CN117591859A - 基于数据驱动的风电新能源线路故障智能诊断方法及系统 - Google Patents
基于数据驱动的风电新能源线路故障智能诊断方法及系统 Download PDFInfo
- Publication number
- CN117591859A CN117591859A CN202311594922.5A CN202311594922A CN117591859A CN 117591859 A CN117591859 A CN 117591859A CN 202311594922 A CN202311594922 A CN 202311594922A CN 117591859 A CN117591859 A CN 117591859A
- Authority
- CN
- China
- Prior art keywords
- domain data
- data
- time domain
- new energy
- wind power
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 description 45
- 230000006870 function Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于数据驱动的风电新能源线路故障智能诊断方法及系统,该方法包括以下步骤:采集风电新能源系统线路两侧三相的电流时域数据与电压时域数据,并提取时域数据特征;采用时频变换方法将所述电流时域数据与电压时域数据转换为电流频域数据与电压频域数据,并提取频域数据特征;对所述时域数据特征和频域数据特征进行预处理;将预处理后的时域数据特征和频域数据特征输入预先构建好的故障诊断模型中,输出故障诊断结果,其中所述故障分类模型通过SVM算法进行构建。与现有技术相比,本发明具有提高诊断准确性、快速性等优点。
Description
技术领域
本发明涉及智能电网控制领域的技术,尤其是涉及一种基于数据驱动的风电新能源线路故障智能诊断方法及系统。
背景技术
随着全球对可再生能源的需求不断增长,风电作为一种重要的清洁能源形式得到了广泛的关注和发展。然而,由于现实环境的复杂性和风电设备的特殊性,风力发电机面临着一系列的技术挑战,其中之一是风电新能源系统线路故障的准确和及时诊断。
风电新能源系统线路是将风力发电机产生的电能传输并网的关键环节。然而,由于现实环境的恶劣条件和长期暴露在环境中,新能源系统线路容易受到腐蚀、机械损伤、电气故障等问题的影响。这些故障如果不能及时发现和修复,将会导致风力发电机的停产和电力损失。
现有技术的特点在于:目前针对风电新能源线路的保护包括距离保护、过电流保护、行波保护、纵联保护和微分欠压保护。对于距离保护与过电流保护,线路故障时,在换流器及风机控制系统作用下,故障电流相角受控、幅值受限,表现出与传统故障不同的特性,可能导致传统保护误动或拒动。对于电流差动保护,受到系统中变频器故障特性改变故障电流幅值的影响,内部故障时存在拒动的风险。微分欠压保护既可以作为风电新能源线路的主保护,也可以作为后备保护,原理简单,可靠性强,但需要较高的采样频率。
发明内容
本发明的目的就是为了提供一种提高故障诊断准确性的基于数据驱动的风电新能源线路故障智能诊断方法及系统。
本发明的目的可以通过以下技术方案来实现:
一种基于数据驱动的风电新能源线路故障智能诊断方法,包括以下步骤:
采集系统线路两侧三相的电流时域数据与电压时域数据,并提取时域数据特征;
采用时频变换方法将所述电流时域数据与电压时域数据转换为电流频域数据与电压频域数据,并提取频域数据特征;
对所述时域数据特征和频域数据特征进行预处理;
将预处理后的时域数据特征和频域数据特征输入预先构建好的故障诊断模型中,输出故障诊断结果,其中所述故障分类模型通过SVM算法进行构建。
进一步地,采用电流互感器单元电压互感器分别采集所述电流时域数据与电压时域数据。
进一步地,所述时频变换方法为傅里叶变换算法。
进一步地,所述时域数据特征包括数据长度、平均值、标准差、偏度、峭度、振幅、波形因数、裕度因数、冲击因数和能量。
进一步地,所述频域数据特征包括谐波分析和频谱信息。
进一步地,所述预处理包括数据归一化操作。
进一步地,所述数据归一化操作采用Z-score算法,所述Z-score算法的表达式为:
式中,x*为归一化后的数据值,x为待归一化处理的初始样本数据值,μ为样本数据的平均值,σ为样本数据的标准差。
进一步地,所述故障诊断模型的构建步骤包括:
根据预处理后的时域数特征和频域数据特征组建训练样本;
选择核函数和惩罚系数;
使用训练样本、核函数的参数和惩罚系数对SVM进行训练,训练完成后形成故障诊断模型。
进一步地,训练过程的目标是为找到一个最大间隔超平面,以将不同类别的样本点分隔开,并且使得两侧最靠近超平面的样本点到该超平面的距离最大化。
本发明还一种基于SVM算法的数据驱动的风电新能源系统线路故障智能诊断系统,包括:
时域特征提取模块:用于采集系统线路两侧三相的电流时域数据与电压时域数据,并提取时域数据特征;
频域特征提取模块:用于采用时频变换方法将所述电流时域数据与电压时域数据转换为电流频域数据与电压频域数据,并提取频域数据特征;
预处理模块:用于对所述时域数据特征和频域数据特征进行预处理;
诊断模块:用于将预处理后的时域数据特征和频域数据特征输入预先构建好的故障诊断模型中,输出故障诊断结果,其中所述故障分类模型通过SVM算法进行构建。
与现有技术相比,本发明具有以下有益效果:
(1)本发明提取的时域数据特征和频域数据特征可以提供互补信息,时域数据特征反映了信号在时间上的变化情况,而频域数据特征则反映了信号在不同频率上的能量分布,通过结合这两种特征,可以获得更全面、更丰富的信号特征信息;采用SVM建立故障诊断模型,不依赖于具体的数学模型,能够提取出故障数据的多维特征,提高对信号的理解能力,从而可以快速、准确实现风电新能源系统线路故障识别。
(2)SVM广泛用于分类、搜索和建模等方面,具有较好的选择和泛化能力,并且SVM对具有多种特征的非线性数据有很好的处理能力,本发明采用SVM对多种特征进行处理,不仅具有较高的准确性还具有较好的稳定性。
(3)本发明可以对于高维数据具有很好的分类和预测性能,对于复杂的电力系统数据有较好的适用性。
附图说明
图1为本发明的方法流程示意图;
图2为本发明的特征提取分类示意散点图;
图3为本发明的SVM分类后平行坐标图;
图4为本发明的不同线路故障下幅值响应变化图;
图5为本发明的系统结构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供一种基于数据驱动的风电新能源线路故障智能诊断方法,如图1所示,该方法包括以下步骤:
步骤1:采集系统线路两侧三相电流与电压时域数据并进行时域数据特征提取,具体数据特征及计算方法为:
1.1数据长度N=n,其中n为采样数据点个数。
1.2平均值其中xi是第i个采样数据点。
1.3标准差
1.4偏度其中E[·]为离散型随机变量的期望值,E[X3]计算过程为首先计算每个采样数据点的三次方值,然后计算处理后采样数据的期望值。
1.5峭度
1.6最大值xmax为采样数据中的最大值,最小值xmin为采样数据中的最小值。
1.7峰值xp2p=xmax-xmin
1.8均方根
1.9振幅因数
1.10波形因数其中xmean为采样数据绝对值的平均值,即/>
1.11冲击因数
1.12裕度因数
1.13能量
步骤2:实时对系统线路两侧电压与电流进行间隔为Δt的采样,基于傅里叶变换等技术将信号分解成不同频率的组成部分,再从频率分量上提取特征,具体数据特征及计算方法与上述时域中数据特征计算方法相同。
步骤3:对于提取的各个数据特征基于Z-score算法进行归一化处理,归一化过程由公式确定:
其中,x*为归一化后的数据值,x为待归一化处理的初始样本数据值,μ为样本数据的平均值,σ为样本数据的标准差,平均值与标准差的计算方法如上文所示。
步骤4:将归一化后的数据特征输入SVM模型中,进行模型训练与故障分类,具体方法为:
本实施例根据MMC(Modular Multilevel Converter,模块化多电平变流)拓扑结构与风电新能源系统线路基本故障特性,通过选取合适的数据特征统计量对SVM(SupportVector Machine,支持向量机)算法模型进行训练,从而在不降低故障判别的准确性与可靠性的前提下降低建模计算量,并提高了保护的速动性。该保护方法选取时域和频域的有效反映数据特征的统计量,基于SVM算法数学原理建立了智能故障检测模型,准确快速地识别出故障类型,保证系统正常稳定运行。
MMC拓扑结构是一种新型VSC拓扑结构,每一相由上下两个桥臂组成,每个桥臂由一个电抗器与N个子模块串联而成,子模块作为组成MMC的最小组成单元,半桥形子模块在实际工程应用最为广泛,拓扑结构由直流电容器、二极管和全控型电子开关器件组成,每个子模块都包含两个反并联二极管、两个IGBT开关以及一个直流侧电容。这些子模块的连接端口直接连至MMC的主电路,可将各个子模块的电容电压叠加,实现交转直的功能。MMC不同的工作状态可以根据流入子模块的电流方向来划分,以实现充放电之间的灵活转换,满足不同的功能与需求。该拓扑结构拥有不需要体积庞大的输入变压器、直接模块化级联、输出多电平且能够组成背靠背四象限变流器等诸多优点,每个子模块都包含两个反并联二极管、两个IGBT(Insulated Gate Bipolar Transistor,绝缘栅双极晶体管)开关以及一个直流侧电容。这些子模块的连接端口直接连至MMC的主电路,可将各个子模块的电容电压叠加,实现交转直的功能。MMC不同的工作状态可以根据流入子模块的电流方向来划分,以实现充放电之间的灵活转换,满足不同的功能与需求。
MMC在风电新能源系统线路的故障特性,两相短路故障时故障点处的三相电压可以表示为:
单相接地故障时,故障点处的三相电压表达式为:
式中,Uga、Ugb和Ugc分别是故障点处A、B、C三相的相电压,Ugm+是电压正序分量的幅值,ω为正序电压角频率,是正序电压相位。
SVM算法是一种将不同类别的样本通过一个函数分隔开来,使得两个类别之间的空间最大化的常用二分类算法。支持向量机算法广泛用于分类、搜索和建模等方面,具有较好的选择和泛化能力。并且支持向量机算法对具有多种特征的非线性数据有很好的处理能力,具有较高的准确性和稳定性。它的发展历史可以追溯到上世纪90年代初。其最初的提出者是Vapnik等人,他们基于统计学习理论和VC理论提出SVM算法。随着对SVM算法的深入研究,人们发现它的强大的分类能力和鲁棒性,使得它成为了机器学习领域中的一个重要算法。1995年,Boser等人首次提出了用序列最小最优化(SMO)算法来求解SVM的二次规划问题,从此SVM进入了快速发展的阶段。在SVM算法的进一步研究中,人们发现通过引入核函数,可以将SVM算法扩展到非线性情况,这使得它在实际应用中更加灵活和适用。
基于SVM进行训练获得故障分类模型的具体步骤为:
4.1给定一组训练数据集,SVM通过在特征空间中找到一个划分超平面来建立分类模型。对于二分类问题,划分超平面是指将特征空间划分为两个部分的超平面,其中每一部分都对应于一个类别。对于多分类问题,可采用一对多、一对一等策略,将其转化为二分类问题处理。交流线路故障检测即为多分类问题,采用一对一的分类策略,将原本有8个类别的问题分成1/2×8×(8-1)=28个二分类问题,即每次选取两个类别,将它们作为正例和反例进行训练。在测试时,将样本输入到每个二分类模型中,得到每个类别的得分,最终统计每个类别的胜出次数,最终将得分最高的类别作为输出结果。
4.2SVM的目标是找到一个能够将不同类别的数据完全分开的划分超平面,且距离最近的数据点与划分超平面的距离最大。这个最优划分超平面被称为“最大间隔超平面”,SVM就是通过求解最大间隔超平面来实现数据分类的。
4.3 SVM决策边界的确定只依赖于少数关键数据点,这些关键点被称为“支持向量”。通过最大化间隔,SVM识别出了最重要的数据点,即支持向量,从而构建一个更稳健的分类模型。
4.4对于新的测试样本,根据其特征向量在训练后得到的超平面方程的位置关系来进行分类,如果该样本位于分离超平面的正侧,则认为其属于类别一,否则认为其属于类别二。在对已经训练完成的故障模型中建立最大间隔超平面,接着对测试集进行检验,即可检验故障检测程序的可行性与健壮性。
使用PSCAD/EMTDC平台实现仿真实验,系统参数如表1所示:
表1风电新能源系统线路仿真参数
线路参数 | 数值 |
线路长度 | 300km |
每百公里电阻 | 2.22Ω |
每百公里感抗 | 10.26Ω |
每百公里容抗 | 8.17*1013Ω |
风电新能源系统由交流线路系统和风力发电机两部分构成。
分别设置单相故障(3种)、两相故障(3种)、三相故障和正常状态。7种故障中每种故障均采集40组数据,每一组包括0.01、0.1、1、10和100Ω这5种故障电阻,每种进行8次仿真模拟,单次数据收集2000×6条数据,分为8:2的训练集和测试集,即通过仿真实验得到的每一组具体故障数据有6次共6×2000×6条数据用于SVM模型训练,剩下的2次用于对检测程序的检验。
图2为故障数据进行特征提取后经SVM分类得到的散点图。在进行特征提取后,将故障数据特征中对于结果没有影响的故障数据类型进行剔除,对有效的故障特征进行超平面分类。根据SVM分类器输出可以看出数据点分布,不同的故障对比于没有故障时的正常状态呈现对称分布,体现出SVM对于不同故障的分类明确而且清晰。
图3为可视化多维图表,相对比与散点图更加清晰直观。可以明显看出,对于SVM分类起到重要作用的是波形因数、裕度因数以及能量。尤其是能量参数作为最为明显的指示向量,故障发生后发生明显跳跃,这也与第三节所分析的故障发生机制相对应。实际上,在剔除无效变量后,其他故障数据特征所表现出来的差异化也是SVM进行分类的重要依据。
图4为不同故障下幅值响应变化图像,将数据进行处理过后,不同故障下幅值响应出现明显的数据分离。归一化频率的主要作用是消除不同物理信号具有不同幅度和单位的问题,使得不同频率分量的信号可以在同一个频率范围内进行比较和分析。它可以通过将原始物理频率或周期数映射到一个标准范围之间的数值来实现。由于三相短路故障电流瞬时增大,导致其异常阈值远远高于其他的线路故障。
在归一化频率图谱中,结合频域特征分析每种故障不同的频谱分布,可以使SVM更加准确。数据处理完成之后,将其导入到Matlab的SVM模型中进行训练,将整个数据集按照8:2的比例分成训练集和测试集两部分。通过Matlab的SVM工具箱,设置合适的核函数、惩罚系数等,对训练集中的特征向量进行训练,得到训练完成的SVM分类器。最终,将测试集中的特征向量输入到已经训练好的SVM模型中,输出诊断结果,如表2所示。
表2 SVM分类结果汇总表
将故障设置为单相故障(3种)、两相故障(3种)、三相故障和正常状态。320组测试数据中有319组成功进行故障分类,即准确率为99.6875%。
本发明通过采样风电场景下交流线路两端的三相电压与电流量,经过时域-频域变换,分别提取采样数据的时域与频域数据特征,通过归一化后建立支持向量机模型,并进行训练得到判断模型,将瞬时采样值输入支持向量机得到当前故障诊断结果。由仿真实验结果可知本发明的精确度与快速性相比现有技术具有显著提升。
实施例2
本实施例提供一种基于数据驱动的风电新能源线路故障智能诊断系统,如图5所示,该系统包括:
时域特征提取模块:用于采集系统线路两侧三相的电流时域数据与电压时域数据,并提取时域数据特征;
频域特征提取模块:用于采用时频变换方法将所述电流时域数据与电压时域数据转换为电流频域数据与电压频域数据,并提取频域数据特征;
预处理模块:用于对所述时域数据特征和频域数据特征进行预处理;
诊断模块:用于将预处理后的时域数据特征和频域数据特征输入预先构建好的故障诊断模型中,输出故障诊断结果,其中所述故障分类模型通过SVM算法进行构建。其中,时域特征提取模块中包括电压互感器单元、电流互感器单元和时域数据特征计算单元,所述电压互感器单元负责实时测量电网中的电压信息,为系统提供电压相关数据,所述电流互感器单元负责实时测量电网中的电流信息,为系统提供电流相关数据。所述时域数据特征计算单元用于计算时域特征,如波形形状、幅值和频率等。所述频域特征提取模块用于计算频域特征,如谐波分析和频谱信息,以检测电网中的频率异常。
诊断模块执行支持向量机(SVM)算法,用于分类和判别电网状态,包括正常状态和故障状态。
上述系统还包括故障启动逻辑模块、继电器模块和断路器模块,所述故障启动逻辑模块进行逻辑处理,根据特征数据和SVM判定的结果,启动故障检测和识别流程,所述继电器模块和断路器模块根据故障检测结果,向相应的断路器发送跳闸信号,以维护电网的安全和可靠性。
其余如实施例1。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。本发明实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种基于数据驱动的风电新能源线路故障智能诊断方法,其特征在于,包括以下步骤:
采集新能源系统线路两侧三相的电流时域数据与电压时域数据,并提取时域数据特征;
采用时频变换方法将所述电流时域数据与电压时域数据转换为电流频域数据与电压频域数据,并提取频域数据特征;
对所述时域数据特征和频域数据特征进行预处理;
将预处理后的时域数据特征和频域数据特征输入预先构建好的故障诊断模型中,输出故障诊断结果,其中所述故障分类模型通过SVM算法进行构建。
2.根据权利要求1所述的一种基于数据驱动的风电新能源线路故障智能诊断方法,其特征在于,采用电流互感器单元电压互感器分别采集所述电流时域数据与电压时域数据。
3.根据权利要求1所述的一种基于数据驱动的风电新能源线路故障智能诊断方法,其特征在于,所述时频变换方法为傅里叶变换算法。
4.根据权利要求1所述的一种基于数据驱动的风电新能源线路故障智能诊断方法,其特征在于,所述时域数据特征包括数据长度、平均值、标准差、偏度、峭度、振幅、波形因数、裕度因数、冲击因数和能量。
5.根据权利要求4所述的一种基于数据驱动的风电新能源线路故障智能诊断方法,其特征在于,所述频域数据特征包括谐波分析和频谱信息。
6.根据权利要求1所述的一种基于数据驱动的风电新能源线路故障智能诊断方法,其特征在于,所述预处理包括数据归一化操作。
7.根据权利要求6所述的一种基于数据驱动的风电新能源线路故障智能诊断方法,其特征在于,所述数据归一化操作采用Z-score算法,所述Z-score算法的表达式为:
式中,x*为归一化后的数据值,x为待归一化处理的初始样本数据值,μ为样本数据的平均值,σ为样本数据的标准差。
8.根据权利要求1所述的一种基于数据驱动的风电新能源线路故障智能诊断方法,其特征在于,所述故障诊断模型的构建步骤包括:
根据预处理后的时域数特征和频域数据特征组建训练样本;
选择核函数和惩罚系数;
使用训练样本、核函数的参数和惩罚系数对SVM进行训练,训练完成后形成故障诊断模型。
9.根据权利要求8所述的一种基于数据驱动的风电新能源线路故障智能诊断方法,其特征在于,训练过程的目标是为找到一个最大间隔超平面,以将不同类别的样本点分隔开,并且使得两侧最靠近超平面的样本点到该超平面的距离最大化。
10.一种基于数据驱动的风电新能源线路故障智能诊断系统,其特征在于,包括:
时域特征提取模块:用于采集新能源系统线路两侧三相的电流时域数据与电压时域数据,并提取时域数据特征;
频域特征提取模块:用于采用时频变换方法将所述电流时域数据与电压时域数据转换为电流频域数据与电压频域数据,并提取频域数据特征;
预处理模块:用于对所述时域数据特征和频域数据特征进行预处理;
诊断模块:用于将预处理后的时域数据特征和频域数据特征输入预先构建好的故障诊断模型中,输出故障诊断结果,其中所述故障分类模型通过SVM算法进行构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311594922.5A CN117591859A (zh) | 2023-11-27 | 2023-11-27 | 基于数据驱动的风电新能源线路故障智能诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311594922.5A CN117591859A (zh) | 2023-11-27 | 2023-11-27 | 基于数据驱动的风电新能源线路故障智能诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117591859A true CN117591859A (zh) | 2024-02-23 |
Family
ID=89922612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311594922.5A Pending CN117591859A (zh) | 2023-11-27 | 2023-11-27 | 基于数据驱动的风电新能源线路故障智能诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117591859A (zh) |
-
2023
- 2023-11-27 CN CN202311594922.5A patent/CN117591859A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
NL2020015B1 (en) | Fault diagnosis method of three-level inverter based on empirical mode decomposition and decision tree RVM | |
Amraee et al. | Transient instability prediction using decision tree technique | |
CN110994604B (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
CN103761372B (zh) | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 | |
CN108832619A (zh) | 基于卷积神经网络的电力系统暂态稳定评估方法 | |
US20160124031A1 (en) | Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications | |
CN111523785A (zh) | 一种基于生成对抗网络的电力系统动态安全评估方法 | |
CN106093678B (zh) | 一种快速准确诊断柔性直流输电系统换流器故障的方法 | |
Ezzat et al. | Microgrids islanding detection using Fourier transform and machine learning algorithm | |
CN103177188A (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
CN112952830B (zh) | 一种故障后电力系统暂态稳定预测方法 | |
CN109541344B (zh) | 基于svm的模块化多电平直流输电系统故障识别方法 | |
CN113341345A (zh) | 一种基于特征提取和随机森林的mmc开关管开路故障诊断方法 | |
CN110824297B (zh) | 一种基于svm支持向量机的单相接地故障判别方法和装置 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN111896890B (zh) | 基于希尔伯特-黄变换的微电网线路故障诊断方法及系统 | |
CN112036718B (zh) | 一种考虑新能源不确定性的电力系统安全风险评估方法 | |
CN113702767A (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 | |
CN117591859A (zh) | 基于数据驱动的风电新能源线路故障智能诊断方法及系统 | |
CN115808600A (zh) | 基于数学形态学和模式识别的直流电弧检测方法 | |
CN108647275A (zh) | 孤岛检测状态的识别方法及装置、存储介质、处理器 | |
Behzadi et al. | Identification of combined power quality disturbances in the presence of distributed generations using variational mode decomposition and K-nearest neighbors classifier | |
Zakri et al. | Extract fault signal via DWT and penetration of SVM for fault classification at power system transmission | |
Wang et al. | Fault diagnosis method for hybrid HVDC transmission system based on stacked sparse auto-encoder | |
Fasihi Pour Parizi et al. | Accurate fault detection during power swing: compensated line study |
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 |