基于改进残差网络的输电线路雷击过电压识别研究

doi:10.16088/j.issn.1001-6600.2022083101

摘要/Abstract

摘要： 为进一步提升高压输电线路在运行与维护过程中的过电压类型识别准确率,本文提出一种改进残差网络(residual network,ResNet)的输电线路雷击过电压识别方法。对传统ResNet-50网络的改进包含以下3个方面:首先,将7×7卷积核替换为3个3×3卷积核, 以提高网络的特征提取能力;然后,将传统ResNet-50网络的ReLU激活函数替换为ReLU-Softplus激活函数,提高网络的收敛速度;接着,调整ResNet-50网络结构,以强化批标准化的作用。最后,结合迁移学习和改进残差网络构建输电线路雷击过电压识别模型。实验结果表明,改进残差网络在第70步收敛,识别精度为97.25%,识别准确率和收敛速度均优于其他模型。

关键词: 雷击过电压, 深度学习, 迁移学习, 残差网络, ResNet-50网络

Abstract: To further improve the accuracy of over-voltage type identification during the operation and maintenance of high-voltage transmission lines, this paper proposes an improved Residual Network (ResNet) method for lightning over-voltage identification of transmission lines. The improvement of the traditional ResNet-50 network includes the following three aspects. Firstly, the 7×7 convolution kernel is replaced by three 3 × 3 convolution kernels to improve the feature extraction ability of the network. Secondly, the ReLU activation function of the traditional ResNet-50 network is replaced by the ReLU-Softplus activation function to improve the convergence speed of the network. Then, adjust the ResNet-50 network structure to enhance the role of batch standardization. Finally, a lightning overvoltage identification model of transmission lines is constructed by combining transfer learning and improved residual network. The experimental results show that the improved residual network converges in the 70th step and the recognition accuracy is 97.25%. The recognition accuracy and convergence speed are better than other models.

Key words: lightning overvoltage, deep learning, transfer learning, residual network, ResNet-50 network

中图分类号: TM863; TP183

蒋懿波, 刘会家, 吴田. 基于改进残差网络的输电线路雷击过电压识别研究[J]. 广西师范大学学报（自然科学版）, 2023, 41(4): 74-83.

JIANG Yibo, LIU Huijia, WU Tian. Research on Identification of Lightning Overvoltage in Transmission Line by Improved Residual Network[J]. Journal of Guangxi Normal University(Natural Science Edition), 2023, 41(4): 74-83.

参考文献

[1] 朱宽军,徐鸿.考虑风速时空分布特性的高压输电塔-线体系风致响应分析研究[J].中国电机工程学报,2019,39(8):2348-2356. DOI: 10.13334/j.0258-8013.pcsee.190447.
[2] ZHANG Q, CHEN W Y. Modeling China’s interprovincial electricity transmission under low carbon transition[J]. Applied Energy, 2020, 279: 115571. DOI: 10.1016/j.apenergy.2020.115571.
[3] 司马文霞, 杨庆, 李永福, 等. 输电线路雷电绕击评估方法分析及展望[J].高电压技术,2015,41(8):2500-2513. DOI: 10.13336/j.1003-6520.hve.2015.08.004.
[4] 胡京, 张敦晶, 周龙武, 等. 考虑雷击过电压分布特性的特高压直流线路避雷器装设策略研究[J].电瓷避雷器,2022(4):177-184. DOI: 10.16188/j.isa.1003-8337.2022.04.022.
[5] 肖宏峰, 罗日成, 黄军, 等. 基于多重雷击的超高压输电线路雷过电压分析[J].高压电器,2022,58(8):245-251. DOI: 10.13296/j.1001-1609.hva.2022.08.030.
[6] 廖民传, 蔡汉生, 贾磊, 等. 基于雷击特性的配网避雷器可靠性与经济性研究[J].南方电网技术,2017,11(6):22-28. DOI: 10.13648/j.cnki.issn1674-0629.2017.06.004.
[7] 缪希仁, 林瑞聪. 基于关联维数与极端学习机的高压输电线路雷击过电压故障识别[J].高电压技术,2016,42(5):1519-1526. DOI: 10.13336/j.1003-6520.hve.20160412032.
[8] ASMAN S H, ABIDIN A F, YUSOH M A T M, et al. Identification of transient overvoltage using discrete wavelet transform with minimised border distortion effect and support vector machine[J]. Results in Engineering, 2022, 13: 100311. DOI: 10.1016/j.rineng.2021.100311.
[9] WANG J H, HUANG Z, LENG Y, et al. Identification technology of substation lightning overvoltage based on wavelet transform research and application[C]//2020 5th Asia Conference on Power and Electrical Engineering (ACPEE). Piscataway, NJ: IEEE, 2020: 1746-1750. DOI: 10.1109/ACPEE48638.2020.9136291.
[10] 杜林, 戴斌, 司马文霞, 等. 架空输电线路雷电过电压识别[J].高电压技术,2010,36(3):590-597. DOI: 10.13336/j.1003-6520.hve.2010.03.018.
[11] YANG J P, YANG S B, SONG K J, et al. Research on overvoltage identification method of EMUs high voltage electrical system based on deep learning[C]//2021 IEEE 4th Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC). Piscataway, NJ: IEEE, 2021: 1985-1990. DOI: 10.1109/IMCEC51613.2021.9482387.
[12] GUO X F, ZHAO Q N, ZHENG D, et al. A short-term load forecasting model of multi-scale CNN-LSTM hybrid neural network considering the real-time electricity price[J]. Energy Reports, 2020, 6(Supplement 9): 1046-1053. DOI: 10.1016/j.egyr.2020.11.078.
[13] 韩欣月, 邓长征, 付添, 等. 基于MWOA-Elman神经网络的接地网瞬变电磁缺陷识别[J/OL].广西师范大学学报(自然科学版):1-13[2022-10-16].https://kns.cnki.net/kcms/detail/detail.aspx?FileName=GXSF20220916000&DbName=CA PJ2022. DOI: 10.16088/j.issn.1001-6600.2022061901.
[14] 马新娜, 赵猛, 祁琳. 基于卷积脉冲神经网络的故障诊断方法研究[J].广西师范大学学报(自然科学版),2022,40(3):112-120. DOI: 10.16088/j.issn.1001-6600.2021070808.
[15] JAWAD M, NADEEM M S A, SHIM S O, et al. Machine learning based cost effective electricity load forecasting model using correlated meteorological parameters[J]. IEEE Access, 2020, 8: 146847-146864. DOI: 10.1109/ACCESS.2020.3014086.
[16] 龙干, 黄媚, 方力谦, 等. 基于改进多元宇宙算法优化ELM的短期电力负荷预测[J].电力系统保护与控制,2022,50(19):99-106. DOI: 10.19783/j.cnki.pspc.211708.
[17] GANAIE M A, HU M H, MALIK A K, et al. Ensemble deep learning: a review[J]. Engineering Applications of Artificial Intelligence, 2022, 115: 105151. DOI: 10.1016/j.engappai.2022.105151.
[18] 张明宇, 赵猛, 蔡夫鸿, 等. 基于深度学习的波浪能发电功率预测[J].广西师范大学学报(自然科学版),2020,38(3):25-32. DOI: 10.16088/j.issn.1001-6600.2020.03.004.
[19] LAWRENCE S, GILES C L, TSOI A C, et al. Face recognition: a convolutional neural-network approach[J]. IEEE Transactions on Neural Networks, 1997, 8(1): 98-113. DOI: 10.1109/72.554195.
[20] 蔡靖, 杜佳辰, 王庆, 等. 基于VGG16网络的人脸情绪识别[J].电子技术应用,2022,48(1):67-70,75. DOI: 10.16157/j.issn.0258-7998.211516.
[21] 赵运祥. 基于特征融合与深度神经网络的心电图分类方法研究[D].济南:齐鲁工业大学,2021. DOI: 10.27278/d.cnki.gsdqc.2021.000008.
[22] 石琪. 基于卷积神经网络图像分类优化算法的研究与验证[D].北京:北京交通大学,2017.
[23] SALIH T A, ALI A J, AHMED M N. Deep learning convolution neural network to detect and classify tomato plant leaf diseases[J]. Open Access Library Journal, 2020, 7(5): e6296. DOI: 10.4236/oalib.1106296.
[24] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[EB/OL]. (2014-09-04)[2022-10-16]. https://doi.org/10.48550/arXiv.1409.1556. DOI: 10.48550/arXiv.1409.1556.
[25] 陈铿. 基于时频分析与深度学习的交流输电线路雷击波形识别研究[D].广州:华南理工大学,2020.

相关文章 15

[1]	杨烁祯, 张珑, 王建华, 张恒远. 声音事件检测综述[J]. 广西师范大学学报（自然科学版）, 2023, 41(2): 1-18.
[2]	王鲁娜, 杜洪波, 朱立军. 基于流形正则的堆叠胶囊自编码器优化算法[J]. 广西师范大学学报（自然科学版）, 2023, 41(2): 76-85.
[3]	牛学德, 高丙朋, 任荣荣, 徐明明. 基于轻量级CNN的作物病虫害识别及安卓端应用[J]. 广西师范大学学报（自然科学版）, 2022, 40(6): 59-68.
[4]	田晟, 宋霖. 基于CNN和Bagging集成的交通标志识别[J]. 广西师范大学学报（自然科学版）, 2022, 40(4): 35-46.
[5]	万黎明, 张小乾, 刘知贵, 宋林, 周莹, 李理. 基于高效通道注意力的UNet肺结节CT图像分割[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 66-75.
[6]	张萍, 徐巧枝. 基于多感受野与分组混合注意力机制的肺结节分割研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 76-87.
[7]	李永杰, 周桂红, 刘博. 基于YOLOv3模型的人脸检测与头部姿态估计融合算法[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 95-103.
[8]	吴军, 欧阳艾嘉, 张琳. 基于多头注意力机制的磷酸化位点预测模型[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 161-171.
[9]	闫龙川, 李妍, 宋浒, 邹昊东, 王丽君. 基于Prophet-DeepAR模型的Web流量预测[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 172-184.
[10]	路凯峰, 杨溢龙, 李智. 一种基于BERT和DPCNN的Web服务分类方法[J]. 广西师范大学学报（自然科学版）, 2021, 39(6): 87-98.
[11]	吴玲玉, 蓝洋, 夏海英. 基于卷积神经网络的眼底图像配准研究[J]. 广西师范大学学报（自然科学版）, 2021, 39(5): 122-133.
[12]	陈文康, 陆声链, 刘冰浩, 李帼, 刘晓宇, 陈明. 基于改进YOLOv4的果园柑橘检测方法研究[J]. 广西师范大学学报（自然科学版）, 2021, 39(5): 134-146.
[13]	杨州, 范意兴, 朱小飞, 郭嘉丰, 王越. 神经信息检索模型建模因素综述[J]. 广西师范大学学报（自然科学版）, 2021, 39(2): 1-12.
[14]	邓文轩, 杨航, 靳婷. 基于注意力机制的图像分类降维方法[J]. 广西师范大学学报（自然科学版）, 2021, 39(2): 32-40.
[15]	薛涛, 丘森辉, 陆豪, 秦兴盛. 基于经验模态分解和多分支LSTM网络汇率预测[J]. 广西师范大学学报（自然科学版）, 2021, 39(2): 41-50.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed