CN113392589B - 基于卷积神经网络的高压直流换流站故障分析方法及系统 - Google Patents

基于卷积神经网络的高压直流换流站故障分析方法及系统 Download PDF

Info

Publication number
CN113392589B
CN113392589B CN202110732232.6A CN202110732232A CN113392589B CN 113392589 B CN113392589 B CN 113392589B CN 202110732232 A CN202110732232 A CN 202110732232A CN 113392589 B CN113392589 B CN 113392589B
Authority
CN
China
Prior art keywords
fault
neural network
convolutional neural
network model
training
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
Application number
CN202110732232.6A
Other languages
English (en)
Other versions
CN113392589A (zh
Inventor
邢超
高敬业
奚鑫泽
李胜男
何鑫
刘明群
马红升
徐志
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.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid 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 Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202110732232.6A priority Critical patent/CN113392589B/zh
Publication of CN113392589A publication Critical patent/CN113392589A/zh
Application granted granted Critical
Publication of CN113392589B publication Critical patent/CN113392589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本申请属于高压直流输电系统故障分析领域，提供基于卷积神经网络的高压直流换流站故障分析方法及系统，所述基于卷积神经网络的高压直流换流站故障分析方法包括：搭建高压直流输电系统仿真模型；获得多组故障仿真数据以及与故障仿真数据对应的保护动作行为分类结果；对卷积神经网络模型进行训练测试，获得预训练卷积神经网络模型；获取实际直流输电工程的故障录波数据和保护动作行为分类结果，对预训练卷积神经网络模型进行微调迁移训练，获得目标卷积神经网络模型；利用目标卷积神经网络模型，输入实际故障录波数据，获得对应保护动作行为分类结果。上述基于卷积神经网络的高压直流换流站故障分析方法有效提高了保护是否正确动作分类的准确率。

Description

基于卷积神经网络的高压直流换流站故障分析方法及系统
技术领域
本申请属于高压直流输电系统故障分析领域，具体涉及基于卷积神经网络的高压直流换流站故障分析方法及系统。
背景技术
高压直流输电系统由于在输电距离、传输容量以及经济性上具有显著的优势，目前广泛应用在跨区域电网间的互联与大容量的远距离输电中。换流站是高压直流系统中的核心装置，是电能在系统中实现交流与直流间转换的节点，对高压直流输电系统的正常运行起到决定性作用。换流站的设备多，发生故障的类型复杂，研究故障和保护动作的关系是稳定高压直流输电系统和制定保护方案的基础。
故障分析主要是对故障数据进行一系列处理分析进而对故障和保护动作进行判断，得出保护是否正确动作等信息。传统的故障分析包括波形分析法、空间变换法和信号提取分析法，例如，可以通过傅里叶变换提取故障发生时各频率下的信号特征，用来分析系统扰动和电能质量；还可以利用最小二乘法来拟合暂态波形，同样地在继电保护领域也可以利用故障录波数据进行事故还原及因果分析，故障录波数据主要记录故障发生时刻的各电气量变化情况以及各种保护和控制装置的动作情况。
然而，高压直流换流站的故障类型繁多，保护类型根据原理不同也有很多，例如差动保护组、谐波保护组和触发保护组等。保护动作与故障之间的对应关系较为复杂，同一故障导致的保护动作具有不确定性，不同故障下的动作结果也具有不确定性，客观上造成根据电气量变换和保护动作情况无法准确判断保护是否正确动作信息。
发明内容
本申请提供基于卷积神经网络的高压直流换流站故障分析方法，以提供一种准确率更高的判断保护是否正确动作的高压直流换流站故障分析方法。
本申请第一方面提供基于卷积神经网络的高压直流换流站故障分析方法，所述基于卷积神经网络的高压直流换流站故障分析方法包括：
基于电磁暂态仿真平台搭建高压直流输电系统仿真模型；
利用高压直流输电系统仿真模型，输入多组故障特征变量组合进行多次动态故障仿真，获得多组故障仿真数据以及与故障仿真数据对应的保护动作行为分类结果，所述故障特征变量组合包括电压等级、故障位置、过渡电阻和故障类型，所述故障仿真数据包括正极直流线路两端的电压电流数据、负极直流线路两端的电压电流数据和直流线路继电保护装置的动作情况，所述保护动作行为分类结果包括区内故障保护正确动作、区内故障保护距动、区外故障保护正确不动作和区外故障保护误动；
将故障仿真数据作为输入样本，对应的保护动作行为分类结果作为输出样本，输入样本和输出样本一一对应构成样本数据，获得样本数据集；
随机选取样本数据集中的部分样本数据分别生成训练样本集和测试样本集；
设定卷积神经网络模型的初始参数，利用训练样本集和测试样本集分别对卷积神经网络模型进行训练和测试，获得预训练卷积神经网络模型，所述初始参数包括权重值、批处理数量和学习率；
获取实际直流输电工程的故障录波数据和已验证的保护动作行为分类结果，对预训练卷积神经网络模型进行微调迁移训练，获得目标卷积神经网络模型；
利用目标卷积神经网络模型，输入实际故障录波数据，获得对应的保护动作行为分类结果。
可选的，所述故障位置包括直流线路故障和交流系统故障，所述直流线路故障的故障类型包括正极接地故障和负极接地故障，所述交流系统故障的故障类型包括单相接地故障、两相短路故障、两相接地故障和三相接地故障。
可选的，所述多组故障特征变量组合是通过对每种故障特征变量的值进行参数遍历后随机组合获得。
可选的，所述利用训练样本集和测试样本集分别对卷积神经网络模型进行训练和测试的步骤，具体为：
根据批处理数量选择对应数量的训练样本数据，将训练样本数据的输入样本和输出样本同时输入卷积神经网络模型进行训练，所述批处理数量为一次训练所需要的训练样本数；
将测试样本集中的输入样本输入卷积神经网络模型，获得模型输出，将模型输出与输入样本对应的输出样本进行比较，获得卷积神经网络模型的错误率；
设定错误率阈值，对卷积神经网络模型进行多次训练直至卷积神经网络模型的错误率小于错误率阈值后停止训练，获得预训练卷积神经网络模型。
可选的，所述目标卷积神经网络模型的网络结构为6C-1S-12C-2S，两个卷积层分别有6个和12个卷积核，两个卷积层上的卷积核大小分别为2和4。
本申请第二方面提供基于卷积神经网络的高压直流换流站故障分析系统，所述基于卷积神经网络的高压直流换流站故障分析系统用于执行本申请第一方面提供的基于卷积神经网络的高压直流换流站故障分析方法，包括：
