基于样本迁移学习的新型电力系统故障分类方法技术方案

本发明专利技术公开了一种基于样本迁移学习的新型电力系统故障分类方法，包括：构造双馈风机送出线故障仿真模型，生成故障类别的故障样本，并得到数据样本和标签；搭建深度卷积神经网络模型，利用数据样本及标签对神经网络进行预训练；搭建新型电力系统模型，生成少量各类型的故障数据，并获取新能源训练样本及标签；将预训练好的深度卷积网络模型的卷积层冻结，利用新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练；将待识别故障样本输入至训练好的深度卷积网络模型中，得到最终所判别的故障类型。本发明专利技术根据故障线路的三相电压和三相电流测量信息，即可自动区分新型电力系统输电线路的故障类别。的故障类别。的故障类别。

【技术实现步骤摘要】
基于样本迁移学习的新型电力系统故障分类方法


[0001]本专利技术属于电力系统故障检测的
，具体涉及一种基于样本迁移学习的新型电力系统故障分类方法。

技术介绍

[0002]在传统电力系统，由于线路上发生故障时，故障电流均由同步机提供，故障特征具体表现为电流突增，电压急剧下降；而随着新能源的大规模接入，不同类型的电源，如风电机组、光伏以及储能蓄电池等，其故障特征均与传统火力发电机组有所区别，并且随着新能源接入比例增大，传统的故障特征逐渐减弱，而新能源故障特征将占据主导。此外，因为新能源出力具有随机性和波动性，且机组类型、运行工况、控制策略等都会对故障特征产生影响，使得传统的输电线路故障类型识别方法准确率降低。因此，如果能对新型电力系统输电线路的短路故障类型进行正确的分类，这对新型电力系统的运行稳定性至关重要。
[0003]目前实际投入运行的大比例新能源工程较少，针对新型电力系统的故障分类方法研究也刚刚起步，因此大部分接入分布式新能源的电网仍采用传统的故障电气量突变选相或序分量选相方法，这在初期尚且可行，但若新能源大规模接入，新的故障特征可能引起传统选相元件误判。
[0004]新型电力系统下的故障特征复杂多变，不同的控制测量、电源比例都会产生不同的特征形式，因此要对所有的可能故障组合形式进行变量效率极低，若能利用人工智能方法实现对经典故障特征的自动分析，并将其拓展更复杂的系统，实现对新型电力系统故障类型的准确分类，将提高故障类型识别的准确率和效率。

技术实现思路

[0005]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于样本迁移学习的新型电力系统故障分类方法，根据故障线路的三相电压和三相电流测量信息，即可自动区分新型电力系统输电线路的故障类别。
[0006]为了达到上述目的，本专利技术采用以下技术方案：
[0007]本专利技术一方面提供了一种基于样本迁移学习的新型电力系统故障分类方法，包括下述步骤：
[0008]步骤1：构造双馈风机送出线故障仿真模型，生成不同故障类别的故障样本，保留故障前至故障后预设时间的三相电压、电流采样值，将所述三相电压、电流采样值归一化并组合为训练数据样本x和标签y；
[0009]步骤2：搭建深度卷积神经网络模型，并设置深度卷积神经网络模型参数，利用步骤1所述的训练数据样本和标签对深度卷积神经网络模型进行预训练，得到预训练好的深度卷积神经网络模型；所述深度卷积神经网络模型包括多层卷积层和全连接层，并分别添加残差连接单元；所述卷积层用于提取输入数据的多种特征，并产生不同的特征子图；所述全连接层用于将卷积层所提取的特征子图映射到输出类型，实现对于新型电力系统的故障
分类；所述残差连接单元用于联系不同卷积层间的信息，防止关键信息在池化过程中丢失；
[0010]步骤3：搭建新型电力系统模型，生成少量各类型的故障数据，并按步骤1的方式组成新能源训练样本及标签；所述新型电力系统模型是包括同步机、光伏和风机的三机九节点新型电力系统模型；
[0011]步骤4：根据迁移学习中的网络微调方法，将步骤2得到的预训练好的深度卷积神经网络模型的卷积层冻结，利用所述新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练，以学习除双馈风机外的传统同步电机及光伏故障特征，得到训练好的深度卷积神经网络模型；
[0012]步骤5：将待识别故障样本输入至训练好的深度卷积神经网络模型中，输出判别标签Z，并对判别标签Z进行argmax操作，得到最终所判别的故障类型。
[0013]作为优选的技术方案，所述生成包含所有故障类别的故障样本，考虑了包括风俗、故障位置及相角影响风机出力的因素和故障因素。
[0014]作为优选的技术方案，所述预设时间共计60ms。
[0015]作为优选的技术方案，所述标签y为十维向量，对于多种短路故障类别：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两相短路以及BC两相短路，当设定故障类别时，相应故障类别的向量对应位置的元素为1，其余为0。
[0016]作为优选的技术方案，所述设置深度卷积神经网络模型参数包括损失函数、学习率和步长。
[0017]作为优选的技术方案，所述预训练是利用梯度下降法对神经元权重进行更新。
[0018]作为优选的技术方案，所述步骤4中对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练是将权重参数的训练、更新方法均采用反向传播算法，连接权重的梯度计算公式为：
[0019][0020]其中，Loss为网络的损失值，为求偏导符号，o
m
表示第m层的计算值，ω
lm
为连接第j层神经元m与第j+1层神经元l的权重，net
k
、net
k
‑1、net
j
和net
j+1
分别表示第k、k
‑
1、和j+1个隐藏层上神经元的输出。
[0021]本专利技术又一方面提供了一种基于样本迁移学习的新型电力系统故障分类系统，应用于所述的基于样本迁移学习的新型电力系统故障分类方法，包括构造故障仿真模型模块、预训练深度卷积神经网络模块、搭建新型电力系统模型模块、训练深度卷积神经网络模块以及识别故障模块；
[0022]所述构造故障仿真模型模块，用于构造双馈风机送出线故障仿真模型，生成不同故障类别的故障样本，保留故障前至故障后预设时间的三相电压、电流采样值，并将所述三相电压、电流采样值归一化并组合为训练数据样本x和标签y；
[0023]所述预训练深度卷积神经网络模块，用于搭建深度卷积神经网络模型，并设置深度卷积神经网络模型参数，利用步骤1所述的训练数据样本及标签对深度卷积神经网络模型进行预训练，得到预训练好的深度卷积神经网络模型；所述深度卷积神经网络模型包括多层卷积层和全连接层，并分别添加残差连接单元；所述卷积层用于提取输入数据的多种
特征，并产生不同的特征子图；所述全连接层用于将卷积层所提取的特征子图映射到输出类型，实现对于新型电力系统的故障分类；所述残差连接单元用于联系不同卷积层间的信息，防止关键信息在池化过程中丢失；
[0024]所述搭建新型电力系统模型模块，用于搭建新型电力系统模型，生成少量各类型的故障数据，并按步骤1的方式组成新能源训练样本及标签；所述新型电力系统模型是包括同步机、光伏和风机的三机九节点的新型电力系统模型；
[0025]所述训练深度卷积神经网络模块，用于根据迁移学习中的网络微调方法，将步骤2得到的预训练好的深度卷积神经网络模型的卷积层冻结，利用所述新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练，以学习除双馈风机外的传统同步电机及光伏故障特征，得到训练好的深度卷积神经网络模型；
[0026]所述识别故障模块，用于将待识别故障样本输入至训练好的深度卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于样本迁移学习的新型电力系统故障分类方法，其特征在于，包括下述步骤：步骤1：构造双馈风机送出线故障仿真模型，生成不同故障类别的故障样本，保留故障前至故障后预设时间的三相电压、电流采样值，将所述三相电压、电流采样值归一化并组合为训练数据样本x和标签y；步骤2：搭建深度卷积神经网络模型，并设置深度卷积神经网络模型参数，利用步骤1所述的训练数据样本和标签对深度卷积神经网络模型进行预训练，得到预训练好的深度卷积神经网络模型；所述深度卷积神经网络模型包括多层卷积层和全连接层，并分别添加残差连接单元；所述卷积层用于提取输入数据的多种特征，并产生不同的特征子图；所述全连接层用于将卷积层所提取的特征子图映射到输出类型，实现对于新型电力系统的故障分类；所述残差连接单元用于联系不同卷积层间的信息，防止关键信息在池化过程中丢失；步骤3：搭建新型电力系统模型，生成少量各类型的故障数据，并按步骤1的方式组成新能源训练样本及标签；所述新型电力系统模型是包括同步机、光伏和风机的三机九节点新型电力系统模型；步骤4：根据迁移学习中的网络微调方法，将步骤2得到的预训练好的深度卷积神经网络模型的卷积层冻结，利用所述新能源训练样本及标签对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练，以学习除双馈风机外的传统同步电机及光伏故障特征，得到训练好的深度卷积神经网络模型；步骤5：将待识别故障样本输入至训练好的深度卷积神经网络模型中，输出判别标签Z，并对判别标签Z进行argmax操作，得到最终所判别的故障类型。2.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述生成不同故障类别的故障样本，考虑了包括风俗、故障位置及相角影响风机出力的因素和故障因素。3.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述预设时间共计60ms。4.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述标签y为十维向量，对于多种短路故障类别：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两相短路以及BC两相短路，当设定故障类别时，相应故障类别的向量对应位置的元素为1，其余为0。5.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述设置深度卷积神经网络模型参数包括损失函数、学习率和步长。6.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述预训练是利用梯度下降法对神经元权重进行更新。7.根据权利要求1所述基于样本迁移学习的新型电力系统故障分类方法，其特征在于，所述步骤4中对冻结后的预训练好的深度卷积神经网络模型中的全连接层进行重新训练是将权重参数的训练、更新方法均采用反向传播算法，连接权重的梯度计算公式为：其中，Loss为网络的损失值，为求偏导符号，o
m
表示第m层的计算值，ω

【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，王海洋，姚吴嘉品，
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：