特高压直流输电线路故障测距方法、设备及存储介质技术

本发明专利技术公开了特高压直流输电线路故障测距方法、设备及存储介质，使用小波变换提取不同频带的故障电压、电流，将其作为残差卷积神经网络的输入；利用残差卷积神经网络训练速度快、精度高的优势，对输入数据进行故障特征学习，训练网络，更新参数，最终形成特高压直流输电线路故障测距模型，输出故障测距参数。本发明专利技术克服了传统传统的特高压直流输电线路故障测距过度依赖线路本身衰减常数的困难，设计了基于基于残差卷积神经网路的特高压直流输电线路故障测距模型，网络训练过程采用自适应学习率的方式，大大提高了网络的训练效率和训练速度，该方法在特高压直流输电线路故障测距中检测速度快、精度高，并且在过渡电阻接入下仍然具有很高的精度。然具有很高的精度。然具有很高的精度。

【技术实现步骤摘要】
特高压直流输电线路故障测距方法、设备及存储介质


[0001]本专利技术涉及高压直流传输系统故障处理
，具体是特高压直流输电线路故障测距方法、设备及存储介质。

技术介绍

[0002]我国资源丰富，能源和负荷分布呈负相关关系，长距离输电是我国电力系统必须长期坚持的技术。特高压直流输电技术因为具有输电距离远、传输容量大等优先，被广泛应用于输电领域。然而直流输电线路具有线路较长、地形复杂、环境恶劣等特点，是整个直流电网中最容易发生故障的地方，使用巡线的方式检查故障难度大，会造成永久故障恢复时间慢。因此，研究准确、快速的特高压直流输电线路故障测距技术成为了研究的一个热门。
[0003]目前，在直流输电线路故障测距领域主要包括行波测距法和非行波测距法。行波测距法不受线路参数、系统参数以及故障类型的影响，仍然拥有较高的测距精度。通过测量故障点和测量点暂态行波的传输时间进行故障测距。但是行波法过于依赖行波波头检测的准确性，如果波头检测失败，会导致行波测距无法进行下去。

技术实现思路

[0004]为了解决直流逆变侧暂态过程电压失稳问题，本专利技术提出了基于残差卷积神经网路的特高压直流输电线路故障测距方法，使用小波变换提取不同频带的故障电压、电流，将其作为残差卷积神经网络的输入；利用残差卷积神经网络训练速度快、精度高的优势，对输入数据进行故障特征学习，训练网络，更新参数，最终形成特高压直流输电线路故障测距模型，输出故障测距参数。
[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：<br/>[0006]本专利技术是特高压直流输电线路故障测距方法，包括如下步骤：
[0007]步骤1，利用安装在线路两侧的逆变器和整流器处的测距装置，采集特高压直流输电线路的双端电压、电流；
[0008]步骤2，使用离散小波变换提取出母线电压暂态能量E
h
·
bus
‑
u
、母线电流暂态能量E
h
·
bus
‑
i
、直流电压暂态能量E
h
·
line
‑
u
、直流电流暂态能量E
h
·
line
‑
i
作为残差卷积神经网络输入，对所有数据集进行归一化处理，将归一化处理后的数据集分成训练集和测试集；
[0009]步骤3，将训练集输入到残差卷积神经网络中，根据故障测距误差最小的原则设计损失函数，更新网络参数；
[0010]步骤4，利用测试集测试已经优化的残差卷积神经网络的故障距离，算出测距误差，验证模型的有效性。
[0011]本专利技术的进一步改进在于：所述步骤2中离散小波变换表达式为：
[0012]WT
f
(j,k)＝∫
R
f(t)ψ
j,k
dt
[0013]式中，f(t)为原始离散信号；ψ
j,k
为小波基；WT
f
(j,k)为小波变换符号；R为原始离散信号的定义域；(j,k)为小波变换后离散点的坐标；
[0014]第j层细节系数和近似系数如下：
[0015][0016]式中，d
j
(n)为第j层细节系数，对应高频信号；a
j
(n)为第j层近似系数，对应低频信号；h、l分别为高通滤波器和低通滤波器；f
j
‑1(k)为第j
‑
1层的离散信号；利用细节系数d2(n)的平方经过时间轴进行积分，得到电压暂态能量E
h
为：
[0017][0018]式中，T
W
为积分时间；
[0019]根据不同故障检测时间需求，将母线电压暂态能量E
h
·
bus
‑
u
和母线电流暂态能量E
h
·
bus
‑
i
的积分时间设置为0.5ms，直流电压暂态能量E
h
·
line
‑
u
和直流电流暂态能量E
h
·
line
‑
i
的积分时间设置为1.5ms。
[0020]本专利技术的进一步改进在于：所述步骤2中归一化处理后的数据集按照4:1分成训练集和测试集。
[0021]本专利技术的进一步改进在于：步骤3中残差卷积神经网络包括由卷积神经网络和深度残差网络构成。
[0022]本专利技术的进一步改进在于：所述卷积神经网络包括隐藏层、全连接层、softmax，隐藏层包括卷积层、激活层、池化层；
[0023]其中，卷积形成输出特征为：
[0024][0025]式中，x
i
为前一层的输入特征；x
i+1
为卷积之后的输出特征；为卷进运算；W
i
为卷积核的权重值；b
i
为偏置值；
[0026]经过激活层后得到：
[0027][0028]式中，y
i
为经过激活函数之后的输出，f(*)为激活函数；
[0029]池化表达式为：
[0030]max
‑
pooling(f[i
‑
1],f[i],f[i+1])＝max(f[i
‑
1],f[i],f[i+1])
[0031]式中，max
‑
pooling为最大池化操作；f[i]为第i个特征值；f[i+1]为第i+1个特征值；f[i
‑
1]为第i
‑
1个特征值；max(*)为取最大值函数；
[0032]全连接层表达式为：
[0033]o(x)＝f(wx+b)
[0034]式中，o(x)为全连接的输出，x为全连接的输入；f(*)为全连接的激活函数；w为全连接的权重；b为全连接的偏置。
[0035]本专利技术的进一步改进在于：所述深度残差网络中单个残差结构中输出为H(a)，拟合的函数为F(a)＝H(a)
‑
a，网络的输入跨层连接到隐藏层的输出上得到H(a)，每个残差结构包含两层，a为输入，由母线电压暂态能量E
h
·
bus
‑
u
、母线电流暂态能量E
h
·
bus
‑
i
、直流电压暂态能量E
h
·
line
‑
u
、直流电流暂态能量E
h
·
line
‑
i
这4个数据构成的多维数据；W1、W2为权重；残差
块里前向网络如下所示：
[0036]F(a)＝W2σ(W1a)式中，σ为ReLU激活函数。
[0037]本专利技术的进一步改进在于：残差卷积神经网路的损失函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.特高压直流输电线路故障测距方法，其特征在于：包括如下步骤：步骤1，利用安装在线路两侧的逆变器和整流器处的测距装置，采集特高压直流输电线路的双端电压、电流；步骤2，使用离散小波变换提取出母线电压暂态能量E
h
·
bus
‑
u
、母线电流暂态能量E
h
·
bus
‑
i
、直流电压暂态能量E
h
·
line
‑
u
、直流电流暂态能量E
h.line
‑
i
作为残差卷积神经网络输入，对所有数据集进行归一化处理，将归一化处理后的数据集分成训练集和测试集；步骤3，将训练集输入到残差卷积神经网络中，根据故障测距误差最小的原则设计损失函数，更新网络参数，形成特高压直流输电线路故障测距模型，输出故障测距参数；步骤4，利用测试集测试特高压直流输电线路故障测距模型，算出测距误差，验证模型的有效性。2.根据权利要求1所述的特高压直流输电线路故障测距方法，其特征在于：所述步骤2中离散小波变换表达式为：WT
f
(j,k)＝∫
R
f(t)ψ
j,k
dt式中，f(t)为原始离散信号；ψ
j,k
为小波基；WT
f
(j,k)为小波变换符号；R为原始离散信号的定义域；(j,k)为小波变换后离散点的坐标；第j层细节系数和近似系数如下：式中，d
j
(n)为第j层细节系数，对应高频信号；a
j
(n)为第j层近似系数，对应低频信号；h、l分别为高通滤波器和低通滤波器；f
j
‑1(k)为第j
‑
1层的离散信号；利用细节系数d2(n)的平方经过时间轴进行积分，得到电压暂态能量E
h
为：式中，T
W
为积分时间；根据不同故障检测时间需求，将母线电压暂态能量E
h.bus
‑
u
和母线电流暂态能量E
h
·
bus
‑
i
的积分时间设置为0.5ms，直流电压暂态能量E
h
·
line
‑
u
和直流电流暂态能量E
h
·
line
‑
i
的积分时间设置为1.5ms。3.根据权利要求1所述的特高压直流输电线路故障测距方法，其特征在于：所述步骤2中归一化处理后的数据集按照4:1分成训练集和测试集。4.根据权利要求1所述的特高压直流输电线路故障测距方法，其特征在于：所述步骤3中残差卷积神经网络包括由卷积神经网络和深度残差网络构成。5.根据权利要求4所述的特高压直流输电线路故障测距方法，其特征在于：所述卷积神经网络包括隐藏层、全连接层、softmax，隐藏层包括卷积层、激活层、池化层；其中，卷积形成输出特征为：式中，x
i
为前一层的输入特征；x
i+1
为卷积之后的一层输出特征；为卷进运算；W
i
为卷积核的权重值；b
i
为偏置值；
经过激活层后得到：式中，y
i
为经过激活函数之后的输出，f(*)为激活函数；池化表达式为：max
‑
...

【专利技术属性】
技术研发人员：张学友，葛健，董翔宇，李坚林，陈庆涛，谢佳，阮巍，殷振，马欢，陈凡，施雯，魏南，邵华，叶响骏，薛峰，
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：