CN105445613B - 一种基于极线电压机器学习判别机制的线路故障识别方法 - Google Patents

一种基于极线电压机器学习判别机制的线路故障识别方法 Download PDF

Info

Publication number
CN105445613B
CN105445613B CN201510632067.1A CN201510632067A CN105445613B CN 105445613 B CN105445613 B CN 105445613B CN 201510632067 A CN201510632067 A CN 201510632067A CN 105445613 B CN105445613 B CN 105445613B
Authority
CN
China
Prior art keywords
fault
pca
cluster
circuit
line
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
CN201510632067.1A
Other languages
English (en)
Other versions
CN105445613A (zh
Inventor
束洪春
陈叶
田鑫萃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201510632067.1A priority Critical patent/CN105445613B/zh
Publication of CN105445613A publication Critical patent/CN105445613A/zh
Application granted granted Critical
Publication of CN105445613B publication Critical patent/CN105445613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Emergency Protection Circuit Devices (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
  • Locating Faults (AREA)
  • Inverter Devices (AREA)

Abstract

本发明涉及一种基于极线电压机器学习判别机制的线路故障识别方法，假设线路发生单极接地故障，沿线路MN设置区内故障点，在采样率10kHz下，进行电磁暂态仿真，分别获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇，选取其1ms内的数据进行PCA聚类分析，取两个主成分PC1和PC2构成的2维PCA空间。在此PCA空间上形成反映线路故障和外部故障的两类聚类点簇，计算测试样本数据在PCA聚类空间PC1、PC2坐标轴上的投影ot(q1，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型。将测试数据经PCA聚类分析得到的投影o′t，并输入预测模型PCA‑SVM进行分类判别，判断其是否为直流线路故障。

