基于GADF-VGG16的高压直流输电线路故障诊断方法技术

本发明专利技术公开了基于GADF

【技术实现步骤摘要】
基于GADF
‑
VGG16的高压直流输电线路故障诊断方法


[0001]本专利技术涉及输电线路故障
，具体涉及基于GADF
‑
VGG16的高压直流输电线路故障诊断方法。

技术介绍

[0002]我国能源基地与负荷密集中心距离较远，跨区域的电力传输是实现我国资源合理配置的必要手段。高压直流输电（High voltage direct current，HVDC）凭借其传输容量大，线路损耗低，输电距离远等优势被广泛应用。由于HVDC线路所跨距离长，所处地理、气候环境恶劣，造成线路出现故障几率高，据统计，约50%的直流输电系统故障为直流线路故障，因此故障的正确识别与诊断对电力系统的安全可靠运行至关重要。
[0003]目前针对HVDC输电线路的保护研究，专家学者提出了一系列的保护方案。其中行波保护，微分欠电压保护一般作为主保护，纵联差动保护和低电压保护作为后备保护，而众多保护方法中行波保护原理应用最为广泛。例如，基于双端行波法，提出利用检测点处检测到首次入射行波与反射波之间的时间间隔来进行区内外故障的识别。但该方法依赖双端信息的传输，对保护的速动性有一定的影响。考虑到行波保护易受高过渡电阻、远距离的影响，现有技术中提出利用行波传输原理结合Teager能量算子实现HVDC输电线路区内外故障的准确识别，所提方法中，故障识别可在较短的时间内完成，且在高阻远距离故障下也能准确实现识别故障类型。然而，行波法中如何准确识别行波波头是难以克服的技术难题，基于分布式参数模型的HVDC输电线路区内外故障的识别方案，该方法不依赖行波保护原理，但故障识别的精确度取决于线路参数的设置。
[0004]近年来，大量学者提出利用支持向量机（SVM），BP神经网络，人工神经网络(ANN)，随机森林等方法研究输电线路故障诊断问题。其中，利用电流信号故障前后标准差作为特征量结合支持向量机的分类功能，实现HVDC输电线路的故障识别和分类，但该方法对故障行波的波形特征挖掘尚不充分且该方法的容错性还有待进一步验证；使用输电线路故障情况下的电气变化量作为特征量训练BP神经网络进行故障诊断，该方法针对区内故障具有较好的识别效果，但并未考虑对区外故障的识别；使用粒子群算法（POS）优化人工神经网络（ANN），再利用优化后的ANN模型来对不同故障进行识别与分类，该方法对区内外故障的识别准确率可达99%，但该方法在高过渡电阻和高噪声环境下是否也能正确识别故障类型还有待验证；利用随机森林（RF）神经网络实现直流输电线路故障极的选择和故障类型的识别，但该方法故障特征的提取较为复杂。
[0005]深度学习的发展为输电线路故障诊断领域带来了新思路，深度学习的方法能够自主学习到数据中的深层抽象特征，适用于复杂的输电线路故障诊断问题。其中，使用改进的卷积神经网络（CNN）构建HVDC输电线路故障诊断模型，对电流时序数据进行特征提取并实现故障分类，与传统CNN网络对比，该方法识别准确率有一定的提升，但CNN对时序信号的特征提取效果并不理想，因此，有学者提出将时序信号转化成二维图像，再利用CNN进行故障特征提取和分类，例如，将一维时序信号转换成二维灰度图像，再利用CNN进行输电线路故
障分类，但该方法中将时序信号转化为灰度图像的处理造成了特征数据的丢失。可见，将深度学习应用于输电线路的故障诊断是可行的，并且有待展开进一步的深入研究。

技术实现思路

[0006]本专利技术的目的在于：针对上述现有技术存在的不足，利用VMD将直流输电线路故障电压信号分解成IMF模态分量，通过GADF将选取的IMF模态分量转换成彩色图像，在一维时间序列和二维空间序列构造双射映射，这样不会造成信息的丢失，将图像输入改进的VGG16中进行特征提取和分类，以解决现有技术中问题，改进了传统的VGG16模型，增加BN层和密集连接结构的卷积层，加快网络的训练和收敛速度的同时实现特征的复用和增强；利用全局平均池化层代替全连接层，减少模型参数量和计算时间，更适合于故障快速诊断。
[0007]本专利技术采用的技术方案如下：本专利技术是基于GADF
‑
VGG16的高压直流输电线路故障诊断方法，包括以下步骤：步骤1：利用仿真平台搭建高压直流输电系统模型，采集高压直流输电系统模型中不同故障情况下的电压信号；步骤2：利用VMD分解算法对故障电压信号预处理，将故障电压信号分解成模态分量；步骤3：利用相关系数算法选取强相关的模态分量，并利用GADF编码将选取的模态分量转换成二维彩色图像；步骤4：将步骤3的图像样本分成训练集和测试集，并将训练集送入改进的VGG16模型进行训练，完成网络训练并保存网络模型；步骤5：将步骤4中的测试集输入训练结束的改进的VGG16模型中进行测试，VGG16模型进行对故障特征进行自适应的提取和分类，从而进行故障判别与选极；步骤6：根据判别结果，实现相应的保护动作，保护结束。
[0008]进一步的，高压直流输电系统的故障类型包括：正极故障、负极故障、双极故障和区外故障。
[0009]进一步的，步骤3中，相关系数是反映等级相关程度的统计分析指标，其公式定义为（1）其中，E表示均值，D表示方差，Cov表示协方差，的取值范围为[
‑
1,1]，值越大，表示与Y相关性越高，则X与Y为强相关，步骤3中选取的模态分量与原始信号强相关。
[0010]进一步的，步骤3中GADF编码的具体实现方法为：步骤31：将一维时间序列归一化，其数值放缩到[
‑
1,1]之间：（2）
步骤32：将归一化后的时间序列转换到极坐标下，用角度表示时间序列的值，用半径表示时间戳（3）在公示（3）中，θ的取值范围在[0,π]之间，在[0,π]上单调，因此给定时间序列在极坐标系统下的映射是唯一的，N表示正则化极坐标系统生成空间的常数因子,表示时间戳，因此通过r坐标保持时间依赖性；步骤33：GAF编码通过三角函数差运算，得到格拉姆角差场GADF：（4）（5）其中，是单位行向量,和为缩放前后行的序列的行向量，为两个向量的夹角。
[0011]进一步的，改进的VGG16模型采用多个3
×
3的小卷积核。
[0012]进一步的，在卷积块中加入了BN层，对训练数据进行归一化处理，具体为：在每个普通卷积块中加入BN层，对训练过程中每层隐藏层输出数据都进行了批归一化处理,再将数据输入激活函数。
[0013]进一步的，在卷积块中，将单一连接卷积层的方式改用VOVNet网络结构的密集连接方式，具体为：将卷积块中前面所有的层通过concat特征复用，在最后一层一次性聚合，并利用一个1
×
1的卷积调整通道数。
[0014]进一步的，利用全局平均池化来代替VGG16模型中的全连接层，对每张特征图片求平均，并加入了三层1
×
1的卷积层，最后利用softmax层分类。
[0015]综上所述，由于采用了本技术方案，本专利技术的有益效果是：1、本专利技术是基于GADF
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于GADF
‑
VGG16的高压直流输电线路故障诊断方法，其特征在于，包括以下步骤：步骤1：利用仿真平台搭建高压直流输电系统模型，采集高压直流输电系统模型中不同故障情况下的电压信号；步骤2：利用VMD分解算法对故障电压信号预处理，将故障电压信号分解成模态分量；步骤3：利用相关系数算法选取强相关的模态分量，并利用GADF编码将选取的模态分量转换成二维彩色图像；步骤4：将步骤3的图像样本分成训练集和测试集，并将训练集送入改进的VGG16模型进行训练，完成网络训练并保存网络模型；步骤5：将步骤4中的测试集输入训练结束的改进的VGG16模型中进行测试，VGG16模型进行对故障特征进行自适应的提取和分类，从而进行故障判别与选极；步骤6：根据判别结果，实现相应的保护动作，保护结束。2.根据权利要求1所述的基于GADF
‑
VGG16的高压直流输电线路故障诊断方法，其特征在于，高压直流输电系统的故障类型包括：正极故障、负极故障、双极故障和区外故障。3.根据权利要求1所述的基于GADF
‑
VGG16的高压直流输电线路故障诊断方法，其特征在于，步骤3中，相关系数是反映等级相关程度的统计分析指标，其公式定义为（1）其中，E表示均值，D表示方差，Cov表示协方差，的取值范围为[
‑
1,1]，值越大，表示与Y相关性越高，则X与Y为强相关，步骤3中选取的模态分量与原始信号强相关。4.根据权利要求1所述的基于GADF
‑
VGG16的高压直流输电线路故障诊断方法，其特征在于，步骤3中GADF编码的具体实现方法为：步骤31：将一维时间序列归一化，其数值放缩到[
‑
1,1]之间：（2）步骤32...

【专利技术属性】
技术研发人员：吴浩，杨玉萍，邓思敬，陈伟哲，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：