CN115795296A - 直流输电系统换相故障诊断方法、系统、存储介质及终端 - Google Patents

直流输电系统换相故障诊断方法、系统、存储介质及终端 Download PDF

Info

Publication number
CN115795296A
CN115795296A CN202211505214.5A CN202211505214A CN115795296A CN 115795296 A CN115795296 A CN 115795296A CN 202211505214 A CN202211505214 A CN 202211505214A CN 115795296 A CN115795296 A CN 115795296A
Authority
CN
China
Prior art keywords
molecular weight
decomposition
fault diagnosis
singular
mode
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
CN202211505214.5A
Other languages
English (en)
Inventor
邢超
黄泽
奚鑫泽
李胜男
陈仕龙
何鑫
刘明群
邓灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202211505214.5A priority Critical patent/CN115795296A/zh
Publication of CN115795296A publication Critical patent/CN115795296A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本申请实施例公开了直流输电系统换相故障诊断方法、系统及终端，方法包括：获取直流输电系统中待测直流电流；对待测直流电流进行相模分解得到线模分量，对线模分量进行混合分解，得到二维特征向量；将二维特征向量输入到预设的用于换相故障诊断的深度学习分类模型中，得到故障诊断结果。通过利用混合分解法，可将不同模态分解法实现优势互补，能够提升提取信号特征的能力和对信号规律性的理解，提高信号被正确分解的概率，降低模态混叠现象，确保诊断结果的正确性。

Description

直流输电系统换相故障诊断方法、系统、存储介质及终端
【技术领域】
本发明涉及电力系统技术领域，尤其涉及直流输电系统换相故障诊断方法、系统、存储介质及终端。
【背景技术】
换相失败作为高压直流输电系统中的一种常见故障，其会致使电压电流发生突变，对直流输电系统具有严重的威胁，准确有效地区分换相失败对系统的稳定运行具有重大意义。目前很多研究通过采用一种模态分解方法对所采取的电气量信号进行分解，将复杂信号分解来降低原始信号的复杂度，让一条规律性低的信号分解成多条规律性较强的信号，但一种模态分解方法可能会出现模态混叠现象，导致信号无法被正确分解，影响诊断结果。
【发明内容】
有鉴于此，本发明提供了直流输电系统换相故障诊断方法、系统、存储介质及终端，以实现提高信号被正确分解的概率，降低模态混叠现象，确保诊断结果的正确性。
为实现上述目的，本申请第一方面提供一种直流输电系统换相故障诊断方法，包括：
获取直流输电系统中待测直流电流；
对所述待测直流电流进行相模分解得到线模分量，对所述线模分量进行混合分解，得到二维特征向量；所述混合分解为利用多种模态分解法对所述线模分量进行分解；
将所述二维特征向量输入到预设的用于换相故障诊断的深度学习分类模型中，得到故障诊断结果。
可选的，所述混合分解包括变模态分解法和奇异谱分解。
可选的，对所述线模分量进行混合分解，得到二维特征向量，包括：
利用所述变模态分解法将所述线模分量分解为变模态分子量；
利用所述奇异谱分解将所述线模分量分解为奇异谱分子量；
利用所述变模态分子量和所述奇异谱分子量构成二维特征向量。
可选的，当所述变模态分子量的数量与所述奇异谱分子量的数量不同时，对所述变模态分子量和所述奇异谱分子量进行优化，使得优化后的变模态分子量的数量与优化后所述奇异谱分子量的数量相等；
则所述利用所述变模态分子量和所述奇异谱分子量构成二维特征向量，包括：
利用优化后的具有相同数量的变模态分子量和奇异谱分子量构成所述二维特征向量。
可选的，当所述变模态分子量与所述奇异谱分子量数量不同时，根据所述线模分量的样本熵值对所述变模态分子量和所述奇异谱分子量进行优化，使得优化后的变模态分子量的数量与优化后的所述奇异谱分子量的数量相等；
则所述利用所述变模态分子量和所述奇异谱分子量构成二维特征向量，包括：
利用优化后的具有相同数量的变模态分子量和奇异谱分子量构成所述二维特征向量。
可选的，利用所述奇异谱分解将所述线模分量分解为奇异谱分子量，之后还包括：
将所述变模态分子量和所述奇异谱分子量进行归一化处理，得到归一化后的变模态分子量和归一化后的奇异谱分子量。
可选的，将所述二维特征向量输入到预设的用于换相故障诊断的深度学习分类模型中，得到故障诊断结果，包括：
将所述二维特征向量输入到所述深度学习分类模型中的神经网络分类模型进行预测得到时序特征组合，将所述时序特征组合输入到所述深度学习分类模型中的全连接层进行分类获得结果特征值，根据所述结果特征值得到故障诊断结果。
为实现上述目的，本申请第二方面提供一种直流输电系统换相故障诊断系统，所述诊断系统包括：
采集模块，用于获取直流输电系统中的待测直接电流；
分解模块，用于对所述待测直流电流进行相模分解得到线模分量，对所述线模分量进行混合分解，得到二维特征向量；
诊断模块，用于将所述二维特征向量输入到预设的深度学习分类模型中，得到故障诊断结果。
为实现上述目的，本申请第三方面提供一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如第一方面中任一项所述方法的步骤。
为实现上述目的，本申请第四方面提供一种直流输电系统换相故障诊断监控终端，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面中任一项所述方法的步骤。
实施本发明实施例，将具有如下有益效果：
本方法通过对直流电流的线模分量进行混合分解，得到二维特征向量，利用预设的用于换相故障诊断的深度学习模型识别所述二维特征向量，得到故障诊断结果。通过利用混合分解法，可利用不同模态分解法的不同机理，实现不同模态分解法对信号处理的优势互补，能够提升提取信号特征的能力和对信号规律性的理解，提高信号被正确分解的概率，降低模态混叠现象，确保诊断结果的正确性。
【附图说明】
图1为直流输电系统换相故障诊断方法流程示意图；
图2为获得二维特征向量方法流程示意图；
图3为构建用于换相故障诊断的深度学习分类模型方法流程示意图；
图4为直流输电系统换相故障诊断系统结构示意图；
图5为用于换相故障做诊断的深度学习分类模型的训练装置结构示意图；
图6为建用于换相故障诊断的深度学习分类模型方法流程细节图。
