一种LCC-HVDC连续换相失败故障预警网络训练方法技术

技术编号:20867599 阅读:30 留言:0更新日期:2019-04-17 09:33
一种LCC‑HVDC连续换相失败故障预警网络训练方法,采集时间窗内的直流侧、交流侧的电气信息以及控制系统的触发脉冲信息作为连锁故障判别的初始特征,该网络的训练方法先基于原始仿真数据训练一个自动编码器(Autoencoder),取其编码器(Encoder)部分作为卷积神经网络分类器的共享层输入,再进行卷积神经网络的分类任务训练,从而减少特征维度,以减少神经网络训练过程的计算量、提高卷积神经网络分类任务的正确率。本发明专利技术能够快速预测严重连续换相失败事故的发生,克服了较高维度的特征向量带来的训练困难的问题,同时加速了工程现场应用下的计算速度,具有广泛的工程应用前景。

【技术实现步骤摘要】
一种LCC-HVDC连续换相失败故障预警网络训练方法
本专利技术属于电力系统输电线路继电保护与人工智能交叉领域,特别涉及一种交直流混联系统的连续换相失败预警器的训练方法。
技术介绍
高压直流输电(HighVoltageDirectCurrent,HVDC)系统具有输送距离远、输送容量大、输送损耗低、功率调节灵活、不受同步稳定限制等特点,其在远距离大容量输电、电力系统互联等领域得到了十分广泛的运用,是实现我国能源资源优化配置的有效途径。随着我国直流输电技术的快速发展,我国已经形成世界上规模最大、电压等级最高的交直流混合输电系统。随着直流输电容量的不断增加,受端的交流系统的强度可认为相对较弱,而且在我国的很多实际工程之中,受端系统本来就属于弱交流系统,而受到为弱交流系统的交直流混联系统非常容易出现诸如换相失败、受端系统振荡发散等现象。目前直流系统换流器件过流能力低、承受故障冲击能力差、表现出脆弱性,并导致电网的脆弱性;单个交流系统的简单故障或者单个换流站的异常动态过程都可能诱发多换流站同时换相失败、直流系统单极双极闭锁、交流线路过负荷跳闸等连锁故障的发生,表现出交直流混联电网的复杂耦合特性。换流器在运行过程中由于不断变换阀的通断状态,是典型的时变电路,为交直流混联系统带来了很强的非线性。交流系统大扰动之下,直流系统与交流系统的电气量难以求得解析表达,换相失败的发展机理不清楚,连续换相失败故障难以预测。但是,一个实用化的连续换相失败预警算法在工程上实际应用领域却又迫在眉睫。近年来,人工智能蓬勃发展,学界上提出了不少学习能力很强的分类器。但是,虽然各类分类器理论上具有非常强的学习能力,但是如何针对于工程实际训练一个分类器,使其具有最好的分类性能同时最大程度的减少计算量,仍然属于一个悬而未解的技术难题。
技术实现思路
本专利技术的目的是为了克服交直流混联系统带来的高维特征向量下分类器训练困难的问题,提出一种新型的分类器结构及其训练方法,该方法充分利用仿真大数据的5ms时间窗内的交直流电气特征及控制系统触发信号作为判据,以较高的准确度及较快的运算速度下实现给出连续换相失败的故障预警。为实现上述专利技术目的,本专利技术具体采用以下技术方案:一种LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于,所述连续换相失败故障预警网络训练方法包括以下步骤:步骤1:利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真,获取交直流混联网络的原始运行数据;步骤2:于原始运行数据中获取每个故障场景之下的设定时间窗内的原始运行数据作为原始特征向量,构造连续换相失败故障预警的自动编码器Autoencoder训练集;步骤3:选择隐空间的维度k作为数据压缩的维度,以最小信号重构误差作为目标函数,以Adam梯度下降法训练自动编码器Autoencoder;步骤4:对自动编码器的Encoder进行压缩降维构造新的训练集与测试集;步骤5:使用步骤4得到的新的训练集与测试集训练卷积神经网络分类器即得到连续换相失败故障预警的卷积神经网络分类器;步骤6:最后验证所训练的卷积神经网络分类器性能,判断其准确性和运算时间是否满足精确度阈值Pthre与运算时间上限Tthre要求;若精确度阈值Pthre与运算时间上限Tthre两个要求均不满足,需要对卷积神经网络分类器进行重设计,并且返回步骤5;若精确度阈值Pthre与运算时间上限Tthre两个要求只满足一个,则返回步骤3通过增减隐空间的降维维度k重新训练自动编码器Autoencoder;直到卷积神经网络分类器同时满足精确度阈值Pthre与运算时间上限Tthre要求,则完成连续换相失败故障预警网络的训练。本专利技术进一步包括以下优选方案:在步骤1中,所获得的原始运行数据应涵盖该交直流混联网络的所有可能运行方式。为了保证连续换相失败预警的可靠性,原始运行数据包含的故障数据以及非故障数据的数据规模应该保证相等。所述原始运行数据应至少为TB级别。在步骤2中,原始运行数据加窗的具体方法为:对所有的原始运行数据标定第一次换相失败的发生时刻,并从先前的测量数据记录中,读取该次换相失败的发生时刻之前1/8个工频周波的直流侧、交流侧电气信息以及控制系统的触发脉冲信息,并且继续对直流侧、交流侧电气信息以及控制系统的触发脉冲信息进行维持1/8个工频周波的测量录波,以得到设定时间窗内对应的初始特征向量。所述设定时间窗为5ms。所述初始特征向量包括但不限于5ms时间窗内的整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i作为初始特征向量。在步骤3中,重构误差定义如下:其中,x为原始数据窗即设定时间窗内的原始运行数据,为经过自编码器网络降维并重构的数据窗,为原始数据窗与经过自编码器网络降维并重构的数据窗之间的重构误差函数,φ(·)对应Encoder网络的映射函数,ψ(·)对应Decoder网络的映射函数。维度k的取值范围为[5,50]。维度k的优选值为10。在步骤4中,利用自动编码器的Encoder网络进行隐空间编码,以得到降维至维度为[5,50]范围内的交流电流电压与直流电流电压的通用特征(generalfeatures),以两个换相周期之内是否发生连续换相失败作为样本标记(label),重构特征向量,并且分割新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest;其中,Xlatent,train为训练集数据对应的重构特征向量,Ytrain是训练集数据的标记,Xlatent,test是测试集数据对应的重构特征向量,Ytest是测试集数据的标记。在步骤5中,使用新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest训练一个结构简单的二分类卷积神经网络作为卷积神经网络分类器。所述二分类卷积神经网络对应的目标函数是交叉熵,训练方法为Adam梯度下降法;其中,X为特征向量构成的训练集或测试集,Y为特征向量构成的训练集或测试集对应的标记集;x为训练集或测试集中的特征向量,y为训练集或测试集中的特征向量对应的标记;I(·)为指示器函数,其接受一个条件表达式作为变量,表达式为真时返回1,否则返回0。在步骤6中,若精确度阈值Pthre不被满足,即卷积神经网络分类器的精确度P<Pthre,则增加自编码器网络的隐空间的维度k以增加特征的关键信息。若精确度阈值Pthre不被满足,则将维度k+1,然后返回步骤3。若运算时间上限Tthre不被满足,即卷积神经网络分类器的运算时间T>Tthre,则需要减少自编码器网络的隐空间的维度k以减少数据特征相量的信息冗余。若运算时间上限Tthre不被满足,则将维度k-1,然后返回步骤3。若精确度阈值Pthre与运算时间上限Tthre两个要求均不满足,需要对卷积神经网络分类器进行重设计,并且返回步骤5。其中,所述重设计包括但不限于:增加或删减卷积层的层数、增加或删减特定卷积层对应的卷积核的通道数、增加或减少特定卷积层对应的卷积核的维度、以及增加或减少最后的全连接层的层数或者维度。本专利技术相对于现有技术具有以下有益的技术效果:本专利技术采集5ms时间窗内的直流侧、交本文档来自技高网
...

【技术保护点】
1.一种LCC‑HVDC连续换相失败故障预警网络训练方法,其特征在于,所述连续换相失败故障预警网络训练方法包括以下步骤:步骤1:利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真,获取交直流混联网络的原始运行数据;步骤2:于原始运行数据中获取每个故障场景之下的设定时间窗内的原始运行数据作为原始特征向量,构造连续换相失败故障预警的自动编码器Autoencoder训练集;步骤3:选择隐空间的维度k作为数据压缩的维度,以最小信号重构误差作为目标函数,以Adam梯度下降法训练自动编码器Autoencoder;步骤4:对自动编码器的Encoder进行压缩降维构造新的训练集与测试集;步骤5:使用步骤4得到的新的训练集与测试集训练卷积神经网络分类器即得到连续换相失败故障预警的卷积神经网络分类器;步骤6:最后验证所训练的卷积神经网络分类器性能,判断其准确性和运算时间是否满足精确度阈值Pthre与运算时间上限Tthre要求;若精确度阈值Pthre与运算时间上限Tthre两个要求均不满足,需要对卷积神经网络分类器进行重设计,并且返回步骤5;若精确度阈值Pthre与运算时间上限Tthre两个要求只满足一个,则返回步骤3通过增减隐空间的降维维度k重新训练自动编码器Autoencoder;直到卷积神经网络分类器同时满足精确度阈值Pthre与运算时间上限Tthre要求,则完成连续换相失败故障预警网络的训练。...

【技术特征摘要】
1.一种LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于,所述连续换相失败故障预警网络训练方法包括以下步骤:步骤1:利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真,获取交直流混联网络的原始运行数据;步骤2:于原始运行数据中获取每个故障场景之下的设定时间窗内的原始运行数据作为原始特征向量,构造连续换相失败故障预警的自动编码器Autoencoder训练集;步骤3:选择隐空间的维度k作为数据压缩的维度,以最小信号重构误差作为目标函数,以Adam梯度下降法训练自动编码器Autoencoder;步骤4:对自动编码器的Encoder进行压缩降维构造新的训练集与测试集;步骤5:使用步骤4得到的新的训练集与测试集训练卷积神经网络分类器即得到连续换相失败故障预警的卷积神经网络分类器;步骤6:最后验证所训练的卷积神经网络分类器性能,判断其准确性和运算时间是否满足精确度阈值Pthre与运算时间上限Tthre要求;若精确度阈值Pthre与运算时间上限Tthre两个要求均不满足,需要对卷积神经网络分类器进行重设计,并且返回步骤5;若精确度阈值Pthre与运算时间上限Tthre两个要求只满足一个,则返回步骤3通过增减隐空间的降维维度k重新训练自动编码器Autoencoder;直到卷积神经网络分类器同时满足精确度阈值Pthre与运算时间上限Tthre要求,则完成连续换相失败故障预警网络的训练。2.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:在步骤1中,所获得的原始运行数据应涵盖该交直流混联网络的所有可能运行方式。3.根据权利要求2所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:为了保证连续换相失败预警的可靠性,原始运行数据包含的故障数据以及非故障数据的数据规模应该保证相等。4.根据权利要求3所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:所述原始运行数据应至少为TB级别。5.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:在步骤2中,原始运行数据加窗的具体方法为:对所有的原始运行数据标定第一次换相失败的发生时刻,并从先前的测量数据记录中,读取该次换相失败的发生时刻之前1/8个工频周波的直流侧、交流侧电气信息以及控制系统的触发脉冲信息,并且继续对直流侧、交流侧电气信息以及控制系统的触发脉冲信息进行维持1/8个工频周波的测量录波,以得到设定时间窗内对应的初始特征向量。6.根据权利要求5所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:所述设定时间窗为5ms。7.根据权利要求5或6所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:所述初始特征向量包括但不限于5ms时间窗内的整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i作为初始特征向量。8.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:在步骤3中,重构误差定义如下:其中,x为原始数据窗即设定时间窗内的原始运行数据,包括整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i,为经过自编码器网络降维并重构的数据窗,为原始数...

【专利技术属性】
技术研发人员:苏建军张国辉李志中刘萌王宾李玉敦井雨刚孙健史方芳孙萌萌杨超张婉婕黄秉青王永波李聪聪梁正堂石硕李娜佟新元苏欣施雨
申请(专利权)人:国网山东省电力公司电力科学研究院清华大学国家电网有限公司
类型:发明
国别省市:山东,37

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1