CN111723684B - 一种海上风电场内部暂态过电压类型的识别方法 - Google Patents

一种海上风电场内部暂态过电压类型的识别方法 Download PDF

Info

Publication number
CN111723684B
CN111723684B CN202010478764.7A CN202010478764A CN111723684B CN 111723684 B CN111723684 B CN 111723684B CN 202010478764 A CN202010478764 A CN 202010478764A CN 111723684 B CN111723684 B CN 111723684B
Authority
CN
China
Prior art keywords
frequency
transient overvoltage
offshore wind
wind farm
low
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
Application number
CN202010478764.7A
Other languages
English (en)
Other versions
CN111723684A (zh
Inventor
唐文虎
古一灿
周九
辛妍丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010478764.7A priority Critical patent/CN111723684B/zh
Publication of CN111723684A publication Critical patent/CN111723684A/zh
Application granted granted Critical
Publication of CN111723684B publication Critical patent/CN111723684B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Wind Motors (AREA)

Abstract

本发明提出一种海上风电场内部暂态过电压类型的识别方法。所述方法包括以下步骤：确定一种适用于提取海上风电场内部暂态过电压高频特征的数学形态学结构元素新算子；基于结构元素算子进行数学形态学分解，提取暂态过电压的高频信息，计算高频信息对应的高频能量值，从而建立一个高频特征量；运用小波变换方法对暂态过电压信号进行小波分解，提取其中的低频信息，计算低频信息对应的低频能量值；结合高频能量值和低频能量值，构造一个高低频能量比值识别指标；综合利用高频特征量和高低频能量比值识别指标作为识别特征量，基于支持向量机多级分类器来对海上风电场暂态过电压类型进行识别。本发明识别原理明确且计算复杂度较低，具有较强的实用性。