【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，所描述的实施例仅仅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作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。
换相故障是直流输电系统发生概率较高的故障之一。在换流器中，退出导通的阀在反向电压作用的一段时间内未能恢复阻断能力，或者在反向电压期间换相过程未进行完毕，则在阀电压变成正向时，被换相的阀都将向原来预定退出导通的阀倒换相，这种情况称为换相故障。
换相故障的主要原因是交流系统故障使得逆变侧换流母线电压下降，换流阀闭锁，中断直流输电系统的输电通道，在严重的情况下可能会出现多个逆变站同时发生换相故障，甚至导致电网崩溃。
请参阅图1，为本申请实施例中直流输电系统换相故障诊断方法的流程示意图，以确定直流输电系统是否发生换相故障，该故障诊断方法的步骤包括：
步骤101、获取直流输电系统中待测直流电流；
步骤102、对所述待测直流电流进行相模分解得到线模分量，对所述线模分量进行混合分解，得到二维特征向量；所述混合分解为利用多种模态分解法对所述线模分量进行分解；
步骤103、将所述二维特征向量输入到预设的用于换相故障诊断的深度学习分类模型中，得到故障诊断结果。
换相故障的主要原因是直流输电系统中的交流系统故障使得逆变侧换流母线电压下降，在进行故障诊断分析之前，获取直流输电系统中的逆变侧直流电流，构成待测直流电流。
通过对直流电流的线模分量进行混合分解，得到二维特征向量，利用预设的用于换相故障诊断的深度学习模型识别二维特征向量，得到故障诊断结果。通过利用混合分解法，可将不同模态分解法实现优势互补，能够提升提取信号特征的能力和对信号规律性的理解，提高信号被正确分解的概率，降低模态混叠现象，确保诊断结果的正确性。
进一步的，混合分解包括变模态分解法和奇异谱分解。
变模态分解法(Variational mode decomposition，VMD)是一种针对多分量非平稳信号进行准正交分解的方法。VMD分解方法的效果依赖于分解模态个数K和带宽平衡参数α这两个参数。K值太小则不能提取出含故障信息的IMF，即故障模态分量，过大则会把一个故障模态分量分解在多个IMFs中，且计算量较大；α的取值增加会减小故障模态分量的带宽，从而减少噪声含量，但是同时也会减少故障信息。对于在不同环境下测得的轴承振动信号，需要人工选择不同的参数值以获得受干扰较少的故障瞬态成分，因此VMD方法缺乏奇异谱性。
奇异谱分解(Single Shot Detection，SSD)可以自动确定较为合适的分解个数，不需要构造任何先验基础以匹配信号特征结构，也不需要对在时间、频率进行联合，也不需要对信号的方式施加任何约束。奇异谱分解能够适应瞬态特征，突出信号的局部特征。因此可以奇异谱地从任意信号中提取振荡模式，反映信号潜在的振荡属性。
由此可见，变分模态分解和奇异谱分解的机理不同，对同一信号的处理方式有着不同的优势，本发明所保护的混合分解方法有效结合了变分模态分解和奇异谱分解的优势，使直流电流信号的线模分量得到有效分解，获得线模分量的子分量故障特征。
进一步的，请参阅图2，对线模分量进行混合分解，得到二维特征向量，包括：
步骤201、利用变模态分解法将所述线模分量分解为变模态分子量；
步骤202、利用奇异谱分解将所述线模分量分解为奇异谱分子量；
步骤203、利用变模态分子量和所述奇异谱分子量构成二维特征向量。
其中，步骤201与步骤202的可以同时进行，也可以先后进行，此处不做限定。
由于变分模态分解法受到分解个数影响，且分解个数越多，分子量的带宽越窄；分子量的带宽过宽或过窄，均会影响到最终的分析结果，而且人为或者根据经验确定的分解个数，会使分析效果难以保障，并且存在很大的偶然性和随机性，因此选定合适的分解个数，是利用变分模态分算法分离的关键。
在具体实施例中，步骤201中利用变模态分解法将线模分量分解为变模态分子量的方法为：设定分解个数n并采用VMD分解方法对线模分量进行分解，分解个数n可以手动设定或者系统默认设定，得到第一个变模态分子量IMFu1至第n个变模态分子量IMFun，再计算第n个变模态分子量IMFun与线模分量的皮尔逊相关系数，若此相关系数均大于0.1则认为此分解个数没有出现过分解情况，则将此分解个数加一后再进行VMD分解，直至皮尔逊相关系数出现小于0.1时停止，此时认定此分解个数会出现过分解情况，此分解个数不合理，最终合理的分解个数为此分解个数减一，以最终合理的分解个数采用VMD分解所得的最终合理的变模态分子量为第一个IMFu1至第k个变模态分子量IMFuk，其分解个数为K，K＝1,2,...,k。
