CN109635732B - 一种lcc-hvdc连续换相失败故障预警网络训练方法 - Google Patents
一种lcc-hvdc连续换相失败故障预警网络训练方法 Download PDFInfo
- Publication number
- CN109635732B CN109635732B CN201811517211.7A CN201811517211A CN109635732B CN 109635732 B CN109635732 B CN 109635732B CN 201811517211 A CN201811517211 A CN 201811517211A CN 109635732 B CN109635732 B CN 109635732B
- Authority
- CN
- China
- Prior art keywords
- data
- commutation failure
- early warning
- network
- lcc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 67
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 69
- 230000003247 decreasing effect Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 238000013144 data compression Methods 0.000 claims description 5
- 239000003550 marker Substances 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 24
- 230000005540 biological transmission Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
一种LCC‑HVDC连续换相失败故障预警网络训练方法,采集时间窗内的直流侧、交流侧的电气信息以及控制***的触发脉冲信息作为连锁故障判别的初始特征,该网络的训练方法先基于原始仿真数据训练一个自动编码器(Autoencoder),取其编码器(Encoder)部分作为卷积神经网络分类器的共享层输入,再进行卷积神经网络的分类任务训练,从而减少特征维度,以减少神经网络训练过程的计算量、提高卷积神经网络分类任务的正确率。本发明能够快速预测严重连续换相失败事故的发生,克服了较高维度的特征向量带来的训练困难的问题,同时加速了工程现场应用下的计算速度,具有广泛的工程应用前景。
Description
技术领域
本发明属于电力***输电线路继电保护与人工智能交叉领域,特别涉及一种交直流混联***的连续换相失败预警器的训练方法。
背景技术
高压直流输电(HighVoltageDirectCurrent,HVDC)***具有输送距离远、输送容量大、输送损耗低、功率调节灵活、不受同步稳定限制等特点,其在远距离大容量输电、电力***互联等领域得到了十分广泛的运用,是实现我国能源资源优化配置的有效途径。随着我国直流输电技术的快速发展,我国已经形成世界上规模最大、电压等级最高的交直流混合输电***。
随着直流输电容量的不断增加,受端的交流***的强度可认为相对较弱,而且在我国的很多实际工程之中,受端***本来就属于弱交流***,而受到为弱交流***的交直流混联***非常容易出现诸如换相失败、受端***振荡发散等现象。目前直流***换流器件过流能力低、承受故障冲击能力差、表现出脆弱性,并导致电网的脆弱性;单个交流***的简单故障或者单个换流站的异常动态过程都可能诱发多换流站同时换相失败、直流***单极双极闭锁、交流线路过负荷跳闸等连锁故障的发生,表现出交直流混联电网的复杂耦合特性。
换流器在运行过程中由于不断变换阀的通断状态,是典型的时变电路,为交直流混联***带来了很强的非线性。交流***大扰动之下,直流***与交流***的电气量难以求得解析表达,换相失败的发展机理不清楚,连续换相失败故障难以预测。但是,一个实用化的连续换相失败预警算法在工程上实际应用领域却又迫在眉睫。
近年来,人工智能蓬勃发展,学界上提出了不少学习能力很强的分类器。但是,虽然各类分类器理论上具有非常强的学习能力,但是如何针对于工程实际训练一个分类器,使其具有最好的分类性能同时最大程度的减少计算量,仍然属于一个悬而未解的技术难题。
发明内容
本发明的目的是为了克服交直流混联***带来的高维特征向量下分类器训练困难的问题,提出一种新型的分类器结构及其训练方法,该方法充分利用仿真大数据的5ms时间窗内的交直流电气特征及控制***触发信号作为判据,以较高的准确度及较快的运算速度下实现给出连续换相失败的故障预警。
为实现上述发明目的,本发明具体采用以下技术方案:
