CN112731051A - 混合网络的高压直流输电线路的单端故障定位方法及系统 - Google Patents
混合网络的高压直流输电线路的单端故障定位方法及系统 Download PDFInfo
- Publication number
- CN112731051A CN112731051A CN202011501736.9A CN202011501736A CN112731051A CN 112731051 A CN112731051 A CN 112731051A CN 202011501736 A CN202011501736 A CN 202011501736A CN 112731051 A CN112731051 A CN 112731051A
- Authority
- CN
- China
- Prior art keywords
- fault
- voltage
- current
- training
- data set
- 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
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Locating Faults (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于混合深度网络的高压直流输电线路的单端故障定位方法及系统,采集高压直流输电系统在不同故障类型、故障距离和过渡电阻下的整流侧母线输出电压和电流信号作为原始数据集;利用相模变换来消除双极直流线路的电磁耦合,并利用变分模态分解提取不同故障情景下的故障电压和电流信号的IMF分量,并计算IMF分量的TEO,获得特征工程后的故障数据集;对故障数据集进行归一化处理后划分为训练集和测试集;将训练集和测试集先后输入到卷积神经网络和长短期记忆网络的混合网络中分别进行训练和测试。本发明结合特征提取算法、深度学习分类机制和回归机制,大大提高了HVDC系统的输电线路的故障定位精确度。
Description
技术领域
本发明属于高压直流输电系统故障定位领域,更具体地,涉及一种基于混合深度网络的高压直流输电线路的单端故障定位方法及系统。
背景技术
近年来,可再生发电已被广泛使用。高压直流输电(High Voltage DirectCurrent Transmission,HVDC)系统具有远距离和高功率的电能传输的技术优势。该技术可以将大量风能从海洋远距离传输到陆地。由于其远距离传输和复杂的自然环境因素,这种HVDC输电线路出现故障的可能性很高。因此,实现及时准确的故障定位是提高电力系统可靠运行的前提。行波法在HVDC输电线路故障定位中的应用相对较多。与双端行波法相比,单端行波法不需要全球定位系统和通信设备,从而避免了由于测量时间不同步而导致的误差。当传统的单端行波法用于HVDC系统的故障定位时,它具有许多缺点,例如:高的采样频率依赖性,以及在发生高阻抗故障时难以确定波速和识别波头。单端法的行波波速具有频变特性且当故障发生在不同故障区段上时,整流侧检测到的反射波头来源难以区分。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种基于混合深度网络的高压直流输电线路的单端故障定位方法及系统,提高了HVDC输电线路的故障定位精度,且受到故障类型、噪声、采样频率和不同的HVDC拓扑结构的影响较小。
为实现上述目的,按照本发明的一个方面,提供了一种基于混合深度网络的高压直流输电线路的单端故障定位方法,包括:
(1)建立基于电压源换流器的HVDC双极输电系统的仿真模型,并选取在不同故障类型、故障距离和过渡电阻下的整流侧母线输出电压和电流信号为原始数据集,并根据发生故障的输电线路的故障区段及其精确故障位置,对故障区段进行标签分类并对故障位置进行标签定位;
(2)对经过相模变换后的每种故障情景下整流侧的电压和电流进行变分模态分解VMD,获取信号有效的本征模态函数IMF分量,并计算IMF分量的Teager能量算子TEO来获得特征工程后的故障数据集;
(3)对经过VMD和TEO特征工程后的故障数据集进行归一化的数据预处理,将预处理后的数据集划分为训练集和测试集;
(4)将训练集和测试集先后输入到CNN-LSTM网络模型分别进行模型训练和测试,其中,卷积神经网络CNN作为分类器中进行故障区段识别,长短期记忆网络LSTM作为回归器进行故障定位。
在一些可选的实施方案中,步骤(1)包括:
在基于电压源换流器的HVDC双极输电系统的仿真模型中,设置不同的故障情景来构造原始数据集,其中,直流侧的输电线路在距离整流侧母线每若干km设置一次故障情景,故障类型包括正极接地、负极接地及正负极短路接地三种情况;接地电阻在预设范围内按照最小值到最大值之间等间距的进行设置,每种故障距离、故障类型和接地电阻的组合即为一种故障情景,测量所有故障情景下的整流侧母线输出电压和电流信号为原始数据集。