Description

一种海上风电场内部暂态过电压类型的识别方法
技术领域
本发明涉及电力***故障诊断应用领域，具体涉及一种海上风电场内部暂态过电压类型的识别方法。
背景技术
经调研海上风电场的运行过程中存在较多问题，例如风电机组脱网和风电场设备绝缘损坏退出运行等故障，其中涉及内部过电压保护的问题更是突出。由于海上风电场的设计具有其自身的特性，例如，海上风电场风机群由大量相同设备组建，内部电气***是电缆网络，风机之间的距离远，集电***长电缆的容性效应，风电场内部电气设备频繁开合或投切等，这些不同于传统电力架空线的拓扑结构和参数特性引起的内部高频暂态过电压问题尤其严重。由于海上风力发电在我国属于新兴的行业，针对海上风电场内部过电压的研究近期才引起重视。海上风电***的过电压保护主要包括风电机组、升压站、场内输电线路过电压保护及防雷接地等三大部分，本发明所关注的是由于电气设备的频繁操作所导致的海上风电场内部过电压问题。
海上风电场设备在遭受到工频、操作及雷电等过电压的多次冲击后，会由于累积效应引发设备突发性故障，严重影响风电机组安全运行。据相关研究表明，过电压对海上风电场的危害主要体现在对风机端升压变压器的绝缘破坏上，快速准确辨识出升压变压器端口的过电压信号，不仅有利于准确判断引发此过电压的故障类型，也有利于指导改善海上风电场变电站电气设备的绝缘配合。
现有的电力***过电压分类识别研究有许多，但目前针对海上风电场过电压分类识别的研究仍存在空白。文献(Lobos T，Rezmer J，Janik P，et al.Application ofwavelets and prony method for disturbance detection in fixed speed windfarms.Electrical Power and Energy Systems，2009，31：429-436.)提出了一种小波-Prony方法来提取风电场电压振荡信号的频率、幅值和相对相位。文献(黄艳玲，司马文霞，杨庆，等.基于实测数据的电力***过电压分类识别[J].电力***自动化，2012，36(4)：85-90.)采用小波多分辨率变换分析电力***过电压，实现了过电压的分类识别。文献(杜林，李欣，司马文霞，等.S变换模矩阵和最小二乘SVM在雷电及操作过电压识别中的应用[J].电力自动化设备，2012，32(8)：35-40.)采用S变换来提取高压输电线路中的过电压故障特征量。以上研究表明基于积分变换的时频域分解算法，可对电力***中的过电压信号实现分类识别。但小波变换和S变换等分解算法，在处理海上风电场内部暂态过电压信号等复杂非线性高频信息时，会存在能量泄露、频域混淆与频段特征干扰的问题。
数学形态学属于非线性数学分析方法，适用于信号时域特征分析，在信号处理方面具有幅值不衰减、相位不偏移的优点，且数据窗口小、计算速度快。利用数学形态学处理海上风电场内部暂态过电压时，可以在一定程度上解决上述方法在处理复杂非线性高频信号存在的频段分解问题。本文首先提出了一种新的形态学结构算子，并运用数学形态学分解方法提取暂态过电压的高频信息并计算对应的高频能量值，构造了一个高频特征量。然后通过小波变换来提取暂态过电压的低频信息并计算对应的低频能量值，并与数学形态学所获取的高频能量值结合计算出一个高低频能量比值(HRL，High frequency energyRelative to Low frequency energy)。最后综合利用高频特征量和HRL识别特征量，基于支持向量机多级分类器模型对不同类型的海上风电场内部暂态过电压分类识别。
发明内容
本发明主要解决的技术问题是针对海上风电场真空断路器频繁投切或故障所引起的暂态过电压的情况，提出一种基于数学形态学和小波变换的海上风电场内部暂态过电压类型识别方法。所识别的暂态过电压波形参考附图一。
本发明的目的至少通过如下技术方案之一实现。
一种海上风电场内部暂态过电压类型的识别方法，包括以下步骤：
S1、确定一种适用于提取海上风电场内部暂态过电压高频特征的数学形态学结构元素新算子；
S2、基于步骤S1中提出的结构元素算子进行数学形态学分解，提取暂态过电压的高频信息，计算高频信息对应的高频能量值，从而建立一个高频特征量；
S3、运用小波变换方法对暂态过电压信号进行小波分解，提取其中的低频信息，计算低频信息对应的低频能量值；
S4、结合数学形态学提取的高频能量值和小波变换提取的低频能量值，构造一个高低频能量比值(HRL，High frequency energy Relative to Low frequency energy)识别指标；
