一种基于人工神经网络的特高压直流输电线路的故障定位
方法
技术领域
本发明涉及一种基于人工神经网络的特高压直流输电线路的故障定位方法,属于电力系统线路保护技术领域。
背景技术
特高压直流输电具有输送容量大、送电距离远、线路走廊窄等优点,因此在远距离电能传输方面具有明显的优势。我国幅员辽阔、能源与负荷呈逆向分布,决定了特高压直流输电技术在我国具有广阔的应用前景。直流输电线路是直流系统故障率最高的元件,由于直流输电线路一般较长,沿线地形复杂,环境恶劣,通过巡线的方式准确查找故障点变得异常困难,这严重影响了永久性故障的恢复时间。因此,研究准确、快速的直流输电线路故障测距技术具有较高的实用价值。
目前特高压直流输电线路故障测距主要采用行波法和故障分析法。行波故障定位通过测量暂态行波在故障点与测量点之问的传输时间来实现故障测距,其响应速度快,理论上不受线路类型、故障类型、接地电阻和两侧系统参数等因素的影响,具有较高的测距精度。但行波故障定位也存在一些缺点,例如,测距结果受制于故障行波波头检测的准确性。任何行波波头检测失败的情况都将导致行波故障测距将无法进行。故障分析法是根据系统有关参数和测量得到的电压、电流,通过分析计算,求出故障点的距离。故障分析法简单易行,可借助现有的故障录波器达到测距的目的。其对采样率要求低,可靠性较高,但受线路参数的精确度影响、定位精度相对于行波原理较差。
发明内容
本发明提出了一种基于人工神经网络的特高压直流输电线路的故障定位方法,本方案采用故障电压行波与故障电流行波相结合的手段,不仅充分利用故障信息,也弥补了对单纯采用电压行波或者电流行波测距的不足,使得测距结果更加优化、准确。
为了实现上述目的,本发明包括以下步骤:
步骤1、获取直流线路两端测量点的故障电压信号、电流信号;
步骤2、解耦得到故障电压信号、电流信号线模分量;
步骤3、对故障电压信号、电流信号线模分量进行小波变换,得到不同尺度信号,求取故障电压信号、电流信号线模分量首波头幅值比;
步骤4、将步骤3中得到的电压信号线模分量首波头幅值比作为神经网络的输入样本,故障距离作为输出样本集,对神经网络进行训练,形成故障测距神经网络I,将电压信号线模分量首波头幅值比的测试样本输入训练好的神经网络I得到故障距离X1;将步骤3中得到的电流信号线模分量首波头幅值比作为神经网络的输入样本,故障距离作为输出样本集,对神经网络进行训练,形成故障测距神经网络II,将电流信号线模分量首波头幅值比的测试样本输入训练好的神经网络II得到故障距离X2;
步骤5、采用全局几何平均最优法进行结果优化。
所述步骤1中,当输电线路发生故障时,从输电线路两端量测点分别获取线路的电流信号与电压信号,仿真采样频率为100kHz。
所述步骤2中,取故障前后5ms时窗内的线路两端暂态电压、电流信号,对其进行解耦变换得到独立的暂态电压、电流线模分量。
所述步骤3中,分别对整流侧和逆变侧测距装置处得到的暂态电压、电流线模分量进行小波变换,得到整流侧第1,2,3,4尺度下的高频带内的暂态电压、电流线模分量首波头幅值Ua1、Ua2、Ua3、Ua4、Ia1、Ia2、Ia3、Ia4以及对应频带内的到达逆变侧的暂态电压、电流线模分量首波头幅值Ub1、Ub2、Ub3、Ub4、Ib1、Ib2、Ib3、Ib4,分别求取各个频带内的两端暂态电压、电流线模分量首波头幅值比
所述步骤3中第1尺度下高频部分d1对应的频带为:50kHz<f<100kHz,第2尺度下高频部分d2对应的频带为:25kHz<f<50kHz,第3尺度下高频部分d3对应的频带为:12.5kHz<f<25kHz,第4尺度下高频部分d4对应的频带为:6.25kHz<f<12.5kHz。
所述步骤4中,训练样本的输入矢量为W=[W1,W2,W3,W4]以及V=[V1,V2,V3,V4]。
所述步骤4中,采用训练好的神经网络算法对故障距离X与两端暂态电压、电流线模分量首波头幅值比W、V之间的非线性关系进行泛化分析,从而实现对故障位置进行测算,得到X1、X2。
所述步骤5中,用全局几何平均最优法对故障距离数据进行综合整定,得出最终故障距离X,全局几何平均最优法公式如下:
式中,x*为故障距离x的误差,xi为计算得出的故障距离数据,N为故障距离数据的个数。
本发明选取不同频带内整流侧和逆变侧测距装置处检测到的故障电压行波和电流行波的线模分量高频部分首波头幅值比分别作为BP神经网络的输入样本集,故障距离作为输出样本集,对神经网络进行训练、测试,形成直流输电线路故障测距神经网络模型。根据电压行波波头与电流波头得到两组故障距离数据,通过对两组数据的采用全局几何平均最优法进行综合整定得到故障距离,实现输电线路的故障测距。该方法精度较高,而且耐受过渡电阻能力强。
附图说明
下面结合附图对本发明的具体实施方式做进一步具体的说明:
图1为不同尺度下故障行波线模分量首波头幅值比与故障距离的关系,(a)为d1尺度,(b)为d2尺度,(c)为d13尺度,(d)为d4尺度;
图2为本发明的故障定位流程图;
图3为BP神经网络原理图;
图4为故障电压电流线模分量,(a)为整流侧电压行波线模分量,(b)为逆变侧电压行波线模分量,(c)为整流侧电流行波线模分量,(d)为逆变侧电流行波线模分量;
图5为小波分析图的第一部分,包括整流侧和逆变侧电压、电流在4个尺度下的线模分量信号;
图6为小波分析图的第二部分,包括整流侧和逆变侧电压、电流在4个尺度下的线模分量信号;
图7为小波分析图的第三部分,包括整流侧和逆变侧电压、电流在4个尺度下的线模分量信号;
图8为神经网络结构图,输入层神经元数目为4,隐含层神经元数目为10,输出层神经元数目为1,该网络具有一个隐含层,采用S型传递函数tansig,输出层采用纯线性传递函数purelin;
图9为BP神经网络训练收敛曲线,横坐标为训练步数,纵坐标为训练误差,经过508次训练后,神经网络的误差收敛至0.001,达到预期要求。
具体实施方式
本发明主要采用不同尺度内的电压行波和电流行波线模分量首波头幅值比,以基于人工神经网络的特高压直流输电线路故障定位方法为核心,辅以全局几何平均最优法进行故障测距,现对发明内容做进一步说明,本发明的故障定位流程如图2所示。
一、当输电线路发生故障时,从输电线路两端量测点分别获取线路的电流信号与电压信号,当输电线路发生故障时,从输电线路两端量测点分别获取线路的电流信号与电压信号,仿真采样频率为100kHz。
二、目前,特高压直流输电线路多采用双极模式运行,两极之间存在耦合,需对线路上的电压、电流信号进行解耦运算。取故障前后5ms时窗内的线路两端暂态电压、电流信号,对其进行解耦变换得到独立的暂态电压、电流线模分量。利用式(1)进行解耦合得到独立的暂态电压、电流模量分量。
其中
式中,u1、u0分别表示整流侧或逆变侧的高频带暂态电压线模分量、零模分量;u+、u_分别表示该侧的正极线暂态电压、负极线暂态电压。i1、i0分别表示整流侧或逆变侧的暂态电流线模分量、零模分量;i+、i_分别表示该侧的正极线暂态电流、负极线暂态电流。步骤二中,过渡电阻取值为50Ω,故障距整流侧300km时故障信号如图4所示。
三、通过小波变换,得到整流侧第1,2,3,4尺度下的高频带内的暂态电压、电流线模分量首波头幅值Ua1、Ua2、Ua3、Ua4、Ia1、Ia2、Ia3、Ia4以及对应频带内的到达逆变侧的暂态电压、电流线模分量首波头幅值Ub1、Ub2、Ub3、Ub4、Ib1、Ib2、Ib3、Ib4;整流侧和逆变侧电压、电流在4个尺度下的线模分量信号如图5、图6、图7所示。
分别求取各个频带内的两端暂态电压、电流线模分量首波头幅值比
对故障数据进行小波分解变换时,所用小波基为db6,第1尺度下高频部分d1对应的频带为:50kHz<f<100kHz,第2尺度下高频部分d2对应的频带为:25kHz<f<50kHz,第3尺度下高频部分d3对应的频带为:12.5kHz<f<25kHz,第4尺度下高频部分d4对应的频带为:6.25kHz<f<12.5kHz。
为了使得训练集能够包含不同故障距离下故障特征,从距离整流侧保护安装处5km开始设置故障点,故障距离步长取为10km,故障点设置一直到距离整流侧保护安装处1015km结束,过渡电阻为0~100Ω,步长为10Ω。
对于故障测距神经网络模型而言,如果只选取高频带内单个尺度的线模分量首波头幅值比作为输入矢量,则测距结果易受干扰因素的影响,因此宜选取不同尺度的线模分量首波头幅值比作为测距网络模型的输入矢量。分析图1可知,在各频带内,线路两端电压、电流行波首波头幅值比与故障距离之间总体上呈现非线性确定关系,且频带越高线路两端电压、电流行波线模分量首波头幅值比随故障距离变化越大。
四、将步骤3中得到的电压信号线模分量首波头幅值比作为神经网络的输入样本,故障距离作为输出样本集,对神经网络进行训练,形成故障测距神经网络I,将电压信号线模分量首波头幅值比的测试样本输入训练好的神经网络I得到故障距离X1;将步骤3中得到的电流信号线模分量首波头幅值比作为神经网络的输入样本,故障距离作为输出样本集,对神经网络进行训练,形成故障测距神经网络II,将电流信号线模分量首波头幅值比的测试样本输入训练好的神经网络II得到故障距离X2。
前述步骤中得到的输入矢量可作为神经网络的输入样本集,故障距离作为输出样本集,对神经网络进行训练,生成故障测距神经网络模型,神经网络的原理可参照图3,其中训练样本的输入矢量为W=[W1,W2,W3,W4]以及V=[V1,V2,V3,V4];由于训练样本集的输入矢量数值有很大的差异,对于某一输入节点,如果该节点的数过大,这样的隐含层的输出中,该节点的权值的影响就要比其他分量大很多,这样其他分量就会失去调控作用。所以有必要对输入矢量进行归一化处理,使得输入矢量变化范围为(0,1),这样在神经网络训练时,各个输入矢量具有同等重要的地位,当故障测距神经网络模型形成以后,用得到的故障测距神经网络模型对训练集以外的故障距离进行测试,得到不同条件下的测距结果X1、X2。
以上步骤中故障测距的神经网络采用BP神经网络模型,神经网络结构如图8所示,其中输入层神经元数目为4,隐含层神经元数目为10;该网络具有一个隐含层,采用S型传递函数tansig,输出层采用纯线性传递函数purelin。
神经网络采用自适应学习速度算法trainlm(Levenberg-Marquardt算法),学习率为0.01,最大训练次数取为10000,收敛精度设置为0.001。训练收敛曲线如图9所示,横坐标为训练步数,纵坐标为训练误差,可见经过508次训练后,神经网络的误差收敛至0.001,达到预期要求,该神经网络收敛速度较快。
五、用全局几何平均最优法对故障距离数据进行综合整定,得出故障距离x,全局几何平均最优法公式如下:
式中,x*为故障距离x的误差,xi为计算得出的故障距离数据,N为故障距离
数据的个数。
在训练神经网络时,输入特征量选取的是各线模分量经过小波分解后得到的第1,2,3,4尺度内的模量首波头幅值比。通过分析可知,特高压直流输电线路发生故障时,暂态电压、电流线模分量首波头幅值比与故障距离之间呈现非线性关系。神经网络具有很强的非线性函数逼近拟合能力,故可采用神经网络对这种非线性关系进行泛化分析,从而实现对故障位置进行测算。
通过计算,选用不使用全局几何平均优化法的方案与该方案进行对比分析,能够发现:没有采用全局几何平均优化法的方案存在一定的误差,而在不同过渡电阻下不同故障距离处,该方案测得的结果误差基本保持在1.5‰以内,而且随着过渡电阻的变化,测距精度不受影响,精度较高。
两种方法结果对比列表: