CN111812423A - 一种高压直流换流阀换相失败预测识别系统和方法 - Google Patents

一种高压直流换流阀换相失败预测识别系统和方法 Download PDF

Info

Publication number
CN111812423A
CN111812423A CN202010217598.5A CN202010217598A CN111812423A CN 111812423 A CN111812423 A CN 111812423A CN 202010217598 A CN202010217598 A CN 202010217598A CN 111812423 A CN111812423 A CN 111812423A
Authority
CN
China
Prior art keywords
module
voltage
converter valve
current converter
commutation failure
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.)
Granted
Application number
CN202010217598.5A
Other languages
English (en)
Other versions
CN111812423B (zh
Inventor
梁家豪
陶敏
谢桂泉
周文瑞
张朝晖
黄安付
周亮
张蕴馨
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.)
NARI Group Corp
Guangzhou Bureau of Extra High Voltage Power Transmission Co
China EPRI Electric Power Engineering Co Ltd
Original Assignee
NARI Group Corp
Guangzhou Bureau of Extra High Voltage Power Transmission Co
China EPRI Electric Power Engineering Co Ltd
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 NARI Group Corp, Guangzhou Bureau of Extra High Voltage Power Transmission Co, China EPRI Electric Power Engineering Co Ltd filed Critical NARI Group Corp
Priority to CN202010217598.5A priority Critical patent/CN111812423B/zh
Publication of CN111812423A publication Critical patent/CN111812423A/zh
Application granted granted Critical
Publication of CN111812423B publication Critical patent/CN111812423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Conversion In General (AREA)

Abstract

本发明提供一种高压直流换流阀换相失败预测识别系统和方法，采样模块，用于采集晶闸管的模拟电压；智能运算模块，对高压直流换流阀换相失败进行预测和识别，还向触发模块下发触发命令；触发模块，用于向晶闸管下发触发脉冲。本发明得到的预测结果和识别结果准确性高，鲁棒性较好；本发明中的智能运算模块能够基于数字电压确定晶闸管的过零正电压和保护动作信号，且能够智能识别已发生的换相识别故障波形，增强了对换相失败的预防和抵御能力；本发明通过预测熄弧角与极限熄弧角进行比较，实现对换相失败的预测，能够大大降低高压直流换流阀故障带来的损失。

Description

一种高压直流换流阀换相失败预测识别系统和方法
技术领域
本发明涉及高压直流输电技术领域，具体涉及一种高压直流换流阀换相失败预测识别系统和方法。
背景技术
基于晶闸管的直流输电在大容量远距离输电具有很大的优势，晶闸管的直流输电大规模应用，其稳定性影响用电安全。其中晶闸管换流阀的逆变侧换相失败是常见的故障之一。随着功率的增大，换相失败引发的短时功率中断、过电压、换流阀过热等问题，严重影响设备安全和交流系统的安全稳定运行。
换相失败是指换流阀在换相过程中退出导通的桥臂单阀在反向电压作用下未能及时恢复阻断能力，使得桥臂单阀在接下来正向电压作用下重新导通的现象。换相失败对受端交流系统的安全稳定会产生严重的影响，现有的换相失败预测方法通过分析引起换相失败的主要因素，定义换相失败风险因子实现对换相失败的预测，又通过仿真分析提取换相失败后直流受端交流侧输出电流相位变化的典型特征，对换相失败进行快速识别。由于换相失败风险因子和直流受端交流侧输出电流相位变化的典型特征均具有确定性，不能随着换流阀新的复杂工况而改变，导致结果准确性低，且鲁棒性差。
发明内容
为了克服上述现有技术中预测结果准确性低及鲁棒性差的不足，本发明提供一种高压直流换流阀换相失败预测识别系统，包括：
采样模块，用于采集所述高压直流换流阀中晶闸管的模拟电压，并将所述模拟电压转换为数字电压；
智能运算模块，用于基于所述数字电压对所述高压直流换流阀换相失败进行预测和识别，之后将预测结果和识别结果发送给上层控制保护系统，还用于基于所述数字电压和来自于上层控制保护系统的控制信号和监测信号向触发模块下发触发命令；
触发模块，用于基于所述触发命令向所述晶闸管下发触发脉冲。
还包括光电转换模块；
所述光电转换模块，用于将晶闸管的过零正电压、保护动作信号和识别结果转换为光信号，并将所述光信号传输给上层控制保护系统，还用于将来自于上层控制保护系统的控制信号和监测信号传输给智能运算模块。
所述智能运算模块包括：
接收模块，用于接收来自于采样模块的数字电压和来自于光电转换模块的控制信号和监测信号；
确定模块，用于基于所述数字电压确定晶闸管的过零正电压和保护动作信号，并基于数字电压和来自于光电转换模块的控制信号和监测信号确定触发命令；
预测识别模块，用于基于所述数字电压，采用对比预测编码算法对所述高压直流换流阀换相失败进行预测和识别，得到预测结果和识别结果；
发送模块，用于将所述过零正电压、保护动作信号、预测结果和识别结果发送给光电转换模块，并将触发命令发送给触发模块。
所述预测识别模块包括：
编码器网络，用于对所述数字电压进行压缩，得到压缩表征信息；
自回归网络，用于采用循环神经网络和神经注意力机制对所述压缩表征信息进行自回归处理，得到自回归表征信息；
解码器网络，用于采用交叉熵损失函数对所述自回归表征信息进行解码，得到识别结果，并采用噪声对比估计损失函数对所述自回归表征信息进行解码，得到电压预测波形；
处理模块，用于基于所述电压预测波形确定晶闸管的预测熄弧角，并将所述预测熄弧角与极限熄弧角进行对比，当所述预测熄弧角小于极限熄弧角时，确定高压直流换流阀在下一时刻可能发生换相失败。
所述采样模块通过阻容分压模块采集晶闸管的模拟电压。
还包括取能模块，所述取能模块用于为智能运算模块、光电转换模块和触发模块供电。
所述取能模块通过阻容分压模块为智能运算模块、光电转换模块和触发模块供电。
基于同一发明构思，本发明还提供一种高压直流换流阀换相失败预测识别方法，包括：
采样模块采集所述高压直流换流阀中晶闸管的模拟电压，并将所述模拟电压转换为数字电压；
智能运算模块基于所述数字电压对所述高压直流换流阀换相失败进行预测和识别，将预测结果和识别结果发送给上层控制保护系统，之后所述智能运算模块基于所述数字电压和来自于上层控制保护系统的控制信号和监测信号向触发模块下发触发命令；
触发模块基于所述触发命令向所述晶闸管下发触发脉冲。
所述智能运算模块基于所述数字电压对所述高压直流换流阀换相失败进行预测和识别，将预测结果和识别结果发送给上层控制保护系统，包括：
