CN115184728A - 一种交直流混合配电网的故障识别方法 - Google Patents

一种交直流混合配电网的故障识别方法 Download PDF

Info

Publication number
CN115184728A
CN115184728A CN202210817971.XA CN202210817971A CN115184728A CN 115184728 A CN115184728 A CN 115184728A CN 202210817971 A CN202210817971 A CN 202210817971A CN 115184728 A CN115184728 A CN 115184728A
Authority
CN
China
Prior art keywords
fault
power distribution
distribution network
hybrid power
formula
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.)
Pending
Application number
CN202210817971.XA
Other languages
English (en)
Inventor
何正友
李波
廖凯
杨健维
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210817971.XA priority Critical patent/CN115184728A/zh
Publication of CN115184728A publication Critical patent/CN115184728A/zh
Pending legal-status Critical Current

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
    • 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
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于配电技术领域，具体涉及一种交直流混合配电网的故障识别方法。本发明包括：步骤1.采集交直流混合配电网的故障电气量，获取故障典型特征，基于皮尔逊相关系数确定故障识别特征，并将多维故障识别特征构建为单一的输入向量；步骤2.构建离线的交直流混合配电网故障学习模型；利用仿真与实测数据进行训练，得到在线故障识别模型的参数；步骤3.设计故障标签与故障识别判据，利用在线故障识别模型结合故障标签与故障识别判据，实现交直流混合配电网故障识别。本发明可对故障发生及其类型进行准确的判断，具有识别速度快、准确性高的特点，具有较强的理论与工程实用意义。

Description

一种交直流混合配电网的故障识别方法
技术领域
本发明涉及一种故障识别方法，尤其涉及一种交直流混合配电网的故障识别方法。
背景技术
随着电力电子技术的快速发展，交直流混合配电网在传输容量、线路损耗、场景适应能力及分布式电源即插即用等方面的突出优势，已成为新型电力系统在配电网方向的重点发展方向。然而，交直流混合配电网横跨交流与直流配电网模式，其故障类型多样且故障特征复杂，依靠传统的单一特征值检测的方法难以有效地甄别故障的发生及其类型。并且，故障的准确识别是交直流混合配电网保护可靠动作的关键，是保障交直流混合配电网安全稳定运行的重要基础。因此，有必要对交直流混合配电网的故障识别进行研究，以得到更为精准的故障识别效果。现有交直流混合配电网故障识别分析方法仍沿用传统交流配电网或特高压直流输电的理论及经验，对交直流混合配电模式、分布式电源多点接入等考虑不足，对故障电阻、线路长度等影响因素的适应能力差，导致实际的故障识别效果仍然无法满足交直流混合配电网实际应用的要求，影响了交直流混合配电网的推广、发展与建设。因此，有必要对交直流混合配电网的高灵敏故障识别方法进行研究，需充分考虑考虑线路、故障电阻、交直流混合配电网等影响因素，以实现交直流混合配电网更为精确、灵敏的故障识别能力。
发明内容
针对背景技术中存在的问题，本发明提供一种交直流混合配电网的故障识别方法。本发明的目的是为克服现有技术对交直流混合配电网故障识别能力的不足，提供一种基于智能学习的交直流混合配电网高灵敏故障识别方法，该方法利用自适应增强智能学习算法对大量的故障数据进行学习，能够快速并精确的识别不同类型故障特征的变化规律，并且本发明设计了故障特征筛选、数据预处理方法，实现了完整交直流混合配电网故障检测方法，该方法对交直流混合配电网的故障识别、保护等具有工程与实用价值。
本发明解决上述技术问题提供以下技术方案：
一种交直流混合配电网的故障识别方法，包括以下步骤：
步骤1：采集交直流混合配电网的故障电气量，获取故障典型特征，基于皮尔逊相关系数确定故障识别特征，并根据故障特征综合归一法将多维故障识别特征构建为单一的输入向量；
步骤2：基于自适应增强智能学习算法，构建离线的交直流混合配电网故障学习模型；利用仿真与实测数据，训练所述离线的交直流混合配电网故障学习模型，得到在线故障识别模型的参数；
步骤3：设计故障标签与故障识别判据，利用在线故障识别模型结合故障标签与故障识别判据，实现交直流混合配电网故障识别。
作为优选，步骤1具体包括：
步骤1.1：采集交直流混合配电网的故障电气量，并将其分别进行编号，编号的具体情况如下：
Figure DEST_PATH_IMAGE001
为某个故障电气量，
Figure 100002_DEST_PATH_IMAGE002
为其编号，根据实际交直流混合配电网的需求确定具体故障电气量的类型和数量；
步骤1.2：基于皮尔逊相关系数计算不同故障电气量之间的相关性，以确定不同类型故障电气量之间的耦合关系，其中皮尔逊相关系数计算公式如下：
Figure DEST_PATH_IMAGE003
；
式中：
Figure 100002_DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE005
分别为两个不同故障电气量,
Figure 100002_DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
分别为两个不同故障电气量采样值的平均值，
Figure 100002_DEST_PATH_IMAGE008
为
Figure DEST_PATH_IMAGE009
与
Figure 100002_DEST_PATH_IMAGE010
的皮尔逊相关系数，
Figure DEST_PATH_IMAGE011
的范围为-1到1；
取不同类型故障下
Figure 100002_DEST_PATH_IMAGE012
的平均值
Figure DEST_PATH_IMAGE013
为综合相关系数，确定某个故障电气量对交直流混合配电网故障的区分能力，综合相关系数
Figure 100002_DEST_PATH_IMAGE014
采用下式进行计算：
Figure DEST_PATH_IMAGE015
；
式中：
Figure 100002_DEST_PATH_IMAGE016
为第
Figure DEST_PATH_IMAGE017
类故障时的
Figure 100002_DEST_PATH_IMAGE018
的皮尔逊相关系数；
选取综合相关系数最小的4个故障电气量作为输入向量，分别将4个被筛选的故障电气量定义为
Figure DEST_PATH_IMAGE019
、
Figure 100002_DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
、
Figure 100002_DEST_PATH_IMAGE022
；
步骤1.3：将被筛选的故障电气量
Figure 598126DEST_PATH_IMAGE019
、
Figure 780845DEST_PATH_IMAGE020
、
Figure 278692DEST_PATH_IMAGE021
、
Figure 142742DEST_PATH_IMAGE022
进行归一与融合，构建离线故障学习模型需要的单一输入向量；障电气量归一化采用下式进行处理：
Figure DEST_PATH_IMAGE023
；
式中，
Figure 100002_DEST_PATH_IMAGE024
为归一化后的第
Figure DEST_PATH_IMAGE025
个数据点，
Figure 100002_DEST_PATH_IMAGE026
为被归一化的故障电气量
Figure 285011DEST_PATH_IMAGE019
、
Figure 576315DEST_PATH_IMAGE020
、
Figure 108927DEST_PATH_IMAGE021
、
Figure 25937DEST_PATH_IMAGE022