S5、综合利用高频特征量和高低频能量比值识别指标作为识别特征量，基于支持向量机多级分类器来对海上风电场暂态过电压类型进行识别。
进一步地，步骤S1中，根据数学形态学常用结构元素进行组合测试，并结合实际波形特点，提出一种能有效提取海上风电场暂态过电压高频特征的新结构元素；所述数学形态学常用结构元素包括直线、三角形和正余弦；
所述新结构元素为多层数学形态学结构元素，多层数学形态学结构元素算子的每一层形状相似，为了达到保留稳态信息且尽可能地提取高频特征信息的目的，每一层结构算子的幅值应不小于电力***信号中的过电压最大变化幅值；每层结构元素的长度满足以下公式：
Ln＝6·2n-1·m+1,n＝1,2,...,N；
式中n为对应的结构层数，N为所选取的总层数，m为对应的长度基数，其具体数值需要根据实际情况人为设定，且与所处理数据的长度有关；数据长度越长，m的取值越大；
所述新结构元素的构造公式如下：
式中，Gn为第n层结构算子函数，Ap为过电压信号的最大变化幅值，Ln为第n层的结构元素长度，mn为对应第n层的长度基数。
进一步地，步骤S2中，使用步骤S1中所提出的新结构元素，对海上风电场因故障或操作工况所引起暂态过电压信号进行数学形态学多层分解，数学形态学运算具体如下：
其中，f和g分别表示***信号和结构元素，○为形态学开运算符，●为形态学闭运算符；
得到时域上的暂态过电压的剩余信息和高频特征信息，具体如下：
式中，Gn分别为第n层形态学结构算子；F0(x)为原始暂态过电压信号，Fn(x)为第n层分解的剩余信息，M(Fn-1,Gn)(x)为第n层的高频分解信息；Y(x)为对应的形态学高频分解信息值结果之和；
再计算原始暂态过电压信号A、B、C三相对应的高频能量值，从而建立一个高频特征量，具体如下：
Hk＝E(Yk(x)),k＝A,B,C；
式中，Yk(x)表示第k相的数学形态学分解的高频信息，E(·)为计算电压能量值的函数，Hk表示第k相的高频能量值；将过电压信号的A、B、C三相的高频能量值从高到低排序，定义高频特征量为：ζ＝[H1 H2 H3]，式中H1,H2,H3分别为三相高频能量值中的最大值、中间值和最小值。
进一步地，所述计算电压能量值的函数具体定义如下：
式中，x为输入信号，Dx为输入信号的定义域，num为输入信号长度，E(x)为输入信号的电压能量值，为了选取有效信号计算电压能量值，采取了阈值处理，计算绝对值大于q的信号电压能量值，q取0.5kV。
进一步地，步骤S3中，对海上风电场内部暂态过电压信号进行快速傅里叶变换分解得到信号幅频特性，据此得出海上风电场内部暂态过电压信号的低频信息所在频段；再根据暂态过电压信号的采样频率和奈奎斯特采样定理，确定小波分解层数，以获取海上风电场内部暂态过电压信号的低频信息；选择适用于处理电力***信号的db类小波分解基，从而对暂态过电压信号进行小波分解，得到过电压信号的低频信息，计算其对应的低频能量值，具体如下：
将过电压低频信息的电压能量值用于表征低频能量值，定义为：
Lk＝E(Xk(x)),k＝A,B,C；
式中，Xk(x)表示第k相的小波分解的过电压低频信息，E(·)表示计算电压能量值的函数，Lk表示第k相的低频能量值。
进一步地，在步骤S4中，结合步骤S2和步骤S3中获取的高频能量值和低频能量值，计算基于时域和频域信息的高低频能量比值，作为对不同类型的海上风电场内部暂态过电压分类识别的一个特征量，具体如下：
其中，HRL表示高低频能量比值，HA、HB、HC分别为A、B、C三相的高频能量值，LA、LB、LC分别A、B、C三相的低频能量值。
进一步地，在步骤S5中，使用步骤S3和步骤S4中计算的高频特征量和高低频能量比值识别指标作为识别特征量，以海上风电场内部暂态过电压仿真数据作为学习样本，对支持向量机多级分类器进行训练和学习；将经海上风电场内部暂态过电压仿真数据训练后得到的支持向量机多级分类器，用于实现对海上风电场内部暂态过电压实测数据的分类识别；通过基于PSCAD/EMTDC的仿真数据和海上风电场暂态过电压实测数据进行测试，根据测试结果确定识别结果准确是否可靠，进而有效识别海上风电场多种暂态过电压类型。
进一步地，所述对支持向量机多级分类器进行训练和学习，具体如下：
首先将其中一部分仿真数据作为训练样本，并将输入特征量进行标一化预处理，并对训练样本集打标签；再调整支持向量机多级分类器的优化参数，用以获取符合精度要求的分类器；最后将剩余的仿真数据样本用以检验所获取的分类器精度是否满足要求，从而得到支持向量机多级分类器。
相比于现有技术，本发明的优点在于：
本方法原理明确且计算复杂度低，具有较强的实用性，所提出的过电压分类识别指标结合了实际波形在时域和频域上的信息，可以定量地对不同海上风电场暂态过电压进行准确分类。
附图说明
图1为本发明实施例中实测海上风电场带感性负荷分闸暂态过电压波形图；
图2为本发明实施例中实测海上风电场带感性负荷合闸暂态过电压波形图；
图3为本发明实施例中实测海上风电场空载分闸暂态过电压波形图；
图4为本发明实施例中实测海上风电场空载合闸暂态过电压波形图；
图5为本发明实施例中提出的结构元素算子示意图；
图6为本发明实施例中带感性负荷分闸的暂态过电压波形；
图7为本发明实施例中带感性负荷分闸的暂态过电压波形的第一层分解图；
图8为本发明实施例中带感性负荷分闸的暂态过电压波形的第二层分解图；
图9为本发明实施例中带感性负荷分闸的暂态过电压波形的第三层分解图；
图10为本发明实施例中带感性负荷分闸的暂态过电压波形的差值总波形图；
图11为本发明实施例中一种海上风电场内部暂态过电压类型的识别方法的流程图；
图12为本发明实施例中仿真数据分类与实际标签对比图；
图13为本发明实施例中实验数据分类与实际标签对比图。
具体实施方式
下面结合实施例及附图，对本发明的具体实施作进一步地详细说明，但本发明的实施方式不限于此。
实施例：
一种海上风电场内部暂态过电压类型的识别方法，如图11所示，包括以下步骤：
S1、确定一种适用于提取海上风电场内部暂态过电压高频特征的数学形态学结构元素新算子；
根据数学形态学常用结构元素进行组合测试，并结合实际波形特点，提出一种能有效提取海上风电场暂态过电压高频特征的新结构元素；所述数学形态学常用结构元素包括直线、三角形和正余弦；
所述新结构元素为多层数学形态学结构元素，多层数学形态学结构元素算子的每一层形状相似，为了达到保留稳态信息且尽可能地提取高频特征信息的目的，每一层结构算子的幅值应不小于电力***信号中的过电压最大变化幅值；每层结构元素的长度满足以下公式：
Ln＝6·2n-1·m+1,n＝1,2,...,N；
式中n为对应的结构层数，N为所选取的总层数，m为对应的长度基数，其具体数值需要根据实际情况人为设定，且与所处理数据的长度有关；数据长度越长，m的取值越大；
本实施例中，N取3；由于暂态过电压仿真数据的长度小于暂态过电压实测数据的长度，在处理暂态过电压仿真和实测数据时，m分别取2和10；
所述新结构元素的构造公式如下：
式中，Gn为第n层结构算子函数，Ap为过电压信号的最大变化幅值，Ln为第n层的结构元素长度，mn为对应第n层的长度基数；在本实施例中，N取3；数学形态学结构元素形状如图5所示。
S2、基于步骤S1中提出的结构元素算子进行数学形态学分解，提取暂态过电压的高频信息，计算高频信息对应的高频能量值，从而建立一个高频特征量；
本实施例中，根据步骤S1中所提出的新结构元素对海上风电场暂态过电压信号进行数学形态学三层分解，数学形态学运算具体如下：
其中，f和g分别表示***信号和结构元素，○为形态学开运算符，●为形态学闭运算符；
得到时域上的暂态过电压的剩余信息和高频特征信息，具体如下：
F1(x)＝F0(x)-M(F,G1)(x)
F2(x)＝F1(x)-M(F1,G2)(x)
F3(x)＝F2(x)-M(F2,G3)(x)
Y(x)＝M(F,G1)(x)+M(F1,G2)(x)+M(F2,G3)(x)
式中，G1,G2,G3分别为第一层、第二层和第三层形态学结构算子；F0(x)为原始暂态过电压信号，F1(x)，F2(x)，F3(x)分别为第一层、第二层和第三层分解的剩余信息，M(F,G1)(x)、M(F1,G2)(x)、M(F2,G3)(x)分别为第一层、第二层和第三层的高频分解信息；Y(x)为对应的形态学高频分解信息值结果之和；
本实施例中，以一组带感性负荷断路器的分闸数据波形为例，分解结果如图6、图7、图8、图9、图10所示。经数学形态学分解后的波形对原始暂态过电压中的平稳变化部分进行抑制消除，该部分在时域上表现为分布在零值附近的信号。而对于原始暂态过电压中的陡峭突变部分，在分解波形中体现为时域上一系列的脉冲波。该脉冲波准确捕获原始暂态过电压突变的时间，与暂态过电压波形中的陡峭突变部分相对应。相较原始暂态过电压，分解波形在时域上具备更高的识别度，可直观地反映原始暂态过电压变化特性。此外，随着分解层数的增加，分解波形所提取的突变信号值也在增加。在本实施例中，当分解层数为3时，此时的差值总波形已足够获取原始暂态过电压的突变信号值，可用于表征原始暂态过电压的高频特征信息。
再计算原始暂态过电压信号A、B、C三相对应的高频能量值，从而建立一个高频特征量，具体如下：
Hk＝E(Yk(x)),k＝A,B,C；
式中，Yk(x)表示第k相的数学形态学分解的高频信息，E(·)为计算电压能量值的函数，Hk表示第k相的高频能量值；将过电压信号的A、B、C三相的高频能量值从高到低排序，定义高频特征量为：ζ＝[H1 H2 H3]，式中H1,H2,H3分别为三相高频能量值中的最大值、中间值和最小值。
所述计算电压能量值的函数具体定义如下：
式中，x为输入信号，Dx为输入信号的定义域，num为输入信号长度，E(x)为输入信号的电压能量值，为了选取有效信号计算电压能量值，采取了阈值处理，计算绝对值大于q的信号电压能量值，q取0.5kV。
S3、运用小波变换方法对暂态过电压信号进行小波分解，提取其中的低频信息，计算低频信息对应的低频能量值；
本实施例中，考虑到db类小波基函数在处理电力***信号时有良好的效果，通过多种db小波基协相关系数的比较，最终选定db16小波基函数作为分解函数。采用快速傅里叶分解方法对暂态过电压信号进行分解，可以得出低频信息主要集中在0～600Hz频段。再由暂态过电压信号的采样频率和奈奎斯特采样定理确定小波分解层数，以获取包含0～600Hz频段的信息。最后根据过电压低频信息计算其对应的低频能量值，具体如下：
将过电压低频信息的电压能量值用于表征低频能量值，定义为：
Lk＝E(Xk(x)),k＝A,B,C；
式中，Xk(x)表示第k相的小波分解的过电压低频信息，E(·)表示计算电压能量值的函数，Lk表示第k相的低频能量值。
S4、结合数学形态学提取的高频能量值和小波变换提取的低频能量值，构造一个高低频能量比值(HRL，High frequency energy Relative to Low frequency energy)识别指标；
结合步骤S2和步骤S3中获取的高频能量值和低频能量值，计算基于时域和频域信息的高低频能量比值，作为对不同类型的海上风电场内部暂态过电压分类识别的一个特征量，具体如下：
其中，HRL表示高低频能量比值，HA、HB、HC分别为A、B、C三相的高频能量值，LA、LB、LC分别A、B、C三相的低频能量值。
S5、综合利用高频特征量和高低频能量比值识别指标作为识别特征量，基于支持向量机多级分类器来对海上风电场暂态过电压类型进行识别；
使用步骤S3和步骤S4中计算的高频特征量和高低频能量比值识别指标作为识别特征量，以海上风电场内部暂态过电压仿真数据作为学习样本，对支持向量机多级分类器进行训练和学习，具体如下：
首先将其中一部分仿真数据作为训练样本，并将输入特征量进行标一化预处理，并对训练样本集打标签；再调整支持向量机多级分类器的优化参数，用以获取符合精度要求的分类器；最后将剩余的仿真数据样本用以检验所获取的分类器精度是否满足要求，从而得到支持向量机多级分类器；
将经海上风电场内部暂态过电压仿真数据训练后得到的支持向量机多级分类器，用于实现对海上风电场内部暂态过电压实测数据的分类识别；通过基于PSCAD/EMTDC的仿真数据和海上风电场暂态过电压实测数据进行测试，根据测试结果确定识别结果准确是否可靠，进而有效识别海上风电场多种暂态过电压类型。
本实施例中，所处理的海上风电场四种内部暂态过电压实测波形如图1到图4所示。图1、图2、图3、图4分别代表带感性负荷分闸、带感性负荷合闸、空载分闸和空载合闸四种波形。
在本实施例中，首先基于PSCAD/EMDTC仿真软件对广东某海上风电场建模，搭建海上风电场等效仿真平台来获取带感性负荷分闸、带感性负荷合闸、空载分闸、和空载合闸四种过电压类型数据各30组，总计120组的仿真样本数据。将其中60组仿真样本数据对支持向量机多级分类器进行训练，再以剩余的60组数据作为检测样本，结果表明分类器识别准确率达到100％，结果如图12所示。再通过对广东某海上风电场集电***模拟的实验平台获取带感性负荷分闸、带感性负荷合闸、空载分闸、和空载合闸四种类型各8组，总计32组的实验样本数据作为测试样本，以基于仿真数据训练的支持向量机多级分类器进行识别，结果表明分类器识别准确率为93.75％，如图13所示，测试结果表明本发明可以准确地判断出海上风电场不同类型的暂态过电压。
上述实施例为本发明较佳的实施方式，通过上述的说明内容，相关工作人员可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (5)

