基于卷积网络的新能源输电线路故障识别方法技术

本发明专利技术公开了一种基于卷积网络的新能源输电线路故障识别方法。该方法包括步骤构建深度卷积网络和新能源输电线路仿真模型；使用新能源输电线路仿真模型对新能源电力系统输电线路的故障类型进行大量故障模拟；将样本进行归一化组合形成训练数据；使用独热编码的方式将训练数据对应的故障类型设置标签；使用训练数据和标签对深度卷积网络进行预训练；在新能源电力系统输电线路发生故障时，采集其三相电压、三相电流、零序电流数据输入经过预训练的深度卷积网络进行识别，得到相应的标签，然后根据标签独热编码的形式从中获取对应的故障类型。本发明专利技术仅需输电线路的三相电压、三相电流、零序电流数据，就能自动判断识别新能源输电线路的故障类型。电线路的故障类型。电线路的故障类型。

【技术实现步骤摘要】
基于卷积网络的新能源输电线路故障识别方法


[0001]本专利技术属于深度卷积网络的
，具体涉及一种基于卷积网络的新能源输电线路故障识别方法。

技术介绍

[0002]现有的电力系统中，新能源发电接入电网的比例相对偏低，因此造成当前针对新能源电力系统的输电线路故障识别方法的研究较少，现有技术大比例上仍是沿用传统的电流、电压突变量或序分量选相作为依据，再利用机器学习的方法进行分类后再做判别。
[0003]但是，新能源电力系统具有弱馈特性以及负序电流抑制等控制策略，且新能源电力系统中故障电流幅值受制于电力电子元件的耐受能力，幅值通常不大，光伏、风电等新能源的类型、运行工况、控制策略都会对故障电流、电压特征造成影响，将传统的识别依据和识别方式用在新能源电力系统的故障类型识别上极易造成误判。

技术实现思路

[0004]为了克服现有技术存在的一个或者多个缺陷与不足，本专利技术的目的在于提供一种基于卷积网络的新能源输电线路故障识别方法，用于对新能源电力系统的输电线路故障类型进行精确识别。
[0005]为了达到上述目的，本专利技术采用以下的技术方案。
[0006]一种基于卷积网络的新能源输电线路故障识别方法，包括步骤如下：
[0007]构建深度卷积网络和新能源输电线路仿真模型；新能源输电线路仿真模型用于模拟新能源电力系统输电线路的结构和故障；所述深度卷积网络中设有残差块，深度卷积网络用于识别新能源电力系统输电线路的故障类型；
[0008]使用新能源输电线路仿真模型对新能源电力系统输电线路的故障类型进行大量故障模拟，记录故障类型，将相应故障的三相电压、三相电流、零序电流数据作为样本；
[0009]将样本进行归一化形成训练数据；使用独热编码的方式将训练数据对应的故障类型设置标签；使用训练数据和标签对深度卷积网络进行预训练，直到深度卷积网络完成设定的训练周期；
[0010]在新能源电力系统输电线路发生故障时，采集其三相电压、三相电流、零序电流数据进行归一化后，输入经过预训练的深度卷积网络进行识别得到相应的故障类型。
[0011]优选地，所采集的三相电压、三相电流、零序电流数据，具体为发生故障前一周波至故障后三周波的三相电压、三相电流、零序电流的幅值数据。
[0012]优选地，所述深度卷积网络包括一个输入层、四个卷积层、两个池化层、两个全连接层、一个输出层，每一层均通过sigmoid激活函数实现非线性变换并传入下一层；
[0013]所述一个输入层、四个卷积层、两个池化层、两个全连接层、一个输出层之间相互连接的顺序为输入层、第一个卷积层、第二个卷积层、第一个池化层、第二个池化层、第三个卷积层、第四个卷积层、第一个全连接层、第二个全连接层、输出层；
[0014]第一个卷积层的输入通过一个Skip Connection连接到第二个卷积层的输出形成第一个残差块；第三个卷积层的输入通过另一个Skip Connection连接到第四个卷积层的输出形成第二个残差块；两个残差块均采用1
×
1卷积核。
[0015]进一步地，预训练时，深度卷积网络的损失函数采用交叉熵损失函数，训练周期为120，学习率为0.01，采用的梯度下降的优化器为Adam优化算法器。
[0016]再进一步地，预训练时，若训练30周期内损失函数没有下降，则视为深度卷积网络提前完成预训练，然后停止对深度卷积网络的训练。
[0017]优选地，所述新能源输电线路仿真模型的结构包括直驱风机、光伏、同步机；
[0018]所述直驱风机、光伏、同步机先各自分别接入变压器形成供电端，所述供电端两两之间在所述变压器处通过输电线路相互电性连接，且每条输电线路上均分别设置有两级负载；同步机相对接入变压器的另一侧接地。
[0019]进一步地，对标签进行独热编码时，对应设定的故障类型包括A相接地、B相接地、C相接地、AB两相短路接地、AC两相短路接地、BC两相短路接地、ABC三相短路接地、AB两相短路、AC两相短路、BC两相短路。
[0020]再进一步地，所述标签进行独热编码时，设置标签为1
×
10的数组，数组上的每一位各自分别表示一种故障类型，在出现相应故障类型时数组上对应的位置设为1，否则设为0。
[0021]更进一步地，新能源输电线路仿真模型为通过软件系统搭建的虚拟仿真平台，或者新能源输电线路仿真模型为使用实物硬件设备搭建的试验平台。
[0022]本专利技术技术方案与现有技术相比，具有如下有益效果：
[0023]本专利技术的深度卷积网络的输入简单，仅用新能源输电线路归一化后的三相电压、三相电流、零序电流，无需额外的特征提取手段或信号处理过程，实现故障特征的自动提取；无需人为设计输入特征的指标，能有效避免指标设计不合理造成的误差，能自动学习并适应多种类型新能源的故障特征并实现故障类型甄别；深度卷积网络通过残差块相比现有的卷积网络提升恒等映射的能力，使得训练过程更简单，避免出现梯度爆炸、弥散等问题；通过新能源输电线路仿真模型可获得大量的训练数据，相比现有只能从运行中的新能源电力系统直接采集数据进行小样本量故障数据进行训练的限制，大规模的训练数据能包含更加完整的故障类型，大幅提升深度卷积网络的故障类型识别准确率。
附图说明
[0024]图1为本专利技术的一种基于卷积网络的新能源输电线路故障识别方法的流程示意图；
[0025]图2为图1中深度卷积网络的结构示意图；
[0026]图3为图1中新能源输电线路仿真模型的结构示意图。
具体实施方式
[0027]为了使本专利技术的目的、技术方案及其优点更加清楚明白，以下结合附图及其实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0028]实施例
[0029]如图1所示，本实施例的一种基于卷积网络的新能源输电线路故障识别方法，包括步骤如下：
[0030]S1、搭建深度卷积网络和新能源输电线路仿真模型；新能源输电线路仿真模型用于模拟实际的新能源电力系统输电线路的结构及故障；深度卷积网络用于识别新能源电力系统输电线路的故障类型；
[0031]如图2所示，深度卷积网络的结构包括一个输入层、四个卷积层、两个池化层、两个全连接层、一个输出层，每一层均通过sigmoid激活函数实现非线性变换并传入下一层；每个层之间依次连接的顺序为输入层
‑
卷积层
‑
卷积层
‑
池化层
‑
池化层
‑
卷积层
‑
卷积层
‑
全连接层
‑
全连接层
‑
输出层；深度卷积网络上通过两个Skip Connection连接形成两个残差块；第一个Skip Connection连接将第一个卷积层的输入连接到第二个卷积层的输出形成第一个残差块，第二个Skip Connection连本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积网络的新能源输电线路故障识别方法，其特征在于，包括步骤如下：构建深度卷积网络和新能源输电线路仿真模型；新能源输电线路仿真模型用于模拟新能源电力系统输电线路的结构和故障；所述深度卷积网络中设有残差块，深度卷积网络用于识别新能源电力系统输电线路的故障类型；使用新能源输电线路仿真模型对新能源电力系统输电线路的故障类型进行大量故障模拟，记录故障类型，将相应故障的三相电压、三相电流、零序电流数据作为样本；将样本进行归一化形成训练数据；使用独热编码的方式将训练数据对应的故障类型设置标签；使用训练数据和标签对深度卷积网络进行预训练，直到深度卷积网络完成设定的训练周期；在新能源电力系统输电线路发生故障时，采集其三相电压、三相电流、零序电流数据进行归一化后，输入经过预训练的深度卷积网络进行识别得到相应的故障类型。2.根据权利要求1所述基于卷积网络的新能源输电线路故障识别方法，其特征在于，所采集的三相电压、三相电流、零序电流数据，具体为发生故障前一周波至故障后三周波的三相电压、三相电流、零序电流的幅值数据。3.根据权利要求1所述基于卷积网络的新能源输电线路故障识别方法，其特征在于，所述深度卷积网络包括一个输入层、四个卷积层、两个池化层、两个全连接层、一个输出层，每一层均通过sigmoid激活函数实现非线性变换并传入下一层；所述一个输入层、四个卷积层、两个池化层、两个全连接层、一个输出层之间相互连接的顺序为输入层、第一个卷积层、第二个卷积层、第一个池化层、第二个池化层、第三个卷积层、第四个卷积层、第一个全连接层、第二个全连接层、输出层；第一个卷积层的输入通过一个Skip Connection连接到第二个卷积层的输出形成第一个残差块；第三个卷积层的输入通过另一个Skip Connection连接到第四个卷积层的输...

【专利技术属性】
技术研发人员：龙云，刘璐豪，梁雪青，卢有飞，赵宏伟，吴任博，陈明辉，张少凡，刘超，王历晔，林泽暄，姚吴嘉品，王海洋，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：