CN112051481B - 一种基于lstm的交直流混联电网故障区域诊断方法和*** - Google Patents

一种基于lstm的交直流混联电网故障区域诊断方法和*** Download PDF

Info

Publication number
CN112051481B
CN112051481B CN202010810874.9A CN202010810874A CN112051481B CN 112051481 B CN112051481 B CN 112051481B CN 202010810874 A CN202010810874 A CN 202010810874A CN 112051481 B CN112051481 B CN 112051481B
Authority
CN
China
Prior art keywords
fault
judgment
moment
model
judgment model
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
CN202010810874.9A
Other languages
English (en)
Other versions
CN112051481A (zh
Inventor
姚伟
李舟平
曾令康
艾小猛
马士聪
赵兵
文劲宇
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.)
Huazhong University of Science and Technology
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Hubei Electric Power Co Ltd
Original Assignee
Huazhong University of Science and Technology
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Hubei Electric Power Co Ltd
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 Huazhong University of Science and Technology, State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Hubei Electric Power Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202010810874.9A priority Critical patent/CN112051481B/zh
Publication of CN112051481A publication Critical patent/CN112051481A/zh
Application granted granted Critical
Publication of CN112051481B publication Critical patent/CN112051481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电力***输电安全技术领域，公开了一种基于LSTM的交直流混联电网故障区域诊断方法和***。包括：构建电力***时域仿真模型仿真多种工况获取全网节点电压幅值及对应标签得到基础样本集；用滑动窗口方法截取基础样本获得训练故障时刻判断模型和故障区域判断模型的样本集合进行训练并适当调整模型相关参数；输入当前滑动窗口时刻的样本，故障时刻判断模型判断是否发生故障，如果确认发生故障则将样本输入故障区域判断模型，获得故障位置；最后输出当前故障诊断信息。本发明利用深度神经网络能快速有效地确定电网中的故障发生时刻并且确定故障区域，在不同运行工况及一定噪声条件下都具有较好的性能，能适应复杂电力***中故障诊断的需求。

Description

一种基于LSTM的交直流混联电网故障区域诊断方法和***
技术领域
本发明属于电力***输电安全技术领域，更具体地，涉及一种基于LSTM的交直流混联电网故障区域诊断方法和***。
背景技术
电力***在发生故障后进行快速而准确的故障诊断对于清除故障恢复供电和维持***稳定具有重要意义。随着直流***的大规模接入，我国电网交直流耦合日益紧密，交流***发生的故障很容易引起直流***的换相失败甚至闭锁，进而影响电力***的稳定性。传统的基于交流***继电保护的诊断方法难以直接应用于交直流混联电网进行有效的故障诊断。由于交直流混联电网中直流***的非线性及直流控制的复杂性，其故障暂态过程与纯交流***相比更为复杂，所以交直流混联电网运行中复杂故障相比于传统电网故障更加难以判别。另外，由于直流***中电力电子开关工作的频率很快，使得传统的故障诊断、隔离和控制措施投入在动作速度上无法满足实际需求。
目前，很多基于专家***、贝叶斯网络、Petri网、模糊逻辑理论等方法的智能诊断方案已经被提出，但是这些方法仍然都各自存在一些问题。例如，专家***的建立、更新和维护较为复杂；贝叶斯网络中对于节点的赋值需要大量观察和统计分析才能得出；Petri网的建模容易由于网络节点数量的增多而出现状态组合***的问题；模糊逻辑理论中需要设置合适的隶属度函数才能获得更好的性能。但随着人工智能技术的快速发展，以深度神经网络中CNN和LSTM(Long Short-Term Memory，长短期记忆)为代表的深度学习方法提供了一种新的解决思路，从而解决上述交直流混联电网故障区域诊断的相关问题。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于LSTM的交直流混联电网故障区域诊断方法和***，旨在解决现有电力***故障诊断方法依赖于专家知识和经验、需要人工筛选有效特征、模型参数整定比较困难，无法有效适用于交直流混联电网，从而影响故障诊断的准确性的技术问题。
为实现上述目的，本发明的一方面提供了一种基于LSTM的交直流混联电网故障区域诊断方法，包括：
(1)构建交直流混联电网时域仿真模型，在多种运行工况下仿真获取全网节点电压幅值数据，并标注对应故障情况的标签构成基础样本集；
(2)使用LSTM神经网络分别构建故障时刻判断模型和故障区域判断模型，采用滑动窗口方式截取所述基础样本集构成分别用于训练和测试所述故障时刻判断模型和故障区域判断模型的样本集合，即训练集和测试集；
(3)采用所述训练集对所述故障时刻判断模型和故障区域判断模型进行训练，然后根据所述故障时刻判断模型和故障区域判断模型在所述测试集上的性能调整这两个判断模型中的神经网络超参数和模型辅助参数，重复训练直至这两个判断模型在所述测试集上满足性能要求；
(4)投入在线应用时，根据所述故障时刻判断模型经过累计判定后确认是否发生故障，若是，再根据所述故障区域判断模型确定故障发生位置，否则直接生成当前的故障诊断信息。
进一步地，所述故障时刻判断模型为一个LSTM神经网络模型；所述故障时刻判断模型接收所述滑动窗口截取的采样电压幅值数据X，并经过z-score标准化后作为神经网络的输入，然后输出在当前输入下是否发生故障的判定结果，若发生故障，则输出判定的故障发生时刻tf′。
进一步地，所述故障区域判断模型为一个LSTM神经网络模型；在所述故障时刻判断模型已经确认故障并给出判定的故障发生时刻tf′后、延迟若干时间Δtl直到第tf′+Δtl个时刻采用滑动窗口截取的电压幅值数据X，再经过z-score标准化后输入到所述故障区域判断模型中。
进一步地，所述步骤(4)包括：
(401)在每个采样时刻，用所述滑动窗口方式截取的当前时刻下的电压幅值数据输入故障时刻判断模型，预判当前时刻是否发生故障；预判结果需要经过累计判定后确认是否发生故障，若是，故障时刻判断模型的累计判定次数清零，并执行步骤402，若否，执行步骤403；
(402)在确认故障发生后，将延时若干采样时刻后的电压幅值数据输入到故障区域判断模型中进行故障区域位置的诊断，确定故障发生位置附近的节点；
(403)根据故障时刻判断模型和故障区域判断模型的输出结果生成当前的故障诊断信息，获取新采样的数据并更新滑动窗口，返回步骤401，继续循环诊断故障流程。
进一步地，所述步骤401包括：
按照所述滑动窗口方式截取当前第i个输入矩阵X(i)并经过z-score标准化后，输入到已经训练好的故障时刻判断模型中，模型输出为一个T维的故障时刻判断向量，每个分量表示对应时刻是否发生故障即故障预判值，约定发生故障用1表示，没有发生用0表示；