Description

一种基于极线电压机器学习判别机制的线路故障识别方法
技术领域
本发明涉及一种基于极线电压机器学习判别机制的线路故障识别方法，属于直流输电线路保护技术领域。
背景技术
目前我国已投运的直流输电线路保护主要以变化率和变化量为基础的所谓行波保护、微分欠电压保护、纵联差动保护和低电压保护等。对直流线路保护的研究往往关注对现有实际应用的保护判据进行改进，且往往采用单一定值来进行保护整定。由于UHVDC线路输送距离通常较远，线路故障原因很复杂，有如雷击线路致绝缘子闪络、普通短路、鸟害、覆冰、脱冰弹跳、山火故障以及线路对树放电形成的非线性时变高阻故障，往往很难用显式的数学关系来表征和解析这些故障，因此仅仅依靠调整保护定值很难可靠实现全线速动。运行表明，线路故障也存在重复性，往往存在线路相近甚或相同位置常发同类原因的故障之现象。数学原理上PCA聚类分析是通过对数据坐标的平移和旋转，使得簇类内部的任意两个样本数据之间有较高的相似度，而属于不同簇类的两个样本数据间具有较高的差异度。采用PCA-SVM机器学习的智能分类判断等方法，能够快速、可靠识别线路故障模态与区外故障模态，该保护算法抗谐波、雷击、采样值抖动等干扰能力强、具有鲁棒性。
发明内容
本发明要解决的技术问题是针对直流输电线路线路发生外部故障和线路故障时，提出一种基于极线电压机器学习判别机制的线路故障识别方法。
本发明的技术方案是：一种基于极线电压机器学习判别机制的线路故障识别方法，假设线路发生单极接地故障，沿线路MN由远及近每隔5km设置区内故障点，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障。在采样率10kHz下，进行电磁暂态仿真，分别获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇，选取其1ms内的数据进行PCA聚类分析，取两个主成分PC1和PC2构成的2维PCA空间。在此PCA空间上形成反映线路故障和外部故障的两类聚类点簇，计算测试样本数据在PCA聚类空间PC1、PC2坐标轴上的投影ot(q1，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型。将测试数据经PCA聚类分析得到的投影ot′，并输入预测模型PCA-SVM进行分类判别，判断其是否为直流线路故障。
具体步骤如下：
(1)建立样本数据库，线路发生单极接地故障，沿线路MN每隔5km设置区内故障位置，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障。在采样率10kHz下，进行电磁暂态仿真，获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇；
(2)PCA聚类分析，选取1ms时窗内极线故障电压曲线簇作为样本数据进行PCA聚类分析，建立由PC1和PC2坐标轴构成的PCA聚类空间，在此聚类空间内形成明显相区分的线路故障和区外故障两种模态的聚类点簇；
(3)建立PCA-SVM故障识别模型，计算测试样本数据在PCA聚类空间PC1、PC2坐标轴上的投影ot(q1，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型；
(4)线路故障的识别，将测试数据经PCA聚类分析得到的投影ot′输入预测模型PCA-SVM进行分类判别，若SVM输出为0，则判断为直流输电线路内部故障；若SVM输出为1，则判断为直流输电线路外部故障。
本发明的有益效果是：
(1)采用PCA聚类分析可以有效提取电压曲线簇样本数据主要特征的信息并将其投影到主元空间，在PC1和PC2坐标空间上形成线路故障和外部故障的不同聚类点簇，实现直流线路故障和外部故障的有效刻画、表征和识别。
(2)利用极线故障电压PCA-SVM机器学习判别机制分析，不需要整定保护定值，判据具有自适应性。
附图说明
图1为直流线路仿真系统。
图2为正极线路量测端的故障电压曲线簇：图中，区外故障有：考虑整流侧出口故障，过渡电阻分别设为0Ω、10Ω和100Ω；整流侧交流系统故障，包括A相接地故障，AB两相接地故障，ABC三相接地故障；逆变侧故障包括逆变侧出口故障和逆变侧交流系统故障；
图3为基于PCA-SVM的直流线路故障识别结果。
具体实施方式
一种基于极线电压机器学习判别机制的线路故障识别方法，假设线路发生单极接地故障，沿线路MN由远及近每隔5km设置区内故障点，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障。在采样率10kHz下，进行电磁暂态仿真，分别获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇，选取其1ms内的数据进行PCA聚类分析，取两个主成分PC1和PC2构成的2维PCA空间。在此PCA空间上形成反映线路故障和外部故障的两类聚类点簇，计算测试样本数据在PCA聚类空间PC1、PC2坐标轴上的投影ot(q1，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型。将测试数据经PCA聚类分析得到的投影ot′，并输入预测模型PCA-SVM进行分类判别，判断其是否为直流线路故障。
具体步骤如下：
(1)建立样本数据库，线路发生单极接地故障，沿线路MN每隔5km设置区内故障位置，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障。在采样率10kHz下，进行电磁暂态仿真，获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇；
(2)PCA聚类分析，选取1ms时窗内极线故障电压曲线簇作为样本数据进行PCA聚类分析，建立由PC1和PC2坐标轴构成的PCA聚类空间，在此聚类空间内形成明显相区分的线路故障和区外故障两种模态的聚类点簇；
(3)建立PCA-SVM故障识别模型，计算测试样本数据在PCA聚类空间PC1、PC2坐标轴上的投影ot(q1，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型；
(4)线路故障的识别，将测试数据经PCA聚类分析得到的投影ot′输入预测模型PCA-SVM进行分类判别，若SVM输出为0，则判断为直流输电线路内部故障；若SVM输出为1，则判断为直流输电线路外部故障。
采用图1所示的仿真系统，按照上述步骤(1)和(2)，得到线路故障和外部故障在PCA空间上的聚类结果如图3所示。
实施例1：故障距离M端位置为100km，过渡电阻100Ω。
(1)根据权利要求书中的步骤(1)～(2)得到SVM的输出结果为0；
(2)根据权利要求书中的步骤(3)判断为线路故障。
实施例2：故障距离M端位置为400km，过渡电阻100Ω。
(1)根据权利要求书中的步骤(1)～(2)得到SVM的输出结果为0；
(2)根据权利要求书中的步骤(3)判断为线路故障。
实施例3：故障距离M端位置为1000km，过渡电阻100Ω。
(1)根据权利要求书中的步骤(1)～(2)得到得到SVM的输出结果为0；
(2)根据权利要求书中的步骤(3)判断为线路故障。
实施例4：整流侧出口故障，过渡电阻10Ω。
(1)根据权利要求书中的步骤(1)～(2)得到得到SVM的输出结果为1；
(2)根据权利要求书中的步骤(3)判断为区外故障。
实施例5：逆变侧交流系统A相接地故障，过渡电阻10Ω。
(1)根据权利要求书中的步骤(1)～(2)得到得到SVM的输出结果为1；
(2)根据权利要求书中的步骤(3)判断为区外故障。

Claims (2)

1.一种基于极线电压机器学习判别机制的线路故障识别方法，其特征在于：假设线路发生单极接地故障，沿线路MN由远及近每隔5km设置区内故障点，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障，在采样率10kHz下，进行电磁暂态仿真，分别获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇，选取其1ms内的数据进行PCA聚类分析，取两个主成分PC1和PC2构成的2维PCA空间，在此PCA空间上形成反映线路故障和外部故障的两类聚类点簇，计算测试样本数据在PCA聚类空间PC1、PC2坐标轴上的投影ot(q1，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型，将测试数据经PCA聚类分析得到的投影ot′，并输入预测模型PCA-SVM进行分类判别，判断其是否为直流线路故障。
2.根据权利要求1所述的基于极线电压机器学习判别机制的线路故障识别方法，其特征在于具体步骤如下：
(1)建立样本数据库，线路发生单极接地故障，沿线路MN每隔5km设置区内故障位置，区外故障位置为整流侧出口故障、整流侧交流系统故障、逆变侧出口故障和逆变侧交流系统故障；在采样率10kHz下，进行电磁暂态仿真，获得线路全线长范围内故障下和线路外部故障下极线电压曲线簇；
(2)PCA聚类分析，选取1ms时窗内极线故障电压曲线簇作为样本数据进行PCA聚类分析，建立由PC1和PC2坐标轴构成的PCA聚类空间，在此聚类空间内形成明显相区分的线路故障和区外故障两种模态的聚类点簇；
(3)建立PCA-SVM故障识别模型，计算测试样本数据在PCA聚类空间PC1、PC2坐标轴上的投影ot(q1，q2)，此投影ot作为SVM的输入属性，并采用径向基函数作为核函数，确立预测模型；
(4)线路故障的识别，将测试数据经PCA聚类分析得到的投影ot′输入预测模型PCA-SVM进行分类判别，若SVM输出为0，则判断为直流输电线路内部故障；若SVM输出为1，则判断为直流输电线路外部故障。
CN201510632067.1A 2015-09-29 2015-09-29 一种基于极线电压机器学习判别机制的线路故障识别方法 Active CN105445613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510632067.1A CN105445613B (zh) 2015-09-29 2015-09-29 一种基于极线电压机器学习判别机制的线路故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510632067.1A CN105445613B (zh) 2015-09-29 2015-09-29 一种基于极线电压机器学习判别机制的线路故障识别方法

Publications (2)

Publication Number Publication Date
CN105445613A CN105445613A (zh) 2016-03-30
CN105445613B true CN105445613B (zh) 2018-05-25

Family

ID=55556040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510632067.1A Active CN105445613B (zh) 2015-09-29 2015-09-29 一种基于极线电压机器学习判别机制的线路故障识别方法

Country Status (1)

Country Link
CN (1) CN105445613B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021099413A1 (en) * 2019-11-19 2021-05-27 Abb Power Grids Switzerland Ag Machine learning based method and device for disturbance classification in a power trasmission line

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107390086A (zh) * 2017-06-30 2017-11-24 昆明理工大学 一种基于主成分分析‑支持向量机的单永故障识别方法
CN110095689B (zh) * 2019-05-10 2020-06-09 广东工业大学 一种故障方向的判别方法、系统及设备
CN110086154B (zh) * 2019-05-10 2020-03-10 广东工业大学 一种纵联保护方法和系统
CN110289605B (zh) * 2019-06-27 2021-12-10 昆明理工大学 一种基于瞬时功率曲线簇的混合补偿线路智能方向保护方法
CN110988590B (zh) * 2019-11-25 2022-06-14 云南电网有限责任公司临沧供电局 一种基于pca-svm模型的配网选线方法及系统
CN111458601A (zh) * 2020-05-13 2020-07-28 中国南方电网有限责任公司超高压输电公司昆明局 故障检测方法及装置
CN117574183B (zh) * 2023-11-22 2024-10-11 安图实验仪器(郑州)有限公司 免疫设备样本针空吸故障识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002350488A (ja) * 2001-05-29 2002-12-04 Kansai Electric Power Co Inc:The 直流地絡点探索方法
CN101068079A (zh) * 2007-06-18 2007-11-07 北京交通大学 一种基于导纳原理实现输电线路保护的方法
CN101860020A (zh) * 2010-06-04 2010-10-13 昆明理工大学 利用极波电压s变换能量比值的特高压直流输电线路故障边界元件的方法
CN102005739A (zh) * 2010-08-27 2011-04-06 昆明理工大学 一种识别特高压直流输电线路区内外故障小波能量的方法
CN102354962A (zh) * 2011-09-01 2012-02-15 西安交通大学 分布参数模型下利用电压分布的距离保护方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002350488A (ja) * 2001-05-29 2002-12-04 Kansai Electric Power Co Inc:The 直流地絡点探索方法
CN101068079A (zh) * 2007-06-18 2007-11-07 北京交通大学 一种基于导纳原理实现输电线路保护的方法
CN101860020A (zh) * 2010-06-04 2010-10-13 昆明理工大学 利用极波电压s变换能量比值的特高压直流输电线路故障边界元件的方法
CN102005739A (zh) * 2010-08-27 2011-04-06 昆明理工大学 一种识别特高压直流输电线路区内外故障小波能量的方法
CN102354962A (zh) * 2011-09-01 2012-02-15 西安交通大学 分布参数模型下利用电压分布的距离保护方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高压直流输电线路行波保护判据的研究;艾琳 等;《继电器》;20031015;第31卷(第10期);第41页-第44页 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021099413A1 (en) * 2019-11-19 2021-05-27 Abb Power Grids Switzerland Ag Machine learning based method and device for disturbance classification in a power trasmission line

Also Published As

Publication number Publication date
CN105445613A (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
CN105445613B (zh) 一种基于极线电压机器学习判别机制的线路故障识别方法
CN104977506B (zh) 一种利用极线故障电压曲线簇进行主成分聚类分析的线路故障识别方法
Brignone et al. Evaluation of power system lightning performance, part i: Model and numerical solution using the pscad-emtdc platform
Visacro et al. HEM: A model for simulation of lightning-related engineering problems
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
CN104391229B (zh) 一种基于s变换的输电线路故障快速选相方法
AU2020101683A4 (en) Fault detection, location, and prediction within an electricity power transmission and distribution networks
CN105403807B (zh) 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
CN104950216B (zh) 一种基于波形比较的配电线路故障定位方法
CN105224797B (zh) 一种特高压大跨越线路反击跳闸率计算方法
CN103267926A (zh) 基于差分进化算法故障特征匹配的含dg配电网故障测距
CN110045226A (zh) 一种基于压缩感知的配电网故障定位方法
CN112711865B (zh) 一种输电线路感应电仿真精细化建模方法
CN103018633B (zh) 基于不对称阻抗模型短路电流故障特征的含dg配电网故障区间判定方法
CN105929302A (zh) 基于序分量关系的输电线路单端故障测距方法
CN105242137A (zh) 一种利用极线故障电流主成分聚类分析的线路故障识别方法
CN104393581B (zh) 一种利用电压电流突变量小波系数相关分析的三角形环网暂态量单元保护方法
He et al. Natural frequency‐based protection scheme for voltage source converter‐based high‐voltage direct current transmission lines
CN106021652B (zh) 一种大地土壤立体电阻网络模型的建立方法
CN109061376A (zh) 一种小电流接地选线装置ct极性错误的判断方法
CN104716646A (zh) 一种基于注入电流的节点耦合度分析方法
Nikoofekr et al. Nature of fault determination on transmission lines for single phase autoreclosing applications
Ni et al. Faulty feeder detection of single phase-to-ground fault for distribution networks based on improved K-means power angle clustering analysis
CN109165441A (zh) 基于atp-emtp的平行交流输电线路感应电压及电流的仿真计算方法
He et al. A traveling wave natural frequency‐based single‐ended fault location method with unknown equivalent system impedance

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant