一种基于确定学习的电力系统输电线短路故障诊断方法技术方案

本发明专利技术公开了一种基于确定学习的电力系统输电线短路故障诊断方法，具体按照以下步骤进行：S1.建立多机电力系统模型；S2.定义短路故障动态、故障影响集和子系统故障集；S3.学习短路故障动态；S4.构造短路故障监测器和残差范数；S5.设计短路故障快速诊断策略，用于对输电线上的短路故障进行快速诊断。该诊断方法通过运用确定学习，可以保证满足部分持续激励条件，从而保证神经网络权值的收敛到最优值，通过运用局部激活算子，可以只激活系统轨迹附近的神经元，从而大大降低了计算负荷，同时通过使用知识可以实现快速的短路故障诊断。

A Method for Fault Diagnosis of Power System Transmission Line Short Circuit Based on Decision Learning

【技术实现步骤摘要】
一种基于确定学习的电力系统输电线短路故障诊断方法
本专利技术涉及电力系统故障诊断领域，尤其涉及一种基于确定学习的电力系统输电线短路故障诊断方法。
技术介绍
快速故障诊断对电力系统的安全可靠运行具有极其重要的意义。电力系统中的故障若不进行及时处理，可能引起严重的后果，甚至导致大规模停电。在过去的几十年，电力系统故障诊断问题引起了人们的广泛关注。其中为了解决输电线的故障诊断问题，研究人员提出各种各样的技术，这些技术主要可分为两类：一类方法是基于继电保护和断路器的动作信息来进行故障区域以及故障元件的诊断，如优化方法、基于Petri网的诊断方法以及基于专家系统的诊断方法等。另一类方法是通过使用高采样频率的测量装置和动态观测器技术，利用系统的动态特性进行故障诊断，如基于自适应学习的电力系统动态故障诊断方法和基于贝叶斯学习的电力系统故障诊断方法。电力系统故障诊断的一个关键问题是如何对故障做出快速的判断。对于预期故障，可以实现对故障的快速响应。然而,电力系统中存在着各种不确定性和非预期故障。这使得对电力系统的快速诊断是一个非常困难的问题。另一方面，随着信息和通信技术的发展，从各种测量装置可以收集到大量的数据，因此利用学习方法来提取和积累知识是一种很有前途的电力系统故障诊断方法。与本专利技术最近似的实现方案是基于自适应学习的电力系统分布式故障诊断方法。该方法主要是针对一类互联多机电力系统，系统中每台同步电机通过传输线与其他同步电机互联，其中，同步电机之间的相互作用是非线性的。该方法利用相邻同步电机传输过来的系统状态信息来构造分布式故障监测器，利用自适应学习方法估计故障的参数，再通过估计参数的收敛范围来设计自适应阈值，最后根据估计误差和自适应阈值来判断故障是否发生以及故障发生的类型。现有的方法大致可分为两类：第一类方法是从断路器信息，继电保护信息来诊断故障的，例如优化方法、基于Petri网的诊断方法以及基于专家系统的诊断方法。这类方法的主要目的是为维护和维修所提供诊断信息的，没有刻画故障对实际电力系统动态特性的影响，不适用为系统暂态稳定控制提供诊断依据。第二类方法是通过构造动态观测器，利用系统的动态特性进行故障诊断的，例如自适应学习方法和贝叶斯学习方法。基于学习的方法通过学习来获取电力系统的发生故障时的动态特性。但是学习过程中需要在线调节参数，所以耗费的时间一般比较长。另外，基于自适应学习方法无法保证满足持续激励条件，不能保证神经网络的参数收敛到最优值。另外，使用学习方法的另一个问题是需要强大的计算能力。学习过程的计算量往往随着数据量和维数的增长而呈指数增长。这使得学习方法难以处理从电力系统收集的大量高维数据。
技术实现思路
本专利技术提供的一种基于确定学习的电力系统输电线短路故障诊断方法，保证了神经网络权值的收敛性同时在学习过程中减少了计算量；诊断结果可以为电力系统发生短路故障时的暂态稳定控制提供诊断依据，所学的暂态动力学习知识也可进一步用于暂态稳定控制过程中，本专利技术采用的技术方案如下：一种基于确定学习的电力系统输电线短路故障诊断方法，包括以下步骤：S1.利用图论来描述电力系统的拓扑结构，拓扑结构的图论可表示为G(V,ε)，其中是结点集合，结点i对应于第i台同步电机，是边集合，(i,j)表示第i台同步电机和第j台同步电机相连接，是邻近集，表示与第i台同步电机相连接的同步电机集合；用电力系统三阶经典动力学模型，多机电力系统中第i台同步电机的模型如下：机械方程：同步电机电气动力学：电气方程：系统输入：其中：δi是第i台同步电机的功角，ωi是第i台同步电机的相对转速，单位为rad/s，Pmi0是机械输入功率，Pei是电磁功率，ω0是同步电机转速，单位为rad/s，Di是单位阻尼常数，Hi是惯性常数，单位为s，Eq′i是正交轴上的瞬态电动势，Eqi是正交轴上的电动势，Efi是励磁线圈中的等效电动势，Td′0i是直轴暂态短路时间常数，xdi是直轴同步电抗，xd′i是直轴暂态电抗，Bij是去掉母线后，内部节点的节点电纳矩阵的第i行和第j列元素，Qei是无功功率，Idi是直轴电流，Ifi是励磁电流，Iqi是交轴电流，kci是励磁放大器的增益，ufi是可控硅放大器的输入，xadi励磁线圈和定子线圈之间的互电抗，νfi是第i台同步电机励磁回路输入。对同步电机输出功率Pei求导得到的动力学方程，该动力学方程中含有已知的系统局部动态和未知的互联项动态。其方程描述如下：其中是已知的系统局部动态，γi(zi)是未知互联项动态：S2.定义短路故障动态、故障影响集和子系统故障集；当输电线发生短路故障时，互联动力学函数γi(zi)会发生剧烈变化，因此我们采用互联动力学函数γi(zi)来刻画短路暂态过程故障动态。假设系统短路故障有M种：包括不同短路类型，以及不同短路位置。由于短路故障可能影响一个或多个同步电机，为了描述故障对同步电机的影响情况，定义如下故障影响集和子集统故障集：对于一种故障r,r∈Μ，其故障影响集Ir定义为故障r引起的Pei的变化ΔPei(t)大于阈值为的所有同步电机，即为整个电力系统的故障集。对于每个同步电机i,i∈V，其子系统故障集Μi为影响该同步电机的所有故障，即S3.根据确定学习理论构造一个学习系统，该学习系统包括RBF(RadialBasicFunction，径向基)神经网络动态观测器，权值更新法则，神经元编码法则和局部激活算子，其中RBF神经网络用来逼近故障动态，RBF神经网络中的神经元采用神经元编码法则进行编码，局部激活算子用来选择RBF神经网络输入点附近的神经元。S31.构造学习系统：对于一种故障r,r∈Μ，对在其故障影响集Ir内的同步电机，采用如下学习系统对同步电机的故障动态进行学习：RBF神经网络动态观测器：权值更新法则：其中是动态观测器的状态，其中ai＞0是观测器增益，是局部RBF神经网络，是权值更新增益，用来逼近互联项γi(zi)。S32.神经元编码法则：由于神经网络中含有多个神经网络这些神经网络都遵循相同的神经元编码法则，下面对其中一个神经网络的编码法则进行说明。为了叙述简洁，将记为对于一个RBF网络其神经元中心均匀分布在区域上，该RBF网络的神经元编码按照以下式子设计：其中Βc(ξi)表示网络中神经元中心为ξi的神经元的编号，ξi＝[ξi1,ξi2,...,ξiq]T表示第i个神经元的中心，q为神经网络中心点ξi的维数，是神经网络的起始点，即最接近神经网络逼近区域Ωz的起始点的神经元中心点，Μ0＝1,Μk(k＝1,...,q-1)是神经网络逼近区域Ωz中第k维的神经元数目，σ表示两个相邻近的神经元的距离。S33.局部激活算子：由于神经网络的输入层为高维的，训练整个神经网络需要巨大的计算量，为减少计算量，基于确定学习理论，选择只激活和更新靠近系统轨迹附近的神经元，局部神经元通过一个沿着系统轨迹运动的局部激活算子来选择。局部激活算子Βc(z)的作用是选择出在神经网络输入点z附近，即半径为ρ的邻域内的神经元的编号，局部激活算子设计如下：其中Ni＝Βc(ξi)表示神经网络中神经元中心为ξi的神经元编号，Υ[·]为取整符号，z＝[z1,z2,...,zq]T是神经网络的输入点。ρ是神经网络输入的邻域半径。局部激活算子Β本文档来自技高网...

【技术保护点】
1.一种基于确定学习的电力系统输电线短路故障诊断方法，电力系统包括n台同步电机通过输电线相互连接，其特征在于，包括以下步骤：S1.利用图论来描述电力系统的拓扑结构，拓扑结构的图论表示为G(V,ε)，其中

【技术特征摘要】
1.一种基于确定学习的电力系统输电线短路故障诊断方法，电力系统包括n台同步电机通过输电线相互连接，其特征在于，包括以下步骤：S1.利用图论来描述电力系统的拓扑结构，拓扑结构的图论表示为G(V,ε)，其中是结点集合，结点i对应于第i台同步电机，是边集合，(i,j)表示第i台同步电机和第j台同步电机相连接，是邻近集，表示与第i台同步电机相连接的同步电机集合；采用电力系统三阶经典动力学模型描述多机电力系统，并对同步电机输出功率求导获得其动力学方程，其动力学方程包含已知的系统局部动态和未知的互联项动态；S2.定义短路故障动态、故障影响集和子系统故障集；其中通过互联项动态来刻画短路暂态过程的故障状态，通过故障影响集和子系统故障集来描述故障与同步电机之间的关系；S3.建立学习系统对短路故障进行学习训练，该系统包括RBF神经网络动态观测器、权值更新法则、神经元编码法则和局部激活算子，其中：RBF神经网络动态观测器：权值更新法则：其中是动态观测器的状态，其中且ai＞0是观测器增益，是局部RBF神经网络，是权值更新增益，用来逼近互联项γi(zi)；神经元编码法则：对于一个RBF网络其神经元中心均匀分布在区域上，该RBF网络的神经元编码按照以下式子设计：其中Βc(ξi)表示网络中神经元中心为ξi的神经元的编号，ξi＝[ξi1,ξi2,...,ξiq]T表示第i个神经元中心，q为神经网络中心点ξi的维数，是神经网络的起始点，即最接近神经网络逼近区域Ωz的起始点的神经元中心点，Μ0＝1,Μk(k＝1,...,q-1)是神经网络逼近区域Ωz中第k维的神经元数目，σ表示两个相邻近的神经元的距离；局部激活算子描述如下：其中Ni＝Βc(ξi)表示神经网络中神经元中心为ξi的神经元编号，Υ[·]为取整符号，z＝[z1,z2,...,zq]T是神经网络的输入点，ρ是神经网络输入的邻域半径，局部激活算子Βc(z)的作用是选择出在神经网络输入点z附近，即半径为ρ的邻域内的神经元的编号；S4.构造短路故障监测器和残差范数：对于每一台同步电机，构造一系列短路故障监测器，所述的短路故障监测器嵌入S3所存储的常值神经网络，每一个故障监测器对应一种短路故障模式；将每个短路故障监测器的状态分别和被监测系统的状态进行比较，把两者之间的状态差异作为残差，并对残差取平均L1范数，可得到一系列残差平均L1范数，简称残差范数；S5.设计短路故障快速诊断决策，包括局部诊断和全局诊断；局部诊断：对某一台同步电机，若在S4所产生的一系列残差范数中，存在某一个残差范数小于设定的阈值，并且小于其他残差范数，则判断该残差范数对应的短路故障模式发生；全局诊断：对某一个影响多台同步电机的全局短路故障，若对在其故障影响集内的所有同步电机，对应的局部诊断器都判断该故障发生，则判断...

【专利技术属性】
技术研发人员：陈填锐，邵俊峰，王聪，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44