(包括识别率、参数量和训练
9、时间)进行对比分析。本文应用 Keras 框架搭建模型,使用 Adam优化器,训练批量设置为100,迭代次数设置为100次,学 习 率 为1e-3。LeNet、VGG、VMD-LCNNI、VMD-LCNNII 的参数设置分别见表1至表4。2023.7 下 EPEM 187电力安全Power Security表1 Lenet 模型参数网络层名称结构参数conv2d30,(5,75)maxpooling2d(2,2),strides=2conv2d60,(5,75)maxpooling2d(2,2),strides=2flattendense750dense128dense10表2 VGG 模型参
- 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:
- 基于 量化 CNN 配电网 故障 识别 研究
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,个别因单元格分列造成显示页码不一将协商解决,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。