CN116207721A - 微电网保护方法和微电网保护装置 - Google Patents

微电网保护方法和微电网保护装置 Download PDF

Info

Publication number
CN116207721A
CN116207721A CN202111442706.XA CN202111442706A CN116207721A CN 116207721 A CN116207721 A CN 116207721A CN 202111442706 A CN202111442706 A CN 202111442706A CN 116207721 A CN116207721 A CN 116207721A
Authority
CN
China
Prior art keywords
natural mode
fault
mode component
voltage
microgrid
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
CN202111442706.XA
Other languages
English (en)
Inventor
所罗门·尼桑特·阿莱穆
郑德化
张卫
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.)
Beijing Etechwin Electric Co Ltd
Original Assignee
Beijing Etechwin Electric 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 Beijing Etechwin Electric Co Ltd filed Critical Beijing Etechwin Electric Co Ltd
Priority to CN202111442706.XA priority Critical patent/CN116207721A/zh
Publication of CN116207721A publication Critical patent/CN116207721A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
    • H02H7/28—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured for meshed systems
    • 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
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • 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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

公开一种微电网保护方法和微电网保护装置。所述微电网保护方法包括：通过对微电网的第一运行数据和第二运行数据分别进行变分模态分解，生成用于检测微电网的故障的第一特征和用于定位微电网的所述故障的第二特征；通过将第一特征输入到被配置为检测微电网的所述故障的支持向量机模型，检测微电网的所述故障；通过将第二特征、检测微电网的所述故障的结果和断路器的状态输入到被配置为定位微电网的所述故障的长短时记忆模型，定位微电网的所述故障。

Description

微电网保护方法和微电网保护装置
技术领域
本发明涉及微电网技术领域，更具体地讲，涉及一种微电网保护方法和微电网保护装置。
背景技术
近年来，由于可靠性、电能质量提高、电网恢复能力增强和经济性等优势，部署微电网获得了发展势头。然而，在技术部署方面存在着关键的技术挑战。保护微电网是这些关键挑战之一。导致微电网保护复杂性的一些因素包括但不限于双向电流、不断变化的故障电流大小、微电网中由基于变流器的分布式能源控制的低故障电流、两种运行模式(孤岛和并网)、系统布置的持续变化以及可再生能源的间歇性中的一个或多个。这些因素使得微电网难以得到有效保护保护。因此，需要一种有效保护微电网的方法。
发明内容
本发明的目的在于提供一种微电网保护方法和微电网保护装置。
根据本发明的示例性实施例，提供一种微电网保护方法，所述微电网保护方法包括：通过对微电网的第一运行数据和第二运行数据分别进行变分模态分解，生成用于检测微电网的故障的第一特征和用于定位微电网的所述故障的第二特征；通过将第一特征输入到被配置为检测微电网的所述故障的支持向量机模型，检测微电网的所述故障；通过将第二特征、检测微电网的所述故障的结果和断路器的状态输入到被配置为定位微电网的所述故障的长短时记忆模型，定位微电网的所述故障。
可选地，第一运行数据包括微电网的母线电压信号，其中，生成用于检测微电网的故障的第一特征的步骤包括：通过对微电网的母线电压信号进行变分模态分解，来生成母线电压信号的多个电压固有模态分量；基于所述多个电压固有模态分量生成第一特征。
可选地，基于所述多个电压固有模态分量生成第一特征的步骤包括：从所述多个电压固有模态分量识别与所述故障的发生相关的至少一个电压固有模态分量；基于所述至少一个电压固有模态分量生成第一特征。
可选地，所述多个电压固有模态分量包括第一电压固有模态分量、第二电压固有模态分量和第三电压固有模态分量，所述至少一个电压固有模态分量包括第二电压固有模态分量。
可选地，基于所述至少一个电压固有模态分量生成第一特征的步骤包括：计算所述至少一个电压固有模态分量在一个周期的能量，作为第一特征。
可选地，第二运行数据包括微电网的多个支路电流信号，其中，生成用于检测微电网的所述故障的第二特征的步骤包括：通过对每个支路电流信号进行变分模态分解，来生成每个支路电流信号的多个电流固有模态分量；基于所述多个支路电流信号的电流固有模态分量生成第二特征。
可选地，基于所述多个支路电流信号的电流固有模态分量生成第二特征的步骤包括：从每个支路电流信号的所述多个电流固有模态分量识别与所述故障的定位相关的预定电流固有模态分量；基于所述多个电流固有模态分量的预定电流固有模态分量生成第二特征。
可选地，所述多个电流固有模态分量包括第一电流固有模态分量、第二电流固有模态分量和第三电流固有模态分量，预定电流固有模态分量包括第一电流固有模态分量。
可选地，基于所述至少一个电流固有模态分量生成第二特征的步骤包括：计算每个支路电流信号的预定电流固有模态分量在一个周期的能量，作为第二特征。
可选地，所述长短时记忆模型的输入还包括第一特征。
根据本发明的示例性实施例，提供一种微电网保护装置，所述微电网保护装置包括：处理器；存储器，其中，存储器存储有计算机程序，所述计算机程序在被所述处理器执行时实现如上所述的任一微电网保护方法。
根据本发明的示例性实施例，提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序在被所述处理器执行时实现如上所述的任一微电网保护方法。
根据本发明的示例实施例，由于通过将基于对微电网的第一运行数据进行变分模态分解而生成的第一特征输入到支持向量机模型来检测微电网的故障，因此，能够有效地将与基于对微电网的第一运行数据进行变分模态分解而生成的第一特对应多个输入参数映射到二元分类变量，从而可以高效地检测微电网的故障。
根据本发明的示例实施例，通过将基于对微电网的第二运行数据进行变分模态分解而生成的第二特征、检测微电网的故障的结果和断路器的状态输入到长短时记忆模型，可准确地定位微电网的故障。
根据本发明的示例实施例，除了基于对微电网的第二运行数据进行变分模态分解而生成的第二特征、检测微电网的故障的结果和断路器的状态之外，长短时记忆模型还可额外考虑将基于对微电网的第一运行数据进行变分模态分解而生成的第一特征来更准确地定位微电网的故障。
根据本发明的示例实施例，可将需要生成的多个电压固有模态分量的数量设置为三个。在这种情况下，既保证了足够多的电压固有模态分量以反映母线电压信号的特性，同时避免了变分模态分解所花费的时间过多的问题。