1.一种海上风电场内部暂态过电压类型的识别方法，其特征在于，包括以下步骤：
S1、确定一种适用于提取海上风电场内部暂态过电压高频特征的数学形态学结构元素新算子；
S2、基于步骤S1中提出的结构元素算子进行数学形态学分解，提取暂态过电压的高频信息，计算高频信息对应的高频能量值，从而建立一个高频特征量；根据数学形态学常用结构元素进行组合测试，并结合实际波形特点，提出一种能有效提取海上风电场暂态过电压高频特征的新结构元素；所述数学形态学常用结构元素包括直线、三角形和正余弦；
所述新结构元素为多层数学形态学结构元素，多层数学形态学结构元素算子的每一层形状相似，为了达到保留稳态信息且尽可能地提取高频特征信息的目的，每一层结构算子的幅值应不小于电力***信号中的过电压最大变化幅值；每层结构元素的长度满足以下公式：
Ln＝6·2n-1·m+1,n＝1,2,...,N；
式中n为对应的结构层数，N为所选取的总层数，m为对应的长度基数，其具体数值需要根据实际情况人为设定，且与所处理数据的长度有关；数据长度越长，m的取值越大；
所述新结构元素的构造公式如下：
式中，Gn为第n层结构算子函数，Ap为过电压信号的最大变化幅值，Ln为第n层的结构元素长度，mn为对应第n层的长度基数；
S3、运用小波变换方法对暂态过电压信号进行小波分解，提取其中的低频信息，计算低频信息对应的低频能量值；使用步骤S1中所提出的新结构元素，对海上风电场因故障或操作工况所引起暂态过电压信号进行数学形态学多层分解，数学形态学运算具体如下：
其中，f和g分别表示***信号和结构元素，为形态学开运算符，·为形态学闭运算符；
得到时域上的暂态过电压的剩余信息和高频特征信息，具体如下：
式中，Gn分别为第n层形态学结构算子；F0(x)为原始暂态过电压信号，Fn(x)为第n层分解的剩余信息，M(Fn-1,Gn)(x)为第n层的高频分解信息；Y(x)为对应的形态学高频分解信息值结果之和；
再计算原始暂态过电压信号A、B、C三相对应的高频能量值，从而建立一个高频特征量，具体如下：
Hk＝E(Yk(x)),k＝A,B,C；
式中，Yk(x)表示第k相的数学形态学分解的高频信息，E(·)为计算电压能量值的函数，Hk表示第k相的高频能量值；将过电压信号的A、B、C三相的高频能量值从高到低排序，定义高频特征量为：ζ＝[H1 H2 H3]，式中H1,H2,H3分别为三相高频能量值中的最大值、中间值和最小值；所述计算电压能量值的函数具体定义如下：
式中，x为输入信号，Dx为输入信号的定义域，num为输入信号长度，E(x)为输入信号的电压能量值，为了选取有效信号计算电压能量值，采取了阈值处理，计算绝对值大于q的信号电压能量值，q取0.5kV；
S4、结合数学形态学提取的高频能量值和小波变换提取的低频能量值，构造一个高低频能量比值识别指标；
S5、综合利用高频特征量和高低频能量比值识别指标作为识别特征量，基于支持向量机多级分类器来对海上风电场暂态过电压类型进行识别。
2.根据权利1所述的一种海上风电场内部暂态过电压类型的识别方法，步骤S3中，对海上风电场内部暂态过电压信号进行快速傅里叶变换分解得到信号幅频特性，据此得出海上风电场内部暂态过电压信号的低频信息所在频段；再根据暂态过电压信号的采样频率和奈奎斯特采样定理，确定小波分解层数，以获取海上风电场内部暂态过电压信号的低频信息；选择适用于处理电力***信号的db类小波分解基，从而对暂态过电压信号进行小波分解，得到过电压信号的低频信息，计算其对应的低频能量值，具体如下：
将过电压低频信息的电压能量值用于表征低频能量值，定义为：
Lk＝E(Xk(x)),k＝A,B,C；
式中，Xk(x)表示第k相的小波分解的过电压低频信息，E(·)表示计算电压能量值的函数，Lk表示第k相的低频能量值。
3.根据权利1所述的一种海上风电场内部暂态过电压类型的识别方法，其特征在于，在步骤S4中，结合步骤S2和步骤S3中获取的高频能量值和低频能量值，计算基于时域和频域信息的高低频能量比值，作为对不同类型的海上风电场内部暂态过电压分类识别的一个特征量，具体如下：
其中，HRL表示高低频能量比值，HA、HB、HC分别为A、B、C三相的高频能量值，LA、LB、LC分别A、B、C三相的低频能量值。
4.根据权利1所述的一种海上风电场内部暂态过电压类型的识别方法，其特征在于，在步骤S5中，使用步骤S3和步骤S4中计算的高频特征量和高低频能量比值识别指标作为识别特征量，以海上风电场内部暂态过电压仿真数据作为学习样本，对支持向量机多级分类器进行训练和学习；将经海上风电场内部暂态过电压仿真数据训练后得到的支持向量机多级分类器，用于实现对海上风电场内部暂态过电压实测数据的分类识别；通过基于PSCAD/EMTDC的仿真数据和海上风电场暂态过电压实测数据进行测试，根据测试结果确定识别结果准确是否可靠，进而有效识别海上风电场多种暂态过电压类型。
5.根据权利4所述的一种海上风电场内部暂态过电压类型的识别方法，其特征在于，所述对支持向量机多级分类器进行训练和学习，具体如下：
首先将其中一部分仿真数据作为训练样本，并将输入特征量进行标一化预处理，并对训练样本集打标签；再调整支持向量机多级分类器的优化参数，用以获取符合精度要求的分类器；最后将剩余的仿真数据样本用以检验所获取的分类器精度是否满足要求，从而得到支持向量机多级分类器。
CN202010478764.7A 2020-05-29 2020-05-29 一种海上风电场内部暂态过电压类型的识别方法 Active CN111723684B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010478764.7A CN111723684B (zh) 2020-05-29 2020-05-29 一种海上风电场内部暂态过电压类型的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010478764.7A CN111723684B (zh) 2020-05-29 2020-05-29 一种海上风电场内部暂态过电压类型的识别方法

Publications (2)

Publication Number Publication Date
CN111723684A CN111723684A (zh) 2020-09-29
CN111723684B true CN111723684B (zh) 2023-07-21

Family

ID=72565553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010478764.7A Active CN111723684B (zh) 2020-05-29 2020-05-29 一种海上风电场内部暂态过电压类型的识别方法

Country Status (1)

Country Link
CN (1) CN111723684B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112684282B (zh) * 2020-11-12 2022-07-19 国网河北省电力有限公司电力科学研究院 配电网单相接地故障识别方法、装置及终端设备
CN112858902B (zh) * 2021-02-02 2023-01-24 南方电网数字电网研究院有限公司 微型断路器监测方法、装置、计算机设备和存储介质
CN113343877B (zh) * 2021-06-18 2022-02-08 上海梦象智能科技有限公司 基于不同Prony方法的电器指纹特征提取方法
CN115144647B (zh) * 2022-08-30 2022-12-30 国网江西省电力有限公司电力科学研究院 一种过电压智能识别方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135558A (zh) * 2010-11-05 2011-07-27 重庆市电力公司綦南供电局 过电压数据采集分层识别***及类型分层模式识别方法
CN102445620A (zh) * 2011-11-21 2012-05-09 东北大学 一种暂态电能质量检测装置和方法
CN103197124A (zh) * 2013-03-14 2013-07-10 重庆市电力公司电力科学研究院 基于时频矩阵奇异值的过电压识别方法
CN103197135A (zh) * 2013-03-29 2013-07-10 国家电网公司 一种暂态过电压监测方法
CN105447502A (zh) * 2015-11-05 2016-03-30 国家电网公司 一种基于s变换和改进svm算法的暂态电能扰动识别方法
CN106227912A (zh) * 2016-07-04 2016-12-14 华南理工大学 获取简化风电场电缆***不对称短路故障下最大暂态过电压的分析方法
CN106771520A (zh) * 2016-12-15 2017-05-31 福州大学 一种配电网暂时过电压分类识别方法及装置
CN108181107A (zh) * 2018-01-12 2018-06-19 东北电力大学 计及多分类目标的风电机组轴承机械故障诊断方法
CN108508268A (zh) * 2018-04-02 2018-09-07 山西大学 一种基于时频域分解的新型数字式闪变仪
CN109782158A (zh) * 2019-02-19 2019-05-21 桂林电子科技大学 一种基于多级分类的模拟电路诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6462554B2 (en) * 2000-02-15 2002-10-08 Intel Corporation System and method for deterring operation of a system outside a specified frequency range

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135558A (zh) * 2010-11-05 2011-07-27 重庆市电力公司綦南供电局 过电压数据采集分层识别***及类型分层模式识别方法
CN102445620A (zh) * 2011-11-21 2012-05-09 东北大学 一种暂态电能质量检测装置和方法
CN103197124A (zh) * 2013-03-14 2013-07-10 重庆市电力公司电力科学研究院 基于时频矩阵奇异值的过电压识别方法
CN103197135A (zh) * 2013-03-29 2013-07-10 国家电网公司 一种暂态过电压监测方法
CN105447502A (zh) * 2015-11-05 2016-03-30 国家电网公司 一种基于s变换和改进svm算法的暂态电能扰动识别方法
CN106227912A (zh) * 2016-07-04 2016-12-14 华南理工大学 获取简化风电场电缆***不对称短路故障下最大暂态过电压的分析方法
CN106771520A (zh) * 2016-12-15 2017-05-31 福州大学 一种配电网暂时过电压分类识别方法及装置
CN108181107A (zh) * 2018-01-12 2018-06-19 东北电力大学 计及多分类目标的风电机组轴承机械故障诊断方法
CN108508268A (zh) * 2018-04-02 2018-09-07 山西大学 一种基于时频域分解的新型数字式闪变仪
CN109782158A (zh) * 2019-02-19 2019-05-21 桂林电子科技大学 一种基于多级分类的模拟电路诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Internal overvoltages in transformer windings in frequency domain;Marek Florkowski 等;《2010 Annual Report Conference on Electrical Insulation and Dielectric Phenomena》;20101231;1-4 *
S变换模矩阵和最小二乘SVM在雷电及操作;杜林 等;《电力自动化设备》;20120831;第32卷(第8期);35-40 *
基于稀疏自编码的过电压特征提取与分类方法;刘明军 等;《High Voltage Apparatus》;20191016;第55卷(第10期);70-75 *

Also Published As

Publication number Publication date
CN111723684A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN111723684B (zh) 一种海上风电场内部暂态过电压类型的识别方法
CN109444656B (zh) 一种变压器绕组变形位置的在线诊断方法
CN107167702A (zh) 一种配电网馈线故障类型识别方法及装置
CN109444667B (zh) 基于卷积神经网络的配电网早期故障分类方法及装置
CN106226635A (zh) 一种配电网馈线故障类型识别方法及装置
CN109443190B (zh) 基于暂态行波的变压器绕组变形在线监测方法及装置
CN112462193B (zh) 一种基于实时故障滤波数据的配电网自动重合闸判断方法
CN113191192A (zh) 基于小波分析与模糊神经网络算法的断路器故障检测方法
Li et al. A fault pattern and convolutional neural network based single-phase earth fault identification method for distribution network
CN111999591B (zh) 一种配电网一次设备异常状态的识别方法
Nguyen et al. Wavelet-based Neural Network for recognition of faults at NHABE power substation of the Vietnam power system
Li et al. Ferromagnetic resonance over-voltage identification method based on Gram angle field
CN114742295A (zh) 一种基于小波变换技术的设备用电故障预测方法
CN107578016B (zh) 一种基于稀疏表示的剩余电流波形自动识别方法
Lavanya et al. A deep learning technique for detecting high impedance faults in medium voltage distribution networks
Zhang et al. Two terminals protection method for HVDC transmission lines based on maximal overlap discrete wavelet transform and cross-correlation coefficient of traveling wave
Gangwar et al. Detection and classification of faults on transmission line using time-frequency approach of current transients
Yican et al. Feature analysis of overvoltage in offshore wind farms using mathematical morphology
CN115130516A (zh) 一种基于图谱功率谱熵的gis设备状态辨识方法及装置
Zeng et al. High impedance fault detection in distribution network based on S-transform and average singular entropy
Viet et al. A method for monitoring voltage disturbances based on discrete wavelet transform and adaptive linear neural network
Asman et al. Fault signature analysis for medium voltage overhead line based on new characteristic indices
Mohod et al. MLP-neural network based detection and classification of Power Quality Disturbances
Liu et al. Partial Discharge Detection Method for Distribution Network Based on Feature Engineering
Zhang et al. A fast fault detection method for controlled fault interruption based on wavelet singularities and BP neural network

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