搭建模块，用于基于电磁暂态仿真平台搭建高压直流输电系统仿真模型；
仿真模块，用于利用高压直流输电系统仿真模型，输入多组故障特征变量组合进行多次动态故障仿真，获得多组故障仿真数据以及与故障仿真数据对应的保护动作行为分类结果；
样本模块，用于将故障仿真数据作为输入样本，对应的保护动作行为分类结果作为输出样本，输入样本和输出样本一一对应构成样本数据，获得样本数据集；
训练测试集模块，用于随机选取样本数据集中的部分样本数据分别生成训练样本集和测试样本集；
预训练模块，用于设定卷积神经网络模型的初始参数，利用训练样本集和测试样本集分别对卷积神经网络模型进行训练和测试，获得预训练卷积神经网络模型；
微调模块，用于获取实际直流输电工程的故障录波数据和已验证的保护动作行为分类结果，对预训练卷积神经网络模型进行微调迁移训练，获得目标卷积神经网络模型；
输出模块，用于利用目标卷积神经网络模型，输入实际故障录波数据，获得对应的保护动作行为分类结果。
可选的，所述仿真模块包括：
参数遍历单元，用于设置故障特征变量组合中每种故障特征变量的取值；
随机组合单元，用于将多种故障特征变量随机组合获得多组故障特征变量组合。
可选的，所述预训练模块包括：
训练单元，用于根据批处理数量选择对应数量的训练样本数据，将训练样本数据的输入样本和输出样本同时输入卷积神经网络模型进行训练；
测试单元，用于将测试样本集中的输入样本输入卷积神经网络模型，获得模型输出，将模型输出与输入样本对应的输出样本进行比较，获得卷积神经网络模型的错误率；
循环单元，用于设定错误率阈值，对卷积神经网络模型进行多次训练直至卷积神经网络模型的错误率小于错误率阈值后停止训练，获得预训练卷积神经网络模型。
可选的，所述微调模块中获得的目标卷积神经网络模型的网络结构为6C-1S-12C-2S，两个卷积层分别有6个和12个卷积核，两个卷积层上的卷积核大小分别为2和4。
本申请提供基于卷积神经网络的高压直流换流站故障分析方法及系统，所述基于卷积神经网络的高压直流换流站故障分析系统用于执行基于卷积神经网络的高压直流换流站故障分析方法的步骤，搭建高压直流输电系统仿真模型；利用高压直流输电系统仿真模型，输入多组故障特征变量组合进行多次动态故障仿真，获得多组故障仿真数据以及与故障仿真数据对应的保护动作行为分类结果，将故障仿真数据作为输入样本，对应的保护动作行为分类结果作为输出样本，获得样本数据集；随机选取样本数据集中的部分样本数据分别生成训练样本集和测试样本集；利用训练样本集和测试样本集分别对卷积神经网络模型进行训练和测试，获得预训练卷积神经网络模型；获取实际直流输电工程的故障录波数据和已验证的保护动作行为分类结果，对预训练卷积神经网络模型进行微调迁移训练，获得目标卷积神经网络模型；利用目标卷积神经网络模型，输入实际故障录波数据，获得对应的保护动作行为分类结果。
本申请实施例提供的基于卷积神经网络的高压直流换流站故障分析方法，通过高压直流输电系统仿真模型获得故障仿真数据和对应的保护动作行为分类结果，对卷积神经网络模型进行训练和测试获得预训练卷积神经网络模型，再对预训练卷积神经网络模型进行微调训练获得目标卷积神经网络模型，输入实际的故障录波数据至目标卷积神经网络模型获得对应的保护动作行为分类结果。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于卷积神经网络的高压直流换流站故障分析方法的流程示意图。
图2是本申请实施例提供的基于卷积神经网络的高压直流换流站故障分析系统的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。
如图1所示，为本申请实施例提供的基于卷积神经网络的高压直流换流站故障分析方法的流程示意图，所述基于卷积神经网络的高压直流换流站故障分析方法包括步骤1至步骤7。
步骤1，基于电磁暂态仿真平台搭建高压直流输电系统仿真模型。
本申请实施例基于pscad(Power Systems Computer Aided Design)平台搭建高压直流输电系统仿真模型，pscad是世界上广泛使用的电磁暂态仿真软件，与其它电力系统仿真软件相比增加了直流输电系统的换流元件模型，可用于直流输电的设计及研究，以pscad软件作为仿真环境，建立高压输电系统仿真模型进行下一步研究。
步骤2，利用高压直流输电系统仿真模型，输入多组故障特征变量组合进行多次动态故障仿真，获得多组故障仿真数据以及与故障仿真数据对应的保护动作行为分类结果。
