CN117872038B - 一种基于图论的直流微电网失稳故障源定位方法及装置 - Google Patents

一种基于图论的直流微电网失稳故障源定位方法及装置 Download PDF

Info

Publication number
CN117872038B
CN117872038B CN202410272786.6A CN202410272786A CN117872038B CN 117872038 B CN117872038 B CN 117872038B CN 202410272786 A CN202410272786 A CN 202410272786A CN 117872038 B CN117872038 B CN 117872038B
Authority
CN
China
Prior art keywords
node
grid
direct
power
instability
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
CN202410272786.6A
Other languages
English (en)
Other versions
CN117872038A (zh
Inventor
张欣
刘雪琪
林凡凡
马皓
王元奎
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202410272786.6A priority Critical patent/CN117872038B/zh
Publication of CN117872038A publication Critical patent/CN117872038A/zh
Application granted granted Critical
Publication of CN117872038B publication Critical patent/CN117872038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01R31/088—Aspects of digital computing
    • 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
    • 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
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于图论的直流微电网失稳故障源定位方法，该方法通过失稳故障特征采集与提取环节，收集关键的电气特征量，以准确捕捉失稳振荡现象，并利用小波包分解构建故障特征向量；接着，依据直流微电网的结构构建无向图模型G=(V,E,X)，为分析打下基础；应用图卷积神经网络进行深度学习训练，进一步提升诊断的准确度和效率；将训练成熟的模型部署于实际系统中，有效实现失稳源的精准故障诊断和定位。本发明还提供了一种直流微电网失稳故障源定位装置。本发明所提供的方法能显著提升了直流配电网的维护水平，而且通过先进的自动化诊断技术，大幅提高了系统运行稳定性的检测和调整能力。

Description

一种基于图论的直流微电网失稳故障源定位方法及装置
技术领域
本发明属于直流电网故障检测技术领域，尤其涉及一种基于图论的直流微电网失稳故障源定位方法及装置。
背景技术
直流微电网是由多种分布式能源、负载和储能设备组成的小型电力系统，它可以独立或与主电网并网运行。直流微电网的设计旨在提高能源利用效率，支持可再生能源的集成，并提供更高的供电可靠性。
虽然系统中的每个变换器在独立设计和测试阶段表现稳定，但当它们联合构成直流配电系统并开始运行时，不同变换器之间的相互作用和不匹配可能会引发整个系统的振荡，甚至导致系统失稳。这种失稳不仅会对系统造成重大损害，还可能影响整体运行效率。因此，准确定位失稳故障源对于指导后续的维护和修复工作至关重要。然而，目前对失稳故障源定位的研究相对有限，且缺乏广泛适用的自动化解决方案。这一领域的研究不仅具有理论价值，也对实际应用有着重要意义。
专利文献CN114239198B公开了一种基于并行优化的电网子图划分方法及装置，该方法包括：根据电力系统网络拓扑结构，将电网使用的设备与设备之间的线路，作为节点和边，形成一个天然的电网拓扑结构图；然后将给定的电网拓扑图粗略的划分成一系列的较小的子区域，再对每个子区域进行划分，求得优化解，最后利用逆向算法将子区域还原从而得到给定图的一个优化划分。
专利文献CN117312611A公开了一种电力故障快速定位及诊断方法及相关装置，该方法包括以下步骤：基于运维历史数据构建电力故障与症状的因果关系；基于电力故障与症状的因果关系建立树形因果图模型，并以树形结构储存方式进行存储；基于树形因果图模型对告警信息进行快速定位异常设备；基于树形因果图模型对快速定位异常设备的告警症状信息进行电力故障诊断；基于电力故障诊断结果定期更新树形因果图模型；实现了通过构建树形因果图模型，基于告警信息进行快速定位异常设备和进行电力故障诊断，精确定位发生故障的设备和电力故障的诊断。
发明内容
本发明的目的在于提供一种基于图论的直流微电网失稳故障源定位方法及装置，该方法适用于不同类型直流微电网结构的失稳故障源判断任务。
为了实现本发明的第一个发明目的，提供了一种基于图论的直流微电网失稳故障源定位方法，包括以下步骤：
获取直流微电网中各电力电子变换器的电气数据，并对所述电气数据进行数据处理，以获得对应的特征向量；
基于直流微电网构建图模型，所述图模型以电力电子变换器作为节点，以各电力电子变换器之间的功率流动路径作为节点间边，并将电力电子变换器对应的特征向量作为节点特征矩阵；
以直流微电网是否失稳对电力电子变换器的电气数据进行标签标注，将电力电子变换器的电气数据与标签组成数据集；
将所述图模型引入预构建的图卷积神经网络框架中构建对应的分类网络，所述分类网络包括特征提取模块，特征融合模块以及分类模块：
所述特征提取模块用于获取电力电子变换器的电气变化数据以及对应图模型中的位置信息，以生成电气变化数据对应的特征向量和位置信息对应的节点向量；
所述特征融合模块根据生成的特征向量和节点向量，生成对应的节点特征表征；
所述分类模型根据输入的节点特征表征以输出分类结果，所述分类结果包括直流电网是否失稳以及失稳故障源；
利用数据集对分类网络进行训练，以获得用于诊断直流电网失稳的电网诊断模型；
将待诊断直流电网各电力电子变换器的电气数据输入至电网诊断模型，以输出直流电网是否失稳的判断结果和存在的失稳故障源。
本发明通过将直流微电网中各电力电子变换器作为节点构建对应的图模型，并将图模型中各节点之间边与电气数据的特征向量引入图卷积神经网络框架中，以构建用于诊断直流电网失稳的电网诊断模型。
具体的，对所述电气数据进行数据处理的具体过程如下：
基于能量熵设置小波基函数，以通过所述小波基函数对电气数据进行多层分解，并计算多层分解后子频带的能量以构建对应的特征向量。
具体的，所述电气数据包括电流信号和电压信号。
具体的，所述图模型的具体结构如下：
设定G=(V,E,X)表示图模型中的属性图；
V表示节点的集合，即一个电力电子变换器代表一个节点，N为节点总数；
E表示节点间边的集合，即各电力电子变换器之间的功率流动路径作为节点边，通过邻接矩阵A表示且满足，当i节点和j节点有功率流动时且i≠j时，矩阵A ij 设置为1，反之则为0，此外A ii 设置为1；
X表示节点特征矩阵，满足，C表示节点的特征维度。
具体的，所述节点特征表征的表达式如下：；其中，D表示度矩阵，每一个/>，A表示更新后的邻接矩阵，/>，X表示节点特征矩阵，/>，N表示节点总数，W表示权重矩阵，/>，F表示经过所有卷积层提取后的特征向量维度，H表示经过所有卷积层卷积后提取出的节点特征表征，/>。
具体的，所述权重矩阵根据节点间边所相连两个节点的特征向量进行比较构建，具体如下：若边两端的节点特征向量不同，则权重定义为1；若边两端的节点特征向量相同，则权重定义为0，从而对数据进行优化以提高算法收敛速度。
具体的，在训练时采用交叉熵损失函数对分类网络的参数进行更新，所述交叉熵损失函数的表达式如下：；其中，/>表示节点i的预测标签，/>表示节点i的实际标签，N为节点总数。
为了实现本发明的第二个发明目的，提供了一种直流微电网失稳故障源定位装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中采用上述提出的基于图论的直流微电网失稳故障源定位方法；
所述计算机处理器执行所述计算机程序时实现以下步骤：将待诊断直流电网各电力电子变换器的电气数据输入至电网诊断模型，以输出直流电网是否失稳的判断结果和存在的失稳故障源。
与现有技术相比，本发明的有益效果：
利用图模型替代直流微电网结构，便于定位直流微电网中的失稳故障节点，为后续日常维护提供更全面的指导。
附图说明
图1为本实施例提供的基于图论的直流微电网失稳故障源定位方法的流程图；
图2为本实施例提供的直流微电网的简图；
图3为本实施例提供的图模型的示意图；
图4为本实施例提供的分类网络的工作流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
如图1所示，为本实施例提供的一种基于图论的直流微电网失稳故障源定位方法，该方法主要针对电力电子系统中由于变换器阻抗不匹配产生的失稳问题，抓住其电压电流振荡特征，精准定位失稳变换器，为后续故障修复提供指导，包括以下步骤：采集直流微电网中各电力电子变换器的电气数据，采集电气数据后利用故障特征提取算法提取每个电力电子变换器的电气特征量，即提取后的每个电力电子变换器的特征向量为X i ={x i1,x i2,x i3,…,x iC }，其中C为特征维度。
更具体地，首先，从各个模块收集电气特征量，如电压、电流等信号，并对这些信号利用滤波、归一化等操作进行预处理，去除掉无效信号。
其次，基于能量熵选择合适的小波基函数，如Symlets、Coiflets。
然后，采用信号驱动的分解策略。即根据信号的特定特征（如非平稳性、峰值等）设计分解策略，将信号通过小波包变换进行多层次分解。
最后，计算多层次分解后子频带的能量，构建C维能量特征向量。将所有采集到的特征向量构成数据样本。
如图2所示，为本实施例提供的直流微电网结构，其包括母线，且母线上连接有多个各类供电单元，例如供电电网，光伏发电设备，风力发电设备以及配套的储能系统，此外也连接有各种用电负载。其中，箭头代表功率流流向。比如，在该直流微电网中，光伏发电设备和风力发电设备中的DC/DC变换器只能输出功率。储能系统中的DC/DC变换器既可以输入功率，也可以输出功率。与负载1、2、3以及电网相连的变换器都只可以能量单向流动。
如图3所示，为基于图2所示的直流微电网结构构建的图模型，该图3中每个节点（V1,V2，V3，V4，V5，V6，V,7，V8）与图2中的供电单单元或用电负载所用变换器对应。节点之间的连线表示存在功率流动，以变换器8为例，当作为功率接收方，可以接受来自变换器6、变换器7的功率；当作为功率输出方，可以输出给变换器1、变换器2、变换器3、变换器4功率，因此反映在图3的图模型中，V8与V1、V2、V3、V4、V6、V7均存在连线。同理，变换器6只可以作为功率输出方，因此V6会与V8、V1、V2、V3、V4相连。图中，变换器5只接受来自变换器4的功率，因此V5只与V4连接。
同时每个节点都有对应的节点矩阵（经过小波包变换提取后的电气特征向量，维度为C），而其具体构造过程如下：构建属性图G=(V,E,X)，其中V是节点的集合，一个电力电子变换器代表一个节点，N为节点总数；E是节点间边的集合，节点间存在功率流动代表存在边的联系。其集合对应有邻接矩阵A， ，用于表述每个节点间存在的连接关系，当i节点和j节点有功率流动时且i≠j时，则矩阵A ij 位置为1，没有连接则为0，此外A ii 均设置为1。
此外，为了进一步简化计划，对邻接矩阵进行更新，其更新规则为：根据节点间边所相连两个节点的特征向量进行比较，若边两端的节点特征向量不同，则矩阵对应位置定义为1；若边两端的节点特征向量相同，则矩阵对应位置定义为0。
X表示节点特征矩阵，满足，C表示节点的特征维度。
以直流微电网是否失稳对电力电子变换器的电气数据进行标签标注，将电力电子变换器的电气数据与标签组成数据集。
将图模型和数据集引入图卷积神经网络框架中，构建对应的分类网络，所述分类网络包括特征提取模块，特征融合模块以及分类模块，该分类网络的工作流程图如图4所示。
所述特征提取模块用于获取电力电子变换器的电气变化数据以及对应图模型中的位置信息，以生成电气变化数据对应的特征向量和位置信息对应的节点向量；
所述特征融合模块根据生成的特征向量和节点向量，生成对应的节点特征表征；
所述分类模型根据输入的节点特征表征以输出分类结果，所述分类结果包括直流电网是否失稳以及失稳故障源。
利用数据集对分类网络进行训练，以获得用于诊断直流电网失稳的电网诊断模型，该电网诊断模型包括将系统的节点和边转化为适合图卷积神经网络处理的格式，节点特征从失稳故障特征采集与提取模块获得；然后根据不同直流微电网的不同失稳故障数据建立故障样本数据集，分为训练集和验证集，节点标签分为正常和失稳故障情况两种。
采用基于谱域方法的图卷积神经网络架构，设计对应的图卷积神经网络层数、激活函数等等。令神经网络总层数设置为K，激活函数为ReLU函数。
将训练集每个样本G=(V,E,X)进行输入，由K-1个卷积层提取出节点特征表征H，H满足关系式。
；其中，D表示度矩阵，每一个/>，A表示更新后的邻接矩阵，，X表示节点特征矩阵，/>，N表示节点总数，W表示权重矩阵，/>，F表示经过所有卷积层提取后的特征向量维度，H表示经过所有卷积层卷积后提取出的节点特征表征，/>。
具体来说，第k层输出的第i个节点的特征表征与输入之间关系式满足：；其中，A ij 为邻接矩阵中每条边的权重；D ii 与D jj 为度矩阵对角线上的度值；L(i)表示与i有连接关系的所有节点；W k 表示第k层的权重；/>为k-1层第i个节点输出的特征表征；σ(.)是激活函数ReLu。
通过输出全连接层利用Softmax函数进行分类预测，得到节点的预测标签表示为。
根据输出的预测标签与节点实际标签构建损失函数，损失函数构建如下：；其中，/>表示节点i的预测标签，/>表示节点i的实际标签，N为节点总数。
利用数据集对分类网络进行训练，以获得用于诊断直流电网失稳的电网诊断模型；
将待诊断直流电网各电力电子变换器的电气数据输入至电网诊断模型，以输出直流电网是否失稳的判断结果和存在的失稳故障源。
下面在一个实际系统中对案例进行分析。其系统的具体组成包括：光伏模块，储能模块，负载模块1，其中，包含的变换器有1个Boost变换器(一端接太阳能电池板，一端接直流母线)，1个四开关Buck-Boost变换器(一端接储能设备，一端接直流母线)，1个移相全桥变换器(一端接直流母线，另一端接直流负载)。
而失稳故障类型可以分为变换器单独工作失稳和变换器级联工作失稳，因此在这个系统中，失稳故障类型包括：单独Boost变换器失稳、单独四开关Buck-Boost变换器失稳、单独移相全桥变换器失稳、Boost变换器和Buck-Boost变换器由于阻抗不匹配共同失稳，Boost变换器和移相全桥变换器由于阻抗不匹配共同失稳，Buck-Boost变换器和移相全桥变换器由于阻抗不匹配共同失稳，Boost变换器、Buck-Boost变换器和移相全桥变换器均失稳，共7种类型。
传统的基于阻抗判断判断失稳的方法，只能针对变换器级联工作失稳进行诊断，并且不能精准定位到是哪些变换器级联工作失稳。
然而，采用上述实施例所提供的直流微电网失稳故障源定位方法对该直流微电网系统中的失稳故障源进行定位，具体步骤如下：
S1.分别采集直流微电网中3个变换器的电气数据，其包括这个系统中采集输出电流和输入电流信号，并对这些信号利用滤波、归一化等操作进行预处理，去除掉无效信号，得到原始信号x。
然后，假设对原始信号进行3层分解，3层第j个频带信号的能量为：；式中，l表示数据长度，D 3j 表示经过小波包分解重构后得到的第3层第j个子频带信号，/>表示离散点的幅值。
能量值的总和为：；所以第n层j频带的相对能量为：/>；其中小波能量熵的定义为：/>；根据该式，计算能量熵，选取能量熵最小的小波基函数。
在本实施例中，具体选用了sym10作为最优小波基。
确定好以小波基函数后，将输入电流与输出电流作小波包分解，选取小波包分解层数为3，对原始信号进行小波包分解与重构，最终得到8个表征原始信号的子带信号，然后再提取出各个子带信号的能量，进而得到每个变换器模块失稳故障的能量特征向量：。
S2. 为该案例的直流微电网构建属性图G=(V,E,X)，具体如下：
V是节点的集合，；其中，v 1表示Boost变换器，v 2表示四开关Buck-Boost变换器，v 3表示移相全桥变换器。
E是节点间边的集合，节点间存在功率流动代表存在边的联系。根据Boost变换器输出功率为母线电压提供直流母线电压；Buck-Boost变换器可以输出功率，也可以输入功率；移相全桥变换器输入功率。因此构建节点间边集合，其其表达式为：；其中，(v 1,v 2)表示Boost变换器和四开关Buck-Boost变换器有功率流关系，(v 1,v 3) 表示Boost变换器和移相全桥变换器有功率流关系，(v 1,v 3) 表示Buck-Boost变换器和移相全桥变换器有功率流关系。
X为节点特征矩阵，由每一个节点的特征向量X i 构成，其表达式如下：；其中，每一行为第一步每个变换器提取出的故障特征向量。
此外，根据规则构造邻接矩阵A，具体是若边两端的节点变换器有功率流动且特征向量不同，权重定义为1；否则权重定义为0。而在矩阵中，对角线上值始终设置为1。
比如，如果采集到的样本1为Boost变换器失稳，四开关Buck-Boost变换器稳定，移相全桥变换器稳定的情况，则邻接矩阵为：。
S4. 以该电力电子变换器模块是否失稳来对每个节点打上标签，该变换器失稳，则标签为(1,0)，该变换器稳定，则标签为(0,1)。同样以样本1为例，此时节点v 1的标签，y 1=(1,0)，y 2=(0,1)，y 3=(0,1)。然后将电力电子变换器的电气数据与标签组成数据集。在每种故障类型下，采集200个样本数据，共1400组样本数据，并随机将其中的1080组数据作为训练集，320组数据作为测试集。根据该样本数据集合，训练得到最优的图神经网络。
S4-1. 定义图卷积网络结构，图卷积层的数量为2层，第1层的输出维度为16，第二层的输出维度为8（该超参数根据多次试验选取平均值表现最好的规则设定），激活函数σ(.)为ReLU，输出层为含有2个神经元的全连接层，并接softmax函数。
S4-2. 初始化参数：随机初始化图卷积网络每一层的权重，W k 表示第k层的权重参数。
S4-3. 前向传播：
通过第1层图卷积层，得到第1层3×16维度的节点特征表征矩阵H 1，具体第i个节 点(i=1,2,3)的特征表征与输入的节点向量X i 的关系如下式所示:;其中，A ij 为邻接矩阵中每条边的权重；L(i)表示与i有 连接关系的所有节点；D ii 与D jj 为度矩阵对角线上的度值，，；W 1 表示第1层 的网络权重；X j 为第i个节点输入特征向量；σ(.)为激活函数ReLu。
通过第2层图卷积层，得到第2层3×8维度的节点特征表征矩阵H 2，具体操作与第 一层类似，主要按照下式进行计算：；其中，A ij 为邻接矩 阵中每条边的权重；L(i)表示与i有连接关系的所有节点；D ii 与D jj 为度矩阵对角线上的度 值，，；W 2 表示第2层的网络权重；为第1层输出的第j个节点的特征表 征，σ(.)为激活函数ReLu。
通过全连接层，得到第3层3×2维度的输出Z，具体第i个节点(i=1,2,3)的输出向量为：；利用softmax函数归一化后进行分类预测，得到节点的预测标签表示为/>。
S4-4. 根据输出的预测标签与节点实际标签构建损失函数，损失函数构建如下：；其中，/>表示节点i的预测标签，/>表示节点i的实际标签。
S4-5. 通过梯度下降法反向调整权重矩阵W。
S4-6. 迭代训练：重复S4-3到S4-5，直到模型收敛，即达到预设的迭代次数或模型性能不再显著提升。
S5. 得到训练好的图卷积神经网络模型后，部署到实际直流微电网中，在线进行诊断，通过采集到的电气数据，可以直接判断出每个电力电子变换器模块的失稳故障情况。在该案例中，如果返回的结果是节点v 1的标签为(1,0)，节点v 2的标签为(1,0)，节点v 3的标签为(0,1)，则证明Boost变换器失稳，四开关Buck-Boost变换器失稳，移相全桥变换器稳定。此时，针对Boost变换器和四开关Buck-Boost变换器进行修复即可，极大的节省了人力物力，实现了自动化检测。
综上所述，采用本发明提供的方法能够解决传统方法无法定位直流微电网无法定位失稳源的缺陷，不仅可以指导整个直流微电网的失稳判断，而且可以精准定位到每个变换器。此外，在构建图属性的过程中，结合了每个变换器的电气特征，并且结合了比较模型对邻接矩阵进行更新，从而简化了计算量，具有实用型和广泛应用前景。
本实施例还提供了一种直流微电网失稳故障源定位装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，该计算机存储器中采用上述实施例提供的基于图论的直流微电网失稳故障源定位方法。
该计算机处理器执行所述计算机程序时实现以下步骤：将待诊断直流电网各电力电子变换器的电气数据输入至电网诊断模型，以输出直流电网是否失稳的判断结果和存在的失稳故障源。
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。
本发明显著提高了直流配电网的维护水平，通过先进的自动化诊断技术，不仅提升了系统运行的稳定性检测和调整能力，还确保了维护工作的高效率和高准确性。这一创新在工程应用方面具有重要价值，同时展现出广泛的推广和应用潜力。它不只是优化了现有系统的表现，更为电网技术的未来发展提供了一种高效、可靠的维护解决方案。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (4)

1.一种基于图论的直流微电网失稳故障源定位方法，其特征在于，包括以下步骤：
获取直流微电网中各电力电子变换器的电气数据，并对所述电气数据进行数据处理，以获得对应的特征向量；
基于直流微电网构建图模型，所述图模型以电力电子变换器作为节点，以各电力电子变换器之间的功率流动路径作为节点间边，并将电力电子变换器对应的特征向量作为节点特征矩阵，所述图模型的具体结构如下：
设定G=(V, E, X)表示图模型中的属性图；V表示节点的集合，即一个电力电子变换器代表一个节点，N为节点总数；E表示节点间边的集合，即各电力电子变换器之间的功率流动路径作为节点边，通过邻接矩阵A表示节点间边的集合且满足当i节点和j节点有功率流动时且/>时，矩阵A ij 设置为1，反之则为0，此外A ii 设置为1；
X表示节点特征矩阵，满足，C表示节点的特征维度；
以直流微电网是否失稳对电力电子变换器的电气数据进行标签标注，将电力电子变换器的电气数据与标签组成数据集；
将所述图模型引入预构建的图卷积神经网络框架中构建对应的分类网络，所述分类网络包括特征提取模块，特征融合模块以及分类模块：
所述特征提取模块用于获取电力电子变换器的电气变化数据以及对应图模型中的位置信息，以生成电气变化数据对应的特征向量和位置信息对应的节点向量；
所述特征融合模块根据生成的特征向量和节点向量，生成对应的节点特征表征；
所述分类模块根据输入的节点特征表征以输出分类结果，所述分类结果包括直流电网是否失稳以及失稳故障源，所述节点特征表征的表达式如下：其中，D表示度矩阵，每一个/> ，A表示更新后的邻接矩阵，/>，X表示节点特征矩阵，/>，N表示节点总数，W表示权重矩阵，/>，F表示经过所有卷积层提取后的特征向量维度，H表示经过所有卷积层卷积后提取出的节点特征表征，/>，所述权重矩阵根据节点间边所相连两个节点的特征向量进行比较构建，具体如下：若边两端的节点特征向量不同，则权重定义为1；若边两端的节点特征向量相同，则权重定义为0；
利用数据集对分类网络进行训练，以获得用于诊断直流电网失稳的电网诊断模型，在训练时采用交叉熵损失函数对分类网络的参数进行更新，所述交叉熵损失函数的表达式如下：，其中，/>表示节点i的预测标签，/>表示节点i的实际标签，N为节点总数；将待诊断直流电网各电力电子变换器的电气数据输入至电网诊断模型，以输出直流电网是否失稳的判断结果和存在的失稳故障源。
2.根据权利要求1所述的基于图论的直流微电网失稳故障源定位方法，其特征在于，对所述电气数据进行数据处理的具体过程如下：
基于能量熵设置小波基函数，以通过所述小波基函数对电气数据进行多层分解，并计算多层分解后子频带的能量以构建对应的特征向量。
3.根据权利要求1或2所述的基于图论的直流微电网失稳故障源定位方法，其特征在于，所述电气数据包括电流信号和电压信号。
4.一种直流微电网失稳故障源定位装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器中采用权利要求1-3任一项所述的基于图论的直流微电网失稳故障源定位方法；
所述计算机处理器执行所述计算机程序时实现以下步骤：将待诊断直流电网各电力电子变换器的电气数据输入至电网诊断模型，以输出直流电网是否失稳的判断结果和存在的失稳故障源。
CN202410272786.6A 2024-03-11 2024-03-11 一种基于图论的直流微电网失稳故障源定位方法及装置 Active CN117872038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410272786.6A CN117872038B (zh) 2024-03-11 2024-03-11 一种基于图论的直流微电网失稳故障源定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410272786.6A CN117872038B (zh) 2024-03-11 2024-03-11 一种基于图论的直流微电网失稳故障源定位方法及装置

Publications (2)

Publication Number Publication Date
CN117872038A CN117872038A (zh) 2024-04-12
CN117872038B true CN117872038B (zh) 2024-05-17

Family

ID=90594941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410272786.6A Active CN117872038B (zh) 2024-03-11 2024-03-11 一种基于图论的直流微电网失稳故障源定位方法及装置

Country Status (1)

Country Link
CN (1) CN117872038B (zh)

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104393590A (zh) * 2014-11-14 2015-03-04 南方电网科学研究院有限责任公司 电网暂态失稳模式智能辨识方法
CN111756034A (zh) * 2020-06-12 2020-10-09 清华大学 基于图时空网络的电力系统暂态电压稳定评估方法
CN112200694A (zh) * 2020-10-09 2021-01-08 华中科技大学 基于图神经网络的主导失稳模式识别模型构建及应用方法
CN113850017A (zh) * 2021-08-27 2021-12-28 国家电网有限公司 一种基于潮流变化图谱的系统级故障分析系统及方法
CN114006370A (zh) * 2021-10-29 2022-02-01 中国电力科学研究院有限公司 一种电力系统暂态稳定分析评估方法及系统
CN114021433A (zh) * 2021-10-22 2022-02-08 华中科技大学 一种电力系统的主导失稳模式识别模型的构建方法及应用
CN114239198A (zh) * 2021-12-06 2022-03-25 国网湖北省电力有限公司电力科学研究院 一种基于并行优化的电网子图划分方法及装置
CN114564987A (zh) * 2022-02-22 2022-05-31 华中科技大学 一种基于图数据的旋转机械故障诊断方法及系统
CN114779015A (zh) * 2022-04-28 2022-07-22 浙江大学 基于超分辨率和图神经网络的配电网故障诊断与定位方法
CN114970329A (zh) * 2022-05-11 2022-08-30 中国电力科学研究院有限公司 基于图神经网络的电力系统暂态电压稳定性计算方法
CN114994426A (zh) * 2022-04-13 2022-09-02 中南大学 多服役工况下列车牵引系统故障诊断方法、系统及介质
CN115166415A (zh) * 2022-06-27 2022-10-11 山东华科信息技术有限公司 一种自适应图卷积神经网络的配电网故障诊断方法及系统
WO2022216753A1 (en) * 2021-04-07 2022-10-13 Bombora, Inc. Distributed machine learning hyperparameter optimization
US11487273B1 (en) * 2021-04-30 2022-11-01 Dalian University Of Technology Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms
CN115712821A (zh) * 2022-12-02 2023-02-24 中国计量大学 一种基于图神经网络的电梯故障诊断方法
CN115733730A (zh) * 2022-11-15 2023-03-03 国网新疆电力有限公司电力科学研究院 一种基于图神经网络的电网故障检测方法及装置
CN116245033A (zh) * 2023-05-12 2023-06-09 南方电网数字电网研究院有限公司 人工智能驱动的电力系统分析方法及智能软件平台
CN116502380A (zh) * 2023-05-06 2023-07-28 浙江大学 基于可解释图神经网络的电网暂态失稳定位方法和系统
CN116599083A (zh) * 2023-05-29 2023-08-15 河北工程大学 直流微电网高频振荡稳定性风险评估方法
CN116933114A (zh) * 2023-06-12 2023-10-24 浙江大学 一种基于cnn-lstm的直流微电网检测方法及装置
CN116956017A (zh) * 2023-05-06 2023-10-27 浙江大学 基于图彩票假设理论的电网暂态失稳子结构定位方法和系统
CN116992360A (zh) * 2023-08-03 2023-11-03 国家电网有限公司西南分部 一种通信网与电网耦合故障界定诊断方法及系统
CN117254446A (zh) * 2023-05-26 2023-12-19 广东电网有限责任公司汕尾供电局 电力系统的异常源节点的确定方法和确定装置
CN117312611A (zh) * 2023-09-28 2023-12-29 广西电网有限责任公司 一种电力故障快速定位及诊断方法及相关装置
WO2024021246A1 (zh) * 2022-07-25 2024-02-01 苏州大学 基于持续学习的跨设备增量轴承故障诊断方法
CN117669656A (zh) * 2023-11-06 2024-03-08 浙江大学 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220188700A1 (en) * 2014-09-26 2022-06-16 Bombora, Inc. Distributed machine learning hyperparameter optimization
CN110514924B (zh) * 2019-08-12 2021-04-27 武汉大学 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法
CN110780146B (zh) * 2019-12-10 2021-04-27 武汉大学 基于多阶段迁移学习的变压器故障辨识与定位诊断方法
US11674994B2 (en) * 2021-02-24 2023-06-13 Mitsubishi Electric Research Laboratories, Inc. Distribution fault location using graph neural network with both node and link attributes

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104393590A (zh) * 2014-11-14 2015-03-04 南方电网科学研究院有限责任公司 电网暂态失稳模式智能辨识方法
CN111756034A (zh) * 2020-06-12 2020-10-09 清华大学 基于图时空网络的电力系统暂态电压稳定评估方法
CN112200694A (zh) * 2020-10-09 2021-01-08 华中科技大学 基于图神经网络的主导失稳模式识别模型构建及应用方法
WO2022216753A1 (en) * 2021-04-07 2022-10-13 Bombora, Inc. Distributed machine learning hyperparameter optimization
US11487273B1 (en) * 2021-04-30 2022-11-01 Dalian University Of Technology Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms
CN113850017A (zh) * 2021-08-27 2021-12-28 国家电网有限公司 一种基于潮流变化图谱的系统级故障分析系统及方法
CN114021433A (zh) * 2021-10-22 2022-02-08 华中科技大学 一种电力系统的主导失稳模式识别模型的构建方法及应用
CN114006370A (zh) * 2021-10-29 2022-02-01 中国电力科学研究院有限公司 一种电力系统暂态稳定分析评估方法及系统
CN114239198A (zh) * 2021-12-06 2022-03-25 国网湖北省电力有限公司电力科学研究院 一种基于并行优化的电网子图划分方法及装置
CN114564987A (zh) * 2022-02-22 2022-05-31 华中科技大学 一种基于图数据的旋转机械故障诊断方法及系统
CN114994426A (zh) * 2022-04-13 2022-09-02 中南大学 多服役工况下列车牵引系统故障诊断方法、系统及介质
CN114779015A (zh) * 2022-04-28 2022-07-22 浙江大学 基于超分辨率和图神经网络的配电网故障诊断与定位方法
CN114970329A (zh) * 2022-05-11 2022-08-30 中国电力科学研究院有限公司 基于图神经网络的电力系统暂态电压稳定性计算方法
CN115166415A (zh) * 2022-06-27 2022-10-11 山东华科信息技术有限公司 一种自适应图卷积神经网络的配电网故障诊断方法及系统
WO2024021246A1 (zh) * 2022-07-25 2024-02-01 苏州大学 基于持续学习的跨设备增量轴承故障诊断方法
CN115733730A (zh) * 2022-11-15 2023-03-03 国网新疆电力有限公司电力科学研究院 一种基于图神经网络的电网故障检测方法及装置
CN115712821A (zh) * 2022-12-02 2023-02-24 中国计量大学 一种基于图神经网络的电梯故障诊断方法
CN116502380A (zh) * 2023-05-06 2023-07-28 浙江大学 基于可解释图神经网络的电网暂态失稳定位方法和系统
CN116956017A (zh) * 2023-05-06 2023-10-27 浙江大学 基于图彩票假设理论的电网暂态失稳子结构定位方法和系统
CN116245033A (zh) * 2023-05-12 2023-06-09 南方电网数字电网研究院有限公司 人工智能驱动的电力系统分析方法及智能软件平台
CN117254446A (zh) * 2023-05-26 2023-12-19 广东电网有限责任公司汕尾供电局 电力系统的异常源节点的确定方法和确定装置
CN116599083A (zh) * 2023-05-29 2023-08-15 河北工程大学 直流微电网高频振荡稳定性风险评估方法
CN116933114A (zh) * 2023-06-12 2023-10-24 浙江大学 一种基于cnn-lstm的直流微电网检测方法及装置
CN116992360A (zh) * 2023-08-03 2023-11-03 国家电网有限公司西南分部 一种通信网与电网耦合故障界定诊断方法及系统
CN117312611A (zh) * 2023-09-28 2023-12-29 广西电网有限责任公司 一种电力故障快速定位及诊断方法及相关装置
CN117669656A (zh) * 2023-11-06 2024-03-08 浙江大学 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
一种基于关键输电断面识别的交直流电网连锁故障分析方法;刘蔚;蔡万通;赵勇;;广西电力;20160228(第01期);全文 *
基于Shannon熵和BP神经网络的微电网短路故障诊断;姜春娣;邱路;叶银忠;;南方农机;20200128(第02期);全文 *
基于图论的矩阵算法在配电网故障定位中的应用;胡福年;孙守娟;;中国电力;20160305(第03期);全文 *
基于图论矩阵的南水电厂配电网故障判定;焦晓东;曾嘉俊;;电气开关;20180215(第01期);全文 *
基于小波SOM神经网络和多Agent系统的微电网故障诊断方法;孙波;黄建波;陆洁;王轩;;舰船电子工程;20180820(第08期);全文 *
基于深度学习模型的电力变压器故障声音诊断方法研究;吴帆;刘艳霞;刘力铭;何彦德;;电声技术;20200105(第01期);全文 *
小波包分析与神经网络的微电网线路故障诊断;杨彦杰;陈月;杨康;;自动化仪表;20170920(第09期);全文 *
故障状态下电网电压自愈策略研究;卢锦玲;白丽丽;杨仁刚;;电力系统保护与控制;20130501(第09期);全文 *
采用图论的电网连锁故障模式搜索方法;王英英;罗毅;涂光瑜;刘沛;;高电压技术;20100228(第02期);全文 *

Also Published As

Publication number Publication date
CN117872038A (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN112132427A (zh) 一种考虑用户侧多种资源接入的电网多层规划方法
CN109635928A (zh) 一种基于深度学习模型融合的电压暂降原因识别方法
CN108306303A (zh) 一种考虑负荷增长和新能源出力随机的电压稳定评估方法
CN111103477B (zh) 一种基于3d卷积神经网络的电气负载监测方法和系统
CN112508442A (zh) 基于自动化和可解释机器学习的暂态稳定评估方法及系统
CN111091141B (zh) 一种基于分层Softmax的光伏背板故障诊断方法
CN116131313A (zh) 特征量与暂态功角稳定性关联关系的可解释性分析方法
CN116317937A (zh) 一种分布式光伏电站运行故障诊断方法
Liu et al. Review of grid stability assessment based on AI and a new concept of converter-dominated power system state of stability assessment
CN115758151A (zh) 联合诊断模型建立方法、光伏组件故障诊断方法
CN115293454A (zh) 一种考虑拓扑变化的电力系统可靠性快速优化方法
CN114021425B (zh) 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质
Xu et al. An improved ELM-WOA–based fault diagnosis for electric power
CN117872038B (zh) 一种基于图论的直流微电网失稳故障源定位方法及装置
CN113609746A (zh) 基于蒙特卡洛树搜索及强化学习算法的配电网规划方法
CN116452005A (zh) 一种电力系统的风险评估方法、装置、设备及存储介质
Guo et al. Short‐term photovoltaic power forecasting with adaptive stochastic configuration network ensemble
CN117764547A (zh) 一种光伏组串故障诊断方法及系统
Sangeetha et al. Integrating Machine Learning Algorithms for Predicting Solar Power Generation
Raghuvamsi et al. Distribution system state estimation with Transformer-Bi-LSTM-based imputation model for missing measurements
Aragon et al. Decision Support System for Photovoltaic Fault Detection Avoiding Meteorological Conditions
Liu et al. A novel acceleration strategy for nl contingency screening in distribution system
Sultanuddin et al. Hybrid Solar Energy Forecasting with Supervised Deep Learning in IoT Environment
Wu et al. Convolutional deep leaning-based distribution system topology identification with renewables

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