【技術實現步驟摘要】
本專利技術涉及電力系統(tǒng)，尤其涉及基于注意力機制特征融合的換流站過電壓識別方法及系統(tǒng)。
技術介紹
1、換流站內過電壓是造成電氣設備絕緣損傷的主要因素，將嚴重威脅電網的安全穩(wěn)定運行。雷擊輸電線路產生的侵入波、切濾波器組斷路器分合閘操作、換流閥發(fā)生接地故障等各種原因都會引發(fā)危害換流站內電氣設備絕緣的過電壓，雷電過電壓會在短時間內急劇抬升，波頭上升時間極短；斷路器分合閘操作過電壓持續(xù)時間短，存在高頻振蕩；接地故障則會引起故障相電壓驟降，非故障相工頻電壓升高。研究各類過電壓產生的機理并識別其類型，有助于換流站有針對性地采取過電壓抑制措施，并為過電壓絕緣配合提供科學依據。
2、傳統(tǒng)的基于特征提取加分類器的過電壓識別方法所提取的特征量往往不能滿足多種復雜過電壓識別的需求，也無法實現對過電壓信號的自動辨識，仍需要專業(yè)人員進行分析處理。手動分析大量過電壓數據耗時且費力。此外，不同分析人員對過電壓的辨識標準難以統(tǒng)一，容易導致誤判。因此，研究換流站過電壓信號特征自提取和識別方法具有重大意義。
技術實現思路
1、基于
技術介紹
存在的技術問題，本專利技術提出了基于注意力機制特征融合的換流站過電壓識別方法及系統(tǒng)，提高了過電壓的識別正確率。
2、本專利技術提出的基于注意力機制特征融合的換流站過電壓識別方法，將電網換流站內過電壓數據預處理后輸入到已訓練完成的識別模型中，以輸出換流站內過電壓的分類識別；
3、所述識別模型的訓練過程如下：
4、步驟一、獲取換流站內過電壓樣
5、步驟二、對故障相電壓樣本數據依次通過傅里葉變換和一維卷積，以提取故障相電壓頻域特征，對零序電壓樣本數據進行依次通過傅里葉變換、s變換和二維卷積，以提取零序電壓時頻特征；
6、步驟三、基于通道注意力機制計算故障相電壓頻域特征的通道加權融合特征，基于空間注意力機制計算零序電壓時頻特征的空間加權融合特征，對通道加權融合特征和空間加權融合特征相加取均值得到終加權融合特征；
7、步驟四、將終加權融合特征壓縮成一維向量形式后輸入到分類網絡中進行過電壓的識別，輸出過電壓的分類識別結果，基于所輸出的分類識別結果構建損失函數，以調整識別模型中的模型參數。
8、進一步地，在步驟二中，故障相電壓頻域特征的生成過程如下：
9、；
10、；
11、；
12、其中：n為故障相電壓樣本數據的時間序列長度，為歸一化后的第個時間序列的故障相電壓樣本數據，，表示故障相電壓樣本數據通過傅里葉變換后的頻域結果，為虛數，表示傅里葉變換后的頻率分量的索引，，為第層的一維卷積核的個數，即通道數，為第層的第個通道和第層的第個通道的一維卷積核權重，表示第層第個通道的輸出向量，作為第層的輸入向量，為第層第個通道偏置項，符號代表一維卷積，代表relu激活函數，代表池化函數，為一維卷積第層的輸出結果，為一維卷積的卷積層數，為池化運算后的結果，作為故障相電壓頻域特征。
13、進一步地，在步驟二中，零序電壓時頻特征的生成過程如下：
14、；
15、；
16、；
17、其中：故障相電壓樣本數據的時間序列長度與零序電壓樣本數據的時間序列長度相等，n為故障相電壓樣本數據的時間序列長度或者零序電壓樣本數據的時間序列長度，為歸一化后的第個時間序列的零序電壓樣本數據，是的離散傅里葉變換后的頻域結果，為在時刻經過傅里葉變換后的頻域結果，表示s變換后的s矩陣，為s矩陣列對應的時間序列，為s矩陣行對應頻率分量的索引，；表示第層的二維卷積核的個數，即通道數，為第層的第個和第層的第個二維卷積核權重，表示第層第個通道的輸出向量，作為第層的輸入向量，為第層第個通道偏置項，符號代表二維卷積，代表relu激活函數，代表池化函數，為二維卷積第層的輸出結果，，為池化運算后的結果，作為零序電壓時頻特征。
18、進一步地，在步驟三中，通道加權融合特征的生成過程如下：
19、；
20、；
21、；
22、其中，是對故障相電壓頻域特征經全局平均池和最大池化操作拼接得到的初始權重向量，代表全局平均池化，代表全局平均池化；是通道注意力權重向量，為線性變換的權重矩陣，代表relu激活函數，為sigmoid?函數，將輸出值歸一化到[0,1]范圍。
23、進一步地，空間加權融合特征的生成過程如下：
24、；
25、；
26、；
27、其中，是對零序電壓時頻特征經全局平均池和最大池化操作拼接得到的權重向量，為線性變換的權重矩陣，為空間注意力權重向量；是加權融合后的零序電壓時頻特征。
28、基于注意力機制特征融合的換流站過電壓識別系統(tǒng)，將電網換流站內過電壓數據預處理后輸入到已訓練完成的識別模型中，以輸出換流站內過電壓的分類識別；
29、所述識別模型的訓練過程如下：
30、步驟一、獲取換流站內過電壓樣本數據并預處理，以構建訓練集，所述電壓樣本數據包括故障相電壓樣本數據和零序電壓樣本數據；
31、步驟二、對故障相電壓樣本數據依次通過傅里葉變換和一維卷積，以提取故障相電壓頻域特征，對零序電壓樣本數據進行依次通過傅里葉變換、s變換和二維卷積，以提取零序電壓時頻特征；
32、步驟三、基于通道注意力機制計算故障相電壓頻域特征的通道加權融合特征，基于空間注意力機制計算零序電壓時頻特征的空間加權融合特征，對通道加權融合特征和空間加權融合特征相加取均值得到終加權融合特征；
33、步驟四、將終加權融合特征壓縮成一維向量形式后輸入到分類網絡中進行過電壓的識別，輸出過電壓的分類識別結果，基于所輸出的分類識別結果構建損失函數，以調整識別模型中的模型參數。
34、本專利技術提供的基于注意力機制特征融合的換流站過電壓識別方法及系統(tǒng)的優(yōu)點在于：通過識別模型得到預測類別，不同于傳統(tǒng)的過電壓檢測分類方法，本實施例提出的識別模型分別對故障相電壓頻譜和零序電壓時頻矩陣進行局部特征提取，采用兩種維度的卷積模型提取特征和注意力機制特征融合來增強特征的關聯性，在避免數據維度劇增的基礎上，進行自動的特征增強和加權融合過程，實現對過電壓信號的正確識別，從而解決樣本數據量大、特征表現不明顯的問題，提高過電壓的識別正確率。
本文檔來自技高網...【技術保護點】
1.基于注意力機制特征融合的換流站過電壓識別方法，其特征在于，將電網換流站內過電壓數據預處理后輸入到已訓練完成的識別模型中，以輸出換流站內過電壓的分類識別；
2.根據權利要求1所述的基于注意力機制特征融合的換流站過電壓識別方法，其特征在于，在步驟二中，故障相電壓頻域特征的生成過程如下：
3.根據權利要求1所述的基于注意力機制特征融合的換流站過電壓識別方法，其特征在于，在步驟二中，零序電壓時頻特征的生成過程如下：
4.根據權利要求1所述的基于注意力機制特征融合的換流站過電壓識別方法，其特征在于，在步驟三中，通道加權融合特征的生成過程如下：
5.根據權利要求1所述的基于注意力機制特征融合的換流站過電壓識別方法，其特征在于，空間加權融合特征的生成過程如下：
6.基于注意力機制特征融合的換流站過電壓識別系統(tǒng)，其特征在于，將電網換流站內過電壓數據預處理后輸入到已訓練完成的識別模型中，以輸出換流站內過電壓的分類識別；
【技術特征摘要】
1.基于注意力機制特征融合的換流站過電壓識別方法，其特征在于，將電網換流站內過電壓數據預處理后輸入到已訓練完成的識別模型中，以輸出換流站內過電壓的分類識別；
2.根據權利要求1所述的基于注意力機制特征融合的換流站過電壓識別方法，其特征在于，在步驟二中，故障相電壓頻域特征的生成過程如下：
3.根據權利要求1所述的基于注意力機制特征融合的換流站過電壓識別方法，其特征在于，在步驟二中，零序電壓時頻特征的生成過程如下：...
【專利技術屬性】
技術研發(fā)人員：劉冬梅，朱鑫立，方鋮，肖彩虹，仝瑋，
申請(專利權)人：合肥工業(yè)大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。