CN117517915A - 换流阀组件级回路故障检测方法、装置和计算机设备 - Google Patents
换流阀组件级回路故障检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117517915A CN117517915A CN202311474457.1A CN202311474457A CN117517915A CN 117517915 A CN117517915 A CN 117517915A CN 202311474457 A CN202311474457 A CN 202311474457A CN 117517915 A CN117517915 A CN 117517915A
- Authority
- CN
- China
- Prior art keywords
- fault
- current
- parameter
- power parameter
- loop
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 230000015654 memory Effects 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000013016 damping Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010992 reflux Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005288 electromagnetic effect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Conversion In General (AREA)
Abstract
本申请涉及一种换流阀组件级回路故障检测方法、装置和计算机设备。所述方法包括:根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数;对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征;根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得目标预测周期的预测电力参数;根据预测电力参数和目标预测周期的实际电力参数进行故障分析,获得故障分析结果;当故障分析结果为存在故障,根据当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息。采用本方法提高故障识别及定位效率,有效控制晶闸管级回路中谐波谐振。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种换流阀组件级回路故障检测方法、装置和计算机设备。
背景技术
在换流阀的检修试验过程中,利用万用表、电容表对每只晶闸管级辅助电路各个元件的阻值或容值进行测量,保证晶闸管级的辅助电路各个元件的电气性能在正常范围内,从而保证晶闸管的正常工作。晶闸管的过电流、过电压能力很差,一旦过电流,晶闸管内部的温度会急剧上升,导致元器件被烧坏,因此在晶闸管两端并联辅助电路,将若干个晶闸管串联起来以适应不同的电压等级。直流输电系统的智能型换流阀均压测试仪建成后,阻抗特性、单体电阻、单体电容的测试算法要在换流阀组件的电路基础和网络统一框架中运行测试功能。晶闸管级电气参量设计功能为使每个晶闸管两端的电压均匀分配,减少阀关断时的换相过冲,与饱和电抗器配合抑制阀端出现的异常过电压,为控制单元耦合取能提供工作电源。
传统技术中,采用测量单只晶闸管电阻与电容的方法,该方法必须将每个晶闸管级上的辅助电路各元件断开,逐一测量晶闸管阻值、阻尼电阻值、阻尼电容值和直流均压电阻值等参数。
然而,传统方法通过对晶闸管周期性的导通和关断,而该操作产生的高幅值、快速变化的电压和电流将通过传导及电磁辐射的方式形成电磁干扰电磁骚扰可能会对换流站内的二次设备以及换流站附近的设备关键电气特性测试产生电磁影响。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高对晶闸管级器件和组件级器件中故障判断精确性、提高稳定运行稳定性以及有效抑制谐波提高设备使用寿命的换流阀组件级回路故障检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种换流阀组件级故障检测方法,包括:
根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数;
对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征;
根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得目标预测周期的预测电力参数;
根据预测电力参数和目标预测周期的实际电力参数进行故障分析,获得故障分析结果;
当故障分析结果为存在故障,根据当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息。
在其中一个实施例中,对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征,包括:
获取当前时刻的当前电力参数测量值;
对当前电力参数测量值进行特性分析,获得当前时域特征参数和当前频域特征参数;
基于预设筛选方案对当前时域特征参数和当前频域特征参数进行筛选,获得目标时域特征参数和目标频域特征参数。
在其中一个实施例中,根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得目标预测周期的预测电力参数,包括:
根据预设电力参数预测模型的第一电力参数预测模型和第二电力参数预测模型对预测输入电力参数进行参数分析,获得第一输入特征和第二输入特征;
根据第一输入特征和第二输入特征对上一电力参数特征进行筛选,获得第一目标输入特征和第二目标输入特征;
根据第一目标输入特征和第一电力参数预测模型进行预测,获得第一预测参数;
根据第二目标输入特征和第二电力参数预测模型进行预测,获得第二预测参数。
在其中一个实施例中,根据预测电力参数和目标预测周期的实际电力参数进行故障分析,获得故障分析结果,包括:
将第一预测参数和实际电力参数进行比较,获得第一异常参数;
将第二预测参数和实际电力参数进行比较,获得第二异常参数;
根据第一异常参数和第二异常参数进行分析,获得故障分析结果。
在其中一个实施例中,当故障分析结果为存在故障,根据当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息,包括:
在确定晶闸管级回路存在故障后,对当前实际电力参数进行时频域分析,获得故障识别参数;
根据故障识别参数和预设故障识别阈值进行故障分类,获得多个分类后故障;
根据多个分类后故障对应的当前实际电力参数确定多个分类后故障对应的故障位置信息。
在其中一个实施例中,在根据晶闸管级回路历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数之前,方法还包括:
基于系统电路结构和元件参数构建系统的初始状态空间模型;
根据预设控制策略、晶闸管级回路中负载元件和晶闸管级回路中电力参数特性对初始状态空间模型进行优化,获得目标状态空间模型;
将目标状态空间模型设定为回路谐波阻抗模型。
在其中一个实施例中,在根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数之前,方法还包括:
根据系统中电流阈值和采集获得的当前正序有功电流进行幅值计算,获得负序电流幅值;
在采集当前输出负序电流后,将当前输出负序电流与负序电流幅值进行比较,获得输出比较结果;
当输出比较结果为当前输出负序小于负序电流幅值,根据当前正序有功电流、当前输出负序和电流阈值进行正序阈值计算,获得正序无功电流阈值。
在其中一个实施例中,在根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数之前,方法还包括:
获取不同类型故障的正序、负序和零序对应的第一类型等效电路;
基于预设电路变换方案对不同类型故障的正序和负序对应的第一类对等效电路进行转换,获得第二类型等效电路;
基于第二类型等效电路的电路参数进行分析,获得目标等效阻抗表达式。
第二方面,本申请还提供了一种换流阀组件级回路故障检测装置,包括:
参数测算模块,用于根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数;
特征提取模块,用于对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征;
预测比较模块,用于根据阻抗回路测算参数特性和预设电力参数预测模型进行估算,获得目标预测周期的预测电力参数;
故障分析模块,用于根据预测电力参数和目标预测周期的实际电力参数进行故障分析,获得故障分析结果;
定位分析模块,用于当故障分析结果为存在故障,根据当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数;
对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征;
根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得目标预测周期的预测电力参数;
根据预测电力参数和目标预测周期的实际电力参数进行故障分析,获得故障分析结果;
当故障分析结果为存在故障,根据当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数;
对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征;
根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得目标预测周期的预测电力参数;
根据预测电力参数和目标预测周期的实际电力参数进行故障分析,获得故障分析结果;
当故障分析结果为存在故障,根据当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数;
对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征;
根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得目标预测周期的预测电力参数;
根据预测电力参数和目标预测周期的实际电力参数进行故障分析,获得故障分析结果;
当故障分析结果为存在故障,根据当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息。
上述换流阀组件级回路故障检测方法、装置、计算机设备、存储介质和计算机程序产品,将晶闸管级回路的历史电力参数输入至预设阻抗回路测算模型中,计算得到阻抗活路电气参数即阻抗回路测算参数,然后根据采集得到的当前时刻电气信号的实时测量值,并对其进行特征分析提取,并筛选出适用于预设电气参数预测模型的参数特征,之后以阻抗回路测算参数为系统运行参数,利用预设电气参数预测模型预测得到下一时刻的预测参数,之后将预测参数与采集的实时测量值进行比较,以确定系统中晶闸管级回路是否存在故障,基于实时测量值的电气参数信号与预设故障识别阈值进行比较,以确定回路中故障位置信息,提高了晶闸管级回路中故障的识别和定位效率,有效控制晶闸管级回路中的谐波谐振,以保证系统安全稳定运行。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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。
图1为一个实施例中线路故障检测方法的流程示意图;
图2为一个实施例中故障识别定位步骤的流程示意图;
图3为一个实施例中均压测试仪测试物理框架的应用示意图;
图4(a)为一个实施例中换流阀控制系统的结构示意图;
图4(b)为一个实施例中换流阀控制系统触发脉冲的信号示意图;
图4(c)为一个实施例中晶闸管级回路中电力参数特性变化趋势的示意图;
图5为一个实施例中锁相环的原理示意图;
图6为一个实施例中线路故障检测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个示例性的实施例中,如图1所示,提供了一种换流阀组件级回路故障检测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括步骤102至步骤110。其中:
步骤102,根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数。
其中,组件级回路包括多个组件级器件,组件级器件中具有多个晶闸管级回路,晶闸管级回路包括多个晶闸管级器件,历史电力参数是指目标预测周期之前晶闸管级器件的电力参数。
示例性地,在获得预设阻抗回路测算模型后,确定需要进行预测的目标预测周期,然后获取该目标预测周期之前换流阀中晶闸管级器件的电力参数,即历史电力参数。将历史电力参数输入预设阻抗回路测算模型之后,测算得到阻抗回路测算参数。
步骤104,对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征。
其中,电力参数测量值包括晶闸管级器件的电流、电压、电阻等参数的测量值。
示例性地,在采集当前时刻电气信号的实时数据即当前电力参数测量值后,利用统计方法对电力参数在时间上的变化特性进行分析得到电力参数的时域特征参数。然后转换到频域再次分析,得到频域特征参数。之后从时域特征参数和频域特征参数提取适用于预设电力参数预测模型的目标时域参数特征和目标频域参数特征。
步骤106,根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得目标预测周期的预测电力参数。
其中,预设电力参数预测模型是基于阻抗回路测算参数特性构建,以及基于历史电力参数训练得到的。
示例性地,在确定需要预测的目标预测周期之后,采集目标预测周期之前的电力参数实时测量值,将其作为预测输入电力参数。在获取之后,基于预设电力参数模型所需输入参数的类型从预测输入电力参数中选择合适的预测参数,将预测参数输入至预设电力参数预测模型,然后输出目标预测周期对应的预测电力参数。
步骤108,根据预测电力参数和目标预测周期的实际电力参数进行故障分析,获得故障分析结果。
示例性地,将预测电力参数与实时采集的实力电力参数比较,以确定晶闸管级回路中是否存在故障即得到故障分析结果。
步骤110,当故障分析结果为存在故障,根据当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息。
其中,预设故障识别阈值用于对故障进行分类,回路故障位置信息包括组件级回路故障位置和晶闸管级回路故障位置。
示例性地,通过对实际电力参数中电流参数分析,得到电气信号的能量、标准方差和四阶中心矩,并将电气信号的能量、标准方差和四阶中心矩分别与预设故障识别阈值比较,以确定故障类型。之后基于实际电力参数中电流参数和电压参数进行定位计算,确定故障位置。
将实际电力参数中的电流参数与预设故障识别阈值的电流阈值比较,以确定
上述换流阀组件级回路故障检测方法中,将晶闸管级回路的历史电力参数输入至预设阻抗回路测算模型中,计算得到阻抗活路电气参数即阻抗回路测算参数,然后根据采集得到的当前时刻电气信号的实时测量值,并对其进行特征分析提取,并筛选出适用于预设电气参数预测模型的参数特征,之后以阻抗回路测算参数为系统运行参数,利用预设电气参数预测模型预测得到下一时刻的预测参数,之后将预测参数与采集的实时测量值进行比较,以确定系统中晶闸管级回路是否存在故障,基于实时测量值的电气参数信号与预设故障识别阈值进行比较,以确定回路中故障位置信息,提高了中晶闸管级回路中故障的识别和定位效率,有效控制中晶闸管级回路中的谐波谐振,以保证系统安全稳定运行。
在一个示例性的实施例中,对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征,包括:
获取当前时刻的当前电力参数测量值;对当前电力参数测量值进行特性分析,获得当前时域特征参数和当前频域特征参数;基于预设筛选方案对当前时域特征参数和当前频域特征参数进行筛选,获得目标时域特征参数和目标频域特征参数。
其中,当前电力参数测量值是指晶闸管级回路中电气信号的实时数据,包括晶闸管级回路中晶闸管级器件的电流、电压、电阻等参数的实时测量值。
示例性地,对晶闸管级回路中的电气信号进行实施采集,得到当前时刻当前电力参数测量值。然后利用从统计方法对当前电力参数进行时间上变化特性的分析,即得到当前电力参数的时域特征参数。之后在对电力参数的时域信号进行傅里叶变换转换至频域,从频谱中特征频率以及其对应的幅值,作为频域特征参数。还可以分析谱线宽度、谱峰之间的距离、单位频带功率等频谱参数。
上述时域特征参数可以是平均值、方差、峰值、均方根值、信号的形状参数(如峰度、偏度等)等。
在获得时域特征参数和频域特征参数之后,通过特征选择或者特征降维的方法筛选出可以用于预测比较的特征参数。
在本实施例中,通过对电气参数的实时测量值进行时域和频域上的分析,提取并选择适用于预测比较的时域特征参数和频域特征参数,可以提高对晶闸管级回路中故障分析的精确性。
在一个示例性的实施例中,根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得目标预测周期的预测电力参数,包括:
根据预设电力参数预测模型的第一电力参数预测模型和第二电力参数预测模型对预测输入电力参数进行参数分析,获得第一输入特征和第二输入特征;根据第一输入特征和第二输入特征对上一电力参数特征进行筛选,获得第一目标输入特征和第二目标输入特征;根据第一目标输入特征和第一电力参数预测模型进行预测,获得第一预测参数;根据第二目标输入特征和第二电力参数预测模型进行预测,获得第二预测参数。
其中,预设电力参数预测模型包括第一电力参数预测模型和第二电力参数预测模型。
示例性地,在测算得到阻抗回路测算参数后,分析确定阻抗回路测算参数特性,并得到预设电力参数预测模型。
预设电力参数预测模型中第一电力参数预测模型可以采用CNN-TLSTM(Convolutional Neural Network-Temporal Long Short-Term Memory,卷积神经网络-长短期记忆网络)模型,并且该第一电力参数预测模型基于阻抗回路测算参数特性构建。模型具体包括:
遗忘门:
Ct-1=Ct-1*σ(f1(ht-1,xt))
其中,ht-1为上一状态的输出数据,xt为现在状态的输入数据,f1为用于检测过阻尼特性的超高阻抗故障的参数特性,σ为sigmoid激活函数且其输出值范围为[0,1],0表示“不传递信息”,1表示“传递所有信息”,Ct-1为上一状态且数值处于[0,1]之间。
输入门、选择记忆:
Ct=Ct-1+σ(f2(ht-1,xt))*tanh(f3(ht-1,xt))
其中,Ct为当前状态,f2为用于检测过阻尼特性的高阻抗故障的参数特性,f3为用于检测欠阻尼特性的低阻抗故障的参数。
输出门、输出阶段:
ht=tanh(Ct)*σ(f4(ht-1,xt))
TLSTM模型的计算如下所示:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
C′t=tanh(Wc·[ht-1,xt]+bc)
tt=1-tanh(it)
Ct=ft*Ct-1+tt*C′t
ht=ot*tanh(Ct)
其中,Wf,Wi,Wo,Wc分别为遗忘门、输入门、输出门、候选单元的输入权值;bf,bi,bo,bc为上述所对应的偏置权值;t表示当前时间状态;t-1为前一时间状态;x表示输入;h表示输出;c为单元状态;C′为更新后的单元状态。
在获取前一时间状态的实际测量值后,提取第一预测电力参数预测模型所需相关参数特征,并进行预测计算,得到第一预测参数。
预设电力参数预测模型中第二电力参数预测模型可以采用量子粒子群优化算法模型,而在本申请中该模型删除了粒子的运行方向属性并更新了粒子的位置,使其独立于先前的运动,从而增加粒子位置的随机性。具体的粒子更新公式如下所示:
其中,M表示粒子群的大小;Mbest表示平均的粒子历史最好位置;表示当前迭代中的第i个粒子历史最好位置;/>表示当前全局最优粒子;Pi用于第i个粒子位置的更新;xi表示第i个粒子的位置;α为创新参数,一般不大于1;φ和u为(0,1)上的均匀分布数值,取正、负的概率均为0.5。
在预测计算得到第一预测参数的同时,提取第二预测电力参数预测模型所需相关参数特征,并进行预测计算,得到第二预测参数。
在本实施例中,通过预设电力参数预测模型的第一电力参数预测模型和第二电力参数预测模型分别进行预测计算,得到第一预测参数和第二预测参数,有利于提高是否存在故障的精确性,并且可以对后续晶闸管级回路运行状态精确预测,以降低系统运行故障的概率。
在一个示例性的实施例中,根据预测电力参数和目标预测周期的实际电力参数进行故障分析,获得故障分析结果,包括:
将第一预测参数和实际电力参数进行比较,获得第一异常参数;将第二预测参数和实际电力参数进行比较,获得第二异常参数;根据第一异常参数和第二异常参数进行分析,获得故障分析结果。
示例性地,在获取目标预测周期对应的实际电力参数的实际测量值后,基于第一预测参数和第二预测参数对实际电力参数进行特征提取,得到第一实际电力参数特征和第二实力电力参数特征。然后将第一实际电力参数特征与第一预测参数的特征比较,并且将第二实际电力参数特征与第二预测参数的特征比较,分析是否存在较大差异的电力参数,即获得故障分析结果。
并且在分析过程中可以基于第一预测参数特征和第二预测参数特征机对系统运行状态进行分析,获得系统运行的趋势,以通过变化异常趋势对系统运行故障的预先排除。
在本实施例中,通过预设电力参数预测模型对目标预测周期的系统运行状态预测,再将其与实际测量值比较分析以判断系统是否存在故障,能有效地检测和控制高压换流器中的谐波电流和电压,降低了系统发生故障的风险,对保证系统安全稳定运行。
在一个示例性的实施例中,如图2所示,当故障分析结果为存在故障,根据当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息,包括:
步骤202,在确定晶闸管级回路存在故障后,对当前实际电力参数进行时频域分析,获得故障识别参数。
示例性地,利用滑动窗口对时域电流进行分析得到电流信息,并基于帕塞瓦尔定理得到故障定位公式,故障定位公式为:
其中,P[h]为抽取的相功率谱;X*为共轭;S为电流信号采样数;h为频率标记;x[j]为信号采样值。
通过对故障定位公式求解,得到零阶方根f1、二阶方根f2和四阶方根f3。
步骤204,根据故障识别参数和预设故障识别阈值进行故障分类,获得多个分类后故障。
示例性地,对于晶闸管级回路故障的判定,需要设置不同故障类型的判断阈值。其中,可以设置f1用于检测过阻尼特性的超高阻抗故障;f2用于检测过阻尼特性的高阻抗故障;f3用于检测欠阻尼特性的低阻抗故障。
f1的判断阈值设置定额定电流的1.5倍,并设定保护的定时限时延为其中定时限时延用于区分系统状态的暂过程和故障过程。
f2的判断阈值设置定额定电流的4倍,并设定保护的定时限时延为的一半。
f3的判断阈值应当使得线路最大故障阻抗的短路故障电流峰值可引起欠阻尼响应,具体为:
其中,Ru为晶闸管级回路最大故障阻抗,L1为晶闸管级回路中电感,C为晶闸管级回路中电容,R1为晶闸管级回路中电阻。
在得到零阶方根f1、二阶方根f2和四阶方根f3之后,将零阶方根f1、二阶方根f2和四阶方根f3分别与对应的故障识别阈值比较,进而对故障进行分类并进行切除。
步骤206,根据多个分类后故障对应的当前实际电力参数确定多个分类后故障对应的故障位置信息。
示例性地,在确定故障类型后,采用叠加潮流对进行定位。故障前电压一般高于故障电压,因此当故障发生时,叠加电压为负,但是叠加电流取决于故障位置。具体表现为:
故障发生前,叠加电流为正,因此叠加功率为负。
故障发生后,叠加电流为负,因此叠加功率为正。
具体的计算公式为:
psi=isi×vsi
isi=if-if0
vsi=vf-vf0
其中,vsi为叠加电压;isi为叠加电流;if和if0为故障前后电流;vf和vf0为故障前后电压。
对于故障分析判断均需要采用如图3所示的均压测试以测试物理框架。并且判断过程中需要考虑主动限流控制(ACLC,Active Corona and Load Control)对等效RLC(电阻、电感、电容)电路的影响,将其控制效果等效为虚拟阻抗产生的压降。同时由于该电网发生直流短路故障时,故障回路等值阻抗小,直流故障电流上升率快,峰值大,对直流断路器的开端速度和容量要求高。因此,在MMC控制算法上附加对故障晶闸管级回路中短路电流的主动限流控制功能大大减少了硬件的投资,在电压外环控制器增设虚拟阻抗能实现控制减小换流站出口直流电压达到降低故障电流的目的。
ACLC的控制效果映射在常规阀和虚拟电感的部分,则虚拟阻抗产生的压降的计算方式为:
Δu(s)=idci(s)×(Rvir//Lvirs)
其中,Rvir为虚拟电阻,Lvir为虚拟电感,idci为换流站的出口直流电流。
因此,当等效虚拟阻抗只有虚拟电感时,压降值为:
Δu1(s)=idci(s)×Lvirs
当等效虚拟阻抗由虚拟电感和虚拟电阻并联得到时,压降值为:
RLC电路中电容的总电压值不变,投入的子模块数仍为N,故等效电容就能遵循储能相等原则,并且等效电阻与故障前电阻相等。
在换流阀进行测试时,采用如图4(a)所示的换流阀控制系统,通信控制处理器(CCP,communication control processor)为每个换流阀生成触发脉冲信号,并将每个换流阀的触发脉冲信号传输至阀基电子设备(VBE,Valve Base Electronics),然后阀基电子设备将每个换流阀的触发脉冲信号传输至对应的换流阀。在每个换流阀接收对应的触发脉冲信号之后,每个换流阀根据触发脉冲信号运行,同时对换流阀中组件级器件的电力参数和晶闸管级器件的电力参数采集,并将采集的电力参数发送至阀基电子设备。阀基电子设备基于电力参数进行判断,并在判断换流阀出现故障时向通信控制处理器发出告警提示。其中,触发脉冲信号的变化如图4(b)所示。
如图4(c)所示,启动换流阀所在系统运行,换流阀正常运行时采集电力参数,其中电压为110Hz的低频电压。而当测试脉冲信号发生改变时,采集得到的换流阀电压变化为6000Hz的高频电压,则可以分析确定换流阀的运行出现异常。其中,在测试过程中基于不同电力参数设置相关阈值,例如每次测试之间恢复期保护的时间可以但不限于设置为最小800μS且最大为950μS、触发反向恢复期的时间可以但不限于设置为最小-17V等。
在本实施例中,利用滑动窗口从时域电流中获取信息,并基于故障定位公式求解得到零阶方根f1、二阶方根f2和四阶方根f3,将其与预设故障阈值比较确定故障类型以及切除相应的故障,之后对分析得到的故障进行定位计算,以确定具体故障位置信息,进而可以精确判断晶闸管级回路中的故障,以及对故障位置进行精确定位,缩短故障检测时间,提高了电力系统的稳定性和运行效率。
在一个示例性的实施例中,在根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数之前,方法还包括:
基于系统电路结构和元件参数构建系统的初始状态空间模型;根据预设控制策略、晶闸管级回路中负载元件和晶闸管级回路中电力参数特性对初始状态空间模型进行优化,获得目标状态空间模型;将目标状态空间模型设定为回路谐波阻抗模型。
其中,预设阻抗回路测算模型包括回路谐波阻抗模型。
示例性地,需要获取均压测试仪历史数据中各类电力参数,例如:电压、电流、阻抗、容量等,作为电力参数序列的时间特征。并且相应的提取各类参数在目标预测周期之前多个周期的历史值。具体的相关参数如下表1所示:
表1电力参数
之后,需要考虑换流器系统的晶闸管换流器、控制系统、直流负载及晶闸管级回路等,则对其进行分析处理。在分析确定换流器等间隔触发的脉冲触发方式、交流电压三相对称与直流电流为平滑直流的特性之后,构建晶闸管换流器模型、控制系统模型、直流负载模型和晶闸管级回路模型。
利用三相开关函数进行傅里叶展开,并得到基波分量并对三相变量进行dq变换,则晶闸管换流器模型中各变量的表达式为:
其中,μ为换相重叠角,θVp为母线电压初相位,为功率因数角,θPLL为换流器母线电压Vp的相位。
直流输出电压的表达式以单12脉冲换流器的直流输出电压为例:
其中,Xt为换流变漏抗。
对于控制系统模型而言,定电流控制器采集到整流侧直流电流Idc后,首先经过测量环节,电流测量值Idcm与电流参考值Iref比较得到差值作为PI控制环节的输入,最后得到整流侧换流器触发角α。其中整流侧换流器触发角α的表达式为:
需要采用如图5所示的锁相环对Vp的dq分量进行闭环反馈计算,得到交流网侧电压的q轴分量的标幺值,具体为:
之后,对高压直流系统进行局部线性优化得到小信号模型,则可以建立系统的状态方程,具体为:
其中,ΔX为系统的状态变量矩阵的小信号值;ΔU为系统输入变量的小信号值;A为系统状态矩阵;B为系统输入矩阵。
通过状态方程可以得到状态变量矩阵X,并基于系统的状态方程以及对输入变量U取直流端口外加小扰动谐波电压Vf,可以得到回流谐波阻抗,表达式为:
然后对回流谐波阻抗表达式进行拉普拉斯变换后与原式联合得到高压直流换回器的直流谐波阻抗s域表达式,变换到频域后即为直流谐波阻抗的频谱。进而可以基于回流谐波阻抗表达式和直流谐波阻抗的频谱得到目标预测周期的阻抗回路测算参数。
并且在进行预测时,需要对测算得到的原始数据进行数据清洗与预处理。例如:TLSTM模型的输入需要先对输入数据进行最小值-最大值归一化处理:
式中:xi为不同单位的输入输出数据,xmin为所选数据的最小值,xmax为所选数据的最大值,为数据归一化后处理后的值。
在本实施例中,通过对系统组件以及晶闸管级回路中元件分析,构建相应的模型,并整合所有模型进行对阻抗回路的测算,能有效地检测和控制高压换流器中的谐波电流和电压,进而使得系统发生故障的风险降低。
在一个示例性的实施例中,在根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数之前,方法还包括:
根据系统中电流阈值和采集获得的当前正序有功电流进行幅值计算,获得负序电流幅值;在采集当前输出负序电流后,将当前输出负序电流与负序电流幅值进行比较,获得输出比较结果;当输出比较结果为当前输出负序小于负序电流幅值,根据当前正序有功电流、当前输出负序和电流阈值进行正序阈值计算,获得正序无功电流阈值。
其中,预设阻抗回路测算模型包括交流回路阻抗评估与微电网故障判断模型。
示例性地,需要对阻抗回路进行阈值设定,以避免不合理的数据影响测算结果。因此需要设定换流器的最大允许负序电流幅值,以及设定输出负序电流后换流器仍有剩余容量时正序无功电流参考值的限幅值。
最大允许负序电流幅值的表达式为:
其中,为保护元件辨别故障所需的负序电流幅值;Imax为换流器总电流的最大值;/>为当前正序有功电流。
正序无功电流参考值的限幅值,表达式为:
其中,为正序无功电流最大值;/>为当前输出负序电流相量。
在本实施例中,通过对换流器中的电流幅值进行限定,有利于通过避免直流谐振,可以减少对晶闸管半导体开关的损伤,从而延长设备使用寿命,降低设备的维修和更换成本。
在一个示例性的实施例中,在根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数之前,方法还包括:
获取不同类型故障的正序、负序和零序对应的第一类型等效电路;基于预设电路变换方案对不同类型故障的正序和负序对应的第一类对等效电路进行转换,获得第二类型等效电路;基于第二类型等效电路的电路参数进行分析,获得目标等效阻抗表达式。
示例性地,对于不同的故障类型,需要构建正序、负序和零序T型等效电路。为了使得等效电路中相关参数之间贴近线性关系,利用Y-Δ变换,将正序和负序的T型等效电路继续简化为П型电路的等效阻抗。等效电路对应的等效阻抗为:
ZI,i=KZ1+Zt1,i/(1-K)
ZII,i=Z1+K(1-K)Z1 2/Zt1,i
ZII,i=(1-K)Z1+Zt1,i/K
其中,i为不同故障类型。
在本实施例中,通过简化等效电路,提高了计算阻抗的精确性,有利于避免直流谐振,可以减少对晶闸管半导体开关的损伤,从而延长设备使用寿命,降低设备的维修和更换成本。
在一个示例性的实施例中,提供了一种换流阀组件级回路故障检测方法,包括:
基于系统电路结构和元件参数构建系统的初始状态空间模型。
根据预设控制策略、晶闸管级回路中负载元件和晶闸管级回路中电力参数特性对初始状态空间模型进行优化,获得目标状态空间模型。
将目标状态空间模型设定为回路谐波阻抗模型。
根据系统中电流阈值和采集获得的当前正序有功电流进行幅值计算,获得负序电流幅值。
在采集当前输出负序电流后,将当前输出负序电流与负序电流幅值进行比较,获得输出比较结果。
当输出比较结果为当前输出负序小于负序电流幅值,根据当前正序有功电流、当前输出负序和电流阈值进行正序阈值计算,获得正序无功电流阈值。
获取不同类型故障的正序、负序和零序对应的第一类型等效电路。
基于预设电路变换方案对不同类型故障的正序和负序对应的第一类对等效电路进行转换,获得第二类型等效电路。
基于第二类型等效电路的电路参数进行分析,获得目标等效阻抗表达式。
根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数。
获取当前时刻的当前电力参数测量值。
对当前电力参数测量值进行特性分析,获得当前时域特征参数和当前频域特征参数。
基于预设筛选方案对当前时域特征参数和当前频域特征参数进行筛选,获得目标时域特征参数和目标频域特征参数。
根据预设电力参数预测模型的第一电力参数预测模型和第二电力参数预测模型对预测输入电力参数进行参数分析,获得第一输入特征和第二输入特征。
根据第一输入特征和第二输入特征对上一电力参数特征进行筛选,获得第一目标输入特征和第二目标输入特征。
根据第一目标输入特征和第一电力参数预测模型进行预测,获得第一预测参数。
根据第二目标输入特征和第二电力参数预测模型进行预测,获得第二预测参数。
将第一预测参数和实际电力参数进行比较,获得第一异常参数。
将第二预测参数和实际电力参数进行比较,获得第二异常参数。
根据第一异常参数和第二异常参数进行分析,获得故障分析结果。
在确定晶闸管级回路存在故障后,对当前实际电力参数进行时频域分析,获得故障识别参数。
根据故障识别参数和预设故障识别阈值进行故障分类,获得多个分类后故障。
根据多个分类后故障对应的当前实际电力参数确定多个分类后故障对应的故障位置信息。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的换流阀组件级回路故障检测方法的换流阀组件级回路故障检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个换流阀组件级回路故障检测装置实施例中的具体限定可以参见上文中对于换流阀组件级回路故障检测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图6所示,提供了一种换流阀组件级回路故障检测装置,包括:参数测算模块602、特征提取模块604、预测比较模块606、故障分析模块608和定位分析模块610,其中:
参数测算模块602,用于根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数。
特征提取模块604,用于对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征。
预测比较模块606,用于根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得目标预测周期的预测电力参数。
故障分析模块608,用于根据预测电力参数和目标预测周期的实际电力参数进行故障分析,获得故障分析结果。
定位分析模块610,用于当故障分析结果为存在故障,根据当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息。
在一个示例性的实施例中,特征提取模块604,还用于获取当前时刻的当前电力参数测量值;对当前电力参数测量值进行特性分析,获得当前时域特征参数和当前频域特征参数;基于预设筛选方案对当前时域特征参数和当前频域特征参数进行筛选,获得目标时域特征参数和目标频域特征参数。
在一个示例性的实施例中,预测比较模块606,还用于根据预设电力参数预测模型的第一电力参数预测模型和第二电力参数预测模型对预测输入电力参数进行参数分析,获得第一输入特征和第二输入特征;根据第一输入特征和第二输入特征对上一电力参数特征进行筛选,获得第一目标输入特征和第二目标输入特征;根据第一目标输入特征和第一电力参数预测模型进行预测,获得第一预测参数;根据第二目标输入特征和第二电力参数预测模型进行预测,获得第二预测参数。
在一个示例性的实施例中,故障分析模块608,还用于将第一预测参数和实际电力参数进行比较,获得第一异常参数;将第二预测参数和实际电力参数进行比较,获得第二异常参数;根据第一异常参数和第二异常参数进行分析,获得故障分析结果。
在一个示例性的实施例中,定位分析模块610,还用于在确定晶闸管级回路存在故障后,对当前实际电力参数进行时频域分析,获得故障识别参数;根据故障识别参数和预设故障识别阈值进行故障分类,获得多个分类后故障;根据多个分类后故障对应的当前实际电力参数确定多个分类后故障对应的故障位置信息。
在一个示例性的实施例中,该换流阀组件级回路故障检测装置还包括模型构建模块,用于基于系统电路结构和元件参数构建系统的初始状态空间模型;根据预设控制策略、晶闸管级回路中负载元件和晶闸管级回路中电力参数特性对初始状态空间模型进行优化,获得目标状态空间模型;将目标状态空间模型设定为回路谐波阻抗模型。
在一个示例性的实施例中,该换流阀组件级回路故障检测装置还包括阈值确定模块,用于根据系统中电流阈值和采集获得的当前正序有功电流进行幅值计算,获得负序电流幅值;在采集当前输出负序电流后,将当前输出负序电流与负序电流幅值进行比较,获得输出比较结果;当输出比较结果为当前输出负序小于负序电流幅值,根据当前正序有功电流、当前输出负序和电流阈值进行正序阈值计算,获得正序无功电流阈值。
在一个示例性的实施例中,该晶闸管级回路故障检测装置还包括的等效分析模块,用于获取不同类型故障的正序、负序和零序对应的第一类型等效电路;基于预设电路变换方案对不同类型故障的正序和负序对应的第一类对等效电路进行转换,获得第二类型等效电路;基于第二类型等效电路的电路参数进行分析,获得目标等效阻抗表达式。
上述换流阀组件级回路故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力参数数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种换流阀组件级回路故障检测方法。
本领域技术人员可以理解,图7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。
在一个示例性的实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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。
以上所述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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种换流阀组件级回路故障检测方法,其特征在于,所述方法包括:
根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数;
对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征;
根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得所述目标预测周期的预测电力参数;
根据所述预测电力参数和所述目标预测周期的实际电力参数进行故障分析,获得故障分析结果;
当所述故障分析结果为存在故障,根据所述当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息。
2.根据权利要求1所述的方法,其特征在于,所述对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征,包括:
获取当前时刻的当前电力参数测量值;
对当前电力参数测量值进行特性分析,获得当前时域特征参数和当前频域特征参数;
基于预设筛选方案对所述当前时域特征参数和所述当前频域特征参数进行筛选,获得目标时域特征参数和目标频域特征参数。
3.根据权利要求1所述的方法,其特征在于,所述预设电力参数预测模型包括第一电力参数预测模型和第二电力参数预测模型;所述根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得所述目标预测周期的预测电力参数,包括:
根据预设电力参数预测模型的第一电力参数预测模型和第二电力参数预测模型对所述预测输入电力参数进行参数分析,获得第一输入特征和第二输入特征;
根据所述第一输入特征和所述第二输入特征对上一电力参数特征进行筛选,获得第一目标输入特征和第二目标输入特征;
根据所述第一目标输入特征和所述第一电力参数预测模型进行预测,获得第一预测参数;
根据所述第二目标输入特征和所述第二电力参数预测模型进行预测,获得第二预测参数。
4.根据权利要求1所述的方法,其特征在于,所述预测电力参数包括第一预测参数和第二预测参数;所述根据所述预测电力参数和所述目标预测周期的实际电力参数进行故障分析,获得故障分析结果,包括:
将第一预测参数和所述实际电力参数进行比较,获得第一异常参数;
将第二预测参数和所述实际电力参数进行比较,获得第二异常参数;
根据所述第一异常参数和所述第二异常参数进行分析,获得故障分析结果。
5.根据权利要求1所述的方法,其特征在于,所述当所述故障分析结果为存在故障,根据所述当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息,包括:
在确定晶闸管级回路存在故障后,对所述当前实际电力参数进行时频域分析,获得故障识别参数;
根据所述故障识别参数和预设故障识别阈值进行故障分类,获得多个分类后故障;
根据多个所述分类后故障对应的当前实际电力参数确定多个所述分类后故障对应的故障位置信息。
6.根据权利要求1所述的方法,其特征在于,所述预设阻抗回路测算模型包括回路谐波阻抗模型;在所述根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数之前,所述方法还包括:
基于系统电路结构和元件参数构建所述系统的初始状态空间模型;
根据预设控制策略、晶闸管级回路中负载元件和晶闸管级回路中电力参数特性对所述初始状态空间模型进行优化,获得目标状态空间模型;
将所述目标状态空间模型设定为回路谐波阻抗模型。
7.根据权利要求1所述的方法,其特征在于,所述预设阻抗回路测算模型包括交流回路阻抗评估与微电网故障判断模型;在所述根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数之前,所述方法还包括:
根据系统中电流阈值和采集获得的当前正序有功电流进行幅值计算,获得负序电流幅值;
在采集当前输出负序电流后,将所述当前输出负序电流与所述负序电流幅值进行比较,获得输出比较结果;
当所述输出比较结果为当前输出负序小于负序电流幅值,根据所述当前正序有功电流、所述当前输出负序和所述电流阈值进行正序阈值计算,获得正序无功电流阈值。
8.根据权利要求7所述的方法,其特征在于,在所述根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数之前,所述方法还包括:
获取不同类型故障的正序、负序和零序对应的第一类型等效电路;
基于预设电路变换方案对不同类型故障的正序和负序对应的所述第一类对等效电路进行转换,获得第二类型等效电路;
基于第二类型等效电路的电路参数进行分析,获得目标等效阻抗表达式。
9.一种换流阀组件级回路故障检测装置,其特征在于,所述装置包括:
参数测算模块,用于根据晶闸管级回路的历史电力参数和预设阻抗回路测算模型进行测算,获得阻抗回路测算参数;
特征提取模块,用于对当前电气信号的当前电力参数测量值进行特征分析,获得目标时域参数特征和目标频域参数特征;
预测比较模块,用于根据目标预测周期之前的预测输入电力参数和预设电力参数预测模型进行估算,获得所述目标预测周期的预测电力参数;
故障分析模块,用于根据所述预测电力参数和所述目标预测周期的实际电力参数进行故障分析,获得故障分析结果;
定位分析模块,用于当所述故障分析结果为存在故障,根据所述当前实际电力参数和预设故障识别阈值对故障进行定位,获得回路故障位置信息。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474457.1A CN117517915A (zh) | 2023-11-07 | 2023-11-07 | 换流阀组件级回路故障检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474457.1A CN117517915A (zh) | 2023-11-07 | 2023-11-07 | 换流阀组件级回路故障检测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117517915A true CN117517915A (zh) | 2024-02-06 |
Family
ID=89752384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311474457.1A Pending CN117517915A (zh) | 2023-11-07 | 2023-11-07 | 换流阀组件级回路故障检测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117517915A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117991049A (zh) * | 2024-04-07 | 2024-05-07 | 国网江西省电力有限公司电力科学研究院 | 一种考虑多并网逆变器接入的配电网故障检测方法及系统 |
-
2023
- 2023-11-07 CN CN202311474457.1A patent/CN117517915A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117991049A (zh) * | 2024-04-07 | 2024-05-07 | 国网江西省电力有限公司电力科学研究院 | 一种考虑多并网逆变器接入的配电网故障检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cavraro et al. | Power distribution network topology detection with time-series signature verification method | |
Burgos et al. | Fuzzy modelling for the state-of-charge estimation of lead-acid batteries | |
Jiang et al. | Spatial-temporal synchrophasor data characterization and analytics in smart grid fault detection, identification, and impact causal analysis | |
CN117517915A (zh) | 换流阀组件级回路故障检测方法、装置和计算机设备 | |
Ponukumati et al. | An intelligent fault detection and classification scheme for distribution lines using machine learning | |
Kesici et al. | Wide area measurement based online monitoring and event detection using convolutional neural networks | |
MansourLakouraj et al. | Event classification in active distribution grids using physics-informed graph neural network and PMU measurements | |
CN109613324A (zh) | 一种谐波放大的检测方法及装置 | |
CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
Yue et al. | Dynamic state estimation enabled health indicator for parametric fault detection in switching power converters | |
Wilson et al. | Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning | |
Lavanya et al. | A deep learning technique for detecting high impedance faults in medium voltage distribution networks | |
Li et al. | Estimation method for voltage sag occurrence frequency based on calculation of protection operating time characteristics | |
CN115130550A (zh) | 一种基于梯度提升决策树的配电变压器故障识别方法 | |
Huang et al. | Converter fault diagnosis method based on principal component analysis combined with improved similarity classifier | |
Wang et al. | Load Loss Rate Evaluation Method of Sensitive Users Under Voltage Sag Based on Monitoring Data | |
Wan et al. | A review of power electronic parametric fault diagnosis methods | |
Lin et al. | Fault diagnosis of transformer based on KPCA and Elman neural network | |
Zhang et al. | JITL based Fault Detection of DAB DC-DC Converter with EPS Control | |
Torres et al. | New method based on wavelet transform and ANN for multiterminal HVDC system protection | |
Sundaray | Machine learning approach to event detection for load monitoring | |
Pourkeivani et al. | A Novel Index to Predict the Voltage Instability Point in Power Systems Using PMU-based State Estimation | |
Lin et al. | Identification of electricity theft based on the k-means clustering method | |
Singh et al. | Condition monitoring of electrical supply voltage quality to electrical machines using RBF neural network | |
Zaragoza et al. | Virtual Voltage Measurements via Averaging for Phase Identification in Power Distribution Systems |
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 |