亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于IKH優(yōu)化S-GRU的輸電線路故障辨識模型設(shè)計

        2025-03-18 00:00:00王荷茵王佳琳蔡小妮
        中國新技術(shù)新產(chǎn)品 2025年5期
        關(guān)鍵詞:輸電線路

        摘 要:準(zhǔn)確辨識輸電線路的故障類型和故障位置屬于電力運維工作的重要內(nèi)容。為了達(dá)到該目標(biāo),本文提出基于孿生神經(jīng)網(wǎng)絡(luò)(SNN)和門控循環(huán)單元(GRN)的S-GRN故障辨識模型,并且運用改進(jìn)磷蝦算法(IKH)對該模型中的權(quán)值參數(shù)進(jìn)行尋優(yōu),經(jīng)過大量訓(xùn)練后產(chǎn)生成熟的模型。在性能仿真階段,運用MATLAB軟件構(gòu)建輸電線路,分別模擬單相接地短路、兩相間短路、兩相接地短路、三相短路4種故障類型,檢測故障辨識模型的應(yīng)用效果。結(jié)果顯示,在不同故障距離或者過渡電阻條件下,模型對4種故障的平均識別準(zhǔn)確率均達(dá)到96.25%以上。研究結(jié)論如下,IKH優(yōu)化S-GRU輸電線路故障辨識模型優(yōu)于同類算法模型,整體分類準(zhǔn)確率較高。

        關(guān)鍵詞:IKH;S-GRN;輸電線路;故障識別模型

        中圖分類號:TM 75" " 文獻(xiàn)標(biāo)志碼:A

        輸電線路受到覆冰、鳥類活動、風(fēng)偏作用等因素的影響,容易出現(xiàn)各種類型的接地和相間短路故障,從而影響輸電線路的穩(wěn)定性。在故障發(fā)生后,需要根據(jù)異常的電壓、電流數(shù)據(jù),快速定位故障位置和類型,以便開展故障修復(fù)工作。

        當(dāng)前,以人工智能技術(shù)為基礎(chǔ)的自動化故障辨識方法成為重要的發(fā)展方向。王子康[1]分析了卷積神經(jīng)網(wǎng)絡(luò)和支持向量機在輸電線路故障診斷及預(yù)測中的應(yīng)用方法。楊東寧等[2]運用長短期記憶網(wǎng)絡(luò)和變分模態(tài)分解技術(shù)診斷輸電線故障類型。趙巖等[3]利用改進(jìn)梯度提升樹算法診斷輸電線故障類型。

        本文利用SNN網(wǎng)絡(luò)和GRU構(gòu)建了S-GRU故障辨識模型,為了使該模型達(dá)到最佳的故障辨識效果,運用改進(jìn)磷蝦算法對模型中的關(guān)鍵取值參數(shù)進(jìn)行尋優(yōu)。經(jīng)仿真檢驗,該模型對各種接地和短路故障均達(dá)到了較高的故障辨識水平。

        1 基于IKH優(yōu)化S-GRU的輸電線路故障辨識模型設(shè)計

        1.1 故障識別模型應(yīng)用流程設(shè)計

        故障識別模型的應(yīng)用流程(如圖1所示)主要分為模型訓(xùn)練階段和故障檢測階段。在模型訓(xùn)練階段,采集輸電線路故障前后的數(shù)據(jù),對其進(jìn)行預(yù)處理,剔除不符合標(biāo)準(zhǔn)的數(shù)據(jù)。再利用處理后的數(shù)據(jù)訓(xùn)練基于改進(jìn)磷蝦群(Improved Krill Herd,IKH)算法優(yōu)化的S-GRN故障識別模型。其中,S-GRN為孿生神經(jīng)網(wǎng)絡(luò)(Siamese Neural Network,SNN)和門控循環(huán)單元(Gated Recurrent Unit,GRU)相融合的故障辨識模型[4]。

        1.2 故障識別模型技術(shù)要點設(shè)計

        1.2.1 故障樣本數(shù)據(jù)采集

        本文建立的故障識別模型主要針對輸電線路的各種短路故障,具體包括單相接地短路、兩相間短路、兩相接地短路、三相短路。當(dāng)輸電線路出現(xiàn)短路故障時,可通過電壓互感器、電流互感器等電力傳感器采集故障電壓和電流數(shù)據(jù),為后續(xù)的故障類型識別提供依據(jù)。