智能运算模块基于所述数字电压对所述高压直流换流阀换相失败进行预测和识别，
光电转换模块将晶闸管的过零正电压、保护动作信号和识别结果转换为光信号，并将所述光信号传输给上层控制保护系统，还用于将来自于上层控制保护系统的控制信号和监测信号传输给智能运算模块。
所述智能运算模块基于所述数字电压对所述高压直流换流阀换相失败进行预测和识别，将预测结果和识别结果发送给上层控制保护系统，之后所述智能运算模块基于所述数字电压和来自于上层控制保护系统的控制信号和监测信号向触发模块下发触发命令，包括：
光电转换模块将来自于上层控制保护系统的控制信号和监测信号传输给接收模块；
接收模块接收来自于采样模块的数字电压和来自于光电转换模块的控制信号和监测信号；
确定模块基于所述数字电压确定晶闸管的过零正电压和保护动作信号，并基于数字电压和来自于光电转换模块的控制信号和监测信号确定触发命令；
预测识别模块基于所述数字电压，采用对比预测编码算法对所述高压直流换流阀换相失败进行预测和识别，得到预测结果和识别结果；
发送模块将所述过零正电压、保护动作信号、预测结果和识别结果发送给光电转换模块，并将触发命令发送给触发模块；
光电转换模块将所述过零正电压、保护动作信号和识别结果转换为光信号，并将所述光信号传输给上层控制保护系统。
所述预测识别模块基于所述数字电压，采用对比预测编码算法对所述高压直流换流阀换相失败进行预测和识别，得到预测结果和识别结果，包括：
编码器网络对所述数字电压进行压缩，得到压缩表征信息；
自回归网络采用循环神经网络和神经注意力机制对所述压缩表征信息进行自回归处理，得到自回归表征信息；
解码器网络采用交叉熵损失函数对所述自回归表征信息进行解码，得到识别结果，并采用噪声对比估计损失函数对所述自回归表征信息进行解码，得到电压预测波形；
处理模块基于所述电压预测波形确定晶闸管的预测熄弧角，并将所述预测熄弧角与极限熄弧角进行对比，当所述预测熄弧角小于极限熄弧角时，确定高压直流换流阀在下一时刻可能发生换相失败。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供的高压直流换流阀换相失败预测识别系统包括：采样模块，用于采集所述高压直流换流阀中晶闸管的模拟电压，并将所述模拟电压转换为数字电压；智能运算模块，用于基于所述数字电压对所述高压直流换流阀换相失败进行预测和识别，之后将预测结果和识别结果发送给光上层控制保护系统，还用于基于所述数字电压和来自于上层控制保护系统的控制信号和监测信号向触发模块下发触发命令；触发模块，用于基于所述触发命令向所述晶闸管下发触发脉冲，通过智能运算模块对高压直流换流阀换相失败进行预测和识别，得到的预测结果和识别结果准确性高，鲁棒性较好；
本发明中的预测识别模块采用对比预测编码算法判断当前是否处于换相失败工况，同时对高压直流换流阀下一刻是否换相失败进行预测，同时实现高压直流换流阀换相失败预测和识别；
本发明中的智能运算模块能够基于数字电压确定晶闸管的过零正电压和保护动作信号，且能够智能识别已发生的换相识别故障波形，增强了对换相失败的预防和抵御能力；
本发明通过预测熄弧角与极限熄弧角进行比较，实现对换相失败的预测，能够大大降低高压直流换流阀故障带来的损失。
附图说明
图1是本发明实施例中高压直流换流阀换相失败预测识别系统框图；
图2是本发明实施例中高压直流换流阀换相失败预测识别系统结构图；
图3是本发明实施例中高压直流换流阀换相失败预测识别方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
实施例1
本发明实施例1提供一种高压直流换流阀换相失败预测识别系统，如图1所示，图1中的T为高压直流换流阀中的晶闸管，具体包括：
采样模块，用于采集高压直流换流阀中晶闸管的模拟电压，并将模拟电压转换为数字电压；
智能运算模块，用于基于数字电压对高压直流换流阀换相失败进行预测和识别，之后将预测结果和识别结果发送给上层控制保护系统，还用于基于数字电压和来自于上层控制保护系统的控制信号和监测信号向触发模块下发触发命令；
触发模块，用于基于触发命令向晶闸管下发触发脉冲。
如图2所示，本发明实施例1提供的高压直流换流阀换相失败预测识别系统还包括光电转换模块；
光电转换模块用于将晶闸管的过零正电压、保护动作信号和识别结果转换为光信号，并将光信号传输给上层控制保护系统，还用于将来自于上层控制保护系统的控制信号和监测信号传输给智能运算模块。
智能运算模块包括：
接收模块，用于接收来自于采样模块的数字电压和来自于光电转换模块的控制信号和监测信号；
确定模块，用于基于数字电压确定晶闸管的过零正电压和保护动作信号，并基于数字电压和来自于光电转换模块的控制信号和监测信号确定触发命令；
预测识别模块，用于基于数字电压，采用对比预测编码算法(即CPC算法，Contrastive Predictive Coding)对高压直流换流阀换相失败进行预测和识别，得到预测结果和识别结果；
发送模块，用于将过零正电压、保护动作信号、预测结果和识别结果发送给光电转换模块，并将触发命令发送给触发模块。
预测识别模块包括：
编码器网络，用于对数字电压进行压缩，得到压缩表征信息；编码器网络是一个多层的网络，第一层神经元数量最多，剩下的层神经元数量依次递减，这样可以将高维数据压缩到更加紧密的潜在嵌入空间，相当于一个非线性映射，将高维空间内的信息变换到低维空间，这种经过压缩后的信息即压缩表征信息更容易用作自回归网络训练学习；
自回归网络，用于采用循环神经网络(recurrent neural network)和神经注意力机制(Attention Mechanism)对压缩表征信息进行自回归处理，得到自回归表征信息；自回归网络为序列学习模型，对于序列数据学习的具有记忆性，参数共享并且图灵完备，对序列的非线性特征进行学习时局域一定优势，对编码器网络编码后的序列进行预报即自回归处理；自回归网络学习了编码器网络压缩后的序列信息即压缩表征信息，其输出序列是输入序列的预测信息，该信息不能直接应用，需要经过解码器网络的进一步解码；
解码器网络是多层的神经网络，其用于采用交叉熵损失函数(Cross EntropyError Function)对自回归表征信息进行解码，得到识别结果，解码器用于识别换相失败时，其输出是one-hot编码，结果表示当前否是发生了换相失败，因此第二种解码器输出的维数是2位，输入的神经元数量大于中间层神经元数量，逐层减少；解码器网络还采用噪声对比估计损失函数(Noise-Contrastive Estimation)对自回归表征信息进行解码，得到电压预测波形，解码器用于预测换相失败时，其第一层神经元数量较少，后面神经元数量逐渐增多，目的是将压缩空间的信息，重新变换到与解码器网络输入空间相同的信息维度，用于解码预测信息成为有原来电压波形信息空间一致的电压信息，所得到的波形即为预测电压波形，改预测电压波形用于换相失败的预测；
处理模块，用于基于电压预测波形确定晶闸管的预测熄弧角，并将预测熄弧角与极限熄弧角进行对比，当预测熄弧角小于极限熄弧角时，确定高压直流换流阀在下一时刻可能发生换相失败。
光电转换模块通过阀基电子设备(VBE)与上层控制保护系统进行交互，即光电转换模块将晶闸管的过零正电压、保护动作信号和识别结果转换为光信号，并将光信号通过阀基电子设备传输给上层控制保护系统，还将来自于上层控制保护系统的控制信号和监测信号通过阀基电子设备传输给智能运算模块。上述得到的预测结果和识别结果为未来上层控制保护系统通过阀基电子设备下发控制信号和监测信号提供参考。
采样模块通过阻容分压模块采集晶闸管的模拟电压。
本发明实施例提供的高压直流换流阀换相失败预测识别系统还包括取能模块，取能模块也通过阻容分压模块为智能运算模块、光电转换模块和触发模块供电。
光电转换模块通过光纤与阀基电子设备交互，阀基电子设备也通过光纤与上层控制保护系统交互，上述来自于上层控制保护系统的监测信号用于验证光纤通路是否正常，当高压直流换流阀换相失败预测识别系统正常时，且电源功能正常，智能运算模块收到监测信号之后，就会通过光电转换模块回报一个信号到上层控保系统，上层控保系统收到这个信号之后，判定光纤通道正常。
实施例2
本发明实施例2提供一种高压直流换流阀换相失败预测识别方法，如图3所示，具体过程如下：
S201：采样模块采集高压直流换流阀中晶闸管的模拟电压，并将模拟电压转换为数字电压；
S202：智能运算模块基于数字电压对高压直流换流阀换相失败进行预测和识别，将预测结果和识别结果发送给上层控制保护系统，之后智能运算模块基于数字电压和来自于上层控制保护系统的控制信号和监测信号向触发模块下发触发命令；
S203：触发模块基于触发命令向晶闸管下发触发脉冲。
智能运算模块基于数字电压对高压直流换流阀换相失败进行预测和识别，将预测结果和识别结果发送给上层控制保护系统，包括：
智能运算模块基于数字电压对高压直流换流阀换相失败进行预测和识别，
光电转换模块将晶闸管的过零正电压、保护动作信号和识别结果转换为光信号，并将光信号传输给上层控制保护系统，还用于将来自于上层控制保护系统的控制信号和监测信号传输给智能运算模块。
智能运算模块基于数字电压对高压直流换流阀换相失败进行预测和识别，将预测结果和识别结果发送给上层控制保护系统，之后智能运算模块基于数字电压和来自于上层控制保护系统的控制信号和监测信号向触发模块下发触发命令，包括：
光电转换模块将来自于上层控制保护系统的控制信号和监测信号传输给接收模块；
接收模块接收来自于采样模块的数字电压和来自于光电转换模块的控制信号和监测信号；
确定模块基于数字电压确定晶闸管的过零正电压和保护动作信号，并基于数字电压和来自于光电转换模块的控制信号和监测信号确定触发命令；
预测识别模块基于数字电压，采用对比预测编码算法对高压直流换流阀换相失败进行预测和识别，得到预测结果和识别结果；
发送模块将过零正电压、保护动作信号、预测结果和识别结果发送给光电转换模块，并将触发命令发送给触发模块；
光电转换模块将过零正电压、保护动作信号和识别结果转换为光信号，并将光信号传输给上层控制保护系统。
预测识别模块基于数字电压，采用对比预测编码算法对高压直流换流阀换相失败进行预测和识别，得到预测结果和识别结果，包括：
编码器网络对数字电压进行压缩，得到压缩表征信息；编码器网络是一个多层的网络，第一层神经元数量最多，剩下的层神经元数量依次递减，这样可以将高维数据压缩到更加紧密的潜在嵌入空间，相当于一个非线性映射，将高维空间内的信息变换到低维空间，这种经过压缩后的信息即压缩表征信息更容易用作自回归网络训练学习；
自回归网络采用循环神经网络和神经注意力机制对压缩表征信息进行自回归处理，得到自回归表征信息；自回归网络为序列学习模型，对于序列数据学习的具有记忆性，参数共享并且图灵完备，对序列的非线性特征进行学习时局域一定优势，对编码器网络编码后的序列进行预报即自回归处理；自回归网络学习了编码器网络压缩后的序列信息即压缩表征信息，其输出序列是输入序列的预测信息，该信息不能直接应用，需要经过解码器网络的进一步解码；
解码器网络采用交叉熵损失函数对自回归表征信息进行解码，得到识别结果，解码器用于识别换相失败时，其输出是one-hot编码，结果表示当前否是发生了换相失败，因此第二种解码器输出的维数是2位，输入的神经元数量大于中间层神经元数量，逐层减少；解码器网络还采用噪声对比估计损失函数对自回归表征信息进行解码，得到电压预测波形，解码器用于预测换相失败时，其第一层神经元数量较少，后面神经元数量逐渐增多，目的是将压缩空间的信息，重新变换到与解码器网络输入空间相同的信息维度，用于解码预测信息成为有原来电压波形信息空间一致的电压信息，所得到的波形即为预测电压波形，改预测电压波形用于换相失败的预测；
处理模块基于电压预测波形确定晶闸管的预测熄弧角，并将预测熄弧角与极限熄弧角进行对比，当预测熄弧角小于极限熄弧角时，确定高压直流换流阀在下一时刻可能发生换相失败。
为了描述的方便，以上装置的各部分以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的保护范围之内。

Claims (11)

1.一种高压直流换流阀换相失败预测识别系统，其特征在于，包括：
采样模块，用于采集所述高压直流换流阀中晶闸管的模拟电压，并将所述模拟电压转换为数字电压；
智能运算模块，用于基于所述数字电压对所述高压直流换流阀换相失败进行预测和识别，之后将预测结果和识别结果发送给上层控制保护系统，还用于基于所述数字电压和来自于上层控制保护系统的控制信号和监测信号向触发模块下发触发命令；
触发模块，用于基于所述触发命令向所述晶闸管下发触发脉冲。
2.根据权利要求1所述的高压直流换流阀换相失败预测识别系统，其特征在于，还包括光电转换模块；
所述光电转换模块，用于将晶闸管的过零正电压、保护动作信号和识别结果转换为光信号，并将所述光信号传输给上层控制保护系统，还用于将来自于上层控制保护系统的控制信号和监测信号传输给智能运算模块。
3.根据权利要求2所述的高压直流换流阀换相失败预测识别系统，其特征在于，所述智能运算模块包括：
接收模块，用于接收来自于采样模块的数字电压和来自于光电转换模块的控制信号和监测信号；
确定模块，用于基于所述数字电压确定晶闸管的过零正电压和保护动作信号，并基于数字电压和来自于光电转换模块的控制信号和监测信号确定触发命令；
预测识别模块，用于基于所述数字电压，采用对比预测编码算法对所述高压直流换流阀换相失败进行预测和识别，得到预测结果和识别结果；
发送模块，用于将所述过零正电压、保护动作信号、预测结果和识别结果发送给光电转换模块，并将触发命令发送给触发模块。
4.根据权利要求3所述的高压直流换流阀换相失败预测识别系统，其特征在于，所述预测识别模块包括：
编码器网络，用于对所述数字电压进行压缩，得到压缩表征信息；
自回归网络，用于采用循环神经网络和神经注意力机制对所述压缩表征信息进行自回归处理，得到自回归表征信息；
解码器网络，用于采用交叉熵损失函数对所述自回归表征信息进行解码，得到识别结果，并采用噪声对比估计损失函数对所述自回归表征信息进行解码，得到电压预测波形；
处理模块，用于基于所述电压预测波形确定晶闸管的预测熄弧角，并将所述预测熄弧角与极限熄弧角进行对比，当所述预测熄弧角小于极限熄弧角时，确定高压直流换流阀在下一时刻可能发生换相失败。
5.根据权利要求1所述的高压直流换流阀换相失败预测识别系统，其特征在于，所述采样模块通过阻容分压模块采集晶闸管的模拟电压。
6.根据权利要求2所述的高压直流换流阀换相失败预测识别系统，其特征在于，还包括取能模块，所述取能模块用于为智能运算模块、光电转换模块和触发模块供电。
7.根据权利要求6所述的高压直流换流阀换相失败预测识别系统，其特征在于，所述取能模块通过阻容分压模块为智能运算模块、光电转换模块和触发模块供电。
8.一种高压直流换流阀换相失败预测识别方法，其特征在于，包括：
采样模块采集所述高压直流换流阀中晶闸管的模拟电压，并将所述模拟电压转换为数字电压；
智能运算模块基于所述数字电压对所述高压直流换流阀换相失败进行预测和识别，将预测结果和识别结果发送给上层控制保护系统，之后所述智能运算模块基于所述数字电压和来自于上层控制保护系统的控制信号和监测信号向触发模块下发触发命令；
触发模块基于所述触发命令向所述晶闸管下发触发脉冲。
9.根据权利要求8所述的高压直流换流阀换相失败预测识别方法，其特征在于，所述智能运算模块基于所述数字电压对所述高压直流换流阀换相失败进行预测和识别，将预测结果和识别结果发送给上层控制保护系统，包括：
智能运算模块基于所述数字电压对所述高压直流换流阀换相失败进行预测和识别，
光电转换模块将晶闸管的过零正电压、保护动作信号和识别结果转换为光信号，并将所述光信号传输给上层控制保护系统，还用于将来自于上层控制保护系统的控制信号和监测信号传输给智能运算模块。
10.根据权利要求9所述的高压直流换流阀换相失败预测识别方法，其特征在于，所述智能运算模块基于所述数字电压对所述高压直流换流阀换相失败进行预测和识别，将预测结果和识别结果发送给上层控制保护系统，之后所述智能运算模块基于所述数字电压和来自于上层控制保护系统的控制信号和监测信号向触发模块下发触发命令，包括：
光电转换模块将来自于上层控制保护系统的控制信号和监测信号传输给接收模块；
接收模块接收来自于采样模块的数字电压和来自于光电转换模块的控制信号和监测信号；
确定模块基于所述数字电压确定晶闸管的过零正电压和保护动作信号，并基于数字电压和来自于光电转换模块的控制信号和监测信号确定触发命令；
预测识别模块基于所述数字电压，采用对比预测编码算法对所述高压直流换流阀换相失败进行预测和识别，得到预测结果和识别结果；
发送模块将所述过零正电压、保护动作信号、预测结果和识别结果发送给光电转换模块，并将触发命令发送给触发模块；
光电转换模块将所述过零正电压、保护动作信号和识别结果转换为光信号，并将所述光信号传输给上层控制保护系统。
11.根据权利要求10所述的高压直流换流阀换相失败预测识别方法，其特征在于，所述预测识别模块基于所述数字电压，采用对比预测编码算法对所述高压直流换流阀换相失败进行预测和识别，得到预测结果和识别结果，包括：
编码器网络对所述数字电压进行压缩，得到压缩表征信息；
自回归网络采用循环神经网络和神经注意力机制对所述压缩表征信息进行自回归处理，得到自回归表征信息；
解码器网络采用交叉熵损失函数对所述自回归表征信息进行解码，得到识别结果，并采用噪声对比估计损失函数对所述自回归表征信息进行解码，得到电压预测波形；
处理模块基于所述电压预测波形确定晶闸管的预测熄弧角，并将所述预测熄弧角与极限熄弧角进行对比，当所述预测熄弧角小于极限熄弧角时，确定高压直流换流阀在下一时刻可能发生换相失败。
CN202010217598.5A 2020-03-25 2020-03-25 一种高压直流换流阀换相失败预测识别系统和方法 Active CN111812423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010217598.5A CN111812423B (zh) 2020-03-25 2020-03-25 一种高压直流换流阀换相失败预测识别系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010217598.5A CN111812423B (zh) 2020-03-25 2020-03-25 一种高压直流换流阀换相失败预测识别系统和方法

Publications (2)

Publication Number Publication Date
CN111812423A true CN111812423A (zh) 2020-10-23
CN111812423B CN111812423B (zh) 2022-11-25

Family

ID=72848153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010217598.5A Active CN111812423B (zh) 2020-03-25 2020-03-25 一种高压直流换流阀换相失败预测识别系统和方法

Country Status (1)

Country Link
CN (1) CN111812423B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103227506A (zh) * 2013-03-25 2013-07-31 国网智能电网研究院 一种换流阀晶闸管触发监测单元
KR20150142763A (ko) * 2014-06-11 2015-12-23 한국전력공사 Ｈｖｄｃ 시스템의 전류실패 예측 제어 장치
CN105375504A (zh) * 2014-08-25 2016-03-02 国家电网公司 一种换流阀熄弧角预测控制方法
CN110850210A (zh) * 2019-11-18 2020-02-28 全球能源互联网研究院有限公司 一种直流输电换流阀阀基电子装置及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103227506A (zh) * 2013-03-25 2013-07-31 国网智能电网研究院 一种换流阀晶闸管触发监测单元
KR20150142763A (ko) * 2014-06-11 2015-12-23 한국전력공사 Ｈｖｄｃ 시스템의 전류실패 예측 제어 장치
CN105375504A (zh) * 2014-08-25 2016-03-02 国家电网公司 一种换流阀熄弧角预测控制方法
CN110850210A (zh) * 2019-11-18 2020-02-28 全球能源互联网研究院有限公司 一种直流输电换流阀阀基电子装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
阮思烨 等: "直流输电系统换相失败统计分析及抵御措施建议", 《电力系统自动化》 *

Also Published As

Publication number Publication date
CN111812423B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN109492193B (zh) 基于深度机器学习模型的异常网络数据生成与预测方法
CN100411296C (zh) 变频调速系统瞬间掉电再起动方法及装置
CN103457609B (zh) 故障录波数据无损压缩、解压缩方法
CN104980752A (zh) 利用cpu和gpu实现多路自适应并行转码的方法及系统
CN111710150A (zh) 一种基于对抗自编码网络的异常用电数据检测方法
CN113097966A (zh) 一种基于断路器的低压台区拓扑识别方法及系统
CN107687332A (zh) 利用电参数实现螺杆泵和抽油机工况在线分析诊断和控制调整方法及装置
CN110927497B (zh) 一种转辙机故障检测方法及装置
CN101982789A (zh) 一种新型直流换流阀晶闸管低电压触发试验方法
CN111812423B (zh) 一种高压直流换流阀换相失败预测识别系统和方法
CN110658386B (zh) 一种基于电容投切的户变关系识别方法及系统
CN108963980B (zh) 一种基于故障隔离库的多模态故障隔离方法
CN109633506B (zh) 直流输电系统中的数据采集校核方法与监测控制系统
CN108896805B (zh) 斩波信号检定方法、系统及电能检测装置
CN102005812A (zh) 一种判断交流电掉电的方法及装置
CN109901003A (zh) 一种逆变器功率故障检测方法及系统
CN116752190A (zh) 一种适用于清洁能源发电的氢储能系统
CN111813824A (zh) 一种10kV线路出线停电事件漏报自动检验方法及系统
CN110133395A (zh) 一种充电桩健康状态诊断方法及装置
CN115986797A (zh) 一种基于多点同步测试的新能源场站电化学储能系统并网性能检测方法、装置和系统
CN110399926A (zh) 一种路灯故障诊断方法及装置
CN111813825B (zh) 一种配变出口停电事件漏报自动检验方法及系统
CN115078980A (zh) 一种用于接触器、继电器故障预测和健康管理技术的验证与试验测试方法
CN106160944A (zh) 一种超声波局部放电信号的变速率编码压缩方法
Xie et al. Substation integrated information processing system based on multi-channel video and voiceprint intelligent recognition

Legal Events

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