CN115267428B - 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 - Google Patents
基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 Download PDFInfo
- Publication number
- CN115267428B CN115267428B CN202210853013.8A CN202210853013A CN115267428B CN 115267428 B CN115267428 B CN 115267428B CN 202210853013 A CN202210853013 A CN 202210853013A CN 115267428 B CN115267428 B CN 115267428B
- Authority
- CN
- China
- Prior art keywords
- fault
- vmd
- neural network
- gru
- importance
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000005404 monopole Effects 0.000 title claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000014509 gene expression Effects 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 11
- 230000005540 biological transmission Effects 0.000 description 18
- 238000012360 testing method Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
-
- 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)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及一种基于VMD‑ET特征选择的LCC‑MMC单极接地故障定位方法，包括以下步骤：步骤S1:获取双端故障电压行波，并预处理；步骤S2:通过VMD对双端故障电压行波进行分解，将不同模态分量与原始波形进行串联;步骤S3:通过ET特征选择选取重要性大于预设的特征构建新的特征集合;步骤S4:基于新的特征集合构建GRU神经网络故障定位模型；步骤S5:采用PSO算法寻优GRU神经网络故障定位模型的最优参数，得到最终的GRU神经网络故障定位模型；步骤S6:将待识别双端故障电压行波输入最终的GRU神经网络故障定位模型，获得故障定位预测结果。本发明无需考虑行波波速，无需对波头进行标定，且在较低采样频率下可对故障位置进行精确定位。
Description
技术领域
本发明涉及电力系统接地故障检测领域，具体涉及一种基于 VMD-ET特征选择的LCC-MMC单极接地故障定位方法。
背景技术
传统电网换相换流器高压直流输电系统(linecommutated converterbasedhighvoltagedirectcurrent,LCC-HVDC)具有输送容量大、输送距离远等优点；模块化多电平换流器直流输电系统(modular multilevelconverterbasedhighvoltagedirectcurrent,MMC-HVDC)具有模块化、无换相失败等优点，而LCC-MMC混合直流输电系统可将上述两种直流输电系统进行有机融合,在可再生能源集成送出等方面具有良好的应用前景。由于电压等级高、输送距离远，特高压直流输电线路通常选用架空线路，输电线路长时间暴露在自然环境中，且线路沿线自然条件较恶劣，使其故障率高于直流输电系统中的其他元件, 故精确的故障定位有利于减少故障期间经济损失，提升供电稳定性。
现如今，国内外关于混合直流输电线路故障定位的研究较少，多集中于LCC与MMC的高压与特高压直流输电线路上。
发明内容
有鉴于此，本发明的目的在于提供一种基于VMD-ET特征选择的LCC-MMC单极接地故障定位方法，无需考虑行波波速，无需对波头进行标定，且在较低采样频率下可对故障位置进行精确定位。
为实现上述目的，本发明采用如下技术方案：
一种基于VMD-ET特征选择的LCC-MMC单极接地故障定位方法，包括以下步骤：
步骤S1:获取双端故障电压行波，并预处理；
