[发明专利]基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统

说明书

本发明提供一种基于斯皮尔曼等级相关的卷积神经网络电力系统智能故障检测方法及系统，在区域网络节点处设置相量测量单元，对数据进行测量；将采集的数据进行斯皮尔曼相关性分析，基于分析结果提出图像生成方法；建立等效故障网络，验证故障特征与斯皮尔曼等级相关性的关系，论证方法的可行性；将生成的图像作为初始卷积层，建立基于斯皮尔曼等级相关的卷积神经网络架构；根据建立的架构，基于PSCAD/EMTDC，验证方法的合理性与优越性。综合使用多种电量数据进行故障诊断，通过卷积神经网络可快速、准确的辨识出电力系统中故障所在位置，解决了加入分布式电源等导致电力系统具有波动性以及传统检测方法的不准确性，使电力系统的鲁棒性更高、自适应性更强。

技术领域

本发明关于电力系统故障检测技术领域，特别是一种基于斯皮尔曼等级相关的卷积神经网络电力系统故障检测方法及系统。

背景技术

电网的发展和社会的进步对电网的运行提出了越来越高的要求，加强对电网故障的检测处理显得尤为重要。故障检测一直是电力系统中的一项重要且不可忽视的任务，它能提高电力系统的可靠性，减少因故障造成的损失，其中配电网的故障和异常处理是配电网运行的首要工作，保证配电网运行经济性是配电网运行的重要工作。现今电力系统的拓扑结构和耦合干扰日益复杂，电力系统的故障检测变得愈加困难，适用于单一故障类型或简单系统的传统方法很难达到满意的效果，而卷积神经网络等深度学习的方法在特征提取、图像识别中显示出较大的潜力，对于电力系统故障的检测与辩识，有着重要的研究价值与实际意义。

卷积神经网络应用在电力系统故障检测方面，主要是是对电力系统的故障进行分类处理，然后用卷积神经网络做模式识别，由输出的概率向量快速判断故障位置和类型。卷积神经网络是人工神经网络的一种，已成为当前图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值数量，同时图像可以直接作为网络的输入，对图像的平移、比例缩放等变形具有高度不变性。

发明内容

本发明针对电力系统故障检测存在的问题，提出了一种基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统：

一种基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测系统，包括：

相量测量单元，对电力系统的不同电量数据的测量，并将所测数据传输至斯皮尔曼等级相关性分析装置；

斯皮尔曼等级相关性分析装置，对采集的数据进行斯皮尔曼相关性分析，并将分析结果传输至基于斯皮尔曼等级相关的图像建立装置；

基于斯皮尔曼等级相关的图像建立装置，基于斯皮尔曼等级相关性分析装置的分析结果，构建电力系统故障图像，并将所得图像传输至卷积神经网络特征值提取装置与基本数据图像建立装置；

卷积神经网络特征值提取装置，对所得图像提取特征信息，并将所提取的特征信息传输至卷积神经网络Softmax输出装置；

卷积神经网络Softmax输出装置，即分类器，将故障图像分类；

PSCAD/EMTDAC仿真装置，对不同情况下的实验结果进行验证；

基本数据图像建立装置，用于将图像建立结果与添加SR图像层的图像对比；

等效故障网络装置，分析斯皮尔曼等级相关性与电力系统故障特征间的定性关系。

采用所述的一种基于斯皮尔曼等级相关的卷积神经网络电力系统智能故障检测系统进行电力系统故障检测的方法，包括以下步骤：

步骤1：在区域网络节点处使用相量测量单元对节点电压，支路电流，功率角，有功和无功功率进行测量，获得大量数据用于故障检测；

步骤2：将采集的数据进行斯皮尔曼相关性分析，基于分析结果提出一种图像生成方法-斯皮尔曼等级相关图像层，将测量的基于时间序列的数据转换为故障二维图像；