CN114142605A - 纵联保护方法、装置和存储介质 - Google Patents

纵联保护方法、装置和存储介质 Download PDF

Info

Publication number
CN114142605A
CN114142605A CN202111322840.6A CN202111322840A CN114142605A CN 114142605 A CN114142605 A CN 114142605A CN 202111322840 A CN202111322840 A CN 202111322840A CN 114142605 A CN114142605 A CN 114142605A
Authority
CN
China
Prior art keywords
time domain
domain signal
fault
target element
data
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
CN202111322840.6A
Other languages
English (en)
Other versions
CN114142605B (zh
Inventor
何瑞文
李睿思
金园
林逸禹
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202111322840.6A priority Critical patent/CN114142605B/zh
Publication of CN114142605A publication Critical patent/CN114142605A/zh
Application granted granted Critical
Publication of CN114142605B publication Critical patent/CN114142605B/zh
Priority to US18/052,576 priority patent/US11756352B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00036—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers
    • H02J13/0004—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers involved in a protection system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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
    • Y04S10/20—Systems supporting electrical power generation, transmission or distribution using protection elements, arrangements or systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Emergency Protection Circuit Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请提供了一种纵联保护方法、装置和存储介质，以预设采样频率获取目标元件的时域信号数据；对多个第一采样周期的时域信号数据进行融合处理，得到第一时域信号组合数据；基于机器学习模型，根据第一时域信号组合数据判断目标元件是否发生故障；当根据第一时域信号组合数据判定目标元件发生故障时，基于机器学习模型，根据第二时域信号组合数据判断目标元件在第二采样周期是否发生故障，第二采样周期为判定发生故障之后的采样周期；以及当判定目标元件在多个连续的第二采样周期发生相同类型的故障时，控制纵联保护系统执行对目标元件的保护动作。利用机器学习模型实现电力系统元件的故障辨识，以显著提高智能电网的保护性能。

Description

纵联保护方法、装置和存储介质
技术领域
本申请涉及电力系统继电保护技术领域，尤其涉及一种纵联保护方法、装置和存储介质。
背景技术
随着信息技术的泛在接入，信息共享成为智能电网的显著特点。利用智能变电站和智能电网中共享的电力采集信息的时域信号直接进行数据融合来刻画物理现象。
现有的比例制动差动保护等纵联保护方法已在工程上应用多年，在传统电网中有较好的应用效果，但是需要提取频域分量，还依赖于整定值以及复杂的判据。在未来的智能电网中，考虑到大规模间歇性能源和电力电子设备的广泛接入，电力系统运行将面临各种不确定性，呈现各种时间常数动态过程的混叠，导致系统故障特征的巨大变化，这会使在现有设计模式下的保护功能难以有足够的应对能力。
发明内容
本申请提供了一种纵联保护方法、装置和存储介质，能够利用机器学习模型实现电力系统元件的故障辨识，及时、准确、可靠地切除故障元件，以显著提高智能电网的保护性能。
第一方面，本申请实施例提供了一种纵联保护方法，其特征在于，包括：
以预设采样频率获取目标元件的时域信号数据；
基于预设的融合规则，对多个第一采样周期的时域信号数据进行融合处理，得到第一时域信号组合数据；
基于训练好的机器学习模型，根据所述第一时域信号组合数据，判断所述目标元件是否发生故障和故障的类型；
当根据所述第一时域信号组合数据判定所述目标元件发生故障时，基于所述机器学习模型，根据第二时域信号组合数据判断所述目标元件在第二采样周期是否发生故障，所述第二采样周期为判定所述目标元件发生故障之后的采样周期，所述第二时域信号组合数据是对所述第一采样周期和至少一个第二采样周期的时域信号数据进行融合处理得到的，或者是对多个第二采样周期的时域信号数据进行融合处理得到的；
当判定所述目标元件在多个连续的第二采样周期发生相同类型的故障时，根据所述故障的类型控制纵联保护系统执行对所述目标元件的保护动作。
第二方面，本申请实施例提供了一种纵联保护装置，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现前述的纵联保护方法的步骤。
第三方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述的方法的步骤。
本申请实施例提供了一种纵联保护方法、装置和存储介质，通过以预设采样频率获取目标元件的时域信号数据；基于预设的融合规则，对多个第一采样周期的时域信号数据进行融合处理，得到第一时域信号组合数据；基于训练好的机器学习模型，根据第一时域信号组合数据，判断目标元件是否发生故障和故障的类型；当根据第一时域信号组合数据判定目标元件发生故障时，基于机器学习模型，根据第二时域信号组合数据判断目标元件在第二采样周期是否发生故障，第二采样周期为判定目标元件发生故障之后的采样周期；以及当判定目标元件在多个连续的第二采样周期发生相同类型的故障时，根据故障的类型控制纵联保护系统执行对目标元件的保护动作。能够利用机器学习模型实现电力系统元件的故障辨识，及时、准确、可靠地切除故障元件，以显著提高智能电网的保护性能。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请实施例的公开内容。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，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一种纵联保护方法的流程示意图；