        1.2.2 數(shù)據(jù)預(yù)處理

        數(shù)據(jù)預(yù)處理的目的在于提取輸電線路故障電壓特征量,提取方法為變分模態(tài)分解(Variational Mode Decomposion,VMD),具體的實施流程如下:采集4種短路故障電壓信號→對電壓信號進(jìn)行VMD分解→求得短路電壓的本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF)分量→計算IMF分量的排列熵→對排列熵進(jìn)行歸一化處理→得到故障特征向量。

        假設(shè)IMF分量為X={x(1),x(2),...,x(k)},對X進(jìn)行空間重構(gòu),可得到矩陣Y,如公式(1)所示。

        (1)

        式中:Y為IMF分量經(jīng)過空間重構(gòu)后得到的矩陣;τ為延遲時間;m為嵌入維數(shù)。

        按照由低到高的順序?qū)仃嘫中的第i(i=1,2,3,...,k)行元素進(jìn)行排序,再根據(jù)排序結(jié)果,為第i行中的每一個元素設(shè)置一個索引號,分別記為j1、j2、...、jm,則該行元素的索引序列為s(i)={j1,j2,...,jm},i=1,2,3,...,k。此時,IMF分量排列熵的計算方法如公式(2)所示。

        (2)

        式中:Hp(m)為IMF分量的排列熵,該數(shù)值是與嵌入維數(shù)m相關(guān)的變量;Pi為矩陣Y中第i行元素索引序列s(i)出現(xiàn)的概率,并且有Pi=lnm!。

        在數(shù)據(jù)預(yù)處理階段,需要對Hp(m)進(jìn)行歸一化,如公式(3)所示。

        (3)

        式中:Hp1(m)為Hp(m)經(jīng)過歸一化處理后的結(jié)果,此時滿足0lt;Hp1(m)lt;1;m!為嵌入維數(shù)m的階乘運算。

        1.2.3 基于S-GRU的故障識別

        S-GRU故障識別模型基于孿生神經(jīng)網(wǎng)絡(luò)(SNN)和門控循環(huán)單元(GRN),SNN神經(jīng)網(wǎng)絡(luò)具有2個子網(wǎng)絡(luò),故障識別模型將2個子網(wǎng)絡(luò)均設(shè)置為GRN。按照第1.2.2節(jié)提取特征向量,向S-GRU的2個子網(wǎng)絡(luò)輸入2個特征向量,分別記為X1、X2[5]。經(jīng)過S-GRU的處理,將X1、X2對應(yīng)的輸出結(jié)果分別記為Gw(X1)、Gw(X2),則特征向量X1、X2的相似性如公式(4)所示。

        Dw=||Gw(X1)-Gw(X2)|| (4)

        式中:Dw為特征向量X1、X2的相似性,屬于無量綱參數(shù)。

        在故障識別應(yīng)用中,利用大量的輸電線路電壓故障特征向量訓(xùn)練S-GRU模型,使損失函數(shù)的計算結(jié)果達(dá)到最低水平,損失函數(shù)如公式(5)所示。

        (5)

