基于广义回归神经网络特高压直流输电线路故障检测方法技术

本发明专利技术公开了基于广义回归神经网络特高压直流输电线路故障检测方法，基于广义S变换提取出频域下的故障特征量，构建广义回归神经网络的输入数据；将样本数据进行归一化处理，分成测试集和训练集两个样本；利用混沌量子粒子群算法优化广义回归神经网络参数，以适应度函数最低为原则形成理想的网络模型，更好地学习特高压直流输电线路故障特征；将深层的特征量输入到Softmax分类器中进行分类，把故障识别分成区外故障、母线故障和线路故障，故障分类为正极故障、负极故障和双极故障，输出识别结果。本发明专利技术实现了特高压直流线路的区外故障、母线故障、线路故障、正极故障、负极故障、双极故障等不同故障的准确识别，故障检测速度快。快。快。

【技术实现步骤摘要】
基于广义回归神经网络特高压直流输电线路故障检测方法


[0001]本专利技术涉及高压直流传输系统控制
，具体是基于广义回归神经网络特高压直流输电线路故障检测方法。

技术介绍

[0002]随着“双碳”目标的提出，特高压直流输电技术因为其模块化、谐波低、损耗低等特点，在大容量输电方面有着广泛的深化应用。随着高比例分布式电源的增加，特高压直流输电将会成为未来智能电网的一个发展方向。但是直流输电是一个低惯量的系统，如果线路发生短路故障，故障电流会快速地上升，进而烧坏换流器等设备。因此亟需特高压直流断路器进行可靠、快速地切除故障，实现非故障区段的安全稳定运行，保护系统需要在3ms以内完成故障检测和定位，对特高压直流输电线路的保护提出了很高的要求。
[0003]目前在特高压直流输电线路故障保护的方法主要包括行波法和小波法。行波法虽然可以在常规直流输电中进行应用，但是波头检测困难、近距离故障检测难的缺点使得行波法无法长期应用；小波法可以很大地提高行波波头的检测速度，但是不能进行故障选极。

技术实现思路

[0004]为了解决特高压直流输电线路保护可靠性低、检测速度慢的问题，本专利技术提出了基于广义回归神经网络特高压直流输电线路故障检测方法，利用广义回归神经网络分类能力强、学习速度快的优势，且该网络在数据样本少的情况下也能拥有很好的分类效果，构建了特高压直流输电线路故障识别模型，利用混沌量子粒子群算法对模型优化，该方法有效提高了特高压直流输电线路保护的可靠性和速动性，具有很好的实际意义。
[0005]为了达到上述目的，本专利技术是通过以下技术方案来实现的：本专利技术是基于广义回归神经网络特高压直流输电线路故障检测方法，包括如下步骤：步骤1，利用故障启动元件构造保护启动判据，满足判据时再进行后续的故障识别；步骤2，使用广义S变换提取频域特征下的故障特征量，将直流电压、母线电压、正极电抗电压、负极电抗电压的暂态能量提取出来，构成四维特征数据作为广义回归神经网络的输入；步骤3，对输入的四维特征数据进行归一化处理，并将四维特征数据分成测试集和训练集；步骤4，利用混沌量子粒子群算法优化广义回归神经网络的参数，找出最小适应度函数下的平滑因子，形成分类模型；步骤5，将训练集输入到步骤4得到的分类模型中，深层次学习特高压直流输电线路的故障特征，并且将学习到的故障特征输入到Softmax分类器中进行分类，把故障识别分成区外故障、母线故障和线路故障，故障分类设为正极故障、负极故障和双极故障，设置
Softmax分类器参数，输出识别结果，不断迭代优化广义回归神经网络的参数，最终形成网络模型；步骤6，利用测试集验证步骤5得到的网络模型的有效性。
[0006]本专利技术的进一步改进在于：所述步骤1设置母线电压变化率为故障启动元件，构造的保护启动判据如下：式中：为直流线路电压，为直流保护算法启动阈值。本专利技术的进一步改进在于：所述步骤2中广义S变换的公式如下所示：
[0007]式中：X为原始信号离散傅里叶变换的离散点；n为时间，n=0,1,2,3,...N
‑
1；为采样点个数维度；h为虚部代表量；m为采样点维度；、为可调因子，N为采样点总数，T为采样周期。
[0008]信号在特定频段下的广义S变换暂态能量和为：式中：为复时频矩阵，行向量为对应频率下的时域特征，列向量为对应时刻的幅频特征；P为复时频矩阵的总行数；Q为复时频矩阵的总列数；为 矩阵元素绝对值。本专利技术的进一步改进在于：所述步骤3中数据归一化处理为：
[0009]式中：为归一化后样本第d维数据；为原始第d维数据；min、max为最小值和最大值函数。本专利技术的进一步改进在于：所述构建的广义回归神经网络由输入层、模式层、求和层以及输出层组成，输出z在A上的回归为：式中：z为实际输出值，为广义回归神经网络的预测输出值；a为广义回归神经网络输入值；为a和z的联合概率密度函数；若满足正态分布，那么：式中：为样本的大小，g为变量a的维度，用替代，得到：
[0010]式中：为网络输入变量；为第个神经元对应的学习样本；为广义回归神经网
络的平滑因子。
[0011]本专利技术的进一步改进在于：所述步骤4中的量子粒子群算法介绍如下：传统粒子群算法在迭代中每一维度的速度受到约束，导致粒子搜索范围无法包含所有可行域，无法保证在全局收敛于最优值。量子粒子群算法是一种基于种群的概率算法，利用量子力学定律把粒子赋予量子的特征，粒子能够在可行域内任何位置进行特定概率密度运动，进而保障整个可行域内能够取得全局最优值。X1为粒子位置，t为迭代次数，采用波函数来表示粒子动量与能量等状态量，用概率密度函数获取粒子在某处出现的概率，粒子的概率由所处的势场决定。利用薛定谔方程进行求解，得到归一化概率分布函数如下所示：式中，L为决定粒子的搜索区间系数。把粒子按照如下的迭代方程搜索。索。
[0012]式中，u
ij
为0~1之间的均匀分布随机数；k为随机数，范围在0~1之间；β为扩张因子，用来调整粒子的收敛速度，计算公式如下：
[0013]式中，T
max
为最大迭代次数，t为当前迭代次数为第j维度里每个粒子的平均最优位置，计算公式如下：
[0014]式中，M为种群规模数；为第个粒子第D维在t次迭代时的最优位置。
[0015]为局部吸引子，是Pbest和Gbest之间的随机点，计算公式如下：
[0016]式中，为t次迭代时粒子第j维局部最优解权重系数，为第t次迭代时粒子第j维局部最优解的值，为第t次迭代时第j维全局最优解的值混沌搜索算法可以在特定区间内遵循自身规律遍历所有状态，寻优的过程中避免出现局部最优值的现象，具有很强的遍历性。
[0017]使用量子行为特性和混沌搜索结合的方法对参数进行寻优。先使用量子粒子群算法进行全局搜索，寻找最优值，然后以此值为中心添加微小扰动，二次寻优。通过这两种方法组合的算法能够实现全局最优，并且寻优结果是唯一的。
[0018]二次寻优采用经典混沌系统映射模型，如下所示：式中，c为混沌系数，为第e个变量第次混沌搜索的值， 为混沌映射参数，值在[0,4]之间， 为混沌搜索的次数，为变量的序号，G为最大混沌搜索次数。
[0019]本专利技术的进一步改进在于：所述步骤4中的混沌量子粒子群算法优化广义回归神经网络的参数步骤如下：S1：对种群进行初始化；设置种群维度、种群规模、迭代次数上限和优化参数最大最小值；S2：构建适应度函数，表达式如下：
[0020]式中，为第个粒子的适应度值；为第个粒子的预测坐标；(x
i
,y
i
)为第
个节点的实际坐标，N为采样点总数；设置好适应度函数后计算初始化之后所有种群的每个粒子的适应度函数，把其设置为对应粒子的最优值，然后对所有最优值进行对比得到全局最优值，记录全局最优值对应的粒子作为目前的全局最优位置；S3：使用薛定谔波动方程更新全局最优值对应的粒子位置，约束粒子位置；S4：再次计算粒子的适应度值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于广义回归神经网络特高压直流输电线路故障检测方法，其特征在于：包括如下步骤：步骤1，利用故障启动元件构造保护启动判据，满足判据时再进行后续的故障识别；步骤2，使用广义S变换提取频域特征下的故障特征量，将直流电压、母线电压、正极电抗电压、负极电抗电压的暂态能量提取出来，构成四维特征数据作为广义回归神经网络的输入；步骤3，对输入的四维特征数据进行归一化处理，并将四维特征数据分成测试集和训练集；步骤4，利用混沌量子粒子群算法优化广义回归神经网络的参数，找出最小适应度函数下的平滑因子，形成分类模型；步骤5，将训练集输入到步骤4得到的分类模型中，深层次学习特高压直流输电线路的故障特征，并且将学习到的故障特征输入到Softmax分类器中进行分类，把故障识别分成区外故障、母线故障和线路故障，故障分类设为正极故障、负极故障和双极故障，设置Softmax分类器参数，输出识别结果，不断迭代优化广义回归神经网络的参数，最终形成网络模型；步骤6，利用测试集验证步骤5得到的网络模型的有效性。2.根据权利要求1所述的基于广义回归神经网络特高压直流输电线路故障检测方法，其特征在于：所述步骤1设置母线电压变化率为故障启动元件，构造的保护启动判据如下：式中：为直流线路电压，为直流保护算法启动阈值。3.根据权利要求1所述的基于广义回归神经网络特高压直流输电线路故障检测方法，其特征在于：所述步骤2中广义S变换的公式如下所示：式中：X为原始信号离散傅里叶变换的离散点；n为时间，n=0,1,2,3,...N
‑
1；为采样点个数维度；h为虚部代表量；m为采样点维度；、为可调因子，N为采样点总数，T为采样周期；信号在特定频段下的广义S变换暂态能量和为：式中：为复时频矩阵，行向量为对应频率下的时域特征，列向量为对应时刻的幅频特征；P为复时频矩阵的总行数；Q为复时频矩阵的总列数；为 矩阵元素绝对值。4.根据权利要求1所述的基于广义回归神经网络特高压直流输电线路故障检测方法，其特征在于：所述步骤3中数据归一化处理为：式中：为归一化后样本第d维数据；为原始第d维数据；min、max为最小值和最大值函数。5.根据权利要求1所述的基于广义回归神经网络特高压直流输电线路故障检测方法，
其特征在于：所述构建的广义回归神经网络由输入层、模式层、求和层以及输出层组成，输出z在A上的回归为：式中：z为实际输出值，为广义回归神经网络的预测输出值；a为广义回归神经网络输入值；为a和z的联合概率密度函数；若满足正态分布，那么：式中：为样本的大小，g为变量a的维度，用替代，得到：式中：为网络输入变量；为第个神经元对应的学习样本；为广义回归神经网络的平滑因子。6.根据权利要求1所述的基于广义回归神经网络特高压直流输电线路故障检测方法，其特征在于：所述步骤4中的量子粒子群算法如下：X1为粒子位置，t为迭代次数，采用波函数来表示粒子动量与能量状态量，用概率密度函数获取粒子在某...

【专利技术属性】
技术研发人员：张学友，李冀，董翔宇，李坚林，谢佳，罗沙，殷振，阮巍，俞斌，马欢，邵华，贺成成，郑海鑫，张东欣，阴春锦，
申请(专利权)人：国网安徽省电力有限公司超高压分公司，
类型：发明
国别省市：