在pscad仿真平台上可以设置不同的电压等级、不同的故障位置、不同的故障类型和不同大小的过渡电阻模拟发生故障，所述故障特征变量组合包括电压等级、故障位置、过渡电阻和故障类型，所述故障位置包括直流线路故障和交流系统故障，所述直流线路故障的故障类型包括正极接地故障和负极接地故障，所述交流系统故障的故障类型包括单相接地故障、两相短路故障、两相接地故障和三相接地故障。
本申请实施例通过对每种故障特征变量的值进行参数遍历后随机组合，获得多组故障特征变量组合，例如，先设置电压等级为500kV，再设置故障位置为直流线路，然后设置故障类型为正极接地故障，最后设置过渡电阻为0.01欧姆，并获得一组故障特征变量组合输入仿真模型进行仿真；又例如，电压等级、故障位置和故障类型不变，改变过渡电阻取值后获得另一组故障特征变量组合，输入仿真模型中进行仿真；综上，确定每种故障特征变量的取值范围，对每种故障特征变量进行参数遍历后随机组合就会获得多组故障特征变量组合。
一组故障特征变量组合进行一次动态仿真，获得一组故障仿真数据以及与故障仿真数据对应的保护动作行为分类结果，所述故障仿真数据包括正极直流线路两端的电压电流数据、负极直流线路两端的电压电流数据和直流线路继电保护装置的动作情况，所述保护动作行为分类结果有四个类别，以向量形式输出，包括区内故障保护正确动作、区内故障保护距动、区外故障保护正确不动作和区外故障保护误动，例如，输出[1000]代表区内故障保护正确动作，[0100]代表区内故障保护距动，[0010]代表区外故障保护正确不动作，[0001]代表区外故障保护误动。
步骤3，将故障仿真数据作为输入样本，对应的保护动作行为分类结果作为输出样本，输入样本和输出样本一一对应构成样本数据，获得样本数据集。
将一组故障仿真数据作为输入样本，对应的保护动作行为分类结果作为输出样本，此输入样本和输出样本对应构成一个样本数据，多个样本数据构成样本数据集。
步骤4，随机选取样本数据集中的部分样本数据分别生成训练样本集和测试样本集。
随机选取样本数据集中的一部分样本数据生成训练样本集，训练样本集包括多个训练样本，每个训练样本由训练输入样本和训练输入样本构成，同一训练样本中的训练输入样本为故障仿真数据，训练输出样本为该训练输入样本对应的保护动作行为分类结果。
随机选取样本数据集中的另一部分样本数据生成测试样本集，测试样本集包括多个测试样本，每个测试样本由测试输入样本和测试输入样本构成，同一测试样本中的测试输入样本为故障仿真数据，测试输出样本为该测试输入样本对应的保护动作行为分类结果。
步骤5，设定卷积神经网络模型的初始参数，利用训练样本集和测试样本集分别对卷积神经网络模型进行训练和测试，获得预训练卷积神经网络模型。
设定卷积神经网络模型的初始参数，所述初始参数包括权重值、批处理数量和学习率。
根据批处理数量选择对应数量的训练样本数据，将训练样本数据的输入样本和输出样本同时输入卷积神经网络模型进行训练，让卷积神经网络模型自动地学习，提取训练样本的特征，建立训练输入样本和输出样本之间的联系，即建立故障仿真数据和保护动作行为分类结果的联系，所述批处理数量为一次训练所需要的训练样本数。
将测试样本集中的输入样本输入卷积神经网络模型，获得模型输出的向量值，即表示保护动作行为分类结果，将模型输出的保护动作行为分类结果与输入样本对应的输出样本进行比较，获得卷积神经网络模型的错误率。
设定错误率阈值，对卷积神经网络模型进行多次训练直至卷积神经网络模型的错误率小于错误率阈值后停止训练，获得预训练卷积神经网络模型。
本申请实施例对卷积神经网络模型的网络卷积层和池化层进行调整，对不同参数结构下的卷积神经网络模型进行训练和测试，获得不同参数结构的预训练卷积神经网络模型，如表1所示，为不同参数结构下的预训练卷积神经网络模型，预训练卷积神经网络模型在网络结构为6C-1S-12C-2S，C表示卷积层，S表示池化层，6C-1S-12C-2S表示网络的卷积层和池化层各有两个，两个卷积层分别有6个和12个卷积核，两个卷积层上的卷积核大小分别为2和4时，预训练卷积神经网络模型输出的保护动作行为分类结果更为准确。
表1不同参数结构下的预训练卷积神经网络模型
Figure BDA0003140216160000051
Figure BDA0003140216160000061
步骤6，获取实际直流输电工程的故障录波数据和已验证的保护动作行为分类结果，对预训练卷积神经网络模型进行微调迁移训练，获得目标卷积神经网络模型；
进行微调训练时，微调输入样本为实际故障录波数据，微调输出样本为已验证的保护动作行为分类结果，将微调输入样本和微调输出样本同时输入目标卷积神经网络模型进行微调训练。
步骤7，利用目标卷积神经网络模型，输入实际故障录波数据，获得对应的保护动作行为分类结果。
本申请实施例第二方面提供基于卷积神经网络的高压直流换流站故障分析系统，所述基于卷积神经网络的高压直流换流站故障分析系统用于执行本申请实施例第一方面提供的基于卷积神经网络的高压直流换流站故障分析方法，对于本申请实施例第二方面提供的基于卷积神经网络的高压直流换流站故障分析系统中公开的细节，请参见本申请实施例第一方面提供的基于卷积神经网络的高压直流换流站故障分析方法。
如图2所示，为本申请实施例提供的基于卷积神经网络的高压直流换流站故障分析系统的结构示意图。所述基于卷积神经网络的高压直流换流站故障分析系统包括搭建模块、仿真模块、样本模块、训练测试集模块、预训练模块、微调模块和输出模块。
搭建模块，用于基于电磁暂态仿真平台搭建高压直流输电系统仿真模型；
仿真模块，用于利用高压直流输电系统仿真模型，输入多组故障特征变量组合进行多次动态故障仿真，获得多组故障仿真数据以及与故障仿真数据对应的保护动作行为分类结果；
样本模块，用于将故障仿真数据作为输入样本，对应的保护动作行为分类结果作为输出样本，输入样本和输出样本一一对应构成样本数据，获得样本数据集；
训练测试集模块，用于随机选取样本数据集中的部分样本数据分别生成训练样本集和测试样本集；
预训练模块，用于设定卷积神经网络模型的初始参数，利用训练样本集和测试样本集分别对卷积神经网络模型进行训练和测试，获得预训练卷积神经网络模型；
微调模块，用于获取实际直流输电工程的故障录波数据和已验证的保护动作行为分类结果，对预训练卷积神经网络模型进行微调迁移训练，获得目标卷积神经网络模型；
输出模块，用于利用目标卷积神经网络模型，输入实际故障录波数据，获得对应的保护动作行为分类结果。
进一步的，所述仿真模块包括：
参数遍历单元，用于设置故障特征变量组合中每种故障特征变量的取值；
随机组合单元，用于将多种故障特征变量随机组合获得多组故障特征变量组合。
进一步的，所述预训练模块包括：
训练单元，用于根据批处理数量选择对应数量的训练样本数据，将训练样本数据的输入样本和输出样本同时输入卷积神经网络模型进行训练；
测试单元，用于将测试样本集中的输入样本输入卷积神经网络模型，获得模型输出，将模型输出与输入样本对应的输出样本进行比较，获得卷积神经网络模型的错误率；
循环单元，用于设定错误率阈值，对卷积神经网络模型进行多次训练直至卷积神经网络模型的错误率小于错误率阈值后停止训练，获得预训练卷积神经网络模型。
进一步的，所述微调模块中获得的目标卷积神经网络模型的网络结构为6C-1S-12C-2S，两个卷积层上的卷积核大小分别为2和4。
本申请提供基于卷积神经网络的高压直流换流站故障分析方法及系统，所述一基于卷积神经网络的高压直流换流站故障分析系统用于执行基于卷积神经网络的高压直流换流站故障分析方法的步骤，搭建高压直流输电系统仿真模型；利用高压直流输电系统仿真模型，输入多组故障特征变量组合进行多次动态故障仿真，获得多组故障仿真数据以及与故障仿真数据对应的保护动作行为分类结果，将故障仿真数据作为输入样本，对应的保护动作行为分类结果作为输出样本，获得样本数据集；随机选取样本数据集中的部分样本数据分别生成训练样本集和测试样本集；利用训练样本集和测试样本集分别对卷积神经网络模型进行训练和测试，获得预训练卷积神经网络模型；获取实际直流输电工程的故障录波数据和已验证的保护动作行为分类结果，对预训练卷积神经网络模型进行微调迁移训练，获得目标卷积神经网络模型；利用目标卷积神经网络模型，输入实际故障录波数据，获得对应的保护动作行为分类结果。
本申请实施例提供的基于卷积神经网络的高压直流换流站故障分析方法，通过高压直流输电系统仿真模型获得故障仿真数据和对应的保护动作行为分类结果，对卷积神经网络模型进行训练和测试获得预训练卷积神经网络模型，再对预训练卷积神经网络模型进行微调训练获得目标卷积神经网络模型，输入实际的故障录波数据至目标卷积神经网络模型获得对应的保护动作行为分类结果。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。

Claims (9)

1.基于卷积神经网络的高压直流换流站故障分析方法，其特征在于，包括：
基于电磁暂态仿真平台搭建高压直流输电系统仿真模型；
利用高压直流输电系统仿真模型，输入多组故障特征变量组合进行多次动态故障仿真，获得多组故障仿真数据以及与故障仿真数据对应的保护动作行为分类结果，所述故障特征变量组合包括电压等级、故障位置、过渡电阻和故障类型，所述故障仿真数据包括正极直流线路两端的电压电流数据、负极直流线路两端的电压电流数据和直流线路继电保护装置的动作情况，所述保护动作行为分类结果包括区内故障保护正确动作、区内故障保护距动、区外故障保护正确不动作和区外故障保护误动；
将故障仿真数据作为输入样本，对应的保护动作行为分类结果作为输出样本，输入样本和输出样本一一对应构成样本数据，获得样本数据集；
随机选取样本数据集中的部分样本数据分别生成训练样本集和测试样本集；
设定卷积神经网络模型的初始参数，利用训练样本集和测试样本集分别对卷积神经网络模型进行训练和测试，获得预训练卷积神经网络模型，所述初始参数包括权重值、批处理数量和学习率；
获取实际直流输电工程的故障录波数据和已验证的保护动作行为分类结果，对预训练卷积神经网络模型进行微调迁移训练，获得目标卷积神经网络模型；
利用目标卷积神经网络模型，输入实际故障录波数据，获得对应的保护动作行为分类结果。
2.根据权利要求1所述的基于卷积神经网络的高压直流换流站故障分析方法，其特征在于，所述故障位置包括直流线路故障和交流系统故障，所述直流线路故障的故障类型包括正极接地故障和负极接地故障，所述交流系统故障的故障类型包括单相接地故障、两相短路故障、两相接地故障和三相接地故障。
3.根据权利要求1所述的基于卷积神经网络的高压直流换流站故障分析方法，其特征在于，所述多组故障特征变量组合是通过对每种故障特征变量的值进行参数遍历后随机组合获得。
4.根据权利要求1所述的基于卷积神经网络的高压直流换流站故障分析方法，其特征在于，所述利用训练样本集和测试样本集分别对卷积神经网络模型进行训练和测试的步骤，具体为：
根据批处理数量选择对应数量的训练样本数据，将训练样本数据的输入样本和输出样本同时输入卷积神经网络模型进行训练，所述批处理数量为一次训练所需要的训练样本数；
将测试样本集中的输入样本输入卷积神经网络模型，获得模型输出，将模型输出与输入样本对应的输出样本进行比较，获得卷积神经网络模型的错误率；
设定错误率阈值，对卷积神经网络模型进行多次训练直至卷积神经网络模型的错误率小于错误率阈值后停止训练，获得预训练卷积神经网络模型。
5.根据权利要求1所述的基于卷积神经网络的高压直流换流站故障分析方法，其特征在于，所述目标卷积神经网络模型的网络结构为6C-1S-12C-2S，两个卷积层分别有6个和12个卷积核，两个卷积层上的卷积核大小分别为2和4。
6.基于卷积神经网络的高压直流换流站故障分析系统，其特征在于，所述基于卷积神经网络的高压直流换流站故障分析系统用于执行权利要求1-5任一项所述的基于卷积神经网络的高压直流换流站故障分析方法，包括：
搭建模块，用于基于电磁暂态仿真平台搭建高压直流输电系统仿真模型；
仿真模块，用于利用高压直流输电系统仿真模型，输入多组故障特征变量组合进行多次动态故障仿真，获得多组故障仿真数据以及与故障仿真数据对应的保护动作行为分类结果；
样本模块，用于将故障仿真数据作为输入样本，对应的保护动作行为分类结果作为输出样本，输入样本和输出样本一一对应构成样本数据，获得样本数据集；
训练测试集模块，用于随机选取样本数据集中的部分样本数据分别生成训练样本集和测试样本集；
预训练模块，用于设定卷积神经网络模型的初始参数，利用训练样本集和测试样本集分别对卷积神经网络模型进行训练和测试，获得预训练卷积神经网络模型；
微调模块，用于获取实际直流输电工程的故障录波数据和已验证的保护动作行为分类结果，对预训练卷积神经网络模型进行微调迁移训练，获得目标卷积神经网络模型；
输出模块，用于利用目标卷积神经网络模型，输入实际故障录波数据，获得对应的保护动作行为分类结果。
7.根据权利要求6所述的基于卷积神经网络的高压直流换流站故障分析系统，其特征在于，所述仿真模块包括：
参数遍历单元，用于设置故障特征变量组合中每种故障特征变量的取值；
随机组合单元，用于将多种故障特征变量随机组合获得多组故障特征变量组合。
8.根据权利要求6所述的基于卷积神经网络的高压直流换流站故障分析系统，其特征在于，所述预训练模块包括：
训练单元，用于根据批处理数量选择对应数量的训练样本数据，将训练样本数据的输入样本和输出样本同时输入卷积神经网络模型进行训练；
测试单元，用于将测试样本集中的输入样本输入卷积神经网络模型，获得模型输出，将模型输出与输入样本对应的输出样本进行比较，获得卷积神经网络模型的错误率；
循环单元，用于设定错误率阈值，对卷积神经网络模型进行多次训练直至卷积神经网络模型的错误率小于错误率阈值后停止训练，获得预训练卷积神经网络模型。
9.根据权利要求6所述的基于卷积神经网络的高压直流换流站故障分析系统，其特征在于，所述微调模块中获得的目标卷积神经网络模型的网络结构为6C-1S-12C-2S，两个卷积层分别有6个和12个卷积核，两个卷积层上的卷积核大小分别为2和4。
CN202110732232.6A 2021-06-30 2021-06-30 基于卷积神经网络的高压直流换流站故障分析方法及系统 Active CN113392589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110732232.6A CN113392589B (zh) 2021-06-30 2021-06-30 基于卷积神经网络的高压直流换流站故障分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110732232.6A CN113392589B (zh) 2021-06-30 2021-06-30 基于卷积神经网络的高压直流换流站故障分析方法及系统

Publications (2)

Publication Number Publication Date
CN113392589A CN113392589A (zh) 2021-09-14
CN113392589B true CN113392589B (zh) 2022-09-27

Family

ID=77624510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110732232.6A Active CN113392589B (zh) 2021-06-30 2021-06-30 基于卷积神经网络的高压直流换流站故障分析方法及系统

Country Status (1)

Country Link
CN (1) CN113392589B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109188198A (zh) * 2018-08-30 2019-01-11 武汉大学 一种基于卷积神经网络的故障数据匹配方法
CN109936113A (zh) * 2019-03-29 2019-06-25 国网浙江省电力有限公司 一种基于随机森林算法的保护动作智能诊断方法及系统
CN110398663A (zh) * 2019-07-03 2019-11-01 东南大学 一种基于卷积神经网络的柔性直流电网故障识别方法
CN110850232A (zh) * 2019-11-13 2020-02-28 云南电网有限责任公司 基于继电保护辅助决策系统的电网故障诊断系统及其方法
CN112446430A (zh) * 2020-11-27 2021-03-05 云南电网有限责任公司电力科学研究院 一种直流输电系统故障识别方法
CN113033077A (zh) * 2021-03-04 2021-06-25 云南电网有限责任公司电力科学研究院 一种基于神经网络算法的直流输电线路故障测距方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11200577B2 (en) * 2017-08-31 2021-12-14 Paypal, Inc. Convolutional neural networks for variable prediction using raw data
US10852359B2 (en) * 2017-12-05 2020-12-01 The University Of Hong Kong Apparatus and method for DC-component-based fault classification of three-phase distribution power cables with magnetic sensing

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109188198A (zh) * 2018-08-30 2019-01-11 武汉大学 一种基于卷积神经网络的故障数据匹配方法
CN109936113A (zh) * 2019-03-29 2019-06-25 国网浙江省电力有限公司 一种基于随机森林算法的保护动作智能诊断方法及系统
CN110398663A (zh) * 2019-07-03 2019-11-01 东南大学 一种基于卷积神经网络的柔性直流电网故障识别方法
CN110850232A (zh) * 2019-11-13 2020-02-28 云南电网有限责任公司 基于继电保护辅助决策系统的电网故障诊断系统及其方法
CN112446430A (zh) * 2020-11-27 2021-03-05 云南电网有限责任公司电力科学研究院 一种直流输电系统故障识别方法
CN113033077A (zh) * 2021-03-04 2021-06-25 云南电网有限责任公司电力科学研究院 一种基于神经网络算法的直流输电线路故障测距方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Two-Terminal Fault Location Method of Distribution Network Based on Adaptive Convolution Neural Network;JIEFENG LIANG et al;《IEEE》;20200326;第8卷;第54035-54043页 *
交直流电网复杂暂态过程及继电保护关键技术研究;戚宣威;《中国博士学位论文全文数据库 工程科技II辑》;20170815(第8期);第C042-77页 *
变电站继电保护分析平台关键技术及实现;杜梓铭等;《河北电力技术》;20200225(第01期);第24-28页 *
基于PSCAD/EMTDC的VSC-HVDC直流输电线路的故障仿真;余志豪等;《控制工程》;20160220;第23卷(第02期);第299-302页 *
基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究;杨毅等;《电力自动化设备》;20200930;第40卷(第10期);第165-172页 *

Also Published As

Publication number Publication date
CN113392589A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN110398663B (zh) 一种基于卷积神经网络的柔性直流电网故障识别方法
Guo et al. Probabilistic framework for assessing the accuracy of data mining tool for online prediction of transient stability
CN110829417B (zh) 基于lstm双结构模型的电力系统暂态稳定预测方法
CN105938578A (zh) 一种基于聚类分析的大规模光伏电站等值建模方法
CN111160241B (zh) 一种基于深度学习的配电网故障分类方法、系统和介质
Hatata et al. Adaptive protection scheme for FREEDM microgrid based on convolutional neural network and gorilla troops optimization technique
CN115587329A (zh) 基于卷积神经网络提取特征的配电网故障分类方法及系统
CN113675878B (zh) 海上风电场并网性能测试方法、系统、计算机设备和介质
CN113848471B (zh) 继电保护系统的故障智能定位方法及系统
CN109541344B (zh) 基于svm的模块化多电平直流输电系统故障识别方法
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
CN113987724A (zh) 基于拓扑分析的电网风险辨识方法及系统
Wang et al. The cable fault diagnosis for XLPE cable based on 1DCNNs-BiLSTM network
CN111429043B (zh) 基于场景构建的电压暂降特征量随机评估方法
CN112036718B (zh) 一种考虑新能源不确定性的电力系统安全风险评估方法
CN113392589B (zh) 基于卷积神经网络的高压直流换流站故障分析方法及系统
CN108233356B (zh) 一种光伏逆变器控制器一致性评估方法及其评估平台
CN110190617B (zh) 多馈入直流电力系统的评估方法、系统、设备及存储介质
Koley et al. Artificial neural network based protection scheme for one conductor open faults in six phase transmission line
CN113922408B (zh) 基于参数反演的mmc-hvdc电网双极短路故障电流计算方法
CN114019296A (zh) 一种基于bp神经网络的配电线路接地故障辨识方法
CN112446430A (zh) 一种直流输电系统故障识别方法
CN112345876A (zh) 一种适用于间隔式dtu的故障定位方法及系统
Alwady et al. Application of ANN and Equivalent Electrical Circuit for Understanding the Power Transformer Frequency Response Analysis
Sima et al. Classification of Measured Electromagnetic Transients based on Deep Learning

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