CN115201627A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115201627A CN115201627A CN202210793013.3A CN202210793013A CN115201627A CN 115201627 A CN115201627 A CN 115201627A CN 202210793013 A CN202210793013 A CN 202210793013A CN 115201627 A CN115201627 A CN 115201627A
- Authority
- CN
- China
- Prior art keywords
- fault
- line
- voltage
- wavelet packet
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 39
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000035772 mutation Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 39
- 241000287127 Passeridae Species 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 14
- 238000010845 search algorithm Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 230000007704 transition Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000005404 monopole Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01R31/081—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
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Locating Faults (AREA)
Abstract
本发明提出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，用于定位多端柔性直流输电系统MMC‑MTDC输电线路的单极接地故障，所述定位法包括以下步骤；步骤一、当多端柔性直流输电系统发生单极接地故障时，各条线路整流侧和逆变侧的录波设备以预设的采样频率采集线路电压突变时刻附近的故障电压，将采集到的故障电压数据串联作为故障选线特征波形；步骤二、提取故障线路电压特征，进行故障选线；步骤三、确定故障线路后，提取测距线路上故障电压，进行深层特征提取；步骤四、训练LSSVM故障测距模型，实现故障定位；本发明能够实现输电系统故障线路识别和故障定位，且不易受过渡电阻影响。
Description
技术领域
本发明涉及电网运维技术领域，尤其是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。
背景技术
柔性直流输电技术具有可控性强、响应速度快、无换向失败隐患，易于进行多端架构等诸多优势，更加契合长距离、大容量的高压输电要求。采用架空结构的多端直流输电线路时常跨越多个区域，沿线环境气候复杂多变，导致短路故障发生频繁，其中单极接地短路概率最大。因此精准可靠的故障定位技术对于降低故障搜寻难度，保证输电系统安全稳定运行具有重要作用。
在多端直流输电线路故障定位研究中，行波法和故障分析法是采用最为广泛的两种方法。行波法利用故障行波在线路两端的折反射原理，通过采集故障行波波头，利用计算公式求解故障位置。行波法是直流输电线路测距采用的主要方法，但波头识别困难、抗干扰性差、采样频率较高、依赖于波速度估算等多个技术难点容易影响行波法的测距精度。故障分析法通过构建线路模型，依据故障时电压、电流的沿线变化规律去求取故障位置。但线路模型不够精确时，将难以保证故障分析法的定位效果。
近年来，人工智能理论的不断发展和日趋成熟，给予了故障定位领域崭新的研究思路。许多学者尝试提取原始故障电气量结合BP神经网络，支持向量机等机器学习算法进行故障定位，虽然取得了一定的效果，但测距误差还有待提升。在特征量送入回归算法之前，需要对其进行预处理获得更深层次的故障特征。小波包分解是信号分析领域中常用工具，它在传统小波分析方法的基础上进行改良，区别于小波分析，小波包分解对信号的高频低频部分都再次进行半划分，通过分解重构，得到不同频带信号，将有用的部分保留不需要的信号删除，是一种更精细有效的方法。但小波包分解后，信号的维数将大大增加，亟需对小波包分解得到的大量信息进行深层数据挖掘，从而对数据规模进行缩减，避免维数灾难。本发明采用皮尔森相关系数来度量各小波包频带和故障位置的相关关系，对小波包分解后的暂态特征量实现降维筛选。LSSVM凭借模型参数简洁和较好的非线性拟合能力，在故障诊断、负荷预测以及模式识别方面有着很好的使用效果，故本文考虑将LSSVM引入多端柔性直流输电线路故障定位研究。