图2是一实施方式中电力系统模型的示意图；
图3是一实施方式中目标元件内部故障时两端电流的波形示意图；
图4是一实施方式中获取的训练数据集的示意图；
图5(a)至图5(c)是一实施方式中机器学习模型的性能指标的变化趋势示意图；
图6是本申请实施例提供的一种纵联保护装置的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请实施例提供的一种纵联保护方法的流程示意图。所述性能评估方法可以应用在纵联保护装置中，用于基于机器学习模型识别目标元件的故障，及执行对所述目标元件的保护动作等过程。
在一些实施方式中，纵联保护装置可以为输电线路、变压器、母线、发电机、配电线路等电力系统元件提供纵联保护，换而言之，输电线路、变压器、母线等电力系统元件可以作为被保护元件，或者作为纵联保护的目标元件。当然也不限于此，例如纵联保护装置还可以用于为电力系统元件提供其他类型的保护，本申请实施例对此不做限制。
在一些实施方式中，请参阅图2，一电力系统模型，如三相两端模型包括第一电源(Source)110和第二电源120，第一电源110与第二电源120之间的第一母线(Bus)210、第二母线220、第三母线230和第四母线240，以及第一母线210与第二母线220之间的第一输电线路(Transmission Line)310、第二母线220与第三母线230之间的第二输电线路320、第三母线230与第四母线240之间的第三输电线路330。举例而言，图2所示的电力系统模型的系统频率是50Hz，额定电压为220kV，两侧的第一电源110和第二电源120的供电容量为100MVA,电源阻抗均为Zs＝9.19+j74.76Ω。第一输电线路310、第二输电线路320的长度为200km，第三输电线路330的长度为350km。第一输电线路310、第二输电线路320的正序阻抗为Z1＝5.38+j84.55Ω，零序阻抗为Z0＝64.82+j209.53Ω。第三输电线路330的正序阻抗为Z1＝9.415+j147.96Ω，零序阻抗为Z0＝113.435+j366.68Ω。在其他一些实施方式中，电力系统模型也可以与图2不同，例如输电线路、母线的数目不同，或者还可以包括变压器。
请参阅图2，在第一输电线路310、第二输电线路320、第三输电线路330两侧的端子处分别设有继电保护装置(Relay)，例如第一输电线路310两侧的端子处设有继电保护装置311和继电保护装置312，第二输电线路320两侧的端子处设有继电保护装置321和继电保护装置322，第三输电线路330两侧的端子处设有继电保护装置331和继电保护装置332。请参阅图2，各继电保护装置可以与纵联保护装置10通信连接，例如通过交换机、路由器与纵联保护装置10通信连接。纵联保护装置10可以获取目标元件，如第二输电线路320两端的电能参数，如电流、电压中的至少一种，根据第二输电线路320两端的电能参数判断目标元件是否发生故障和故障的类型；还可以根据判断结果，在预设条件满足时控制第二输电线路320至少一端的继电保护装置动作，例如将故障的第二输电线路320的故障切除。
如图1所示，本申请实施例的性能评估方法包括步骤S110至步骤S150。
S110、以预设采样频率获取目标元件的时域信号数据。
示例性的，时域信号数据至少包括三相电流时域信号。当电力系统模型的系统频率是50Hz，预设采样频率可以为10kHz，即在每个基频周期(或者称为周波)每个通道可以采样200个数据点，则目标元件的三相两端6个通道可以获取到1200个数据点。举例而言，当目标元件为第二输电线路320时，以预设采样频率获取第二输电线路320两端的继电保护装置321和继电保护装置322各自的三相电流时域信号。
示例性的，时域信号数据还可以包括三相电压时域信号，和/或对电压和电流进行数学运算得到的附加信号，如故障分量、零轴分量等，当然也不限于此。举例而言，时域信号数据还可以包括三相电流故障分量di(本采样周期的电流与上一采样周期的电流之差)等。在另一些实施方式中，时域信号数据可以包括三相电压时域信号，而不包括三相电流时域信号。
S120、基于预设的融合规则，对多个第一采样周期的时域信号数据进行融合处理，得到第一时域信号组合数据。
示例性的，可以将设定时长内获取的目标元件的时域信号数据，融合为一个时域信号组合数据，或者称为时域组合信号。举例而言，所述设定时长可以是1/4周波、1/2周波或1周波等。当所述设定时长是1/2周波时，所述多个第一采样周期的时域信号数据包括每通道采样的100个数据点，则目标元件一端的三相电流和另一端的三相电流，即ia1、ib1、ic1、ia2、ib2、ic2，共6个通道共有600个数据点，标记为600维度。
示例性的，可以将同一时刻，即同一采样周期获取到的多个通道的数据点以预设格式组织，得到一个时域组合信号点。举例而言，将同一采样周期获取到的多个通道的数据点按照预设顺序存储为一维向量或二维矩阵，得到一个时域组合信号点。
示例性的，当每个采样周期获取的时域信号数据包括目标元件一端的三相电流和另一端的三相电流时，所述时域组合信号点的预设格式可以表示为ia1-ib1-ic1-ia2-ib2-ic2。
示例性的，所述基于预设的融合规则，对多个采样周期的时域信号数据进行融合处理，得到时域信号组合数据，包括：将当前采样周期获取的时域信号数据以预设格式组织，得到当前采样周期的时域组合信号点；将所述采样周期的时域组合信号点与若干历史采样周期的时域组合信号点组合，得到所述当前采样周期的时域信号组合数据。
示例性的，将各采样周期的时域组合信号点存储在一个先进先出的队列中，该队列的长度固定或者可调，例如该队列中可以存储前述设定时长的时域信号数据对应的时域组合信号点。举例而言，当1/2周波里有100个采样周期时，可以设置一个长度为Y＝100的队列，该队列可以存储100个时域组合信号点；将每个采样周期获得的时域组合信号点按照先进先出的原则输入该队列，即若队列中已有100个时域组合信号点，则在下次输入时会先将队列首端的时域组合信号点弹出，再在队列末端输入一个新的时域组合信号点。可以将队列中多个采样周期的时域组合信号点组合，得到时域信号组合数据。以便机器学习模型根据该队列对应的时域信号组合数据，识别时域信号组合数据对应的故障类型，判断是否发生故障。以此循环往复，实现持续的识别。