的第
Figure DEST_PATH_IMAGE027
个数据点，
Figure 100002_DEST_PATH_IMAGE028
、
Figure DEST_PATH_IMAGE029
分别为被归一化的故障电气量
Figure 553870DEST_PATH_IMAGE019
、
Figure 16075DEST_PATH_IMAGE020
、
Figure 846103DEST_PATH_IMAGE021
、
Figure 301224DEST_PATH_IMAGE022
采样值的最大值与最小值，将被筛选出的故障电气量归一化为区间[0，1]上的数据信号，并按照下式生成输入向量：
Figure 100002_DEST_PATH_IMAGE030
；
式中：x为离线故障学习模型及在线故障识别模型的输入向量。
作为优选，步骤2具体包括：
步骤2.1：确定弱分类器；
所述弱分类器为BP神经网络，所述弱分类器的拓扑结构包括输入层、隐藏层和输出层，其计算过程为：
Figure 100002_DEST_PATH_IMAGE031
；
式中：
Figure 100002_DEST_PATH_IMAGE032
为基于输入层得到的隐藏层结果，
Figure 100002_DEST_PATH_IMAGE033
为基于隐藏层得到的输出层结果，
Figure 100002_DEST_PATH_IMAGE034
为输入层数据，
Figure 100002_DEST_PATH_IMAGE035
、
Figure 100002_DEST_PATH_IMAGE036
为隐藏层的计算参数，
Figure 100002_DEST_PATH_IMAGE037
、
Figure 100002_DEST_PATH_IMAGE038
为输出层计算参数，
Figure 100002_DEST_PATH_IMAGE039
为
Figure 100002_DEST_PATH_IMAGE040
神经网络的隐藏层层数；
Figure 100002_DEST_PATH_IMAGE041
通过下式进行计算：
Figure 100002_DEST_PATH_IMAGE042
；
式中：
Figure 549845DEST_PATH_IMAGE043
为输入层数据维数，
Figure 100002_DEST_PATH_IMAGE044
为输出层数据维数，
Figure 714110DEST_PATH_IMAGE045
为用于使得
Figure 100002_DEST_PATH_IMAGE046
向上取整数的常数;
步骤2.2：构建离线的交直流混合配电网故障学习模型，该模型的学习过程为通过训练多个弱分类器，组合多个弱分类器的权重，进而构建强分类器，并进一步得到在线故障识别模型的参数；
其具体过程为：
输入M个故障学习样本，确定弱分类器的个数为N；并初始化M个样本的权值为相同的
Figure 877107DEST_PATH_IMAGE047
，N个弱分类器的权重为
Figure 100002_DEST_PATH_IMAGE048
：
Figure 100002_DEST_PATH_IMAGE049
；
训练第
Figure 100002_DEST_PATH_IMAGE050
个弱分类器，并计算器结果与学习样本真实结果间的误差
Figure 100002_DEST_PATH_IMAGE051
：
Figure 100002_DEST_PATH_IMAGE052
；
根据误差
Figure DEST_PATH_IMAGE053
更新当前弱分类器的权重
Figure 100002_DEST_PATH_IMAGE054
：
Figure DEST_PATH_IMAGE055
；
根据误差
Figure 100002_DEST_PATH_IMAGE056
与更新后的权重
Figure DEST_PATH_IMAGE057
，调整下一轮样本的权值
Figure 100002_DEST_PATH_IMAGE058
：
Figure 100002_DEST_PATH_IMAGE060
；
式中：
Figure DEST_PATH_IMAGE061
为当前弱分类器的隐藏层结果，
Figure 100002_DEST_PATH_IMAGE062
为当前样本输入值；
然后归一化下轮样本权值，为下一轮学习做准备：
Figure DEST_PATH_IMAGE063
；
式中：
Figure 100002_DEST_PATH_IMAGE064
为归一化的下一轮样本权值；
得到该弱分类器的参数后返回继续训练下一个弱分类器，直到所有弱分类器被训练完毕；
根据所有弱分类器的权重，加权各个弱分类器得到在线故障识别模型
Figure DEST_PATH_IMAGE065
：
Figure 100002_DEST_PATH_IMAGE066
；
式中：
Figure DEST_PATH_IMAGE067
为第
Figure 100002_DEST_PATH_IMAGE068
个弱分类器的输出值，
Figure DEST_PATH_IMAGE069
为第
Figure 100002_DEST_PATH_IMAGE070
个弱分类器的权重，
Figure DEST_PATH_IMAGE071
为符号函数；
离线的交直流混合配电网故障识别模型训练完毕后得到在线故障识别模型
Figure 100002_DEST_PATH_IMAGE072
的参数，包括弱分类器的数量
Figure DEST_PATH_IMAGE073
及隐藏层层数
Figure 100002_DEST_PATH_IMAGE074
，每个弱分类器的隐藏层参数
Figure DEST_PATH_IMAGE075
、
Figure 100002_DEST_PATH_IMAGE076
及输出层参数
Figure DEST_PATH_IMAGE077
、
Figure 100002_DEST_PATH_IMAGE078
，各弱分类器的样本权值
Figure DEST_PATH_IMAGE079
及权重
Figure 100002_DEST_PATH_IMAGE080
。
进一步的，步骤3具体包括以下步骤：
步骤3.1：设计故障识别启动判据，故障识别启动判据通过下式实现：
Figure DEST_PATH_IMAGE081
；
式中：
Figure 100002_DEST_PATH_IMAGE082
为正极限流电抗器的端电压，
Figure DEST_PATH_IMAGE083
为负极限流电抗器的端电压，
Figure 100002_DEST_PATH_IMAGE084
为启动判据定值一，且
Figure 618142DEST_PATH_IMAGE085
为正常运行下
Figure 100002_DEST_PATH_IMAGE086
和
Figure 199296DEST_PATH_IMAGE087
的最大值；
Figure 100002_DEST_PATH_IMAGE088
为正极直流线路的电压微分值，
Figure 721413DEST_PATH_IMAGE089
为负极直流线路的电压微分值，
Figure 100002_DEST_PATH_IMAGE090
为启动判据定值二,且
Figure 388018DEST_PATH_IMAGE090
为正常运行下
Figure 184942DEST_PATH_IMAGE091
和
Figure 100002_DEST_PATH_IMAGE092
的最大值；当上式成立时，判断可能发生故障，故障识别系统启动；
步骤3.2：以启动时刻为原点采集故障电气量，利用故障特征归一化方法将故障数据预处理为输入向量
Figure 417340DEST_PATH_IMAGE093
；然后将向量
Figure 657828DEST_PATH_IMAGE093
输入在线故障识别模型中，输出一维矩阵
Figure 100002_DEST_PATH_IMAGE094
，矩阵
Figure 795417DEST_PATH_IMAGE094
中为1的元素的维数对应识别到的故障类型；
故障识别判据为：
Figure 146764DEST_PATH_IMAGE095
；
式中：
Figure DEST_PATH_IMAGE096
为最大值计算符号，
Figure 171352DEST_PATH_IMAGE097
为一维矩阵
Figure DEST_PATH_IMAGE098
的第
Figure 300851DEST_PATH_IMAGE099
个值，
Figure DEST_PATH_IMAGE100
为故障识别判据的定值，且
Figure 676469DEST_PATH_IMAGE101
的值为训练模型中训练错误时
Figure DEST_PATH_IMAGE102
的最小值；
当输入向量的计算结果满足上式时，判定交直流混合配电网发生故障，通过
Figure 80774DEST_PATH_IMAGE103