目前智能算法的故障检测方法在双端直流输电线路中应用较为广泛，而在多端直流系统中涉及较少。
发明内容
本发明提出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，能够实现输电系统故障线路识别和故障定位，且不易受过渡电阻影响。
本发明采用以下技术方案。
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，用于定位多端柔性直流输电系统MMC-MTDC输电线路的单极接地故障，所述定位法包括以下步骤；
步骤一、当多端柔性直流输电系统发生单极接地故障时，各条线路整流侧和逆变侧的录波设备以预设的采样频率采集线路电压突变时刻附近的故障电压，将采集到的故障电压数据串联作为故障选线特征波形；
步骤二、提取故障线路电压特征，进行故障选线；
步骤三、确定故障线路后，提取测距线路上故障电压，进行深层特征提取；
步骤四、训练LSSVM故障测距模型，实现故障定位。
步骤一中，线路两端的录波设备采集采集线路电压突变时刻附近的故障电压时，采样频率为20kHz，采样时需双端故障数据互通，不要求双端时间信号同步。
步骤二中，把多个录波设备所采集到的正极电压行波信号进行串联形成一维特征向量，并用以下公式进行归一化处理，构建故障选线识别特征向量Vs＝[V1′,V2′...V7′，V8′]；
其中，Vi是某时刻故障电压的第i个数据，Vmax和Vmin分别表示故障电压向量中的最大值和最小值；
将线路进行标号作为训练样本标签，构建故障分类数据集，利用麻雀搜索算法，以分类错误率为适应度函数，迭代选取LSSVM的最优参数；将故障选线识别向量输入到训练好的LSSVM分类模型，输出选线预测结果。
步骤三中，具体为：首先利用故障选线时线路录波装置采集的整流侧、逆变侧电压数据，将其串联成500个数据点的特征波形，再进行3层小波包分解，采取db3小波作为母小波，得到8个不同频域段的小波包分量，而后按照频带顺序排列小波包分量，构成长度为4000个数据点的新电压行波信号；再采用皮尔森相关系数方法作为筛选小波包频域信息的依据，
对新电压行波数据进行z-score标准化处理，使电压数据满足标准正态分布。z-score标准化公式如下：
式中，μx和σx是向量X的平均值和标准差；xi是向量X中第i个数据；
以n个故障位置组成向量[x1，x2，...，xn]T，同一小波包频带在n个故障位置
下的数据分量组成向量[y1，y2，...，yn]T，通过计算不同小波包频带向量和故
障位置向量的皮尔森相关系数，并求绝对值；选择与输电线路故障位置相关性高、排序靠前的1000个小波包频带数据点，组成新的特征集合；由此实现对原始故障电压行波信号的降维优化和深层故障特征提取。
步骤四中，LSSVM故障测距模型的优化目标以公式表述为
LSSVM故障测距模型的线性回归函数以公式表述为
LSSVM故障测距模型的Mercer函数选用RBF核函数，以公式表述为
上式中的惩罚因子γ和核函数参数σ采用麻雀搜索算法对其进行寻优，具体为：建立不同线路的电压故障测距数据集，以训练集预测值和实际值的平均绝对误差为适应度函数，采用麻雀搜索算法对LSSVM回归模型中的惩罚因子和核函数参数进行寻优。最后将测试集样本输入LSSVM回归模型，得到故障定位结果。适应度函数公式如下：
式中，Vi为故障点实际位置，Vpred为定位预测结果，N为测试样本个数。
步骤二中，将各线路故障电压波动情况作为选线判别依据，当MMC-MTDC线路故障发生，输电线路两侧录波装置在检测到电压突变后，以20kHz的采样频率提取故障电压波形，其采样窗口包括故障时刻前5个采样点与后245个采样点；当录波设备数量为八个时，其所采集到的正极电压行波信号进行串联后形成长度为2000的一维特征向量。
所述多端柔性直流系统发生单极接地故障后，故障所在线路和非故障线路电压幅值波动情况存在明显差异且不同故障线路行波特征不同。
本发明针对多端柔性直流输电系统结构复杂，线路定位难度大等问题，以先定线再定位的思想，提出了一种采用小波包分解和皮尔森相关系数的单极接地故障定位方法；该方法无需复杂通信装置，即可有效实现故障选线和故障定位，且受过渡电阻影响较小，定位精确性高。
本发明提出一种基于故障暂态电压的多端柔直输电线路单极接地故障选线和定位方法。首先利用线路故障电压信号训练LSSVM分类模型进行故障选线。在确定故障线路后，采集线路整流侧和逆变侧电压信号进行小波包分解，以分解重构后不同频带的小波包分量为分析对象，采用皮尔森相关系数计算故障位置和各频带小波包分量间的相关关系，并重新构建新故障特征向量，以此为输入量搭建LSSVM回归模型实现故障定位。为了防止训练过程中陷入局部最优，采用麻雀搜索算法对LSSVM模型参数进行寻优。仿真实验结果表明该方法在20KHZ采样频率下，能够实现输电系统故障线路识别和故障定位，且不易受过渡电阻影响。
本发明的优点还在于：
(1)利用线路故障电压富含暂态特征信息，根据线路正极电压幅值波动情况，通过串联系统各线路故障电压组成特征向量，作为LSSVM分类模型输入样本，能够精确实现多端柔直系统故障选线。
(2)利用小波包分解与皮尔森系数筛选故障波形小波包频带分量，以此组成新的故障特征量。相比较于使用原始故障电压信号，小波包皮尔森特征分量可以自适应地提取线路深层故障特征，准确定位故障发生位置。
(3)通过仿真验证，所提方法对于四端柔直输电系统的各条线路，在多种故障工况下，均能保持良好的定位效果。此外，该方法仅需线路故障电压数据，无需额外加装硬件设备，信号采样频率要求较低，具有较好的经济性。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是本发明的流程示意图；
附图2是实施例中示例工程的输电拓扑示意图；
附图3是实施例中示例工程Line1 V1处故障电压串联波形的示意图；
附图4是实施例中示例工程Line2 V4处故障电压串联波形的示意图；
附图5是实施例中示例工程Line4 V8处故障电压串联波形的示意图；
附图6是实施例中示例工程的串联小波包故障电压波形示意图；
附图7是实施例中示例工程的皮尔森系数筛选后的小波包特征波形示意图；
附图8是实施例中故障选线识别模型测试结果示意图；
附图9是实施例中不同模型用于故障测距的结果对比示意图。
具体实施方式
如图所示，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，用于定位多端柔性直流输电系统MMC-MTDC输电线路的单极接地故障，所述定位法包括以下步骤；
步骤一、当多端柔性直流输电系统发生单极接地故障时，各条线路整流侧和逆变侧的录波设备以预设的采样频率采集线路电压突变时刻附近的故障电压，将采集到的故障电压数据串联作为故障选线特征波形；
步骤二、提取故障线路电压特征，进行故障选线；
步骤三、确定故障线路后，提取测距线路上故障电压，进行深层特征提取；
步骤四、训练LSSVM故障测距模型，实现故障定位。
步骤一中，线路两端的录波设备采集采集线路电压突变时刻附近的故障电压时，采样频率为20kHz，采样时需双端故障数据互通，不要求双端时间信号同步。
步骤二中，把多个录波设备所采集到的正极电压行波信号进行串联形成一维特征向量，并用以下公式进行归一化处理，构建故障选线识别特征向量Vs＝[V1′，V2′...V7′，V8′]；
其中，Vi是某时刻故障电压的第i个数据，Vmax和Vmin分别表示故障电压向量中的最大值和最小值；
将线路进行标号作为训练样本标签，构建故障分类数据集，利用麻雀搜索算法，以分类错误率为适应度函数，迭代选取LSSVM的最优参数；将故障选线识别向量输入到训练好的LSSVM分类模型，输出选线预测结果。
步骤三中，具体为：首先利用故障选线时线路录波装置采集的整流侧、逆变侧电压数据，将其串联成500个数据点的特征波形，再进行3层小波包分解，采取db3小波作为母小波，得到8个不同频域段的小波包分量，而后按照频带顺序排列小波包分量，构成长度为4000个数据点的新电压行波信号；再采用皮尔森相关系数方法作为筛选小波包频域信息的依据，
对新电压行波数据进行z-score标准化处理，使电压数据满足标准正态分布。z-score标准化公式如下：
式中，μx和σx是向量X的平均值和标准差；xi是向量X中第i个数据；
以n个故障位置组成向量[x1，x2，...，xn]T，同一小波包频带在n个故障位置下的数据分量组成向量[y1，y2，...，yn]T，通过计算不同小波包频带向量和故障位置向量的皮尔森相关系数，并求绝对值；选择与输电线路故障位置相关性高、排序靠前的1000个小波包频带数据点，组成新的特征集合；由此实现对原始故障电压行波信号的降维优化和深层故障特征提取。
步骤四中，LSSVM故障测距模型的优化目标以公式表述为
LSSVM故障测距模型的线性回归函数以公式表述为
LSSVM故障测距模型的Mercer函数选用RBF核函数，以公式表述为
上式中的惩罚因子γ和核函数参数σ采用麻雀搜索算法对其进行寻优，具体为：建立不同线路的电压故障测距数据集，以训练集预测值和实际值的平均绝对误差为适应度函数，采用麻雀搜索算法对LSSVM回归模型中的惩罚因子和核函数参数进行寻优。最后将测试集样本输入LSSVM回归模型，得到故障定位结果。适应度函数公式如下：
式中，Vi为故障点实际位置，Vpred为定位预测结果，N为测试样本个数。
步骤二中，将各线路故障电压波动情况作为选线判别依据，当MMC-MTDC线路故障发生，输电线路两侧录波装置在检测到电压突变后，以20kHz的采样频率提取故障电压波形，其采样窗口包括故障时刻前5个采样点与后245个采样点；当录波设备数量为八个时，其所采集到的正极电压行波信号进行串联后形成长度为2000的一维特征向量。
所述多端柔性直流系统发生单极接地故障后，故障所在线路和非故障线路电压幅值波动情况存在明显差异且不同故障线路行波特征不同。
实施例：
本例中，当多端柔性直流输电系统发生单极接地故障时，各条线路整流侧和逆变侧的录波设备以20kHZ的采样频率采集线路电压突变时刻附近的故障电压，将采集到的故障电压数据串联作为故障选线特征波形。该过程只需双端故障数据互通即可，并不要求双端时间信号同步。
图2为四端柔性直流输电线路的仿真模型，该模型以张北柔性直流示范工程为原型。系统为四端200电平MMC高压直流输电模型，MMC采用NLM控制，环流采用CCSC抑制方式，MMC模块接地方式为不接地。康宝站、张北站为主控单元，采用定直流电压、定无功设置，北京站和丰宁站为从控单元，采用定有功、定无功设置。直流输电线路采用频率相关模态域模型，采用4分裂钢芯铝绞线，每个子导线间距0.45m。图中V1-V8为各线路整流侧和逆变侧安装的录波装置。输电线路具体参数如表1所示，换流变压器和换流阀参数如表2所示。
表1
表2
如图3-5所示，多端柔性直流系统发生单极接地故障后，故障所在线路和非故障线路电压幅值波动情况存在明显差异(以康保-丰宁段发生100Ω接地故障，不同故障位置为例)。
不同故障线路行波特征不同，故将各线路故障电压波动情况作为选线判别依据。当多端柔直系统线路故障发生，输电线路两侧录波装置在检测到电压突变后，开始以20kHz采样频率，250个采样点的采样窗口(故障时刻前5个采样点与后245个采样点)提取故障电压波形。随后将系统中8个录波设备所采集到的正极电压行波信号进行串联，形成长度为2000的一维特征向量，利用公式一进行归一化处理，构建故障选线识别特征向量。
本例的具体仿真方案如下：
基于搭建完成的张北四端柔直模型，在不同过渡电阻、不同故障距离等条件下进行单极接地故障仿真，验证所提方法的有效性和真实性。
训练样本由四条线路的故障数据组成，过渡电阻分别取50Ω，100Ω，300Ω，500Ω。Line1，Line3和Line4线路从距离整流侧10km开始，每隔2km设置一个故障点。Line2线路从距离整流侧10km开始，每隔1km设置一个故障点，四条线路故障点设置均在距离逆变侧10km处截止，其中Line1采集故障数据376个，Line2故障数据124个，Line3故障数据344个，Line4故障数据316个，数据样本总数为1160。系统在2s时发生永久性故障，采样频率为20kHz。
选线数据集以仿真故障数据为基准。设置Line1～Line4线路编号为预测标签值，标签号为1～4。SSA优化算法的初始参数设定：麻雀种群数量30，最大迭代次数40，发现者比例为0.7，种群中意识到危险的麻雀占比为0.2，安全阈值为0.6。LSSVM模型的惩罚因子和核函数参数取值范围为[0.001,1000]，核函数选择RBF，以测试集分类结果错误率为适应度函数进行寻优。
按照四条线路的故障测距需求，分别训练对应的LSSVM回归模型。训练过程中，SSA算法初始麻雀种群数量设置为50，最大迭代次数200，发现者比例为0.7，种群中意识到危险的麻雀占比为0.2，安全阈值为0.6，LSSVM回归模型的和寻优取值范围为[0.001,50000]和[0.00001,1]，核函数选择径向基函数RBF。
如图6和图7分别展示了3层小波包分解后的Line1串联故障波形和经过皮尔森相关性筛选后的新电压特征波形(过渡电阻100Ω，故障距离整流侧10km)。
试验一：根据步骤二中介绍的故障选线分类方法，以串联故障电压作为特征向量输入LSSVM分类模型。在LSSVM分类模型的训练过程中，总共使用了1160个故障样本，其中1000个样本用于训练模型，其余160个样本用于测试分类性能。测试结果的混淆矩阵如图8所示。
图8中的选线测试结果表明，对于每个线路类别所覆盖的接地故障样本，分类模型的测试精度为100％，这表明它可以准确地识别多端系统中发生故障的线路。
试验二：为了验证所提方法在挖掘深层次故障特征的作用。以Line1为例，考虑将原始故障电压波形和小波包皮尔森特征波形作为数据集分别训练定位模型进行效果对比。训练原始故障波形定位模型时，仅跳过了特征提取部分，其余步骤完全一致。训练过程中，SSA算法初始麻雀种群数量设置为50，最大迭代次数200，发现者比例为0.7，种群中意识到危险的麻雀占比为0.2，安全阈值为0.6，LSSVM回归模型的和寻优取值范围为[0.001,50000]和[0.00001,1]。
表3和表4分别展示了测距模型的具体参数和测距结果。
表3测距模型参数SSA寻优结果
表4原始波形和特征提取模型测距误差对比
通过表4可以看出，相较于原始故障波形，使用小波包皮尔森特征提取的测距模型的各条线路，在定位误差上有明显的下降。显然，小波包皮尔森法可以有效的提取深层故障特征，相应的SSA-LSSVM回归模型也能以较高精度完成定位任务。
试验三：为更好的评估定位模型的和麻雀算法的优化性能，另外搭建麻雀算法优化的MLP，BPNN定位模型，和采用PSO优化的LSSVM，MLP，BPNN定位模型。模型在特征提取阶段完全一致，区分点在于回归算法与寻优算法的不同。
PSO算法内部参数设置：种群粒子数50，最大迭代次数200，惯性常数ω为0.5，加速常数c1为2.6，c2为0.6。适应度函数为测试集的平均绝对误差。
其中，MLP模型为双隐含层结构，激活函数为tanh，权重优化器为Adam，对隐含层神经元数寻优，寻优范围为[1,1000]。BP神经网络取三层全连接结构，每层神经元个数寻优范围为[1,1000]。选择Line1上30km，140km为故障点，Line2上15km，35km为故障点，Line3上50km，150km为故障点，Line4上30km，140km为故障点，以测试最小平均绝对误差为评价标准，结果如下表5所示。
表5
图9显示了在高阻故障条件下各个故障位置的平均绝对误差，可以更直观地看出所提方法在各条线路上的定位效果。
Claims (7)
1.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，用于定位多端柔性直流输电系统MMC-MTDC输电线路的单极接地故障，其特征在于：所述定位法包括以下步骤；
步骤一、当多端柔性直流输电系统发生单极接地故障时，各条线路整流侧和逆变侧的录波设备以预设的采样频率采集线路电压突变时刻附近的故障电压，将采集到的故障电压数据串联作为故障选线特征波形；
步骤二、提取故障线路电压特征，进行故障选线；
步骤三、确定故障线路后，提取测距线路上故障电压，进行深层特征提取；
步骤四、训练LSSVM故障测距模型，实现故障定位。
2.根据权利要求1所述的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，其特征在于：步骤一中，线路两端的录波设备采集采集线路电压突变时刻附近的故障电压时，采样频率为20kHz，采样时需双端故障数据互通，不要求双端时间信号同步。
3.根据权利要求1所述的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，其特征在于：步骤二中，把多个录波设备所采集到的正极电压行波信号进行串联形成一维特征向量，并用以下公式进行归一化处理，构建故障选线识别特征向量Vs＝[V1′，V2′…V7′，V8′]；
其中，Vi是某时刻故障电压的第i个数据，Vmax和Vmin分别表示故障电压向量中的最大值和最小值；
将线路进行标号作为训练样本标签，构建故障分类数据集，利用麻雀搜索算法，以分类错误率为适应度函数，迭代选取LSSVM的最优参数；将故障选线识别向量输入到训练好的LSSVM分类模型，输出选线预测结果。
4.根据权利要求3所述的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，其特征在于：步骤三中，具体为：首先利用故障选线时线路录波装置采集的整流侧、逆变侧电压数据，将其串联成500个数据点的特征波形，再进行3层小波包分解，采取db3小波作为母小波，得到8个不同频域段的小波包分量，而后按照频带顺序排列小波包分量，构成长度为4000个数据点的新电压行波信号；再采用皮尔森相关系数方法作为筛选小波包频域信息的依据，
对新电压行波数据进行z-score标准化处理，使电压数据满足标准正态分布。z-score标准化公式如下：
式中，μx和σx是向量X的平均值和标准差；xi是向量X中第i个数据；
以n个故障位置组成向量[x1，x2，…，xn]T，同一小波包频带在n个故障位置下的数据分量组成向量[y1，y2，…，yn]T；通过计算不同小波包频带向量和故障位置向量的皮尔森相关系数，并求绝对值；选择与输电线路故障位置相关性高、排序靠前的1000个小波包频带数据点，组成新的特征集合；由此实现对原始故障电压行波信号的降维优化和深层故障特征提取。
5.根据权利要求4所述的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，其特征在于：步骤四中，LSSVM故障测距模型的优化目标以公式表述为
LSSVM故障测距模型的线性回归函数以公式表述为
LSSVM故障测距模型的Mercer函数选用RBF核函数，以公式表述为
上式中的惩罚因子γ和核函数参数σ采用麻雀搜索算法对其进行寻优，具体为：建立不同线路的电压故障测距数据集，以训练集预测值和实际值的平均绝对误差为适应度函数，采用麻雀搜索算法对LSSVM回归模型中的惩罚因子和核函数参数进行寻优。最后将测试集样本输入LSSVM回归模型，得到故障定位结果。适应度函数公式如下：
式中，Vi为故障点实际位置，Vpred为定位预测结果，N为测试样本个数。
6.根据权利要求3所述的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，其特征在于：步骤二中，将各线路故障电压波动情况作为选线判别依据，当MMC-MTDC线路故障发生，输电线路两侧录波装置在检测到电压突变后，以20kHz的采样频率提取故障电压波形，其采样窗口包括故障时刻前5个采样点与后245个采样点；当录波设备数量为八个时，其所采集到的正极电压行波信号进行串联后形成长度为2000的一维特征向量。
7.根据权利要求1所述的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，其特征在于：所述多端柔性直流系统发生单极接地故障后，故障所在线路和非故障线路电压幅值波动情况存在明显差异且不同故障线路行波特征不同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210793013.3A CN115201627A (zh) | 2022-07-05 | 2022-07-05 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210793013.3A CN115201627A (zh) | 2022-07-05 | 2022-07-05 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115201627A true CN115201627A (zh) | 2022-10-18 |
Family
ID=83580969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210793013.3A Pending CN115201627A (zh) | 2022-07-05 | 2022-07-05 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115201627A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115754598A (zh) * | 2022-11-10 | 2023-03-07 | 海南电网有限责任公司乐东供电局 | 基于相关滤波的电缆故障查找方法和装置 |
| CN117060353A (zh) * | 2023-07-31 | 2023-11-14 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 |
| CN112114232A (zh) * | 2020-09-22 | 2020-12-22 | 福州大学 | 基于小波分解和dbn的单极接地故障测距方法 |
| CN112130026A (zh) * | 2020-09-22 | 2020-12-25 | 福州大学 | 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法 |
| US20220196720A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Single-ended fault positioning method and system for high-voltage direct-current transmission line of hybrid network |
-
2022
- 2022-07-05 CN CN202210793013.3A patent/CN115201627A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 |
| CN112114232A (zh) * | 2020-09-22 | 2020-12-22 | 福州大学 | 基于小波分解和dbn的单极接地故障测距方法 |
| CN112130026A (zh) * | 2020-09-22 | 2020-12-25 | 福州大学 | 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法 |
| US20220196720A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Single-ended fault positioning method and system for high-voltage direct-current transmission line of hybrid network |
Non-Patent Citations (1)
| Title |
|---|
| 盛怡;焦元钊;: "基于小波包和LSSVM的小电流接地故障选线", 兰州交通大学学报, no. 06, 15 December 2012 (2012-12-15), pages 60 - 64 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115754598A (zh) * | 2022-11-10 | 2023-03-07 | 海南电网有限责任公司乐东供电局 | 基于相关滤波的电缆故障查找方法和装置 |
| CN115754598B (zh) * | 2022-11-10 | 2024-04-16 | 海南电网有限责任公司乐东供电局 | 基于相关滤波的电缆故障查找方法和装置 |
| CN117060353A (zh) * | 2023-07-31 | 2023-11-14 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115201627A (zh) | 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 | |
| CN110161343B (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
| CN112041693A (zh) | 一种基于混合录波的配电网故障定位系统 | |
| CN102279358B (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
| CN112130026B (zh) | 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法 | |
| CN112114232B (zh) | 基于小波分解和dbn的单极接地故障测距方法 | |
| CN111239549A (zh) | 一种基于离散小波变换的配电故障快速定位方法 | |
| CN105223466B (zh) | 一种利用模极大值比的特高压直流输电线路单端测距方法 | |
| CN113139335B (zh) | 一种基于bp神经网络的轨道电路故障智能诊断方法 | |
| CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
| CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
| CN113358993A (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
| CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
| Swaminathan et al. | A CNN-LSTM-based fault classifier and locator for underground cables | |
| CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
| Coban et al. | Artificial neural network based fault location on 230 kv transmission line using voltage and current signals | |
| Radhi et al. | Classification and direction discrimination of faults in transmission lines using 1d convolutional neural networks | |
| CN112946425A (zh) | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 | |
| CN116224158A (zh) | 基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法 | |
| CN115630296A (zh) | 基于lstm的特高压多端混合直流输电线路故障检测方法 | |
| CN113884903B (zh) | 一种基于多层感知器神经网络的电池故障诊断方法 | |
| Lala et al. | MATLAB-based GUI development for the detection and localization of faults in transmission line | |
| Lala et al. | Fault Detection and Localization using Continuous Wavelet Transform and Artificial Neural Network Based Approach in Distribution System. | |
| CN115222160A (zh) | 一种基于实测大数据的轨道交通牵引负荷预测方法 | |
| Mosavi et al. | Stability comparison of fault location techniques against faulty GPS time tagging for three-terminal lines |
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 |