需要说明的是，所述基于预设的融合规则对多个采样周期的时域信号数据进行融合处理得到时域信号组合数据，不限于将各采样周期获取的时域信号数据处理为时域组合信号点及将多个时域组合信号点组合得到时域信号组合数据；例如还可以是：基于以下数据格式对多个采样周期的时域信号数据进行融合处理得到时域信号组合数据：目标元件的多个采样周期的第一个通道的时域信号数据、第二个通道的时域信号数据、……、第n个通道的时域信号数据，其中n为目标元件的时域信号数据的通道总数；例如多个采样周期的目标元件一端的A相电流ia1、B相电流ib1、C相电流ic1、另一端的A相电流ia2、B相电流ib2、C相电流ic2；举例而言，可以设置六个队列，分别存储目标元件两端三相共六个通道的电流，所述六个队列中的数据可以得到所述时域信号组合数据。当然也不限于此。
S130、基于训练好的机器学习模型，根据所述第一时域信号组合数据，判断所述目标元件是否发生故障和故障的类型。
对于未来的智能电网，有必要提前制定对策，重新审视继电保护性能，提出电力系统保护和控制的优化方法。在智能电网这种电力信息物理系统(Cyber Physical PowerSystem，CPPS)中，能量流和信息流高度集成，电力信息物理系统将产生大量的因果关系数据、实时数据，甚至高维时空数据。本申请实施例可以基于机器学习模型有效利用电力信息物理系统的大数据，提高电力系统运行和控制性能。机器学习方法尤其是深度学习在自动特征提取方面具有良好的泛化能力，机器学习算法从混沌的数据中获取特征信息的能力是卓越的，本申请实施例能够基于机器学习模型，对智能电网领域的人工智能训练中从未遇到的新输入做出合理的响应，可以使得机器学习模型在智能电网这种复杂系统的实际应用中表现出优异性能，体现出一定的应用价值，例如在应对电力系统具有明显特征的故障信息时效果显著。
请参阅图2，对于第二输电线路320两端的继电保护装置321和继电保护装置322来说，发生在第一输电线路310、第三输电线路330上的故障称为外部故障，而发生在第二输电线路320上的故障称为内部故障。
三相输电线路的短路故障类型包括单相接地短路、两相短路、两相接地短路以及三相接地短路。根据短路故障类型的不同，可以分为十种内部故障和十种外部故障，其中内部故障包括：内部A相接地短路INag、内部B相接地短路INbg、内部C相接地短路INcg、内部AB两相短路INab、内部AC两相短路INac、内部BC两相短路INbc、内部AB两相接地短路INabg、内部AC两相接地短路INacg、内部BC两相接地短路INbcg、内部ABC三相接地短路INabcg，外部故障包括：外部A相接地短路EXag、外部B相接地短路EXbg、外部C相接地短路EXcg、外部AB两相短路EXab、外部AC两相短路EXac、外部BC两相短路EXbc、外部AB两相接地短路EXabg、外部AC两相接地短路EXacg、外部BC两相接地短路EXbcg、外部ABC三相接地短路EXabcg。
示例性的，将时域信号组合数据输入训练好的机器学习模型，可以得到机器学习模型所述时域信号组合数据的预测的故障类型。举例而言，机器学习模型的预测的故障类型包括：目标元件的内部故障、外部故障，还可以包括无故障的情况，例如对于第二输电线路320，机器学习模型预测的故障类型可以包括十种内部故障、十种外部故障，以及无故障，共有21种故障分类类别。
在一些实施方式中，本申请实施例还包括机器学习模型的训练过程，示例性的，机器学习模型的训练过程包括以下步骤S210至步骤S230。可以理解的，本申请实施例还提供给了一种用于纵联保护的机器学习模型的训练方法。
S210、获取训练数据集，所述训练数据集包括多个时域信号组合数据，以及各所述时域信号组合数据的标注的故障类型。
在一些实施方式中，可以从智能电网共享的数据集中获取元件的时域信号数据，基于所述预设的融合规则，对所述时域信号数据进行融合处理，得到所述时域信号组合数据；还可以根据数据集中时域信号数据对应的故障参数确定所述时域信号组合数据的标注的故障类型。当然也不限于此，例如可以通过模型仿真获取所述训练数据集中的时域信号组合数据和对应的标注的故障类型。
在一些实施方式中，针对特定电力系统元件，设置故障参数进行训练数据集中时域信号组合数据的样本的抽取。
示例性的，所述获取训练数据集，包括：确定所述目标元件的故障参数，所述故障参数包括以下至少一种：故障距离、故障插入角、故障前功角、故障电阻、故障类型；基于所述故障参数下的目标元件，获取所述目标元件的多个采样周期的时域信号数据；基于所述预设的融合规则，对所述多个采样周期的时域信号数据进行融合处理，得到时域信号组合数据；根据所述目标元件的故障参数，标注所述时域信号组合数据对应的故障类型。
示例性的，所述训练数据集中至少两个时域信号组合数据对应的故障参数不同，以保证样本选取既完备又具有代表性。
示例性的，在确定所述目标元件的故障参数时，尽量使得确定的故障参数可以覆盖影响故障特征的全部因素，例如包括故障距离、故障插入角、故障前功角、故障电阻、故障类型等因素。还可以使得确定的故障参数比较均匀地覆盖运行参数的可能分布范围，如故障插入角分布在0度-360度的范围，故障电阻考虑实际运行可能出现的极大值和极小值的可能性，还可以涵盖有物理本质区别的典型取值，如故障距离中的始端和末端可能涉及到死区识别问题时的取值。确定的故障类型则包括目标元件的内部故障和外部故障，还可以包括各种相间故障和接地故障以及无故障类型。
在一些实施方式中，获取目标元件在故障前后各一个周波的时域信号数据，如三相电流数据，所述故障可以根据所述故障参数确定。如图3所示为第二输电线路320在t＝0.2s时发生内部故障A相接地短路(INag)时两端电流ia1、ib1、ic1、ia2、ib2、ic2的信号波形。
示例性的，可以在目标元件在故障前后各一个周波的时域信号数据中获取多个采样周期的时域信号数据；基于所述预设的融合规则，对所述多个采样周期的时域信号数据进行融合处理，得到时域信号组合数据。示例性的，所述多个采样周期的时域信号数据为所述设定时长，如1/4周波、1/2周波或1周波内的时域信号数据，所述设定时长的时域信号数据融合处理得到的时域信号组合数据可以称为组合数据样本。
在一些实施方式中，可以在获取的时域信号数据上添加预设信噪比的白噪声和预设含量的谐波，以使得训练后的机器学习模型在应对白噪声和谐波时仍能准确的识别故障类型。
示例性的，通过改变故障距离、故障插入角、故障前功角、故障分类类别、过渡电阻(故障电阻)等故障参数，获得不同故障参数下的目标元件的时域信号数据，这样通过融合处理得到的时域信号组合数据对应的故障参数也不同，举例而言，可以采集多个组合数据样本，每个组合数据样本例如由1/2周波内的时域信号数据融合处理得到，可以将这些组合数据样本的集合记为训练数据集。然后，可以重新设置第二电源120的参数，通过随机地设置上述各种故障参数，得到一个随机的组合数据样本的集合，可以将该组合数据样本的集合记为测试数据集，这样便获得了两个包含不同组合数据样本的数据集。
示例性的，请参阅图4，当故障发生在t＝20ms时，取故障前后各一个周波的时域信号数据，将每个采样周期的时域信号数据以预设格式组织可以得到{0,1,2…,399}共400个时域组合信号点。每一时域组合信号点对应一个采样周期的时域信号数据，如该采样周期的电流信号数据，如ia1-ib1-ic1-ia2-ib2-ic2；例如，时域组合信号点0代表在t＝0ms时的时域信号数据，如电流信号ia1-ib1-ic1-ia2-ib2-ic2。