一种LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于,所述连续换相失败故障预警网络训练方法包括以下步骤:
步骤1:利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真,获取交直流混联网络的原始运行数据;
步骤2:于原始运行数据中获取每个故障场景之下的设定时间窗内的原始运行数据作为原始特征向量,构造连续换相失败故障预警的自动编码器Autoencoder训练集;
步骤3:选择隐空间的维度k作为数据压缩的维度,以最小信号重构误差作为目标函数,以Adam梯度下降法训练自动编码器Autoencoder;
步骤4:对自动编码器的Encoder进行压缩降维构造新的训练集与测试集;
步骤5:使用步骤4得到的新的训练集与测试集训练卷积神经网络分类器即得到连续换相失败故障预警的卷积神经网络分类器;
步骤6:最后验证所训练的卷积神经网络分类器性能,判断其准确性和运算时间是否满足精确度阈值Pthre与运算时间上限Tthre要求;
若精确度阈值Pthre与运算时间上限Tthre两个要求均不满足,需要对卷积神经网络分类器进行重设计,并且返回步骤5;
若精确度阈值Pthre与运算时间上限Tthre两个要求只满足一个,则返回步骤3通过增减隐空间的降维维度k重新训练自动编码器Autoencoder;
直到卷积神经网络分类器同时满足精确度阈值Pthre与运算时间上限Tthre要求,则完成连续换相失败故障预警网络的训练。
本发明进一步包括以下优选方案:
在步骤1中,所获得的原始运行数据应涵盖该交直流混联网络的所有可能运行方式。
为了保证连续换相失败预警的可靠性,原始运行数据包含的故障数据以及非故障数据的数据规模应该保证相等。
所述原始运行数据应至少为TB级别。
在步骤2中,原始运行数据加窗的具体方法为:对所有的原始运行数据标定第一次换相失败的发生时刻,并从先前的测量数据记录中,读取该次换相失败的发生时刻之前1/8个工频周波的直流侧、交流侧电气信息以及控制***的触发脉冲信息,并且继续对直流侧、交流侧电气信息以及控制***的触发脉冲信息进行维持1/8个工频周波的测量录波,以得到设定时间窗内对应的初始特征向量。
所述设定时间窗为5ms。
所述初始特征向量包括但不限于5ms时间窗内的整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i作为初始特征向量。
在步骤3中,重构误差定义如下:
其中,x为原始数据窗即设定时间窗内的原始运行数据,为经过自编码器网络降维并重构的数据窗,为原始数据窗与经过自编码器网络降维并重构的数据窗之间的重构误差函数,φ(·)对应Encoder网络的映射函数,ψ(·)对应Decoder网络的映射函数。
维度k的取值范围为[5,50]。
维度k的优选值为10。
在步骤4中,利用自动编码器的Encoder网络进行隐空间编码,以得到降维至维度为[5,50]范围内的交流电流电压与直流电流电压的通用特征(generalfeatures),以两个换相周期之内是否发生连续换相失败作为样本标记(label),重构特征向量,并且分割新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest;其中,Xlatent,train为训练集数据对应的重构特征向量,Ytrain是训练集数据的标记,Xlatent,test是测试集数据对应的重构特征向量,Ytest是测试集数据的标记。
在步骤5中,使用新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest训练一个结构简单的二分类卷积神经网络作为卷积神经网络分类器。
所述二分类卷积神经网络对应的目标函数是交叉熵,训练方法为Adam梯度下降法;
其中,X为特征向量构成的训练集或测试集,Y为特征向量构成的训练集或测试集对应的标记集;x为训练集或测试集中的特征向量,y为训练集或测试集中的特征向量对应的标记;I(·)为指示器函数,其接受一个条件表达式作为变量,表达式为真时返回1,否则返回0。
在步骤6中,若精确度阈值Pthre不被满足,即卷积神经网络分类器的精确度P<Pthre,则增加自编码器网络的隐空间的维度k以增加特征的关键信息。
若精确度阈值Pthre不被满足,则将维度k+1,然后返回步骤3。
若运算时间上限Tthre不被满足,即卷积神经网络分类器的运算时间T>Tthre,则需要减少自编码器网络的隐空间的维度k以减少数据特征相量的信息冗余。
若运算时间上限Tthre不被满足,则将维度k-1,然后返回步骤3。
若精确度阈值Pthre与运算时间上限Tthre两个要求均不满足,需要对卷积神经网络分类器进行重设计,并且返回步骤5。
其中,所述重设计包括但不限于:增加或删减卷积层的层数、增加或删减特定卷积层对应的卷积核的通道数、增加或减少特定卷积层对应的卷积核的维度、以及增加或减少最后的全连接层的层数或者维度。