在经过多个滑动时间窗口后，将得到的多个故障时刻判断向量按照实际采样时刻对齐并累计判定发生故障的次数，若某一时刻累计次数达到预设的阈值，则综合判定该时刻为故障发生时刻tf′，并且相应地将故障预判累计次数清零，然后执行步骤402；否则，若某一时刻累计次数还未达到预设的阈值，认为故障还没有发生，则执行步骤403。
进一步地，所述步骤402包括：
按照所述滑动窗口方式截取当前第i个输入矩阵X(i)并经过所述z-score标准化后，输入到已经训练好的故障区域判断模型中，输出为一个N维的故障区域判断向量W＝[w1，w2，…，wN]，其中N为全网节点的数量；
若电网中的第j个节点是故障的最邻近节点，则第j个分量wj＝1，反之则wj＝0，从而根据故障区域判断模型的输出得到故障的临近节点或区域。
进一步地，所述步骤(1)还包括：
在所述电压幅值数据中按照一定信噪比添加噪声，模拟真实采样得到的含有噪声的数据。
本发明的另一方面还提供了一种基于LSTM的交直流混联电网故障区域诊断***，包括：
基础样本集构建单元，构建交直流混联电网时域仿真模型，在多种运行工况下仿真获取全网节点电压幅值数据，并标注对应故障情况的标签构成基础样本集；
故障模型构建单元，使用LSTM神经网络分别构建故障时刻判断模型和故障区域判断模型，采用滑动窗口方式截取所述基础样本集构成分别用于训练和测试所述故障时刻判断模型和故障区域判断模型的样本集合，即训练集和测试集；
训练单元，采用所述训练集对所述故障时刻判断模型和故障区域判断模型进行训练，然后根据所述故障时刻判断模型和故障区域判断模型在所述测试集上的性能调整这两个判断模型中的神经网络超参数和模型辅助参数，重复训练直至这两个判断模型在所述测试集上满足性能要求；
诊断单元，用于投入在线应用时根据所述故障时刻判断模型经过累计判定后确认是否发生故障，若是，再根据所述故障区域判断模型确定故障发生位置，否则直接生成当前的故障诊断信息。
进一步地，所述故障时刻判断模型为一个LSTM神经网络模型；
所述故障时刻判断模型接收所述滑动窗口截取的采样电压幅值数据X，并经过z-score标准化后作为神经网络的输入，然后输出在当前输入下是否发生故障的判定结果，若发生故障，则输出判定的故障发生时刻tf′。
进一步地，所述故障区域判断模型为一个LSTM神经网络模型；
在所述故障时刻判断模型已经确认故障并给出判定的故障发生时刻tf′后、延迟若干时间Δtl直到第tf′+Δtl个时刻采用滑动窗口截取的电压幅值数据X，再经过z-score标准化后输入到所述故障区域判断模型中。
通过本发明所构思的以上技术方案，相较于普通神经网络，LSTM神经网络可以有效提取采样电气数据序列中隐藏的故障诊断所需的时序特征信息，在应用于交直流混联电网故障诊断时既不依赖于专家的知识和经验进行复杂的机理分析来构建算法，也无需传统机器学习方法的特征构建和筛选，易于训练和实现。而相比于贝叶斯网络、Petri网、模糊逻辑等方法进行故障诊断，本发明方法可以适用于较大电网的故障诊断，模型的相关参数容易通过训练和测试得到而无需复杂分析。同时该方法具有较快的故障诊断速度和较高的诊断能力，能够适应交直流混联电网的诊断速度和精度要求。
附图说明
图1是本发明实施例提供的一种基于LSTM的交直流混联电网故障区域诊断方法的示意性流程框图；
图2是本发明实施例故障时刻判断模型的结构示意图；
图3是本发明实施例LSTM神经网络基本结构示意图；
图4是本发明实施例CEPRI的8机36节点交直流混联电网的接线图；
图5(a)和图5(b)分别是本发明实施例不同噪声强度下的故障检测时间误差和延迟的分布。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供了一种基于LSTM的交直流混联电网故障区域诊断方法，包括：
步骤1、构建交直流混联电网时域仿真模型，在多种运行工况下仿真获取全网节点电压幅值数据，并标注对应故障情况的标签构成基础样本集；
步骤2、使用LSTM神经网络分别构建故障时刻判断模型和故障区域判断模型，采用滑动窗口方式截取所述基础样本集构成分别用于训练和测试所述故障时刻判断模型和故障区域判断模型的样本集合，即训练集和测试集；
步骤3、采用所述训练集对所述故障时刻判断模型和故障区域判断模型进行训练，然后根据所述故障时刻判断模型和故障区域判断模型在所述测试集上的性能调整这两个判断模型中的神经网络超参数和模型辅助参数，重复训练直至这两个判断模型在所述测试集上满足性能要求；
