基于卷积神经网络的交直流输电系统故障诊断

张大海; 张晓炜; 孙浩; 和敬涵

doi:10.7500/AEPS20210201006

您当前的位置：

首页 >

文章列表页 >

基于卷积神经网络的交直流输电系统故障诊断

研制与开发 | 更新时间：2025-06-16

- 基于卷积神经网络的交直流输电系统故障诊断
- Fault Diagnosis for AC/DC Transmission System Based on Convolutional Neural Network
- 电力系统自动化 2022年46卷第5期页码：132-140
- 作者机构：
  
  1.北京交通大学电气工程学院，北京市 100044
  2.国网山西省电力公司长治供电公司，山西省长治市 046000
- 作者简介：
  
  张大海(1973—)，男，通信作者，博士，副教授，主要研究方向：智能电网、电力系统继电保护等。E-mail：dhzhang1@bjtu.edu.cn
  张晓炜(1996—)，女，硕士研究生，主要研究方向：电网故障诊断。E-mail：19121530@bjtu.edu.cn
  孙浩(1996—)，男，硕士研究生，主要研究方向：深度学习、电网故障诊断。E-mail：1245815572@qq.com
- 基金信息：
  
  国家重点研发计划资助项目(2016YFB0900600)
- DOI：10.7500/AEPS20210201006
  中图分类号：
- 收稿：2021-02-01，
  
  修回：2021-09-15，
  
  网络出版：2022-01-04，
  
  纸质出版：2022-03-10
- 稿件说明：
移动端阅览
张大海,张晓炜,孙浩等.基于卷积神经网络的交直流输电系统故障诊断[J].电力系统自动化,2022,46(5):132-140.

ZHANG Dahai,ZHANG Xiaowei,SUN Hao,et al.Fault Diagnosis for AC/DC Transmission System Based on Convolutional Neural Network[J].Automation of Electric Power Systems,2022,46(5):132-140.
张大海,张晓炜,孙浩等.基于卷积神经网络的交直流输电系统故障诊断[J].电力系统自动化,2022,46(5):132-140. DOI： 10.7500/AEPS20210201006.

ZHANG Dahai,ZHANG Xiaowei,SUN Hao,et al.Fault Diagnosis for AC/DC Transmission System Based on Convolutional Neural Network[J].Automation of Electric Power Systems,2022,46(5):132-140. DOI： 10.7500/AEPS20210201006.

摘要

随着交直流输电系统规模的不断扩大，电网结构和故障特征愈加复杂，现有故障诊断方法面对复杂电网和超大数据量时难以精准提取故障特征，急需适应性强且准确率高的电网故障诊断方法。为此提出一种基于卷积神经网络（CNN）的电网故障诊断方法。首先，通过逐层筛选、逐层增叠的网络构造方式逐步测试，其目的是为了构建充分适应于电网故障诊断的网络结构；然后，利用网络层级优化策略调整训练参数，并以交叉熵最小为目标对深层故障特征进行挖掘；最后，在MATLAB/Simulink平台上搭建交直流输电系统模型，结合

分布随机邻域嵌入（

-SNE）可解释性技术展示诊断效果，通过与传统方法对比证明所提方法能够深度挖掘故障特征且具备很高的诊断准确率。

Abstract

With the continuous expansion of the scale of AC/DC transmission systems

the power grid structure and fault characteristics become more and more complex. The existing fault diagnosis methods confront difficulty in accurately extracting fault characteristics in the face of complex power grid and large amount of data. There is an urgent need for power grid fault diagnosis methods with strong adaptability and high accuracy. Therefore

a convolutional neural network (CNN) based power grid fault diagnosis method is proposed. Firstly

it is tested step by step through the network construction mode of layer-by-layer screening and layer-by-layer superposition to build a network structure fully suitable for power grid fault diagnosis. Then

the network level optimization strategy is used to adjust the training parameters

and the deep fault features are mined with the goal of minimizing the cross entropy. Finally

the AC/DC transmission system model is built on MATLAB/Simulink platform

combined with

-distributed stochastic neighbor embedding (

-SNE) interpretability technology to show the diagnosis effect. Compared with traditional methods

it is proven that the proposed method can deeply mine fault characteristics and has high diagnosis accuracy.

关键词

Keywords

references

董新洲，汤涌，卜广全，等 . 大型交直流混联电网安全运行面临的问题与挑战［J］. 中国电机工程学报， 2019 ， 39 （ 11 ）： 3107 - 3119 .

DONG Xinzhou ， TANG Yong ， BU Guangquan ， et al . Confronting problem and challenge of large scale AC-DC hybrid power grid operation ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 11 ）： 3107 - 3119 .

宋金钊，李永丽，曾亮，等 . 高压直流输电系统换相失败研究综述［J］. 电力系统自动化， 2020 ， 44 （ 22 ）： 2 - 13 .

SONG Jinzhao ， LI Yongli ， ZENG Liang ， et al . Review on commutation failure of HVDC transmission system ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 22 ）： 2 - 13 .

刘仲民，呼彦喆，张鑫 . 电网故障智能诊断技术研究综述［J］. 南京师大学报（自然科学版）， 2019 ， 42 （ 3 ）： 138 - 144 .

LIU Zhongmin ， HU Yanzhe ， ZHANG Xin . Research review on intelligent fault diagnosis technology of power grid ［J］. Journal of Nanjing Normal University （Natural Science Edition）， 2019 ， 42 （ 3 ）： 138 - 144 .

CHEN W H . Online fault diagnosis for power transmission networks using fuzzy digraph models ［J］. IEEE Transacations on Power Delivery ， 2012 ， 27 （ 2 ）： 688 - 698 .

张岩，张勇，文福拴，等 . 融合信息理论的电力系统故障诊断解析模型［J］. 电力自动化设备， 2014 ， 34 （ 2 ）： 158 - 164 .

ZHANG Yan ， ZHANG Yong ， WEN Fushuan ， et al . Analytical model for power system fault diagnosis integrated with information theory ［J］. Electric Power Automation Equipment ， 2014 ， 34 （ 2 ）： 158 - 164 .

李一泉，焦邵麟，曾耿晖，等 . 基于贝叶斯网络的电网复杂故障推演新方法［J］. 电力系统保护与控制， 2020 ， 48 （ 4 ）： 57 - 63 .

LI Yiquan ， JIAO Shaolin ， ZENG Genghui ， et al . A new method to deduce complex fault of power grid based on Bayesian network ［J］. Power System Protection and Control ， 2020 ， 48 （ 4 ）： 57 - 63 .

赖宏毅，汪旸，杨雯，等 . 基于事件起点的层次化时序Petri网及其电网故障诊断方法［J］. 电力自动化设备， 2018 ， 38 （ 2 ）： 201 - 209 .

LAI Hongyi ， WANG Yang ， YANG Wen ， et al . Hierarchical temporal Petri net based on event-starting point and its fault diagnosis method of power grid ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 2 ）： 201 - 209 .

宁剑，任怡睿，林济铿，等 . 基于人工智能及信息融合的电力系统故障诊断方法［J］. 电网技术， 2021 ， 45 （ 8 ）： 2925 - 2936 .

NING Jian ， REN Yirui ， LIN Jikeng ， et al . Power system fault diagnosis based on artificial intelligence and information fusion ［J］. Power System Technology ， 2021 ， 45 （ 8 ）： 2925 - 2936 .

RESHMILA S ， DEVANATHAN R . Diagnosis of power system failures using observer based discrete event system ［C］// 2016 IEEE First International Conference on Control， Measurement and Instrumentation （CMI）， January 8-10 ， 2016 ， Kolkata， India .

韩迎春，童晓阳 . 基于动态推理链的电网故障诊断方法［J］. 电网技术， 2017 ， 41 （ 4 ）： 1315 - 1324 .

HAN Yingchun ， TONG Xiaoyang . Power system fault diagnosis based on dynamic reasoning chain ［J］. Power System Technology ， 2017 ， 41 （ 4 ）： 1315 - 1324 .

罗孝辉，童晓阳 . 计及可信度的变结构贝叶斯网络电网故障诊断［J］. 电网技术， 2015 ， 39 （ 9 ）： 2658 - 2664 .

LUO Xiaohui ， TONG Xiaoyang . Structure-variable Bayesian network for power system fault diagnosis considering credibility ［J］. Power System Technology ， 2015 ， 39 （ 9 ）： 2658 - 2664 .

白展，苗世洪，孙雁斌，等 . 计及时间约束的改进模糊Petri网故障诊断模型［J］. 电工技术学报， 2016 ， 31 （ 23 ）： 107 - 115 .

BAI Zhan ， MIAO Shihong ， SUN Yanbin ， et al . Fault diagnosis model based on improved fuzzy Petri net considering time constraints ［J］. Transactions of China Electrotechnical Society ， 2016 ， 31 （ 23 ）： 107 - 115 .

王守鹏，赵冬梅 . 电网故障诊断的研究综述与前景展望［J］. 电力系统自动化， 2017 ， 41 （ 19 ）： 164 - 175 .

WANG Shoupeng ， ZHAO Dongmei . Research review and prospects for power grid fault diagnosis ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 19 ）： 164 - 175 .

和敬涵，罗国敏，程梦晓，等 . 新一代人工智能在电力系统故障分析及定位中的研究综述［J］. 中国电机工程学报， 2020 ， 40 （ 17 ）： 5506 - 5516 .

HE Jinghan ， LUO Guomin ， CHENG Mengxiao ， et al . A research review on application of artificial intelligence in power system fault analysis and location ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 17 ）： 5506 - 5516 .

胡越，罗东阳，花奎，等 . 关于深度学习的综述与讨论［J］. 智能系统学报， 2019 ， 14 （ 1 ）： 1 - 19 .

HU Yue ， LUO Dongyang ， HUA Kui ， et al . Overview on deep learning ［J］. CAAI Transactions on Intelligent Systems ， 2019 ， 14 （ 1 ）： 1 - 19 .

丁石川，厉雪衣，杭俊，等 . 深度学习理论及其在电机故障诊断中的研究现状与展望［J］. 电力系统保护与控制， 2020 ， 48 （ 8 ）： 172 - 187 .

DING Shichuan ， LI Xueyi ， HANG Jun ， et al . Deep learning theory and its application to fault diagnosis of an electric machine ［J］. Power System Protection and Control ， 2020 ， 48 （ 8 ）： 172 - 187 .

ZHAO Zhongqiu ， ZHENG Peng ， XU Shoutao ， et al . Object detection with deep learning： a review ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2019 ， 30 （ 11 ）： 3212 - 3232 .

翁楦乔，文成林 . 基于深度特征聚类和RNN的电网故障诊断［J/OL］. 控制工程［ 2020-12-30 ］. https：//doi.org/10.14107/j.cnki.kzgc https://doi.org/10.14107/j.cnki.kzgc .

WENG Xuanqiao ， WEN Chenglin . Fault diagnosis of power grid based on deep feature clustering and recurrent neural network ［J/OL］. Control Engineering of China ［ 2020-12-30 ］. https：//doi.org/10.14107/j.cnki.kzgc https://doi.org/10.14107/j.cnki.kzgc .

王浩，杨东升，周博文，等 . 基于并联卷积神经网络的多端直流输电线路故障诊断［J］. 电力系统自动化， 2020 ， 44 （ 12 ）： 84 - 95 .

WANG Hao ， YANG Dongsheng ， ZHOU Bowen ， et al . Fault diagnosis of multi-terminal HVDC transmission line based on parallel convolutional neural network ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 12 ）： 84 - 95 .

宋国兵，张宇轩，张晨浩，等 . 换流站传递特性及其对交直流电网保护影响［J］. 清华大学学报（自然科学版）， 2021 ， 61 （ 5 ）： 465 - 477 .

SONG Guobing ， ZHANG Yuxuan ， ZHANG Chenhao ， et al . Converter station transmission characteristics for protecting hybrid AC/DC power grids ［J］. Journal of Tsinghua University （Science and Technology）， 2021 ， 61 （ 5 ）： 465 - 477 .

顾雪平，刘道兵，孙海新，等 . 面向SCADA系统的电网故障诊断信息的获取［J］. 电网技术， 2012 ， 36 （ 6 ）： 64 - 70 .

GU Xueping ， LIU Daobing ， SUN Haixin ， et al . Acquisition of power system fault diagnosis information from SCADA system ［J］. Power System Technology ， 2012 ， 36 （ 6 ）： 64 - 70 .

李洋麟，江全元，颜融，等 . 基于卷积神经网络的电力系统小干扰稳定评估［J］. 电力系统自动化， 2019 ， 43 （ 2 ）： 50 - 59 .

LI Yanglin ， JIANG Quanyuan ， YAN Rong ， et al . Small-signal stability assessment of power system based on convolutional neural network ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 2 ）： 50 - 59 .

黄新波，胡潇文，朱永灿，等 . 基于卷积神经网络算法的高压断路器故障诊断［J］. 电力自动化设备， 2018 ， 38 （ 5 ）： 136 - 140 .

HUANG Xinbo ， HU Xiaowen ， ZHU Yongcan ， et al . Fault diagnosis of high-voltage circuit breaker based on convolution neural network ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 5 ）： 136 - 140 .

魏东，龚庆武，来文青，等 . 基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究［J］. 中国电机工程学报， 2016 ， 36 （增刊1 ）： 21 - 28 .

WEI Dong ， GONG Qingwu ， LAI Wenqing ， et al . Research on internal and external fault diagnosis and fault-selection of transmission line based on convolutional neural network ［J］. Proceedings of the CSEE ， 2016 ， 36 （ Supplement 1 ）： 21 - 28 .

余萍，曹洁 . 深度学习在故障诊断与预测中的应用［J］. 计算机工程与应用， 2020 ， 56 （ 3 ）： 1 - 18 .

YU Ping ， CAO Jie . Deep learning approach and its application in fault diagnosis and prognosis ［J］. Computer Engineering and Applications ， 2020 ， 56 （ 3 ）： 1 - 18 .

高昆仑，杨帅，刘思言，等 . 基于一维卷积神经网络的电力系统暂态稳定评估［J］. 电力系统自动化， 2019 ， 43 （ 12 ）： 18 - 26 .

GAO Kunlun ， YANG Shuai ， LIU Siyan ， et al . Transient stability assessment for power system based on one-dimensional concolutional neural network ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 12 ）： 18 - 26 .

PHIL K . Deep learning for beginners： with MATLAB examples ［M］. Beijing ： Beihang University Press ， 2017 .

CHEN L C ， PAPANDREOU G ， KOKKINOS I ， et al . DeepLab： semantic image segmentation with deep convolutional nets， atrous convolution， and fully connected CRFs ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2017 ， 40 （ 4 ）： 834 - 848 .

ZHU Wenbo ， WEBB Z T ， MAO Kaitian ， et al . A deep learning approach for process data visualization using T -distributed stochastic neighbor embedding ［J］. Industrial & Engineering Chemistry Research ， 2019 ， 58 （ 22 ）： 9564 - 9575 .

KUNDUR P . Power system stability and control ［M］. New York， USA ： McGraw-Hill Professional ， 2010 .

陈吉安 . 基于Leap Motion的动态手势识别［D］. 镇江：江苏科技大学， 2020 .

CHEN Ji’an . Dynamic gesture recognition based on the Leap Motion controller ［D］. Zhenjiang ： Jiangsu University of Science and Technology ， 2020 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

基于KAN的可解释净负荷概率预测方法

基于切换模型的直流微网集中式故障诊断方法

基于大语言模型的配电主站日志异常检测