[go: up one dir, main page]

CN110672976B - 基于并联卷积神经网络的多端直流输电线路故障诊断方法 - Google Patents

基于并联卷积神经网络的多端直流输电线路故障诊断方法 Download PDF

Info

Publication number
CN110672976B
CN110672976B CN201910991992.1A CN201910991992A CN110672976B CN 110672976 B CN110672976 B CN 110672976B CN 201910991992 A CN201910991992 A CN 201910991992A CN 110672976 B CN110672976 B CN 110672976B
Authority
CN
China
Prior art keywords
fault
waveform
electrical signal
neural network
current
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.)
Expired - Fee Related
Application number
CN201910991992.1A
Other languages
English (en)
Other versions
CN110672976A (zh
Inventor
王浩
杨东升
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201910991992.1A priority Critical patent/CN110672976B/zh
Publication of CN110672976A publication Critical patent/CN110672976A/zh
Application granted granted Critical
Publication of CN110672976B publication Critical patent/CN110672976B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
    • 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
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • 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
    • 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)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Locating Faults (AREA)

Abstract

本发明的基于并联卷积神经网络的多端直流输电线路故障诊断方法，可实现快速准确地识别多端直流输电线路故障类型和故障位置；通过收集多端直流输电系统中各个故障类型发生时的直流线路上的电气信号波形，进行电气信号波形特征预处理，进而给两个单支路卷积神经网络分别做识别故障类型和识别故障区内外的预训练；根据迁移学习的原理，将各个卷积神经网络中间层参数分别赋值给并联卷积神经网络的两个支路上，从而在保持并联卷积神经网络中间层支路参数不变的条件下，训练并联卷积神经网络的输入和输出层，完成并联卷积神经网络预训练；将实时采集的电气信号波形输入到预训练好的并联卷积神经网络实现多端直流输电线路故障诊断。

Description

基于并联卷积神经网络的多端直流输电线路故障诊断方法
技术领域
本发明属于直流输电技术领域，涉及基于并联卷积神经网络的多端直流输电线路故障诊断方法。
背景技术
随着经济发展，全球能源紧张，我国东部沿海地区亟需大量电能的支撑，而大量光伏、风电等新能源发电分布在我国西部地区，与大型城市群距离较远，所以大容量远距离输电工程应运而生。高压直流输电作为远距离输电方式相比于交流输电具有故障少，绝缘要求低，不要求同步等优点，已经越来越受到关注。
目前，不论是基于机理模型还是基于信号分析的故障诊断方法都存在故障阈值不容易确定的问题。且传统基于人工智能方法的故障诊断方法均没有考虑快速性的要求。
发明内容
为解决上述技术问题，本发明提供一种基于并联卷积神经网络的多端直流输电线路故障诊断方法，可准确、快速地诊断并处理故障。
本发提供的基于并联卷积神经网络的多端直流输电线路故障诊断方法，包括如下步骤：
步骤1：采集多端直流输电系统故障线路的故障信息和与其对应的电气信号波形；
步骤2：将故障电气信号波形和正常电气信号波形进行组合，形成新的电气信号波形，对新的电气信号波形进行灰度化处理；
步骤3：将故障电气信号波形和正常电气信号波形进行3层小波包分解获得的小波包重构系数进行组合，形成新的小波包重构系数波形，对新的小波包重构系数波形进行灰度化处理；
步骤4：将步骤2和步骤3获得的所有灰度化后的信号波形组成二维矩阵形式，并将二维矩阵作为电气信号波形的特征；
步骤5：基于故障类型、故障位置和电气信号波形的特征，对并联卷积神经网络进行训练；
步骤6：当多端直流输电线路发生故障时，采集故障电气信号波形和正常电气信号波形，并基于训练好的并联卷积神经网络对多端直流输电线路进行故障诊断。
在本发明的基于并联卷积神经网络的多端直流输电线路故障诊断方法中，所述步骤1具体为：采集线路故障时的两极间电压波形、正极电压波形、负极电压波形、正极电流波形和负极电流波形。
在本发明的基于并联卷积神经网络的多端直流输电线路故障诊断方法中，所述步骤2具体为：
步骤2.1：将正常两极间电压波形和故障时两极间电压波形首尾相接组成新的两极间电压波形，将正常正极电压波形和故障时正极电压波形首尾相接组成新的正极电压波形，将正常负极电压波形和故障时负极电压波形首尾相接组成新的负极电压波形，将正常正极电流波形和故障时正极电流波形首尾相接组成新的正极电流波形，将正常负极电流波形和故障时负极电流波形首尾相接组成新的负极电流波形；
步骤2.2：对新的两极间电压波形、新的正极电压波形、新的负极电压波形、新的正极电流波形和新的负极电流波形分别进行灰度化处理，将信号波形中的数值等比例压缩到0-255之间的数值。
在本发明的基于并联卷积神经网络的多端直流输电线路故障诊断方法中，所述步骤3具体为：
步骤3.1：对正常两极间电压波形、故障时两极间电压波形、正常正极电压波形、故障时正极电压波形、正常负极电压波形、故障时负极电压波形、正常正极电流波形、故障时正极电流波形、正常负极电流波形和故障时负极电流波形分别做3层小波包分解，求得每个电气信号波形的小波包重构系数；
步骤3.2：将多端直流输电系统正常运行时的各个电气信号波形的小波包重构系数与故障时的电气信号波形的小波包重构系数分别首尾相接组成5组新的电气信号小波包重构系数波形；
步骤3.3：对5组新的电气信号小波包重构系数波形进行灰度化处理。
在本发明的基于并联卷积神经网络的多端直流输电线路故障诊断方法中，所述步骤5具体为：
步骤5.1：将电气信号波形的特征和与其对应的故障类型组成第一训练集，通过第一训练集训练单支路卷积神经网络CNN1；
步骤5.2：将电气信号波形的特征和与其对应的故障位置组成第二训练集，通过第二训练集训练单支路卷积神经网络CNN2；
步骤5.3：构建与CNN1和CNN2具有相同中间层结构的并联卷积神经网络P-CNN，并且把CNN1和CNN2中间层中的权重参数值和偏置参数值分复制给P-CNN的两个支路对应位置；
步骤5.4：固定P-CNN支路的参数值不变，用电气信号波形的特征、故障类型和故障位置训练P-CNN的输入层参数和输出层参数。
在本发明的基于并联卷积神经网络的多端直流输电线路故障诊断方法中，故障类型包括：直流线路上的正极短路、负极短路、两极间短路和换流站交流侧的单相接地故障、两相短路故障、两相接地故障和三相短路故障。
本发明的基于并联卷积神经网络的多端直流输电线路故障诊断方法至少具有以下有益效果：
1、相比于传统基于机理模型和信号分析的人工确定故障类型和故障区内外阈值的方法，本发明提出的故障诊断方法，在故障诊断时避免了人工确定阈值可能造成的准确率下降的情况，保证了多端直流输电线路故障诊断的准确性；
2、相比于传统的一个算法只能完成一个功能的故障诊断方法，本发明的故障诊断方法可以拥有多个支路，同时完成多个故障诊断功能，且各个功能不互相干扰，具有良好的可拓展性；
3、相比于传统基于信号波形的幅值特征或者信号波形的频率特征的单一特征故障诊断方法，本发明方法提出混合了信号波形的幅值特征和信号波形的频率特征的多特征输入的故障诊断方法，提高了准确率。
附图说明
图1是本发明的基于并联卷积神经网络的多端直流输电线路故障诊断方法的流程图；
图2是本发明的并联卷积神经网络的训练流程图；
图3是实施例中的四端直流输电系统拓扑图；
图4是单支路CNN1训练曲线图；
图5是单支路CNN2训练曲图；
图6是P-CNN输入层参数和输出层参数训练图。
具体实施方式
本发明的基于并联卷积神经网络的多端直流输电线路故障诊断方法，主要依靠并联卷积神经网络的并列运行能力，将多端直流输电线路故障诊断划分为故障类型识别和故障位置识别两部分。卷积神经网络拥有双支路结构，一个支路进行故障类型识别，另一个支路进行故障位置外识别，由于神经网络的特殊结构，两个支路可以同时进行工作，最后由同一个输出层输出故障诊断结果，减少分类器的数量，从而减少了故障诊断时间，满足多端直流输电系统快速性要求。
具体实施时，基于并联卷积神经网络的多端直流输电线路故障诊断方法，其功能不限于故障类型识别和故障位置识别两种，在输入相同的条件下，可以增加多个功能，卷积神经网络可以增加多个支路，具有可拓展性。
如图1所示，本发明的基于并联卷积神经网络的多端直流输电线路故障诊断方法，包括如下步骤：
步骤1：采集多端直流输电系统故障线路的故障信息和与其对应的电气信号波形；
具体实施时，采集线路故障时的两极间电压波形、正极电压波形、负极电压波形、正极电流波形和负极电流波形。
步骤2：将故障电气信号波形和正常电气信号波形进行组合，形成新的电气信号波形，对新的电气信号波形进行灰度化处理，所述步骤2具体为：
步骤2.1：将正常两极间电压波形U0和故障时两极间电压波形U1首尾相接组成新的两极间电压波形U＝[U0,U1]，将正常正极电压波形EP0和故障时正极电压波形EP1首尾相接组成新的正极电压波形EP＝[EP0,EP1]，将正常负极电压波形EN0和故障时负极电压波形EN1首尾相接组成新的负极电压波形EN＝[EN0,EN1]，将正常正极电流波形IP0和故障时正极电流波形IP1首尾相接组成新的正极电流波形IP＝[IP0,IP1]，将正常负极电流波形IN0和故障时负极电流波形IN1首尾相接组成新的负极电流波形IN＝[IN0,IN1]；
步骤2.2：对新的两极间电压波形U＝[U0,U1]、新的正极电压波形EP＝[EP0,EP1]、新的负极电压波形EN＝[EN0,EN1]、新的正极电流波形IP＝[IP0,IP1]和新的负极电流波形IN＝[IN0,IN1]分别进行灰度化处理，将信号波形中的数值等比例压缩到0-255之间的数值，分别得到U'、Ep'、EN'、Ip'和IN'。
步骤3：将故障电气信号波形和正常电气信号波形进行3层小波包分解获得的小波包重构系数进行组合，形成新的小波包重构系数波形，对新的小波包重构系数波形进行灰度化处理；所述步骤3具体为：
步骤3.1：对正常两极间电压波形U0、故障时两极间电压波形U1、正常正极电压波形EP0、故障时正极电压波形EP1、正常负极电压波形EN0、故障时负极电压波形EN1、正常正极电流波形IP0、故障时正极电流波形IP1、正常负极电流波形IN0和故障时负极电流波形IN1分别做3层小波包分解，求得每个电气信号波形的小波包重构系数Uw0、Uw1、EwP0、EwP1、EwN0、EwN1、IwP0、IwP1、IwN0和IwN1；
步骤3.2：将多端直流输电系统正常运行时的各个电气信号波形的小波包重构系数与故障时的电气信号波形的小波包重构系数分别首尾相接组成5组新的电气信号小波包重构系数波形Uw＝[Uw0,Uw1]、EwP＝[EwP0,EwP1]、EwN＝[EwN0,EwN1]、IwP＝[IwP0,IwP1]和IwN＝[IwN0,IwN1]；
步骤3.3：对5组新的电气信号小波包重构系数波形进行灰度化处理，得到Uw'、Ewp'、EwN'、Iwp'和IwN'。
步骤4：将步骤2和步骤3获得的所有灰度化后的信号波形组成二维矩阵形式T＝[U',EP',EN',IP',IN',Uw',EwP',EwN',IwP',IwN']T，并将二维矩阵作为电气信号波形的特征；
步骤5：基于故障类型、故障位置和电气信号波形的特征，对并联卷积神经网络进行训练，如图2所示，步骤5具体为：
步骤5.1：将电气信号波形的特征和与其对应的故障类型组成第一训练集，通过第一训练集训练单支路卷积神经网络CNN1；
步骤5.2：将电气信号波形的特征和与其对应的故障位置组成第二训练集，通过第二训练集训练单支路卷积神经网络CNN2；
步骤5.3：构建与CNN1和CNN2具有相同中间层结构的并联卷积神经网络P-CNN，并且把CNN1和CNN2中间层中的权重参数值和偏置参数值分复制给P-CNN的两个支路对应位置；
步骤5.4：固定P-CNN支路的参数值不变，用电气信号波形的特征、故障类型和故障位置训练P-CNN的输入层参数和输出层参数。
具体实施时，故障类型包括：直流线路上的正极短路、负极短路、两极间短路和换流站交流侧的单相接地故障、两相短路故障、两相接地故障和三相短路故障。
步骤6：当多端直流输电线路发生故障时，采集故障电气信号波形和正常电气信号波形，并基于训练好的并联卷积神经网络对多端直流输电线路进行故障诊断。
下面以图3的四端直流输电线路为例对本发明的实施方式进行一步说明。如图3所示，图中换流站B2、F1端是送电端，B3、E1是受电端，直流输电母线电压±200kV。其中，TLB2E1和TLE1F1是1000km架空线输电线路，TLB2B3和TLB3F1是800km架空线输电线路。在四个直流输电线路上各放一组直流断路器DCB1～DCB4切断故障直流输电线路。
本发明一种基于并联卷积神经网络的多端直流输电线路故障诊断方法，可实现快速准确地识别多端直流输电线路故障类型和故障位置信息；通过收集多端直流输电系统中各个故障类型发生时的线路TLB2E1上的电气信号波形，进行各个故障类型的电气信号波形特征预处理，进而给单支路CNN1和单支路CNN2分别做识别故障类型和识别故障区内外的预训练；根据迁移学习的原理，将CNN1和CNN2中中间层参数分别赋值给P-CNN的两个支路上，从而在保持P-CNN中间层支路参数不变的条件下，训练P-CNN的输入和输出层；将预训练完成后的P-CNN应用于故障诊断，多端直流输电线路发生故障时，采集线路TLB2E1上的电气信号波形，对电气信号波形特征预处理，输入到P-CNN中实现多端直流输电线路故障诊断。
步骤1：收集多端直流输电线路的故障信息和与其对应的电气信号波形；具体收集线路故障时的两极间电压波形、正极电压波形、负极电压波形、正极电流波形和负极电流波形。
步骤2.1：将多端直流输电线路正常运行时的各个电气信号波形与故障发生时电气信号波形分别首尾相接组成如下5组新的电气信号波形：
U＝[U0,U1]＝[U01,U02，,...,U0n,U11,U12,...,U1n]
EP＝[EP0,EP1]＝[EP01,EP02,...,EP0n,EP11,EP12,...,EP1n]
EN＝[EN0,EN1]＝[EN01,EN02,...,EN0n,EN11,EN12,...,EN1n]
IP＝[IP0,IP1]＝[IP01,IP02,...,IP0n,IP11,IP12,...,IP1n]
IN＝[IN0,IN1]＝[IN01,IN02,...,IN0n,IN11,IN12,...,IN1n]
其中，U1＝[U11,U12,,...,U1n]是故障时线路TLB2E1上的两极间电压波形，U1n是波形中第n个点，U0＝[U01,U02,,...,U0n]是故障前正常运行时的两极间电压波形，U0n是波形中第n个点。EP1＝[EP11,EP12,...,EP1n]是线路TLB2E1上的正极电压波形，EP1n是波形中第n个点，EP0＝[EP01,EP02,...,EP0n]是故障前正常运行时的正极电压波形，EP0n是波形中第n个点。EN1＝[EN11,EN12,...,EN1n]是线路TLB2E1上的负极电压波形，EN1n是波形中第n个点。EN0＝[EN01,EN02,...,EN0n]是故障前正常运行时的负极电压波形，EN0n是波形中第n个点。IP1＝[IP11,IP12,...,IP1n]是线路TLB2E1上的正极电流波形，IP1n是波形中第n个点。IP0＝[IP01,IP02,...,IP0n]是故障前正常运行时的正极电流波形，IP0n是波形中第n个点。IN1＝[IN11,IN12,...,IN1n]是线路TLB2E1上的负极电流波形，IN1n是波形中第n个点，IN0＝[IN01,IN02,...,IN0n]是故障前正常运行时的负极电流波，IN0n是波形中第n个点。其中，各个电气信号波形均为行向量的形式；
步骤2.2：将5组新的电气信号波形U、EP、EN、IP和IN分别灰度化得到U'、Ep'、EN'、Ip'和IN'，其中，灰度化公式为：
Figure BDA0002238574280000081
其中，x′是灰度化后的电气信号波形，x(N)是原始电气信号波形。
步骤3.1：将电气信号波形U0、U1、EP0、EP1、EN0、EN1、IP0、IP1、IN0和IN1分别做3层小波包分解，求得每个电气信号波形的小波包重构系数Uw0、Uw1、EwP0、EwP1、EwN0、EwN1、IwP0、IwP1、IwN0和IwN1，其中，每个电气信号波形的小波包重构系数均为8×n的矩阵形式；
步骤3.2：将多端直流输电系统正常运行时的各个电气信号波形的小波包重构系数与故障发生时电气信号波形的小波包重构系数分别首尾相接组成5组新的电气信号小波包重构系数波形Uw＝[Uw0,Uw1]、EwP＝[EwP0,EwP1]、EwN＝[EwN0,EwN1]、IwP＝[IwP0,IwP1]和IwN＝[IwN0,IwN1]；
步骤3.3：将5组新的电气信号小波包重构系数波形Uw＝[Uw0,Uw1]、EwP＝[EwP0,EwP1]、EwN＝[EwN0,EwN1]、IwP＝[IwP0,IwP1]和IwN＝[IwN0,IwN1]分别灰度化得到Uw'、Ewp'、EwN'、Iwp'和IwN'；
步骤4：将所有灰度化后的信号波形放到45×2n的矩阵中，组成二维矩阵形式T＝[U',EP',EN',IP',IN',Uw',EwP',EwN',IwP',IwN']T，这里T就是多端直流输电系统各个故障对应的直流输电线路TLB2E1上电气信号波形的特征。
步骤5.1：将收集到的M个四端直流输电系统中的故障类型和与之对应的M个故障特征T，交给单支路CNN1训练，训练过程曲线如图4；
步骤5.2：将收集到的M个四端直流输电系统中的故障位置信息和与之对应的M个故障特征T，交给单支路CNN2训练，训练过程曲线如图5；
步骤5.3：构建与CNN1和CNN2具有相同中间层结构的并联卷积神经网络P-CNN，并且把CNN1和CNN2中间层中的权重参数值ω和偏置参数值b分别赋值给P-CNN的两个支路对应位置；
步骤5.4：固定P-CNN支路的参数值不变，用收集到的M个四端直流输电系统中的故障类型和位置信息和与之对应的M个故障特征T训练P-CNN的输入层参数和输出层参数。
步骤6：当多端直流输电线路的继电保护装置DCB1～DCB4识别系统内发生故障时，基于并联卷积神经网络的多端直流输电线路故障诊断方法开始启动；采集故障时线路TLB2E1上的采集故障电气信号波形和正常电气信号波形；重复步骤2至4的故障时直流线路电气信号波形特征预处理方法对故障电气信号波形和正常电气信号波形，得到当前故障的特征t；将当前故障特征t输入到已经训练好的P-CNN中，得到当前故障类型和故障位置信息。
该方法分为故障类型识别和故障位置识别两个功能，故障位置识别是通过故障信号的特征确定故障是否发生在检测装置所在的条线路上。本发明实现的是通过故障信号的特征确定故障类型和发生位置的故障诊断方法，这个故障诊断的结果既能帮助继电保护装置隔离故障，也能帮助运行调度人员认识和处理故障。本发明所做的故位置识别功能是通过故障信号的特征确定故障发生在多端直流输电系统的哪一条线路上，即本故障定位方法是判断故障点是否发生在检测装置所在的线路上，该方法应用于故障切除装置之前的诊断策略，所以要求具有快速性和准确性。
以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于并联卷积神经网络的多端直流输电线路故障诊断方法，其特征在于，包括如下步骤：
步骤1：收集多端直流输电线路的故障信息和与其对应的电气信号波形；
步骤2：将故障电气信号波形和正常电气信号波形进行组合，形成新的电气信号波形，对新的电气信号波形进行灰度化处理，所述步骤2具体为：
步骤2.1：将正常两极间电压波形和故障时两极间电压波形首尾相接组成新的两极间电压波形，将正常正极电压波形和故障时正极电压波形首尾相接组成新的正极电压波形，将正常负极电压波形和故障时负极电压波形首尾相接组成新的负极电压波形，将正常正极电流波形和故障时正极电流波形首尾相接组成新的正极电流波形，将正常负极电流波形和故障时负极电流波形首尾相接组成新的负极电流波形；
步骤2.2：对新的两极间电压波形、新的正极电压波形、新的负极电压波形、新的正极电流波形和新的负极电流波形分别进行灰度化处理，将信号波形中的数值等比例压缩到0-255之间的数值；
步骤3：将故障电气信号波形和正常电气信号波形进行3层小波包分解获得的小波包重构系数进行组合，形成新的小波包重构系数波形，对新的小波包重构系数波形进行灰度化处理；
步骤4：将步骤2和步骤3获得的所有灰度化后的信号波形组成二维矩阵形式，并将二维矩阵作为电气信号波形的特征；
步骤5：基于故障类型、故障位置和电气信号波形的特征，对并联卷积神经网络进行训练；
步骤6：当多端直流输电线路发生故障时，采集故障电气信号波形和正常电气信号波形，并基于训练好的并联卷积神经网络对多端直流输电线路进行故障诊断。
2.如权利要求1所述的基于并联卷积神经网络的多端直流输电线路故障诊断方法，其特征在于，所述步骤1具体为：采集线路故障时的两极间电压波形、正极电压波形、负极电压波形、正极电流波形和负极电流波形。
3.如权利要求2所述的基于并联卷积神经网络的多端直流输电线路故障诊断方法，其特征在于，所述步骤3具体为：
步骤3.1：对正常两极间电压波形、故障时两极间电压波形、正常正极电压波形、故障时正极电压波形、正常负极电压波形、故障时负极电压波形、正常正极电流波形、故障时正极电流波形、正常负极电流波形和故障时负极电流波形分别做3层小波包分解，求得每个电气信号波形的小波包重构系数；
步骤3.2：将多端直流输电系统正常运行时的各个电气信号波形的小波包重构系数与故障时的电气信号波形的小波包重构系数分别首尾相接组成5组新的电气信号小波包重构系数波形；
步骤3.3：对5组新的电气信号小波包重构系数波形进行灰度化处理。
4.如权利要求1所述的基于并联卷积神经网络的多端直流输电线路故障诊断方法，其特征在于，所述步骤5具体为：
步骤5.1：将电气信号波形的特征和与其对应的故障类型组成第一训练集，通过第一训练集训练单支路卷积神经网络CNN1；
步骤5.2：将电气信号波形的特征和与其对应的故障位置组成第二训练集，通过第二训练集训练单支路卷积神经网络CNN2；
步骤5.3：构建与CNN1和CNN2具有相同中间层结构的并联卷积神经网络P-CNN，并且把CNN1和CNN2中间层中的权重参数值和偏置参数值分别复制给P-CNN的两个支路对应位置；
步骤5.4：固定P-CNN支路的参数值不变，用电气信号波形的特征、故障类型和故障位置训练P-CNN的输入层参数和输出层参数。
5.如权利要求1或4所述的基于并联卷积神经网络的多端直流输电线路故障诊断方法，其特征在于，故障类型包括：直流线路上的正极短路、负极短路、两极间短路和换流站交流侧的单相接地故障、两相短路故障、两相接地故障和三相短路故障。
CN201910991992.1A 2019-10-18 2019-10-18 基于并联卷积神经网络的多端直流输电线路故障诊断方法 Expired - Fee Related CN110672976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910991992.1A CN110672976B (zh) 2019-10-18 2019-10-18 基于并联卷积神经网络的多端直流输电线路故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910991992.1A CN110672976B (zh) 2019-10-18 2019-10-18 基于并联卷积神经网络的多端直流输电线路故障诊断方法

Publications (2)

Publication Number Publication Date
CN110672976A CN110672976A (zh) 2020-01-10
CN110672976B true CN110672976B (zh) 2021-04-16

Family

ID=69083421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910991992.1A Expired - Fee Related CN110672976B (zh) 2019-10-18 2019-10-18 基于并联卷积神经网络的多端直流输电线路故障诊断方法

Country Status (1)

Country Link
CN (1) CN110672976B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111441783B (zh) * 2020-04-17 2021-06-15 中铁隧道局集团有限公司 一种盾构机低压电器性能的集中检测方法
CN112098889B (zh) * 2020-09-09 2022-03-04 青岛鼎信通讯股份有限公司 一种基于神经网络和特征矩阵的单相接地故障定位方法
CN113049914B (zh) * 2021-03-15 2023-02-07 广东电网有限责任公司清远供电局 一种输电线路故障诊断方法、系统、电子设备和存储介质
CN113189448A (zh) * 2021-04-29 2021-07-30 广东电网有限责任公司清远供电局 一种输电线路故障类型的检测方法及装置
CN116049646A (zh) * 2022-09-29 2023-05-02 佳源科技股份有限公司 输电线路故障检测方法、装置、计算机设备及存储介质
CN115825648A (zh) * 2022-11-16 2023-03-21 昆明理工大学 基于多分解与并行残差网络的特高压直流输电线路故障识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5537327A (en) * 1993-10-22 1996-07-16 New York State Electric & Gas Corporation Method and apparatus for detecting high-impedance faults in electrical power systems
JP2006162541A (ja) * 2004-12-10 2006-06-22 Meiji Univ 事故点標定方法、システム及びプログラム
CN104808107A (zh) * 2015-04-16 2015-07-29 国家电网公司 一种xlpe电缆局部放电缺陷类型识别方法
CN107271925B (zh) * 2017-06-26 2019-11-05 湘潭大学 基于深度卷积网络的模块化五电平换流器故障定位方法

Also Published As

Publication number Publication date
CN110672976A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN110672976B (zh) 基于并联卷积神经网络的多端直流输电线路故障诊断方法
CN110398663B (zh) 一种基于卷积神经网络的柔性直流电网故障识别方法
CN105116208B (zh) 一种特高压直流输电系统换相失败故障诊断方法
CN109274079B (zh) 一种环状柔直电网线路的单端量保护方法
CN110609213B (zh) 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法
CN113791294B (zh) 一种边云协同的特高压直流输电系统换相失败溯源方法
CN107329044A (zh) 一种基于电弧暂态分量的配电网单相接地故障选线方法
CN111429043B (zh) 基于场景构建的电压暂降特征量随机评估方法
CN117937368A (zh) 基于频域能量矩阵相似度的柔直电网纵联保护方法
CN115310604A (zh) 一种基于神经网络的ups系统在线故障诊断方法
CN114325236B (zh) 一种基于频谱熵和随机森林的配电网故障识别方法及系统
CN114236308B (zh) 一种基于馈线信息的配电网故障检测定位方法
CN110703134B (zh) 一种基于故障序分量的小电流接地选线选相方法
CN112595932A (zh) 一种适用于中压直流配电网的单极故障选线方法
CN104537196B (zh) 一种获取基于vsc的多端直流系统可靠性的方法
CN110601153A (zh) 直流配电网单端量的继电保护方法
CN115906350A (zh) 一种微电网故障定位和诊断方法
CN117269676A (zh) 一种配电网线路设备雷击故障定位方法及装置
Wang et al. Fault Diagnosis of UHVDC Transmission Line Based on Deep Neural Network
Yang et al. Multi-criteria fusion method for line selection of single-phase-to-ground fault with small current based on GRU neural network
CN113125902A (zh) 基于iewt和imdmf的直流配电系统故障检测方法
Likhitha et al. Setting-free Smart Recloser for Three Terminal Mixed Lines
KR20050020841A (ko) 배전손실율을 이용한 배전선로 등가 임피던스 결정방법
CN118641880B (zh) 一种金属回流直流电网区内外故障识别方法及系统
Mao et al. Fast Detection Method of DC Short Circuit Fault of MMC-HVDC Grid

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210416