示例性的，可以根据所述设定时长对故障前后各一个周波的时域组合信号点进行分段，得到的数据段可以作为时域信号组合数据，即组合数据样本。
举例而言，如图4所示，以时域组合信号点0(第1个时域组合信号点)为分段的起始数据点，截取至时域组合信号点49，得到包括50个时域组合信号点的数据段，得到第一个时域信号组合数据；然后依次选择第2、3、4……个时域组合信号点作为起始数据点进行分段，得到第2、3、4……个时域信号组合数据，直至该故障前后各一个周波的时域组合信号点全部被分完。当然也不限于此，举例而言，选择起始数据点时也可以间隔的选择，例如可以等间隔的选择，当然也可以不等间隔的选择。可选的，间隔的选择时例如间隔1-10个点，一般在5个点以内，并且间隔较为均匀即可。优选的选取方式是依次选取或者等间隔选取。举例而言，训练数据集和测试数据集可以分别采用不同的分段方式，当然也可以采用相同的分段方式。例如，对于测试数据集来说，第一次分段的起始数据点为第一个时域组合信号点且每一次分段的起始数据点为上一次的起始数据点的下一个时域组合信号点；而对于训练数据集来说，可以不用如此严格地选取起始数据点，例如可以间隔式地选取起始数据点，如每两个起始数据点之间的间隔较为均匀即可。
举例而言，如图4所示，根据设定好的识别窗口大小(如50个时域组合信号点)对400个时域组合信号点进行截取分段，通过滑动识别窗口的方式，在所述400个时域组合信号点上获取多个数据段，得到多个组合数据样本。
在一些实施方式中，在所述训练数据集和测试数据集中，当时域信号组合数据融合的多个采样周期的时域信号数据中，有时域信号数据的采样周期在故障后，且所述时域信号数据的采样周期的数目大于或等于预设故障阈值时，标注所述时域信号组合数据对应的故障类型为有故障的类型。当时域信号组合数据融合的时域组合信号点中有S个或多于S个时域组合信号点是故障发生后的时域组合信号点，则标记所述时域信号组合数据对应的故障类型为有故障的类型，如某种内部故障的类型或某种外部故障的类型。示例性的，当所述时域信号组合数据融合的多个采样周期的时域信号数据中，有时域信号数据的采样周期在故障后，且所述时域信号数据的采样周期的数目小于所述预设故障阈值时，可以判定该时域信号组合数据的故障类型为无故障。通过设置所述预设故障阈值，可以调节所述机器学习模型对故障的敏感程度，所述预设故障阈值可以称为故障敏感点阈值。
示例性的，所述预设故障阈值S可以为每个基频周期的采样周期的总数的二十分之一至五分之一，例如为每个基频周期的采样周期的总数的十分之一。当然也不限于此，举例而言，所述预设故障阈值S可以为1，或者可以为2、3、4。
示例性的，训练数据集的组合数据样本中，至少有一个组合数据样本仅包括由多个故障前的采样周期的时域信号数据融合处理得到的时域组合信号点，且至少有一个组合数据样本仅包括由多个故障后的采样周期的时域信号数据融合处理得到的时域组合信号点，以及至少有一个组合数据样本包括由若干故障前的采样周期的时域信号数据和若干故障后的采样周期的时域信号数据融合处理得到的时域组合信号点。可选的，包括由若干故障前的采样周期的时域信号数据和若干故障后的采样周期的时域信号数据融合处理得到的时域组合信号点的组合数据样本，也可以包括由多个故障后的采样周期的时域信号数据融合处理得到的时域组合信号点，和/或由多个故障后的采样周期的时域信号数据融合处理得到的时域组合信号点。
当故障发生在t＝20ms时，取故障前后各一个周波的时域信号数据，将每个采样周期的时域信号数据以预设格式组织可以得到{0,1,2…,399}共400个时域组合信号点。每一时域组合信号点对应一个采样周期的时域信号数据，如该采样周期的电流信号数据，如ia1-ib1-ic1-ia2-ib2-ic2；例如，时域组合信号点0代表在t＝0ms时的时域信号数据，如电流信号ia1-ib1-ic1-ia2-ib2-ic2。
S220、将各所述时域信号组合数据输入所述机器学习模型，得到各所述时域信号组合数据的预测的故障类型。
示例性的，可以根据时域信号组合数据融合的时域信号数据的时序确定所述时域信号组合数据的时序。举例而言，请参阅图4，将时域组合信号点{0,1,……,49}组合得到的时域信号组合数据标记为时序[0]，将时域组合信号点{1,2,……,50}组合得到的时域信号组合数据标记为时序[1]。当然也不限于此，例如，时域信号组合数据的时序可以根据数据段中第一个或者最后一个时域组合信号点的时序确定，当然也可以按照其他方法设置，可以保证对应的数据段的先后顺序不变。
在一些实施方式中，所述机器学习模型为人工智能模型，如卷积神经网络(convolutional neural network)模型，当然也不限于此，例如也可以是ELM(ExtremeLearning Machine，极限学习机)模型，ResNet(残差神经网络)模型等其他人工智能模型。
在一些实施方式中，机器学习模型基于卷积神经网络，根据输入的时域信号组合数据进行故障辨识，例如可以辨识以下故障类型：内部和外部的A相接地短路、B相接地短路、C相接地短路、AB两相短路、AC两相短路，BC两相短路、AB两相接地短路、AC两相接地短路，BC两相接地短路、ABC三相短路以及无故障共21种故障分类类别。
S230、根据所述多个时域信号组合数据各自对应的标注的故障类型以及预测的故障类型，调整所述机器学习模型的模型参数，得到所述训练好的机器学习模型。
示例性的，根据所述多个时域信号组合数据各自对应的标注的故障类型以及预测的故障类型之间的偏差确定所述机器学习模型的损失值、准确率等性能指标中的一个或多个，根据所述性能指标调整所述机器学习模型的模型参数，以对机器学习模型进行训练，在一些实施方式中，还可以根据所述性能指标调整所述机器学习模型的结构。
示例性的，可以将部分时域信号组合数据输入到机器学习模型中，对训练后的机器学习模型进行验证和测试，获得针对该电力系统元件最优的或者达到收敛的机器学习模型，即所述训练好的机器学习模型。训练好的机器学习模型可以在线运行，实时判断目标元件是否发生故障。
S140、当根据所述第一时域信号组合数据判定所述目标元件发生故障时，基于所述机器学习模型，根据第二时域信号组合数据判断所述目标元件在第二采样周期是否发生故障。
示例性的，当根据所述第一时域信号组合数据判定所述目标元件未发生故障时，将当前采样周期作为所述第一采样周期，继续采集第一采样周期的时域信号数据，以及对多个第一采样周期的时域信号数据进行融合处理，根据得到第一时域信号组合数据判断所述目标元件是否发生故障。
示例性的，当在某一时刻基于训练好的机器学习模型，根据所述第一时域信号组合数据，判断所述目标元件发生故障时，先不控制纵联保护系统执行对所述目标元件的保护动作，而是继续采集后续的第二采样周期的时域信号数据，以及判断判断所述目标元件在第二采样周期是否发生故障。举例而言，纵联保护系统例如包括机电保护装置。
具体的，所述第二采样周期为判定所述目标元件发生故障之后的采样周期，所述第二时域信号组合数据是对所述第一采样周期和至少一个第二采样周期的时域信号数据进行融合处理得到的，或者是对多个第二采样周期的时域信号数据进行融合处理得到的。
本申请的发明人发现：当系统发生故障时，无论是内部或外部故障，在故障发生后的一段时间内，机器学习模型，如卷积神经网络的识别精度下降且存在波动，此时的卷积神经网络识别准确度无法达到要求，这段时间被称作是模糊区域。针对该发现，申请人对纵联保护方法进行了改进，具体的，当根据所述第一时域信号组合数据判定所述目标元件发生故障时，还基于所述机器学习模型，根据第二时域信号组合数据判断所述目标元件在第二采样周期是否发生故障。
在一些实施方式中，当根据所述第一时域信号组合数据判定所述目标元件发生故障时，在预设时长之后，基于所述机器学习模型，根据第二时域信号组合数据判断所述目标元件在第二采样周期是否发生故障；其中，所述第二采样周期为所述预设时长之后的采样周期。
示例性的，度过故障之后的模糊区后，机器学习模型，如卷积神经网络的识别准确度又会重新上升到接近100％，识别精度重新达到要求，这段时间被称作是稳定区域。在发生故障的预设时长之后，根据第二时域信号组合数据判断所述目标元件在第二采样周期是否发生故障，识别准确度足够高。
示例性的，所述预设时长的取值范围是：基频周期的八分之一倍至一倍。可选的，所述预设时长的取值范围是基频周期的八分之一倍至四分之三倍，举例而言，所述预设时长是基频周期的1/6周期、1/4周期、1/2周期、3/4。示例性的，所述预设时长可以为固定的值，或者也可以根据具体系统的要求，选择不同的值。
需要说明的是，在所述目标元件发生故障的预设时长之内，仍可以实时采集时域信号数据，以及至少对实时采集时域信号数据进行融合处理，还可以基于所述机器学习模型对融合处理得到的时域信号组合数据进行预测；当然也可以在所述预设时长之内不对融合处理得到的时域信号组合数据进行预测，而是在预设时长之后，根据第二时域信号组合数据判断所述目标元件在第二采样周期是否发生故障，本申请实施例对次不做限定。
S150、当判定所述目标元件在多个连续的第二采样周期发生相同类型的故障时，根据所述故障的类型控制纵联保护系统执行对所述目标元件的保护动作。
示例性的，在判定所述目标元件发生故障的预设时长之后，若判定所述目标元件在多个连续的第二采样周期发生相同类型的故障时，根据所述故障的类型控制纵联保护系统执行对所述目标元件的保护动作。通过在判定多个连续的第二采样周期发生相同类型的故障时执行对所述目标元件的保护动作，可以避免保护误动作。
示例性的，当判定所述目标元件在多个连续的第二采样周期发生相同类型的故障，且所述多个连续的第二采样周期的数目大于或等于预设保护阈值时，判定所述判定结果是可信的，可以根据所述故障的类型控制纵联保护系统执行对所述目标元件的保护动作。举例而言，所述预设保护阈值c可以为10，当然也不限于此。示例性的，预设保护阈值c可以为固定的值，或者也可以根据具体系统的要求，选择不同的值。
在一些实施方式中，所述方法还包括：当根据所述第一时域信号组合数据判定所述目标元件发生故障时，控制所述目标元件的纵联保护系统启动，以使所述纵联保护系统在接收到跳闸指令时跳闸。当根据所述第一时域信号组合数据判定所述目标元件发生故障时，有较大可能需要纵联保护系统跳闸，通过在根据所述第一时域信号组合数据判定所述目标元件发生故障时，控制所述目标元件的纵联保护系统启动，可以在判定所述目标元件在多个连续的第二采样周期发生相同类型的内部故障时，便于纵联保护系统快速、可靠的跳闸。
示例性的，所述当判定所述目标元件在多个连续的第二采样周期发生相同类型的故障时，根据所述故障的类型控制纵联保护系统执行对所述目标元件的保护动作，包括：当判定所述目标元件在多个连续的第二采样周期发生相同类型的内部故障时，向所述纵联保护系统发送跳闸指令，以使所述纵联保护系统跳闸。
举例而言，训练优化后的机器学习模型在线运行时，当判定目标元件无故障时，不触发纵联保护系统启动；当判定目标元件发生任何类型的故障时均启动该纵联保护。
示例性的，在根据所述第一时域信号组合数据判定所述目标元件发生故障时，先控制所述目标元件的纵联保护系统启动但是不触发纵联保护系统跳闸，而是在度过机器学习模型的模糊区，进入稳定区机器学习模型的识别准确度接近或等于100％后，当判定所述目标元件在多个连续的第二采样周期发生相同类型的内部故障时才触发纵联保护系统跳闸，可以准确且快速的控制纵联保护系统执行对所述目标元件的保护动作。
示例性的，根据设定的模糊区窗口，如模糊区窗口设定5ms，在判定所述目标元件发生故障的预设时长之后，如该纵联保护系统启动经过5ms后，若连续c个点(采样周期)检测到相同的内部故障，则发出跳闸命令控制纵联保护系统跳闸。通过设置模糊区窗口，可以避免故障发生的一段时间内机器学习模型的判断准确性和稳定性降低，达不到预期而导致的保护误动作。
在一些实施方式中，当根据所述第一时域信号组合数据判定所述目标元件发生故障时，在预设时长之后，基于所述机器学习模型，根据第二时域信号组合数据判断所述目标元件在第二采样周期是否发生故障。所述预设时长的值可以根据所述机器学习模型的性能指标确定。
示例性的，所述方法还包括：获取测试数据集，所述测试数据集包括多个时域信号组合数据，以及各所述时域信号组合数据的标注的故障类型；将各所述时域信号组合数据输入所述机器学习模型，得到各所述时域信号组合数据的预测的故障类型；根据所述多个时域信号组合数据各自对应的标注的故障类型以及预测的故障类型，确定所述机器学习模型的性能指标；根据所述机器学习模型的性能指标，确定所述预设时长的值。
示例性的，所述机器学习模型的性能指标包括识别准确度、稳定性等指标；举例而言，所述预设时长的值与所述机器学习模型的预测结果的识别准确度负相关，例如识别准确度越高，所述预设时长的值可以越小。所述预设时长，即模糊区域的长短主要取决于机器学习模型的识别准确度等指标以及交流系统的性能。一般情况下，希望模糊区域的持续时间越短且在稳定区域内的识别准确度和稳定性越高。
在一些实施方式中，所述根据所述多个时域信号组合数据各自对应的标注的故障类型以及预测的故障类型，确定所述机器学习模型的性能指标，包括：根据各所述时域信号组合数据对应的标注的故障类型以及预测的故障类型，确定所述机器学习模型的与各所述时域信号组合数据对应的性能指标；所述根据所述机器学习模型的性能指标，确定所述预设时长的值，包括：基于所述多个时域信号组合数据的时序，根据所述多个时域信号组合数据各自对应的性能指标确定所述机器学习模型的性能指标的变化趋势；根据所述性能指标的变化趋势，确定所述预设时长的值。
示例性的，将所述测试数据集中的各时域信号组合数据输入所述训练好的机器学习模型，根据预测的故障类型和标注的故障类型确定所述机器学习模型的，与所述时域信号组合数据对应的识别准确度等性能指标；以及根据所述测试数据集中多个时域信号组合数据的时序，确定所述机器学习模型的性能指标的变化趋势。举例而言，所述测试数据集中的各时域信号组合数据上添加有时序标记，根据所述时序标记将各时域信号组合数据对应的识别准确度等性能指标进行排列，得到所述机器学习模型的性能指标的变化趋势，或者可以称为在线性能。或者，可以将测试数据集中的多个时域信号组合数据依序输入所述机器学习模型，以及依序确定对应的识别准确度等性能指标，可以理解的，此时时域信号组合数据可以不用添加时序标记。
在一些实施方式中，请参阅图2和图5，如图5(a)所示为第一输电线路310相对于第二输电线路320发生外部故障前后各时刻，机器学习模型根据第二输电线路320各端的时域信号数据融合处理得到的时域信号组合数据，进行故障识别时的识别准确度的变化曲线，即在线准确度的变化趋势；如图5(b)所示为第二输电线路320发生内部故障时，机器学习模型根据第二输电线路320各端的时域信号数据融合处理得到的时域信号组合数据，进行故障识别时的识别准确度的变化趋势；如图5(c)所示为第三输电线路330相对于第二输电线路320发生外部故障前后各时刻，机器学习模型根据第二输电线路320各端的时域信号数据融合处理得到的时域信号组合数据，进行故障识别时的识别准确度的变化趋势。请参阅图5(a)至图5(c)，当电力系统模型正常运行且无故障时，基于卷积神经网络的机器学习模型的识别准确度均为100％，而在故障发生时，在模糊区域内，卷积神经网络的识别准确度下降，如果在模糊区域时控制跳闸会导致保护装置误动作。请参阅图5(a)至图5(c)，可以根据故障发生后机器学习模型的识别准确度的变化曲线的波谷宽度确定所述预设时长的值。
在一些实施方式中，当测试卷积神经网络在故障前的识别准确度为100％且在度过模糊区后都进入了稳定区时，可以判定得到了训练好的机器学习模型，如卷积神经网络可以准确辨识故障类型，可以作为训练好的机器学习模型。
在一些实施方式中，卷积神经网络对每次输入的固定长度的数据进行辨识，卷积神经网络在刚检测到故障时便会发出启动保护的指令，使保护处于准备状态，但不发出跳闸指令。直至度过模糊区域后，若卷积神经网络将连续的c(c>0)个点都判断为同一种故障时，保护才发出跳闸指令。该方案能大大降低保护误动作的概率。
本申请实施例提供的纵联保护方法，通过以预设采样频率获取目标元件的时域信号数据；基于预设的融合规则，对多个第一采样周期的时域信号数据进行融合处理，得到第一时域信号组合数据；基于训练好的机器学习模型，根据第一时域信号组合数据，判断目标元件是否发生故障和故障的类型；当根据第一时域信号组合数据判定目标元件发生故障时，基于机器学习模型，根据第二时域信号组合数据判断目标元件在第二采样周期是否发生故障，第二采样周期为判定目标元件发生故障之后的采样周期；以及当判定目标元件在多个连续的第二采样周期发生相同类型的故障时，根据故障的类型控制纵联保护系统执行对目标元件的保护动作。能够利用机器学习模型实现电力系统元件的故障辨识，及时、准确、可靠地切除故障元件，以显著提高智能电网的保护性能。
在一些实施方式中，本申请实施例的纵联保护方案比传统的保护方案具有优势，可以提供更快的保护速度和相当高的动作精度，没有死区、接线限制或复杂的频域标准和整定计算要求，对谐波、故障电阻和电流互感器饱和具有良好的适应性。
请参阅图6，图6是本申请实施例提供的纵联保护装置700的示意性框图。可选的，纵联保护装置700可适用于前述的性能评估方法。
如图6所示，该纵联保护装置700包括一个或多个处理器701，一个或多个处理器701单独地或共同地工作，用于执行前述的性能评估方法的步骤。
示例性的，纵联保护装置700还包括存储器702。
示例性的，处理器701和存储器702通过总线703连接，该总线703比如为I2C(Inter-integrated Circuit)总线。
具体地，处理器701可以是微控制单元(Micro-controller Unit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal Processor，DSP)等。
具体地，存储器702可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
其中，所述处理器701用于运行存储在存储器702中的计算机程序，并在执行所述计算机程序时实现前述的性能评估方法的步骤。
示例性的，所述处理器701用于运行存储在存储器702中的计算机程序，并在执行所述计算机程序时实现如下步骤：
以预设采样频率获取目标元件的时域信号数据；
基于预设的融合规则，对多个第一采样周期的时域信号数据进行融合处理，得到第一时域信号组合数据；
基于训练好的机器学习模型，根据所述第一时域信号组合数据，判断所述目标元件是否发生故障和故障的类型；
当根据所述第一时域信号组合数据判定所述目标元件发生故障时，基于所述机器学习模型，根据第二时域信号组合数据判断所述目标元件在第二采样周期是否发生故障，所述第二采样周期为判定所述目标元件发生故障之后的采样周期，所述第二时域信号组合数据是对所述第一采样周期和至少一个第二采样周期的时域信号数据进行融合处理得到的，或者是对多个第二采样周期的时域信号数据进行融合处理得到的；
当判定所述目标元件在多个连续的第二采样周期发生相同类型的故障时，根据所述故障的类型控制纵联保护系统执行对所述目标元件的保护动作。
本申请实施例提供的纵联保护装置的具体原理和实现方式均与前述实施例的性能评估方法类似，此处不再赘述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述计算机程序被处理器执行时使所述处理器实现上述实施例提供的性能评估方法的步骤。
其中，所述计算机可读存储介质可以是前述任一实施例所述的纵联保护装置的内部存储单元，例如所述纵联保护装置的硬盘或内存。所述计算机可读存储介质也可以是所述纵联保护装置的外部存储设备，例如所述纵联保护装置上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
应当理解，在此本申请中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。
还应当理解，在本申请和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
需要说明的是，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种纵联保护方法，其特征在于，包括：
以预设采样频率获取目标元件的时域信号数据；
基于预设的融合规则，对多个第一采样周期的时域信号数据进行融合处理，得到第一时域信号组合数据；
基于训练好的机器学习模型，根据所述第一时域信号组合数据，判断所述目标元件是否发生故障和故障的类型；
当根据所述第一时域信号组合数据判定所述目标元件发生故障时，基于所述机器学习模型，根据第二时域信号组合数据判断所述目标元件在第二采样周期是否发生故障，所述第二采样周期为判定所述目标元件发生故障之后的采样周期，所述第二时域信号组合数据是对所述第一采样周期和至少一个第二采样周期的时域信号数据进行融合处理得到的，或者是对多个第二采样周期的时域信号数据进行融合处理得到的；
当判定所述目标元件在多个连续的第二采样周期发生相同类型的故障时，根据所述故障的类型控制纵联保护系统执行对所述目标元件的保护动作。
2.根据权利要求1所述的纵联保护方法，其特征在于，所述方法还包括：
当根据所述第一时域信号组合数据判定所述目标元件发生故障时，控制所述目标元件的纵联保护系统启动，以使所述纵联保护系统在接收到跳闸指令时跳闸；
所述当判定所述目标元件在多个连续的第二采样周期发生相同类型的故障时，根据所述故障的类型控制纵联保护系统执行对所述目标元件的保护动作，包括：
当判定所述目标元件在多个连续的第二采样周期发生相同类型的内部故障时，向所述纵联保护系统发送跳闸指令，以使所述纵联保护系统跳闸。
3.根据权利要求1所述的纵联保护方法，其特征在于，所述当根据所述第一时域信号组合数据判定所述目标元件发生故障时，基于所述机器学习模型，根据第二时域信号组合数据判断所述目标元件在第二采样周期是否发生故障，包括：
当根据所述第一时域信号组合数据判定所述目标元件发生故障时，在预设时长之后，基于所述机器学习模型，根据第二时域信号组合数据判断所述目标元件在第二采样周期是否发生故障；
其中，所述第二采样周期为所述预设时长之后的采样周期。
4.根据权利要求3所述的纵联保护方法，其特征在于，所述方法还包括：
获取测试数据集，所述测试数据集包括多个时域信号组合数据，以及各所述时域信号组合数据的标注的故障类型；
将各所述时域信号组合数据输入所述机器学习模型，得到各所述时域信号组合数据的预测的故障类型；
根据所述多个时域信号组合数据各自对应的标注的故障类型以及预测的故障类型，确定所述机器学习模型的性能指标；
根据所述机器学习模型的性能指标，确定所述预设时长的值。
5.根据权利要求4所述的纵联保护方法，其特征在于，所述根据所述多个时域信号组合数据各自对应的标注的故障类型以及预测的故障类型，确定所述机器学习模型的性能指标，包括：
根据各所述时域信号组合数据对应的标注的故障类型以及预测的故障类型，确定所述机器学习模型的与各所述时域信号组合数据对应的性能指标；
所述根据所述机器学习模型的性能指标，确定所述预设时长的值，包括：
基于所述多个时域信号组合数据的时序，根据所述多个时域信号组合数据各自对应的性能指标确定所述机器学习模型的性能指标的变化趋势；
根据所述性能指标的变化趋势，确定所述预设时长的值。
6.根据权利要求3-5中任一项所述的纵联保护方法，其特征在于，所述预设时长的取值范围是：基频周期的八分之一倍至一倍。
7.根据权利要求1-5中任一项所述的纵联保护方法，其特征在于，所述方法还包括：
获取训练数据集，所述训练数据集包括多个时域信号组合数据，以及各所述时域信号组合数据的标注的故障类型；
将各所述时域信号组合数据输入所述机器学习模型，得到各所述时域信号组合数据的预测的故障类型；
根据所述多个时域信号组合数据各自对应的标注的故障类型以及预测的故障类型，调整所述机器学习模型的模型参数，得到所述训练好的机器学习模型。
8.根据权利要求7所述的纵联保护方法，其特征在于，所述获取训练数据集，包括：
确定所述目标元件的故障参数，所述故障参数包括以下至少一种：故障距离、故障插入角、故障前功角、故障电阻、故障类型；
基于所述故障参数下的目标元件，获取所述目标元件的多个采样周期的时域信号数据；
基于所述预设的融合规则，对所述多个采样周期的时域信号数据进行融合处理，得到时域信号组合数据；
根据所述目标元件的故障参数，标注所述时域信号组合数据对应的故障类型。
9.一种纵联保护装置，其特征在于，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如权利要求1-8中任一项所述的纵联保护方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1-8中任一项所述的纵联保护方法的步骤。
CN202111322840.6A 2021-11-09 2021-11-09 纵联保护方法、装置和存储介质 Active CN114142605B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111322840.6A CN114142605B (zh) 2021-11-09 2021-11-09 纵联保护方法、装置和存储介质
US18/052,576 US11756352B2 (en) 2021-11-09 2022-11-04 Pilot protection method, device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111322840.6A CN114142605B (zh) 2021-11-09 2021-11-09 纵联保护方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN114142605A true CN114142605A (zh) 2022-03-04
CN114142605B CN114142605B (zh) 2022-07-15

Family

ID=80393479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111322840.6A Active CN114142605B (zh) 2021-11-09 2021-11-09 纵联保护方法、装置和存储介质

Country Status (2)

Country Link
US (1) US11756352B2 (zh)
CN (1) CN114142605B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118137678A (zh) * 2024-05-07 2024-06-04 国网黑龙江省电力有限公司齐齐哈尔供电公司 一种智能配电网馈电自动化处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001041996A (ja) * 1999-07-30 2001-02-16 Matsushita Electric Works Ltd 交流回路の故障検出方式
US20170031329A1 (en) * 2015-07-31 2017-02-02 Fanuc Corporation Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
JP2017033526A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
CN110086154A (zh) * 2019-05-10 2019-08-02 广东工业大学 一种纵联保护方法和系统
CN112304613A (zh) * 2020-10-30 2021-02-02 浙江运达风电股份有限公司 一种基于特征融合的风电机组发电机轴承预警方法
CN113297786A (zh) * 2021-05-06 2021-08-24 西安理工大学 一种基于半监督式机器学习的低压故障电弧感知方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6194877B1 (en) * 1999-08-02 2001-02-27 Visteon Global Technologies, Inc. Fault detection in a motor vehicle charging system
JP5360123B2 (ja) * 2011-04-22 2013-12-04 株式会社デンソー 車載電子制御装置、診断ツールおよび診断システム
CN103297786B (zh) 2012-02-22 2015-04-22 能晶科技股份有限公司 鸟瞰影像系统及其补偿方法
US11145146B2 (en) * 2018-01-31 2021-10-12 Mentor Graphics (Deutschland) Gmbh Self-diagnosis of faults in an autonomous driving system
US11035896B2 (en) * 2018-05-22 2021-06-15 Guangdong University Of Technology Method and device for reliability assessment of wide area protection system
US20200023891A1 (en) * 2018-07-17 2020-01-23 GM Global Technology Operations LLC System and method of predictive fault mitigation for electric power steering system in a vehicle

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001041996A (ja) * 1999-07-30 2001-02-16 Matsushita Electric Works Ltd 交流回路の故障検出方式
US20170031329A1 (en) * 2015-07-31 2017-02-02 Fanuc Corporation Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
JP2017033526A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
CN110086154A (zh) * 2019-05-10 2019-08-02 广东工业大学 一种纵联保护方法和系统
CN112304613A (zh) * 2020-10-30 2021-02-02 浙江运达风电股份有限公司 一种基于特征融合的风电机组发电机轴承预警方法
CN113297786A (zh) * 2021-05-06 2021-08-24 西安理工大学 一种基于半监督式机器学习的低压故障电弧感知方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
梁远升等: "双端不同步线路参数自适应时频域故障测距算法", 《电力系统自动化》 *
鲁月华等: "适用于交直流混联系统的时域全量故障模型判别纵联保护方案", 《电力系统保护与控制》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118137678A (zh) * 2024-05-07 2024-06-04 国网黑龙江省电力有限公司齐齐哈尔供电公司 一种智能配电网馈电自动化处理方法
CN118137678B (zh) * 2024-05-07 2024-07-19 国网黑龙江省电力有限公司齐齐哈尔供电公司 一种智能配电网馈电自动化处理方法

Also Published As

Publication number Publication date
US20230148329A1 (en) 2023-05-11
US11756352B2 (en) 2023-09-12
CN114142605B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
Santos et al. High-impedance fault identification on distribution networks
Mishra et al. FDOST-based fault classification scheme for fixed series compensated transmission system
CN109828181A (zh) 一种基于modwt的变压器绕组轻微故障检测方法
CN109541344B (zh) 基于svm的模块化多电平直流输电系统故障识别方法
CN112986754B (zh) 一种基于数据驱动的小电流接地系统故障辨识方法及装置
Jana et al. A novel zone division approach for power system fault detection using ANN-based pattern recognition technique
CN114142605B (zh) 纵联保护方法、装置和存储介质
CN117272143A (zh) 基于格拉姆角场与残差网络的输电线故障辨识方法和装置
Chothani et al. A new algorithm for busbar fault zone identification using relevance vector machine
CN110824299B (zh) 基于零序电流曲线簇的二维平面判断的故障选线方法
CN105652137B (zh) 一种变电站在线监测诊断模型识别方法及装置
CN110927526B (zh) 基于零序电流波形分形盒维数的配电网故障选线方法
CN113092933A (zh) 一种基于lstm的单相接地故障选线方法及系统
CN111898446A (zh) 基于多算法归一化分析的单相接地故障研判方法
CN109188207B (zh) 一种基于初始行波有功功率的母线故障定位方法
Barra et al. Fault location in radial distribution networks using ANN and superimposed components
CN113432854B (zh) 高压开关柜梅花触头状态监测方法、系统、设备及介质
CN115561575A (zh) 基于多维矩阵轮廓的海上风电场电气异常状态辨别方法
CN115372752A (zh) 故障检测方法、装置、电子设备以及存储介质
CN109375144B (zh) 基于三相四线表计设备的失流故障监测方法和装置
Musa Faulted‐phase identification scheme for series‐compensated transmission lines during the power swing
CN112083267A (zh) 一种配电网线路故障识别方法、装置及系统
CN118362834B (zh) 一种基于录波源端数据挖掘的电网故障判定方法及系统
CN114217173B (zh) 小电流接地配电网单相故障选线与定位方法、装置及设备
CN110873832A (zh) 一种基于小波能量熵的配电网选线方法及系统

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