        式中:L為損失函數(shù),屬于無量綱參數(shù);N為特征向量的樣本數(shù)量;ε為樣本的特征標(biāo)簽。

        當(dāng)2個特征向量屬于相同類別時,ε=0,否則ε≠0。損失函數(shù)L和Dw之間的關(guān)系如圖2所示。

        1.2.4 運用IKH算法優(yōu)化S-GRU故障辨識模型

        IKH為改進(jìn)的磷蝦群算法,可用于復(fù)雜問題尋優(yōu),旨在獲得故障分類識別的最優(yōu)解。磷蝦個體的運動方式包括誘導(dǎo)、覓食、隨機擴散,通過以上方式對空間進(jìn)行搜索,從而實現(xiàn)全局優(yōu)化。本文運用IKH算法優(yōu)化S-GRU故障識別模型,優(yōu)化過程如下。1)采集輸電線路的短路故障電壓數(shù)據(jù),按照第1.2.2節(jié)中的方法對原始數(shù)據(jù)進(jìn)行預(yù)處理,得到輸電線路故障電壓的特征向量樣本。2)建立S-GRU故障識別模型,將特征向量輸入S-GRU模型中,對故障識別模型進(jìn)行訓(xùn)練。以損失函數(shù)L的計算結(jié)果最小為目標(biāo)函數(shù),運用IKH算法實現(xiàn)S-GRU模型參數(shù)尋優(yōu)。在S-GRU故障識別模型中,IKH算法主要用于優(yōu)化門控循環(huán)單元的權(quán)值參數(shù),具體為更新門和重置門的權(quán)重。3)設(shè)置最小損失函數(shù)閾值ζ,在迭代優(yōu)化過程中,當(dāng)損失函數(shù)L≤ζ時,達(dá)到優(yōu)化目標(biāo)。如果實際迭代次數(shù)h超過允許最大迭代次數(shù)H,那么自動結(jié)束算法。4)獲得S-GRU的最優(yōu)權(quán)值參數(shù)后,將其作為故障識別模型的固定參數(shù),用于真實場景下的故障類別辨識。

        2 IKH算法優(yōu)化S-GRU故障辨識模型仿真檢測

        2.1 仿真模型概況

        為了檢驗第1小節(jié)中的故障辨識模型,利用MATLAB軟件搭建高壓輸電線路模型,該輸電線路具有雙端供電系統(tǒng),涵蓋2條輸電線路,仿真模型的設(shè)計參數(shù)見表1。仿真過程持續(xù)時長為0.5s,短路故障發(fā)生時間為仿真開始后的第0.2s。

        2.2 故障辨識過程及結(jié)果分析

        2.2.1 故障數(shù)據(jù)預(yù)處理

        仿真過程利用輸電線路模型采集4種短路故障的電壓數(shù)據(jù),并且根據(jù)公式(1)~公式(3)完成數(shù)據(jù)預(yù)處理,將電壓數(shù)據(jù)轉(zhuǎn)化為歸一化的向量。由0lt;Hp1(m)lt;1可知,向量中的元素介于0~1[6]。表2為4種短路故障數(shù)據(jù)的預(yù)處理結(jié)果示例。

        2.2.2 不同工況下的故障辨識精度

        2.2.2.1 不同故障位置條件下的故障辨識精度

        將已知的故障電壓特征向量作為測試數(shù)據(jù),輸入訓(xùn)練成熟的IKH優(yōu)化S-GRU故障辨識模型。故障點設(shè)置在距離電源端10km、50km、100km、150km處,每一種短路故障設(shè)置20組測試數(shù)據(jù),辨識結(jié)果見表3。由數(shù)據(jù)可知,故障辨識精度整體較高,4種故障距離的最低辨識成功率達(dá)到96.25%。

        2.2.2.2 不同過渡電阻條件下的故障辨識精度

        過渡電阻用于限制短路電流,將過渡電阻設(shè)置為0Ω、50Ω、100Ω、1000Ω,在4種故障類型下進(jìn)行故障辨識,每一種短路故障的正確辨識率見表4。

        2.2.3 不同故障辨識模型辨識準(zhǔn)確率對比

        為了客觀評價該故障辨識模型的準(zhǔn)確率,對其設(shè)置2個對照組辨識模型,分別為VMD-GRU(通過VMD進(jìn)行數(shù)據(jù)預(yù)處理,再由GRN完成故障辨識)、EMD-GRU(通過EMD提取故障特征,再由GRN完成故障辨識)。其中,EMD為經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition)。將模型訓(xùn)練數(shù)據(jù)設(shè)置為40、50、60、70、80、90、100組,再以相同的數(shù)據(jù)完成故障檢測,對比不同訓(xùn)練程度的故障辨識準(zhǔn)確率,結(jié)果如圖3所示。由數(shù)據(jù)可知,此次設(shè)計的故障辨識模型具有最高的準(zhǔn)確率。

        3 結(jié)語

        S-GRN故障辨識模型融合了孿生神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元,將后者作為孿生神經(jīng)網(wǎng)絡(luò)的子網(wǎng)絡(luò)。在模型訓(xùn)練階段,采集輸電線路4種短路故障的電壓數(shù)據(jù),利用VMD方法將原始數(shù)據(jù)轉(zhuǎn)化為故障特征向量,作為故障辨識模型的輸入數(shù)據(jù)。

