Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Abstract: El reconocimiento causado por las caídas de tensión es la base para formular
planes de gobernanza y aclarar las responsabilidades de accidentes La diversificación de
equipos de redes inteligentes, la generación de energía conectada a la red de nuevas fuentes
de energía y la La diferenciación regional de los modos de consumo de energía plantea
nuevos desafíos a los métodos tradicionales. En este estudio, un método Se propone un
modelo híbrido basado en el aprendizaje profundo. La red neuronal convolucional se utiliza
para recibir de manera flexible el voltaje después Transformación bidimensional, para
obtener automáticamente las series de tiempo y las características espaciales de la caída de
tensión. señales. La red de creencias profundas se utiliza para reemplazar las capas
completamente conectadas en la red neuronal convolucional, por lo tanto mejorar la
capacidad de clasificación de etiquetas múltiples del modelo. Los parámetros obtenidos por
el entrenamiento no supervisado del Los codificadores automáticos de eliminación de ruido
dispersos apilados se utilizan para inicializar el peso de la red de creencias profundas,
mejorando así la velocidad de convergencia y rendimiento anti-ruido del modelo.
Entrenamiento iterativo y pruebas repetidas de la red utilizando Los datos de simulación
preprocesados y los datos reales registrados verifican la alta precisión de reconocimiento y
el fuerte rendimiento antirruido del modelo híbrido. En comparación con los métodos
tradicionales, el modelo híbrido también tiene una buena capacidad de generalización y
puede ser aplicado eficazmente en la ingeniería práctica.
Introducción: La caída de voltaje es una perturbación a corto plazo que el valor RMS de
punto más bajo, comienza la recuperación. Se necesita mucho tiempo para recuperarse y
punto. Del mismo modo, cuando los grandes motores de inducción y transformadores
El modelo CNN está preentrenado por los datos de la señal de caída de voltaje etiquetados
para
eliminar el ruido de las capas del codificador automático (SDAE) en el modelo SSDAE, y
capa en DBN. Luego use los datos de salida de las capas convolucionales
para realizar un entrenamiento previo sin supervisión y un ajuste fino general del
Modelo DBN después de la inicialización del peso, de modo que los parámetros de
Dado que la señal de caída de voltaje tiene una gran periodicidad, la muestra
Fig. 3.
Figura 4.
intervalo [70, 185], de modo que el contraste sea más débil que el normal
hora. En el mapa 2D, el color es más claro que la parte normal. los
La estructura única hace que la red tenga una alta tolerancia a la distorsión.
se compone principalmente de dos capas de convolución C1, C2, dos agrupaciones capas
P1, P2y tres capas FC1 completamente conectadas, FC2, FC3,
que se utilizan para procesar los datos de entrada de tamaño 24px * 24px * 3
Se han realizado numerosas pruebas empíricas para averiguar la La arquitectura CNN más
apropiada asociada con el mejor rendimiento de extremo a extremo para el aprendizaje de
la función de hundimiento y el reconocimiento de hundimiento.
propagación hacia adelante y propagación hacia atrás (BP) [25]. Supongamos que
donde f (·) toma la función de activación de ReLU. Para un conjunto {(x(1), y (1)), ...,
(x(metro), y (metro))} que contiene m muestras, la función de costo general del modelo de
CNN se muestra a continuación.
donde λ es el parámetro de atenuación de peso, nl es el numero de capas y s es el número
de nodos en la capa de red l. En el caso de BP, los parámetros de cada capa son
actualizados por el lote método de descenso de gradiente para minimizar la función de
costo, como se muestra debajo de donde α es la tasa de aprendizaje. Cuando el error de
costo de la red se minimiza la estructura, se obtiene un modelo CNN previamente
entrenado.
entrena el primer RBM para obtener una capa oculta adecuada y utiliza el
es obtenido.
3.4 modelado SSDAE
tal interferencia de ruido, estimando así la entrada original. Este método de entrenamiento
puede reducir efectivamente la sensibilidad del
red a la señal de entrada y hacer que las funciones aprendidas sean más
modelo para datos de entrada [29]. Para ser coherente con la DBN,
∼, x2∼, x3. . . x∼) representa los datos de entrada con ruido aleatorio, H representa el capa
oculta. La definición de función de costo de SDAE es como se muestra abajo.
el entrenamiento establece datos de sobreajuste y hace que el modelo sea más amplio
sin supervisión utilizando los datos de la señal sin etiquetar, luego el segundo
para el entrenamiento del modelo híbrido, este trabajo obtiene principalmente datos
El nivel de tensión está configurado como 110 / 10,5 / 0,4 kV; F es la culpa
cada uno de la falla de cortocircuito de tierra monofásica C1, El grandearranque del motor
de inducción C2, el transformador de conmutación C3, elcaída de tensión de varios niveles
C4, el cortocircuito de tierra monofásico Fallo combinado con el motor de inducción
grande que arranca C5, el Fallo de cortocircuito a tierra monofásico combinado con el
transformador de conmutación C6 y el gran motor de inducción que arranca
combinado con el transformador de conmutación C7 cuales son los siete tipos de causas de
caída de voltaje.
Dado que el tamaño de la interfaz de entrada del modelo CNN integrado en este
puntos para cada conjunto de datos de muestra. Al mismo tiempo, porque hay
deslice siete pasos hacia adelante para obtener una muestra de datos de tamaño 576 × 7,
la robustez del modelo. Dado que los datos de campo se verán afectados por el ruido, este
documento también superpone el ruido blanco gaussiano con una relación señal / ruido de
estación de trabajo con una CPU Intel i7 a 3,40 GHz, 48 GB de RAM y una
precisión (RA) del conjunto de pruebas como objetivo de la búsqueda de cuadrícula. Los
datos del proceso de búsqueda se muestra en la Tabla 2.
Con el fin de Asegúrese de que el resultado del reconocimiento sea intuitivo y fácil de
idea de este artículo, el experimento primero utiliza los datos del conjunto de entrenamiento
de
refleja la buena capacidad de procesamiento del modelo CNN para datos 2D,
pero es necesario mejorar el RA. El experimento luego fija los parámetros del
convolucional capa del modelo CNN, y utiliza los datos de salida del conjunto de
entrenamiento a través de la capa convolucional para realizar un entrenamiento sin
supervision en el modelo SSDAE y obtener los parámetros de la
capa de cada modelo SDAE. Luego usa estos parámetros para inicializar
el peso del modelo DBN y completar el entrenamiento previo sin supervisión de cada capa
de RBM y el ajuste fino general del DBN modelo. Como se muestra en la Fig.12, a medida
que aumenta el número de iteraciones, el RA del modelo DBN inicializado por el peso del
modelo SDAE
aumenta rápidamente y las fluctuaciones locales se ralentizan, y la
de las capas de RBM en el modelo DBN se migran, y todo La red se supervisa y ajusta con
los datos del conjunto de entrenamiento. Como mostrado en la Fig.13, con el aumento del
número de iteraciones, el RA del modelo generado aumenta rápidamente y el local
rápidamente y tiende a ser estable. El RA del modelo final generado tiende a ser del 99%.
En comparación con el RA del preentrenamiento del modelo CNN, el RA del modelo
híbrido ha mejorado enormemente.
En este experimento, el Los datos del conjunto de prueba se utilizaron para realizar una
validación cruzada de cuatro veces en el modelo generado. Los resultados de la
clasificación se muestran en la Tabla 4.Se puede ver que la tasa de reconocimiento
promedio de los solteros y caídas de voltaje compuesto para un procesamiento silencioso es
del 99,4%, y el La fracción de error de etiqueta (fuga) es de 1,2% en promedio. El
experiment también realiza entrenamiento iterativo en la red construida bajo
Mejorar el rendimiento anti-ruido del modelo. El experimento superpone aún más el ruido
blanco gaussiano con una relación señal-ruido de 40, 30 y 20 dB en el equipo de
entrenamiento, y utiliza los datos para llevar a cabo una formación incremental supervisada
aprendizaje incremental.
Los datos de medición en Este documento se deriva de los eventos de caída de voltaje
reales capturados por el sistema de información inteligente de la calidad de la energía de la
compañía eléctrica. Específicamente de Beijing, Shanghai, Guangzhou, Xiamen, Shanxi
El conjunto de datos utilizado en este trabajo consta de 3508 eventos de caída de tensión.
las siete clases. En el conjunto de datos, los eventos causados por una sola caída de voltaje
provocan son dominantes, pero los eventos de la caída de tensión compuesta provocan
la calidad de los datos reales no es tan perfecta como la de los datos de simulación
migra todos los parámetros después del entrenamiento de datos de simulación, ya que
valor inicial de la red. Entonces, la red es iterative incremental entrenado con los datos
medidos, mejorando la validez y rendimiento de reconocimiento del modelo en los datos
medidos. Para evaluar más a fondo el desempeño del esquema propuesto en
Puede verse en la tabla que el método puede reconocer un total de 3508 datos registrados,
que verifican eficazmente la robustez del modelo híbrido a la completa e incompleta
red neuronal.
mismos conjuntos de datos. Sin embargo, tales comparaciones son muy difíciles ya que
Los primeros trabajos sobre el reconocimiento de caídas de tensión rara vez utilizan
grandes conjuntos de datos. También es difícil encontrar sistemas con el mismo tipo y
número de clases como el sistema propuesto. Por tanto, las comparaciones seleccionadas en
este parte sólo puede servir como una indicación de rendimiento relativo, en lugar de
que la comparación absoluta. Como se muestra en la Tabla 8, en comparación con el
tradicional métodos de investigación, el RA del modelo propuesto de la tensión única
las causas del hundimiento son mayores. Como se muestra en la Tabla 9, en comparación
con el tradicional métodos de investigación, el método propuesto logra mejores resultados
para el RA de la caída de tensión compuesta provoca. Mientras tanto, el
Los métodos utilizan métodos manuales para extraer las características físicas de las señales
y la estructura de red construida en este documento. puede aprender y extraer de forma
independiente los parámetros característicos de las señales de caída de tensión, evitando la
pérdida de información del proceso de extracción de características artificiales. El modelo
generado también tiene mejor rendimiento anti-ruido y capacidad de generalización, y
puede ser aplicado eficazmente al sistema de energía.
5. Conclusión
causas.