判定故障的类型。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明，利用自适应增强智能学习算法对大量的故障数据进行学习，能够快速并精确的识别不同类型故障特征的变化规律。
2、本发明设计了故障特征筛选、数据预处理方法，实现了完整交直流混合配电网故障检测方法，该方法对交直流混合配电网的故障识别、保护等具有工程与实用价值。
3、本发明利用训练后的离线学习模型构成在线故障识别模型，可直接装入交直流混合配电网故障检测系统，利用采集的故障数据信息，即可对故障发生及其类型进行准确的判断，具有识别速度快、准确性高的特点。
附图说明
图1是基于智能学习的交直流混合配电网故障识别方法流程图。
图2是离线训练过程流程图。
图3是BP神经网络结构图。
图4是实施例的系统等效结构图。
图5是实施例的综合相关系数计算结果。
图6是实施例输入向量波形图。
图7是实施例的弱分类器数量与训练效果关系图。
具体实施方式
为了使本发明实现的技术手段、特征与功效更容易被理解下面结合具体实施例和本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。
如图1-图7所示，下面对本发明的技术方案作进一步详细描述。图1所示为基于智能学习的交直流混合配电网故障识别方法流程图。
本发明提出一种基于智能学习的交直流混合配电网故障识别方法，其具体实施方法包括以下几个步骤：
步骤1：采集交直流混合配电网的故障电气量，获取故障典型特征，利用皮尔逊相关系数确定故障识别特征，并根据所提出的故障特征综合归一法将多维故障特征构建为单一的输入向量。
步骤2：基于自适应增强智能学习算法，设计离线的交直流混合配电网故障学习模型，利用大量的仿真与实测数据，训练该故障学习模型，确定在线故障识别模型的参数。
步骤3：设计高灵敏的故障标签与故障识别判据，形成基于在线推理的交直流混合配电网故障识别方法，包括启动判据、数据预处理、故障识别判据等。
步骤1中采集交直流混合配电网的故障电气量，获取故障典型特征，利用皮尔逊相关系数确定故障识别特征，并根据所提出的故障特征综合归一法将多维故障特征构建为单一的输入向量。具体过程为：
步骤1.1：采集交直流混合配电网的故障电气量，将其分别进行编号，Xn为某个故障电气量，n为其编号，根据实际交直流混合配电网的需求确定具体的故障电气量的类型和数量。通常可按照表1所示的方式进行编号。
表1 交直流配电网故障电气量编号表
Figure 22185DEST_PATH_IMAGE105
步骤1.2：利用皮尔逊相关系数计算不同故障电气量之间的相关性，以确定不同类型故障电气量之间的耦合关系，从而筛选出弱相关的故障电气量，实现对故障的可靠区分。其中皮尔逊相关系数计算公式如下：
Figure DEST_PATH_IMAGE106
；
式中：
Figure 73318DEST_PATH_IMAGE107
、
Figure DEST_PATH_IMAGE108
分别为上述某两个不同故障电气量,
Figure 919920DEST_PATH_IMAGE109
和
Figure DEST_PATH_IMAGE110
分别为上述某两个不同故障电气量采样值的平均值，
Figure 81911DEST_PATH_IMAGE111
为
Figure DEST_PATH_IMAGE112
与
Figure 330359DEST_PATH_IMAGE113
的皮尔逊相关系数，
Figure DEST_PATH_IMAGE114
的范围为-1到1，
Figure 349130DEST_PATH_IMAGE115
越大表示相关性越强，对故障的区分能力越弱；因此，取不同类型故障下
Figure DEST_PATH_IMAGE116
的平均值
Figure 683029DEST_PATH_IMAGE117
为故障电气量的
Figure DEST_PATH_IMAGE118
综合相关系数，确定某个故障电气量对交直流混合配电网故障的区分能力。综合相关系数
Figure 648710DEST_PATH_IMAGE119
可用下式进行计算：
Figure DEST_PATH_IMAGE120
；
式中：
Figure 17244DEST_PATH_IMAGE121
为第
Figure DEST_PATH_IMAGE122
类故障时的
Figure 941337DEST_PATH_IMAGE123
的皮尔逊相关系数。通常来说故障类型包括直流正极接地故障、直流负极接地故障、直流双极短路故障、交流单相接地故障、交流两相短路故障、交流三相短路故障等。
进而选取综合相关系数最小的4个故障电气量作为输入向量放入下一步进行归一化和整理，分别将上述4个被筛选的故障电气量定义为
Figure DEST_PATH_IMAGE124
、
Figure 778843DEST_PATH_IMAGE125
、
Figure DEST_PATH_IMAGE126
、
Figure 266325DEST_PATH_IMAGE127
。
步骤1.3：根据所提出的故障特征综合归一方法将上一步筛选出的多维故障电气量进行归一与融合，进而构建离线故障训练模型需要的单一输入向量。其中故障电气量归一化能够提高数据辨识能力，减小不同类型故障电气量在数量级上的差异。将被筛选的故障电气量
Figure 36835DEST_PATH_IMAGE124
、
Figure 866251DEST_PATH_IMAGE125
、
Figure 971479DEST_PATH_IMAGE126
、
Figure 810122DEST_PATH_IMAGE127
进行归一与融合，进而构建离线故障学习模型需要的单一输入向量，故障电气量
Figure 966297DEST_PATH_IMAGE124
、
Figure 232193DEST_PATH_IMAGE125
、
Figure 309871DEST_PATH_IMAGE126
、
Figure 935893DEST_PATH_IMAGE127
归一化原理为利用采样值中的最大值与最小值对采样值的所有数值进行归一化，故利用下式分别对筛选出的故障电气量
Figure 415416DEST_PATH_IMAGE124
、
Figure 852214DEST_PATH_IMAGE125
、
Figure 417187DEST_PATH_IMAGE126
、
Figure 846900DEST_PATH_IMAGE127
的采样值进行归一化处理：
Figure DEST_PATH_IMAGE128
；
式中，
Figure 446509DEST_PATH_IMAGE129
为归一化后的第
Figure DEST_PATH_IMAGE130
个数据点，
Figure 523049DEST_PATH_IMAGE131
为被归一化的故障电气量第
Figure DEST_PATH_IMAGE132
个数据点，
Figure 27849DEST_PATH_IMAGE133
、
Figure DEST_PATH_IMAGE134
分别为被归一化的故障电气量采样值最大值与最小值。将被筛选出的故障电气量进行归一化，按照下式生成输入向量：
Figure 215248DEST_PATH_IMAGE135
；
式中：
Figure DEST_PATH_IMAGE136
为离线故障学习模型及在线故障识别模型的输入向量。
步骤2中的自适应增强智能学习算法离线训练流程图如图2所示。通过设计离线的交直流混合配电网故障学习模型，利用大量的仿真与实测数据，训练该故障学习模型，确定在线故障识别模型的参数。具体过程为：
步骤2.1：离线的交直流混合配电网故障识别模型通过多个弱分类器的加权叠加组成一个强分类器，能够有效快速、自适应的解决交直流混合配电网的故障识别问题。采用的弱分类器为BP神经网络，BP神经网络的结构如图3所示，该分类器的拓扑结构包括输入层、隐藏层和输出层，其计算过程为：
Figure 387472DEST_PATH_IMAGE137
；
式中：
Figure DEST_PATH_IMAGE138
为基于输入层得到的隐藏层结果，
Figure 431651DEST_PATH_IMAGE139
为基于隐藏层得到的输出层结果，xi为输入层数据，
Figure DEST_PATH_IMAGE140
、
Figure 689326DEST_PATH_IMAGE141
为隐藏层的计算参数，
Figure DEST_PATH_IMAGE142
、
Figure 680416DEST_PATH_IMAGE143
为输出层计算参数。
BP神经网络的隐藏层层数m是重要的参数，其可通过下式进行计算：
Figure DEST_PATH_IMAGE144
；
式中：
Figure 707147DEST_PATH_IMAGE145
为输入层数据维数，
Figure DEST_PATH_IMAGE146
为输出层数据维数，
Figure 859910DEST_PATH_IMAGE147
为常数用于使得
Figure DEST_PATH_IMAGE148
向上取整数。
步骤2.2：确定弱分类器后，需要设计离线交直流混合配电网故障学习模型，该模型的学习过程为通过训练多个弱分类器，组合多个弱分类器的权重，进而构建具有强分类能力、高精度的在线故障识别模型。其具体过程为：
首先，输入
Figure 339302DEST_PATH_IMAGE149
个故障学习样本，确定弱分类器的个数为
Figure DEST_PATH_IMAGE150
；初始化
Figure 930820DEST_PATH_IMAGE151
个样本的权值为相同的
Figure DEST_PATH_IMAGE152
，
Figure 562790DEST_PATH_IMAGE153
个弱分类器的权重为
Figure DEST_PATH_IMAGE154
：
Figure 401302DEST_PATH_IMAGE155
；
其次，训练第t个弱分类器，并计算器结果与样本真实结果间的误差
Figure DEST_PATH_IMAGE156
：
Figure 118722DEST_PATH_IMAGE157
；
然后，根据误差
Figure DEST_PATH_IMAGE158
跟新当前弱分类器的权重
Figure 700882DEST_PATH_IMAGE159
：
Figure DEST_PATH_IMAGE160
；
再次，根据误差
Figure 187358DEST_PATH_IMAGE161
与更新后的权重
Figure DEST_PATH_IMAGE162
，调整下一轮样本的权值
Figure 259088DEST_PATH_IMAGE163
：
Figure DEST_PATH_IMAGE164
；
式中：
Figure 463805DEST_PATH_IMAGE165
为当前弱分类器的隐藏层结果，
Figure DEST_PATH_IMAGE166
为当前样本输入值；
再然后，归一化下轮样本权值，得到该分类器输出函数
Figure 584076DEST_PATH_IMAGE167
，返回继续训练下一个弱分类器，直到所有弱分类器被训练完毕：
Figure DEST_PATH_IMAGE168
；
式中：
Figure 925059DEST_PATH_IMAGE169
为归一化的下一轮样本权值；
最后，加权各个弱分类器得到强分类器的输出函数H(X)形成在线推理模型：
Figure DEST_PATH_IMAGE170
；
式中：
Figure 394390DEST_PATH_IMAGE171
为第
Figure DEST_PATH_IMAGE172
个弱分类器的输出值，
Figure 86403DEST_PATH_IMAGE173
为第
Figure DEST_PATH_IMAGE174
个弱分类器的权重，
Figure 557835DEST_PATH_IMAGE175
为符号函数，其目的是将加权后的弱分类器输出值取出；
至此，离线的交直流混合配电网故障识别模型训练完毕，得到在线故障识别模型
Figure DEST_PATH_IMAGE176
的参数，包括弱分类器的数量N及隐藏层层数n，每个弱分类器的隐藏层参数
Figure 2592DEST_PATH_IMAGE177
、
Figure DEST_PATH_IMAGE178
及输出层参数
Figure 370119DEST_PATH_IMAGE179
、
Figure DEST_PATH_IMAGE180
，各弱分类器的样本权值
Figure 533116DEST_PATH_IMAGE181
及权重
Figure DEST_PATH_IMAGE182
。
步骤3中的故障标签如表2所示，结合设计的故障识别判据，可形成基于在线推理的交直流混合配电网故障识别方法，如图1所示，包括启动判据、数据预处理、故障识别判据等。其具体过程为：
表2 故障标签设置
Figure DEST_PATH_IMAGE184
步骤3.1：故障识别系统的频繁启动加大了系统工作量，可能对系统运行产生负面影响，故设计故障识别启动判据以减小故障识别系统的启动次数，故障识别启动判据通过下式实现：
Figure 464032DEST_PATH_IMAGE185
；
式中：
Figure DEST_PATH_IMAGE186
与
Figure 779607DEST_PATH_IMAGE187
分别为正极、负极限流电抗器的端电压，
Figure DEST_PATH_IMAGE188
为启动判据定值一，
Figure 301724DEST_PATH_IMAGE188
为正常运行下
Figure 499487DEST_PATH_IMAGE189
和
Figure DEST_PATH_IMAGE190
的最大值；
Figure 312722DEST_PATH_IMAGE191
与
Figure DEST_PATH_IMAGE192
分别为正极、负极直流线路的电压微分值，
Figure 997651DEST_PATH_IMAGE193
为启动判据定值二，
Figure 972560DEST_PATH_IMAGE193
为正常运行下
Figure DEST_PATH_IMAGE194
和
Figure 110149DEST_PATH_IMAGE195
的最大值。当上式成立时，判断可能发生故障，故障识别系统启动。
步骤3.2：以启动时刻为原点采集故障电气量，利用所提的故障特征归一化方法将故障数据预处理为输入向量
Figure DEST_PATH_IMAGE196
。然后将向量
Figure 930337DEST_PATH_IMAGE196
输入在线推理模型
Figure 751663DEST_PATH_IMAGE197
中，得到推理结果
Figure DEST_PATH_IMAGE198
。
Figure 677899DEST_PATH_IMAGE198
为一个一维矩阵，矩阵的维数为故障类型数，故矩阵
Figure 584676DEST_PATH_IMAGE198
中为1的元素对应识别到的故障类型，能够实现故障的准确识别与判断。
故障识别判据为：
Figure 474134DEST_PATH_IMAGE199
；
式中：
Figure DEST_PATH_IMAGE200
为最大值计算符号，
Figure 133655DEST_PATH_IMAGE201
为一维矩阵
Figure DEST_PATH_IMAGE202
的第
Figure 653629DEST_PATH_IMAGE203
个值，
Figure DEST_PATH_IMAGE204
为故障识别判据的定值。
当输入向量的计算结果满足上式时，判定交直流混合配电网发生故障，并且通过i能够判定故障的类型。
实施例
为使本领域的技术人员更好地理解本发明的原理，结合附图和实施例阐述如下：
以图4所示的典型交直流混合电网为实施例，利用本发明所提方法进行计算分析。图4所示的典型交直流混合电网系统参数如表3所示：
表3 实施例交直流混合配电网系统参数
Figure DEST_PATH_IMAGE206
故障分别发生在区内直流线路、区外直流线路和区外交流线路上，过渡电阻分别设置为0.01-100欧姆，通过大量的仿真数据对本发明所提方法进行测试和验证，具体流程图如图1所示。
步骤1：采集交直流混合配电网的故障电气量，获取故障典型特征，利用皮尔逊相关系数确定故障识别特征，并根据所提出的故障特征综合归一法将多维故障特征构建为单一的输入向量。具体过程为：
步骤1.1：采集交直流混合配电网的故障电气量，将其分别进行编号，实施例的编号情况如表1所示。
步骤1.2：利用皮尔逊相关系数计算不同故障电气量之间的相关性，以确定不同类型故障电气量之间的耦合关系，从而筛选出弱相关的故障电气量，实现对故障的可靠区分。其中皮尔逊相关系数计算公式如下：
Figure 234652DEST_PATH_IMAGE207
；
式中：
Figure DEST_PATH_IMAGE208
、
Figure 193380DEST_PATH_IMAGE209
分别为上述某两个不同故障电气量,
Figure DEST_PATH_IMAGE210
和
Figure 707407DEST_PATH_IMAGE211
分别为上述某两个不同故障电气量采样值的平均值，
Figure DEST_PATH_IMAGE212
为
Figure 663862DEST_PATH_IMAGE213
与
Figure DEST_PATH_IMAGE214
的皮尔逊相关系数，
Figure 528919DEST_PATH_IMAGE215
的范围为-1到1，
Figure DEST_PATH_IMAGE216
越大表示相关性越强，对故障的区分能力越弱；因此，取不同类型故障下
Figure 963442DEST_PATH_IMAGE217
的平均值
Figure DEST_PATH_IMAGE218
为故障电气量的
Figure 331975DEST_PATH_IMAGE219
综合相关系数，确定某个故障电气量对交直流混合配电网故障的区分能力。综合相关系数
Figure DEST_PATH_IMAGE220
可用下式进行计算：
Figure 521648DEST_PATH_IMAGE221
；
式中：
Figure DEST_PATH_IMAGE222
为第
Figure 359154DEST_PATH_IMAGE223
类故障时的
Figure DEST_PATH_IMAGE224
的皮尔逊相关系数。
在本实施例中，分别计算以下故障类型，其中直流侧故障包括：区内正极接地故障、区内负极接地故障、区内双极短路故障、区外正极接地故障、区外负极接地故障、区外双极短路故障，交流侧故障包括单相接地故障、两相短路故障、三相短路故障。利用仿真数据对综合系数进行计算得到图5所示结果，由图5可知，相关系数最小的4个故障电气量为：直流正极电流X2、直流正极电压变化率X4、直流负极电流X7、直流负极电压变化率X9，此外直流正极电流变化率X5、直流负极电流变化率X10的综合相关系数也较小，可作为备选故障电气量。
将上述4个综合相关系数最小的故障电气量作为输入向量放入下一步进行归一化和整理，分别将上述4个被筛选的故障电气量定义为
Figure 112216DEST_PATH_IMAGE225
、
Figure DEST_PATH_IMAGE226
、
Figure 820409DEST_PATH_IMAGE227
、
Figure DEST_PATH_IMAGE228
。
步骤1.3：根据所提出的故障特征综合归一方法将上一步筛选出的多维故障电气量进行归一与融合，进而构建离线故障训练模型需要的单一输入向量。其中故障电气量归一化能够提高数据辨识能力，减小不同类型故障电气量在数量级上的差异。将被筛选的故障电气量
Figure 633513DEST_PATH_IMAGE225
、
Figure 286211DEST_PATH_IMAGE226
、
Figure 859275DEST_PATH_IMAGE227
、
Figure 484291DEST_PATH_IMAGE228
进行归一与融合，进而构建离线故障学习模型需要的单一输入向量，故障电气量
Figure 999455DEST_PATH_IMAGE225
、
Figure 77132DEST_PATH_IMAGE226
、
Figure 719466DEST_PATH_IMAGE227
、
Figure 933410DEST_PATH_IMAGE228
归一化原理为利用采样值中的最大值与最小值对采样值的所有数值进行归一化，故利用下式分别对筛选出的故障电气量
Figure 619475DEST_PATH_IMAGE225
、
Figure 184449DEST_PATH_IMAGE226
、
Figure 99315DEST_PATH_IMAGE227
、
Figure 495661DEST_PATH_IMAGE228
的采样值进行归一化处理：
Figure 103360DEST_PATH_IMAGE229
；
式中，
Figure DEST_PATH_IMAGE230
为归一化后的第
Figure 873739DEST_PATH_IMAGE231
个数据点，
Figure DEST_PATH_IMAGE232
为被归一化的故障电气量第
Figure 61138DEST_PATH_IMAGE233
个数据点，
Figure DEST_PATH_IMAGE234
、
Figure 967783DEST_PATH_IMAGE235
分别为被归一化的故障电气量采样值最大值与最小值。将被筛选出的故障电气量进行归一化，按照下式生成输入向量：
Figure DEST_PATH_IMAGE236
；
式中：
Figure 215224DEST_PATH_IMAGE237
为离线故障学习模型及在线故障识别模型的输入向量。图6所示为典型直流双极短路故障的输入向量波形图。
步骤2：自适应增强智能学习算法离线训练流程图如图2所示。通过设计离线的交直流混合配电网故障学习模型，利用大量的仿真与实测数据，训练该故障学习模型，确定在线故障识别模型的参数。具体过程为：
步骤2.1：离线的交直流混合配电网故障识别模型通过多个弱分类器的加权叠加组成一个强分类器，能够有效快速、自适应的解决交直流混合配电网的故障识别问题。采用的弱分类器为BP神经网络，BP神经网络的结构如图3所示，该分类器的拓扑结构包括输入层、隐藏层和输出层，其计算过程为：
Figure DEST_PATH_IMAGE238
；
式中：
Figure 472899DEST_PATH_IMAGE239
为基于输入层得到的隐藏层结果，
Figure DEST_PATH_IMAGE240
为基于隐藏层得到的输出层结果，
Figure 260727DEST_PATH_IMAGE241
为输入层数据，
Figure DEST_PATH_IMAGE242
、
Figure 287457DEST_PATH_IMAGE243
为隐藏层的计算参数，
Figure DEST_PATH_IMAGE244
、
Figure 440221DEST_PATH_IMAGE245
为输出层计算参数。
BP神经网络的隐藏层层数m是重要的参数，其可通过下式进行计算：
Figure DEST_PATH_IMAGE246
；
式中：
Figure 467083DEST_PATH_IMAGE247
为输入层数据维数，
Figure DEST_PATH_IMAGE248
为输出层数据维数，
Figure 511131DEST_PATH_IMAGE249
为常数用于使得m需要取整数。由实施例参数可得：每个BP神经网络输入向量维数为
Figure DEST_PATH_IMAGE250
，输出层单元数由输出类型数决定
Figure 143101DEST_PATH_IMAGE251
，隐藏层数由上述公式得
Figure DEST_PATH_IMAGE252
。
步骤2.2：确定弱分类器后，需要设计离线的交直流混合配电网故障学习模型，该模型的学习过程为通过训练多个弱分类器，组合多个弱分类器的权重，进而构建具有强分类能力、高精度的在线故障识别模型。其具体过程为：
首先，输入M个故障学习样本，确定弱分类器的个数为N；并初始化M个样本的权值为相同的
Figure 716034DEST_PATH_IMAGE253
，N个弱分类器的权重为
Figure DEST_PATH_IMAGE254
：
Figure 699033DEST_PATH_IMAGE255
；
其次，训练第
Figure DEST_PATH_IMAGE256
个弱分类器，并计算器结果与样本真实结果间的误差
Figure 281193DEST_PATH_IMAGE257
：
Figure DEST_PATH_IMAGE258
；
然后，根据误差
Figure 564407DEST_PATH_IMAGE257
跟新当前弱分类器的权重
Figure 121290DEST_PATH_IMAGE259
：
Figure DEST_PATH_IMAGE260
；
再次，根据误差
Figure 575274DEST_PATH_IMAGE257
与更新后的权重
Figure 977437DEST_PATH_IMAGE259
，调整下一轮样本的权值
Figure 849578DEST_PATH_IMAGE261
：
Figure DEST_PATH_IMAGE262
；
式中：
Figure 295471DEST_PATH_IMAGE263
为当前弱分类器的隐藏层结果，
Figure DEST_PATH_IMAGE264
为当前样本输入值；
再然后，归一化下轮样本权值，得到该分类器输出函数
Figure 721905DEST_PATH_IMAGE265
，返回继续训练下一个弱分类器，直到所有弱分类器被训练完毕：
Figure DEST_PATH_IMAGE266
；
式中：
Figure 708184DEST_PATH_IMAGE267
为归一化的下一轮样本权值；
最后，加权各个弱分类器得到强分类器的输出函数H(X)形成在线推理模型：
Figure DEST_PATH_IMAGE268
；
上述自适应增强学习模型的初始参数设置为：学习率
Figure 169252DEST_PATH_IMAGE269
，最大迭代次数
Figure DEST_PATH_IMAGE270
，训练收敛目标
Figure 254889DEST_PATH_IMAGE271
。结合图4所示的实施例等效电路图，在PSCAD仿真平台上得到大量仿真数据，其中过渡电阻在0.01-100欧姆之间变化，故障距离在0-3km内变化。所得的训练样本与测试样本如表4所示。
表4 训练样本与测试样本设计
Figure 965356DEST_PATH_IMAGE273
通过1800组数据进行训练可以得到离线的交直流混合配电网故障识别训练模型的参数。其中，离线的交直流混合配电网故障识别训练模型的训练时间与弱分类器数量N呈现正相关，利用训练数据分别测试不同的N对训练效果的影响，如图7所示。
Figure DEST_PATH_IMAGE274
时，弱分类器数量能够带来明显的准确率提升，
Figure 443742DEST_PATH_IMAGE275
时，较长的训练时间不能带来明显的训练效果提升，反而可能降低训练性能，由于训练时间的增加，导致计算效率下降，影响保护的速动性和准确性；
Figure DEST_PATH_IMAGE276
时训练效果和训练时间较为合适。
进一步地，通过1800组训练数据对离线的交直流混合配电网故障识别训练模型进行训练，得到了在线推理模型
Figure 805322DEST_PATH_IMAGE277
的模型参数，如表5所示。
表5 在线推理模型分类器权值与样本权重
Figure 874909DEST_PATH_IMAGE279
步骤3：设计故障标签如表2所示，结合设计的故障识别判据，可形成基于在线推理的交直流混合配电网故障识别方法，如图1所示，包括启动判据、数据预处理、故障识别判据等。其具体过程为：
步骤3.1：故障识别系统的频繁启动加大了系统工作量，可能对系统运行产生负面影响，故设计故障识别启动判据以减小故障识别系统的启动次数，故障识别启动判据通过下式实现：
Figure DEST_PATH_IMAGE280
；
式中：
Figure 10355DEST_PATH_IMAGE281
与
Figure DEST_PATH_IMAGE282
分别为正极、负极限流电抗器的端电压，
Figure 541700DEST_PATH_IMAGE283
为启动判据定值一，
Figure 508519DEST_PATH_IMAGE283
为正常运行下
Figure DEST_PATH_IMAGE284
和
Figure 749007DEST_PATH_IMAGE285
的最大值；
Figure DEST_PATH_IMAGE286
与
Figure 152175DEST_PATH_IMAGE287
分别为正极、负极直流线路的电压微分值，
Figure DEST_PATH_IMAGE288
为启动判据定值二，
Figure 706785DEST_PATH_IMAGE288
为正常运行下
Figure 777378DEST_PATH_IMAGE289
和
Figure DEST_PATH_IMAGE290
的最大值。当上式成立时，判断可能发生故障，故障识别系统启动。
启动判据定值1可通过系统正常运行时线路电抗器的最大暂态电压值确定，启动判据定值2可通过系统正常运行时线路电压变化率暂态波形确定。在实施例中，通过大量测试可得
Figure 188768DEST_PATH_IMAGE291
，
Figure DEST_PATH_IMAGE292
。
步骤3.2：以启动时刻为原点采集故障电气量，利用所提的故障特征归一化方法将故障数据预处理为输入向量
Figure 564385DEST_PATH_IMAGE293
。然后将向量
Figure 992128DEST_PATH_IMAGE293
输入在线推理模型
Figure DEST_PATH_IMAGE294
中，得到推理结果
Figure 871222DEST_PATH_IMAGE295
。
Figure 250251DEST_PATH_IMAGE295
为一个一维矩阵，矩阵的维数为故障类型数，故矩阵
Figure 644323DEST_PATH_IMAGE295
中为1的元素的维数对应识别到的故障类型，能够实现故障的准确识别与判断。
故障识别判据为：
Figure DEST_PATH_IMAGE296
；
式中：
Figure 790003DEST_PATH_IMAGE297
为最大值计算符号，
Figure DEST_PATH_IMAGE298
为一维矩阵
Figure 320341DEST_PATH_IMAGE299
的第
Figure DEST_PATH_IMAGE300
个值，
Figure DEST_PATH_IMAGE301
为故障识别判据的定值。
通过600组测试数据对在线推理模型进行测试，可得测试结果为表6。
表6 实施例测试数据结果
Figure DEST_PATH_IMAGE303
由于测试结果可知，本发明所提方法的训练效果较好，其中错误分类的故障输出
Figure DEST_PATH_IMAGE304
最大为0.66，考虑一定的可靠系数，在本实施例中将
Figure DEST_PATH_IMAGE305
设置为0.75。
进一步地，为了说明本发明所提方法优越性，测试了不同故障位置时发生过渡电阻为500/1000/2000欧姆故障，本发明所提方法的可靠性，结果如表7所示，结果表明本发明所提方法具有较好的抗过渡电阻效果。
表7 抗过渡电阻测试结果
Figure DEST_PATH_IMAGE307
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (4)

1.一种交直流混合配电网的故障识别方法，其特征在于，包括以下步骤：
步骤1：采集交直流混合配电网的故障电气量，获取故障典型特征，基于皮尔逊相关系数确定故障识别特征，并根据故障特征综合归一法将多维故障识别特征构建为单一的输入向量；
步骤2：基于自适应增强智能学习算法，构建离线的交直流混合配电网故障学习模型；利用仿真与实测数据，训练所述离线的交直流混合配电网故障学习模型，得到在线故障识别模型的参数；
步骤3：设计故障标签与故障识别判据，利用在线故障识别模型结合故障标签与故障识别判据，实现交直流混合配电网故障识别。
2.根据权利要求1所述的一种交直流混合配电网的故障识别方法，其特征在于：所述步骤1具体过程为：
步骤1.1：采集交直流混合配电网的故障电气量，并将其分别进行编号，编号的具体情况如下：
Figure 722225DEST_PATH_IMAGE001
为某个故障电气量，
Figure DEST_PATH_IMAGE002
为其编号，根据实际交直流混合配电网的需求确定具体故障电气量的类型和数量；
步骤1.2：基于皮尔逊相关系数计算不同故障电气量之间的相关性，以确定不同类型故障电气量之间的耦合关系，其中皮尔逊相关系数计算公式如下：
Figure 826316DEST_PATH_IMAGE003
；
式中：
Figure DEST_PATH_IMAGE004
、
Figure 543737DEST_PATH_IMAGE005
分别为两个不同故障电气量,
Figure DEST_PATH_IMAGE006
和
Figure 860317DEST_PATH_IMAGE007
分别为两个不同故障电气量采样值的平均值，
Figure DEST_PATH_IMAGE008
为
Figure 409110DEST_PATH_IMAGE009
与
Figure DEST_PATH_IMAGE010
的皮尔逊相关系数，
Figure 441961DEST_PATH_IMAGE011
的范围为-1到1；
取不同类型故障下
Figure DEST_PATH_IMAGE012
的平均值
Figure 646678DEST_PATH_IMAGE013
为综合相关系数，确定某个故障电气量对交直流混合配电网故障的区分能力，综合相关系数
Figure DEST_PATH_IMAGE014
采用下式进行计算：
Figure 32528DEST_PATH_IMAGE015
；
式中：
Figure DEST_PATH_IMAGE016
为第
Figure 639090DEST_PATH_IMAGE017
类故障时的
Figure DEST_PATH_IMAGE018
的皮尔逊相关系数；
选取综合相关系数最小的4个故障电气量作为输入向量，分别将4个被筛选的故障电气量定义为
Figure 819405DEST_PATH_IMAGE019
、
Figure DEST_PATH_IMAGE020
、
Figure 245838DEST_PATH_IMAGE021
、
Figure DEST_PATH_IMAGE022
；
步骤1.3：将被筛选的故障电气量
Figure 169801DEST_PATH_IMAGE019
、
Figure 162027DEST_PATH_IMAGE020
、
Figure 857451DEST_PATH_IMAGE021
、
Figure 567918DEST_PATH_IMAGE022
进行归一与融合，构建离线故障学习模型需要的单一输入向量；障电气量归一化采用下式进行处理：
Figure 311883DEST_PATH_IMAGE023
；
式中，
Figure DEST_PATH_IMAGE024
为归一化后的第i个数据点，Si为被归一化的故障电气量
Figure 142305DEST_PATH_IMAGE019
、
Figure 946313DEST_PATH_IMAGE020
、
Figure 144076DEST_PATH_IMAGE021
、
Figure 675420DEST_PATH_IMAGE022
的第
Figure 642239DEST_PATH_IMAGE025
个数据点，
Figure DEST_PATH_IMAGE026
、
Figure 351569DEST_PATH_IMAGE027
分别为被归一化的故障电气量
Figure 20317DEST_PATH_IMAGE019
、
Figure 371664DEST_PATH_IMAGE020
、
Figure 192989DEST_PATH_IMAGE021
、
Figure 604379DEST_PATH_IMAGE022
采样值的最大值与最小值，将被筛选出的故障电气量归一化为区间[0，1]上的数据信号，并按照下式生成输入向量：
Figure DEST_PATH_IMAGE028
；
式中：
Figure 229264DEST_PATH_IMAGE029
为离线故障学习模型及在线故障识别模型的输入向量。
3.根据权利要求1所述的一种交直流混合配电网的故障识别方法，其特征在于：所述步骤2具体过程为：
步骤2.1：确定弱分类器；
所述弱分类器为BP神经网络，所述弱分类器的拓扑结构包括输入层、隐藏层和输出层，其计算过程为：
Figure DEST_PATH_IMAGE030
；
式中：
Figure DEST_PATH_IMAGE031
为基于输入层得到的隐藏层结果，
Figure DEST_PATH_IMAGE032
为基于隐藏层得到的输出层结果，
Figure DEST_PATH_IMAGE033
为输入层数据，
Figure DEST_PATH_IMAGE034
、
Figure DEST_PATH_IMAGE035
为隐藏层的计算参数，
Figure DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE037
为输出层计算参数，m为BP神经网络的隐藏层层数；
m通过下式进行计算：
Figure DEST_PATH_IMAGE038
；
式中：
Figure DEST_PATH_IMAGE039
为输入层数据维数，
Figure DEST_PATH_IMAGE040
为输出层数据维数，
Figure DEST_PATH_IMAGE041
为用于使得m向上取整数的常数;
步骤2.2：构建离线的交直流混合配电网故障学习模型，该模型的学习过程为通过训练多个弱分类器，组合多个弱分类器的权重，进而构建强分类器，并进一步得到在线故障识别模型的参数；
其具体过程为：
输入M个故障学习样本，确定弱分类器的个数为N；并初始化M个样本的权值为相同的
Figure DEST_PATH_IMAGE042
，N个弱分类器的权重为
Figure DEST_PATH_IMAGE043
：
Figure DEST_PATH_IMAGE044
；
训练第
Figure DEST_PATH_IMAGE045
个弱分类器，并计算器结果与学习样本真实结果间的误差
Figure DEST_PATH_IMAGE046
：
Figure DEST_PATH_IMAGE047
；
根据误差
Figure 86099DEST_PATH_IMAGE046
更新当前弱分类器的权重
Figure DEST_PATH_IMAGE048
：
Figure DEST_PATH_IMAGE049
；
根据误差
Figure DEST_PATH_IMAGE050
与更新后的权重
Figure DEST_PATH_IMAGE051
，调整下一轮样本的权值
Figure DEST_PATH_IMAGE052
：
Figure DEST_PATH_IMAGE054
；
式中：
Figure 135833DEST_PATH_IMAGE055
为当前弱分类器的隐藏层结果，
Figure DEST_PATH_IMAGE056
为当前样本输入值；
然后归一化下轮样本权值，为下一轮学习做准备：
Figure 186965DEST_PATH_IMAGE057
；
式中：
Figure DEST_PATH_IMAGE058
为归一化的下一轮样本权值；
得到该弱分类器的参数后返回继续训练下一个弱分类器，直到所有弱分类器被训练完毕；
根据所有弱分类器的权重，加权各个弱分类器得到在线故障识别模型
Figure 33567DEST_PATH_IMAGE059
：
Figure DEST_PATH_IMAGE060
；
式中：
Figure 461138DEST_PATH_IMAGE061
为第
Figure DEST_PATH_IMAGE062
个弱分类器的输出值，
Figure 444006DEST_PATH_IMAGE063
为第
Figure DEST_PATH_IMAGE064
个弱分类器的权重，
Figure 666040DEST_PATH_IMAGE065
为符号函数；
离线的交直流混合配电网故障识别模型训练完毕后得到在线故障识别模型
Figure DEST_PATH_IMAGE066
的参数，包括弱分类器的数量N及隐藏层层数n，每个弱分类器的隐藏层参数
Figure 265518DEST_PATH_IMAGE067
、
Figure DEST_PATH_IMAGE068
及输出层参数
Figure 27937DEST_PATH_IMAGE069
、
Figure DEST_PATH_IMAGE070
，各弱分类器的样本权值
Figure 396470DEST_PATH_IMAGE071
及权重
Figure DEST_PATH_IMAGE072
。
4.根据权利要求1所述的一种交直流混合配电网的故障识别方法，其特征在于：所述步骤3具体过程在于：
步骤3.1：设计故障识别启动判据，故障识别启动判据通过下式实现：
Figure 523826DEST_PATH_IMAGE073
；
式中：
Figure DEST_PATH_IMAGE074
为正极限流电抗器的端电压，
Figure 610600DEST_PATH_IMAGE075
为负极限流电抗器的端电压，
Figure DEST_PATH_IMAGE076
为启动判据定值一，且
Figure 848814DEST_PATH_IMAGE076
为正常运行下
Figure 619324DEST_PATH_IMAGE077
和
Figure DEST_PATH_IMAGE078
的最大值；
Figure 166849DEST_PATH_IMAGE079
为正极直流线路的电压微分值，
Figure DEST_PATH_IMAGE080
为负极直流线路的电压微分值，
Figure 491651DEST_PATH_IMAGE081
为启动判据定值二,且
Figure DEST_PATH_IMAGE082
为正常运行下
Figure 48404DEST_PATH_IMAGE083
和
Figure DEST_PATH_IMAGE084
的最大值；当上式成立时，判断可能发生故障，故障识别系统启动；
步骤3.2：以启动时刻为原点采集故障电气量，利用故障特征归一化方法将故障数据预处理为输入向量
Figure 673420DEST_PATH_IMAGE085
；然后将向量
Figure 939316DEST_PATH_IMAGE085
输入在线故障识别模型中，输出一维矩阵
Figure DEST_PATH_IMAGE086
，矩阵
Figure 735103DEST_PATH_IMAGE086
中为1的元素的维数对应识别到的故障类型；
故障识别判据为：
Figure 377437DEST_PATH_IMAGE087
；
式中：
Figure DEST_PATH_IMAGE088
为最大值计算符号，
Figure 309489DEST_PATH_IMAGE089
为一维矩阵
Figure DEST_PATH_IMAGE090
的第
Figure 215129DEST_PATH_IMAGE091
个值，
Figure DEST_PATH_IMAGE092
为故障识别判据的定值，且
Figure 498211DEST_PATH_IMAGE093
的值为训练模型中训练错误时
Figure DEST_PATH_IMAGE094
的最小值；
当输入向量的计算结果满足上式时，判定交直流混合配电网发生故障，通过i判定故障的类型。
CN202210817971.XA 2022-07-13 2022-07-13 一种交直流混合配电网的故障识别方法 Pending CN115184728A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210817971.XA CN115184728A (zh) 2022-07-13 2022-07-13 一种交直流混合配电网的故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210817971.XA CN115184728A (zh) 2022-07-13 2022-07-13 一种交直流混合配电网的故障识别方法

Publications (1)

Publication Number Publication Date
CN115184728A true CN115184728A (zh) 2022-10-14

Family

ID=83517455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210817971.XA Pending CN115184728A (zh) 2022-07-13 2022-07-13 一种交直流混合配电网的故障识别方法

Country Status (1)

Country Link
CN (1) CN115184728A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116189396A (zh) * 2023-04-28 2023-05-30 威利朗沃矿业设备（北京）有限公司 电器安全保护方法、装置、电子设备和计算机可读介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089099A (zh) * 2017-12-18 2018-05-29 广东电网有限责任公司佛山供电局 基于深度置信网络的配电网故障的诊断方法
CN111679158A (zh) * 2020-08-04 2020-09-18 国网内蒙古东部电力有限公司呼伦贝尔供电公司 基于同步量测数据相似度的配电网故障辨识方法
CN112051481A (zh) * 2020-08-12 2020-12-08 华中科技大学 一种基于lstm的交直流混联电网故障区域诊断方法和系统
CN112147462A (zh) * 2020-09-16 2020-12-29 国网江西省电力有限公司电力科学研究院 一种基于深度学习的输电线路故障辨识方法
CN113970686A (zh) * 2021-10-27 2022-01-25 西南交通大学 基于单端量保护的配电网故障检测方法、系统及定位方法
CN114062832A (zh) * 2021-08-31 2022-02-18 广东电网有限责任公司 一种配电网短路故障类型的识别方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089099A (zh) * 2017-12-18 2018-05-29 广东电网有限责任公司佛山供电局 基于深度置信网络的配电网故障的诊断方法
CN111679158A (zh) * 2020-08-04 2020-09-18 国网内蒙古东部电力有限公司呼伦贝尔供电公司 基于同步量测数据相似度的配电网故障辨识方法
CN112051481A (zh) * 2020-08-12 2020-12-08 华中科技大学 一种基于lstm的交直流混联电网故障区域诊断方法和系统
CN112147462A (zh) * 2020-09-16 2020-12-29 国网江西省电力有限公司电力科学研究院 一种基于深度学习的输电线路故障辨识方法
CN114062832A (zh) * 2021-08-31 2022-02-18 广东电网有限责任公司 一种配电网短路故障类型的识别方法及系统
CN113970686A (zh) * 2021-10-27 2022-01-25 西南交通大学 基于单端量保护的配电网故障检测方法、系统及定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘一丁 等: ""基于Adaboost强分类器的财务预警模型"", 《现代商业》, no. 31, 8 November 2020 (2020-11-08), pages 187 - 188 *
杨华: ""配电网故障预测的研究与应用"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 8, 15 August 2020 (2020-08-15), pages 042 - 339 *
杨斐然: ""基于BP与时间约束分层模糊Petri网的有源配电网故障诊断研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 6, 15 June 2021 (2021-06-15), pages 042 - 1284 *
江波 等: ""基于BP神经网络的电网故障诊断研究"", 《能源与环保》, vol. 39, no. 11, 30 November 2017 (2017-11-30), pages 246 - 256 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116189396A (zh) * 2023-04-28 2023-05-30 威利朗沃矿业设备（北京）有限公司 电器安全保护方法、装置、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
CN110082640B (zh) 一种基于长短时记忆网络的配网单相接地故障辨识方法
Tong et al. Detection and classification of transmission line transient faults based on graph convolutional neural network
Teimourzadeh et al. High impedance single-phase faults diagnosis in transmission lines via deep reinforcement learning of transfer functions
CN110609200B (zh) 一种基于模糊度量融合判据的配电网接地故障保护方法
Ayyagari Artificial neural network based fault location for transmission lines
CN112051481A (zh) 一种基于lstm的交直流混联电网故障区域诊断方法和系统
CN108492043A (zh) 一种基于聚类算法的电力用户负荷测算方法
CN114414942B (zh) 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及系统
CN108459240A (zh) 一种配电网线路故障区间定位方法
CN109459669A (zh) 10kV配电网单相接地故障区段定位方法
CN112731260B (zh) 基于概念漂移识别的电压互感器误差状态在线评估方法
CN111679158A (zh) 基于同步量测数据相似度的配电网故障辨识方法
CN115932484B (zh) 输电线路故障辨识与故障测距方法、装置和电子设备
Júnior et al. The design of multiple linear regression models using a genetic algorithm to diagnose initial short-circuit faults in 3-phase induction motors
CN111856209A (zh) 一种输电线路故障分类方法及装置
CN113674106A (zh) 一种中低压配电网接地故障组合定位方法
CN111429043B (zh) 基于场景构建的电压暂降特征量随机评估方法
CN115184728A (zh) 一种交直流混合配电网的故障识别方法
CN114035086A (zh) 基于信号处理的电池组多故障诊断方法
CN107037278A (zh) 一种iec61850标准下的智能变电站故障诊断方法
Maruf et al. Locating faults in distribution systems in the presence of distributed generation using machine learning techniques
CN110212503B (zh) 一种适用于小电阻接地系统的高阻接地保护方法
CN115712871A (zh) 一种结合重采样和集成学习的电力电子系统故障诊断方法
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
CN117972460A (zh) 一种高压电流互感器运行故障判别方法

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