步骤4、当所述故障时刻判断模型和故障区域判断模型训练完成后投入在线应用时，在每个采样时刻用所述滑动窗口方式截取的当前时刻下的电压幅值数据输入到故障时刻判断模型，预判当前时刻是否发生故障。预判结果需要经过累计判定后确认是否发生故障，若是，故障时刻判断模型的累计判定次数清零，并执行步骤5，若否，执行步骤6；
步骤5、在确认故障发生后，将延时若干采样时刻后的电压幅值数据输入到故障区域判断模型中进行故障区域位置的诊断，确定故障发生位置附近的节点；
步骤6、根据故障时刻判断模型和故障区域判断模型的输出结果生成当前的故障诊断信息，获取新采样的数据并更新滑动窗口，返回步骤4，继续循环诊断故障流程。
由于在复杂电力***中发生故障后，将有大量的故障信息涌入调度中心，只有通过快速分析找出故障发生的区域，才能够为电力***紧急控制策略的制定提供指导并争取时间，从而保证***尽快恢复正常运行状态。因此，本发明构建了一种针对交直流混联电网的故障诊断方法。具体的，引入深度学习方法中的LSTM神经网络，分别构建故障时刻判断模型和故障区域诊断模型，用电力***时域仿真模型得到的全网电压幅值数据训练，分别用于判断某时刻故障是否发生和故障发生的区域。该模型可以在故障发生后的短时间内检测出故障并给出故障时刻和故障点所在区域的节点，为紧急控制策略制定提供指导。该故障诊断方法利用LSTM神经网络能够挖掘时间序列中隐藏的关联信息，而无需借助于复杂的模型机理分析或者人工抽取特征，降低了模型构建难度，因而在应用于不同电网中都具有较强的适应性。
需要说明的是，基础样本集是使用电力***仿真软件生成的原始数据，经过滑动窗口截取后得到一系列固定时间长度的输入，作为故障时刻判断模型和故障区域判断模型的样本，其中故障时刻判断模型和故障区域判断模型均基于LSTM神经网络，样本集分为训练集和测试集，在训练集上训练两个模型，在测试集上测试模型性能并调节超参数。
进一步，所述步骤1包括：
在交直流混联电网仿真模型中，设置不同潮流运行工况、故障线路、故障位置和故障类型等条件，获得在不同工况下的仿真数据，按照预设的采样频率采样，获得全网所有节点的电压幅值数据，标注上对应故障条件信息的标签，组成基础的样本集。
需要说明的是，每一个滑动窗口截取后得到的输入数据电压幅值组成的矩阵X(i)形式如下：
Figure BDA0002630060050000081
其中Vi，j代表第i个节点、第j个时刻的电压幅值，T代表滑动窗口时间长度，N代表全网节点的数量。
为了让故障时刻判断模型和故障区域判断模型在不同运行工况下均有较好的故障诊断效果，可以设置不同的潮流运行点、故障线路、故障位置和短路故障类型，在交直流混联电网时域仿真模型中进行仿真获取原始数据，模拟真实电力***在不同工况下由广域量测***WAMS采样获取的数据。然后模拟真实广域量测***的数据采样频率进行采样，标注上是否发生故障和故障发生位置等标签信息得到基础的样本集，用于后续分别生成实际用于故障时刻判断模型和故障区域判断模型的训练的样本集合。
优选地，所述步骤1还包括：
在原始仿真得到的电压幅值数据中按照一定信噪比添加噪声，模拟真实采样得到的含有噪声的数据。通过在原始数据中加入噪声，并将其用于模型的训练，可以提升模型应用时的噪声鲁棒性，有助于抑制模型在测试时出现过拟合现象，增强模型的泛化能力。
需要说明的是，训练两个故障判断模型时，通常在训练样本中分别加入一定信噪比(Signal to Noise Ratio，SNR)的高斯白噪声来测试噪声强度对两个故障判断模型性能指标的影响。信噪比按下式计算，
Figure BDA0002630060050000082
式中Ps、Pn分别表示信号和噪声的功率，As、An分别表示信号和噪声的赋值。
进一步，所述步骤2中所述滑动窗口方法具体为：
用一个固定长度为T的时间窗口截取当前采样时刻ts及之前的数据构成一个时间序列[xs-T+1，xs-T+2，…，xs]。在下一时刻即ts+1时刻，在序列首去掉xs-T+1，在序列尾增加xs+1，即此时输入时间序列为[xs-T+2，xs-T+3，…，xs+1]，序列的时间长度仍然保持为T。