步骤S2:通过VMD对双端故障电压行波进行分解，将不同模态分量与原始波形进行串联；
步骤S3:通过ET特征选择选取重要性大于预设的特征构建新的特征集合；
步骤S4:基于新的特征集合构建GRU神经网络故障定位模型；
步骤S5:采用PSO算法寻优GRU神经网络故障定位模型的最优参数，得到最终的GRU神经网络故障定位模型；
步骤S6:将待识别双端故障电压行波输入最终的GRU神经网络故障定位模型，获得故障定位预测结果。
进一步的，所述步骤S1具体为：将双端故障电压行波进行串联，获取双极故障电压行波并对其进行解耦，得到相对应的线模与地模分量，并将线模分量中每个数值减去预设值。
进一步的，所述步骤S2具体为：利用VMD分解，将线模分量分解为K个不同频率的IMF分量，并将原始线模分量与K个IMF分量进行串联，组成新的线模分量。
进一步的，所述VMD分解包括信号变分问题的构造与求解，具体为：
在信号变分问题的构造中，得到每个模态分量uk(t)所对应的约束变分模型，其表达式为：
式中：{uk}为信号通过VMD分解得到的第K个模态分量，{ωk}为分解得到的第K个模态分量的频率中心，f(t)为实际输入信号，j为复数的虚部，δ(t)为狄拉克分布，为变量t的偏微分；
将式(1)转化成非约束性变分问题，以求其最优解，引入二次惩罚因子α与Lagrange算子λ，得到增广Lagrange表达式：
利用交替方向乘子算法对上述公式中的三个变量：uk，ωk，λ进行迭代更新，以求取上述公式的鞍点；的迭代公式采用傅里叶变换定理与帕塞瓦尔定理，将其转化至频域，再转为非负频率区间积分的形式，求二次优化解，表达式为：
将的迭代公式转化为非负频率区间积分的形式，优化后得到中心频率的表达式为：
同理，得λ的迭代表达式为：
将所求表达式(3)、(4)、(5)代入式(2)进行求解；首先，初始化 与K，并将n设为0；之后，令n＝n+1,对式(3)、式(4)进行迭代，当迭代完一次k＝1:K时，对式(5)进行迭代，进而不断更新uk，ωk与λ，如果满足式(6)，则流程结束，不满足，则继续迭代；
进一步的，所述步骤S3具体为：利用标准分数对新线模分量进行标准化处理，标准分数的表达式如式(7)所示，采用ET算法对新线模分量进行重要性计算，以重要性数值大小作为判断新线模分量中特征值好坏的指标，再选取N个重要性数值靠前的特征值组成故障波形，最终构成所需的特征集合；
式中，z为标准分数，x为原特征值，μ为平均数，σ为标准差。
进一步的，所述采用ET算法对新线模分量进行重要性计算，具体为：
采用均方误差MSE作为重要性指标，MSE公式为：
式中，Ti表示真实值，Pi表示预测值，N表示样本个数
ET算法在训练结束后会生成K棵决策树，树中每一个节点会分裂成两个新的节点，则当前节点的指数变化量ΔM为：
式中，M、n分别为当前节点的重要性指标与样本个数；Ml、nl、 Mr、nr分别为分裂后两个节点的重要性指标与样本个数，N表示样本总个数；
对于特征t，其可能出现在i棵树中，i≤K，故在极端随机树中，特征t的重要性VIMt为：
进一步的，所述GRU神经网络故障定位模型包括GRU神经网络和全连接层。
进一步的，所述GRU神经网络包括一层双向GRU层，一层GRU 层和一层全连接层；
更新门z、重置门r与节点状态的表达式分别为：
rt＝σ(wrxt+urht-1+br) (11)
zt＝σ(wzxt+uzht-1+bz) (12)
式中，w与u为对应逻辑控制器的权重系数矩阵，b为对应逻辑控制器的偏置项，x与h为对应逻辑控制器的输入数据与节点输出信息，σ是sigmoid函数；
GRU的输出表达式h为：
进一步的，所述步骤S5具体为：以MAE为指标，对GRU神经网络中的双向GRU层神经元数、GRU层神经元数与全连接层神经元数采用PSO算法寻优。
本发明与现有技术相比具有以下有益效果：
本发明无需考虑行波波速，无需对波头进行标定，且在较低采样频率下可对故障位置进行精确定位。
附图说明
图1是本发明方法流程图；
图2是本发明一实施例中不同故障点的故障行波；
图3是本发明一实施例中GRU单元结构图；
图4是本发明一实施例中基于GRU的故障定位模型框架；
图5是本发明一实施例中±800kVLCC-MMC混合直流输电模型；
图6是本发明一实施例中双端原始故障电压行波；
图7是本发明一实施例中VMD分解波形图；
图8是本发明一实施例中ET特征选取热力图；
图9是本发明一实施例中VMD-ET特征选择故障波形；
图10是本发明一实施例中不同定位方法在测试集中误差对比；
图11是本发明一实施例中不同定位方法在验证集中误差对比。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于VMD-ET特征选择的 LCC-MMC单极接地故障定位方法，其特征在于，包括以下步骤：
步骤S1:获取双端故障电压行波，并预处理；
步骤S2:通过VMD对双端故障电压行波进行分解，将不同模态分量与原始波形进行串联；
步骤S3:通过ET特征选择选取重要性大于预设的特征构建新的特征集合；
步骤S4:基于新的特征集合构建GRU神经网络故障定位模型；
步骤S5:采用PSO算法寻优GRU神经网络故障定位模型的最优参数，得到最终的GRU神经网络故障定位模型；
步骤S6:将待识别双端故障电压行波输入最终的GRU神经网络故障定位模型，获得故障定位预测结果。
在本实施例中，步骤S1，具体为：将双端故障电压行波进行串联，对于双极输电线路而言，在输电过程中电气量存在相互耦合，会对故障定位精度带来一定的影响，因此，需要对其进行解耦。将双极故障电压行波进行解耦后，可得到相对应的线模与地模分量。因地模分量受大地电阻率与频率的影响较大，故本实施例选用线模分量进行分析。为了减少后续进行标准分数计算时不同频率的IMF分量幅值差异过大的问题，在此处需要对线模分量中每个数值减去1130。
在本实施例中，如图2所示。为了从故障行波中获取与故障位置有高度相关性的特征信息，需要对其进行特征提取。因VMD与ET 特征选择在故障行波分解与特征提取方面具有优良的性能，故选择采用上述方法对故障行波进行分析。本发明所设故障距离为故障点至整流站的距离。
在本实施例中，步骤S2具体为：利用VMD分解，将线模分量分解为K个不同频率的IMF分量，并将原始线模分量与K个IMF分量进行串联，组成新的线模分量。
优选的，VMD主要由两个部分组成：信号变分问题的构造与求解。在信号变分问题的构造中，可得到每个模态分量uk(t)所对应的约束变分模型，其表达式为：
式中：{uk}为信号通过VMD分解得到的第K个模态分量，{ωk}为分解得到的第K个模态分量的频率中心。
将式(1)转化成非约束性变分问题，以求其最优解，需引入二次惩罚因子α与Lagrange算子λ，得到增广Lagrange表达式：
利用交替方向乘子算法对上述公式中的三个变量：uk，ωk，λ进行迭代更新，以求取上述公式的鞍点。的迭代公式采用傅里叶变换定理与帕塞瓦尔定理，将其转化至频域，再转为非负频率区间积分的形式，求二次优化解，表达式为：
将的迭代公式转化为非负频率区间积分的形式，优化后得到中心频率的表达式为：
同理，可得λ的迭代表达式为：
将所求表达式(3)、(4)、(5)代入式(2)进行求解。其流程为：首先，初始化与K，并将n设为0；之后，令n＝n+1,对式(3)、式(4)进行迭代，当迭代完一次k＝1:K时，对式(5)进行迭代，进而不断更新uk，ωk与λ，如果满足式(6)，则流程结束，不满足，则继续迭代。
在本实施例中，步骤S3具体为：利用标准分数对新线模分量进行标准化处理，标准分数的表达式如式(7)所示，采用ET算法对新线模分量进行重要性计算，以重要性数值大小作为判断新线模分量中特征值好坏的指标，再选取N个重要性数值靠前的特征值组成故障波形，最终构成所需的特征集合。
式中，z为标准分数，x为原特征值，μ为平均数，σ为标准差。
特征重要性计算主要有四种方法：信息增益、信息增益率、指数法与平均精度下降法。指数法在处理分类任务中常使用基尼系数作为重要性指标，而在回归任务中，常采用均方误差(meansquareerror, MSE)作为重要性指标，MSE公式为：
式中，Ti表示真实值，Pi表示预测值，N表示样本个数。
ET算法在训练结束后会生成K棵决策树，树中每一个节点会分裂成两个新的节点，则当前节点的指数变化量ΔM为：
式中，M、n分别为当前节点的重要性指标与样本个数。Ml、nl、 Mr、nr分别为分裂后两个节点的重要性指标与样本个数，N表示样本总个数。
对于某一特征t，其可能出现在i棵树中(i≤K)，故在极端随机树中，特征t的重要性VIMt为：
在本实施例中，步骤S4具体为：GRU神经网络结构包括GRU 层层数、全连接层层数，隐藏层选用一层双向GRU层，一层GRU 层加一层全连接层的结构。
优选的，GRU主要由两个核心逻辑控制器组成：重置门与更新门，其单元框架图如图3所示。通过门单元的逻辑控制，在对输入数据进行处理时更新模型内部参数，提取深层信息。更新门z、重置门r与节点状态的表达式分别为：
rt＝σ(wrxt+urht-1+br) (11)
zt＝σ(wzxt+uzht-1+bz) (12)
式中，w与u为对应逻辑控制器的权重系数矩阵，b为对应逻辑控制器的偏置项，x与h为对应逻辑控制器的输入数据与节点输出信息，σ是sigmoid函数。
最终，GRU的输出表达式h为：
基于GRU层与全连接层，可搭建LCC-MMC混合直流输电线路单极接地故障定位模型，其网络构造如图4所示，其中，Bi-GRU为双向GRU层。
在本实施例中，步骤S5具体为：以MAE为指标，对GRU 神经网络中的双向GRU层神经元数、GRU层神经元数与全连接层神经元数进行寻优。
GRU层、全连接层的神经元数、学习率等内部参数的设置会对 GRU神经网络模型故障定位预测的准确率造成影响，在训练过程中会因模型内部参数选择不当而直接陷入局部最优。为了最终确定这些内部参数，本发明选择粒子群优化算法(PSO)来对其进行寻优。
粒子群优化算法由Kennedy和Eberhart提出，通过模拟鸟群觅食过程而提出的一种全局随机搜寻算法，具有算法简洁、收敛速度较快、所需参数较少等诸多优点，在搜索全局最优解方面具有很强的优势。本发明所定义的适应度函数为故障定位预测结果的平均绝对误差 (meanabsoluteerror,MAE)，公式为：
式中，Ti表示实际故障位置，Pi表示预测故障位置，N表示样本个数。
实施例1
本实施例中，利用电磁暂态仿真软件PSCAD/EMTDC，建立一个±800kV的双极LCC-MMC混合直流输电模型，如图5所示。系统详细参数及控制模式如表1所示。
表1 LCC-MMC系统参数及控制模式
基于所搭建的混合直流输电模型，设置采样频率为20kHz，采集不同过渡电阻值、不同故障距离下的故障电压行波。故障起始时间设定为最早检测到电压波形发生畸变的时间，故障电压行波选择电压波形在故障起始时间前的10个采样点与故障后的240个采样点，则双端串联后共计500个采样点。故障点从整流侧首段14km处开始，设采样步长为3km，采集325组故障电压行波；每个故障点采集过渡电阻为0.01Ω、10Ω、50Ω、100Ω、300Ω、500Ω、800Ω、1000Ω共8组数据，最终共采集2600组数据，所采集的双端原始故障电压行波如图6所示。
将采集得到的故障电压行波进行预处理后，对其进行VMD分解，经过多次分解试验，本实施例选择最佳模态分解个数为K＝6，分解后各模态分量波形如图7所示。
将原始波形与不同频率的IMF分量串联后，形成数据长度为3500 的新线模分量。对其标准化处理后，利用ET算法对新线模分量进行重要性计算，本发明选择重要性靠前的500个采样点组成新特征向量，构成模型训练与测试所需的特征集合。将所选取采样点位置绘制成热力图，黑色为所选取的采样点位置，如图8所示。
将原始故障电压行波进行VMD-ET特征选择处理后，其故障波形如图9所示。
针对GRU神经网络内部参数寻优问题，本发明设定种群粒子数为100，最大迭代次数为6次，惯性常量ω＝0.5，隐藏层中，双向GRU 层神经元数L1∈[1,100]；GRU层神经元数L2∈[1,100]；全连接层神经元数F∈[1,100]，其最终神经元数设定为16的倍数。所有层学习率均采用自适应调整学习率，故无需寻优，本发明所有故障定位预测模型均使用PSO进行内部参数寻优，本发明仅展示以VMD-ET特征选择故障波形为特征集合的故障定位预测模型内部参数，寻优结果如表2所示。
表2 GRU神经网络寻优结果
为了验证本发明所提方法的有效性与真实性，本发明搭建了岭回归(ridgeregression)故障定位预测模型与BP(backpropagation,BP)神经网络故障定位预测模型作为对照。岭回归算法是一种有偏估计回归算法，BP神经网络是隐藏层含有一个或一个以上全连接层组成的神经网络，这两种算法在不同领域中进行回归预测时都有良好的性能。针对岭回归与BP神经网络内部参数寻优问题，本发明设定种群粒子数为100，最大迭代次数为6次，惯性常量ω＝0.5，其中，岭回归的正则化系数α∈[0.0000001,0.001]；BP神经网络全连接层神经元数中，第一层F1∈[1,100],第二层F2∈[1,100],第三层F3∈[1,100]，第四层 F4∈[1,100]，其最终神经元数设定为16的倍数。对比模型寻优结果与参数设置如表3所示。
表3对比模型寻优结果与参数设置
试验一：在数据集划分中，本实施例选择从特征集合中随机选择 80％的数据，即2080组数据作为训练集对故障定位模型进行训练； 20％的数据，即520组数据作为测试集对训练后的故障定位模型进行测试。本发明使用平均绝对误差MAE作为故障定位精准度的评测指标。对不同算法模型在测试集中精准度的对比如表4所示,单位为km。图10展示了不同定位方法在测试集中的平均绝对误差柱状图。
表4不同算法在测试集中的定位结果
由表4与图10可知，从特征提取方法方面，经过VMD-ET特征提取后的故障波形，在同种类定位模型中，其总距离定位精准度分别提升了34.328％、24.642％、16.287％；在各故障范围的定位精准度中大多有不同程度的提升。从故障定位模型方面，GRU神经网络模型在使用经过VMD-ET特征提取后的故障波形时，其总距离定位精准度分别提升了62.869％与95.870％；在各故障范围的定位精准度中都有不同程度的提升，证明本发明所提VMD-ET特征提取法可有效提取原始波形中的故障信息。
试验二：为了进一步验证所以方法的稳定性，本实施例在故障距离为51km、150km、250km、349km、450km、550km、651km、750km、 850km、949km处各设置了过渡电阻为1Ω、200Ω、400Ω、900Ω的单极接地故障，共计40组数据作为验证集，上述故障均未出现在训练集与测试集中。仍使用平均绝对误差MAE作为故障定位精准度的评价指标，对不同算法模型在验证集中精准度的对比如表5所示,单位为km。图11展示了不同定位方法在验证集中的平均绝对误差柱状图。
表5不同算法在验证集中的定位结果
由表5与图11可知，从特征提取方法方面，经过VMD-ET特征提取后的故障波形，在同种类定位模型中，其总距离定位精准度分别提升了38.185％、39.482％、31.000％；在各故障范围的定位精准度中大多有不同程度的提升。从故障定位模型方面，GRU神经网络模型在使用经过VMD-ET特征提取后的故障波形时，其总距离定位精准度分别提升了64.145％、92.561％；在各故障范围的定位精准度中也大多有不同程度的提升，证明了本发明方法在验证集上仍然有较高的定位精度，同时具有良好的稳定性与鲁棒性。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (5)
1.一种基于VMD-ET特征选择的LCC-MMC单极接地故障定位方法，其特征在于，包括以下步骤：
步骤S1:获取双端故障电压行波，并预处理；
步骤S2:通过VMD对双端故障电压行波进行分解，将不同模态分量与原始波形进行串联；
步骤S3:通过ET特征选择选取重要性大于预设的特征构建新的特征集合；
步骤S4:基于新的特征集合构建GRU神经网络故障定位模型；
步骤S5:采用PSO算法寻优GRU神经网络故障定位模型的最优参数，得到最终的GRU神经网络故障定位模型；
步骤S6:将待识别双端故障电压行波输入最终的GRU神经网络故障定位模型，获得故障定位预测结果；
所述步骤S2具体为：利用VMD分解，将线模分量分解为K个不同频率的IMF分量，并将原始线模分量与K个IMF分量进行串联，组成新的线模分量；
所述VMD分解包括信号变分问题的构造与求解，具体为：
在信号变分问题的构造中，得到每个模态分量uk(t)所对应的约束变分模型，其表达式为：
式中：{uk}为信号通过VMD分解得到的第K个模态分量，{ωk}为分解得到的第K个模态分量的频率中心，f(t)为实际输入信号，j为复数的虚部，δ(t)为狄拉克分布，为变量t的偏微分；
将式(1)转化成非约束性变分问题，以求其最优解，引入二次惩罚因子α与Lagrange算子λ，得到增广Lagrange表达式：
利用交替方向乘子算法对上述公式(2)中的三个变量：uk，ωk，λ进行迭代更新，以求取上述公式的鞍点；的迭代公式采用傅里叶变换定理与帕塞瓦尔定理，将其转化至频域，再转为非负频率区间积分的形式，求二次优化解，表达式为：
将的迭代公式转化为非负频率区间积分的形式，优化后得到中心频率的表达式为：
同理，得λ的迭代表达式为：
将所求表达式(3)、(4)、(5)代入式(2)进行求解；首先，初始化 与K，并将n设为0；之后，令n＝n+1,对式(3)、式(4)进行迭代，当迭代完一次k＝1:K时，对式(5)进行迭代，进而不断更新uk，ωk与λ，如果满足式(6)，则流程结束，不满足，则继续迭代；
所述步骤S3具体为：利用标准分数对新线模分量进行标准化处理，标准分数的表达式如式(7)所示，采用ET算法对新线模分量进行重要性计算，以重要性数值大小作为判断新线模分量中特征值好坏的指标，再选取N个重要性数值靠前的特征值组成故障波形，最终构成所需的特征集合；
式中，z为标准分数，x为原特征值，μ为平均数，σ为标准差；
所述采用ET算法对新线模分量进行重要性计算，具体为：
采用均方误差MSE作为重要性指标，MSE公式为：
式中，Ti表示真实值，Pi表示预测值，N表示样本个数
ET算法在训练结束后会生成K棵决策树，树中每一个节点会分裂成两个新的节点，则当前节点的指数变化量ΔM为：
式中，M、n分别为当前节点的重要性指标与样本个数；Ml、nl、Mr、nr分别为分裂后两个节点的重要性指标与样本个数，N表示样本总个数；
对于特征t，其可能出现在i棵树中，i≤K，故在极端随机树中，特征t的重要性VIMt为：
2.根据权利要求1所述的基于VMD-ET特征选择的LCC-MMC单极接地故障定位方法，其特征在于，所述步骤S1具体为：将双端故障电压行波进行串联，获取双端故障电压行波并对其进行解耦，得到相对应的线模与地模分量，并将线模分量中每个数值减去预设值。
3.根据权利要求1所述的基于VMD-ET特征选择的LCC-MMC单极接地故障定位方法，其特征在于，所述GRU神经网络故障定位模型包括GRU神经网络和全连接层。
4.根据权利要求3所述的基于VMD-ET特征选择的LCC-MMC单极接地故障定位方法，其特征在于，所述GRU神经网络包括一层双向GRU层，一层GRU层和一层全连接层；
更新门z、重置门r与节点状态的表达式分别为：
rt＝σ(wrxt+urht-1+br) (11)
zt＝σ(wzxt+uzht-1+bz) (12)
式中，w与u为对应逻辑控制器的权重系数矩阵，b为对应逻辑控制器的偏置项，x与h为对应逻辑控制器的输入数据与节点输出信息，σ是sigmoid函数；
GRU的输出表达式h为：
5.根据权利要求1所述的基于VMD-ET特征选择的LCC-MMC单极接地故障定位方法，其特征在于，所述步骤S5具体为：以MAE为指标，对GRU神经网络中的双向GRU层神经元数、GRU层神经元数与全连接层神经元数采用PSO算法寻优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210853013.8A CN115267428B (zh) | 2022-07-20 | 2022-07-20 | 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210853013.8A CN115267428B (zh) | 2022-07-20 | 2022-07-20 | 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115267428A CN115267428A (zh) | 2022-11-01 |
| CN115267428B true CN115267428B (zh) | 2024-06-11 |
Family
ID=83767491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210853013.8A Active CN115267428B (zh) | 2022-07-20 | 2022-07-20 | 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115267428B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116008733A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 一种基于集成深度神经网络的单相接地故障诊断方法 |
| CN116341394B (zh) * | 2023-05-29 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 混合驱动模型训练方法、装置、计算机设备及存储介质 |
Citations (3)
| 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 |
| CN111948493A (zh) * | 2020-08-21 | 2020-11-17 | 兰州理工大学 | 一种mmc-hvdc直流输电线路故障定位方法 |
| CN114152840A (zh) * | 2021-11-29 | 2022-03-08 | 昆明理工大学 | 一种lcc-mmc混合直流输电线路故障测距方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112731051B (zh) * | 2020-12-18 | 2021-10-08 | 武汉大学 | 混合网络的高压直流输电线路的单端故障定位方法及系统 |
-
2022
- 2022-07-20 CN CN202210853013.8A patent/CN115267428B/zh active Active
Patent Citations (3)
| 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 |
| CN111948493A (zh) * | 2020-08-21 | 2020-11-17 | 兰州理工大学 | 一种mmc-hvdc直流输电线路故障定位方法 |
| CN114152840A (zh) * | 2021-11-29 | 2022-03-08 | 昆明理工大学 | 一种lcc-mmc混合直流输电线路故障测距方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于VMD与广义S变换的HVDC线路故障定位;付华;吴赛;徐耀松;谢国民;;电力系统保护与控制;20200216(第04期);第131-139页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115267428A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115267428B (zh) | 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 | |
| CN112051481B (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 | |
| CN112578312B (zh) | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 | |
| CN103728535B (zh) | 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 | |
| CN110687393B (zh) | 一种基于vmd-svd-fcm的阀短路保护故障定位方法 | |
| CN109142969A (zh) | 一种基于连续隐马尔可夫模型的输电线路故障选相方法 | |
| CN112114232B (zh) | 基于小波分解和dbn的单极接地故障测距方法 | |
| CN111598166A (zh) | 基于主分量分析和Softmax函数的单相接地故障分类方法和系统 | |
| CN113985194A (zh) | 一种基于堆栈自编码器的配电网故障定位方法 | |
| CN114441900A (zh) | 一种配电网单相接地故障选线方法及系统 | |
| Omar et al. | Fault classification on transmission line using LSTM network | |
| CN112684295A (zh) | 一种基于相似离度的高渗透率下配电网故障选线方法及系统 | |
| CN110059737B (zh) | 基于集成深度神经网络的配电变压器连接关系辨识方法 | |
| CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
| CN112381667B (zh) | 一种基于深度学习的配网电气拓扑识别方法 | |
| CN113139295A (zh) | 电力系统综合状态估计方法及系统 | |
| CN112710923A (zh) | 基于故障后稳态信息的数据驱动单相接地故障选线方法 | |
| CN112557808A (zh) | 一种配电网单相接地故障定位方法 | |
| Wang et al. | Transmission line fault diagnosis based on wavelet packet analysis and convolutional neural network | |
| Kou et al. | Transmission line fault identification based on BP neural network | |
| CN116629625A (zh) | 一种基于神经网络模型的电网线损预测方法 | |
| Mishra et al. | Tree Based Fault Classification in Underground Cable | |
| CN113591792B (zh) | 一种基于自组织竞争神经网络算法的变压器故障辨识方法 | |
| CN114186590A (zh) | 一种基于小波和深度学习的配电网单相接地故障识别方法 | |
| CN114062832A (zh) | 一种配电网短路故障类型的识别方法及系统 |
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 |