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 PDFInfo
- 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
- line
- fault
- pca
- faults
- svm
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 title claims abstract description 10
- 230000007246 mechanism Effects 0.000 title claims abstract description 9
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000007621 cluster analysis Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 230000001052 transient effect Effects 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Emergency Protection Circuit Devices (AREA)
- Inverter Devices (AREA)
- Locating Faults (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
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。
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) |
Families Citing this family (8)
| 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 |
| 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 |
| 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 |
| 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 |
| US20220413032A1 (en) * | 2019-11-19 | 2022-12-29 | Hitachi Energy Switzerland Ag | Machine learning based method and device for disturbance classification in a power transmission line |
| 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)
| 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 |
-
2015
- 2015-09-29 CN CN201510632067.1A patent/CN105445613B/zh active Active
Patent Citations (5)
| 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)
| 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 * |
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 | |
| AU2020101683A4 (en) | Fault detection, location, and prediction within an electricity power transmission and distribution networks | |
| 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 | |
| CN105098740B (zh) | 一种基于正向电流行波主成分聚类分析的合闸到故障识别方法 | |
| CN104993462A (zh) | 一种基于模式识别的带统一潮流控制器输电线路的电流暂态量方向保护方法 | |
| CN105162094B (zh) | 一种利用极线故障电流曲线簇主成分分析的特高压直流线路的纵联保护方法 | |
| CN105242137B (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 | |
| CN103633629B (zh) | 基于小波变换和能量谱分析的高压直流输电线路的保护方法 | |
| CN103760462B (zh) | 一种带静止同步串联补偿器输电线路的电流暂态量主成分聚类分析方向保护方法 | |
| CN107390086A (zh) | 一种基于主成分分析‑支持向量机的单永故障识别方法 | |
| CN103444037A (zh) | 用于传输线中故障识别的基于电压的方法及其设备 | |
| CN102621452A (zh) | 一种基于信号距离和π型线路模型的纵联保护方法 | |
| CN110212503B (zh) | 一种适用于小电阻接地系统的高阻接地保护方法 | |
| CN106019007A (zh) | 一种基于多测点极电流行波的直流线路雷击闪络性质辨识方法 | |
| Li et al. | A fault pattern and convolutional neural network based single-phase earth fault identification method for distribution network | |
| CN103823158B (zh) | 采用不变矩的谐振接地系统故障选线方法 | |
| CN114034973B (zh) | 一种配电线路接地故障的故障区域识别方法及其装置和系统 | |
| CN105021954A (zh) | 一种基于线模电流s变换辐角检测的母线保护方法 | |
| CN113484660B (zh) | 一种基于母线零序电压信息的10kV配电线路单相断线坠地故障识别方法及系统 | |
| Koley et al. | High impedance single line to ground fault detection and wavelet-alienation based faulty phase identification | |
| CN107315133A (zh) | 一种电力系统输电线路保护区内区外故障的识别方法 | |
| CN107919656A (zh) | 基于特定频率电压的高压直流输电线路单端量保护方法 | |
| CN111913078A (zh) | 一种基于运行的输电线路故障识别方法 | |
| CN110927525A (zh) | 一种基于电压变化sod曲线簇的线路故障识别pca聚类方法 | |
| CN105182175B (zh) | 一种利用极线故障电流曲线簇主成分聚类分析的特高压直流线路全线速动保护方法 |
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 |