本发明相对于现有技术具有以下有益的技术效果:
本发明采集5ms时间窗内的直流侧、交流侧的电气信息以及控制***的触发脉冲信息作为连锁故障判别的初始特征,先基于原始仿真数据训练一个自动编码器(Autoencoder),取其编码器(Encoder)部分作为卷积神经网络分类器的共享层输入,再进行卷积神经网络的分类任务训练,从而减少特征维度,以减少神经网络训练过程的计算量、提高卷积神经网络分类任务的正确率。
本发明提出的方法能够基于第一次换相失败之后的5ms时间窗的信息快速预测严重连续换相失败事故的发生,克服了较高纬度的特征向量带来的训练困难的问题,同时加速了工程现场应用下的计算速度,具有广泛的工程应用前景。
附图说明
图1为本发明基于自编码器网络的连续换相失败预警方法流程图;
图2为所使用的自编码器网络示意图。
具体实施方式
下面结合说明书附图以及实施例对本发明的技术方案做进一步详细介绍。
如附图1所示为本发明提出的一种LCC-HVDC连续换相失败故障预警网络训练方法,现结合附图详介绍如下,所述基于自编码器网络的连续换相失败预警方法包括以下步骤:步骤1:利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真,获取TB级别的运行数据,数据应涵盖该交直流混联网络的所有可能运行方式,为了保证连续换相失败预警的可靠性,原始数据包含的故障数据以及非故障数据的数据规模应该保证相等。
步骤2:于原始数据中获取每个故障场景之下的5ms时间窗的数据作为原始特征向量,数据加窗的具体方法为:对所有的原始数据标定第一次换相失败的发生时刻,并从先前的测量数据记录中,读取该次换相失败的发生时刻之前1/8个工频周波的直流侧、交流侧电气信息以及控制***的触发脉冲信息,并且继续对特征变量进行维持1/8个工频周波的测量录波,以得到为时5ms时间窗内整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i作为初始特征向量。
步骤3:选择隐空间的维度k作为数据压缩的维度,以最小信号重构误差作为目标函数,以Adam梯度下降法训练自编码器Autoencoder。
Autoencoder的具体结构如附图2所示,其主要包括解码器(Decoder)和编码器(Encoder)组成,解码器接收原始数据x作为输入,输出的是维度为k的降维数据,编码器接受解码器的输出作为输入,输出维度与原始数据维度相同的重构数据
其中,重构误差定义如下:
其中,x为原始数据窗,为经过自编码器网络降维并重构的数据窗,为原始数据窗与经过自编码器网络降维并重构的数据窗之间的重构误差函数,φ(·)对应Encoder网络的映射函数,ψ(·)对应Decoder网络的映射函数。
步骤4:对Autoencoder训练完成之后,舍弃其解码器网络,利用编码器网络对原始特征向量进行隐空间编码,以得到降维至[5,50]的交流电流电压与直流电流电压的通用特征(generalfeatures),以两个换相周期之内是否发生连续换相失败作为样本标记(label),重构特征向量,并且分割新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest。其中,Xlatent,train为训练集数据对应的重构特征向量,Ytrain是训练集数据的标记,Xlatent,test是测试集数据对应的重构特征向量,Ytest是测试集数据的标记。
步骤5:使用新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest训练一个结构简单的二分类卷积神经网络,其中,该神经网络对应的目标函数是交叉熵,训练方法为Adam梯度下降法;
其中,X为特征向量构成的训练集或测试集,Y为特征向量构成的训练集或测试集对应的标记集;x为训练集或测试集中的特征向量,y为训练集或测试集中的特征向量对应的标记;I(·)为指示器函数,其接受一个条件表达式作为变量,表达式为真时返回1,否则返回0。
步骤6:最后验证所训连锁故障预警器的性能,判断其准确性和运算时间是否满足精确度阈值Pthre与运算时间上限Tthre要求;为了满足选择性与可靠性的要求,Pthre阈值设置为99%;为了满足快速性的要求Tthre一般设置为直流***的一个换相周期,即20ms。
若两个要求不能同时满足,问题大概率出现在分类网络的设计上,需要对二分类网络进行重设计,并且返回步骤5;若两阈值只满足一个,则可以通过增减隐空间的降维维度k予以解决,具体地,若精确度阈值Pthre不被满足,则表明原始特征向量重构过程中存在关键信息损失,需要增加自编码器网络的隐空间的维度k以增加特征的关键信息,但同时为避免维度增减剧烈而导致的网络表示能力的剧变,每次修改维度的步长只能为1,故维度定值修改为k+1;若运算时间上限Tthre不被满足,则表明原始数据特征向量重构过程中存在信息冗余,需要减少自编码器网络的隐空间的维度k以减少数据特征相量的信息冗余,相同地,为避免维度增减剧烈而导致的网络表示能力的剧变,每次修改维度的步长只能为1,修改自编码器网络的隐空间的维度k定值为k-1以后,返回步骤3。若两个要求同时满足,则完成训练。
实施例1:
基于自编码器网络的连续换相失败预警方法包括以下步骤:
步骤1:利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真,获取TB级别的运行数据,此实例中,训练数据为1TB,数据应涵盖该交直流混联网络的所有可能运行方式,为了保证连续换相失败预警的可靠性,原始数据包含的故障数据以及非故障数据的数据规模应该保证相等。
步骤2:于原始数据中获取每个故障场景之下的5ms时间窗的数据作为原始特征向量,数据加窗的具体方法为:对所有的原始数据标定第一次换相失败的发生时刻,并从先前的测量数据记录中,读取该次换相失败的发生时刻之前1/8个工频周波的直流侧、交流侧电气信息以及控制***的触发脉冲信息,并且继续对特征变量进行维持1/8个工频周波的测量录波,以得到为时5ms时间窗内整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i作为初始特征向量。
步骤3:选择隐空间的维度k作为数据压缩的维度,以最小信号重构误差作为目标函数,以Adam梯度下降法训练自编码器Autoencoder。其中,重构误差定义如下:
其中,x为原始数据窗,为经过自编码器网络降维并重构的数据窗,为原始数据窗与经过自编码器网络降维并重构的数据窗之间的重构误差函数,φ(·)对应Encoder网络的映射函数,ψ(·)对应Decoder网络的映射函数。
隐空间的维度选取应与特征向量的特征量的个数保持相同的数量级,本实施例2中,特征向量有整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i,一共有12个特征量,其数量级为10,故隐空间的维度优选值为10。
步骤4:利用自动编码器的Encoder网络进行隐空间编码,以得到较低维度的交流电流电压与直流电流电压的通用特征(generalfeatures),以两个换相周期之内是否发生连续换相失败作为样本标记(label),重构特征向量,并且分割新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest。其中,Xlatent,train为训练集数据对应的重构特征向量,Ytrain是训练集数据的标记,Xlatent,test是测试集数据对应的重构特征向量,Ytest是测试集数据的标记。
步骤5:使用新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest训练一个结构简单的二分类卷积神经网络,其中,该神经网络对应的目标函数是交叉熵,训练方法为Adam梯度下降法;
其中,X为特征向量构成的训练集或测试集,Y为特征向量构成的训练集或测试集对应的标记集;x为训练集或测试集中的特征向量,y为训练集或测试集中的特征向量对应的标记;I(·)为指示器函数,其接受一个条件表达式作为变量,表达式为真时返回1,否则返回0。
步骤6:最后验证所训连锁故障预警器的性能,判断其准确性和运算时间是否满足精确度阈值Pthre与运算时间上限Tthre要求;
在本申请的实施例1中,为了满足选择性与可靠性的要求,Pthre阈值设置为99%,Tthre设置为20ms。
若两个要求不能同时满足,问题大概率出现在分类网络的设计上,需要对二分类网络进行重设计,并且返回步骤5;在本申请实施例1中,采用增加卷积层的层数、增加特定卷积层对应的卷积核的通道数额方式对二分类网络进行重设计。
若两阈值只满足一个,则可以通过增减隐空间的降维维度k予以解决,具体地,
若精确度阈值Pthre不被满足,则表明原始特征向量重构过程中存在关键信息损失,需要增加自编码器网络的隐空间的维度k以增加特征的关键信息,但同时为避免维度增减剧烈而导致的网络表示能力的剧变,每次修改维度的步长只能为1,故维度定值修改为k+1;若运算时间上限Tthre不被满足,则表明原始数据特征向量重构过程中存在信息冗余,需要减少自编码器网络的隐空间的维度k以减少数据特征相量的信息冗余,相同地,为避免维度增减剧烈而导致的网络表示能力的剧变,每次修改维度的步长只能为1,修改自编码器网络的隐空间的维度k定值为k-1以后,返回步骤3。若两个要求同时满足,则完成训练。
实施例2:
基于自编码器网络的连续换相失败预警方法包括以下步骤:
步骤1:利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真,获取TB级别的运行数据,此实例中,训练数据为1TB,数据应涵盖该交直流混联网络的所有可能运行方式,为了保证连续换相失败预警的可靠性,原始数据包含的故障数据以及非故障数据的数据规模应该保证相等。
