System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力系统继电保护,并且更具体地,涉及一种基于神经网络的直流输电线路故障定位方法、装置及介质。
技术介绍
1、目前直流输电系统通常配置快速动作的保护装置和混合直流开关以在几毫秒内迅速隔离直流故障,因此在直流开关断开前,只有极短时间的故障数据能够获取,这增大了直流输电网精确故障定位的难度。
2、目前已提出了一些典型的故障定位方法,但存在以下问题。基于故障行波到达线路两端点时间的故障定位方法需要高达几mhz的采样频率,并且定位的精度高度依赖两端信号的时间同步性,这对两端通信及定时的需求非常高。基于不同模态的行波到达端点时间差的定位方法精度会随过渡电阻的增大而降低。基于电磁时间反转电压能量的故障定位方法和基于卷积神经网络和希尔伯特变换的故障定位方法所需数据的时间窗都过长,不适用于保护快速动作的直流电网。基于直流线路rl集中模型的故障定位方法虽然算法较为简单,但难以适用于长线路。
技术实现思路
1、针对现有技术的不足,本专利技术提供一种基于神经网络的直流输电线路故障定位方法、装置及介质。
2、根据本专利技术的一个方面,提供了一种基于神经网络的直流输电线路故障定位方法,包括:
3、检测是否存在直流线路故障,并在检测到直流线路故障的情况下,存储直流线路故障前后预定时间段内的单端电压采样值;
4、判别直流线路故障是否为负极故障,在直流线路故障为负极故障的情况下,将单端电压采样值乘-1;
5、将单端电压采样值进行平滑处理,确定
6、根据电压平滑采样值,计算直流线路故障期间的首个负峰值时间、首个负峰值以及延迟时间;
7、将首个负峰值时间、首个负峰值以及延迟时间输入至预先构建的回归神经网络模型中,输出直流输电线路的预测故障位置。
8、可选地,预定时间段为直流线路故障前0.1ms至故障后2.5ms。
9、可选地,电压平滑采样值的计算公式为:
10、
11、式中,ufm为单端电压采样值,usfm[t]为任意时刻t下的电压采样平滑值,平滑处理的滑动平均窗口为30us。
12、可选地,根据电压平滑采样值,计算直流线路故障期间的首个负峰值时间、首个负峰值以及延迟时间,包括:
13、根据电压平滑采样值,计算直流线路故障的故障前电压平均值;
14、提取电压平滑采样值中的首个负峰值时间以及该时刻对应的首个负峰值;
15、根据故障前电压平均值以及首个负峰值的平均值所在的时间估算直流线路故障的电压平滑采样值的延迟时间。
16、可选地,回归神经网络模型的构建过程如下:
17、仿真直流线路的不同故障工况,其中不同故障工况包括:不同故障位置和不同故障电阻下的单极和双极故障;
18、提取不同故障工况下的电压特征量,其中电压特征量包括:故障的首个负峰值、首个负峰值时间以及延迟时间;
19、根据不同故障工况下的电压特征量以及相应的故障位置训练回归神经网络模型,其中回归神经网络模型的所有权重和偏置根据最小化目标函数求解,并且所述回归神经网络的超参数根据预设优化算法确定,其中所述超参数包括:激活函数f、正则化系数λ以及全连接层的层数、每层输出节点的数量一种或多种。
20、可选地,回归神经网络模型的数据处理过程为:
21、
22、式中,ωij和ωkj’分别是全连接层第一层h1j和第k层hkj’的权重,ωj’为输出层x的权重;θ1j和θkj’分别是全连接层第1层和第k层的偏置,θ1是输出层x的偏置;全连接层共有k层,第一层有n个输出节点,第k层有m个输出节点;f代表激活函数;三个输入的预测变量定义为o=(o1,o2,o3)t;第k层全连接层的输出向量为hk=(hk1,hk2,hk3,…,hkj)t;输出层的输出变量为故障位置x。
23、根据本专利技术的另一个方面,提供了一种基于神经网络的直流输电线路故障定位装置,包括:
24、检测存储模块,用于检测是否存在直流线路故障,并在检测到直流线路故障的情况下,存储直流线路故障前后预定时间段内的单端电压采样值;
25、判别调整模块,用于判别直流线路是否为负极故障,在直流线路故障为负极故障的情况下,将单端电压采样值乘-1;
26、平滑模块,用于将单端电压采样值进行平滑处理,确定电压平滑采样值;
27、计算模块,用于根据电压平滑采样值,计算直流线路故障期间的首个负峰值时间、首个负峰值以及延迟时间;
28、预测模块,用于将首个负峰值时间、首个负峰值以及延迟时间输入至预先构建的回归神经网络模型中,输出直流输电线路的预测故障位置。
29、可选地,检测存储模块中预定时间段为直流线路故障前0.1ms至故障后2.5ms。
30、可选地,平滑模块中电压平滑采样值的计算公式为:
31、
32、式中,ufm为单端电压采样值,usfm[t]为任意时刻t下的电压采样平滑值,平滑处理的滑动平均窗口为30us。
33、可选地,计算模块,包括:
34、平均值计算子模块,用于根据电压平滑采样值,计算直流线路故障的故障前电压平均值;
35、提取子模块,用于提取电压平滑采样值中的首个负峰值时间以及该时刻对应的首个负峰值;
36、估算子模块,用于根据故障前电压平均值以及首个负峰值的平均值所在的时间估算直流线路故障的电压平滑采样值的延迟时间。
37、可选地,预测模块中回归神经网络模型的构建过程如下:
38、仿真子模块,用于仿真直流线路的不同故障工况,其中不同故障工况包括:不同故障位置和不同故障电阻下的单极和双极故障;
39、提取子模块,用于提取不同故障工况下的电压特征量,其中电压特征量包括:故障的首个负峰值、首个负峰值时间以及延迟时间;
40、训练子模块,用于根据不同故障工况下的电压特征量以及相应的故障位置训练回归神经网络模型,其中回归神经网络模型的所有权重和偏置根据最小化目标函数求解,并且所述回归神经网络的超参数根据预设优化算法确定,其中所述超参数包括:激活函数f、正则化系数λ以及全连接层的层数、每层输出节点的数量一种或多种。
41、可选地,回归神经网络模型的数据处理过程为:
42、
43、式中,ωij和ωkj’分别是全连接层第一层h1j和第k层hkj’的权重,ωj’为输出层x的权重;θ1j和θkj’分别是全连接层第1层和第k层的偏置,θ1是输出层x的偏置;全连接层共有k层,第一层有n个输出节点,第k层有m个输出节点;f代表激活函数;三个输入的预测变量定义为o=(o1,o2,o3)t;第k层全连接层的输出向量为hk=(hk1,hk2,hk3,…,hkj)t;输出层的输出变量为故障位置x。
44、根据本专利技术的又一个方面,提供了一种计算机可读本文档来自技高网...
【技术保护点】
1.一种基于神经网络的直流输电线路故障定位方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述预定时间段为所述直流线路故障前0.1ms至故障后2.5ms。
3.根据权利要求1所述的方法,其特征在于,所述电压平滑采样值的计算公式为:
4.根据权利要求1所述的方法,其特征在于,根据所述电压平滑采样值,计算所述直流线路故障期间的首个负峰值时间、首个负峰值以及延迟时间,包括:
5.根据权利要求1所述的方法,其特征在于,所述回归神经网络模型的构建过程如下:
6.根据权利要求5所述的方法,其特征在于,所述回归神经网络模型的数据处理过程为:
7.一种基于神经网络的直流输电线路故障定位装置,其特征在于,包括:
8.根据权利要求7所述的装置,其特征在于,检测存储模块中所述预定时间段为直流线路故障前0.1ms至故障后2.5ms。
9.根据权利要求7所述的装置,其特征在于,平滑模块中所述电压平滑采样值的计算公式为:
10.根据权利要求7所述的装置,其特征在于,计算模块,包括:
11.根据权利要求7所述的装置,其特征在于,预测模块中所述回归神经网络模型的构建过程如下:
12.根据权利要求11所述的装置,其特征在于,所述回归神经网络模型的数据处理过程为:
13.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-6任一所述的方法。
14.一种电子设备,其特征在于,所述电子设备包括:
...【技术特征摘要】
1.一种基于神经网络的直流输电线路故障定位方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述预定时间段为所述直流线路故障前0.1ms至故障后2.5ms。
3.根据权利要求1所述的方法,其特征在于,所述电压平滑采样值的计算公式为:
4.根据权利要求1所述的方法,其特征在于,根据所述电压平滑采样值,计算所述直流线路故障期间的首个负峰值时间、首个负峰值以及延迟时间,包括:
5.根据权利要求1所述的方法,其特征在于,所述回归神经网络模型的构建过程如下:
6.根据权利要求5所述的方法,其特征在于,所述回归神经网络模型的数据处理过程为:
7.一种基于神经网络的直流输电线路故障定位装置,其特征在于,包括:
<...【专利技术属性】
技术研发人员:张韵琦,余越,杨国生,杜丁香,王聪博,韦明杰,
申请(专利权)人:中国电力科学研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。