在具体实施例中，步骤202中利用奇异谱分解将线模分量分解为奇异谱分子量的方法为：采用SSD分解方法对线模分量进行分解得到奇异谱分子量，由于SSD分解方法可以自动确定较为合适的分解个数，故不需要用皮尔逊相关系数来确定其分解个数，分解后所得第一个奇异谱分子量IMFv1至第m个奇异谱分子量IMFvm，其分解个数为M，M＝1,2,...,m。
在具体实施例中，将第一个变模态分子量IMFu1至第k个变模态分子量IMFuk和第一个奇异谱分子量IMFv1至第m个IMFvm进行归一化处理，使其量纲相同，得到归一化后的第一个变模态分子量IMFu1至第k个变模态分子量IMFuk和第一个奇异谱分子量IMFv1至第m个IMFvm。
将归一化后的第一个变模态分子量IMFu1至第k个变模态分子量IMFuk和第一个奇异谱分子量IMFv1至第m个IMFvm中每一条分子量看做一条特征向量，共获得(k+m)条特征向量，然后将所有的特征向量进行合并，获得N条二维特征向量，分别为第一个二维特征向量IMF1至第N个二维特征向量IMFN。将每条二维特征向量作为一条输入支路输入到预设的深度学习分类模型中，得到故障诊断结果。
其中，当(k+m)条特征向量为单数时，未合并的特征向量可以直接以一维特征向量的形式输入到深度学习分类模型中，一维特征向量同样作为一条输入支路输入到预设的用于换相故障诊断的深度学习分类模型中，得到故障诊断结果。
其中，特征向量的合并可以是随机合并组合，或者按照一定的规则进行合并组合，此处不做进一步的限定。
优选的，将归一化后的IMFu1～IMFuk与IMFv1～IMFvm中每一条分子量看做一条特征向量，共获得(k+m)条特征向量，按照特征向量的频率从大到小的顺序进行合并，获得N条二维特征向量IMF1～IMFN。
在具体实施例中，当变模态分子量的数量与奇异谱分子量的数量不同时，根据线模分量的样本熵值对变模态分子量和奇异谱分子量进行优化，使得优化后的变模态分子量的数量与优化后的奇异谱分子量的数量相等。
具体的，当变模态分子量的数量大于奇异谱分子量的数量时，计算VMD分解所得变模态分子量的样本熵值，按照预设的规则将样本熵值相近的变模态分子量合并，如此可以在提取到线模分量特征的同时减少变模态分子量的个数，进而减少计算量，最终使其分解个数与SSD分解个数相同。
同样的，当奇异谱分子量的数量大于变模态分子量的数量时，利用同样的方法降低SSD分解个数，最终使其分解个数与VMD分解个数相同。
进一步的，将二维特征向量输入到预设的用于换相故障诊断的深度学习分类模型中的神经网络分类模型进行预测得到时序特征组合，将时序特征组合输入到用于换相故障诊断的深度学习分类模型中的全连接层进行分类获得结果特征值，根据所述结果特征值得到故障诊断结果。
故障诊断结果包括：线路故障和换相失败。
线路故障通常为直流侧线路故障，即直流母线的故障(接地故障)；
换相失败通常为交流侧线路故障，交流侧线路故障可以是逆变侧交流系统单相接地故障、逆变侧交流系统两相短路故障、逆变侧交流系统两相接地故障、逆变侧交流系统三相接地故障和逆变侧交流系统直流输电线路故障等。
在具体实施例中，将每一条二维特征向量作为一条输入支路输入到预设的用于换相故障诊断的深度学习分类模型中，深度学习分类模型在每一输入分支上设置两层双向长短期记忆网络(BiLSTM)，将每条输入分支上经BiLSTM学习到的时序特征组合输入到全连接-Softmax进行分类，输出0，1或2三种结果，其中0代表正常状态，1代表线路故障，2表示换相失败。
请参阅图4，为本申请实施例中直流输电系统换相故障诊断系统的结构图，诊断系统包括：
采集模块，用于获取直流输电系统中的待测直接电流；
分解模块，用于对待测直流电流进行相模分解得到线模分量，对线模分量进行混合分解，得到二维特征向量；
诊断模块，用于将二维特征向量输入到预设的深度学习分类模型中，得到故障诊断结果。
直流输电系统换相故障诊断系统可将发生故障的直流电流通过混合分解的方法进行处理得到故障诊断结果。通过利用混合分解法，可将不同模态分解法实现优势互补，能够提升提取信号特征的能力和对信号规律性的理解，提高信号被正确分解的概率，降低模态混叠现象，确保诊断结果的正确性。通过将待测直流电流输入到直流输电系统换相故障诊断系统中，可自动分析出发生故障的结果，减少故障分析所用时间，使由于故障带来的损失达到最小化。
本申请实施例中还包括计算机可读存储介质的结构图，存储有计算机程序，计算机可读存储介质包括：计算机程序被处理器执行时，使得处理器执行如上述直流输电系统换相故障诊断方法中任一项的步骤。
本申请实施例中还包括直流输电系统换相故障诊断监控终端的结构图，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如直流输电系统换相故障诊断方法中任一项方法的步骤。
