CN116109017B - 一种短路电流零点快速精准预测方法及系统 - Google Patents

一种短路电流零点快速精准预测方法及系统 Download PDF

Info

Publication number
CN116109017B
CN116109017B CN202310382807.5A CN202310382807A CN116109017B CN 116109017 B CN116109017 B CN 116109017B CN 202310382807 A CN202310382807 A CN 202310382807A CN 116109017 B CN116109017 B CN 116109017B
Authority
CN
China
Prior art keywords
prediction
zero point
current
short
fault
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
Application number
CN202310382807.5A
Other languages
English (en)
Other versions
CN116109017A (zh
Inventor
黄吕超
方金国
张航
项彬
杨黄屯
李龙启
姚晓飞
刘志远
胡源源
崔明涛
邢玉龙
王永贵
李云鹏
刘超
王振东
邓思洋
潘轲
韩学禹
陈楷铭
高远
梅昕苏
刘冕
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.)
State Grid Information and Telecommunication Co Ltd
Xian Jiaotong University
Original Assignee
State Grid Information and Telecommunication Co Ltd
Xian 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 State Grid Information and Telecommunication Co Ltd, Xian Jiaotong University filed Critical State Grid Information and Telecommunication Co Ltd
Priority to CN202310382807.5A priority Critical patent/CN116109017B/zh
Publication of CN116109017A publication Critical patent/CN116109017A/zh
Application granted granted Critical
Publication of CN116109017B publication Critical patent/CN116109017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/175—Indicating the instants of passage of current or voltage through a given value, e.g. passage through zero
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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

Abstract

本发明提供一种短路电流零点快速精准预测方法及系统，属于故障电流选相控制开断领域，根据电力系统参数获取短路电路样本数据，训练得到LSTM电流零点预测模型以及不同故障起始相角下对应的预测误差校正系数。当发生短路故障时，根据采样数据对故障起始相角及电流零点进行识别，根据识别出的故障起始相角得到对应的预测误差校正系数并对预测零点进行校正，最终得到电流预测零点。本发明根据不同故障起始相角对LSTM电流预测零点进行校正，提高了零点预测的精度；同时，通过与RLS精确计算结果对比分析，实时更新预测误差校准系数，对系统参数变化引起的短路电流零点预测误差变化进行补偿，提高短路电流零点预测精度。

Description

一种短路电流零点快速精准预测方法及系统
技术领域
本发明属于故障电流选相控制开断领域，具体涉及一种短路电流零点快速精准预测方法及系统。
背景技术
基于快速真空开关的短路电流相控开断技术可以有效缩短电力系统故障切除时间，提升开关设备开断可靠性，增强系统运行的暂态稳定性，降低故障电流对电力设备的动、热稳定冲击。相控开断技术需对短路电流过零点进行快速、准确预测，并以预测零点为基础考虑断路器动作时间，提前发出分闸控制信号，从而实现在特定相角的选相开断，保证最佳燃弧时间。因此，对电路电流过零点进行快速准确预测是实现选相控制开断的关键。
近年来基于人工神经网络的机器学习算法在信号处理、分析控制等领域的应用越来越多，同时神经网络算法在电流预测方面的应用也初见雏形。由于电力系统中短路故障发生在不同相角时，短路电流的直流分量会随着故障起始相角变化而改变。而当短路电流的直流分量含量不同时，LSTM网络对电流零点预测精度也会随之变化。因此，LSTM电流零点预测误差会随着故障起始相角变化而发生改变，影响了选相控制电流零点预测精度。同时，随着电力系统的不断发展，系统拓扑在不断变化，系统参数也在不断变化，影响了短路电流的特征参数，使得短路电流波形发生改变，从而影响了LSTM网络电流零点预测精度。
发明内容
本发明提供一种短路电流零点快速精准预测方法，预测方法可以根据不同故障起始相角对LSTM电流预测零点进行校正，提高了零点预测的精度。同时，通过云端计算实时更新预测误差校准系数，对系统参数变化引起的短路电流零点预测误差变化进行补偿，提高短路电流零点预测精度。
方法包括以下步骤：
步骤1：根据系统参数建立短路电流预测模型，由短路电流预测模型获取得到短路电流波形样本，并将短路电流波形样本划分为模型训练数据集和误差校准数据集。根据模型训练集数据训练得到LSTM电流预测模型。根据误差校准数据集数据得到LSTM电流预测模型在不同故障起始相角下对应的零点预测误差。由此得到不同故障起始相角下对应的预测误差校准系数。
步骤2：对系统的实时电流数据进行采样并判断故障是否发生，若系统发生故障，则对故障起始相角进行识别，并将采样数据通过LSTM电流预测模型进行零点预测。
步骤3：基于所述故障起始相角及零点预测结果，得到故障相角下零点预测误差校准系数，并使用零点预测误差校准系数对LSTM电流预测模型预测的零点进行校准优化，得到最终过零点预测结果。
步骤4：采集短路电流波形数据，并基于RLS算法计算得到电流精确零点，再将所述最终过零点预测结果与电流精确零点进行对比分析。若误差超过设定阈值，则更新误差校正系数，利用更新后的误差校正系数参与后续零点预测。
进一步需要说明的是，所述步骤1还包括：
步骤1.1：根据系统参数建立短路电流预测模型，得到不同故障起始相角下的短路故障样本数据，并划分模型训练数据集和误差校准数据集。
步骤1.2：将模型训练数据集的样本数据输入LSTM网络进行训练，得到LSTM短路电流零点预测模型。
步骤1.3：利用误差校准数据集的样本数据对LSTM电流零点预测模型在不同故障起始相位角下对应的预测误差进行统计，得到不同故障相角下对应的预测误差校准系数。
步骤1.4：解析不同故障相角对应的预测误差校准系数。
进一步需要说明的是，所述步骤2还包括：
步骤2.1：对系统中的电流进行实时采样，根据实时采样波形数据进行短路故障判断。
步骤2.2：若判断系统未发生短路故障，则继续进行采样操作，返回步骤2.1。
若判断系统发生故障，则对故障起始相角进行识别，并执行零点预测步骤2.3。
步骤2.3：对系统电流采样数据进行预处理，之后输入到LSTM电流零点预测模型进行零点预测，得到电流预测零点。
进一步需要说明的是，所述步骤3还包括：
步骤3.1：调取步骤1.4中的所述预测误差校准系数。
步骤3.2：获得步骤2.2中所述故障起始相角及步骤2.3中所述电流预测零点。
步骤3.3：根据所述预测误差校准系数及所述故障起始相角，对所述电流预测零点进行误差校准优化，得到最终的电流零点预测结果。
进一步需要说明的是，所述步骤4还包括：
步骤4.1：获得采集的故障波形数据，并基于RLS算法计算得到故障波形零点。
步骤4.2：调取最终的电流零点预测结果，并与RLS算法计算结果比较分析，得到预测结果误差值。
步骤4.3：若预测结果误差超过设定阈值，则对误差校正系数进行修正，更新步骤1.4所述预测误差校准系数及其参与的后续运算参数。
进一步需要说明的是，步骤1.1中的所述系统参数包括系统的额定电压、额定电流、短路电流、时间常数。
进一步需要说明的是，所述步骤2.3中对系统电流采样数据进行预处理方式包括滤波、降噪和归一化处理。
本发明还提供一种短路电流零点快速精准预测系统，系统包括：本地子系统和云端子系统。
本地子系统用于对电路电流波形数据进行采集，对采集得到的电流波形数据进行故障判断与短路故障起始相角识别，若判断未发生故障，则继续进行数据采集。
若判断发生故障，则对故障电流进行基于LSTM电流预测模型的零点预测，并对零点预测结果进行校正，发出分闸控制信号，之后将本地采集的故障电流波形数据及预测校正结果发送至云端子系统。
同时，本地子系统还判断云端校正系数是否有更新，若校正系数未更新，则继续进行判断操作。若校正系数有更新，则从云端下载更新预测误差校正系数。
云端子系统用于对电路的故障波形采样数据及本地预测校正结果进行获取，基于RLS算法计算电流零点准确结果。将本地LSTM预测校正结果与云端RLS计算结果进行对比分析，若判断误差超过设定阈值，则更新不同故障起始相角对应的误差校正系数，并与本地部分进行通信，下发更新后的误差校正系数。
进一步需要说明的是，本地子系统包括数据采集模块，故障判断模块，零点预测与校正模块。
云端子系统包括数据获取模块，预测误差校正系数计算更新模块。
进一步需要说明的是，所述本地子系统和云端子系统均设置有通信模块，所述通信模块用于将本地子系统采集的波形数据及本地子系统预测的电流零点上传给云端子系统，并能将云端子系统计算更新后的预测误差校正系数下发给本地子系统。
从以上技术方案可以看出，本发明具有以下优点：
本发明提供的短路电流零点快速精准预测方法及系统基于长短期记忆网络，并通过大量样本数据离线训练，得到电流零点预测模型，当投入在线运行时，耗费运算资源小，能够在较短时间内得到预测电流零点，实现故障电流零点预测的快速性。根据不同故障起始相角对LSTM电流预测零点进行校正，提高了零点预测的精度，实现了故障电流零点预测的准确性。同时，本发明通过云端RLS计算实时更新本地预测误差校准系数，对系统参数变化引起的短路电流零点预测误差变化进行补偿，提高了故障电流零点预测的适应性，提高了短路电流零点预测精度。
附图说明
为了更清楚地说明本发明的技术方案，下面将对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发明的一些实施例，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。
图1为短路电流零点快速精准预测方法流程图。
图2为短路电流零点快速精准预测方法实施例流程图。
图3为短路电流零点快速精准预测系统实施例示意图。
具体实施方式
本发明提供短路电流零点快速精准预测方法通过建立短路电流预测模型，LSTM电流预测模型以及RLS算法等技术，通过采集短路电流波形数据，并得到电流精确零点与电流预测零点进行对比分析，得出误差状态，进而得到最终电流预测零点，来解决电力系统拓扑变化及参数变化，影响短路电流的特征参数，使得短路电流波形改变导致影响LSTM网络电流零点预测精度的问题。
如图1示出了本发明的短路电流零点快速精准预测方法的较佳实施例的流程图。短路电流零点快速精准预测方法应用于本地子系统和云端子系统中，本地子系统和云端子系统均是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
本地子系统可以包括任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant， PDA)、交互式网络电视(Internet Protocol Television，IPTV)等。
本地子系统和云端子系统所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
示例性的讲，所述本地子系统和云端子系统均设置有通信模块，所述通信模块用于将本地子系统采集的波形数据及本地子系统预测的电流零点上传给云端子系统，并能将云端子系统计算更新后的预测误差校正系数下发给本地子系统。
下面将结合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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1至2所示是一具体实施例中短路电流零点快速精准预测方法的流程图及示例图，方法包括：
S1：根据系统参数建立短路电流预测模型，由短路电流预测模型获取得到短路电流波形样本，并将短路电流波形样本划分为模型训练数据集和误差校准数据集。
这里的系统参数包括但不限于系统的额定电压、额定电流、短路电流、时间常数。
根据模型训练集数据训练得到LSTM电流预测模型。根据误差校准数据集数据得到LSTM电流预测模型在不同故障起始相角下对应的零点预测误差。由此得到不同故障起始相角下对应的预测误差校准系数。
具体来讲，步骤1还涉及如下步骤：
步骤1.1：根据系统参数建立短路电流预测模型，得到不同故障起始相角下的短路故障样本数据，并划分模型训练数据集和误差校准数据集。
步骤1.2：将模型训练数据集的样本数据输入LSTM网络进行训练，得到LSTM短路电流零点预测模型。
其中，LSTM网络是长短期记忆网络（LSTM，Long Short-Term Memory），LSTM网络具有时间循环神经网络，通过大量样本数据离线训练，当提取到模型训练数据集的样本数据后，数据误差也随着倒回计算，从输出端影响回输入端的每一个端口，直到这个数据被过滤掉。因此正常的倒传递类神经是一个有效训练模型训练数据集的样本数据长时间数值，满足模型训练要求。
步骤1.3：利用误差校准数据集的样本数据对LSTM电流零点预测模型在不同故障起始相位角下对应的预测误差进行统计，得到不同故障相角下对应的预测误差校准系数。
步骤1.4：解析不同故障相角对应的预测误差校准系数。
S2：对系统的实时电流数据进行采样并判断故障是否发生，若系统发生故障，则对故障起始相角进行识别，并将采样数据通过LSTM电流预测模型进行零点预测。
在一个示例性实施例中，步骤2.1：对系统中的电流进行实时采样，根据实时采样波形数据进行短路故障判断。
步骤2.2：若判断系统未发生短路故障，则继续进行采样操作，返回步骤2.1。
若判断系统发生故障，则对故障起始相角进行识别，并执行零点预测步骤2.3。
步骤2.3：对系统电流采样数据进行预处理，之后输入到LSTM电流零点预测模型进行零点预测，得到电流预测零点。
其中，对系统电流采样数据进行预处理方式包括滤波、降噪和归一化处理，使系统电流采样数据满足短路电流零点快速精准预测要求，提升预测精度。
S3：基于所述故障起始相角及零点预测结果，得到故障相角下零点预测误差校准系数，并使用零点预测误差校准系数对LSTM电流预测模型预测的零点进行校准优化，得到最终过零点预测结果。
作为本发明的步骤3中，还涉及如下步骤：
步骤3.1：调取步骤1.4中的所述预测误差校准系数。
步骤3.2：获得步骤2.2中所述故障起始相角及步骤2.3中所述电流预测零点。
步骤3.3：根据所述预测误差校准系数及所述故障起始相角，对所述电流预测零点进行误差校准优化，得到最终的电流零点预测结果。
S4：采集短路电流波形数据，并基于RLS算法计算得到电流精确零点，再将所述最终过零点预测结果与电流精确零点进行对比分析。
若误差超过设定阈值，则更新误差校正系数，利用更新后的误差校正系数参与后续零点预测。
基于上述方法，根据采样的故障电流波形识别出故障起始相角，并根据对应的预测误差校准系数对零点预测结果进行校准，从而得到更加准确的预测电流零点。同时，根据电路中采样的故障波形数据，利用RLS计算精确结果与LSTM预测结果进行对比，实时更新误差校正系数参与后续计算，提高了故障电流零点预测精度。
在本发明的一种实施例中，基于步骤S4，以下将给出一种可能的实施例对其具体的实施方案进行非限制性阐述。
步骤4.1：获得采集的故障波形数据，并基于RLS算法计算得到故障波形零点。
步骤4.2：调取最终的电流零点预测结果，并与RLS算法计算结果比较分析，得到预测结果误差值。
步骤4.3：若预测结果误差超过设定阈值，则对误差校正系数进行修正，更新步骤1.4所述预测误差校准系数及其参与的后续运算参数。
这样，本发明长短期记忆网络通过大量样本数据离线训练，得到电流零点预测模型，当投入在线运行时，耗费运算资源小，能够在较短时间内得到预测电流零点，实现故障电流零点预测的快速性。而且本发明利用RLS计算精确结果与LSTM预测结果进行对比，实时更新误差校正系数参与后续计算，并根据不同故障起始相角对LSTM电流预测零点进行校正，提高了零点预测的精度，实现了故障电流零点预测的准确性。
以下是本公开实施例提供的短路电流零点快速精准预测系统的实施例，该系统与上述各实施例的短路电流零点快速精准预测方法属于同一个发明构思，在短路电流零点快速精准预测系统的实施例中未详尽描述的细节内容，可以参考上述短路电流零点快速精准预测方法的实施例。
如图3所示，系统包括：本地子系统和云端子系统。
本地子系统包括数据采集模块，故障判断模块，零点预测与校正模块。云端子系统包括数据获取模块，预测误差校正系数计算更新模块。
本地子系统用于对电路电流波形数据进行采集，对采集得到的电流波形数据进行故障判断与短路故障起始相角识别，若判断未发生故障，则继续进行数据采集。
若判断发生故障，则对故障电流进行基于LSTM电流预测模型的零点预测，并对零点预测结果进行校正，发出分闸控制信号，之后将本地采集的故障电流波形数据及预测校正结果发送至云端子系统。
同时，本地子系统还判断云端校正系数是否有更新，若校正系数未更新，则继续进行判断操作。若校正系数有更新，则从云端下载更新预测误差校正系数。
云端子系统用于对电路的故障波形采样数据及本地预测校正结果进行获取，基于RLS算法计算电流零点准确结果。将本地LSTM预测校正结果与云端RLS计算结果进行对比分析，若判断误差超过设定阈值，则更新不同故障起始相角对应的误差校正系数，并与本地部分进行通信，下发更新后的误差校正系数。
这样，短路电流零点快速精准预测系统通过本地与云端互相结合的方式，在本地子系统执行数据采集、故障识别、零点预测及结果校正功能，运算耗费资源小、运算速度快。在云端执行数据获取、更新预测误差校正系数的功能，预测误差校正系数可以根据系统参数变化进行调整，对系统参数变化引起的短路电流零点预测误差变化进行补偿，提高短路电流零点预测精度。
本发明提供的短路电流零点快速精准预测方法及系统中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的短路电流零点快速精准预测方法及系统中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
在本发明的实施例中，可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电力服务器上执行。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种短路电流零点快速精准预测方法，其特征在于，方法包括以下步骤：
步骤1：根据系统参数建立短路电流预测模型，由短路电流预测模型获取得到短路电流波形样本，并将短路电流波形样本划分为模型训练数据集和误差校准数据集；根据模型训练集数据训练得到LSTM电流预测模型；根据误差校准数据集数据得到LSTM电流预测模型在不同故障起始相角下对应的零点预测误差；由此得到不同故障起始相角下对应的预测误差校准系数；
步骤2：对系统的实时电流数据进行采样并判断故障是否发生，若系统发生故障，则对故障起始相角进行识别，并将采样数据通过LSTM电流预测模型进行零点预测；
步骤3：基于所述故障起始相角及零点预测结果，得到故障相角下零点预测误差校准系数，并使用零点预测误差校准系数对LSTM电流预测模型预测的零点进行校准优化，得到最终过零点预测结果；
步骤4：采集短路电流波形数据，并基于RLS算法计算得到电流精确零点，再将所述最终过零点预测结果与电流精确零点进行对比分析；若误差超过设定阈值，则更新误差校正系数，利用更新后的误差校正系数参与后续零点预测。
2.根据权利要求1所述的短路电流零点快速精准预测方法，其特征在于，
所述步骤1还包括：
步骤1.1：根据系统参数建立短路电流预测模型，得到不同故障起始相角下的短路故障样本数据，并划分模型训练数据集和误差校准数据集；
步骤1.2：将模型训练数据集的样本数据输入LSTM网络进行训练，得到LSTM短路电流零点预测模型；
步骤1.3：利用误差校准数据集的样本数据对LSTM电流零点预测模型在不同故障起始相位角下对应的预测误差进行统计，得到不同故障相角下对应的预测误差校准系数；
步骤1.4：解析不同故障相角对应的预测误差校准系数。
3.根据权利要求2所述的短路电流零点快速精准预测方法，其特征在于，所述步骤2还包括：
步骤2.1：对系统中的电流进行实时采样，根据实时采样波形数据进行短路故障判断；
步骤2.2：若判断系统未发生短路故障，则继续进行采样操作，返回步骤2.1；
若判断系统发生故障，则对故障起始相角进行识别，并执行零点预测步骤2.3；
步骤2.3：对系统电流采样数据进行预处理，之后输入到LSTM电流零点预测模型进行零点预测，得到电流预测零点。
4.根据权利要求3所述的短路电流零点快速精准预测方法，其特征在于，所述步骤3还包括：
步骤3.1：调取步骤1.4中的所述预测误差校准系数；
步骤3.2：获得步骤2.2中所述故障起始相角及步骤2.3中所述电流预测零点；
步骤3.3：根据所述预测误差校准系数及所述故障起始相角，对所述电流预测零点进行误差校准优化，得到最终的电流零点预测结果。
5.根据权利要求4所述的短路电流零点快速精准预测方法，其特征在于，所述步骤4还包括：
步骤4.1：获得采集的故障波形数据，并基于RLS算法计算得到故障波形零点；
步骤4.2：调取最终的电流零点预测结果，并与RLS算法计算结果比较分析，得到预测结果误差值；
步骤4.3：若预测结果误差超过设定阈值，则对误差校正系数进行修正，更新步骤1.4所述预测误差校准系数及其参与的后续运算参数。
6.根据权利要求1所述的短路电流零点快速精准预测方法，其特征在于，
步骤1.1中的所述系统参数包括系统的额定电压、额定电流、短路电流、时间常数。
7.根据权利要求3所述的短路电流零点快速精准预测方法，其特征在于，所述步骤2.3中对系统电流采样数据进行预处理方式包括滤波、降噪和归一化处理。
8.一种短路电流零点快速精准预测系统，其特征在于，系统采用如权利要求1至7任意一项所述的短路电流零点快速精准预测方法；系统包括：本地子系统和云端子系统；
本地子系统用于对电路电流波形数据进行采集，对采集得到的电流波形数据进行故障判断与短路故障起始相角识别，若判断未发生故障，则继续进行数据采集；
若判断发生故障，则对故障电流进行基于LSTM电流预测模型的零点预测，并对零点预测结果进行校正，发出分闸控制信号，之后将本地采集的故障电流波形数据及预测校正结果发送至云端子系统；
同时，本地子系统还判断云端校正系数是否有更新，若校正系数未更新，则继续进行判断操作；若校正系数有更新，则从云端下载更新预测误差校正系数；
云端子系统用于对电路的故障波形采样数据及本地预测校正结果进行获取，基于RLS算法计算电流零点准确结果；将本地LSTM预测校正结果与云端RLS计算结果进行对比分析，若判断误差超过设定阈值，则更新不同故障起始相角对应的误差校正系数，并与本地部分进行通信，下发更新后的误差校正系数。
9.根据权利要求8所述的短路电流零点快速精准预测系统，其特征在于，
本地子系统包括数据采集模块，故障判断模块，零点预测与校正模块；
云端子系统包括数据获取模块，预测误差校正系数计算更新模块。
10.根据权利要求8所述的短路电流零点快速精准预测系统，其特征在于，所述本地子系统和云端子系统均设置有通信模块，所述通信模块用于将本地子系统采集的波形数据及本地子系统预测的电流零点上传给云端子系统，并能将云端子系统计算更新后的预测误差校正系数下发给本地子系统。
CN202310382807.5A 2023-04-12 2023-04-12 一种短路电流零点快速精准预测方法及系统 Active CN116109017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310382807.5A CN116109017B (zh) 2023-04-12 2023-04-12 一种短路电流零点快速精准预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310382807.5A CN116109017B (zh) 2023-04-12 2023-04-12 一种短路电流零点快速精准预测方法及系统

Publications (2)

Publication Number Publication Date
CN116109017A CN116109017A (zh) 2023-05-12
CN116109017B true CN116109017B (zh) 2023-06-09

Family

ID=86258245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310382807.5A Active CN116109017B (zh) 2023-04-12 2023-04-12 一种短路电流零点快速精准预测方法及系统

Country Status (1)

Country Link
CN (1) CN116109017B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116799741B (zh) * 2023-05-24 2024-03-26 华斗数字科技(上海)有限公司 一种基于斜率检测的精密设备短路监测保护方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605904A (zh) * 2013-12-03 2014-02-26 国电南京自动化股份有限公司 基于误差估算的自补偿电力系统幅值算法
CN107330160A (zh) * 2017-06-09 2017-11-07 华中科技大学 一种短路电流零点预测方法和系统
WO2019175707A1 (ja) * 2018-03-16 2019-09-19 株式会社半導体エネルギー研究所 二次電池の充電状態推定装置、二次電池の異常検出装置、二次電池の異常検出方法、及び二次電池の管理システム
CN110829417A (zh) * 2019-11-14 2020-02-21 电子科技大学 基于lstm双结构模型的电力系统暂态稳定预测方法
CN113253048A (zh) * 2021-04-27 2021-08-13 南京南瑞继保电气有限公司 一种短路故障检测方法及装置
CN115114848A (zh) * 2022-06-13 2022-09-27 成都星云智联科技有限公司 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统
WO2023045008A1 (zh) * 2021-09-25 2023-03-30 湖北创全电气有限公司 基于小波分解的智能自适应电弧检测方法及其应用装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605904A (zh) * 2013-12-03 2014-02-26 国电南京自动化股份有限公司 基于误差估算的自补偿电力系统幅值算法
CN107330160A (zh) * 2017-06-09 2017-11-07 华中科技大学 一种短路电流零点预测方法和系统
WO2019175707A1 (ja) * 2018-03-16 2019-09-19 株式会社半導体エネルギー研究所 二次電池の充電状態推定装置、二次電池の異常検出装置、二次電池の異常検出方法、及び二次電池の管理システム
CN110829417A (zh) * 2019-11-14 2020-02-21 电子科技大学 基于lstm双结构模型的电力系统暂态稳定预测方法
CN113253048A (zh) * 2021-04-27 2021-08-13 南京南瑞继保电气有限公司 一种短路故障检测方法及装置
WO2023045008A1 (zh) * 2021-09-25 2023-03-30 湖北创全电气有限公司 基于小波分解的智能自适应电弧检测方法及其应用装置
CN115114848A (zh) * 2022-06-13 2022-09-27 成都星云智联科技有限公司 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于长短期记忆网络的短路电流过零点预测方法;黄吕超 等;高电压技术;全文 *

Also Published As

Publication number Publication date
CN116109017A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN116109017B (zh) 一种短路电流零点快速精准预测方法及系统
CN111753968B (zh) 非侵入式负荷监测智能电表和电量分解方法
WO2023216553A1 (zh) 一种配电网多重故障诊断方法及系统
CN109753762A (zh) 基于类别修正的配电网两阶段网络拓扑识别方法及装置
CN113033722B (zh) 传感器数据融合方法、装置、存储介质及计算设备
CN114661407B (zh) 一种界面配置的方法、bms和存储介质
CN111147323A (zh) 测速方法及装置
CN112994980A (zh) 时延测试方法、装置、电子设备和存储介质
CN115389812B (zh) 一种人工神经网络短路电流零点预测方法及预测终端
CN111931012A (zh) 一种基于故障管理子系统的数据模型自适应方法和装置
CN110708370A (zh) 一种数据处理方法及终端
CN114466259B (zh) 一种物联网关的数据处理方法、装置、设备及物联网关
CN114138771B (zh) 异常数据的处理方法、装置及电子设备
CN113011482B (zh) 非侵入式负荷识别方法、终端设备及存储介质
CN113033889A (zh) 高压输电线路故障预测方法、装置及终端设备
CN114064485A (zh) 一种软件测试方法、系统、计算机设备及可读存储介质
CN114114117A (zh) 一种基于深度学习的磁共振波谱相位校正方法
CN113642885B (zh) 基于人工智能的业务环境指标信息处理方法及系统
KR102633287B1 (ko) 비전 기술을 이용한 트렌드 데이터 추출 장치 및 그 방법
US20220413477A1 (en) Data-reduced edge-to-cloud transmission based on prediction models
CN113468026A (zh) 基于移动互联网的行为大数据埋点采集方法及系统
CN108132418B (zh) 一种电力设备联网监控系统、方法及装置
CN111585572A (zh) 一种采样方法、装置、终端设备及存储介质
CN114218285A (zh) 数据检测方法、装置、电子设备及存储介质
CN113608874A (zh) 一种应用于物联网管理设备的物联网设备管理方法

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
GR01 Patent grant
GR01 Patent grant