一种基于长短期记忆网络的直流闭锁检测与控制方法技术

本发明专利技术公开了一种基于长短期记忆网络的直流闭锁检测与控制方法，所述方法包括以下步骤：将故障检测启动后一定量时间窗内的波形数据输入第一LSTM神经网络模型；根据所述第一LSTM神经网络模型判断目前所发生的故障类型；智能终端根据判断的故障类型执行进行相应动作，基于长短期记忆神经网络，提出了用于智能终端的特高压直流闭锁的检测方法，利用配网末端不同故障下电压、频率等电气量暂态响应的不同，对直流闭锁进行本地快速识别和响应，本方法可挖掘配网末端大量的分布式有功资源的潜力，使其能够快速、主动应直流闭锁，辅助进行电网频率调节。网频率调节。网频率调节。

【技术实现步骤摘要】
一种基于长短期记忆网络的直流闭锁检测与控制方法


[0001]本专利技术属于电气工程
，具体涉及一种基于长短期记忆网络的直流闭锁检测与控制方法。

技术介绍

[0002]特高压直流输电适用于远距离、大容量输电，能够实现资源的优化配置，在我国能源战略中发挥着重要作用。随着特高压直流输电技术的快速发展，我国输电网的主导形态发生着深刻变化，由开始的纯交流系统发展为超高压小容量直流与交流混联，并进一步发展为特高压大容量交直流混联的格局。特高压直流闭锁后，受端交流系统会出现大量功率缺额。传统的控制手段中，负荷通过频率紧急控制或低频减载的方式参与到电力系统频率稳定控制中，属于电力系统安全稳定运行的第二、三道防线，动作过程中将大批量切除负荷，切除过程中的选择性不强。而电力系统中实际存在大量的分布式负荷资源，包括电动汽车充电桩、空调、柔性负荷等。且随着智能家居的迅速发展，掌握配网末端用电设备的具体状态并使它们主动、快速响应特高压直流闭锁已成为可能。以低压负荷智能插座为例，作为一种典型的负荷控制终端，可以进行本地测量和本地控制，对特高压直流闭锁进行响应并切除管辖范围内的可中断负荷。与频率紧急控制和低频减载相比，分布式负荷主动响应直流闭锁通过快速切除系统中的可中断负荷参与电力系统频率的辅助调节，其响应速度更快，切除负荷过程中的选择性更强，对社会正常生产生活的影响更小。利用不同故障下各电气量暂态特性的不同，利用故障后各电气量变化情况的不同，可以在配网末端进行直流运行状态的本地检测，以实现对分布式负荷的快速本地控制，辅助进行频率调节。r/>
技术实现思路

[0003]针对现有技术的缺陷，本专利技术的目的在于提供一种基于长短期记忆网络的直流闭锁检测与控制方法，旨在利用系统中广泛存在的分布式负荷，快速响应特高压直流闭锁后产生大量功率缺额，使系统频率控制响应速度更快，切除负荷过程中的选择性更强，对社会正常生产生活的影响更小。
[0004]具体方案如下：一种基于基于长短期记忆网络的直流闭锁检测与控制方法，所述方法包括以下步骤：1)将故障检测启动后一定量时间窗内的波形数据输入第一LSTM神经网络模型；2)根据所述第一LSTM神经网络模型判断目前所发生的故障类型；3)智能终端根据判断的故障类型执行进行相应动作。
[0005]作为本专利技术的一种改进，所述2）中，判断目前所发生故障属于交流故障还是直流故障，并判断交流故障是否引发了直流闭锁。
[0006]作为本专利技术的一种改进，所述3）中，若判断结果为系统发生了交流故障且直流未闭锁，则智能终端不动作，检测过程结束；作为本专利技术的一种改进，所述3）中，若判断结果为系统发生了交流故障并引起了
直流闭锁，则智能终端动作，切除控制范围内的分布式负荷。
[0007]作为本专利技术的一种改进，所述3）中，若判断结果为系统发生了直流故障，则增加采样的时间窗，并将增加后的时间窗内的波形数据输入第二LSTM神经网络模型，判断直流故障是否引起了直流输电系统闭锁；若未引起闭锁，则智能终端不动作，检测过程结束；若引起闭锁，则智能终端动作，切除控制范围内的分布式负荷。
[0008]作为本专利技术的一种改进，对于神经网络模型建立包括以下步骤：1)由于输入信号具有不同的量纲和数值范围，为避免不必要的数值问题，使输入信号在激活函数合理的输入值范围内以保证神经元的有效性，并消除参数输入范围对学习率初值的影响，需要对输入的波形数据进行归一化，将输入值投影到[－1,1]区间内，公式如下：，公式中xmin为变量的极小值，xmax为变量的极大值，其中变量包括观测点的电压、电流、频率、有功功率数据波形；2)首先建立第一LSTM神经网络模型的网络架构，用于进行交、直流系统故障的分类，将全部故障数据集的数据选取故障后一定量时间长度，在数据归一化处理后用于第一LSTM神经网络模型的训练，得到用于区分交直流故障和交流故障是否引起直流闭锁的网络模型；3)建立第二LSTM神经网络模型的网络架构，用于进行直流系统故障是否引起直流闭锁的判断，将故障数据集中直流故障的数据选取故障后一定量时间长度，在数据归一化处理后用于第二LSTM神经网络模型的训练，得到用于判断直流故障是否引起闭锁的网络模型；在使用数据对第一LSTM神经网络模型或第二LSTM神经网络模型训练时，先将数据集划分为训练集和测试集，其中训练集的分类结果已知；对训练集进行监督式学习，得到神经网络模型，将测试集的数据输入到神经网络模型中，得到测试集的预测分类结果。
[0009]作为本专利技术的一种改进，所述2）或3）中，网络包含一个序列输入层，设置其时间序列的输入维数，一个双向的LSTM层，设置LSTM网路中包含的隐藏单元数目，全连接层和softmax层规定分类的类别数目并输出各类的概率，设置模型的故障数据集，最后一层用于输出分类的结果。
[0010]作为本专利技术的一种改进，其中第一LSTM神经网络模型中，其时间序列的输入维数为4，每一个时刻的输入都是一个4维的列向量，分别包含电压、电流、频率及功率信息，一个双向的LSTM层，每个时间步都能从完整的序列中学习，LSTM网路中包含的隐藏单元数目设置为128；全连接层和softmax层规定分类的类别数目并输出各类的概率，该模型将故障数据集分为3类，其中包括交流故障未引起直流闭锁、交流故障引起直流闭锁以及直流故障3类；最后一层用于输出分类的结果。
[0011]作为本专利技术的一种改进，其中第二LSTM神经网络模型中，网络包含一个序列输入层，其时间序列的输入维数仍为4，包含电压、电流、频率及功率信息，一个双向的LSTM层，LSTM网路中包含的隐藏单元数目设置为256，全连接层和softmax层规定分类的类别数目并输出各类的概率，该模型将故障数据集分为2类，包括直流故障引起直流闭锁和直流故障未引起直流闭锁两类，最后一层用于输出分类的结果。
[0012]作为本专利技术的一种改进，所述4）中，将预测分类结果和测试集的实际分类结果进行比较，用准确率对分类效果进行评估，其公式为：，其中nT为分类正确的数据组数，nF为分类错误的数据组数。
[0013]LSTM神经网络的输入量为配网末端电压、电流、功率、频率共4组时间序列信息。且由于受端交流系统故障和直流输电系统故障两种故障类型在引起直流闭锁过程中，控制保护系统的动作机理和整定值均不同，引起的配网末端电气量的波动周期也不同，为保证能够在直流闭锁发生后尽快完成判定，考虑进行分层鉴别，以适应特高压直流输电控制保护系统的不同整定情况。
[0014]以发生直流故障后直流输电系统经过两次全压重启动和一次降压重启动后闭锁直流、发生受端交流系统故障后允许最多两次连续换相失败否则闭锁直流的整定情况为例，建立2个LSTM神经网络模型。第一LSTM神经网络模型对所有类型故障数据进行鉴别，选取的时间窗长度为0.8s，学习故障发生到发生后0.8s的序列数据，判断系统发生的是直流故障还是交流故障；同时由于0.8s足够完成对交流系统故障是否引发了直流闭锁的判断，故第一LSTM神经网络模型的输出可以将故障分为3类，分别是交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短期记忆网络的直流闭锁检测与控制方法，其特征在于，所述方法包括以下步骤：1）将故障检测启动后一定量时间窗内的波形数据输入第一LSTM神经网络模型；2）根据所述第一LSTM神经网络模型判断目前所发生的故障类型；3）智能终端根据判断的故障类型执行进行相应动作。2.根据权利要求1所述的一种基于长短期记忆网络的直流闭锁检测与控制方法，其特征在于，所述2）中，判断目前所发生故障属于交流故障还是直流故障，并判断交流故障是否引发了直流闭锁。3.根据权利要求1所述的一种基于长短期记忆网络的直流闭锁检测与控制方法，其特征在于，所述3）中，若判断结果为系统发生了交流故障且直流未闭锁，则智能终端不动作，检测过程结束。4.根据权利要求3所述的一种基于长短期记忆网络的直流闭锁检测与控制方法，其特征在于，所述3）中，若判断结果为系统发生了交流故障并引起了直流闭锁，则智能终端动作，切除控制范围内的分布式负荷。5.根据权利要求4所述的一种基于长短期记忆网络的直流闭锁检测与控制方法，其特征在于，所述3）中，若判断结果为系统发生了直流故障，则增加采样的时间窗，并将增加后的时间窗内的波形数据输入第二LSTM神经网络模型，判断直流故障是否引起了直流输电系统闭锁，若未引起闭锁，则智能终端不动作，检测过程结束，若引起闭锁，则智能终端动作，切除控制范围内的分布式负荷。6.根据权利要求1所述的一种基于长短期记忆网络的直流闭锁检测与控制方法，其特征在于，对于神经网络模型建立包括以下步骤：1）对输入的数据进行归一化，将输入值投影到[－1,1]区间内，公式如下：，公式中xmin为变量的极小值，xmax为变量的极大值；2）建立第一LSTM神经网络模型的网络架构，将全部故障数据集的数据选取故障后一定量时间长度，在数据归一化处理后用于第一LSTM神经网络模型的训练，得到用于区分交直流故障和交流故障是否引起直流闭锁的网络模型；3）建立第二LSTM神经网络模型的网络架构，将故障数据集中直流故障的数据选取故障后一定量时间长...

【专利技术属性】
技术研发人员：张宛楠，陈庭记，杨莲，顾卫兵，高海洋，茅嘉毅，张彪，徐卓，王洁，郑晗，邵天颖，刘咏鑫，
申请(专利权)人：南京电力设计研究院有限公司，
类型：发明
国别省市：