根据本发明的示例实施例，由于考虑与故障的发生相关的至少一个电压固有模态分量来生成将输入到被配置为检测微电网的故障的支持向量机模型的第一特征，因此，生成的第一特征可以很好地反映与故障相关的信息，从而可以用于准确地检测故障。
根据本发明的示例实施例，基于第一电压固有模态分量、第二电压固有模态分量和第三电压固有模态分量中的第二电压固有模态分量生成的第一特征，可以很好地反映与故障相关的信息，从而可以用于准确地检测故障。
根据本发明的示例实施例，可将针对单个支路电流信号需要生成的多个电流固有模态分量的数量设置为三个。在这种情况下，既保证了足够多的电流固有模态分量以反映支路电流信号的特性，同时避免了变分模态分解所花费的时间过多的问题。
根据本发明的示例实施例，由于考虑与故障的定位相关的预定电流固有模态分量来生成将输入到被配置为定位微电网的故障的长短时记忆模型的第二特征，因此，生成的第二特征可以很好地反映与故障的定位相关的信息，从而可以用于准确地检测故障。
根据本发明的示例实施例，基于第一电流固有模态分量、第二电流固有模态分量和第三电流固有模态分量中的第二电流固有模态分量生成的第二特征，可以很好地反映与故障的定位相关的信息，从而可以用于准确地定位故障。
根据本发明的示例实施例，由于可以通过执行边缘计算的边缘设备(例如，微电网保护装置)来实现微电网保护方法，因此，可以实现高性能(例如，速度高、安全性高、可扩展性强和可靠性强等)的微电网保护方法。
附图说明
通过下面结合示例性地示出一例的附图进行的描述，本发明的上述和其他目的和特点将会变得更加清楚，其中：
图1示出根据本发明的示例性实施例的微电网保护方法的流程图；
图2示出根据本发明的示例性实施例的生成第一特征的方法的流程图；
图3示出根据本发明的示例性实施例的生成第二特征的方法的流程图；
图4示出根据本发明的示例性实施例的微电网保护装置。
具体实施方式
现将详细参照本发明的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。
图1示出根据本发明的示例性实施例的微电网保护方法的流程图。
参照图1，在操作S110中，通过对微电网的第一运行数据和第二运行数据分别进行变分模态分解，生成用于检测微电网的故障的第一特征和用于定位微电网的故障的第二特征。
这里，变分模态分解(Variational Mode Decomposition，VMD)可以是现有的将信号分解为多个固有模态分量的各种变分模态分解方法。更具体地讲，变分模态分解可用于将父信号(例如，与第一运行数据对应的信号和与第二运行数据对应的信号)分解为模式集合及其各自的中心频率。例如，对于f(t)的原始电流或电压信号，通过VMD分解的称为本征模函数(IMF)的K个分量可以表示为：
Figure BDA0003384118660000041
在等式(1)中，uk(t)是具有余弦函数波形和缓慢变化的正包络的分解分量或IMF。每个分解的IMF都有瞬时频率，以非衰减模式缓慢变化，并集中在中心频率wk附近。
也就是说，VMD涉及的核心过程是找到一组离散的IMF uk(t)，其各自的中心频率为wk(t)，以最小化等式(2)定义的约束变分问题。
Figure BDA0003384118660000051
使得
Figure BDA0003384118660000052
在等式(2)中，δ(t)是狄拉克函数，||.||2是L2距离，*是卷积运算。
上面的最小化问题可以通过称为交替方向乘子法(ADMM)的方法作为增广拉格朗日L的鞍点来求解。ADMM的过程涉及如下面等式(3)和(4)所示的一系列迭代子优化步骤，这些步骤将更新
Figure BDA0003384118660000053
和/>
Figure BDA0003384118660000054
Figure BDA0003384118660000055
Figure BDA0003384118660000056
通过将上面的等式从时域转换到频域，其二次优化最终解如下等式(5)和(6)所示。
Figure BDA0003384118660000057
Figure BDA0003384118660000058
其中，^表示傅里叶变换，n表示迭代次数。
下面的表1示出VMD的一些示例参数。
表1
参数 值
分解IMF的数量 3
优化迭代的最大次数 500
模式收敛公差/绝对公差 5.00E-06
初始化中心频率的方法 '峰值'1
重建保真度的惩罚因子 1000
每次迭代中拉格朗日乘数的更新率 0.01
'峰值'1表示将中心频率初始化为频域中信号的峰值位置。
虽然在上面的表1中示出了VMD的一些示例参数的值，但是本发明的VMD的参数不限于上面示出的示例参数，并且参数的值不限于上面示出的参数的值。
在操作S120中，可通过将第一特征输入到被配置为检测微电网的故障的支持向量机模型，检测微电网的故障。
支持向量机(SVM)是一种适用于分类和回归分析任务的机器学习工具，是一种非概率二元线性分类器，具有存储效率高、通用性强等优点。被配置为检测微电网的故障的支持向量机模型可使用现有的支持向量机算法或其改进算法来实现。
在SVM算法中，每个数据项被绘制为n维空间中的一个点(其中n表示数据中特征的数量)，每个特征的值是特定坐标的值。然后，通过搜索一个最优超平面来执行分类，该超平面可以将数据集分成两个类，同时最大化不包含任何观测值的空间。对于形式为f(x)＝x′β+b的线性SVM分数函数，x表示观测值，β表示系数向量，b表示偏差项，特定系数的函数f(x)的根定义超平面，SVM算法搜索最大边距长度。该算法使用拉格朗日乘子法进行优化，旨在最小化等式(7)中的项。
Figure BDA0003384118660000061
其中，n个系数α1,α2...,αn受限于∑αjyj＝0，对于所有的j＝1,2...,n，αj≥0。
在一个示例中，支持向量机模型可使用序列最小优化(SMO)求解器和线性核函数。由于包括历史第一运行数据的训练集中没有预期的异常值观测值，因此将异常值分数设置为零。观测数据点的权重相等，观测权重向量设置为输入数据长度大小的观测权重向量。
虽然上面对支持向量机进行了具体描述，但是本发明的支持向量机不限于上面的典型支持向量机，也可以是典型支持向量机的任何改进形式或者改变形式。
在本发明中，由于通过将基于对微电网的第一运行数据进行变分模态分解而生成的第一特征输入到支持向量机模型来检测微电网的故障，因此，能够有效地将与基于对微电网的第一运行数据进行变分模态分解而生成的第一特对应多个输入参数映射到二元分类变量，从而可以高效地检测微电网的故障。
在操作S130中，可通过将第二特征、检测微电网的故障的结果和断路器的状态输入到被配置为定位微电网的故障的长短时记忆模型，定位微电网的故障。
长短时记忆模型可通过现有的长短时记忆(LSTM)网络或其改进形式来实现。LSTM网络是一种递归神经网络(RNN)，是处理序列和时间序列数据的良好工具，因为它能够学习序列数据时间步长之间的长期依赖关系。
因此，通过将基于对微电网的第二运行数据进行变分模态分解而生成的第二特征、检测微电网的故障的结果和断路器的状态输入到长短时记忆模型，可准确地定位微电网的故障。
下面的表2示出LSTM网络的一些示例参数。
表2
参数 值
序列输入层大小 1
隐藏单元数 100
分类/完全连接的层数 保护区域的数量
输出模式 '最后(last)'
最大时期(epoch) 100
最小批大小 265
解算器名称 自适应矩估计
虽然在上面的表2中示出了LSTM网络的一些示例参数的值，但是本发明的LSTM网络的参数不限于上面示出的示例参数，并且参数的值不限于上面示出的参数的值。
可选地，长短时记忆模型的输入还可包括第一特征。除了基于对微电网的第二运行数据进行变分模态分解而生成的第二特征、检测微电网的故障的结果和断路器的状态之外，长短时记忆模型还可额外考虑将基于对微电网的第一运行数据进行变分模态分解而生成的第一特征来更准确地定位微电网的故障。
此外，可在定位微电网的故障之后，基于故障的定位信息来修复故障。在一个示例中，可通过预先建立的查找表来确定与微电网的故障区域对应的断路器，并且基于确定的结果来修复相应的故障。
图2示出根据本发明的示例性实施例生成第一特征的方法的流程图。
第一运行数据包括微电网的母线电压信号。这里，母线电压信号的数量可以是一个或者多个。
参照图2，在操作S210中，可通过对微电网的母线电压信号进行变分模态分解，来生成母线电压信号的多个电压固有模态分量。
例如，变分模态分解可以是参照图1描述的变分模态分解。当母线电压信号的数量为多个时，可针对每个母线电压信号生成相应的多个电压固有模态分量。
通常，当需要生成的多个电压固有模态分量的数量较多时，进行变分模态分解所花费的时间也会较多。而当需要生成的多个电压固有模态分量的数量较少时，虽然进行变分模态分解所花费的时间会减少，但是较少数量的电压固有模态分量往往难以准确反映母线电压信号的特性。
在一个实施例中，可将需要生成的多个电压固有模态分量的数量设置为三个。在这种情况下，既保证了足够多的电压固有模态分量以反映母线电压信号的特性，同时避免了变分模态分解所花费的时间过多的问题。
在操作S220中，可基于多个电压固有模态分量生成第一特征。
由于多个电压固有模态分量可包括反映母线电压信号的特性的信息，因此，多个电压固有模态分量可用于生成将输入到被配置为检测微电网的故障的支持向量机模型的第一特征。
在一个实施例中，可从多个电压固有模态分量识别与故障的发生相关的至少一个电压固有模态分量，并基于至少一个电压固有模态分量生成第一特征。与故障的发生相关的至少一个电压固有模态分量可以理解为受到故障影响较大的电压固有模态分量。由于考虑与故障的发生相关的至少一个电压固有模态分量，来生成输入到被配置为检测微电网故障的支持向量机模型的第一特征，因此，生成的第一特征可以很好地反映与故障的发生相关的信息，从而可以用于准确地检测故障。
例如，可通过目视检查(visual inspection)来识别与故障的发生相关的至少一个电压固有模态分量。在多个电压固有模态分量包括第一电压固有模态分量、第二电压固有模态分量和第三电压固有模态分量的情况下，识别的至少一个电压固有模态分量可包括第二电压固有模态分量。基于第一电压固有模态分量、第二电压固有模态分量和第三电压固有模态分量的中的第二电压固有模态分量生成的第一特征可以很好地反映与故障的发生相关的信息，从而可以用于准确地检测故障。
在一个示例实施例中，可计算至少一个电压固有模态分量在一个周期内的能量，作为第一特征。例如，可以使用下面的等式(8)的Frobenius范数来计算电压固有模态分量在一个周期内的能量：
Figure BDA0003384118660000091
在等式(8)中，EVMD,i是一个周期内的多个电压固有模态分量的第i个电压固有模态分量(例如，至少一个电压固有模态分量)的能量，VMDi是第i个电压固有模态分量，N是一个周期内的数据点的数量(仅作为非限制性的示例，20)。
图3示出根据本发明的示例性实施例生成第二特征的方法的流程图。
第二运行数据可包括微电网的多个支路电流信号。参照图3，在操作S310中，可通过对每个支路电流信号进行变分模态分解，来生成每个支路电流信号的多个电流固有模态分量。例如，变分模态分解可以是参照图1描述的变分模态分解。
通常，当针对单个支路电流信号需要生成的多个电流固有模态分量的数量较多时，进行变分模态分解所花费的时间也会较多。而当针对单个支路电流信号需要生成的多个电流固有模态分量的数量较少时，虽然进行变分模态分解所花费的时间会减少，但是较少数量的电流固有模态分量往往难以准确反映支路电流信号的特性。
在一个实施例中，可将针对单个支路电流信号需要生成的多个电流固有模态分量的数量设置为三个。在这种情况下，既保证了足够多的电流固有模态分量以反映支路电流信号的特性，同时避免了变分模态分解所花费的时间过多的问题。
在操作S320中，可基于多个支路电流信号的电流固有模态分量生成第二特征。
由于多个支路电流信号中的每个支路电流信号的电流固有模态分量可包括反映支路电流信号的特性的信息，因此，多个支路电流信号的电流固有模态分量可用于生成将输入到被配置为定位微电网的故障的长短时记忆模型的第二特征。
在一个实施例中，可从每个支路电流信号的多个电流固有模态分量识别与故障的定位相关的预定电流固有模态分量，并基于所述多个电流固有模态分量的预定电流固有模态分量生成第二特征。与故障的定位相关的预定电流固有模态分量可以理解为包括较多与故障的定位相关的信息的电流固有模态分量。由于考虑与故障的定位相关的预定电流固有模态分量来生成将输入到被配置为定位微电网的故障的长短时记忆模型的第二特征，因此，生成的第二特征可以很好地反映与故障的定位相关的信息，从而可以用于准确地检测故障。
例如，可通过目视检查(visual inspection)来识别每个支路电流信号的与故障的定位相关的预定电流固有模态分量。在每个支路电流信号的多个电流固有模态分量包括第一电流固有模态分量、第二电流固有模态分量和第三电流固有模态分量的情况下，识别的预定电流固有模态分量可包括第二电流固有模态分量。基于第一电流固有模态分量、第二电流固有模态分量和第三电流固有模态分量中的第二电流固有模态分量生成的第二特征，可以很好地反映与故障的定位相关的信息，从而可以用于准确地定位故障。
在一个示例实施例中，可计算每个支路电流信号的预定电流固有模态分量在一个周期的能量，作为第二特征。例如，可以使用下面的等式(9)的Frobenius范数来计算每个支路电流信号的电流固有模态分量在一个周期内的能量：
Figure BDA0003384118660000101
在等式(9)中，EVMD,i是单个支路电流信号的一个周期内的多个电流固有模态分量的第i个电流固有模态分量(例如，预定电流固有模态分量)的能量，VMDi是第i个电流固有模态分量，N是一个周期内的数据点的数量(仅作为非限制性的示例，20)。
图4示出根据本发明的示例性实施例的微电网保护装置的框图。
参照图4，根据本发明的示例性实施例的微电网保护装置400可包括处理器410和存储器420。这里，存储器420存储有计算机程序，其中，该计算机程序在被处理器420执行时实现参照图1至图3中描述的任意微电网保护方法。为了简明，这里不再重复描述由处理器420执行的参照图1至图3描述的微电网保护方法。
此外，根据本发明示例性实施例的微电网保护方法可以被实现为计算机可读记录介质中的计算机程序。本领域技术人员可以根据对上述方法的描述来实现所述计算机程序。当所述计算机程序在计算机中被执行时实现本发明的上述微电网保护方法。可选地，所述计算机程序在被所述处理器执行时实现如上所述的任一微电网保护方法。
例如，微电网保护方法可通过执行边缘计算的边缘设备(例如，微电网保护装置)来实现。边缘设备可以是位于与传感器或仪表所在的层和云服务所在的层不同的层，其中，传感器或仪表可收集感测或测量的信息，并可执行简单操作(例如，断路器的打开和关闭)，云服务可以在公用事业网格级别执行更高级别的计算。由于可以通过执行边缘计算的边缘设备(例如，微电网保护装置)来实现微电网保护方法，因此，可以提高高性能(例如，速度高、安全性高、可扩展性强和可靠性强等)的微电网保护方法。
此外，应该理解，根据本发明示例性实施例的设备中的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理，可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单元。
根据本发明的示例实施例，由于通过将基于对微电网的第一运行数据进行变分模态分解而生成的第一特征输入到支持向量机模型来检测微电网的故障，因此，能够有效地将与基于对微电网的第一运行数据进行变分模态分解而生成的第一特对应多个输入参数映射到二元分类变量，从而可以高效地检测微电网的故障。
根据本发明的示例实施例，通过将基于对微电网的第二运行数据进行变分模态分解而生成的第二特征、检测微电网的故障的结果和断路器的状态输入到长短时记忆模型，可准确地定位微电网的故障。
根据本发明的示例实施例，除了基于对微电网的第二运行数据进行变分模态分解而生成的第二特征、检测微电网的故障的结果和断路器的状态之外，长短时记忆模型还可额外考虑将基于对微电网的第一运行数据进行变分模态分解而生成的第一特征来更准确地定位微电网的故障。
根据本发明的示例实施例，可将需要生成的多个电压固有模态分量的数量设置为三个。在这种情况下，既保证了足够多的电压固有模态分量以反映母线电压信号的特性，同时避免了变分模态分解所花费的时间过多的问题。
根据本发明的示例实施例，由于考虑与故障的发生相关的至少一个电压固有模态分量来生成将输入到被配置为检测微电网的故障的支持向量机模型的第一特征，因此，生成的第一特征可以很好地反映与故障相关的信息，从而可以用于准确地检测故障。
根据本发明的示例实施例，可基于第一电压固有模态分量、第二电压固有模态分量和第三电压固有模态分量中的第二电压固有模态分量生成的第一特征可以很好地反映与故障相关的信息，从而可以用于准确地检测故障。
根据本发明的示例实施例，可将针对单个支路电流信号需要生成的多个电流固有模态分量的数量设置为三个。在这种情况下，既保证了足够多的电流固有模态分量以反映支路电流信号的特性，同时避免了变分模态分解所花费的时间过多的问题。
根据本发明的示例实施例，由于考虑与故障的定位相关的预定电流固有模态分量来生成将输入到被配置为定位微电网的故障的长短时记忆模型的第二特征，因此，生成的第二特征可以很好地反映与故障的定位相关的信息，从而可以用于准确地检测故障。
根据本发明的示例实施例，可基于第一电流固有模态分量、第二电流固有模态分量和第三电流固有模态分量中的第二电流固有模态分量生成的第二特征可以很好地反映与故障的定位相关的信息，从而可以用于准确地定位故障。
根据本发明的示例实施例，由于可以通过执行边缘计算的边缘设备(例如，微电网保护装置)来实现微电网保护方法，因此，可以提高高性能(例如，速度高、安全性高、可扩展性强和可靠性强等)的微电网保护方法。
虽然本公开包括特定的示例，但是对于本领域普通技术人员来说将清楚，在不脱离权利要求和它们的等同物的精神和范围的情况下，可在这些示例中进行形式和细节上的各种改变。在此描述的示例应仅被认为是描述性的，而不是出于限制的目的。每个示例中的特征或方面的描述应被认为可适用于其他示例中的类似特征或方面。如果描述的技术以不同的顺序被执行，和/或如果描述的系统、架构、装置或电路中的组件以不同的方式被组合，和/或由其他组件或它们的等同物替换或补充，则可实现合适的结果。因此，公开的范围不是由具体实施方式限定，而是由权利要求及它们的等同物限定，并且在权利要求及它们的等同物的范围内的所有变化应被解释为包括在公开中。

Claims (12)

1.一种微电网保护方法，所述微电网保护方法包括：
通过对微电网的第一运行数据和第二运行数据分别进行变分模态分解，生成用于检测微电网的故障的第一特征和用于定位微电网的所述故障的第二特征；
通过将第一特征输入到被配置为检测微电网的所述故障的支持向量机模型，检测微电网的所述故障；
通过将第二特征、检测微电网的所述故障的结果和断路器的状态输入到被配置为定位微电网的所述故障的长短时记忆模型，定位微电网的所述故障。
2.如权利要求1所述的微电网保护方法，其中，第一运行数据包括微电网的母线电压信号，
其中，生成用于检测微电网的故障的第一特征的步骤包括：
通过对微电网的母线电压信号进行变分模态分解，来生成母线电压信号的多个电压固有模态分量；
基于所述多个电压固有模态分量生成第一特征。
3.权利要求2所述的微电网保护方法，其中，基于所述多个电压固有模态分量生成第一特征的步骤包括：
从所述多个电压固有模态分量识别与所述故障的发生相关的至少一个电压固有模态分量；
基于所述至少一个电压固有模态分量生成第一特征。
4.如权利要求3所述的微电网保护方法，其中，所述多个电压固有模态分量包括第一电压固有模态分量、第二电压固有模态分量和第三电压固有模态分量，所述至少一个电压固有模态分量包括第二电压固有模态分量。
5.如权利要求3所述的微电网保护方法，其中，基于所述至少一个电压固有模态分量生成第一特征的步骤包括：
计算所述至少一个电压固有模态分量在一个周期的能量，作为第一特征。
6.如权利要求1所述的微电网保护方法，其中，第二运行数据包括微电网的多个支路电流信号，
其中，生成用于检测微电网的所述故障的第二特征的步骤包括：
通过对每个支路电流信号进行变分模态分解，来生成每个支路电流信号的多个电流固有模态分量；
基于所述多个支路电流信号的电流固有模态分量生成第二特征。
7.权利要求6所述的微电网保护方法，其中，基于所述多个支路电流信号的电流固有模态分量生成第二特征的步骤包括：
从每个支路电流信号的所述多个电流固有模态分量识别与所述故障的定位相关的预定电流固有模态分量；
基于所述多个电流固有模态分量的预定电流固有模态分量生成第二特征。
8.如权利要求7所述的微电网保护方法，其中，所述多个电流固有模态分量包括第一电流固有模态分量、第二电流固有模态分量和第三电流固有模态分量，预定电流固有模态分量包括第一电流固有模态分量。
9.如权利要求7所述的微电网保护方法，其中，基于所述至少一个电流固有模态分量生成第二特征的步骤包括：
计算每个支路电流信号的预定电流固有模态分量在一个周期的能量，作为第二特征。
10.如权利要求1所述的微电网保护方法，其中，所述长短时记忆模型的输入还包括第一特征。
11.一种微电网保护装置，所述微电网保护装置包括：
处理器；
存储器，
其中，存储器存储有计算机程序，所述计算机程序在被所述处理器执行时实现如权利要求1-10任意一项所述的微电网保护方法。
12.一种存储有计算机程序的计算机可读存储介质，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至10中任一项所述的微电网保护方法。
CN202111442706.XA 2021-11-30 2021-11-30 微电网保护方法和微电网保护装置 Pending CN116207721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111442706.XA CN116207721A (zh) 2021-11-30 2021-11-30 微电网保护方法和微电网保护装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111442706.XA CN116207721A (zh) 2021-11-30 2021-11-30 微电网保护方法和微电网保护装置

Publications (1)

Publication Number Publication Date
CN116207721A true CN116207721A (zh) 2023-06-02

Family

ID=86506398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111442706.XA Pending CN116207721A (zh) 2021-11-30 2021-11-30 微电网保护方法和微电网保护装置

Country Status (1)

Country Link
CN (1) CN116207721A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433225A (zh) * 2023-06-12 2023-07-14 国网湖北省电力有限公司经济技术研究院 一种互联微电网多时间尺度故障恢复方法、装置及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433225A (zh) * 2023-06-12 2023-07-14 国网湖北省电力有限公司经济技术研究院 一种互联微电网多时间尺度故障恢复方法、装置及设备
CN116433225B (zh) * 2023-06-12 2023-08-29 国网湖北省电力有限公司经济技术研究院 一种互联微电网多时间尺度故障恢复方法、装置及设备

Similar Documents

Publication Publication Date Title
Godse et al. Mathematical morphology-based feature-extraction technique for detection and classification of faults on power transmission line
Malbasa et al. Voltage stability prediction using active machine learning
Khamis et al. Islanding detection and load shedding scheme for radial distribution systems integrated with dispersed generations
Guo et al. Online identification of power system dynamic signature using PMU measurements and data mining
Srivastava et al. A robust fault detection and location prediction module using support vector machine and Gaussian process regression for AC microgrid
US11418029B2 (en) Method for recognizing contingencies in a power supply network
Manohar et al. Microgrid protection under weather uncertainty using joint probabilistic modeling of solar irradiance and wind speed
Liu et al. A new dynamic security assessment framework based on semi-supervised learning and data editing
Mazhari et al. A hybrid fault cluster and thévenin equivalent based framework for rotor angle stability prediction
Gangwar et al. A novel $ k $-means clustering and weighted $ k $-NN-regression-based fast transmission line protection
EP2580696A2 (en) Detecting state estimation network model data errors
CN105354643A (zh) 一种风电接入电网的风险预测评估方法
CN114077810A (zh) 用于为控制器生成决策逻辑的方法和计算机系统
Shakiba et al. Generalized fault diagnosis method of transmission lines using transfer learning technique
Shukla et al. A hybrid wavelet–APSO–ANN-based protection scheme for six-phase transmission line with real-time validation
Jia et al. Design of a PD‐type learning observer for reconstruction of actuator faults in descriptor systems
Harish et al. Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine
CN116207721A (zh) 微电网保护方法和微电网保护装置
Malik et al. Power quality disturbance analysis using data-driven EMD-SVM hybrid approach
Ogar et al. The use of artificial neural network for low latency of fault detection and localisation in transmission line
Wang et al. Review of low-rank data-driven methods applied to synchrophasor measurement
Jandan et al. Recognition and classification of power quality disturbances by DWT-MRA and SVM classifier
Romero et al. Fault zones location on distribution systems based on clustering of voltage sags patterns
Kanwal et al. Advanced Fault Detection, Classification, and Localization in Transmission Lines: A Comparative Study of ANFIS, Neural Networks, and Hybrid Methods
CN105205560B (zh) 一种基于正负误差变权的光伏发电功率预测方法

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