        IKH算法具有優(yōu)異的尋優(yōu)功能,以該算法為基礎(chǔ),對S-GRU的權(quán)值參數(shù)進(jìn)行優(yōu)化,使其達(dá)到最佳的故障辨識效果。

        根據(jù)MATLAB的仿真結(jié)果,此次建立的故障辨識模型在不同故障距離或者不同過渡電阻條件下,均能有效辨識4種接地故障,并且準(zhǔn)確率不低于96.25%。說明基于IKH優(yōu)化S-GRU的輸電線路故障辨識模型具有較高的工程應(yīng)用價值。

        參考文獻(xiàn)

        [1]王子康.輸電線路故障預(yù)測與智能診斷方法[J].儀器儀表標(biāo)準(zhǔn)化與計量,2024(2):36-38,48.

        [2]楊東寧,高雪林,師智良,等.基于變分模態(tài)分解和長短期記憶網(wǎng)絡(luò)的輸電線路故障診斷[J].電子器件,2024,47(3):772-779.

        [3]趙巖,孫江山.改進(jìn)梯度提升樹算法的輸電線路故障識別[J].黑龍江科技大學(xué)學(xué)報,2024,34(2):310-316.

        [4]湯同峰,王峰,蔡德勝.基于小波分析的輸電線路故障識別檢測[J].電子設(shè)計工程,2024,32(1):73-76,81.

        [5]趙妍,王澤通,邢士標(biāo),等.基于CNN-BiGRU的高壓直流輸電線路故障識別[J].吉林電力,2024,52(1):29-34,39.

        [6]邢超,魏榮智,奚鑫澤,等.基于GRU的特高壓三端混合直流輸電線路故障區(qū)域識別方法[J].電力系統(tǒng)保護(hù)與控制,2023,51(10):98-109.

        猜你喜歡
        輸電線路
        淺談輸電線路工程施工要求
        輸電線路運行維護(hù)與狀態(tài)檢修技術(shù)
        輸電線路舞動分析與合理防治方式初探
        電力工程輸電線路施工技術(shù)研究
        山火預(yù)警技術(shù)在輸電線路的應(yīng)用現(xiàn)狀
        智能化平臺在輸電線路運檢方面的作用分析
        加強輸電線路運維管理降低線路跳閘率技術(shù)及管理措施
        輸電線路運行事故及其解決對策
        高壓輸電線路防雷接地技術(shù)與措施
        110kV架空輸電線路防雷措施研究
        亚洲av永久综合网站美女| 久久久www成人免费无遮挡大片| 日韩欧美一区二区三区中文精品| 久久亚洲AV无码一区二区综合| 亚洲综合小综合中文字幕| 日本丰满少妇xxxx| 国产成人精品一区二区三区免费 | 四虎成人精品国产永久免费无码 | 国产在线播放免费人成视频播放| 精品国产亚洲av麻豆| 国产女厕偷窥系列在线视频| 精品国产高清自在线99| 日本一区二区久久精品亚洲中文无 | 国产精品麻豆A啊在线观看| 久久综合五月天啪网亚洲精品| 欧美黑人又粗又大xxxx| 国产自国产在线观看免费观看| 91久久国产情侣真实对白| 精品人妻码一区二区三区红楼视频 | 伊人精品在线观看| 国产一区二区毛片视频| 久久精品中文少妇内射| 少妇人妻偷人精品免费视频| 久久国产影视免费精品| 亚洲国产精品成人一区二区在线| av无码电影一区二区三区| a在线观看免费网站大全| 成人免费丝袜美腿视频| 国产精品成人一区二区不卡| 成人无码α片在线观看不卡| 欧美黄色免费看| 加勒比特在线视频播放| 亚洲国产精品无码久久一区二区| 欧产日产国产精品精品| 亚洲无线码一区在线观看| 亚洲熟女乱一区二区三区| 亚洲精品白浆高清久久久久久| 欧美精品久久久久久久自慰| 国产一级黄色av影片| 国产人妻熟女高跟丝袜| 免费无码黄动漫在线观看|