CN103837784A - 一种hvdc系统换流母线外部故障的人工智能识别方法 - Google Patents

Abstract

本发明提供一种HVDC系统换流母线外部故障的人工智能识别方法。其特点是该方法利用小波变换多尺度分解算法，把系统故障信号分解到不同频段，以不同频段信号小波能量偏度作为故障诊断特征向量，再结合BP神经网络实现交流系统故障类型的准确识别。该方法与以往交流系统故障类型识别方法相比较，从能量分布的角度，只需对一个故障信号进行特征提取，不受系统运行方式的影响，操作简单，准确性好，可性度高。

Description

一种HVDC系统换流母线外部故障的人工智能识别方法

技术领域

本发明涉及一种HVDC系统换流母线外部故障的人工智能识别方法，属于高压直流输电领域。

背景技术

HVDC(高压直流)输电系统的运行受直流线路﹑换流器或交流系统故障的影响，为保证整个交直流系统安全、可靠地运行，需要在故障初期检测出故障的存在、故障类型及故障发生的位置。

交流系统故障对直流系统的影响是通过加在换流器上的换相电压的变化而起作用的。交流系统发生故障时，交流电压下降的速率、幅值及相位的变化都会对直流系统的运行造成影响。当逆变侧交流系统发生故障时，逆变站交流母线电压降低，从而使逆变器反电动势降低，直流电流增大，可能引起换相失败。某些情况下换相失败可能自行恢复，但连续换相失败可能引起直流输电系统闭锁，甚至危及整个系统稳定，造成更大危害。交直流混合运行系统中，电压崩溃和控制引发的电压振荡都会造成逆变器永久换相失败。

多馈入直流输电系统具有较大的输送容量和更为灵活的运行方式，因此换流站之间的相互作用对换相失败更为敏感，一个换流站的换相失败不但会引发本身直流系统的电压波动，还可能导致附近多个换流站发生换相失败，给交直流系统的稳定运行带来直接影响，甚至造成整个系统运行崩溃。及时准确的识别HVDC系统换流母线外部故障，采取有效措施，是保证系统安全稳定运行的前提。

发明内容

本发明为了解决以上不足，提供一种HVDC系统换流母线外部故障的人工智能识别方法。其特点是该方法利用小波变换多尺度分解算法，把系统故障信号分解到不同频段，以不同频段信号小波能量偏度作为故障诊断特征向量，再结合BP神经网络实现交流系统故障类型的准确识别。该方法与以往交流系统故障类型识别方法相比较，从能量分布的角度，只需对一个故障信号进行特征提取，不受系统运行方式的影响，操作简单，准确性好，可性度高。

本发明的目的由以下技术措施实现，一种HVDC系统换流母线外部故障的人工智能识别方法，包括以下步骤：

步骤1：利用小波变换多尺度分解算法，选定待研究的原始故障信号X；

步骤2：对信号进行一维离散小波分解与重构，得到不同尺度的高频分量和低频分量，利用所有尺度的高频分量和最大尺度的低频分量构成原始信号的小波能量偏度特征向量；

步骤3：对特征向量进行简化：通过比较各个候选特征对各种故障类的区别能力，从候选特征向量中选择部分特征系数组成故障特征矢量；

步骤4：在系统不同运行方式下，构造不同故障原因下的故障特征矢量矩阵，作为训练BP网络的样本输入量，把每个样本的故障特征进行故障编码，构成每个输入样本的网络目标输出，确定输入和输出后，进行训练，生成人工神经网络；

步骤5：采集故障信号作为待检信号，提取小波能量偏度特征向量，经简化后作为系统的特征参数，输入到训练好的神经网络，通过神经网络识别输出模式，完成HVDC系统换流母线外部故障类型的识别。

步骤2还包括以下步骤：

步骤201：采用小波变换对原始故障信号X进行J层一维离散小波分解，获得X各个尺度的小波变换系数d_j(k)，对小波系数进行重构，计算得到X的第J层低频分量A_JX和第j层高频分量D_jX(1≤j≤J)，这样，信号被分解为不同频率信号之和为：

$X=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{D}_j{X+A}_{J}X$

步骤202：根据各尺度小波变换系数d_j(k)，计算X在各个尺度下的能量E_j，N为对应序列的长度，由小波分解的层数，即尺度J和分析信号数据的长度共同决定；

$E_j=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{E}_j\left(k\right)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left|d_j\left(k\right)\right|}^2$

步骤203：计算信号X在各个尺度下的小波能量偏度，计算公式如下：

$S_j=\frac{N\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left\{\frac{(E_j\left(k\right)-{\stackrel{-}{E}}_j)}{{\mathrm{\σ}}_j}\right\}}^5}{(N-1)(N-2)}$

式中，

为信号在尺度j上的小波能量均值；σ_j为信号在尺度j上的小波能量方差；

步骤204：构造小波能量偏度特征向量S=[S_a S₁ S₂ S₃,…,S_J]，其中S_a为第J尺度的低频分量小波能量偏度值，S₁S₂S₃,…,S_J为1～J尺度上高频分量小波能量偏度值。

步骤3还包括以下步骤：

从候选特征向量S中，通过比较各个候选特征对各种故障类的区别能力，从中选择m个特征系数组成小波能量偏度故障特征矢量P_i=S_k，(i=1…m<J+1;k∈a,1,2…J)。

步骤5还包括以下步骤：

步骤501：待检信号的获取及处理：取某一故障信号作为待检信号，对信号进行去噪处理，构造其小波能量偏度故障特征矢量矩阵P作为神经网络NN的输入；

步骤502：确定神经网络输出：根据输入，确定神经网络识别对应的目标输出T；

步骤503：故障诊断：进入NN神经网络进行故障诊断，对输出结果T_out取整，得到与目标输出T相同的结果。

与现有技术相比，本发明的有益效果为：

从能量分布的角度，利用小波能量偏度进行HVDC系统换流母线外部故障特征提取，结合BP神经网络实现换流母线外部故障类型的准确识别。小波分析在时域和频域同时有良好的局部化性质，小波变换系数蕴含着各尺度和位置上的信息，有利于故障特征提取。小波能量偏度能很好的表征信号的能量分布情况，并且不受系统运行方式的影响，故障诊断时，只需采集表征故障状态的单一信号即可。同时，BP网络具有良好的模型分类能力，尤其适应于故障诊断方面的模式识别问题。该方法具有简单有效，准确性好，可信度高，易于实现等优点。

附图说明

图1为HVDC系统换流母线外部故障人工智能识别方法流程图。

图2为BP神经网络训练过程。

图3为待检信号波形。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书（包括任何附加权利要求、摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

实施例

结合图1，说明了HVDC系统换流母线外部故障人工智能识别方法流程图，具体过程是利用小波能量偏度进行HVDC系统换流母线外部故障特征提取，并结合BP神经网络实现换流母线外部故障类型的准确识别。

一、BP神经网络的构造

1.选择故障信号

当HVDC交流系统发生故障时，换相电压、直流电压、直流电流和触发角等电气量均会发生突变。本发明中，选用逆变侧直流电压U_d作为故障信号。

分别选取逆变侧交流系统在不同运行方式下发生N1，F1～F4故障时逆变侧直流电压信号U_d，作为神经网络的训练样本。其中，系统不同运行方式主要有：A、系统双极接线运行方式；B、系统单极大地回路运行方式；C、全压运行方式；D、降压运行方式(降压20%，30%)；E、双极不平衡运行方式。N1，F1～F4故障主要指：N1-正常状态；F1-逆变侧交流系统单相接地故障；F2逆变侧交流系统两相短路；F3逆变侧交流系统两相接地短路；F4逆变侧交流系统三相接地短路。这样总共获得66个样本。

2.计算各尺度下的能量偏度。

小波分析在时域和频域同时有良好的局部化性质，小波变换系数蕴含着各尺度和位置上的信息，有利于故障特征提取。小波能量偏度能很好的表征信号的能量分布情况，并且不受系统运行方式的影响，故障诊断时，只需采集表征故障状态的单一信号即可。

根据小波变换多尺度分解算法，对故障原始信号进行一维离散小波分解与重构，得到故障特征矢量，并结合BP神经网络进行HVDC系统换流母线外部故障类型的识别方法包括以下步骤：

选择要进行小波变换的母函数，本发明中通过对各种小波母函数的分析对比，最后选择db10作为小波母函数进行分析。

步骤201：采用db10小波对原始故障信号X进行J层一维离散小波分解，获得X各个尺度的小波变换系数d_j(k)，对小波系数进行重构，计算得到X第J层低频分量A_JX和第j层高频分量D_jX(1≤j≤J)，这样，信号被分解为不同频率信号之和为：

$X=\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{D}_{j}X+A_{J}X$

步骤202：根据各尺度小波变换系数d_j(k)，计算X在各个尺度下的能量E_j，N为对应序列的长度，由小波分解的层数，即尺度J和分析信号数据的长度共同决定；

$E_j=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{E}_j\left(k\right)=\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left|d_j\left(k\right)\right|}^2---\left(2\right)$

步骤203：计算信号X在各个尺度下的小波能量偏度，计算公式如下：

$S_j=\frac{N\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left\{\frac{(E_j\left(k\right)-{\stackrel{-}{E}}_j)}{{\mathrm{\&sigma;}}_j}\right\}}^5}{(N-1)(N-2)}---\left(3\right)$

式中，

为信号在尺度j上的小波能量均值；σ_j为信号在尺度j上的小波能量方差。

采用db10小波分别对该训练样本进行12层离散小波分解与重构，根据公式(2)、(3)在Matlab仿真软件中进行计算，得到各信号在各尺度下的小波能量偏度。部分计算结果如表1所示，其中B表示系统双极运行方式，M表示系统单极运行方式。故障类型包括：单相接地故障，两相短路故障，两相接地短路，三相接地短路和正常状态。

表1信号在各尺度的小波能量偏度值

步骤204：构造小波能量偏度特征向量S=[S_a S₁S₂S₃,…,S_J]，其中S_a为第J尺度的低频分量小波能量偏度值，S₁S₂S₃,…,S_J为1～J尺度上高频分量小波能量偏度值。

3.小波能量偏度故障特征矢量的获取

从候选特征向量S中，通过比较各个候选特征对各种故障类的区别能力，从中选择m个特征系数组成小波能量偏度故障特征矢量P_i=S_k，(i=1…m<J+1;k∈a,1,2…J)。

对于第12层低频分量小波能量偏度S_a，正常状态时，系统双极运行和单极运行情况下小波能量偏度值非常接近且与其他各值明显不同，根据该特征可以判别出系统处于正常状态。依照此方法，针对训练样本中每组数据，从中选择S_a、S₂、S₄、S₇、S₁₁共计5个特征系数组成小波能量偏度故障特征矢量矩阵P_n×m(n=66,m=5)，其中P_i=(S_a S₂S₄S₇S₁₁)，i∈n。

步骤4：人工神经网络的生成

将第3步构造的小波能量偏度故障特征矢量矩阵P_n×m作为BP神经网络训练样本的输入。与神经网络输入相对应的4种故障F1～F4及N1正常状态，用5位数字代表其故障类型，构成每个输入样本的网络目标输出T_n×5。确定输入和输出后，进行训练，生成人工神经网络NN。如图2为BP神经网络训练过程。

二、信号处理及故障诊断

采集故障信号作为待检信号，提取小波能量偏度特征向量，经简化后作为系统的特征参数，输入到训练好的神经网络，通过神经网络识别输出模式，完成HVDC系统换流母线外部故障类型的识别。

步骤501：待检信号的获取及处理

取某一单相接地故障、两相接地短路故障时逆变侧直流电压信号作为待检信号，图3为待检信号波形，接下来对信号进行去噪处理，构造其小波能量偏度故障特征矢量矩阵P作为神经网络NN的输入。

$\begin{array}{c}P=\left(\begin{array}{ccccc}0.449& 4.941& 4.613& 3.646& -0.218\\ 0.431& 6.041& 55.64& 4.029& -0.26\end{array}\right)\end{array}---\left(4\right)$

步骤502：确定神经网络输出

根据输入，确定神经网络识别对应的目标输出：

$\begin{array}{c}T=\left(\begin{array}{ccccc}1& 0& 0& 0& 0\\ 0& 0& 1& 0& 0\end{array}\right)---\left(5\right)\end{array}$

步骤503：故障诊断

进入NN神经网络进行故障诊断，诊断结果为：

$\begin{array}{c}{T}_{\mathrm{out}}\end{array}=\left(\begin{array}{cccc}1.215& 0.012& 0.002& 0.00\\ -0.001& 0.009& 1.-015& 0.13\end{array}\right)---\left(6\right)$

对输出结果T_out取整，得到与目标输出T相同的结果，其中，T₁₁=1，T_1i=0（i=2,3,4,5）表示第一个待检信号测试结果是：HVDC交流系统发生了单相接地故障；T₂₃=1，T_1i=0（i=1,2,4,5）表示第二个待检信号测试结果是：HVDC交流系统发生了两相接地短路故障。由此可见，该方法明显可以判别待检信号的故障原因，实现HVDC系统换流母线外部故障类型的识别。

Claims (4)

1.HVDC系统换流母线外部故障的人工智能识别方法，其特征在于，包括以下步骤： 

步骤1：利用小波变换多尺度分解算法，选定待研究的原始故障信号X； 

步骤2：对信号进行一维离散小波分解与重构，得到不同尺度的高频分量和低频分量，利用所有尺度的高频分量和最大尺度的低频分量构成原始信号的小波能量偏度特征向量； 

步骤3：对特征向量进行简化：通过比较各个候选特征对各种故障类的区别能力，从候选特征向量中选择部分特征系数组成故障特征矢量； 

步骤4：在系统不同运行方式下，构造不同故障原因下的故障特征矢量矩阵，作为训练BP网络的样本输入量，把每个样本的故障特征进行故障编码，构成每个输入样本的网络目标输出，确定输入和输出后，进行训练，生成人工神经网络； 

步骤5：采集故障信号作为待检信号，提取小波能量偏度特征向量，经简化后作为系统的特征参数，输入到训练好的神经网络，通过神经网络识别输出，完成HVDC系统换流母线外部故障类型的识别。 

2.根据权利要求1所述的HVDC系统换流母线外部故障的人工智能识别方法，其特征在于，步骤2还包括以下步骤： 

步骤201：采用小波变换对原始故障信号X进行J层一维离散小波分解，获得X各个尺度的小波变换系数d_j(k)，对小波系数进行重构，计算得到X的第J层低频分量A_JX和第j层高频分量D_jX(1≤j≤J)，这样，信号被分解为不同频率信号之和为： 

步骤202：根据各尺度小波变换系数d_j(k)，计算X在各个尺度下的能量E_j，N为对应序列的长度，由小波分解的层数，即尺度J和分析信号数据的长度共同决定； 

步骤203：计算信号X在各个尺度下的小波能量偏度，计算公式如下：

式中，

为信号在尺度j上的小波能量均值；σ_j为信号在尺度j上的小波能量方差； 

步骤204：构造小波能量偏度特征向量S=[S_a S₁ S₂ S₃,…,S_J]，其中S_a为第J尺度的低频分量小波能量偏度值，S₁,S₂,S₃,…,S_J为1～J尺度上高频分量小波能量偏度值。 

3.根据权利要求1所述的HVDC系统换流母线外部故障的人工智能识别方法，其特征在于，步骤3还包括以下步骤： 

从候选特征向量S中，通过比较各个候选特征对各种故障类的区别能力，从中选择m个特征系数组成小波能量偏度故障特征矢量P_i=S_k，(i=1…m<J+1;k∈a,1,2…J)。 

4.根据权利要求1所述的HVDC系统换流母线外部故障的人工智能识别方法，其特征在于，步骤5还包括以下步骤： 

步骤501：待检信号的获取及处理：取某一故障信号作为待检信号，对信 号进行去噪处理，构造其小波能量偏度故障特征矢量矩阵P作为神经网络NN的输入； 

步骤502：确定神经网络输出：根据输入，确定神经网络识别对应的目标输出T； 

步骤503：故障诊断：进入NN神经网络进行故障诊断，对输出结果T_out取整，得到与目标输出T相同的结果。 

Images