基于CNN的交直流混联电网交流传输线短路故障的诊断方法技术

本发明专利技术公开了一种基于CNN的交直流混联电网交流传输线短路故障的诊断方法，包括如下步骤：S1、采集不同工况下的交直流混联电网交流传输线上的短路故障录波数据，经过数据处理后将其汇总成故障样本集；S2、建立CNN模型，将故障样本集中的部分样本数据用于CNN模型的训练，其余数据用于对模型泛化性的测试；S3、用训练后的CNN模型对故障数据进行诊断，判断对应的故障类型。采用上述技术方案，利用CNN模型对交直流混联电网交流传输线的多种短路故障进行故障诊断并得出故障类型，一方面能在较短时间内完成故障诊断，另一方面该方法具有极高的准确率。准确率。准确率。

【技术实现步骤摘要】
基于CNN的交直流混联电网交流传输线短路故障的诊断方法


[0001]本专利技术涉及电力系统
，具体指一种基于CNN的交直流混联电网交流传输线短路故障的诊断方法。

技术介绍

[0002]在高压直流输电技术发展起来以前，交流电一直以其电力传输的经济性和高效性为人们所熟知，并在长距离传输中发挥着至关重要的作用。在很长的一段时间里，交流电一直被广泛应用于商业供电与工业供电，并占据了几乎整个电力系统。然而，随着大容量远距离高压直流输电技术的发展，愈来愈多的高压直流输电线路投入运行。现阶段的电力系统已经不再是传统的交流电力系统，而是更为复杂的交直流混联电力系统。
[0003]而另一方面，随着智能电网的建设，越来越多的数据采集设备和通信设备被用于电网线路运维，由他们构成的数据采集与监视控制系统(Supervisory Control and Data Acquisition,SCADA)和广域测量系统(Wide Area Measurement System,WAMS)也为电力系统安全运行和故障清除做出了重要贡献。
[0004]也正是这些系统采集到的海量监测数据，为深度学习在电力系统线路故障诊断、故障定位等应用提供了坚实的数据基础。此前的研究多是运用简单的全连接神经网络、信息熵等手段对纯粹的交流传输线进行故障诊断，在交直流混联电网的线路故障诊断方面的研究还不够成熟，对故障诊断速度关注度也不够，所提出方法在故障诊断速度方面还有很大的提升空间。但这种现状对交直流混联电网的安全运维却是一个隐患，以最常见的单相接地短路故障为例，该故障如果不能及时的被相关技术人员发现并清除，该故障可能会在一段时间后发展为对电网危害性更大的双相短路等故障，严重时甚至会造成电网的瘫痪，危害工厂、企业的正常生产活动和人们的正常生活。因此，为交直流电网传输线上的故障诊断提供一个强有力的工具以解决这个问题，实在刻不容缓。

技术实现思路

[0005]本专利技术根据现有技术的不足，提出一种基于CNN的交直流混联电网交流传输线短路故障的诊断方法，通过采集交直流混联电网三相传输线上故障前后的相关数据，采样后将其构成故障数据集，在对电压数据和电流数据分别进行归一化后，将数据用于CNN模型的训练，训练后的模型具有良好的故障诊断速度和准确度。
[0006]为了解决上述技术问题，本专利技术的技术方案为：
[0007]一种基于CNN的交直流混联电网交流传输线短路故障的诊断方法，包括如下步骤：
[0008]S1、采集不同工况下的交直流混联电网交流传输线上的短路故障录波数据，经过数据处理后将其汇总成故障样本集，
[0009]S1
‑
1、采集短路故障发生前到故障发生后一段时间内的故障信号，按照预定的采样频率对其采样得到故障数据；
[0010]S1
‑
2、将故障数据中的电压数据和电流数据分别进行线性归一化，具体公式如下：
[0011][0012][0013]其中U
min
和I
min
分别是电压数据和电流数据中的最小值，U
max
和I
max
分别是电压数据和电流数据中的最大值，U
i
和I
i
是尚未归一化的电压值和电流值，和是U
i
和I
i
归一化后的数值；
[0014]S1
‑
3、归一化后的故障数据根据对应短路故障类型打上相应的标签，汇总后得到故障样本集；
[0015]S1
‑
4、对获得的故障样本集各样本的排列次序按照一定规则进行随机化处理，从而提高CNN模型的训练效果；
[0016]S2、建立CNN模型，将故障样本集中的部分样本数据用于CNN模型的训练，其余数据用于对模型泛化性的测试，
[0017]S3、用训练后的CNN模型对故障数据进行诊断，判断对应的故障类型。
[0018]作为优选，所述步骤S1
‑
1中，故障信号为对应交流传输线上的三相电压、三相电流、零序电压和零序电流信号。
[0019]作为优选，所述步骤S1
‑
3中打上标签的故障类型包括3种单相接地短路故障，3种相间短路故障，3种双相接地短路故障，1种三相短路故障。
[0020]作为优选，所述步骤S1中还包括步骤S1
‑
4、将包含标签的故障样本集的每一类故障分别提取出来后，将只有单一故障的故障子集各自随机打乱，再将打乱顺序后的单一类型故障数据集按照一定的比例划分为单一类型训练集、单一类型交叉验证集和单一类型测试集，再把10种故障类型的训练子集合为完整训练集，对交叉验证集和测试集执行相同操作得到完整交叉验证集和完整测试集。
[0021]作为优选，所述CNN模型包括2层卷积层、2层全连接层和1层输出层。
[0022]作为优选，所述CNN模型的第一层为卷积层，有8个卷积核，卷积核尺寸为2，步长为1，并在其中使用了ReLU激活函数和L2正则化，该卷积层后还设置了批标准化处理和最大池化层，其中，最大池化层的卷积核尺寸为2，步长为1，并且池化后无填充；所述的CNN模型第二层为卷积层，有19个卷积核，卷积核尺寸为3，步长为1，并在其中使用了ReLU激活函数和L2正则化，该卷积层后还设置了批标准化处理和最大池化层，其中，最大池化层的卷积核尺寸为3，步长为2，并且池化后无填充。
[0023]作为优选，所述的CNN模型第三层为全连接层，有256个神经元，并在其中使用了ReLU激活函数和L2正则化；所述的CNN模型第四层为全连接层，有128个神经元，并在其中使用了ReLU激活函数和L2正则化。
[0024]作为优选，所述的CNN模型第五层为输出层，有10个神经元，所述10个神经元分别与CNN模型要诊断的10种短路故障类型相对应，该层使用Softmax为激活函数并使用了L2正则化。
[0025]作为优选，所述的CNN模型使用Adam优化器，并采用交叉熵函数作为损失函数。
[0026]作为优选，所述步骤S2中，把经步骤S1处理好后的完整训练集和完整交叉验证集
用于搭建好后的CNN模型的训练，并进行多轮迭代；所述CNN模型完成迭代训练后，将完整测试集用于该模型的泛化性能力测试。
[0027]本专利技术具有以下的特点和有益效果：
[0028]采用上述技术方案，利用CNN模型对交直流混联电网交流传输线的多种短路故障进行故障诊断并得出故障类型，一方面能在较短时间内完成故障诊断，另一方面该方法具有极高的准确率。另外，对电网监控系统采集到的数据进行了充分的利用，并能为线路运维、检修等相关技术人员提供有力的帮助，帮助其实现快速故障诊断，完成故障清除任务，对交直流混联电网的安全运行很有帮助。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN的交直流混联电网交流传输线短路故障的诊断方法，其特征在于，包括如下步骤：S1、采集不同工况下的交直流混联电网交流传输线上的短路故障录波数据，经过数据处理后将其汇总成故障样本集，S1
‑
1、采集短路故障发生前到故障发生后一段时间内的故障信号，按照预定的采样频率对其采样得到故障数据；S1
‑
2、将故障数据中的电压数据和电流数据分别进行线性归一化，具体公式如下：2、将故障数据中的电压数据和电流数据分别进行线性归一化，具体公式如下：其中U
min
和I
min
分别是电压数据和电流数据中的最小值，U
max
和I
max
分别是电压数据和电流数据中的最大值，U
i
和I
i
是尚未归一化的电压值和电流值，和是U
i
和I
i
归一化后的数值；S1
‑
3、归一化后的故障数据根据对应短路故障类型打上相应的标签，汇总后得到故障样本集；S1
‑
4、对获得的故障样本集各样本的排列次序按照一定规则进行随机化处理；S2、建立CNN模型，将故障样本集中的部分样本数据用于CNN模型的训练，其余数据用于对模型泛化性的测试，S3、用训练后的CNN模型对故障数据进行诊断，判断对应的故障类型。2.根据权利要求1所述的基于CNN的交直流混联电网交流传输线短路故障的诊断方法，其特征在于，所述步骤S1
‑
1中，故障信号为对应交流传输线上的三相电压、三相电流、零序电压和零序电流信号。3.根据权利要求1所述的基于CNN的交直流混联电网交流传输线短路故障的诊断方法，其特征在于，所述步骤S1
‑
3中打上标签的故障类型包括3种单相接地短路故障，3种相间短路故障，3种双相接地短路故障，1种三相短路故障。4.根据权利要求1所述的基于CNN的交直流混联电网交流传输线短路故障的诊断方法，其特征在于，所述步骤S1中还包括步骤S1
‑
4、将包含标签的故障样本集的每一类故障分别提取出来后...

【专利技术属性】
技术研发人员：龚逊东，涂海程，陈铭，宗绍磊，胡非，张宇，缪秋，蒋力，胡晓青，时玉莹，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：