CN104865499B - 一种特高压直流输电线路区内外故障识别方法 - Google Patents

一种特高压直流输电线路区内外故障识别方法 Download PDF

Info

Publication number
CN104865499B
CN104865499B CN201510236260.3A CN201510236260A CN104865499B CN 104865499 B CN104865499 B CN 104865499B CN 201510236260 A CN201510236260 A CN 201510236260A CN 104865499 B CN104865499 B CN 104865499B
Authority
CN
China
Prior art keywords
label
layer
prediction
training
test
Prior art date
Application number
CN201510236260.3A
Other languages
English (en)
Other versions
CN104865499A (zh
Inventor
陈仕龙
曹蕊蕊
毕贵红
杨具瑞
谢佳伟
李兴旺
荣俊香
罗璐
王彦武
Original Assignee
昆明理工大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 昆明理工大学 filed Critical 昆明理工大学
Priority to CN201510236260.3A priority Critical patent/CN104865499B/zh
Publication of CN104865499A publication Critical patent/CN104865499A/zh
Application granted granted Critical
Publication of CN104865499B publication Critical patent/CN104865499B/zh

Links

Abstract

本发明涉及一种特高压直流输电线路区内外故障识别方法,属高压直流输电系统继电保护领域。首先采集故障电压数据;将检测到的故障电压信号进行小波多尺度分解,得到每一层的小波重构高频系数,将所有的每一层的高频系数的奇异谱熵组成特征向量矩阵,将特征向量矩阵中的数据划分为训练集和测试集;再设定训练集标签和测试集标签;对训练集进行训练;再设定预测标签和预测精度的存储位置;将测试集输入到SVM分类器进行测试,得到分类结果和预测精度;再确定存储在预测标签存储空间中的分类结果是否正确。本发明能同时将三种不同位置的故障进行识别,而且该方法简单、有效,计算时间短,在整个分类过程中可以实现自动化。

Description

一种特高压直流输电线路区内外故障识别方法
技术领域
[0001] 本发明涉及一种特高压直流输电线路区内外故障识别方法,属于高压直流输电系 统继电保护技术领域。
背景技术
[0002] 目前直流线路保护中均以行波保护为主保护,以微分欠压保护、差动保护为后备 保护。行波保护和微分欠压保护在高阻接地故障时容易拒动,电流差动保护灵敏度不高,保 护动作较慢。利用边界对高频量衰减特性的暂态保护是特高压直流输电线路保护的发展方 向,近几年学者们研究的利用边界对高频量衰减特性的暂态保护方法通常没有考虑特高压 直流超长输电线路的衰减特性,因而不能实现真正意义上的全线保护,另外,现有的暂态保 护方法通常是采用双端或单端暂态保护方法,均需要两步,方可将本侧区外故障、区内故障 和逆变侧区外故障进行识别。因此有必要研究具有更高可靠性和能实现全线保护的特高压 直流输电线保护方法。
发明内容
[0003] 本发明提供了一种特高压直流输电线路区内外故障识别方法,以用于区分整流侧 区外故障、区内故障和逆变侧区外故障,解决了目前电力学者提出的方法不能实现全线保 护或能实现全线保护而判据不可靠的问题。
[0004] 本发明所述方法的具体步骤如下:
[0005] Stepl、特高压直流输电系统发生故障后,整流侧数据采集装置采集故障电压行波 首波头到达后50ms时窗内的故障电压数据;
[0006] Step2、将检测到的故障电压信号进行小波多尺度分解,得到每一层的小波重构高 频系数,计算每一层的小波重构高频系数的奇异谱熵,将所有的每一层的奇异谱熵组成一 个mXn维的特征向量矩阵,将特征向量矩阵中的数据划分为训练集和测试集;
[0007] Step3、在SVM程序的始端设定训练集标签和测试集标签,它们均为预先设定好的 数值;
[0008] Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数(λδ;其中,对 训练集进行SVM训练得到(λδ两个最佳参数的过程中,训练集标签是用来对训练集中的几种 故障电压信号进行标记的;
[0009] Step5、在SVM程序的终端设定预测标签和预测精度的存储位置,此时预测标签和 预测精度的存储空间是没有数值的;
[0010] Step6、将测试集输入到SVM分类器进行测试,得到分类结果和预测精度,再把分类 结果存储到步骤Step5中预先设定好的预测标签存储空间中,测试精度存储到步骤Step5中 预先设定好的预测精度存储空间中;
[0011] Step7、再确定存储在预测标签存储空间中的分类结果是否正确;
[0012] 当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时,说明分 类完全正确,测试精度为100%;
[0013]当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时,与测 试集标签不一样的分类结果便是分类错误的,返回步骤Step4,重新训练。
[0014]所述步骤Step2中,其提取特征向量矩阵的具体步骤如下:
[0015] Step2.1、对待分析的电压信号先进行相模变换,取1模进行小波变换,分解层数为 j,然后对每层高频系数进行重构,对每层重构信号进行相空间重构,其中取采样点为2000, 进行200维相空间重构,得到j个1801 X 200维的矩阵Aj;
[0016] Step2.2、对每层的矩阵Aj进行奇异值分解SVD,则每层能够得到200个奇异值;
[0017] Step2.3、对每层奇异值进行奇异谱熵运算,然后将每层的奇异谱熵值组合,得到 特征向量矩阵T: T= [hi,h2,…,hj],其中,In,h2,…,hj分别为每层的熵值,且对应的频段为 高频段到低频段。
[0018] 所述步骤Stepl中,数据采集装置采样频率为40kHz。
[0019] 所述步骤Step2中,故障电压采用1模分量。
[0020] 本发明所述方法的原理为:
[0021] 直流输电系统发生故障时,线路边界和线路对故障暂态信息高频分量的衰减作 用,结合图1所示的特高压直流输电双极系统来具体说明。fi、f2、f3分别为整流侧区外(左侧 标号3和4之间)、区内(标号8)及逆变侧区外(右侧标号3和4之间)故障点。利用小波变换对 整流侧保护安装处(标号7)检测到的信号进行多尺度分解,提取信号在每一层的高频系数。 当逆变侧区外f3 (右侧标号3和4之间)处发生故障时,故障信号经过逆变侧边界(右侧标号 4、5、6组成)和线路(标号8)的双重衰减作用到达整流侧保护安装处(标号7),提取的高频系 数的幅值衰减最剧烈;当整流侧区外fi (左侧标号3和4之间)处发生区外故障时,故障信号 经本侧边界(左侧标号4、5、6组成)的衰减到达整流侧保护安装处(标号7),衰减相对较弱, 提取的高频系数的幅值大于逆变侧区外f3 (右侧标号3和4之间)处发生故障时的高频系数 幅值;当区内f2 (标号8)处发生故障,故障信号经过线路的衰减作用到达整流侧保护安装处 (标号7),在线路(标号8)长度为一定范围之内时,这种衰减作用与以上两种衰减相比,衰减 最弱,提取的高频系数的幅值最大,但当线路(标号8)长度超过一定范围时,线路(标号8)的 衰减作用将超过边界(左侧标号4、5、6组成)的衰减作用,此时无法将整流侧区外故障(左侧 标号3和4之间)和区内故障(标号8)正确识别;
[0022] 因奇异值的大小是反映不同故障状态之间的差异,奇异谱熵又可以定量地描述这 种变化程度。谱熵越小,说明谱越集中;谱熵越大,说明谱在整个频率成分上分布的越均匀。 故可以分别将整流侧区外接地故障、区内接地故障和逆变侧区外接地故障三种不同位置故 障信号进行3尺度分解,并将每层上的小波奇异谱熵组成特征向量。可以发现在低频段h3 上,整流侧区外接地故障、区内接地故障和逆变侧区外接地故障的奇异熵值相差不大,这是 因为在线路边界和线路对低频信号的衰减可近似认为是零,能量在该频段的分布比较集 中,能量分布的不确定性比较小。而在高频段匕上上,整流侧区外故障、区内故障和逆变侧 区外故障三者的奇异谱熵值均比较大且有明显差别,区内〈整流侧区外〈逆变侧区外。这是 因为逆变侧区外接地故障时,高频信号要经过线路边界和线路的双重衰减作用才能到达整 流侧保护安装处,高频信号衰减剧烈,能量在该频段的分布相对均匀,能量分布的不确定性 增大。同时,对于同种位置的故障信息,小波奇异谱熵值具有相对稳定性。故本文可以将整 流侧区外故障、区内故障以及逆变侧区外故障的奇异谱熵组成的特征向量作为SVM的输入 量,利用SVM的智能分类方法对故障信息进行分类。
[0023] 在图1所示的特高压直流输电线路单端暂态保护原理图中,两端直流输电系统主 要由整流站、直流输电线路(标号8)和逆变站组成。
[0024] 直流输电换流站由基本的换流单元组成,主要包括换流变压器2、换流器3、平波电 抗器4、直流滤波器5和PLC滤波器6和保护装置7,因为为单端暂态保护原理图,故只有一端 的换流站有保护装置7。它是可进行功率反送的两端直流输电工程,如果从左侧的交流系统 1向右侧的交流系统1送电,则左侧的换流站(左侧两个换流变压器2、两个换流器3、两个平 波电抗器4、两个直流滤波器5、两个PLC滤波器6、保护装置7组成)为整流站,右侧的换流站 (右侧两个换流变压器2、两个换流器3、两个平波电抗器4、两个直流滤波器5、两个PLC滤波 器6组成)为逆变站;当功率反送时,则右侧换流站(右侧两个换流变压器2、两个换流器3、两 个平波电抗器4、两个直流滤波器5、两个PLC滤波器6组成)为整流站,左侧换流站(左侧两个 换流变压器2、两个换流器3、两个平波电抗器4、两个直流滤波器5、两个PLC滤波器6、保护装 置7组成)为逆变站。即两端的交流系统1既可以作为送端也可以作为受端,当功率正送时, 它们给整流器(左侧换流变压器2)和逆变器(右侧换流变压器2)提供换向电压;当功率反送 时,它们给整流器(右侧换流变压器2)和逆变器(左侧换流变压器2)提供换向电压,创造实 现换流的条件。同时送端电力系统作为直流输电的电源,提供传输的功率,而受端系统则相 当于负荷,接受和消纳由直流输电送来的功率。
[0025] 平波电抗器4、直流滤波器5和PLC滤波器6构成直流输电线路的边界;8为直流输电 线路,利用正负两极导线和两端换流站的正负两极相连,构成直流侧的闭环回路;两端接地 极系统9所形成的大地回路,可作为输电系统的备用导线。
[0026] 本发明的有益效果是:
[0027] 1、与目前提出多数是需要两步才可将这三个不同位置的故障进行识别的区内外 故障识别方法相比,这里提出的方法可以同时将整流侧区外、区内和逆变侧区外这三个不 同位置的故障区别开来,能够实现全线保护;
[0028] 2、目前也有基于实测电压与计算电压相关性的区内外故障识别方法可以将这三 个不同位置的故障同时识别,实现全线保护,但这种方法中采用了由计算数据得到的计算 波形,数据存在不精确性,提出的判据不可靠,而这里所提方法不存在这种问题,只要训练 得到最佳的SVM分类器参数,就可以得到与实际结果相同的分类结果。
[0029] 3、针对小样本数据,支持向量机可以较好的统计学习,所以在运用此种方法进行 区内外故障识别时,不需要采集太多的数据就能将不同位置的故障识别,简单、快速。
附图说明
[0030] 图1为本发明中特高压直流输电线路暂态保护原理图;
[0031] 图1中:1_交流系统,2-换流变压器,3-换流器,4-平波电抗器,5-直流滤波器,6-PLC滤波器,7-保护装置,8-直流输电线路,9-接地极系统;
[0032] 图2为本发明的SVM算法流程图。
具体实施方式
[0033] 实施例I:如图1-2所示,一种特高压直流输电线路区内外故障识别方法,所述方法 的具体步骤为:
[0034] Stepl、特高压直流输电系统发生故障后,整流侧数据采集装置采集故障电压行波 首波头到达后50ms时窗内的故障电压数据;
[0035] Step2、将检测到的故障电压信号进行小波多尺度分解,得到每一层的小波重构高 频系数,计算每一层的小波重构高频系数的奇异谱熵,将所有的每一层的奇异谱熵组成一 个mXn维的特征向量矩阵,将特征向量矩阵中的数据划分为训练集和测试集;
[0036] Step3、在SVM程序的始端设定训练集标签和测试集标签,它们均为预先设定好的 数值;
[0037] Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数(λδ;其中,对 训练集进行SVM训练得到(λδ两个最佳参数的过程中,训练集标签是用来对训练集中的几种 故障电压信号进行标记的;
[0038] Step5、在SVM程序的终端设定预测标签和预测精度的存储位置,此时预测标签和 预测精度的存储空间是没有数值的;
[0039] Step6、将测试集输入到SVM分类器进行测试,得到分类结果和预测精度,再把分类 结果存储到步骤Step5中预先设定好的预测标签存储空间中,测试精度存储到步骤Step5中 预先设定好的预测精度存储空间中;
[0040] Step7、再确定存储在预测标签存储空间中的分类结果是否正确;
[0041] 当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时,说明分 类完全正确,测试精度为100%;
[0042] 当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时,与测 试集标签不一样的分类结果便是分类错误的,返回步骤Step4,重新训练。
[0043] 实施例2:如图1-2所示,一种特高压直流输电线路区内外故障识别方法,所述方法 的具体步骤为:
[0044] Stepl、特高压直流输电系统发生故障后,整流侧数据采集装置采集故障电压行波 首波头到达后50ms时窗内的故障电压数据;
[0045] Step2、将检测到的故障电压信号进行小波多尺度分解,得到每一层的小波重构高 频系数,计算每一层的小波重构高频系数的奇异谱熵,将所有的每一层的奇异谱熵组成一 个mXn维的特征向量矩阵,将特征向量矩阵中的数据划分为训练集和测试集;
[0046] Step3、在SVM程序的始端设定训练集标签和测试集标签,它们均为预先设定好的 数值;
[0047] Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数(λδ;其中,对 训练集进行SVM训练得到(λδ两个最佳参数的过程中,训练集标签是用来对训练集中的几种 故障电压信号进行标记的;
[0048] Step5、在SVM程序的终端设定预测标签和预测精度的存储位置,此时预测标签和 预测精度的存储空间是没有数值的;
[0049] Step6、将测试集输入到SVM分类器进行测试,得到分类结果和预测精度,再把分类 结果存储到步骤Step5中预先设定好的预测标签存储空间中,测试精度存储到步骤Step5中 预先设定好的预测精度存储空间中;
[0050] Step7、再确定存储在预测标签存储空间中的分类结果是否正确;
[0051] 当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时,说明分 类完全正确,测试精度为100%;
[0052] 当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时,与测 试集标签不一样的分类结果便是分类错误的,返回步骤Step4,重新训练。
[0053] 所述步骤Step2中,其提取特征向量矩阵的具体步骤如下:
[0054] Step2.1、对待分析的电压信号先进行相模变换,取1模进行小波变换,分解层数为 j,然后对每层高频系数进行重构,对每层重构信号进行相空间重构,其中取采样点为2000, 进行200维相空间重构,得到j个1801 X 200维的矩阵Aj;
[0055] Step2.2、对每层的矩阵Aj进行奇异值分解SVD,则每层能够得到200个奇异值;
[0056] Step2.3、对每层奇异值进行奇异谱熵运算,然后将每层的奇异谱熵值组合,得到 特征向量矩阵T: T= [hi,h2,…,hj],其中,In,h2,…,hj分别为每层的熵值,且对应的频段为 高频段到低频段。
[0057] 实施例3:如图1-2所示,一种特高压直流输电线路区内外故障识别方法,所述方法 的具体步骤为:
[0058] Stepl、特高压直流输电系统发生故障后,整流侧数据采集装置采集故障电压行波 首波头到达后50ms时窗内的故障电压数据;
[0059] Step2、将检测到的故障电压信号进行小波多尺度分解,得到每一层的小波重构高 频系数,计算每一层的小波重构高频系数的奇异谱熵,将所有的每一层的奇异谱熵组成一 个mXn维的特征向量矩阵,将特征向量矩阵中的数据划分为训练集和测试集;
[0060] Step3、在SVM程序的始端设定训练集标签和测试集标签,它们均为预先设定好的 数值;
[0061] Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数(λδ;其中,对 训练集进行SVM训练得到(λδ两个最佳参数的过程中,训练集标签是用来对训练集中的几种 故障电压信号进行标记的;
[0062] Step5、在SVM程序的终端设定预测标签和预测精度的存储位置,此时预测标签和 预测精度的存储空间是没有数值的;
[0063] Step6、将测试集输入到SVM分类器进行测试,得到分类结果和预测精度,再把分类 结果存储到步骤Step5中预先设定好的预测标签存储空间中,测试精度存储到步骤Step5中 预先设定好的预测精度存储空间中;
[0064] Step7、再确定存储在预测标签存储空间中的分类结果是否正确;
[0065] 当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时,说明分 类完全正确,测试精度为100%;
[0066] 当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时,与测 试集标签不一样的分类结果便是分类错误的,返回步骤Step4,重新训练。
[0067] 所述步骤Step2中,其提取特征向量矩阵的具体步骤如下:
[0068] Step2.1、对待分析的电压信号先进行相模变换,取1模进行小波变换,分解层数为 j,然后对每层高频系数进行重构,对每层重构信号进行相空间重构,其中取采样点为2000, 进行200维相空间重构,得到j个1801 X 200维的矩阵Aj;
[0069] Step2.2、对每层的矩阵Aj进行奇异值分解SVD,则每层能够得到200个奇异值;
[0070] Step2.3、对每层奇异值进行奇异谱熵运算,然后将每层的奇异谱熵值组合,得到 特征向量矩阵T: T= [hi,h2,…,hj],其中,In,h2,…,hj分别为每层的熵值,且对应的频段为 高频段到低频段。
[0071] 所述步骤Stepl中,数据采集装置采样频率为40kHz。
[0072] 所述步骤Step2中,故障电压采用1模分量。
[0073] 实施例4:如图1-2所示,一种特高压直流输电线路区内外故障识别方法,所述方法 的具体步骤为:
[0074] Stepl、特高压直流输电系统发生故障后,整流侧数据采集装置采集故障电压行波 首波头到达后50ms时窗内的故障电压数据;所述步骤Stepl中,数据采集装置采样频率为 40kHz;
[0075] Step2、将检测到的故障电压信号进行小波多尺度分解,得到每一层的小波重构高 频系数,计算每一层的小波重构高频系数的奇异谱熵,将所有的每一层的奇异谱熵组成一 个mXn维的特征向量矩阵,将特征向量矩阵中的数据划分为训练集和测试集;所述步骤 Step2中,故障电压米用1模分量;
[0076] 所述步骤Step2中,计算整流侧区外接地故障、区内接地故障和逆变侧区外接地故 障电压信号的特征向量矩阵;
[0077] 第一,计算得到整流侧区外接地故障的特征向量矩阵的具体步骤如下:
[0078] Step2.1、取4组整流侧区外接地故障电压信号数据,对数据进行相模变换,取1模 进行小波变换,分解层数为6,然后对每层高频系数进行重构,对每层重构信号进行相空间 重构,其中取采样点为2000,进行200维相空间重构,得到4组数据,每一组包含6个1801 X 200维的矩阵、(」=1,2,3,4,5,6);
[0079] Step2.2、对每层的矩阵Aj (j = 1,2,3,4,5,6)进行奇异值分解SVD,则每层能够得 至IJ200个奇异值;那么每一组数据就会得到6层(每层能够得到200个奇异值)这样的值;
[0080] Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算,然后将这6层的奇 异谱熵值组合,得到特征向量矩阵T:T = [hi,h2,···,hj],其中,hi,h2,…,hj分别为每层的熵 值,且对应的频段为高频段到低频段,如表1所示为整流侧区外接地故障特征向量,由此根 据T = [hi,h2,…,hj]得到整流侧区外特征向量矩阵T;
[0081] 表1整流侧区外接地故障特征向量
[0082]
Figure CN104865499BD00081
[0083] 第二,计算得到整流侧区内接地故障的特征向量矩阵的具体步骤如下:
[0084] Step2.1、取16组区内接地故障电压信号数据,对数据进行相模变换,取1模进行小 波变换,分解层数为6,然后对每层高频系数进行重构,对每层重构信号进行相空间重构,其 中取采样点为2000,进行200维相空间重构,得到16组数据,每一组包含6个1801 X 200维的 矩阵 Aj(j = l,2,3,4,5,6);
[0085] Step2.2、分别对每一组数据的每层的矩阵Aj (j = 1,2,3,4,5,6)进行奇异值分解 SVD,则每层能够得到200个奇异值,那么每一组数据就会得到6层(每层能够得到200个奇异 值)这样的值;
[0086] Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算,然后将这6层的奇 异谱熵值组合,得到特征向量矩阵T:T = [hi,h2,···,h6],其中,hi,h2,…,h6分别为每层的熵 值,且对应的频段为高频段到低频段,如表2所示为整流侧区内接地故障特征向量,由此根 据T = [hi,h2,…,hj]得到整流侧区内特征向量矩阵T;
[0087] 表2整流侧区内接地故障特征向量
[0088]
Figure CN104865499BD00091
[0089] 第三,计算得到逆变侧区外接地故障的特征向量矩阵的具体步骤如下:
[0090] Step2.1、取4组逆变侧区外接地故障电压信号数据,对数据进行相模变换,取1模 进行小波变换,分解层数为6,然后对每层高频系数进行重构,对每层重构信号进行相空间 重构,其中取采样点为2000,进行200维相空间重构,得到4组数据,每一组包含6个1801 X 200维的矩阵心(」=1,2,3,4,5,6);
[0091] Step2.2、分别对每一组数据的每层的矩阵Aj (j = 1,2,3,4,5,6)进行奇异值分解 SVD,则每层能够得到200个奇异值,那么每一组数据就会得到6层(每层能够得到200个奇异 值)这样的值;
[0092] Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算,然后将这6层的奇 异谱熵值组合,得到特征向量矩阵1^=&1,112,〜,116],其中,111,112,〜,116分别为每层的熵 值,且对应的频段为高频段到低频段,如表3所示为逆变侧区外接地故障特征向量,由此根 据T= [hi,h2,···,hj]得到逆变侧区外特征向量矩阵T;
[0093] 表3逆变侧区外接地故障特征向量
[0094]
Figure CN104865499BD00092
[0095] Step3、在SVM程序的始端设定训练集标签和测试集标签,它们均为预先设定好的 数值;
[0096] 具体的,Step2中,将特征向量矩阵中的数据划分为训练集和测试集,结合Step3总 设定训练集标签和测试集标签具体的如下:
[0097] 分别取表1中的前两组数据、表2中的前8组数据、表3中的前2组数据组合得到接地 故障的训练集,如表4所示:
[0098] 表4接地故障训练集
[0099]
Figure CN104865499BD00101
[0100] 对表4中编号1-12的数据设定训练集标签从上至下分别为[I 1 2 2 2 2 2 2 2 2 3 3],S卩训练集标签为表5中的y,如表5所示:
[0101] 表5接地故障训练集及对应的训练集标签
[0102]
Figure CN104865499BD00102
[0103] 再分别取表1中的后2组数据、表2中的后8组数据、表3中的后2组数据组合得到接 地故障的测试集,如表6所示:
[0104] 表6接地故障测试集
[0105]
Figure CN104865499BD00103
[0106] 对表6中编号1-12的数据设定测试集标签从上至下分别为[I 1 2 2 2 2 2 2 2 2 3 3],即测试集标签为表7中的y,如表7所示:
[0107] 表7接地故障测试集及对应的测试集标签
[0108]
Figure CN104865499BD00111
[0109] Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数(λδ;其中,对 训练集进行SVM训练得到(λδ两个最佳参数的过程中,训练集标签是用来对训练集中的几种 故障电压信号进行标记的;此时,得到C = 2,δ = 2;
[0110] Step5、在SVM程序的终端设定预测标签和预测精度的存储位置,此时预测标签和 预测精度的存储空间是没有数值的;
[0111] step6、将测试集输入到SVM分类器进行测试,得到分类结果和预测精度,再把分类 结果存储到步骤Step5中预先设定好的预测标签存储空间中,测试精度存储到步骤Step5中 预先设定好的预测精度存储空间中;
[0112] Step7、再确定存储在预测标签存储空间中的分类结果是否正确;
[0113] 当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时,说明分 类完全正确,测试精度为100%;
[0114] 当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时,与测 试集标签不一样的分类结果便是分类错误的,返回步骤Step4,重新训练。
[0115] 根据上述步骤得到C = 2,S = 2,以及预测标签中的分类结果与表7中的测试集标签 完全对应相同,说明分类完全正确,测试精度为100%;表8中y表示第Step3步中设定的测试 集标签,表9中的输出的y表示存储到预测标签空间中的分类结果;
[0116] 表8测试集及对应的测试集标签
[0117]
Figure CN104865499BD00112
[0118] 表9测试集及预测标签中的分类结果
[0119]
Figure CN104865499BD00121
[0120] 在表8中,设定整流侧区外接地故障特征向量矩阵用标签1表示,区内接地故障特 征向量矩阵用标签2表示,逆变侧区外接地故障特征向量矩阵用标签3表示。表9中,当输出 的y为1时,表示为整流侧区外接地故障;当输出的y为2时,表示为区内接地故障;当输出的y 为3时,表示为逆变侧区外接地故障。
[0121] 表10为识别结果:
[0122] 表10识别结果
[0123]
Figure CN104865499BD00122
[0124] 实施例5:如图1-2所示,一种特高压直流输电线路区内外故障识别方法,所述方法 的具体步骤为:
[0125] Stepl、特高压直流输电系统发生故障后,整流侧数据采集装置采集故障电压行波 首波头到达后50ms时窗内的故障电压数据;所述步骤Stepl中,数据采集装置采样频率为 40kHz;
[0126] Step2、将检测到的故障电压信号进行小波多尺度分解,得到每一层的小波重构高 频系数,计算每一层的小波重构高频系数的奇异谱熵,将所有的每一层的奇异谱熵组成一 个mXn维的特征向量矩阵,将特征向量矩阵中的数据划分为训练集和测试集;所述步骤 Step2中,故障电压米用1模分量;
[0127] 所述步骤Step2中,计算整流侧区外雷击故障、区内接地故障和逆变侧区外雷击故 障电压信号的特征向量矩阵;
[0128] 第一,计算得到整流侧区外雷击故障的特征向量矩阵的具体步骤如下:
[0129] Step2.1、取4组整流侧区外雷击故障电压信号数据,对数据进行相模变换,取1模 进行小波变换,分解层数为6,然后对每层高频系数进行重构,对每层重构信号进行相空间 重构,其中取采样点为2000,进行200维相空间重构,得到4组数据,每一组包含6个1801 X 200维的矩阵、(」=1,2,3,4,5,6);
[0130] Step2.2、分别对每一组数据的每层的矩阵Aj (j = 1,2,3,4,5,6)进行奇异值分解 SVD,则每层能够得到200个奇异值,那么每一组数据就会得到6层(每层能够得到200个奇异 值)这样的值;
[0131] Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算,然后将这6层的奇 异谱熵值组合,得到特征向量矩阵T:T = [hi,h2,···,h6],其中,hi,h2,…,h6分别为每层的熵 值,且对应的频段为高频段到低频段,如表11所示为整流侧区外雷击故障特征向量,由此根 据T = [hi,h2,…,hj]得到整流侧区外特征向量矩阵T;
[0132] 表11整流侧区外雷击故障特征向量
[0133]
Figure CN104865499BD00131
[0134] 第二,计算得到整流侧区内雷击故障的特征向量矩阵的具体步骤如下:
[0135] Step2.1、取16组区内雷击故障电压信号数据,对数据进行相模变换,取1模进行小 波变换,分解层数为6,然后对每层高频系数进行重构,对每层重构信号进行相空间重构,其 中取采样点为2000,进行200维相空间重构,得到16组数据,每一组包含6个1801 X 200维的 矩阵 Aj(j = l,2,3,4,5,6);
[0136] Step2.2、分别对每一组数据的每层的矩阵幻(j = l,2,3,4,5,6)进行奇异值分解 SVD,则每层能够得到200个奇异值,那么每一组数据就会得到6层(每层能够得到200个奇异 值)这样的值;
[0137] Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算,然后将这6层的奇 异谱熵值组合,得到特征向量矩阵1^=&1,112,〜,116],其中,111,112,〜,116分别为每层的熵 值,且对应的频段为高频段到低频段,如表12所示为整流侧区内雷击故障特征向量,由此根 据T = [hi,h2,…,hj]得到整流侧区内特征向量矩阵T;
[0138] 表12区内雷击故障特征向量
[0139]
Figure CN104865499BD00141
[0140] 第三,计算得到逆变侧区外雷击故障的特征向量矩阵的具体步骤如下:
[0141] Step2.1、取4组逆变侧区外雷击故障电压信号数据,对数据进行相模变换,取1模 进行小波变换,分解层数为6,然后对每层高频系数进行重构,对每层重构信号进行相空间 重构,其中取采样点为2000,进行200维相空间重构,得到4组数据,每一组包含6个1801 X 200维的矩阵心(」=1,2,3,4,5,6);
[0142] Step2.2、分别对每一组数据的每层的矩阵幻(j = l,2,3,4,5,6)进行奇异值分解 SVD,则每层能够得到200个奇异值,那么每一组数据就会得到6层(每层能够得到200个奇异 值)这样的值;
[0143] Step2.3、分别对每一组数据的每层奇异值进行奇异谱熵运算,然后将这6层的奇 异谱熵值组合,得到特征向量矩阵1^=&1,112,〜,116],其中,111,112,〜,116分别为每层的熵 值,且对应的频段为高频段到低频段,如表13所示为逆变侧区外雷击故障特征向量,由此根 据T= [hi,h2,···,hj]得到逆变侧区外特征向量矩阵T;
[0144] 表13逆变侧区外雷击故障特征向量
[0145]
Figure CN104865499BD00142
[0146] Step3、在SVM程序的始端设定训练集标签和测试集标签,它们均为预先设定好的 数值;
[0147] 具体的,Step2中,将特征向量矩阵中的数据划分为训练集和测试集,结合Step3总 设定训练集标签和测试集标签具体的如下:
[0148] 分别取表11中的前两组数据、表12中的前8组数据、表13中的前2组数据组合得到 雷击故障的训练集,如表14所示;
[0149] 表14雷击故障训练集
[0150]
Figure CN104865499BD00151
[0151] 对表14中编号1-12的数据设定训练集标签从上至下分别为[I I 2 2 2 2 2 2 2 2 3 3],即训练集标签为表15中的y,如表15所示;
[0152] 表15雷击故障训练集及所对应的训练集标签
[0153]
Figure CN104865499BD00152
[0154] 分别取表11中的后组数据、表12中的后8组数据、表13中的后2组数据组合得到雷 击故障的测试集,如表16所不;
[0155] 表16雷击故障测试集
[0156]
Figure CN104865499BD00153
[0157] 对表16中编号1-12的数据设定测试集标签从上至下分别为[I 1 2 2 2 2 2 2 2 2 3 3],即测试集标签为表17中的y,如表17所示:
[0158] 表17雷击故障测试集及测试集标签
[0159]
Figure CN104865499BD00161
[0160] Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数(λδ;其中,对 训练集进行SVM训练得到(λδ两个最佳参数的过程中,训练集标签是用来对训练集中的几种 故障电压信号进行标记的;此时,得到C = 32J = 32;
[0161] Step5、在SVM程序的终端设定预测标签和预测精度的存储位置,此时预测标签和 预测精度的存储空间是没有数值的;
[0162] Step6、将测试集输入到SVM分类器进行测试,得到分类结果和预测精度,再把分类 结果存储到步骤Step5中预先设定好的预测标签存储空间中,测试精度存储到步骤Step5中 预先设定好的预测精度存储空间中;
[0163] Step7、再确定存储在预测标签存储空间中的分类结果是否正确;
[0164] 当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时,说明分 类完全正确,测试精度为100%;
[0165] 当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时,与测 试集标签不一样的分类结果便是分类错误的,返回步骤Step4,重新训练。
[0166] 根据上述步骤得到C = 32J = 32,以及预测标签中的分类结果与表18中的测试集 标签完全对应相同,说明分类完全正确,测试精度为100%。表18为y表示Step3步设定的测 试集标签,表19中输出y表示存储到预测标签空间中的分类结果;
[0167] 表18测试集及对应的测试集标签
[0168]
Figure CN104865499BD00162
[0169]表19测试集及预测标签中的分类结果
[0170]
Figure CN104865499BD00171
[0171] 在表18中,设定整流侧区外雷击故障特征向量用标签1表示,区内雷击故障特征向 量用标签2表示,逆变侧区外雷击故障特征向量用标签3表示。表19中,当输出的y为1时,表 示为整流侧区外雷击故障;当输出的y为2时,表示为区内雷击故障;当输出的y为3时,
[0172] 表示为逆变侧区外雷击故障,表20为识别结果;
[0173] 表20识别结果
[0174]
Figure CN104865499BD00172
[0175] 分析表10和表20中所示仿真结果可知,通过训练得到最佳的C和δ,可以达到最佳 的测试精度。
[0176] 上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述 实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前 提下作出各种变化。

Claims (4)

1. 一种特高压直流输电线路区内外故障识别方法,其特征在于:所述方法的具体步骤 如下: Stepl、特高压直流输电系统发生故障后,整流侧数据采集装置采集故障电压行波首波 头到达后50ms时窗内的故障电压数据; Step2、将检测到的故障电压信号进行小波多尺度分解,得到每一层的小波重构高频系 数,计算每一层的小波重构高频系数的奇异谱熵,将所有的每一层的奇异谱熵组成一个mX η维的特征向量矩阵,将特征向量矩阵中的数据划分为训练集和测试集; Step3、在SVM程序的始端设定训练集标签和测试集标签,它们均为预先设定好的数值; Step4、运用网格搜索法对训练集进行SVM训练得到SVM分类器的参数(λδ;其中,对训练 集进行SVM训练得到(λδ两个最佳参数的过程中,训练集标签是用来对训练集中的几种故障 电压信号进行标记的; Step5、在SVM程序的终端设定预测标签和预测精度的存储位置,此时预测标签和预测 精度的存储空间是没有数值的; Step6、将测试集输入到SVM分类器进行测试,得到分类结果和预测精度,再把分类结果 存储到步骤Step5中预先设定好的预测标签存储空间中,测试精度存储到步骤Step5中预先 设定好的预测精度存储空间中; Step7、再确定存储在预测标签存储空间中的分类结果是否正确; 当预测标签中的分类结果与步骤Step3中的测试集标签完全对应相同时,说明分类完 全正确,测试精度为100 %; 当预测标签中的分类结果与步骤Step3中的测试集标签不完全对应相同时,与测试集 标签不一样的分类结果便是分类错误的,返回步骤Step4,重新训练。
2. 根据权利要求1所述的特高压直流输电线路区内外故障识别方法,其特征在于:所述 步骤Step2中,其提取特征向量矩阵的具体步骤如下: Step2.1、对待分析的电压信号先进行相模变换,取1模进行小波变换,分解层数为j,然 后对每层高频系数进行重构,对每层重构信号进行相空间重构,其中取采样点为2000,进行 200维相空间重构,得到j个1801 X 200维的矩阵Aj; Step2.2、对每层的矩阵、进行奇异值分解SVD,则每层能够得到200个奇异值; Step2.3、对每层奇异值进行奇异谱熵运算,然后将每层的奇异谱熵值组合,得到特征 向量矩阵T: T = [In,h2,…,hj],其中,In,h2,…,hj分别为每层的熵值,且对应的频段为高频 段到低频段。
3. 根据权利要求1所述的特高压直流输电线路区内外故障识别方法,其特征在于:所述 步骤Stepl中,数据采集装置采样频率为40kHz。
4. 根据权利要求1所述的特高压直流输电线路区内外故障识别方法,其特征在于:所述 步骤Step2中,故障电压采用1模分量。
CN201510236260.3A 2015-05-11 2015-05-11 一种特高压直流输电线路区内外故障识别方法 CN104865499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510236260.3A CN104865499B (zh) 2015-05-11 2015-05-11 一种特高压直流输电线路区内外故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510236260.3A CN104865499B (zh) 2015-05-11 2015-05-11 一种特高压直流输电线路区内外故障识别方法

Publications (2)

Publication Number Publication Date
CN104865499A CN104865499A (zh) 2015-08-26
CN104865499B true CN104865499B (zh) 2017-12-01

Family

ID=53911467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510236260.3A CN104865499B (zh) 2015-05-11 2015-05-11 一种特高压直流输电线路区内外故障识别方法

Country Status (1)

Country Link
CN (1) CN104865499B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105403807B (zh) * 2015-09-29 2018-11-27 昆明理工大学 一种三段线缆混合直流输电线路故障区段识别的智能方法
CN105488520A (zh) * 2015-11-24 2016-04-13 昆明理工大学 基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法
CN108828401B (zh) * 2018-04-20 2019-11-15 中国农业大学 一种故障选线的方法及装置
CN109541344B (zh) * 2018-11-21 2020-10-27 国网湖北省电力有限公司电力科学研究院 基于svm的模块化多电平直流输电系统故障识别方法
CN109861182A (zh) * 2018-12-03 2019-06-07 华中科技大学 一种基于智能控制算法的架空柔直电网故障保护方法
CN109406949B (zh) * 2018-12-14 2020-12-25 国网山东省电力公司电力科学研究院 基于支持向量机的配电网早期故障检测方法及装置
CN109387731B (zh) * 2018-12-21 2021-02-02 云南电网有限责任公司电力科学研究院 一种基于小波分析和幅值比较的高阻接地故障辨识方法
CN110058120A (zh) * 2019-03-18 2019-07-26 昆明理工大学 一种基于电压变换趋势交叉顺序差分检测的特高压直流输电线路故障识别方法
CN109901021A (zh) * 2019-04-08 2019-06-18 珠海妙微科技有限公司 基于二维Hankel矩阵多尺度SVD变换法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8588984B2 (en) * 2009-07-23 2013-11-19 Athula Dayanarth Rajapaske Rotor angle stability prediction using post disturbance voltage trajectories
US10422833B2 (en) * 2010-06-07 2019-09-24 Abb Research Ltd. Systems and methods for classifying power line events
CN102005755B (zh) * 2010-10-29 2013-03-06 昆明理工大学 基于支持向量机的特高压直流输电线路边界元件构成方法
CN103163430A (zh) * 2013-03-29 2013-06-19 昆明理工大学 一种利用复小波和ann结合的谐振接地系统故障选线方法
CN103257304A (zh) * 2013-04-10 2013-08-21 昆明理工大学 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法
CN103245883B (zh) * 2013-04-27 2015-12-02 昆明理工大学 一种基于暂态零序电流时频特征向量的配电网故障选线方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Spectrum Comparative Study of Commutation Failure and Short-Circuit Fault in UHVDC Transmission System;Chen Shi-long et al.;《TELKOMNIKA》;20141231;第12卷(第4期);第753-762页 *
利用多分辨率奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法;陈仕龙 等;《电网技术》;20150430;第39卷(第4期);第989-994页 *
多分辨率奇异谱熵和支持向量机在孤岛与扰动识别中的应用;朱艳伟 等;《中国电机工程学报》;20110305;第31卷(第7期);第64-70页 *

Also Published As

Publication number Publication date
CN104865499A (zh) 2015-08-26

Similar Documents

Publication Publication Date Title
Gururajapathy et al. Fault location and detection techniques in power distribution systems with distributed generation: A review
Madeti et al. A comprehensive study on different types of faults and detection techniques for solar photovoltaic system
CN103324847B (zh) 电力系统动态不良数据检测与辨识方法
Meliopoulos et al. Smart grid technologies for autonomous operation and control
CN102170124B (zh) 一种电能质量稳态指标预警方法
CN104270091B (zh) 一种基于监控系统的光伏发电设备故障诊断方法
CN103576048B (zh) 一种用于电压暂降源定位的可能故障线路集提取方法
CN102841251B (zh) 一种微网中电动汽车充电站谐波检测法
CN104635114B (zh) 一种电能质量扰动源定位系统及定位方法
CN101714234B (zh) 一种电网线损监测分析系统
CN106556781A (zh) 基于深度学习的局部放电缺陷图像诊断方法及系统
Pecenak et al. Multiphase distribution feeder reduction
CN103529332B (zh) 一种基于电压相关度和小波变换暂态能量分布特性的特高压直流输电线路雷击干扰识别方法
CN103116090B (zh) 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法
CN104502795A (zh) 一种适用于微电网的智能故障诊断方法
CN104111393B (zh) 一种电力变压器抗短路能力的综合评测分析方法
CN103941163B (zh) 利用模糊k均值聚类的谐振接地系统故障选线方法
CN101232177B (zh) 高压直流输电线路距离保护方法
CN102005740B (zh) 利用极波小波能量比值的特高压直流线路边界元件方法
CN102508076B (zh) 一种基于多智能体系统和小波分析的故障诊断装置及方法
CN102608495B (zh) 一种基于电流突变量的故障选相方法
CN102590823A (zh) 一种机载lidar数据电力线快速提取及重构方法
CN100335912C (zh) 基于模型参数识别的小电流接地选线方法
CN103760464B (zh) 基于解析图求解与svm的小电流接地系统故障选线方法
CN103439631B (zh) 接地网腐蚀状态检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
EXSB Decision made by sipo to initiate substantive examination
GR01 Patent grant
GR01 Patent grant