在一些可选的实施方案中,步骤(2)包括:
对每种故障情景下整流侧双极母线上的电压和电流信号分别添加噪声来模拟测量设备的噪声干扰情景,对含噪声的电压信号进行相模变换来获取线模电压分量,对含噪声的电流信号进行相模变换来获取线模电流分量,对各线模电压分量和各线模电流分量进行VMD分解获取高频的第一个IMF分量IMF1,并计算各高频的IMF1分量的Teager能量算子TEO来获得特征工程后的故障数据集。
在一些可选的实施方案中,步骤(3)包括:
将计算TEO后电压的IMF1分量进行最大-最小归一化处理得到预处理后的电压分量,将计算TEO后电流的IMF1分量进行最大-最小归一化处理得到预处理后的电流分量,将预处理后的电压分量和电流分量构造成2维的张量2D-Tensor,将所有2D-Tensor划分为训练集和测试集。
在一些可选的实施方案中,步骤(4)包括:
将训练集输入到混合深度模型中进行训练,混合深度模型中的2D-CNN作为分类器完成了识别故障区段的任务,LSTM作为回归器融合分类器中的故障区段信息,其中,故障区段划分需要根据模型训练的故障定位的准确率来确定,选择若干个故障距离对应的故障样本进行模型训练,对故障距离标签设置±a%的容差范围,统计选择出来的样本故障定位的准确率,通过对比实验确定最佳的故障区段数。
按照本发明的另一方面,提供了一种基于混合深度网络的高压直流输电线路的单端故障定位系统,包括:
数据获取模块,用于建立基于电压源换流器的HVDC双极输电系统的仿真模型,并选取在不同故障类型、故障距离和过渡电阻下的整流侧母线输出电压和电流信号为原始数据集,并根据发生故障的输电线路的故障区段及其精确故障位置,对故障区段进行标签分类并对故障位置进行标签定位;
特征工程模块,用于对经过相模变换后的每种故障情景下整流侧的电压和电流进行变分模态分解VMD,获取信号有效的本征模态函数IMF分量,并计算IMF分量的Teager能量算子TEO来获得特征工程后的故障数据集;
预处理模块,用于对经过VMD和TEO特征工程后的故障数据集进行归一化的数据预处理,将预处理后的数据集划分为训练集和测试集;
训练模块,用于将训练集和测试集先后输入到CNN-LSTM网络模型分别进行模型训练和测试,其中,卷积神经网络CNN作为分类器中进行故障区段识别,长短期记忆网络LSTM作为回归器进行故障定位。
在一些可选的实施方案中,所述数据获取模块,用于在基于电压源换流器的HVDC双极输电系统的仿真模型中,设置不同的故障情景来构造原始数据集,其中,直流侧的输电线路在距离整流侧母线每若干km设置一次故障情景,故障类型包括正极接地、负极接地及正负极短路接地三种情况;接地电阻在预设范围内按照最小值到最大值之间等间距的进行设置,每种故障距离、故障类型和接地电阻的组合即为一种故障情景,测量所有故障情景下的整流侧母线输出电压和电流信号为原始数据集。
在一些可选的实施方案中,所述特征工程模块,用于对每种故障情景下整流侧双极母线上的电压和电流信号分别添加噪声来模拟测量设备的噪声干扰情景,对含噪声的电压信号进行相模变换来获取线模电压分量,对含噪声的电流信号进行相模变换来获取线模电流分量,对各线模电压分量和各线模电流分量进行VMD分解获取高频的第一个IMF分量IMF1,并计算各高频的IMF1分量的Teager能量算子TEO来获得特征工程后的故障数据集。
在一些可选的实施方案中,所述预处理模块,用于将计算TEO后电压的IMF1分量进行最大-最小归一化处理得到预处理后的电压分量,将计算TEO后电流的IMF1分量进行最大-最小归一化处理得到预处理后的电流分量,将预处理后的电压分量和电流分量构造成2维的张量2D-Tensor,将所有2D-Tensor划分为训练集和测试集。
在一些可选的实施方案中,所述训练模块,用于将训练集输入到混合深度模型中进行训练,混合深度模型中的2D-CNN作为分类器完成了识别故障区段的任务,LSTM作为回归器融合分类器中的故障区段信息,其中,故障区段划分需要根据模型训练的故障定位的准确率来确定,选择若干个故障距离对应的故障样本进行模型训练,对故障距离标签设置±a%的容差范围,统计选择出来的样本故障定位的准确率,通过对比实验确定最佳的故障区段数。
按照本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
传统的单端行波法中行波波速具有频变特性而难以确定波速,HVDC输电线路的不同区段上发生故障时整流侧难以识别反射行波的波头来源。本发明结合特征提取算法、利用CNN进行故障区段识别,并利用CNN-LSTM混合网络融合故障区段识别信息实现精准的故障定位,解决了单端行波法出现的技术难题,包括:高的采样频率依赖性,在发生高阻抗故障时难以确定行波波速和识别波头。且受到故障类型、噪声、采样频率和不同的HVDC拓扑结构的影响较小。
附图说明
图1是本发明实施例提供的一种方法流程示意图;
图2是本发明实施例提供的另一种方法流程示意图;
图3是本发明实施例提供的一种VSC-HVDC的基本结构系统仿真拓扑图;
图4是本发明实施例提供的一种电压和电流进行VMD和TEO特征工程后的实验结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1及图2所示是本发明实施例提供的一种基于混合深度网络的高压直流输电线路的单端故障定位方法,包括以下步骤:
S1:建立基于电压源换流器的HVDC双极输电系统的仿真模型,并选取在不同故障类型、故障距离和过渡电阻下的整流侧母线输出电压和电流信号为原始数据集,并根据发生故障的输电线路的故障区段及其精确故障位置,对故障区段进行标签分类并对故障位置进行标签定位;
其中,对故障区段进行标签分类中的“标签”是指将输电线路分成若干个小区段,给每个区段编号,当故障发生在具体某个区段时,给它相应的标识即故障区段的标签;对故障位置进行标签定位中的“标签”是指对故障发生的精确位置进行标识即故障距离标签。
在步骤S1中,建立基于电压源换流器的HVDC(Voltage Source Converter basedHigh Voltage Direct Current Transmission,VSC-HVDC)双极输电系统的仿真模型,其仿真拓扑图如图3所示。设置不同的故障情景来构造原始数据集。直流侧的输电线路在距离整流侧母线每1km设置一次;故障类型包括正极接地,负极接地,正负极短路接地三种情况;接地电阻在预设的一定范围内按照最小值到最大值之间等间距的进行设置。每种故障距离、故障类型和接地电阻的组合即为一种故障情景。测量所有故障情景下的整流侧母线输出电压和电流信号为原始数据集。
S2:对经过相模变换后的每种故障情景下整流侧的电压和电流进行变分模态分解VMD,获取信号有效的本征模态函数IMF分量,并计算IMF分量的Teager能量算子TEO来获得特征工程后的故障数据集;
在步骤S2中,对每种故障情景下整流侧双极母线上的电压和电流信号分别添加噪声来模拟测量设备的噪声干扰情景,对含噪声的电压信号进行相模变换来获取线模电压分量,对含噪声的电流信号进行相模变换来获取线模电流分量,对经过相模变换后的每种故障情景下整流侧的电压和电流对应的各线模电压分量和各线模电流分量进行变分模态分解(Variational mode decomposition,VMD)分解,获取信号有效的IMF分量,并计算高频的IMF1分量的Teager能量算子(Teager Energy Operator,TEO)来获得特征工程后的故障数据集。当VSC-HVDC输电系统发生负极接地故障时,对电压和电流进行VMD和TEO的特征工程后的实验结果如图4所示。
S3:对经过VMD和TEO特征工程后的故障数据集进行归一化的数据预处理,将预处理后的数据集划分为训练集和测试集;
在步骤S3中,对经过VMD和TEO特征工程后的故障数据集进行归一化的数据预处理,并将预处理后的电压分量和电流分量构造成2维的张量(2D-Tensor),其中,一组电压分量和其对应的一组电流分量组合成一个2维张量,将这些2D-Tensor划分为训练集和测试集;
S4:将训练集和测试集先后输入到如图2所示的CNN-LSTM网络模型分别进行训练和测试,其中,卷积神经网络(Convolutional Neural Networks,CNN)作为分类器中进行故障区段识别,长短期记忆网络(Long Short-Term Memory,LSTM)作为回归器进行故障定位,该混合CNN-LSTM网络能完成故障区段识别和故障点的精确定位两个任务,CNN通过处理2维张量来实现故障区段分类从而识别故障区段;LSTM将CNN中输出的含有丰富特征信息的高维度的时间序列进行回归分析,在进行故障定位时可以融合故障区段信息,从而实现精准的智能单端故障定位。
其中,具体的故障区段划分需要根据CNN-LSTM模型训练的故障定位的准确率来确定。选择若干个故障距离对应的训练集中的故障样本进行模型训练,对故障距离标签设置±a%(如±5%)的容差范围,统计这些样本故障定位的准确率,通过对比不同模型参数下的故障定位的准确率确定最佳的故障区段数。利用混合的CNN-LSTM网络进行故障定位时可以融合故障区段信息,从而实现智能的单端故障定位。
本发明实施例的混合深度网络的高压直流输电线路的单端故障定位方法,利用VMD和TEO的特征工程来提高模型训练的效果。传统的单端行波法中行波波速具有频变特性而难以确定波速,HVDC输电线路的不同区段上发生故障时整流侧难以识别反射行波的波头来源。该CNN-LSTM混合网络中2D-CNN作为分类器完成了识别故障区段的任务,LSTM作为回归器融合分类器中的故障区段信息,以完成精确的故障定位任务。该方法具有较高的故障定位精度,并受到故障类型、噪声、采样频率和不同的HVDC拓扑的影响较小。
本申请还提供了一种基于混合深度网络的高压直流输电线路的单端故障定位系统,包括:
数据获取模块,用于建立基于电压源换流器的HVDC双极输电系统的仿真模型,并选取在不同故障类型、故障距离和过渡电阻下的整流侧母线输出电压和电流信号为原始数据集,并根据发生故障的输电线路的故障区段及其精确故障位置,对故障区段进行标签分类并对故障位置进行标签定位;
特征工程模块,用于对经过相模变换后的每种故障情景下整流侧的电压和电流进行变分模态分解VMD,获取信号有效的本征模态函数IMF分量,并计算IMF分量的Teager能量算子TEO来获得特征工程后的故障数据集;
预处理模块,用于对经过VMD和TEO特征工程后的故障数据集进行归一化的数据预处理,将预处理后的数据集划分为训练集和测试集;
训练模块,用于将训练集和测试集先后输入到CNN-LSTM网络模型分别进行模型训练和测试,其中,卷积神经网络CNN作为分类器中进行故障区段识别,长短期记忆网络LSTM作为回归器进行故障定位。
在一些可选的实施方案中,上述数据获取模块,用于在基于电压源换流器的HVDC双极输电系统的仿真模型中,设置不同的故障情景来构造原始数据集,其中,直流侧的输电线路在距离整流侧母线每若干km设置一次故障情景,故障类型包括正极接地、负极接地及正负极短路接地三种情况;接地电阻在预设范围内按照最小值到最大值之间等间距的进行设置,每种故障距离、故障类型和接地电阻的组合即为一种故障情景,测量所有故障情景下的整流侧母线输出电压和电流信号为原始数据集。
在一些可选的实施方案中,上述特征工程模块,用于对每种故障情景下整流侧双极母线上的电压和电流信号分别添加噪声来模拟测量设备的噪声干扰情景,对含噪声的电压信号进行相模变换来获取线模电压分量,对含噪声的电流信号进行相模变换来获取线模电流分量,对各线模电压分量和各线模电流分量进行VMD分解获取高频的第一个IMF分量IMF1,并计算各高频的IMF1分量的Teager能量算子TEO来获得特征工程后的故障数据集。
在一些可选的实施方案中,上述预处理模块,用于将计算TEO后电压的IMF1分量进行最大-最小归一化处理得到预处理后的电压分量,将计算TEO后电流的IMF1分量进行最大-最小归一化处理得到预处理后的电流分量,将预处理后的电压分量和电流分量构造成2维的张量2D-Tensor,将所有2D-Tensor划分为训练集和测试集。
在一些可选的实施方案中,上述训练模块,用于将训练集输入到混合深度模型中进行训练,混合深度模型中的2D-CNN作为分类器完成了识别故障区段的任务,LSTM作为回归器融合分类器中的故障区段信息,其中,故障区段划分需要根据模型训练的故障定位的准确率来确定,选择若干个故障距离对应的故障样本进行模型训练,对故障距离标签设置±a%的容差范围,统计选择出来的样本故障定位的准确率,通过对比实验确定最佳的故障区段数。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现方法实施例中的基于混合深度网络的高压直流输电线路的单端故障定位方法。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于混合深度网络的高压直流输电线路的单端故障定位方法,其特征在于,包括:
(1)建立基于电压源换流器的HVDC双极输电系统的仿真模型,并选取在不同故障类型、故障距离和过渡电阻下的整流侧母线输出电压和电流信号为原始数据集,并根据发生故障的输电线路的故障区段及其精确故障位置,对故障区段进行标签分类并对故障位置进行标签定位;
(2)对经过相模变换后的每种故障情景下整流侧的电压和电流进行变分模态分解VMD,获取信号有效的本征模态函数IMF分量,并计算IMF分量的Teager能量算子TEO来获得特征工程后的故障数据集;
(3)对经过VMD和TEO特征工程后的故障数据集进行归一化的数据预处理,将预处理后的数据集划分为训练集和测试集;
(4)将训练集和测试集先后输入到CNN-LSTM网络模型分别进行模型训练和测试,其中,卷积神经网络CNN作为分类器中进行故障区段识别,长短期记忆网络LSTM作为回归器进行故障定位。
2.根据权利要求1所述的方法,其特征在于,步骤(1)包括:
在基于电压源换流器的HVDC双极输电系统的仿真模型中,设置不同的故障情景来构造原始数据集,其中,直流侧的输电线路在距离整流侧母线每若干km设置一次故障情景,故障类型包括正极接地、负极接地及正负极短路接地三种情况;接地电阻在预设范围内按照最小值到最大值之间等间距的进行设置,每种故障距离、故障类型和接地电阻的组合即为一种故障情景,测量所有故障情景下的整流侧母线输出电压和电流信号为原始数据集。
3.根据权利要求1或2所述的方法,其特征在于,步骤(2)包括:
对每种故障情景下整流侧双极母线上的电压和电流信号分别添加噪声来模拟测量设备的噪声干扰情景,对含噪声的电压信号进行相模变换来获取线模电压分量,对含噪声的电流信号进行相模变换来获取线模电流分量,对各线模电压分量和各线模电流分量进行VMD分解获取高频的第一个IMF分量IMF1,并计算各高频的IMF1分量的Teager能量算子TEO来获得特征工程后的故障数据集。
4.根据权利要求3所述的方法,其特征在于,步骤(3)包括:
将计算TEO后电压的IMF1分量进行最大-最小归一化处理得到预处理后的电压分量,将计算TEO后电流的IMF1分量进行最大-最小归一化处理得到预处理后的电流分量,将预处理后的电压分量和电流分量构造成2维的张量2D-Tensor,将所有2D-Tensor划分为训练集和测试集。
5.根据权利要求4所述的方法,其特征在于,步骤(4)包括:
将训练集输入到混合深度模型中进行训练,混合深度模型中的2D-CNN作为分类器完成了识别故障区段的任务,LSTM作为回归器融合分类器中的故障区段信息,其中,故障区段划分需要根据模型训练的故障定位的准确率来确定,选择若干个故障距离对应的故障样本进行模型训练,对故障距离标签设置±a%的容差范围,统计选择出来的样本故障定位的准确率,通过对比实验确定最佳的故障区段数。
6.一种基于混合深度网络的高压直流输电线路的单端故障定位系统,其特征在于,包括:
数据获取模块,用于建立基于电压源换流器的HVDC双极输电系统的仿真模型,并选取在不同故障类型、故障距离和过渡电阻下的整流侧母线输出电压和电流信号为原始数据集,并根据发生故障的输电线路的故障区段及其精确故障位置,对故障区段进行标签分类并对故障位置进行标签定位;
特征工程模块,用于对经过相模变换后的每种故障情景下整流侧的电压和电流进行变分模态分解VMD,获取信号有效的本征模态函数IMF分量,并计算IMF分量的Teager能量算子TEO来获得特征工程后的故障数据集;
预处理模块,用于对经过VMD和TEO特征工程后的故障数据集进行归一化的数据预处理,将预处理后的数据集划分为训练集和测试集;
训练模块,用于将训练集和测试集先后输入到CNN-LSTM网络模型分别进行模型训练和测试,其中,卷积神经网络CNN作为分类器中进行故障区段识别,长短期记忆网络LSTM作为回归器进行故障定位。
7.根据权利要求6所述的系统,其特征在于,所述数据获取模块,用于在基于电压源换流器的HVDC双极输电系统的仿真模型中,设置不同的故障情景来构造原始数据集,其中,直流侧的输电线路在距离整流侧母线每若干km设置一次故障情景,故障类型包括正极接地、负极接地及正负极短路接地三种情况;接地电阻在预设范围内按照最小值到最大值之间等间距的进行设置,每种故障距离、故障类型和接地电阻的组合即为一种故障情景,测量所有故障情景下的整流侧母线输出电压和电流信号为原始数据集。
8.根据权利要求6或7所述的系统,其特征在于,所述特征工程模块,用于对每种故障情景下整流侧双极母线上的电压和电流信号分别添加噪声来模拟测量设备的噪声干扰情景,对含噪声的电压信号进行相模变换来获取线模电压分量,对含噪声的电流信号进行相模变换来获取线模电流分量,对各线模电压分量和各线模电流分量进行VMD分解获取高频的第一个IMF分量IMF1,并计算各高频的IMF1分量的Teager能量算子TEO来获得特征工程后的故障数据集。
9.根据权利要求8所述的系统,其特征在于,所述预处理模块,用于将计算TEO后电压的IMF1分量进行最大-最小归一化处理得到预处理后的电压分量,将计算TEO后电流的IMF1分量进行最大-最小归一化处理得到预处理后的电流分量,将预处理后的电压分量和电流分量构造成2维的张量2D-Tensor,将所有2D-Tensor划分为训练集和测试集。
10.根据权利要求9所述的系统,其特征在于,所述训练模块,用于将训练集输入到混合深度模型中进行训练,混合深度模型中的2D-CNN作为分类器完成了识别故障区段的任务,LSTM作为回归器融合分类器中的故障区段信息,其中,故障区段划分需要根据模型训练的故障定位的准确率来确定,选择若干个故障距离对应的故障样本进行模型训练,对故障距离标签设置±a%的容差范围,统计选择出来的样本故障定位的准确率,通过对比实验确定最佳的故障区段数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011501736.9A CN112731051B (zh) | 2020-12-18 | 2020-12-18 | 混合网络的高压直流输电线路的单端故障定位方法及系统 |
US17/496,774 US20220196720A1 (en) | 2020-12-18 | 2021-10-08 | Single-ended fault positioning method and system for high-voltage direct-current transmission line of hybrid network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011501736.9A CN112731051B (zh) | 2020-12-18 | 2020-12-18 | 混合网络的高压直流输电线路的单端故障定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731051A true CN112731051A (zh) | 2021-04-30 |
CN112731051B CN112731051B (zh) | 2021-10-08 |
Family
ID=75602879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011501736.9A Active CN112731051B (zh) | 2020-12-18 | 2020-12-18 | 混合网络的高压直流输电线路的单端故障定位方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220196720A1 (zh) |
CN (1) | CN112731051B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640633A (zh) * | 2021-08-12 | 2021-11-12 | 贵州大学 | 一种气体绝缘组合电器设备故障定位方法 |
CN113884818A (zh) * | 2021-10-27 | 2022-01-04 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
CN116859184A (zh) * | 2023-09-05 | 2023-10-10 | 国网信息通信产业集团有限公司 | 电网故障检测方法、装置、电子设备和计算机可读介质 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115201627A (zh) * | 2022-07-05 | 2022-10-18 | 福州大学 | 基于皮尔森相关系数与小波包分解的线路接地故障定位法 |
CN115267428A (zh) * | 2022-07-20 | 2022-11-01 | 福州大学 | 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 |
CN115932484B (zh) * | 2023-02-15 | 2023-07-18 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
CN115935244B (zh) * | 2023-03-09 | 2023-05-09 | 西南交通大学 | 一种基于数据驱动的单相整流器故障诊断方法 |
CN116087667A (zh) * | 2023-03-09 | 2023-05-09 | 国网安徽省电力有限公司超高压分公司 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
CN116593829B (zh) * | 2023-07-17 | 2023-10-20 | 广州长川科技有限公司 | 基于数据分析的输电线路隐患在线监测系统 |
CN116879684B (zh) * | 2023-09-06 | 2023-11-17 | 成都汉度科技有限公司 | 一种异常线路判断方法及系统 |
CN117648589B (zh) * | 2024-01-30 | 2024-05-14 | 云储新能源科技有限公司 | 一种储能电池热失控预警方法、系统、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150015066A1 (en) * | 2013-07-15 | 2015-01-15 | General Electric Company | Method and system for control and protection of direct current subsea power systems |
CN104734189A (zh) * | 2015-03-27 | 2015-06-24 | 武汉大学 | 基于vsc-hvdc的风电分散并网下垂控制方法 |
US20160266192A1 (en) * | 2013-11-15 | 2016-09-15 | Abb Technology Ag | A method of single-ended fault location in hvdc transmission lines |
CN110609213A (zh) * | 2019-10-21 | 2019-12-24 | 福州大学 | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 |
CN111308271A (zh) * | 2020-03-07 | 2020-06-19 | 云南电网有限责任公司 | 一种高压直流输电线路故障测距方法 |
CN111382790A (zh) * | 2020-03-07 | 2020-07-07 | 北京工业大学 | 一种基于小波变换的高压直流故障分类方法 |
CN111948493A (zh) * | 2020-08-21 | 2020-11-17 | 兰州理工大学 | 一种mmc-hvdc直流输电线路故障定位方法 |
-
2020
- 2020-12-18 CN CN202011501736.9A patent/CN112731051B/zh active Active
-
2021
- 2021-10-08 US US17/496,774 patent/US20220196720A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150015066A1 (en) * | 2013-07-15 | 2015-01-15 | General Electric Company | Method and system for control and protection of direct current subsea power systems |
US20160266192A1 (en) * | 2013-11-15 | 2016-09-15 | Abb Technology Ag | A method of single-ended fault location in hvdc transmission lines |
CN104734189A (zh) * | 2015-03-27 | 2015-06-24 | 武汉大学 | 基于vsc-hvdc的风电分散并网下垂控制方法 |
CN110609213A (zh) * | 2019-10-21 | 2019-12-24 | 福州大学 | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 |
CN111308271A (zh) * | 2020-03-07 | 2020-06-19 | 云南电网有限责任公司 | 一种高压直流输电线路故障测距方法 |
CN111382790A (zh) * | 2020-03-07 | 2020-07-07 | 北京工业大学 | 一种基于小波变换的高压直流故障分类方法 |
CN111948493A (zh) * | 2020-08-21 | 2020-11-17 | 兰州理工大学 | 一种mmc-hvdc直流输电线路故障定位方法 |
Non-Patent Citations (4)
Title |
---|
JUN WANG 等: "DC Fault Detection and Classification Approach of MMC-HVDC Based on Convolutional Neural Network", 《2018 2ND IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》 * |
汪磊 等: "基于罗氏线圈的VSC-HVDC系统的混合线路故障定位", 《电测与仪表》 * |
汪磊: "基于VMD和TEO的高压直流线缆混合线路故障定位的研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
陈宝亮 等: "基于特征值方法的高压直流输电中谐波不稳定分析", 《华东电力》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640633A (zh) * | 2021-08-12 | 2021-11-12 | 贵州大学 | 一种气体绝缘组合电器设备故障定位方法 |
CN113640633B (zh) * | 2021-08-12 | 2024-04-09 | 贵州大学 | 一种气体绝缘组合电器设备故障定位方法 |
CN113884818A (zh) * | 2021-10-27 | 2022-01-04 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
CN113884818B (zh) * | 2021-10-27 | 2024-04-09 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
CN116859184A (zh) * | 2023-09-05 | 2023-10-10 | 国网信息通信产业集团有限公司 | 电网故障检测方法、装置、电子设备和计算机可读介质 |
CN116859184B (zh) * | 2023-09-05 | 2024-01-16 | 国网信息通信产业集团有限公司 | 电网故障检测方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
US20220196720A1 (en) | 2022-06-23 |
CN112731051B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731051B (zh) | 混合网络的高压直流输电线路的单端故障定位方法及系统 | |
CN103324847B (zh) | 电力系统动态不良数据检测与辨识方法 | |
Liang et al. | Fault location method in power network by applying accurate information of arrival time differences of modal traveling waves | |
CN108107319A (zh) | 一种多端柔性直流电网故障定位方法及系统 | |
CN104635114A (zh) | 一种电能质量扰动源定位系统及定位方法 | |
CN110907755A (zh) | 一种输电线路在线监测故障识别方法 | |
CN104865499A (zh) | 一种特高压直流输电线路区内外故障识别方法 | |
CN109581166B (zh) | 基于Sobel能量谱的输电线路故障定位方法 | |
CN105403807A (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 | |
CN109902373A (zh) | 一种辖区变电站故障诊断、定位方法及系统 | |
CN117192292B (zh) | 一种雷击接地极线路故障测距方法及系统 | |
CN111308271B (zh) | 一种高压直流输电线路故障测距方法 | |
CN109408492A (zh) | 基于故障定位功能的铁路电力设备履历管理系统及其方法 | |
CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
CN111835006A (zh) | 一种基于电压曲线和最小二乘的低压台区拓扑识别方法 | |
Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
CN114113890B (zh) | 基于行波模量传输时差的多端融合配电网故障定位方法 | |
CN115015687A (zh) | 一种四端环状柔性直流电网故障测距方法及系统 | |
Yan et al. | Fault location for 10kV distribution line based on traveling wave-ANN theory | |
CN117250436A (zh) | 基于动态模式和双端行波法的配电网行波信号定位方法 | |
CN111208464A (zh) | 一种配电一二次成套设备测量精度在线评估系统和方法 | |
CN111639141B (zh) | 数据测试方法、装置及计算机终端 | |
CN110927539B (zh) | 一种单端暂态能量谱相似性的配电网故障区段定位方法 | |
CN111650469B (zh) | 一种基于d-pmu装置的配电网故障精确定位方法 | |
CN112415326A (zh) | 一种基于模糊聚类算法的配电网故障区段辨识方法 |
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 |