基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法技术

本发明专利技术公开了一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，包括通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，将线模电流中低频分量、线模电压高频分量结合正负极电压波形特征组成输入特征量，将故障区域作为输出量；构建深度学习故障区域识别模型；将测量点得到的故障特征量输入训练完成的深度学习故障区域识别模型，实现故障区域识别。本发明专利技术所提取的故障特征量可准确反映三端混合直流线路的不同故障区域，故障区域识别精度高，且对高阻故障具有很高的灵敏度。具有很高的灵敏度。具有很高的灵敏度。

【技术实现步骤摘要】
基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法


[0001]本专利技术涉及一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，属于继电保护


技术介绍

[0002]多端混合直流输电系统采用电网换相换流器(line commutated converter，LCC)作为直流功率输送端，多个模块化多电平换流器(modular multilevel converter，MMC)作为直流功率受端，综合了传统直流换流技术成熟、运行成本低和柔性直流调节性能好、输出波形质量高等优点。多端混合直流输电系统充分发挥了传统直流和柔性直流输电技术的优势，成为解决大规模新能源并网和功率送出消纳的新方法，多端混合直流输电系统是今后直流输电系统的重要发展方向。
[0003]在实际的多端混合直流输电工程中，必然需要直流架空线路进行远距离大容量功率传输，且直流架空线路故障概率很高。同时，并联型多端直流输电系统的直流线路之间存在T区汇流母线，T区汇流母线两侧直流线路故障难以准确识别。国内外学者开始对多端直流架空线路的故障区域识别方法研究至关重要。
[0004]针对现有直流线路故障区域识别方法应用于特高压三端混合直流输电线路时，存在难以区分T区两侧故障、耐过渡电阻能力弱、阈值整定困难的问题。

技术实现思路

[0005]本专利技术提供了一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，以用于将深度学习用于特高压三端混合直流输电线路波形特征故障区域判别。
>[0006]本专利技术的技术方案是：
[0007]根据本专利技术的一方面，提供了一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，包括：通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，将线模电流中低频分量、线模电压高频分量结合正负极电压波形特征组成输入特征量，将故障区域作为输出量；构建深度学习故障区域识别模型；将测量点得到的故障特征量输入训练完成的深度学习故障区域识别模型，实现故障区域识别。
[0008]所述通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，包括：对T区左侧测量点M1和T区右侧测量点M2得到的线模电流进行小波分解，获取T区左侧测量点M1和右侧测量点M2得到的线模电流中低频分量；对测量点M1得到的线模电压进行小波分解，获取M1的线模电压高频分量。
[0009]所述正负级波形特征，具体为：利用T区左侧测量点M1、M3得到正极电压故障波形、
负极电压故障波形。
[0010]所述小波分解采用db4；其中，获取T区左侧测量点M1和右侧测量点M2得到的线模电流中低频分量采用第八尺度细节系数；获取M1的线模电压高频分量采用第一尺度细节系数。
[0011]所述深度学习故障区域识别模型采用CNN
‑
LSTM网络模型，其中，CNN
‑
LSTM网络模型包括输入层、两层CNN层、LSTM层、输出层。
[0012]根据本专利技术的另一方面，提供了一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别系统，包括：构建模块，用于通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，将线模电流中低频分量、线模电压高频分量结合正负极电压波形特征组成输入特征量，将故障区域作为输出量；构建深度学习故障区域识别模型；识别模块，用于将测量点得到的故障特征量输入训练完成的深度学习故障区域识别模型，实现故障区域识别。
[0013]本专利技术的有益效果是：本专利技术通过分析三端混合直流线路不同区域的故障特征，发现三端混合直流线路不同区域故障时的故障特征差异；利用小波变换提取故障特征量，结合正负极电压波形特征，构建深度学习模型的输入数据样本，通过对深度学习模型进行训练和优化，最终实现三端混合直流线路不同故障区域的判断。该故障区域识别方法所提取的故障特征量可准确反映三端混合直流线路的不同故障区域，故障区域识别精度高，且对高阻故障具有很高的灵敏度。
附图说明
[0014]图1为本专利技术流程图；
[0015]图2为本专利技术CNN
‑
LSTM网络结构图；
[0016]图3为
±
800kV特高压三端混合直流输电系统拓扑图；
[0017]图4为T区左侧线路故障线模电流中低频分量波形图；
[0018]图5为线路L1区内外故障线模电压高频分量波形图；
[0019]图6为线路L2区内外故障线模电压高频分量波形图；
[0020]图7为线路L1故障正负极电压波形图；
[0021]图8为线路L4故障正负极电压波形图。
具体实施方式
[0022]下面结合附图和实施例，对专利技术作进一步的说明，但本专利技术的内容并不限于所述范围。
[0023]实施例1：如图1
‑
8所示，根据本专利技术实施例的一方面，提供了一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，包括：对特高压三端混合直流线路不同故障区域进行故障特征分析，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，将线模电流中低频分量、线模电压高频分量结合正负极电压波形特征组成输入特征量，将故障区域作为输出量；构建深度学习故障区域识别模型；将测量点得到的故障特征量输入训练完成的深度学习故障区域识别模型，实现
故障区域识别。
[0024]进一步地，所述通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，包括：对T区左侧测量点M1和T区右侧测量点M2得到的线模电流进行小波分解，获取T区左侧测量点M1和右侧测量点M2得到的线模电流中低频分量；对测量点M1得到的线模电压进行小波分解，获取M1的线模电压高频分量。
[0025]进一步地，所述正负级波形特征，具体为：利用T区左侧测量点M1、M3得到正极电压故障波形、负极电压故障波形。
[0026]进一步地，所述小波分解采用db4；其中，获取T区左侧测量点M1和右侧测量点M2得到的线模电流中低频分量采用第八尺度细节系数；获取M1的线模电压高频分量采用第一尺度细节系数。
[0027]进一步地，所述深度学习故障区域识别模型采用CNN
‑
LSTM网络模型，其中，CNN
‑
LSTM网络模型包括1个输入层、两个CNN层、1个LSTM层、1个输出层。卷积神经网络(convolutional neural networks，CNN)是以卷积层、池化层为基础的具有权值共享等特性的深度神经网络，网络权值数量少，结构简单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，其特征在于，包括：通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，将线模电流中低频分量、线模电压高频分量结合正负极电压波形特征组成输入特征量，将故障区域作为输出量；构建深度学习故障区域识别模型；将测量点得到的故障特征量输入训练完成的深度学习故障区域识别模型，实现故障区域识别。2.根据权利要求1所述的基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，其特征在于，所述通过分析特高压三端混合直流线路不同故障区域的故障特征，对线模电流、线模电压分别进行多尺度小波分解，提取线模电流中低频分量、线模电压高频分量，包括：对T区左侧测量点M1和T区右侧测量点M2得到的线模电流进行小波分解，获取T区左侧测量点M1和右侧测量点M2得到的线模电流中低频分量；对测量点M1得到的线模电压进行小波分解，获取M1的线模电压高频分量。3.根据权利要求1所述的基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法，其特征在于，所述正负级波形特征，具体为：利用T区左侧测量点M1、M3得到正极电压故...

【专利技术属性】
技术研发人员：陈仕龙，吴涛，王朋林，高敬业，毕贵红，赵四洪，魏荣智，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：