常见的换相失败包括：逆变侧交流系统单相接地故障、逆变侧交流系统两相短路故障、逆变侧交流系统两相接地故障、逆变侧交流系统三相接地故障和逆变侧交流系统直流输电线路故障；常见的线路故障包括：直流母线的故障(接地故障)。因此在本申请中，请参阅图3及图6，构建预设的用于换相故障诊断的深度学习分类模型方法，如下：
步骤301、分别设置逆变侧交流系统单相接地故障、两相短路故障、两相接地故障、三相接地故障和直流输电线路故障，然后提取此五种故障状态和正常状态下的逆变侧直流电流信号的波形，及直流母线接地故障和直流母线正常状态下的波形，构成训练波形；
步骤302、对训练波形进行相模分解得到训练线模分量，对训练线模分量进行混合分解，得到训练二维特征向量；
步骤303、将训练二维特征向量划分为测试集和样本集；给定样本集标签，标签包括输入标签和输出标签；
步骤304、给定深度学习分类模型在每一输入分支上设置两层双向长短期记忆网络，将样本集输入到深度学习模型中进行训练，让深度学习模型学习每一条样本集训练二维特征向量的双向传递规律，使深度学习模型获得输入标签和输出标签的线性/非线性关系；
步骤305、将测试集输入到训练完成后的深度学习模型中，得到训练结果；具体的，测试集中每一条测试二维特征向量作为一条输入支路输入到训练后的深度学习分类模型中，经长短期记忆网络学习得到时序特征组合，将时序特征组合输入到全连接-Softmax进行分类，输出0，1或2三种结果，其中0代表正常状态，1代表线路故障，2表示换相失败。
步骤306、验证训练结果的正确率，对比训练结果与设置的故障状态是否一致，一致即为正确。当训练结果的正确率达到预设的阈值时，结束对深度学习分类模型的训练，获得预设的用于换相故障诊断的深度学习分类模型；当训练结果的正确率未达到预设的阈值时，重复步骤301直至训练结果的正确率达到预设的阈值。利用测试集对故障诊断结果进行测试，以对用于换相故障诊断的深度学习分类模型的精度进行进一步地的验证，保证了所得到的故障诊断结果的可靠性。
优选的，无论是在正常状态下还是故障状态下，提取五种故障状态和正常状态下的逆变侧直流电流信号的波形所对应截取的时间窗大小都要保持一致，故障状态下要截取的波形是包括故障前一段和故障后一段的，这整条波形只对应了一个输出，这个输出是三种结果其中之一，所以一种故障状态下截取一次波形，然而每一次重复的故障下出来的波形也会在细节上有些许区别，使深度学习模型进行大规模数据的训练，以提升深度学习分类模型的分类性能。
在多次训练深度学习分类模型时，每次提取训练波形所设置的故障状态所对应的故障点和故障等效电阻不同，得到的训练波形也会不同，实现对深度学习模型的大规模训练，进而提升深度学习分类模型的识别精度。
可选的，经测试，将训练二维特征向量的70％划分为样本集，剩下的30％为测试集，能够使深度学习模型的分类精度达到最佳状态。
例如，训练二维特征向量为1000组，其中700组划分为样本集，300组划分为测试集。利用700组的样本集对深度学习分类模型进行训练，训练结束后输入300组测试集，得到300个测试结果，对照已知的测试集故障结果与测试结果，当正确率大于等于99％时，停止对深度学习分类模型的训练，当正确率小于99％时，重复上述训练步骤，直至正确率大于等于99％为止。
可以理解的是，设置的故障状态不仅包括逆变侧交流系统单相接地故障、逆变侧交流系统两相短路故障、逆变侧交流系统两相接地故障、逆变侧交流系统三相接地故障和逆变侧交流系统直流输电线路故障这5种故障状态，可根据实际需要进行一种或多种其他形式的故障状态的设置。
同样的目的，请参阅图5，本申请还包括一种用于换相故障做诊断的深度学习分类模型的训练装置，包括：
数据采集单元501，用于采集训练用的训练波形；训练波形包括故障状态和正常状态下的逆变侧直流电流信号的波形；
数据分解单元502，用于对训练波形进行相模分解得到训练线模分量，对训练线模分量进行混合分解，得到训练二维特征向量；
数据分区单元503，用于将训练二维特征向量划分为测试集和样本集，给定样本集标签，标签包括输入标签和输出标签；
模型训练单元504，用于将样本集输入到深度学习模型中进行训练，深度学习分类模型在每一输入分支上设置两层双向长短期记忆网络，让其学习每一条样本集训练二维特征向量的双向传递规律，使深度学习模型获得输入标签和输出标签的线性/非线性关系；
数据分类单元505，用于将测试集输入到训练完成后的深度学习模型中，得到训练结果。
数据验证单元506，用于验证训练结果的正确率，当训练结果的正确率达到预设的阈值时，结束对深度学习分类模型的训练；当训练结果的正确率未达到预设的阈值时，数据采集单元重新获取训练波形重复对深度学习模型的训练，直至训练结果的正确率达到预设的阈值。
通过本实施例的用于换相故障做诊断的深度学习分类模型的训练装置，输入故障状态和正常状态下的逆变侧直流电流信号的波形，并通过混合分解法进行得到二维特征向量，利用二维特征向量对深度学习模型进行训练，得到用于故障诊断的深度学习分类模型。通过利用混合分解法，可将不同模态分解法实现优势互补，能够提升提取信号特征的能力和对信号规律性的理解，提高信号被正确分解的概率，降低模态混叠现象，提升深度学习分类模型的识别精度。
值得注意的是，以上仅对与本发明实施例相关的各单元进行了说明，但发明实施例不限于此，对于深度学习分类模型的训练装置的其他单元，还可以参考相关技术。
本发明实施例还提供一种电子设备，包括有如上述深度学习分类模型的训练装置。该电子设备例如可以是计算机、服务器、工作站、智能手机，等等；但本发明实施例不限于此。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种直流输电系统换相故障诊断方法，其特征在于，包括：
获取直流输电系统中待测直流电流；
对所述待测直流电流进行相模分解得到线模分量，对所述线模分量进行混合分解，得到二维特征向量；所述混合分解为利用多种模态分解法对所述线模分量进行分解；
将所述二维特征向量输入到预设的用于换相故障诊断的深度学习分类模型中，得到故障诊断结果。
2.如权利要求1所述的直流输电系统换相故障诊断方法，其特征在于：所述混合分解包括变模态分解法和奇异谱分解。
3.如权利要求2所述的直流输电系统换相故障诊断方法，其特征在于，对所述线模分量进行混合分解，得到二维特征向量，包括：
利用所述变模态分解法将所述线模分量分解为变模态分子量；
利用所述奇异谱分解将所述线模分量分解为奇异谱分子量；
利用所述变模态分子量和所述奇异谱分子量构成二维特征向量。
4.如权利要求3所述的直流输电系统换相故障诊断方法，其特征在于：所述利用所述变模态分子量和所述奇异谱分子量构成二维特征向量，之前还包括：
当所述变模态分子量的数量与所述奇异谱分子量的数量不同时，对所述变模态分子量和所述奇异谱分子量进行优化，使得优化后的变模态分子量的数量与优化后所述奇异谱分子量的数量相等；
则所述利用所述变模态分子量和所述奇异谱分子量构成二维特征向量，包括：
利用优化后的具有相同数量的变模态分子量和奇异谱分子量构成所述二维特征向量。
5.如权利要求3所述的直流输电系统换相故障诊断方法，其特征在于：所述利用所述变模态分子量和所述奇异谱分子量构成二维特征向量，之前还包括：
当所述变模态分子量与所述奇异谱分子量数量不同时，根据所述线模分量的样本熵值对所述变模态分子量和所述奇异谱分子量进行优化，使得优化后的变模态分子量的数量与优化后的所述奇异谱分子量的数量相等；
则所述利用所述变模态分子量和所述奇异谱分子量构成二维特征向量，包括：
利用优化后的具有相同数量的变模态分子量和奇异谱分子量构成所述二维特征向量。
6.如权利要求3所述的直流输电系统换相故障诊断方法，其特征在于：利用所述奇异谱分解将所述线模分量分解为奇异谱分子量，之后还包括：
将所述变模态分子量和所述奇异谱分子量进行归一化处理，得到归一化后的变模态分子量和归一化后的奇异谱分子量。
7.如权利要求1所述的直流输电系统换相故障诊断方法，其特征在于：将所述二维特征向量输入到预设的用于换相故障诊断的深度学习分类模型中，得到故障诊断结果，包括：
将所述二维特征向量输入到所述深度学习分类模型中的神经网络分类模型进行预测得到时序特征组合，将所述时序特征组合输入到所述深度学习分类模型中的全连接层进行分类获得结果特征值，根据所述结果特征值得到故障诊断结果。
8.一种直流输电系统换相故障诊断系统，其特征在于，所述诊断系统包括：
采集模块，用于获取直流输电系统中的待测直接电流；
分解模块，用于对所述待测直流电流进行相模分解得到线模分量，对所述线模分量进行混合分解，得到二维特征向量；
诊断模块，用于将所述二维特征向量输入到预设的深度学习分类模型中，得到故障诊断结果。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种直流输电系统换相故障诊断监控终端，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN202211505214.5A 2022-11-29 2022-11-29 直流输电系统换相故障诊断方法、系统、存储介质及终端 Pending CN115795296A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211505214.5A CN115795296A (zh) 2022-11-29 2022-11-29 直流输电系统换相故障诊断方法、系统、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211505214.5A CN115795296A (zh) 2022-11-29 2022-11-29 直流输电系统换相故障诊断方法、系统、存储介质及终端

Publications (1)

Publication Number Publication Date
CN115795296A true CN115795296A (zh) 2023-03-14

Family

ID=85442506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211505214.5A Pending CN115795296A (zh) 2022-11-29 2022-11-29 直流输电系统换相故障诊断方法、系统、存储介质及终端

Country Status (1)

Country Link
CN (1) CN115795296A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167237A (zh) * 2021-11-30 2022-03-11 西安交通大学 一种gis局部放电故障识别方法、系统、计算机设备、存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167237A (zh) * 2021-11-30 2022-03-11 西安交通大学 一种gis局部放电故障识别方法、系统、计算机设备、存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘浩等: "基于Elman神经网络的高压直流输电系统换相失败故障诊断", 《软件导刊》, vol. 19, no. 6, 30 June 2020 (2020-06-30), pages 5 *
毕贵红等: "双模式分解CNN-LSTM集成的短期风速预测模型", 《太阳能学报》, 5 August 2022 (2022-08-05), pages 0 *
赵洪山等: "基于奇异值分解和变分模态分解的轴承故障特征提取", 《振动与冲击》, no. 22, 28 November 2016 (2016-11-28) *

Similar Documents

Publication Publication Date Title
US11967823B2 (en) Method for monitoring short-term voltage stability of power system
CN112348071B (zh) 一种模块化多电平换流器子模块开关管开路故障诊断方法
Lin et al. Power quality detection with classification enhancible wavelet-probabilistic network in a power system
CN113358993B (zh) 一种多电平变换器igbt的在线故障诊断方法及系统
Gargoom et al. Investigation of effective automatic recognition systems of power-quality events
CN104713714B (zh) 一种基于网格多密度聚类的高压断路器动作特性分析方法
CN110516742A (zh) 一种基于组合神经网络模型的配电终端故障判别方法及系统
CN113791294B (zh) 一种边云协同的特高压直流输电系统换相失败溯源方法
CN112557950A (zh) 基于矩阵相似性的配电网谐振接地系统故障选线方法
CN110470937A (zh) 基于feemd样本熵+神经网络的高压直流输电系统线路故障和换相失败故障诊断方法
Alshumayri et al. Distribution grid fault diagnostic employing Hilbert-Huang transform and neural networks
Kesici et al. Wide area measurement based online monitoring and event detection using convolutional neural networks
CN115795296A (zh) 直流输电系统换相故障诊断方法、系统、存储介质及终端
CN105277852A (zh) 配电网线路工况分类识别方法
CN112446430A (zh) 一种直流输电系统故障识别方法
CN117591876A (zh) 一种断路器故障诊断方法、装置、设备及存储介质
Núñez et al. Feature analysis and classification methodology for overhead distribution fault events
Pramesti et al. Stator fault identification analysis in induction motor using multinomial logistic regression
Suja et al. Power signal disturbance classification using wavelet based neural network
Zhang et al. A new method of sensor fault diagnosis based on a wavelet packet neural network for Hybrid electric vehicles
Tripathy et al. Wavelet Transform-based Fault Detection and ELM-based Fault Classification for Transmission Lines
Fahim et al. An agreement based dynamic routing method for fault diagnosis in power network with enhanced noise immunity
CN115047262A (zh) 基于电能质量数据的设备异常状态通用识别方法
Thiyagarajan et al. Wavelet approach and support vector networks based power quality events recognition and categorisation
Yu et al. Research on Edge Diagnosis Method of UHVDC Commutation Failure Based on LSTM Neural Network

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