CN116224158A - 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 - Google Patents

Abstract

本发明的目的在于提供一种基于CNN‑LSTM‑Attention的多端柔性直流输电线路单极接地故障定位方法，通过主成分分析(Principal Components Analysis,PCA)技术处理不同区段的线模电压并构造特征矩阵，结合一维CNN确定故障区段。然后利用小波包分解结合皮尔逊相关系数提取该故障区段线模电压的频域特征，最后利用CNN‑LSTM‑Attention网络实现故障定位。采用麻雀搜索算法对定位模型参数进行寻优，避免训练时陷入局部最优。在PSCAD/EMTDC软件中搭建±500kV四端柔性直流系统模型，进行了不同过渡电阻、不同故障位置的单极接地故障仿真。仿真结果表明，该方法具有良好的耐过渡电阻能力，在50kHz的采样频率下定位误差在0.16km以内。

Description

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

技术领域

本发明涉及输电线路单极接地故障定位技术领域，具体涉及一种基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法。

背景技术

采用架空线路的多端柔性直流线路由于输送距离长、沿线环境复杂等原因，线路容易发生故障，其中单极接地故障是最常见的故障类型。此外，直流网络之间的互联导致线路某点发生短路故障时，多个换流站会同时向故障点馈送能量，导致故障特征十分复杂，对输电系统的稳定运行带来很大隐患。因此，直流线路故障时迅速准确地定位故障位置，对于提高检修效率、保持输电系统平稳可靠的运行具有重要意义。

多端直流输电线路故障定位研究中，行波法和故障分析法是采用广泛的两种方法。行波法具有适用性强、测距精度高等优点，理论上不受线路参数和系统运行状态的干扰，但高阻故障时受色散效应的影响，存在着波头检测困难、抗过渡电阻能力差等问题。研究人员通过多种变分模态分解、小波分析等多种方法优化行波波头的识别，但高阻定位时检测故障浪涌的难度依旧很大。并且行波法对设备的采样频率要求高，硬件设备的成本较高。故障分析法稳定好，可靠性强，但需要对线路参数进行精确测量，容易受到线路频率特性的影响。

智能算法的发展为高压直流故障检测提供了崭新的研究思路。一些学者尝试直接将输电线路的故障电气量通过支持向量机、广义回归神经网络等机器学习算法进行故障点定位，但高阻故障定位时的精确度难以保证，且并未考虑过渡电阻的影响。因此，在将故障信号投入算法模型之前，需要对其进行分解和特征提取，进一步获得故障行波中的深层故障特征。

近年来基于深度学习理论的神经网络，展现出了强大的特征学习和预测能力。国内外研究人员将CNN、LSTM、DBN等深度学习算法引入电力系统领域。通过大量仿真实验证明，相较于前馈神经网络和极限学习机，SVM等机器学习算法，具有更多模型参数的深度学习算法具有更为优异的识别性能。研究人员又将单一的CNN和LSTM算法进行融合，运用在负荷预测和故障诊断领域，并通过实验证明组合模型的鲁棒性和定位精度进一步提高。除了传统的神经网络模型，研究人员将注意力机制融入深度学习框架中，有效提升了模型的训练效率和预测精度，被广泛应用在负荷预测和故障诊断领域。

发明内容

针对多端柔直流线路传统行波测距法，在定位高阻故障时，存在的波头识别困难、波速难以确定等问题。本发明提出了一种融合卷积神经网络(Convolutional NeuralNetworks,CNN)、长短期记忆网络(Long Short Term Memory，LSTM)和Attention机制的单极接地故障定位方法(CNN-LSTM-Attention)。所提方法通过主成分分析(PrincipalComponents Analysis,PCA)技术处理不同区段的线模电压并构造特征矩阵，结合一维CNN确定故障区段。然后利用小波包分解结合皮尔逊相关系数提取该故障区段线模电压的频域特征，最后利用CNN-LSTM-Attention网络实现故障定位。采用麻雀搜索算法对定位模型参数进行寻优，避免训练时陷入局部最优。在PSCAD/EMTDC软件中搭建±500kV四端柔性直流系统模型，进行了不同过渡电阻、不同故障位置的单极接地故障仿真。仿真结果表明，该方法具有良好的耐过渡电阻能力，在50kHz的采样频率下定位误差在0.16km以内。

在现有技术的成果上，本发明进一步使用信号分解、深度学习和参数优化等方法，提出了一种多端柔性直流输电线路单极接地故障定位方法。该方法依据行波色散特性，通过对故障行波进行分解和特征提取，获取与故障位置高度相关的特征信息，利用神经网络的分类与回归机制进行区段识别和故障定位。该方法避免了传统行波法在高阻故障时因色散效应产生的波头识别和波速确定困难等问题。基于注意力机制的优点，将其首次引入柔性直流输电线路定位领域，与CNN-LSTM网络进行融合。为了避免模型训练过程中陷入局部最优，引入麻雀搜索算法寻优故障定位模型的参数。通过PSCAD/EMTDC软件搭建四端柔性直流输电系统模型，模拟了不同故障工况(不同区段、不同过渡电阻、不同故障位置)的单极接地故障。仿真结果表明，该方法在50kHz的采样频率下，可以实现多端柔性直线路的精确定位。由于本发明研究对象为真双极接线的柔性直流系统，输电线路正、负极具有对称性，故障特性相同，并且双端线模电压分量对于正负极线路并无差异性，因此本发明后续仅以正极接地故障作为对比和研究对象，对于负极接地故障不再进行详细分析。

本发明解决其技术问题具体采用的技术方案是：

一种基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法，通过主成分分析PCA处理不同区段的线模电压并构造特征矩阵，结合一维CNN确定故障区段；然后利用小波包分解结合皮尔逊相关系数提取该故障区段线模电压的频域特征，最后利用CNN-LSTM-Attention网络实现故障定位。

进一步地，采用麻雀搜索算法对定位模型参数进行寻优，以避免训练时陷入局部最优。

进一步地，利用CNN-LSTM-Attention网络实现故障定位具体为基于小波包分解和皮尔逊相关系数特征选择与CNN-LSTM-Attention混合网络进行多端柔性直流故障定位，其采用皮尔逊相关系数筛选与故障位置相关性高的小波包频带。

进一步地，用于故障定位的CNN-LSTM-Attention网络的具体训练过程包括以下步骤：

步骤S31：小波包分解，对得到的若干个频域段按照分解系数排列，构成新故障行波信号；

步骤S32：数据预处理，采用Z-score标准化对新故障行波信号进行归一化；

步骤S33：皮尔逊相关系数特征提取：以n个故障位置数据组成向量x，相同小波包频带在不同故障位置下的频域数据作为向量y，计算向量x和y皮尔逊相关系数的绝对值，按照运算结果选择与故障位置相关性高的前若干个小波包频带数据，构成测距特征向量；

步骤S34：构建CNN-LSTM-Attention模型：采用3层卷积层、1层LSTM、1层注意力层和扁平层以及2层全连接层的网络结构，依据皮尔逊相关系数，确定各个区段相关性高的若干个小波包频带，以此建立不同区段的故障测距模型；

步骤S35：SSA算法寻优：以平均绝对误差作为适应度函数，对CNN-LSTM-Attention网络的卷积核个数、LSTM层神经元数、全连接层神经元数进行寻优；

步骤S36：保存训练好的模型，用测试数据集进行检验。

相比于现有技术，本发明及其优选方案依据行波色散特性，通过对故障行波进行分解和特征提取，获取与故障位置高度相关的特征信息，利用神经网络的分类与回归机制进行区段识别和故障定位。该方法避免了传统行波法在高阻故障时因色散效应产生的波头识别和波速确定困难等问题。基于注意力机制的优点，将其首次引入柔性直流输电线路定位领域，与CNN-LSTM网络进行融合。为了避免模型训练过程中陷入局部最优，引入麻雀搜索算法寻优故障定位模型的参数。通过PSCAD/EMTDC软件搭建四端柔性直流输电系统模型，模拟了不同故障工况(不同区段、不同过渡电阻、不同故障位置)的单极接地故障。仿真结果表明，该方法在50KHz的采样频率下，可以实现多端柔直线路的精确定位。

附图说明

下面结合附图和具体实施方式对本发明进一步详细的说明：

图1为本发明实施例定位方法流程图；

图2为本发明实施例具体案例中的多端柔性直流系统结构图；

图3为本发明实施例故障定位流程图；

图4为本发明实施例小波包分解波形图；

图5为本发明实施例皮尔逊特征选择热力图；

图6为本发明实施例PCA分类散点图；

图7为本发明实施例区段1高阻接地故障定位误差示意图。

具体实施方式

为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本说明书使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本实施例提供定位方法的主要流程如图1所示。

步骤1：在系统接地故障发生时，线路各录波装置以50kHz采样频率，250个采样点的采样窗口对突变时刻的故障电压进行采集。本实施例所讨论的多端柔直系统如图2所示。图中甲、乙、丙、丁为四个换流站，L为直流电抗器。V₁-V₁₆为各换流站正负极线路出口侧的16个电压录波装置，按照在各换流站正负极线路的位置分为8组，记作A～H。柔直系统直流侧采用不接地方式，联接变压器网侧为星型中性点直接接地方式，阀侧为三角形连接。其中甲站、丙站为主控单元，采用定直流电压、定无功功率设置，丁站和乙站为从控单元，采用定有功和定无功功率设置。直流输电线路采用频率相关模态域模型和四分裂钢芯铝绞线结构，每个子导线间距0.45m。输电线路和换流站主要参数如表1和表2所示。

表1输电线路主要参数

表2四端柔性直流模型换流站参数

步骤2：利用PCA结合1D-CNN进行故障区段识别。系统发生单极接地故障，不同区段录波设备检测到电压突变后，开始以50kHz采样频率采集故障电压信号，采样窗口为250个采样点(故障时刻前4个采样点与后245个采样点)。在行波波速为2.95×10⁸m/s的情况下，该采样窗口能够反映故障行波在系统传播两个来回的信息。将系统8组录波设备采集的线模电压分量进行串联，形成长度为2000个采样点的故障波形，利用PCA降维构建区段识别特征向量。再将区段识别向量输入到训练完成的CNN分类模型中，输出预测结果。主成分分析是一种使用广泛的线性降维方法，其通过线性变换从原始高维数据中挑选出少量的主成分数据，这些数据的含义不同于原始数据，但尽可能保留了原始数据集的大部分特征。针对多端柔性直流输电线路的区段识别问题，引入主成分分析降维处理故障发生时所有区段测量点的串联电压信号，在充分提取故障特征的基础上，筛除原始信号中的冗余数据，提高了模型的训练和预测速度。

卷积神经网络具有高效的特征提取能力和空间网格数据处理能力，在电力系统领域中得到了广泛的应用。常见的CNN主要由卷积层、池化层、批标准化层、Dropout层和全连接层等构成。其中卷积层利用卷积核对数据进行有效非线性的特征提取，池化层用于压缩提取特征并筛选出重要信息。批标准化层用于防止梯度消失，提高训练速度。Dropout层和全连接层分别起到防止网络过拟合，整合特征并输出的作用。

步骤3：利用CNN-LSTM-Attention进行故障点定位。基于小波包分解和皮尔逊相关系数特征选择与CNN-LSTM-Attention混合网络的多端柔性直流故障定位方法，整体流程如图3所示。麻雀搜索算法(Sparrow Search Algorithm,SSA)具有搜索精度高、收敛速度快、稳定性好等优点，将其引入对模型参数进行寻优。

相较于小波变换，小波包分解对信号的高频、低频分量都进行再分解，可以将频率信息划分的更为细致。小波包分解可以通过重构电压信号来量化不同频带暂态量信息，给提取电压信号的故障特征提供了有力条件。

db3小波具有时域支撑性高、实时性好等特点，能够满足故障电压快速处理的要求。因此选用db3小波作为母小波对故障区段线模电压进行分解，将分解得到的各分量按照分解系数串联形成新故障行波信号。

通过对比研究，2层小波包分解的频带划分较宽，分辨率较低。4层和5层的分解层数可以获得更为细致的频域划分，但会使算法运行时间增加，实时性变差，因此选用3层小波包分解对电压信号进行分解。

新故障行波信号的数据维度较高，需要进行降维并从中选取与故障位置相关性高的频带分量。本实施例选用皮尔逊相关系数筛选与故障位置相关性高的小波包频带。皮尔逊相关系数是一种用于描述两个变量相关程度的统计学方法，被广泛应用于寿命预测、故障诊断等领域。

对于两个变量x和y，根据计算要求，构建相同维数的向量x＝[x₁,x₂,…,x_n]和y＝[y₁,y₂,…,y_n]，此时皮尔逊相关系数计算公式为：

式(1)中，

和/>

分别为n维数据x和y的平均值，r表示两者的皮尔逊相关系数。

定位方法的具体步骤如下：

(1)小波包分解。确定故障区段后，串联该区段双端线模电压并进行3层小波包分解，将得到的8个频域段按照分解系数排列，构成4000个数据点的新故障行波信号。

(2)数据预处理。皮尔逊相关系数要求变量符合正态分布，并且为了避免各小波包频带分量由于量纲差别造成特征覆盖。该方法采用Z-score标准化对新故障行波信号进行归一化。Z-score标准化公式如下：

公式(2)中，μ_x和σ_x是新故障行波向量的平均值和标准差。x_i表示向量中第i个数据，

表示标准化后的第i个数据。

(3)皮尔逊相关系数特征提取：以n个故障位置数据组成向量x，相同小波包频带在不同故障位置下的频域数据作为向量y。计算向量x和y皮尔逊相关系数的绝对值，按照运算结果选择与故障位置相关性高的前500个小波包频带数据，构成测距特征向量。

(4)构建CNN-LSTM-Attention模型。通过多次实验，确定采用3层卷积层、1层LSTM、1层注意力层和扁平层以及2层全连接层的网络结构。依据皮尔逊相关系数，确定各个区段相关性高的500个小波包频带，以此建立不同区段的故障测距模型。

(5)SSA算法寻优。以平均绝对误差作为适应度函数，对CNN-LSTM-Attention网络的卷积核个数、LSTM层神经元数、全连接层神经元数进行寻优。

(6)保存训练好的模型，用测试数据集进行检验。

以下结合具体实施案例对本发明方案及其性能和效果做进一步的介绍和说明。

基于搭建完成的四端柔性直流系统，进行不同区段、不同过渡电阻、不同故障距离的正极接地故障仿真。训练样本由四个线路区段的故障数据组成，过渡电阻设置为50Ω、100Ω、300Ω、500Ω、700Ω和1000Ω。区段1、区段3、区段4分别从距离甲站、丙站、乙站10km处开始设置故障点，设置步长为1km。区段2距离甲站10km处开始故障点，设置步长为1km。四个区段故障点均在距离另一侧换流站10km处停止设置，其中区段1、区段2、区段3和区段4分别采集故障数据1122、186、1026和942个，数据样本总数为3276。实验研究设备为12核Intel(R)Xeon(R)CPU E5-2650 v4@2.20GHz内存:60GB，GPU为TeslaP4024GB，编译平台为Python3.8,Tensorflow2.5.0,Keras2.5.0。

利用故障数据集训练CNN区段识别模型，其中3276个故障样本的80％作为训练集，20％作为测试集。在单极故障发生后，串联系统不同区段的故障线模电压，进行PCA降维。通过多次实验，最终选择将线模电压分量通过PCA处理为4维数据。

按照四个区段的测距需求，分别训练定位模型。训练测距模型时，该区段故障数据集的80％用作训练，20％用作模型测试。图4展示了区段1上距离甲站100km、过渡电阻100Ω情况下发生正极接地故障的3层小波包分解波形。

如图5所示，以区段1为例，将各小波包频带采样点分布情况绘制成热力图，灰色部分是通过皮尔逊相关系数选取的采样点。在50kHz的采样频率下，每个采样点对应6.25Hz。故障发生时，先对故障电压进行分解和特征提取，再依据不同区段的采样点分布情况，提取相应的小波包频域数据构成特征向量，输入到测距模型即可完成定位。

针对定位模型参数选取问题，设定SSA算法初始麻雀种群数量为50，最大迭代次数200，发现者比例为0.7，种群中意识到危险的麻雀占比为0.2，安全阈值为0.6。3层卷积核个数N₁、N₂、N₃，LSTM神经元数N₄、两层全连接层神经元数N₅、N₆寻优范围均为16的1～100倍，适应度函数为测试集样本的平均绝对误差。卷积核尺寸、步长为2，各层的学习率均采用自适应调整，无需进行寻优。四个区段的CNN-LSTM-Attention故障定位模型参数的寻优结果如表3。

表3CNN-LSTM-Attention模型寻优结果

/>

试验一：故障区段识别效果分析

将线模电压通过PCA降为3维数据，降维结果如图6所示。其中绿色为区段1降维后的特征向量数据，黄色、橙色和红色对应区段2、区段3和区段4。从图6中可以看出，PCA在有效减少变量个数的情况下保证了信息完整性，三维空间中四个区段的故障特征量区分明显，当采用4个主成分时，不同区段特征向量的区分度将会更高，预测效果更佳。

卷积层设置过多将会降低模型计算效率、增大算法复杂性。通过多次实验，确定一维CNN区段识别模型采用1层输入，2层卷积层和批标准化层，1层扁平层、1层全连接层和1层softmax输出层的网络结构。卷积层的卷积核尺寸、步长为2，激活函数为relu，卷积核数目分别设置为64和128，全连接层神经元数为256。所有层的学习率通过keras回调函数ReduceLROnPlateau动态调整。

为了检验区段识别方法的准确性和实时性，引入采用麻雀算法优化的SVM和随机森林进行对比，故障诊断结果如下。

表4智能算法区段识别结果

由表4可知，CNN模型的区段识别准确性要优于SVM和随机森林，但诊断时间要大于随机森林。但该方法5ms的采样时间，能够保证在断路器动作之前将故障数据采集完成，且预测时长能够满足实际现场中故障分析和汇报的工作要求。综上对比来看，该方法可以保证故障诊断的准确性和快速性。

试验二：故障定位效果分析

为了验证所提定位方法的有效性，利用不同故障区段、不同故障距离、不同过渡电阻的故障数据进行CNN-LSTM-Attention模型定位测试，结果如表5所示。

表5CNN-LSTM-Attention单极接地故障定位误差

为测试CNN-LSTM-Attention(CNN-LSTM-AT)模型的高阻定位效果，将区段1定位模型在500Ω、1000Ω高阻接地故障下与采用SVR、CNN、LSTM、CNN-LSTM的定位模型进行测距对比。训练对比模型时，仅将回归算法进行变换，其余步骤保持一致。SVM的惩罚因子寻优范围为[0.0001,50000],核函数参数寻优范围为[0.0001,10]。相较于CNN-LSTM-AT定位模型，CNN测距模型只减少了LSTM隐含层和注意力层，卷积层设置相同，用算法对卷积核个数和全连接层神经元寻优。LSTM测距模型为两层LSTM隐含层，一层扁平层和两层全连接层的结构，对隐含层神经元数和全连接层神经元数进行寻优。与CNN-LSTM-AT模型相比，CNN-LSTM网络只减少了注意力层。所有对比模型的参数寻优范围均为16的1～100倍。各模型的定位参数设置如表6所示。

表6区段1定位模型参数

表7区段1高阻故障定位结果

通过表7可知，CNN-LSTM网络的测距精度相较于SVR、CNN和LSTM网络分别提升了58.1％、27.3％和71.1％，证明CNN-LSTM模型结合了CNN特征提取和LSTM处理序列数据的优点，预测精度好于传统机器学习模型和单一神经网络。添加了注意力机制的CNN-LSTM-AT模型定位精度相较于CNN-LSTM又提升了19.4％，证明了注意力机制对于模型预测能力的优化效果。高阻故障下，所提模型在不同故障位置下均保持了良好的定位性能，证实了该方法具有较好的抗过渡电阻能力。图7展示了高阻故障下各模型在不同位置的平均绝对误差，可以直观看出所提方法定位高阻故障的良好效果。

综上所述，本发明根据故障行波的色散效应，提出了一种适用于±500kV四端柔性直流输电线路的单极接地故障定位方法。通过仿真实验，可以得到如下结论：

1)故障行波沿线路传输时受到色散效应的影响，不同区段、故障位置和过渡电阻的行波形态存在差异，其中蕴含着大量故障信息。

2)通过PCA降维处理故障线模电压进行区段识别，在保证信息完整的前提下可有效避免数据冗余。通过小波包分解结合皮尔逊相关系数可以对线路故障特征进行提取，通过CNN、LSTM和Attention机制三种结构搭建定位模型，与采用相同特征量的其它算法相比，CNN-LSTM-Attention的高阻定位性能更佳。

3)与行波法相比，所提方法仅利用输电线路测量点电压数据即可实现准确定位，无需识别行波波头、确定波速，操作简便，同时具有较好的耐过渡电阻能力。

4)智能算法的采用，虽然增加了计算量和诊断时长，但在高速计算机下测距时间依旧可以达到毫秒级别，并且故障测距也无需像暂态保护一样保证速动性，这不会影响该方法的实用性。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (4)

1.一种基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法，其特征在于：通过主成分分析PCA处理不同区段的线模电压并构造特征矩阵，结合一维CNN确定故障区段；然后利用小波包分解结合皮尔逊相关系数提取该故障区段线模电压的频域特征，最后利用CNN-LSTM-Attention网络实现故障定位。

2.根据权利要求1所述的基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法，其特征在于：采用麻雀搜索算法对定位模型参数进行寻优，以避免训练时陷入局部最优。

3.根据权利要求1所述的基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法，其特征在于：利用CNN-LSTM-Attention网络实现故障定位具体为基于小波包分解和皮尔逊相关系数特征选择与CNN-LSTM-Attention混合网络进行多端柔性直流故障定位，其采用皮尔逊相关系数筛选与故障位置相关性高的小波包频带。

4.根据权利要求3所述的基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法，其特征在于：

用于故障定位的CNN-LSTM-Attention网络的具体训练过程包括以下步骤：

步骤S31：小波包分解，对得到的若干个频域段按照分解系数排列，构成新故障行波信号；

步骤S32：数据预处理，采用Z-score标准化对新故障行波信号进行归一化；

步骤S33：皮尔逊相关系数特征提取：以n个故障位置数据组成向量x，相同小波包频带在不同故障位置下的频域数据作为向量y，计算向量x和y皮尔逊相关系数的绝对值，按照运算结果选择与故障位置相关性高的前若干个小波包频带数据，构成测距特征向量；

步骤S34：构建CNN-LSTM-Attention模型：采用3层卷积层、1层LSTM、1层注意力层和扁平层以及2层全连接层的网络结构，依据皮尔逊相关系数，确定各个区段相关性高的若干个小波包频带，以此建立不同区段的故障测距模型；

步骤S35：SSA算法寻优：以平均绝对误差作为适应度函数，对CNN-LSTM-Attention网络的卷积核个数、LSTM层神经元数、全连接层神经元数进行寻优；

步骤S36：保存训练好的模型，用测试数据集进行检验。

Images