步骤2:于原始数据中获取每个故障场景之下的5ms时间窗的数据作为原始特征向量,数据加窗的具体方法为:对所有的原始数据标定第一次换相失败的发生时刻,并从先前的测量数据记录中,读取该次换相失败的发生时刻之前1/8个工频周波的直流侧、交流侧电气信息以及控制***的触发脉冲信息,并且继续对特征变量进行维持1/8个工频周波的测量录波,以得到为时5ms时间窗内整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i作为初始特征向量。
此实例1中,数据的采样频率为10000Hz,每一特征量的数据点数为50个点,一共有12个特征量,故原始特征向量的维度为600×1。
步骤3:选择隐空间的维度k作为数据压缩的维度,优选k=10,以最小信号重构误差作为目标函数,以Adam梯度下降法训练自编码器Autoencoder。其中,重构误差定义如下:
其中,x为原始数据窗,为经过自编码器网络降维并重构的数据窗,为原始数据窗与经过自编码器网络降维并重构的数据窗之间的重构误差函数,φ(·)对应Encoder网络的映射函数,ψ(·)对应Decoder网络的映射函数。
步骤4:利用自动编码器的Encoder网络进行隐空间编码,以得到较低维度的交流电流电压与直流电流电压的通用特征(generalfeatures),以两个换相周期之内是否发生连续换相失败作为样本标记(label),重构特征向量,并且分割新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest。其中,Xlatent,train为训练集数据对应的重构特征向量,Ytrain是训练集数据的标记,Xlatent,test是测试集数据对应的重构特征向量,Ytest是测试集数据的标记。
步骤5:使用新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest训练一个结构简单的二分类卷积神经网络,其中,该神经网络对应的目标函数是交叉熵,训练方法为Adam梯度下降法;
其中,X为特征向量构成的训练集或测试集,Y为特征向量构成的训练集或测试集对应的标记集;x为训练集或测试集中的特征向量,y为训练集或测试集中的特征向量对应的标记;I(·)为指示器函数,其接受一个条件表达式作为变量,表达式为真时返回1,否则返回0。
步骤6:最后验证所训连锁故障预警器的性能,判断其准确性和运算时间是否满足精确度阈值Pthre与运算时间上限Tthre要求;
在本申请实施例2中,为了满足快速性的要求Tthre设置为直流***的一个换相周期,即20ms,而精确度阈值Pthre设置为95%。
若两个要求不能同时满足,问题大概率出现在分类网络的设计上,需要对二分类网络进行重设计,并且返回步骤5;在本申请实施例2中,增加或减少特定卷积层对应的卷积核的维度、以及增加或减少最后的全连接层的层数或者维度对二分类网络进行重设计。
若两阈值只满足一个,则可以通过增减隐空间的降维维度k予以解决,具体地,若精确度阈值Pthre不被满足,则表明原始特征向量重构过程中存在关键信息损失,需要增加自编码器网络的隐空间的维度k以增加特征的关键信息,但同时为避免维度增减剧烈而导致的网络表示能力的剧变,每次修改维度的步长只能为1,故维度定值修改为k+1;若运算时间上限Tthre不被满足,则表明原始数据特征向量重构过程中存在信息冗余,需要减少自编码器网络的隐空间的维度k以减少数据特征相量的信息冗余,相同地,为避免维度增减剧烈而导致的网络表示能力的剧变,每次修改维度的步长只能为1,修改自编码器网络的隐空间的维度k定值为k-1以后,返回步骤3。若两个要求同时满足,则完成训练。
申请人结合说明书附图对本发明的实施例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (15)
1.一种LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于,所述连续换相失败故障预警网络训练方法包括以下步骤:
步骤1:利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真,获取交直流混联网络的原始运行数据;
步骤2:于原始运行数据中获取每个故障场景之下的设定时间窗内的原始运行数据作为原始特征向量,构造连续换相失败故障预警的自动编码器Autoencoder训练集;
步骤3:选择隐空间的维度k作为数据压缩的维度,以最小信号重构误差作为目标函数,以Adam梯度下降法训练自动编码器Autoencoder;
步骤4:对自动编码器的Encoder进行压缩降维构造新的训练集与测试集;
步骤5:使用步骤4得到的新的训练集与测试集训练卷积神经网络分类器即得到连续换相失败故障预警的卷积神经网络分类器;
步骤6:最后验证所训练的卷积神经网络分类器性能,判断其准确性和运算时间是否满足精确度阈值Pthre与运算时间上限Tthre要求;
若精确度阈值Pthre与运算时间上限Tthre两个要求均不满足,需要对卷积神经网络分类器进行重设计,并且返回步骤5;
若精确度阈值Pthre与运算时间上限Tthre两个要求只满足一个,则返回步骤3通过增减隐空间的降维维度k重新训练自动编码器Autoencoder,若精确度阈值Pthre不被满足,即卷积神经网络分类器的精确度P<Pthre,则增加自编码器网络的隐空间的维度k以增加特征的关键信息;若运算时间上限Tthre不被满足,即卷积神经网络分类器的运算时间T>Tthre,则需要减少自编码器网络的隐空间的维度k以减少数据特征相量的信息冗余;直到卷积神经网络分类器同时满足精确度阈值Pthre与运算时间上限Tthre要求,则完成连续换相失败故障预警网络的训练。
2.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:
在步骤1中,所获得的原始运行数据应涵盖该交直流混联网络的所有可能运行方式。
3.根据权利要求2所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:
为了保证连续换相失败预警的可靠性,原始运行数据包含的故障数据以及非故障数据的数据规模应该保证相等。
4.根据权利要求3所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:
所述原始运行数据应至少为TB级别。
5.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:
在步骤2中,原始运行数据加窗的具体方法为:对所有的原始运行数据标定第一次换相失败的发生时刻,并从先前的测量数据记录中,读取该次换相失败的发生时刻之前1/8个工频周波的直流侧、交流侧电气信息以及控制***的触发脉冲信息,并且继续对直流侧、交流侧电气信息以及控制***的触发脉冲信息进行维持1/8个工频周波的测量录波,以得到设定时间窗内对应的初始特征向量。
6.根据权利要求5所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:
所述设定时间窗为5ms。
7.根据权利要求5或6所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:
所述初始特征向量包括5ms时间窗内的整流侧和逆变侧的直流电流Idr/i、直流电压vdr/i、交流侧电流Iacr/i、交流电压Uacr/i及触发角αr/i和换相重叠角μr/i。
9.根据权利要求8所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:
维度k的取值范围为[5,50]。
10.根据权利要求9所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:
维度k的优选值为10。
13.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:
若精确度阈值Pthre不被满足,则将维度k+1,然后返回步骤3。
14.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法,其特征在于:
若运算时间上限Tthre不被满足,则将维度k-1,然后返回步骤3。
15.根据权利要求 1 所述的 LCC-HVDC 连续换相失败故障预警网络训练方法,其特征在于:
所述重设计包括:增加或删减卷积层的层数、增加或删减特定卷积层对应的卷积核的通道数、增加或减少特定卷积层对应的卷积核的维度、以及增加或减少最后的全连接层的层数或者维度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811517211.7A CN109635732B (zh) | 2018-12-12 | 2018-12-12 | 一种lcc-hvdc连续换相失败故障预警网络训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811517211.7A CN109635732B (zh) | 2018-12-12 | 2018-12-12 | 一种lcc-hvdc连续换相失败故障预警网络训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635732A CN109635732A (zh) | 2019-04-16 |
CN109635732B true CN109635732B (zh) | 2020-10-09 |
Family
ID=66073012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811517211.7A Active CN109635732B (zh) | 2018-12-12 | 2018-12-12 | 一种lcc-hvdc连续换相失败故障预警网络训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635732B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110260914B (zh) * | 2019-05-06 | 2020-06-19 | 河海大学 | 一种基于测点时空特征的工程安全监测***区域划分方法 |
CN110968073B (zh) * | 2019-11-22 | 2021-04-02 | 四川大学 | 一种hvdc***换相失败故障原因双层溯源辨识方法 |
CN111239471B (zh) * | 2020-01-19 | 2021-02-19 | 华南理工大学 | 换相失败保护方法、装置、计算机设备及存储介质 |
CN113791294B (zh) * | 2021-09-07 | 2023-10-31 | 国网安徽省电力有限公司 | 一种边云协同的特高压直流输电***换相失败溯源方法 |
CN116341394B (zh) * | 2023-05-29 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 混合驱动模型训练方法、装置、计算机设备及存储介质 |
CN116961072B (zh) * | 2023-07-12 | 2024-06-18 | 山东大学 | 基于时空卷积网络的多直流连锁换相失败识别方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701996A (zh) * | 2009-11-26 | 2010-05-05 | 华南理工大学 | 一种高压直流***换相失败的判别方法及装置 |
KR20130035766A (ko) * | 2011-09-30 | 2013-04-09 | 한국전력공사 | Hvdc고장 분석 시스템 |
KR20150142763A (ko) * | 2014-06-11 | 2015-12-23 | 한국전력공사 | Hvdc 시스템의 전류실패 예측 제어 장치 |
CN107370174A (zh) * | 2017-06-29 | 2017-11-21 | 国家电网公司 | 一种高压直流输电***简化建模方法 |
CN108233435A (zh) * | 2017-12-26 | 2018-06-29 | 华中科技大学 | 一种特高压接入方式的量化评估指标体系及综合评估方法 |
CN108631351A (zh) * | 2018-04-28 | 2018-10-09 | 国网浙江省电力有限公司电力科学研究院 | 一种直流输电***换相失败的原因分析方法 |
-
2018
- 2018-12-12 CN CN201811517211.7A patent/CN109635732B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701996A (zh) * | 2009-11-26 | 2010-05-05 | 华南理工大学 | 一种高压直流***换相失败的判别方法及装置 |
KR20130035766A (ko) * | 2011-09-30 | 2013-04-09 | 한국전력공사 | Hvdc고장 분석 시스템 |
KR20150142763A (ko) * | 2014-06-11 | 2015-12-23 | 한국전력공사 | Hvdc 시스템의 전류실패 예측 제어 장치 |
CN107370174A (zh) * | 2017-06-29 | 2017-11-21 | 国家电网公司 | 一种高压直流输电***简化建模方法 |
CN108233435A (zh) * | 2017-12-26 | 2018-06-29 | 华中科技大学 | 一种特高压接入方式的量化评估指标体系及综合评估方法 |
CN108631351A (zh) * | 2018-04-28 | 2018-10-09 | 国网浙江省电力有限公司电力科学研究院 | 一种直流输电***换相失败的原因分析方法 |
Non-Patent Citations (3)
Title |
---|
Modeling and Analysis of Harmonic Stability in an;Xiongfei Wang 等;《TRANSACTIONS ON POWER ELECTRONICS》;20141231;第29卷(第12期);第6421-6432页 * |
小波能量偏度神经网络的HVDC换相失败故障诊断;朱艳 等;《电力***及其自动化学报》;20170228;第29卷(第2期);第39-44页 * |
配电***电压跌落状态估计中的不良数据辨识;张国辉 等;《电网技术》;20100831;第34卷(第8期);第69-73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109635732A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635732B (zh) | 一种lcc-hvdc连续换相失败故障预警网络训练方法 | |
Farshad et al. | A novel fault-location method for HVDC transmission lines based on similarity measure of voltage signals | |
US10422833B2 (en) | Systems and methods for classifying power line events | |
Luo et al. | Stacked auto-encoder-based fault location in distribution network | |
Gangwar et al. | A novel $ k $-means clustering and weighted $ k $-NN-regression-based fast transmission line protection | |
Ayyagari | Artificial neural network based fault location for transmission lines | |
CN102914726A (zh) | 一种用于同杆双回线路的故障定位方法 | |
CN103439624B (zh) | 基于电压故障分量的超高压线路故障选相方法 | |
Wang et al. | Calculation of the point-on-wave for voltage dips in three-phase systems | |
WO1997043811A1 (en) | Method for on-line dynamic contingency screening of electric power systems | |
CN114415056A (zh) | 一种分布式电源孤岛故障的检测方法 | |
CN102185293B (zh) | 线路故障跳闸可信度分析方法 | |
CN117031182B (zh) | 配电站所终端遥测值异常检测方法及*** | |
Venkata et al. | Data mining model based differential microgrid fault classification using svm considering voltage and current distortions | |
CN114731038A (zh) | 基于机器学习的用于在电力传输线路中干扰分类的方法和设备 | |
Yamashita et al. | Predicting power system voltage health index with PMUs and graph convolutional networks | |
Adewole | Investigation of methodologies for fault detection and diagnosis in electric power system protection | |
JP7257352B2 (ja) | 電力系統監視装置、電力系統監視方法、及び電力系統監視プログラム | |
Ensina et al. | Fault location in transmission lines based on lstm model | |
Silva et al. | Sampling frequency influence at fault locations using algorithms based on artificial neural networks | |
Che et al. | A new fault location identification method for transmission line using machine learning algorithm | |
CN108574278B (zh) | 一种广域保护***可靠性评估方法及装置 | |
CN116961072B (zh) | 基于时空卷积网络的多直流连锁换相失败识别方法及*** | |
EP4346040A1 (en) | Fault type identification method in electrical power system | |
CN114444905B (zh) | 基于优化k近邻法和过程免疫力的配电网暂降频次估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |