CN106291233A - 一种基于卷积神经网络的故障选相方法 - Google Patents

Abstract

本发明一种基于卷积神经网络的故障选相方法。首先根据双端供电系统原理图搭建仿真模型。其次，列出网络结构，通过设置批处理数量为较大定值，训练次数为较小定值，得到测试样本的错误率，错误率最小的网络结构即为最佳网络结构。然后，在最佳网络结构下，减少批处理数量，增加训练次数，使错误率降为0，从而得到训练好的网络结构参数和权值偏置矩阵。最后，在每次故障之后，获取故障电流，输入到训练好的网络中，即可得到故障类型输出，无需再次训练。该方法能够准确进行故障选相，检测灵敏度高，不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响，具有很高的可靠性。

Description

一种基于卷积神经网络的故障选相方法

技术领域

本发明涉及一种故障选相方法，尤其是涉及一种基于卷积神经网络的故障选相方法。

背景技术

电力系统中，故障选相是继电保护必不可少的环节，可靠快速的故障选相是保护准确动作、故障正确处理重要前提，对电力系统安全运行具有极其重要的意义。电力系统故障选相的方法主要有稳态量选相和突变量选相，稳态量选相包括电压选相、电流选相、序分量选相和阻抗选相等。突变量选相主要包括突变量电流选相、突变量电压选相以及电压电流综合突变量选相。但是上述方法或者在弱电源侧灵敏度低，或者在强电源侧灵敏度低，或者在单相高阻接地时灵敏度低，或者受负荷电流影响大，或者对采样频率要求高。

深度网络和深度学习的概念被正式提出之后，因其强大的学习性能，迅速成为研究热点，在语音识别、图像识别和人工智能等方面取得重要进展。卷积神经网络作为深度学习的典型模型之一，具有强大的学习泛化能力，在电力工业已经开始有所应用，其中，风电场功率预测、电力变压器故障诊断、发电机故障挖掘等方面的应用研究已经开展，但在故障选相方面还没有相关研究。

针对上述背景，本发明设计了一种基于卷积神经网络的故障选相方法，用于准确、可靠、迅速地进行故障选相。

发明内容

本发明的目的是克服现有故障选相方法的不足，提供一种基于卷积神经网络的故障选相方法，该方法对采样率要求低，无需计算各种整定值，不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响，结果准确可靠，对设备无特殊要求，方便实施。

本发明技术方案提供一种故障录波数据故障起点检测方法，包括以下步骤，

一种基于卷积神经网络的故障选相方法，其特征在于，包括：

步骤1、搭建故障模型，故障模型基于个等效拓扑，所述等效拓扑包括电源电压经输电线路后与电源电压连接，其中，Z_m、Z_n为电源等效阻抗，f为系统频率，l为输电线路长度，x为故障位置，过渡电阻R_g，i_m、i_n为保护安装处采样电流，然后获取训练样本和测试样本；

步骤2、根据步骤1建立的故障模型寻找卷积神经网络的最佳结构；

步骤3、根据确定的最佳网络结构，增加训练次数，对批处理数进行改变，使测试样本的错误率降为0，然后保存训练好的网络结构参数和权值偏置矩阵；

步骤4、在每次故障后，获取故障电流，输入到训练好的网络，即可输出选相结果。

在上述的一种基于卷积神经网络的故障选相方法，所述步骤1具体包括：

步骤1.1.基于电力系统仿真软件搭建双端供电系统仿真模型；

步骤1.2.生成参数矩阵，参数是与故障选相有关的因素，包括：两端电源的等级，电源等效阻抗，系统频率，输电线路长度、线路参数，故障位置，故障类型，相间故障电阻、接地故障电阻，两端电源相角差、幅值差，然后对每种因素在其可变范围内进行取值，按照排列组合的方式对参数进行遍历，形成参数矩阵，矩阵中每一行代表依次故障中所有可变参数的一种组合，每一列表示一种参数；

步骤1.3.将步骤1.2中生成的参数矩阵以行为单位，依次输入模型并运行，得到故障时两端的电流数据作为样本的输入，将故障类型作为样本的输出，将输入与输出一一对应，得到训练样本；

步骤1.4.改变步骤1.2中程序参数，重新生成不同的参数矩阵，然后重复1.3，得到测试样本。

在上述的一种基于卷积神经网络的故障选相方法，所述步骤2具体包括：

步骤2.1、列出所有的网络结构；网络结构均为为卷积层和采样层交替重复，本层的输出作为下一层的输入，使网络结构对输入样本有较高的畸变容忍能力，更准确地实现对数据的分级表达；定义每个卷积层的输入矩阵维度为m_i*n_i*i，其中m_i为每个输入样本矩阵的行数，n_i为每个输入样本矩阵的列数，i为输入样本总数；输出矩阵维度为m_o*n_o*o，其中m_o为每个输出样本矩阵的行数，n_o为每个输出样本矩阵的列数，o为输出样本总数，卷积层的卷积核为k*k，则每个卷积层的输入输出必须满足如下公式：

m_i，n_i，i，m_o，n_o，o为整数

步骤2.2、设置批处理数量和训练次数为定值，对不同网络结构进行训练和测试，得到错误率最低的网络结构，该结构即为最佳网络结构。

本发明具有如下优点：1、本发明通过卷积神经网络进行故障选相不存在序分量选相、突变量电流选相等在弱电源侧灵敏度低的问题和电压选相、突变量电压选相在强电源侧灵敏度低的问题，同时也不存在阻抗选相在单相高阻接地情况下灵敏度低的问题；2、本发明通过对系统频率、故障位置等一系列影响选相的因素进行了遍历，通过卷积神经网络强大的泛化学习能力，使该方法不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响，具有很高的可靠性；3、通过搭建仿真模型对电源电压、系统频率、输电线路参数、故障位置、过渡电阻、故障类型等一系列影响区内外故障判断和故障选相的因素进行遍历仿真，得到海量的双端电流数据，以此作为训练样本，依托卷积神经网络强大的学习泛化能力，有望实现用同一权重偏置参数对局部电网乃至全网进行准确的区内外故障判断与故障选相，在未来智能电网的发展中具有广阔应用前景；4、本发明通过训练好的网络进行故障选相，无需再次训练，选相迅速，很大程度的满足工程需要。

附图说明

图1是本发明双端供电系统简图。

图2是本发明故障选相原理图。

图3是本发明实施例的实施步骤。

具体实施方式

以下结合附图和实施例对本发明的技术方案进行详细说明。

为解决现有故障选相方法存在序分量选相、突变量电流选相等在弱电源侧灵敏度低，电压选相、突变量电压选相在强电源侧灵敏度低，在阻抗选相在单相高阻接地情况下灵敏度低的问题，本发明实施例提供一种利用卷积神经网络进行故障选相的新方法，具体实施步骤如下：

步骤1、根据图1所示双端供电系统原理图，搭建故障模型，获取训练样本和测试样本，实现方式如下，

1.1.在电力系统仿真软件(如MATLAB等)搭建双端供电系统仿真模型；

1.2.编写程序代码，生成参数矩阵，参数包括两端电源的等级，电源等效阻抗Z_m、Z_n，系统频率f，输电线路长度l、线路参数，故障位置x，故障类型，过渡电阻R_g，两端电源相角差、幅值差等一系列与故障选相有关的因素，然后对每种因素在其可变范围内进行取值，按照排列组合的方式对参数进行遍历，形成参数矩阵，矩阵中每一行代表依次故障中所有可变参数的一种组合，每一列表示一种参数；

1.3.编写程序代码，将1.2中生成的参数矩阵以行为单位，依次输入模型并运行，得到故障时两端的电流数据作为样本的输入，将故障类型作为样本的输出，将输入与输出一一对应，得到训练样本，训练样本的可变参数如表1所示，所有组合一共有种，故样本总数为16500个；

表1训练样本参数遍历表

1.4.改变1.2中程序参数，重新生成不同的参数矩阵，然后重复1.3，得到测试样本，测试样本的参数遍历表如表2所示，考虑两条线路，所有组合有种，样本总数为2250个。

表2测试样本参数遍历表

步骤2、寻找卷积神经网络的最佳结构，实现方式如下，

2.1、列出尽可能多可能的网络结构。一般为卷积层(C层)采样层(S层)交替重复，本层的输出作为下一层的输入，使网络结构对输入样本有较高的畸变容忍能力，更准确地实现对数据的分级表达。假设每个卷积层的输入矩阵维度为m_i*n_i*i，其中m_i为每个输入样本矩阵的行数，n_i为每个输入样本矩阵的列数，i为输入样本总数；输出矩阵维度为m_o*n_o*o，其中m_o为每个输出样本矩阵的行数，n_o为每个输出样本矩阵的列数，o为输出样本总数，卷积层的卷积核为k*k，则每个卷积层的输入输出必须满足如下公式：

m_i，n_i，i，m_o，n_o，o为整数

2.2、设置批处理数量和训练次数为定值，对不同网络结构进行训练和测试，得到错误率最低的网络结构，该结构即为最佳网络结构。

步骤3、根据确定的最佳网络结构，增加训练次数，对批处理数进行改变，使测试样本的错误率降为0，然后保存训练好的网络结构参数和权值偏置矩阵；

步骤4、在每次故障后，获取故障电流，输入训练好的网络，即可输出选相结果，无需再次训练，原理如图2所示。

为验证本发明方法的准确性和可靠性，采用本实施例方法进行以下的仿真实验：

设置模型参数如下：模型采样率1200Hz；m侧系统等效阻抗为Z_m＝1+j31.4Ω，n侧系统等效阻抗为Z_n＝1+j31.4Ω；线路参数为：L₁＝0.9337mH/km，C₁＝0.01274μF/km，R₁＝0.0127Ω/km，输电线路l₁全长100.002km，输电线路l₂全长100.002km；短路开始时刻为0.05s，切除结束时刻为0.1s，仿真总时长为0.1s。

分别设置不同的卷积神经网络结构，得到不同网络结构下的错误率和训练时间，仿真结果如表3所示。对表中内容作如下解释：以序号1为例，网络结构为6C-1S-12C-2S，其中C表示卷积层，S表示降采样层；卷积核中的两个数字依次为第1个卷积层和第2个卷积层的卷积核；批处理数量为训练过程中每批输入的样本数，选相错误率是故障选相失败的样本数占总测试样本数的比率。

表3卷积神经网络用于故障选相仿真结果

由表可知：在样本数一定的情况下，网络结构、卷积核大小、批处理数量和训练次数等均会影响区内外故障判断和故障选相的错误率。

由序号1和2对比，序号3、6和8对比知：相同网络结构下，卷积核大小不同，错误率不同；由序号4、5对比知：在网络结构和卷积核大小均相同时，在一定范围内，批处理数量越少，训练过程中权值调整次数越多，错误率越低；由序号5、7、8对比知：在批处理数量相同时，一般随着训练次数增多，错误率降低，但当训练次数达到一定值时，错误率基本维持在一个恒定值，并在附近波动。由序号1、2、3、4、8、9、10、11对比知：不同的网络结构下，错误率是不同的，多次试验发现在6C-1S-12C-2S结构下，卷积核依次为2*2和4*4时，错误率最低，区内外判断和故障选相效果最好，在该结构参数下，当批处理数为100，当训练次数达到10次时，错误率降为0％，可以实现对所有训练样本无错误的进行故障选相，不存在序分量选相、突变量电流选相等在弱电源侧灵敏度低的问题和电压选相、突变量电压选相在强电源侧灵敏度低的问题，同时也不存在阻抗选相在单相高阻接地情况下灵敏度低的问题。

由实验可知：在测试样本中系统频率、故障位置、负荷电流、过渡电阻等参数与训练样本均不同的情况下，卷积神经网络仍然可以准确地进行故障选相，这是因为训练样本数据对系统频率、故障位置、负荷电流、过渡电阻等参数进行了遍历，同时卷积神经网络具有很强的泛化能力与学习能力，因此基本不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响，不需要对任何参数进行整定。综合上述分析，当样本数足够时，卷积神经网络用于故障选相具有极高的准确率。

以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变换或变型，因此所有等同的技术方案，都落入本发明的保护范围。

Claims (3)

1.一种基于卷积神经网络的故障选相方法，其特征在于，包括：

步骤1、搭建故障模型，故障模型基于个等效拓扑，所述等效拓扑包括电源电压经输电线路后与电源电压连接，其中，Z_m、Z_n为电源等效阻抗，f为系统频率，l为输电线路长度，x为故障位置，过渡电阻R_g，i_m、i_n为保护安装处采样电流，然后获取训练样本和测试样本；

步骤2、根据步骤1建立的故障模型寻找卷积神经网络的最佳结构；

步骤3、根据确定的最佳网络结构，增加训练次数，对批处理数进行改变，使测试样本的错误率降为0，然后保存训练好的网络结构参数和权值偏置矩阵；

步骤4、在每次故障后，获取故障电流，输入到训练好的网络，即可输出选相结果。

2.根据权利要求1所述的一种基于卷积神经网络的故障选相方法，其特征在于，所述步骤1具体包括：

步骤1.1.基于电力系统仿真软件搭建双端供电系统仿真模型；

步骤1.2.生成参数矩阵，参数是与故障选相有关的因素，包括：两端电源的等级，电源等效阻抗，系统频率，输电线路长度、线路参数，故障位置，故障类型，相间故障电阻、接地故障电阻，两端电源相角差、幅值差，然后对每种因素在其可变范围内进行取值，按照排列组合的方式对参数进行遍历，形成参数矩阵，矩阵中每一行代表依次故障中所有可变参数的一种组合，每一列表示一种参数；

步骤1.3.将步骤1.2中生成的参数矩阵以行为单位，依次输入模型并运行，得到故障时两端的电流数据作为样本的输入，将故障类型作为样本的输出，将输入与输出一一对应，得到训练样本；

步骤1.4.改变步骤1.2中程序参数，重新生成不同的参数矩阵，然后重复1.3，得到测试样本。

3.根据权利要求1所述的一种基于卷积神经网络的故障选相方法，其特征在于，所述步骤2具体包括：

步骤2.1、列出所有的网络结构；网络结构均为为卷积层和采样层交替重复，本层的输出作为下一层的输入，使网络结构对输入样本有较高的畸变容忍能力，更准确地实现对数据的分级表达；定义每个卷积层的输入矩阵维度为m_i*n_i*i，其中m_i为每个输入样本矩阵的行数，n_i为每个输入样本矩阵的列数，i为输入样本总数；输出矩阵维度为m_o*n_o*o，其中m_o为每个输出样本矩阵的行数，n_o为每个输出样本矩阵的列数，o为输出样本总数，卷积层的卷积核为k*k，则每个卷积层的输入输出必须满足如下公式：

o为整数

步骤2.2、设置批处理数量和训练次数为定值，对不同网络结构进行训练和测试，得到错误率最低的网络结构，该结构即为最佳网络结构。