CN115796033A - 输电系统故障的诊断方法、装置、计算机设备及存储介质 - Google Patents
输电系统故障的诊断方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115796033A CN115796033A CN202211518919.0A CN202211518919A CN115796033A CN 115796033 A CN115796033 A CN 115796033A CN 202211518919 A CN202211518919 A CN 202211518919A CN 115796033 A CN115796033 A CN 115796033A
- Authority
- CN
- China
- Prior art keywords
- fault
- simulation
- transmission system
- target
- current
- 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
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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种输电系统故障的诊断方法、装置、计算机设备及存储介质,该方法包括:采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据;对每次仿真的仿真故障数据进行分解得到多个分量;根据同一组的多个分量构建故障特征向量;利用故障特征向量构建的样本集合对高压直流输电系统故障诊断模型进行训练;获取实际运行的高压直流输电系统发生故障时的目标故障数据;对目标故障数据进行分解得到目标分量;根据目标分量组成故障特征向量输入至已训练的高压直流输电系统故障诊断模型,得到实际运行的高压直流输电系统发生的故障的故障类型。本申请可准确判别高压直流输电系统直流线路故障和逆变侧交流系统故障。
Description
技术领域
本申请涉及电力系统故障诊断识别技术领域,尤其涉及一种输电系统故障的诊断方法、装置、计算机设备及存储介质。
背景技术
永富直流输电系统是我国近期建成的省内直流输电系统,由于其逆变侧电源为弱交流系统,若发生各类故障时不能准确对故障类型进行判断并采取相应措施,将会对输电系统造成重大危害和极大的不稳定性。
但是,逆变侧交流系统故障与直流输电线路故障的电气信号变化极其相似,仅通过故障后的电气信号的变化特征很难实现对故障类型的判断。
而且目前对高压直流输电系统的故障诊断识别,大多是人为根据经验从诸多故障电气量中提取出代表着不同故障类型的故障特征信息,对故障特征信息进行分析,得出故障类型。这种传统的故障类型识别方法,从理论分析和人为提取各电气量故障特征入手,实现过程难度大,故障识别率和准确率低。
发明内容
本申请的主要目的在于提供一种输电系统故障的诊断方法、装置、计算机设备及存储介质,可以解决现有技术中人为进行输电系统故障判断识别率和准确率低的技术问题。
为实现上述目的,本申请第一方面提供一种输电系统故障的诊断方法,该方法包括:
采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据,其中,仿真故障数据包括目标采样点的仿真故障电压数据,不同类型故障包括直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障;
利用目标分解算法对每次仿真得到的仿真故障数据进行分解,得到对应的多个分量;
根据同一组仿真故障数据所对应的多个不同分量,构建对应的故障特征向量,根据不同故障类型所对应的多组不同故障特征向量及对应的已知故障类型构建样本集合;
利用样本集合对预训练的高压直流输电系统故障诊断模型进行训练,得到已训练的高压直流输电系统故障诊断模型;
获取实际运行的高压直流输电系统发生故障时在目标检测位置采集到的目标故障数据;
利用目标分解算法对目标故障数据进行分解,得到对应的目标分量;
根据目标分量组成目标故障特征向量输入至已训练的高压直流输电系统故障诊断模型,得到实际运行的高压直流输电系统发生的故障的故障类型。
为实现上述目的,本申请第二方面提供一种高压直流输电系统故障的诊断装置,该装置包括:
第一数据获取模块,用于采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据,其中,仿真故障数据包括目标采样点的仿真故障电压数据,不同类型故障包括直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障;
分解模块,用于利用目标分解算法对每次仿真得到的仿真故障数据进行分解,得到对应的多个分量;
样本构建模块,用于根据同一组仿真故障数据所对应的多个不同分量,构建对应的故障特征向量,根据不同故障类型所对应的多组不同故障特征向量及对应的已知故障类型构建样本集合;
模型训练模块,用于利用样本集合对预训练的高压直流输电系统故障诊断模型进行训练,得到已训练的高压直流输电系统故障诊断模型;
第二数据获取模块,用于获取实际运行的高压直流输电系统发生故障时在目标检测位置采集到的目标故障数据;
分解模块,还用于利用目标分解算法对目标故障数据进行分解,得到对应的目标分量;
诊断模块,用于根据目标分量组成目标故障特征向量输入至已训练的高压直流输电系统故障诊断模型,得到实际运行的高压直流输电系统发生的故障的故障类型。
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,计算机程序被处理器执行时,使得处理器执行以下步骤:
采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据,其中,仿真故障数据包括目标采样点的仿真故障电压数据,不同类型故障包括直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障;
利用目标分解算法对每次仿真得到的仿真故障数据进行分解,得到对应的多个分量;
根据同一组仿真故障数据所对应的多个不同分量,构建对应的故障特征向量,根据不同故障类型所对应的多组不同故障特征向量及对应的已知故障类型构建样本集合;
利用样本集合对预训练的高压直流输电系统故障诊断模型进行训练,得到已训练的高压直流输电系统故障诊断模型;
获取实际运行的高压直流输电系统发生故障时在目标检测位置采集到的目标故障数据;
利用目标分解算法对目标故障数据进行分解,得到对应的目标分量;
根据目标分量组成目标故障特征向量输入至已训练的高压直流输电系统故障诊断模型,得到实际运行的高压直流输电系统发生的故障的故障类型。
为实现上述目的,本申请第四方面提供一种计算机设备,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,使得处理器执行以下步骤:
采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据,其中,仿真故障数据包括目标采样点的仿真故障电压数据,不同类型故障包括直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障;
利用目标分解算法对每次仿真得到的仿真故障数据进行分解,得到对应的多个分量;
根据同一组仿真故障数据所对应的多个不同分量,构建对应的故障特征向量,根据不同故障类型所对应的多组不同故障特征向量及对应的已知故障类型构建样本集合;
利用样本集合对预训练的高压直流输电系统故障诊断模型进行训练,得到已训练的高压直流输电系统故障诊断模型;
获取实际运行的高压直流输电系统发生故障时在目标检测位置采集到的目标故障数据;
利用目标分解算法对目标故障数据进行分解,得到对应的目标分量;
根据目标分量组成目标故障特征向量输入至已训练的高压直流输电系统故障诊断模型,得到实际运行的高压直流输电系统发生的故障的故障类型。
采用本申请实施例,具有如下有益效果:
本申请可以有效解决传统故障识别方法中存在的人工提取故障特征,人工进行故障判断导致故障判断不准确的技术问题,即可以高效准确地判别高压直流输电系统直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障等不同故障类型。减少人工参与,全自动化监测诊断输电系统故障,实现简单方便,且故障识别率高、出错率低。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为本申请一实施例中输电系统故障的诊断方法的流程图;
图2为本申请一实施例中高压直流输电系统仿真模型的示意图;
图3为本申请一实施例中在仿真中不同类型故障设置示意图;
图4为本申请一实施例中输电系统故障的诊断装置的结构框图;
图5为本申请实施例中计算机设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
如图1所示,在一个实施例中,提供了一种输电系统故障的诊断方法。本实施例以应用于计算机设备举例说明。该输电系统故障的诊断方法具体包括如下步骤:
步骤S100:采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据,其中,仿真故障数据包括目标采样点的仿真故障电压数据,不同类型故障包括直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障。
具体地,高压直流输电系统仿真模型是通过PSCAD/EMTDC平台搭建的永富弱受端高压直流输电系统仿真模型。其中,PSCAD(全称Power Systems Computer Aided Design)是世界上广泛使用的电磁暂态仿真软件,EMTDC(全称Electromagnetic Transientsincluding DC)是其仿真计算核心,PSCAD为EMTDC提供图形操作界面。
通过对高压直流输电系统仿真模型进行参数设置,可以使得高压直流输电系统仿真模型对不同工作状态的高压直流输电系统进行仿真,并得到仿真数据。例如,通过设置参数,在仿真中设置不同故障,使高压直流输电系统仿真模型对不同故障时的高压直流输电系统进行仿真,得到反映不同故障类型的电气实验数据即仿真故障数据。
实际输电系统发生故障时暂时无法诊断出具体的故障类型,因此通过仿真模型可以获取每种故障类型所对应的大量仿真故障数据,以用于高压直流输电系统故障诊断模型的训练,简单高效。
步骤S200:利用目标分解算法对每次仿真得到的仿真故障数据进行分解,得到对应的多个分量。
具体地,仿真故障数据是一种复杂的信号,其包含了较丰富的反映故障类型的信息,但是直接对仿真故障数进行分析比较困难,因此需要对其进行分解简化。
可以使用经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、完全集合经验模态分解方法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)、变分模态分解(Variational Mode Decomposition,VMD)、小波分解等其中的一种分解方法对仿真故障数据进行分解。
每次故障仿真得到的仿真故障数据都需要进行分解,因此,每组仿真故障数据对应多个不同分量。不同的故障类型的仿真故障数据分解所得到的分量的数量不一定相同、分量的类型也不一定相同。
步骤S300:根据同一组仿真故障数据所对应的多个分量,构建对应的故障特征向量,根据不同故障类型所对应的多组不同故障特征向量及对应的已知故障类型构建样本集合。
具体地,可以将同一组仿真故障数据所对应的多个不同分量作为故障特征构建故障特征向量;也可以根据同一组仿真故障数据所对应的多个不同分量计算得到其他结果值,将对应的多个结果值作为故障特征构建故障特征向量。
每种故障类型都会对应多次仿真,每次仿真都会产生仿真故障数据,每组仿真故障数据对应一个故障特征向量。因此,根据所有仿真故障数据所对应的故障特征向量以及仿真故障数据所对应的已知故障类型可以构建出样本集合。
样本集合可以按比例分为训练集和测试集。训练集用于对高压直流输电系统故障诊断模型进行训练,测试集用于对已训练的高压直流输电系统故障诊断模型进行模型功能测试。
步骤S400:利用样本集合对预训练的高压直流输电系统故障诊断模型进行训练,得到已训练的高压直流输电系统故障诊断模型。
具体地,样本集合包括多个训练样本,每个训练样本包括一组仿真故障数据所对应的故障特征向量,以及以其已知故障类型作为对应的标签。
输入一个训练样本至预训练的高压直流输电系统故障诊断模型,预训练的高压直流输电系统故障诊断模型根据该训练样本的故障特征向量对该训练样本的故障类型进行预测诊断,得到诊断的故障类型,根据诊断的故障类型和已知故障类型计算损失函数,根据损失函数计算模型梯度,根据模型梯度对预训练的高压直流输电系统故障诊断模型进行模型参数更新。再输入另一个训练样本至上一轮模型参数更新的预训练的高压直流输电系统故障诊断模型,重复上述步骤,直至高压直流输电系统故障诊断模型收敛。收敛条件为损失函数小于预设值,或者,训练次数达到预设次数。
步骤S500:获取实际运行的高压直流输电系统发生故障时在目标检测位置采集到的目标故障数据。
具体地,目标检测位置为实际运行的高压直流输电系统中与高压直流输电系统仿真模型中的目标采样点所对应的位置。在实际运行的高压直流输电系统的目标检测位置设置有采样装置,采样装置将采集的目标故障数据发送或传输给计算机设备。
训练高压直流输电系统故障诊断模型是为了对实际输电系统故障进行诊断,因此,模型训练完成后,需要以实际运行的高压直流输电系统发生故障时的目标故障数据作为已训练的高压直流输电系统故障诊断模型的输入。
步骤S600:利用目标分解算法对目标故障数据进行分解,得到对应的目标分量。
具体地,不论是仿真故障数据还是实际的目标故障数据都需要进行信号分解。
步骤S700:根据目标分量组成目标故障特征向量输入至已训练的高压直流输电系统故障诊断模型,得到实际运行的高压直流输电系统发生的故障的故障类型。
具体地,目标故障数据被分解后会得到多个目标分量,根据该多个目标分量构建目标故障特征向量作为已训练的高压直流输电系统故障诊断模型的输入,已训练的高压直流输电系统故障诊断模型根据目标故障特征向量对实际运行的高压直流输电系统发生的故障的故障类型进行分析诊断。
本实施例可以有效解决传统故障识别方法中存在的人工提取故障特征,人工进行故障判断导致故障判断不准确的技术问题,即可以高效准确地判别高压直流输电系统直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障等不同故障类型。减少人工参与,全自动化监测诊断输电系统故障,实现简单方便,且故障识别率高、出错率低。
在一个实施例中,步骤S100具体包括:
采集第一预设次数的仿真中、每次高压直流输电系统仿真模型在直流输电仿真线路上发生直流线路故障时目标采样点的仿真故障电压数据,得到每次直流线路故障所对应的仿真故障数据,其中,第一预设次数的仿真中不同轮次仿真中的故障距离和过度电阻的阻值中至少一个不同;
采集第二预设次数的仿真中、每次高压直流输电系统仿真模型在逆变侧交流仿真系统发生单相接地故障时目标采样点的仿真故障电压数据,得到每次逆变侧交流系统单相接地故障所对应的仿真故障数据,其中,第二预设次数的仿真中不同轮次仿真中的过度电阻的阻值不同;
采集第三预设次数的仿真中、每次高压直流输电系统仿真模型在逆变侧交流仿真系统发生两相短路接地故障时目标采样点的仿真故障电压数据,得到每次逆变侧交流系统两相短路接地故障所对应的仿真故障数据,其中,第三预设次数的仿真中不同轮次仿真中的过度电阻的阻值不同;
采集第四预设次数的仿真中、每次高压直流输电系统仿真模型在逆变侧交流仿真系统发生三相接地故障时目标采样点的仿真故障电压数据,得到每次逆变侧交流系统三相接地故障所对应的仿真故障故障信号,其中,第四预设次数的仿真中不同轮次仿真的过度电阻的阻值不同。
具体地,本申请可诊断的故障类型包括直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障。
每种故障类型对应多次仿真,第一预设次数、第二预设次数、第三预设次数、第四预设次数可以相等也可以不等,具体根据实际应用场景配置。
高压直流输电系统仿真模型包括依次连接的整流侧交流仿真系统、直流输电仿真线路和逆变侧交流仿真系统。对于直流线路故障,通过设置仿真参数以在高压直流输电系统仿真模型的直流输电仿真线路上设置直流线路故障。对于逆变侧交流系统,通过设置仿真参数以在高压直流输电系统仿真模型的逆变侧交流仿真系统上设置对应故障。
为了模拟高压直流输电系统发生各种不同类型的故障,会对高压直流输电系统仿真模型进行不同参数的设置,以实现仿真时出现对应的故障。另外,对于相同的故障类型的不同次仿真,可以在保证出现相同故障的同时,对故障距离或过度电阻进行不同设置,以反映同一种故障不同程度的故障效果。
因为过渡电阻的设置不能过大,仅靠改变过渡电阻阻值获取仿真数据组数少,不利于神经网络训练学习,想要获取更多组直流线路接地故障的仿真故障数据,还需改变故障距离,得到更多组故障数据。即,在直流输电线路上设置接地故障,通过改变故障距离、过渡电阻等参数来实现不同程度的直流线路故障。例如,故障距离可以在577km的直流输电线路以变化步长为50km来设置改变故障距离,过度电阻的取值范围为0.01~400Ω,变化步长为40Ω。
在逆变侧交流系统分别设置单相接地、两相短路接地和三相接地故障,均可以通过改变过渡电阻,来实现不同程度的对应故障。例如,过度电阻的取值范围为0.01~400Ω,变化步长为40Ω。
当然,上述故障距离和过度电阻的改变规则可以根据实际情况配置,本申请对此不作限制。
此外,第二预设次数的仿真中不同轮次仿真中的故障距离相同、过度电阻的阻值不同;第三预设次数的仿真中不同轮次仿真中的故障距离相同、过度电阻的阻值不同;第四预设次数的仿真中不同轮次仿真的故障距离相同、过度电阻的阻值不同。
或者,第二预设次数的仿真中不同轮次仿真中的故障距离和过度电阻的阻值至少一个不同;第三预设次数的仿真中不同轮次仿真中的故障距离和过度电阻的阻值至少一个不同;第四预设次数的仿真中不同轮次仿真的故障距离和过度电阻的阻值至少一个不同。
另外,每次仿真得到一组仿真故障数据,该仿真故障数据包括此次仿真过程中同一个目标采样点在多个不同时刻的仿真故障电压,这些时刻的仿真故障电压构成该目标采样点的仿真故障电压数据。不同时刻中相邻采样时刻可以根据采样频率来确定,采样次数也可以根据实际应用场景配置。
在一个实施例中,高压直流输电系统仿真模型包括依次连接的整流侧交流仿真系统、直流输电仿真线路和逆变侧交流仿真系统;
目标采样点位于直流输电仿真线路上。
具体地,图2为本申请一实施例中高压直流输电系统仿真模型的示意图;参考图2,整流侧交流仿真系统1包括:整流侧交流滤波器13、整流侧换流变压器11、整流侧换流阀12。整流侧交流滤波器13用于对整流侧进行滤波,整流侧换流变压器11用于对流入的初始交流电进行变压处理,整流侧换流阀12用于将变压处理后的交流电转转为直流电。
整流侧交流仿真系统1得到的直流电通过直流输电仿真线路输入至逆变侧交流仿真系统3。直流输电仿真线路包括正极直流输电线路21和负极直流输电线路22。
逆变侧交流仿真系统3包括:逆变侧交流滤波器33、逆变侧换流变压器31、逆变侧换流阀32。逆变侧换流阀32用于将直流输电仿真线路上传输过来的直流电转换为交流电,逆变侧换流变压器31用于对逆变侧换流阀32传输过来的交流电进行变压处理,得到目标交流电并输出,逆变侧交流滤波器33用于逆变侧进行滤波。
另外,高压直流输电系统仿真模型还包括直流滤波器23,用于对直流输电仿真线路上的直流电进行滤波。整流侧换流阀12和逆变侧换流阀32的一端均与直流输电线路地极连接。
目标采样点具体位于直流输电仿真线路的正极直流输电线路21的首端或末端,或,位于负极直流输电线路22的首端或末端。
在一个实施例中,目标分解算法为CEEMDAN分解算法。
具体地,CEEMDAN(Complete Ensemble Empirical Mode Decomposition withAdaptive Noise)的中文名称是自适应噪声完备集合经验模态分解,这个方法并不是在CEEMD方法上改进而来的,而是从EMD的基础上加以改进,同时借用了EEMD方法中加入高斯噪声和通过多次叠加并平均以抵消噪声的思想。
步骤S200具体包括:利用CEEMDAN分解算法对每次仿真得到的仿真故障电压信号数据进行分解,得到对应的多个分量。
步骤S600具体包括:利用CEEMDAN分解算法对目标故障数据进行分解,得到对应的目标分量。
完全集合经验模态分解方法(CEEMDAN)是在经验模态分解(EMD)和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)基础上改进的一种信号分解方法,CEEMDAN分解可以解决EMD分解方法中存在的模态混叠现象,同时克服了EEMD分解方法的不完整性以及依靠增大集成次数来降低重构误差而导致的计算效率低的缺陷,而且CEEMDAN分解方法通过在分解的每一阶段添加自适应的白噪声,计算唯一的余量信号获取各个模态分量,其分解过程是完整的。它是根据四种故障信号的复杂程度自适应地确定分解个数,直到残差项信号为单调函数为止。
CEEMDAN对某组仿真故障数据进行分解处理,得:
其中,imf1(t)为高频分量,imfj(t)为固有模态分量,j的取值为2,...,N;其中,N为同一个故障信号分解完成后得到的分量的个数,N为大于或等于2的正整数,R1(t)为残差项。高频分量和固有模态分量为该仿真故障数据所对应的分量。
使用了完全集合经验模态分解(CEEMDAN)方法处理故障信号,解决了一般分解方法的模态混叠现象。
在一个实施例中,不同的故障类型仿真时在高压直流输电系统仿真模型上设置的故障点的位置不同。
具体地,参考图2,在高压直流输电系统仿真模型的正极直流线路上的A处设置直流线路接地故障时,高压直流输电系统仿真模型其他部分保持正常仅有A处出现直流线路接地故障。
同理,如图2在逆变侧交流系统三相输电线路B处分别设置逆变侧交流系统单相接地故障、两相短路接地故障和三相接地故障。B处线路为单线图,逆变侧交流系统三相输电线路的单相接地、两相短路接地和三相接地故障在B处故障点的具体设置情况如图3所示,同样当设置其中一种故障时系统其他部分保持正常。其中,线路a、线路b、线路c为三相输电线路的A、B、C三相。
在一个实施例中,仿真高压直流输电系统仿真模型在直流输电仿真线路上发生直流线路故障时,在高压直流输电系统仿真模型设置的故障点位于直流输电仿真线路中的正极直流输电线路或负极直流输电线路上。
在一个实施例中,步骤S300中根据同一组仿真故障数据所对应的多个分量,构建对应的故障特征向量,包括:
计算各个分量所对应的样本熵值;
根据同一组仿真故障数据所对应的多个样本熵值,构建对应的故障特征向量;
或,
根据同一组仿真故障数据所对应的多个分量和样本熵值,构建对应的故障特征向量。
具体地,将获取的所有组仿真故障数据进行CEEMDAN分解处理,得到多个分量,并计算各分量的样本熵值,将同一组仿真故障数据所对应的多个样本熵值构造成故障特征向量,即,一个故障特征向量包括多个样本熵值。
或者,通过拼接的方式将分量与对应的样本熵值一起构建成该仿真故障数据对应的故障特征向量。分量和样本熵值均是反映故障特性的特征,二者组合成故障特征向量使得高压直流输电系统故障诊断模型可以学习到不同故障类型更丰富的特征,进而增强高压直流输电系统故障诊断模型诊断的精确度。
在一个实施例中,预训练的高压直流输电系统故障诊断模型是基于并行卷积神经网络和双向长短期记忆神经网络构建的。
具体地,高压直流输电系统故障诊断模型是基于深度学习的PCNN-BiLSTM结构,主要由并行卷积神经网络(PCNN)和双向长短期记忆神经网络(BiLSTM)构建。PCNN结构包括两个并行的卷积神经网络(CNN);输入的故障特征向量在PCNN结构中被进行了更深层次的特征提取,两个并行的不同CNN结构对故障特征的提取具有互补性,对信号特征信息的提取形式更多样,增加了可利用的信息维度,有助于提升模型的故障诊断性能;同时,高压直流输电系统故障诊断模型采用双向长短期记忆神经网络(BiLSTM),不仅能充分利用仿真故障数据的时序性特性,也能双向地考虑到故障数据的未来信息和历史信息,增加故障诊断模型的可利用信息,降低故障诊断误判率,提升故障诊断的准确性。
运用并行卷积神经网络(PCNN)可以提取更深层次更多样的故障信息,使用双向长短期记忆神经网络(BiLSTM)识别故障,扩大了可利用故障信息的维度。该方法有效解决传统故障识别方法中存在的人工提取故障信息和人工确定模型结构参数问题,能准确判别不同故障类型。
在一个具体实施例中,可以基于鹈鹕算法(Pelican Optimization Algorithm,POA)进行模型训练,以优化高压直流输电系统故障诊断模型的模型参数,求解出合适的PCNN卷积核大小和数目、池化层大小、BiLSTM神经元个数、学习率等参数,得到最优故障诊断模型。
诊断模型的优化采用了鹈鹕优化算法(POA),该算法减少了人工确定网络参数的过程,降低诊断结果的偶然性,提升模型的性能。
本申请通过PSCAD/EMTDC平台搭建永富弱受端高压直流输电系统仿真模型,在高压直流输电系统仿真模型中设置不同故障由此获取反映不同故障类型的电气实验数据即仿真故障数据;将获取的仿真故障数据进行CEEMDAN分解,得到不同分量,降低数据复杂度得到更多特征,并计算各分量的样本熵值将其构造为反映故障的故障特征向量;然后构建基于鹈鹕优化算法(POA)优化的PCNN-BiLSTM高压直流输电系统故障诊断模型,通过POA确定PCNN-BiLSTM高压直流输电系统故障诊断模型的网络参数,最后利用优化好的PCNN-BiLSTM高压直流输电系统故障诊断模型对实际运行的高压直流输电系统的故障类型进行诊断识别。
图4为本申请一实施例中输电系统故障的诊断装置的结构框图,该高压直流输电系统故障的诊断装置包括:
第一数据获取模块100,用于采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据,其中,仿真故障数据包括目标采样点的仿真故障电压数据,不同类型故障包括直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障;
分解模块200,用于利用目标分解算法对每次仿真得到的仿真故障数据进行分解,得到对应的多个分量;
样本构建模块300,用于根据同一组仿真故障数据所对应的多个不同分量,构建对应的故障特征向量,根据不同故障类型所对应的多组不同故障特征向量及对应的已知故障类型构建样本集合;
模型训练模块400,用于利用样本集合对预训练的高压直流输电系统故障诊断模型进行训练,得到已训练的高压直流输电系统故障诊断模型;
第二数据获取模块500,用于获取实际运行的高压直流输电系统发生故障时在目标检测位置采集到的目标故障数据,其中,目标检测位置为实际运行的高压直流输电系统中与高压直流输电系统仿真模型中的目标采样点所对应的位置;
分解模块200,还用于利用目标分解算法对目标故障数据进行分解,得到对应的目标分量;
诊断模块700,用于根据目标分量组成目标故障特征向量输入至已训练的高压直流输电系统故障诊断模型,得到实际运行的高压直流输电系统发生的故障的故障类型。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图5所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述方法实施例中的各个步骤。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述方法实施例中的各个步骤。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提出了一种计算机设备,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,使得处理器执行以下步骤:采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据,其中,仿真故障数据包括目标采样点的仿真故障电压数据,不同类型故障包括直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障;利用目标分解算法对每次仿真得到的仿真故障数据进行分解,得到对应的多个分量;根据同一组仿真故障数据所对应的多个不同分量,构建对应的故障特征向量,根据不同故障类型所对应的多组不同故障特征向量及对应的已知故障类型构建样本集合;利用样本集合对预训练的高压直流输电系统故障诊断模型进行训练,得到已训练的高压直流输电系统故障诊断模型;获取实际运行的高压直流输电系统发生故障时在目标检测位置采集到的目标故障数据;利用目标分解算法对目标故障数据进行分解,得到对应的目标分量;根据目标分量组成目标故障特征向量输入至已训练的高压直流输电系统故障诊断模型,得到实际运行的高压直流输电系统发生的故障的故障类型。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据,其中,仿真故障数据包括目标采样点的仿真故障电压数据,不同类型故障包括直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障;利用目标分解算法对每次仿真得到的仿真故障数据进行分解,得到对应的多个分量;根据同一组仿真故障数据所对应的多个不同分量,构建对应的故障特征向量,根据不同故障类型所对应的多组不同故障特征向量及对应的已知故障类型构建样本集合;利用样本集合对预训练的高压直流输电系统故障诊断模型进行训练,得到已训练的高压直流输电系统故障诊断模型;获取实际运行的高压直流输电系统发生故障时在目标检测位置采集到的目标故障数据;利用目标分解算法对目标故障数据进行分解,得到对应的目标分量;根据目标分量组成目标故障特征向量输入至已训练的高压直流输电系统故障诊断模型,得到实际运行的高压直流输电系统发生的故障的故障类型。
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,的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)
1.一种输电系统故障的诊断方法,其特征在于,所述方法包括:
采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据,其中,所述仿真故障数据包括目标采样点的仿真故障电压数据,所述不同类型故障包括直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障;
利用目标分解算法对每次仿真得到的所述仿真故障数据进行分解,得到对应的多个分量;
根据同一组仿真故障数据所对应的多个分量,构建对应的故障特征向量,根据不同故障类型所对应的多组不同故障特征向量及对应的已知故障类型构建样本集合;
利用所述样本集合对预训练的高压直流输电系统故障诊断模型进行训练,得到已训练的高压直流输电系统故障诊断模型;
获取实际运行的高压直流输电系统发生故障时在目标检测位置采集到的目标故障数据;
利用所述目标分解算法对所述目标故障数据进行分解,得到对应的目标分量;
根据所述目标分量组成目标故障特征向量输入至所述已训练的高压直流输电系统故障诊断模型,得到实际运行的高压直流输电系统发生的故障的故障类型。
2.根据权利要求1所述的方法,其特征在于,所述采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据,包括:
采集第一预设次数的仿真中、每次高压直流输电系统仿真模型在直流输电仿真线路上发生直流线路故障时目标采样点的仿真故障电压数据,得到每次直流线路故障所对应的仿真故障数据,其中,第一预设次数的仿真中不同轮次仿真中的故障距离和过度电阻的阻值中至少一个不同;
采集第二预设次数的仿真中、每次高压直流输电系统仿真模型在逆变侧交流仿真系统发生单相接地故障时目标采样点的仿真故障电压数据,得到每次逆变侧交流系统单相接地故障所对应的仿真故障数据,其中,第二预设次数的仿真中不同轮次仿真中的过度电阻的阻值不同;
采集第三预设次数的仿真中、每次高压直流输电系统仿真模型在逆变侧交流仿真系统发生两相短路接地故障时目标采样点的仿真故障电压数据,得到每次逆变侧交流系统两相短路接地故障所对应的仿真故障数据,其中,第三预设次数的仿真中不同轮次仿真中的过度电阻的阻值不同;
采集第四预设次数的仿真中、每次高压直流输电系统仿真模型在逆变侧交流仿真系统发生三相接地故障时目标采样点的仿真故障电压数据,得到每次逆变侧交流系统三相接地故障所对应的仿真故障故障信号,其中,第四预设次数的仿真中不同轮次仿真的过度电阻的阻值不同。
3.根据权利要求2所述的方法,其特征在于,所述仿真高压直流输电系统仿真模型包括依次连接的整流侧交流仿真系统、直流输电仿真线路和逆变侧交流仿真系统;
所述目标采样点位于所述直流输电仿真线路上。
4.根据权利要求2所述的方法,其特征在于,针对不同的故障类型进行仿真时在所述高压直流输电系统仿真模型上设置的障碍点的位置不同;
仿真所述高压直流输电系统仿真模型在直流输电仿真线路上发生直流线路故障时,在所述高压直流输电系统仿真模型设置的故障点位于直流输电仿真线路中的正极直流输电线路上或负极直流输电线路上。
5.根据权利要求1所述的方法,其特征在于,所述根据同一组仿真故障数据所对应的多个分量,构建对应的故障特征向量,包括:
计算各个分量所对应的样本熵值;
根据同一组仿真故障数据所对应的多个样本熵值,构建对应的故障特征向量;
或,
根据同一组仿真故障数据所对应的多个分量和样本熵值,构建对应的故障特征向量。
6.根据权利要求1所述的方法,其特征在于,所述预训练的高压直流输电系统故障诊断模型是基于并行卷积神经网络和双向长短期记忆神经网络构建的。
7.根据权利要求1所述的方法,其特征在于,所述目标分解算法为CEEMDAN分解算法。
8.一种高压直流输电系统故障的诊断装置,其特征在于,所述装置包括:
第一数据获取模块,用于采集高压直流输电系统仿真模型多次仿真中发生不同类型故障时的仿真故障数据,其中,所述仿真故障数据包括目标采样点的仿真故障电压数据,所述不同类型故障包括直流线路故障和逆变侧交流系统的单相接地故障、两相短路接地故障和三相接地故障;
分解模块,用于利用目标分解算法对每次仿真得到的所述仿真故障数据进行分解,得到对应的多个分量;
样本构建模块,用于根据同一组仿真故障数据所对应的多个分量,构建对应的故障特征向量,根据不同故障类型所对应的多组不同故障特征向量及对应的已知故障类型构建样本集合;
模型训练模块,用于利用所述样本集合对预训练的高压直流输电系统故障诊断模型进行训练,得到已训练的高压直流输电系统故障诊断模型;
第二数据获取模块,用于获取实际运行的高压直流输电系统发生故障时在目标检测位置采集到的目标故障数据;
所述分解模块,还用于利用所述目标分解算法对所述目标故障数据进行分解,得到对应的目标分量;
诊断模块,用于根据所述目标分量组成目标故障特征向量输入至所述已训练的高压直流输电系统故障诊断模型,得到实际运行的高压直流输电系统发生的故障的故障类型。
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。
10.一种计算机设备,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518919.0A CN115796033A (zh) | 2022-11-30 | 2022-11-30 | 输电系统故障的诊断方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518919.0A CN115796033A (zh) | 2022-11-30 | 2022-11-30 | 输电系统故障的诊断方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115796033A true CN115796033A (zh) | 2023-03-14 |
Family
ID=85443646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211518919.0A Pending CN115796033A (zh) | 2022-11-30 | 2022-11-30 | 输电系统故障的诊断方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796033A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342952A (zh) * | 2023-03-29 | 2023-06-27 | 北京西清能源科技有限公司 | 一种变压器套管异常识别方法与系统 |
CN116861793A (zh) * | 2023-07-14 | 2023-10-10 | 哈尔滨理工大学 | 一种鹈鹕算法优化长短期记忆网络主轴热误差建模方法 |
-
2022
- 2022-11-30 CN CN202211518919.0A patent/CN115796033A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342952A (zh) * | 2023-03-29 | 2023-06-27 | 北京西清能源科技有限公司 | 一种变压器套管异常识别方法与系统 |
CN116342952B (zh) * | 2023-03-29 | 2024-01-23 | 北京西清能源科技有限公司 | 一种变压器套管异常识别方法与系统 |
CN116861793A (zh) * | 2023-07-14 | 2023-10-10 | 哈尔滨理工大学 | 一种鹈鹕算法优化长短期记忆网络主轴热误差建模方法 |
CN116861793B (zh) * | 2023-07-14 | 2024-01-26 | 哈尔滨理工大学 | 一种鹈鹕算法优化长短期记忆网络主轴热误差建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115796033A (zh) | 输电系统故障的诊断方法、装置、计算机设备及存储介质 | |
CN108279364B (zh) | 基于卷积神经网络的配电网单相接地故障选线方法 | |
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 | |
CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN112710969A (zh) | 一种单相半桥五电平逆变器开关管开路故障诊断方法 | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及系统 | |
CN112508429A (zh) | 一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法 | |
CN114966312A (zh) | 基于迁移卷积神经网络的配电网故障检测定位方法和系统 | |
CN112200694A (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN114239703A (zh) | 主动配电系统故障诊断方法、系统、设备及存储介质 | |
CN113506186B (zh) | 电力系统受扰轨迹筛选方法、装置、电子设备和存储介质 | |
CN113552443A (zh) | 基于交直流脉冲和随机森林的混连高压线路故障识别方法 | |
Wang et al. | Transmission line fault diagnosis based on wavelet packet analysis and convolutional neural network | |
CN116882838A (zh) | 一种基于Stacking集成策略的短期电压稳定性评估方法 | |
CN115795360A (zh) | 基于人工神经网络的电缆故障检测方法 | |
Bohórquez et al. | One-ended fault location method based on machine learning models | |
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 | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN111935762B (zh) | 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统 | |
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 | |
CN114252725A (zh) | 基于HHT和ResNet18的单相接地故障类型综合辨识方法 | |
CN114117916A (zh) | 一种基于bp神经网络的配电网故障参数辨识方法 | |
Ye et al. | A Deduction Method of Segmented Switching Power Data Based on BP 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 |