进一步，所述故障时刻判断模型具体为一个LSTM神经网络模型，由LSTM网络层、全连接层组成。其中LSTM神经网络用于提取输入时间序列中隐藏的时间关联特征，并通过全连接神经网络作为分类器来实现分类，模型的基本结构如图2所示。该模型接受所述滑动窗口输入截取的由WAMS***的采样装置采样的电压幅值数据X，再经过z-score标准化后作为神经网络的输入，然后模型输出在当前输入下是否发生故障的判定结果，若发生故障，则输出判定的故障发生时刻tf′。
进一步，所述故障区域判断模型具体为一个LSTM神经网络模型，在故障时刻判断模型已经确认故障并给出判定的故障发生时刻tf′后，延迟若干时间Δtl直到第tf′+Δtl个时刻采用滑动窗口截取的电压幅值数据X，再经过z-score标准化后输入到故障区域判断模型中。通过分析故障前的信息和少部分故障后的信息更加准确地判断故障发生所在区域。
进一步，所述采用滑动窗口方式分别截取基础样本集构成分别用于训练和测试故障时刻判断模型和故障区域判断模型的样本集合具体为：
利用滑动窗口截取原始仿真数据形成训练和测试模型用的样本集，并且故障发生时刻tf可以出现在滑动窗口内的任意时刻，这样用不固定故障发生时刻的样本训练模型可以使避免模型过拟合。故障时刻模型的标签根据故障时刻设置，故障区域判断模型的标签根据故障发生所在区域的临近节点设置。
在实际应用中，采样获得的实时数据中故障发生时刻不确定，因而采用不固定故障发生时刻的样本训练模型可以使避免模型仅能适应在某一特定故障发生时刻tf时进行检测，从而提升模型的泛化能力和鲁棒性。
进一步，所述步骤2还包括：
采用z-score标准化方法处理所述训练和测试两个判断模型用的样本集，得到标准化后的电压幅值矩阵X′，作为所述故障时刻判断模型和故障区域判断模型的实际输入。
具体地，z-score标准化的方法为：对于一个样本数量为N的数据集X＝[X(1)，X(2)，…，X(N)]，按照下式对数据集进行z-score标准化，其中
Figure BDA0002630060050000101
代表第i个样本矩阵X(i)的第m行第n列的元素，
Figure BDA0002630060050000102
代表经过标准化处理后的第i个样本矩阵X(i)′的第m行第n列的元素元素。
Figure BDA0002630060050000103
Figure BDA0002630060050000104
Figure BDA0002630060050000105
z-score标准化方法可以将样本不同特征进行归一化处理，使得特征取值范围接近，利于模型使用梯度下降算法进行训练。采用了z-score标准化方法处理电压幅值矩阵，可以使得样本的特征共同缩放至接近范围，有助于神经网络模型的训练，加快收敛速度。
进一步，所述步骤2包括：
使用LSTM神经网络分别构建两个判断模型，然后将所述滑动窗口方式获取的样本集合随机打乱并按照一定比例(如4∶1)分割成训练集和测试集。
利用监督学习方法对两个判断模型进行训练，将模型在测试集上的准确率作为训练指标，在模型训练完成后，适当调整两个模型的结构超参数和模型辅助参数，超参数包括神经网络中的层数、各层神经元个数、神经元的激活函数等，模型辅助参数包括故障时刻模型累计判定的阈值等，然后重复训练并观察训练指标的变化，选择最优性能的模型，用于实际在线应用。
进一步，所述LSTM神经网络为一种深度神经网络，与全连接神经网络类似，由多层神经网络层堆叠，但每层由具有记忆能力的LSTM神经元组成，其基本结构如图3所示。LSTM神经网络能选择性记忆之前获得输入中的重要信息而遗忘不重要信息，能够挖掘出输入中隐藏的时序上的依赖与输出之间的关系，适合于处理时间序列输入，相较于普通的全连接神经网络具有更强的特征提取能力。
交直流混联***作为一个时空高维的非线性***，存在时空多尺度耦合的特点，需要考虑大时间尺度的机电暂态过程和小时间尺度的电磁暂态过程。采用LSTM神经网络来构建故障诊断模型可以充分挖掘交直流混联***故障时复杂暂态过程中的时序特征，从而更容易实现故障的快速检测和区域定位。
进一步，所述步骤4包括：
所述两个判断模型训练完成后投入在线应用时，按照所述滑动窗口方式截取当前第i个输入矩阵X(i)并经过所述z-score标准化后，输入到已经训练好的故障时刻判断模型中，模型输出为一个T维的故障时刻判断向量，每个分量表示对应时刻是否发生故障即故障预判值，如约定发生故障用1表示，没有发生用0表示。在经过多个滑动时间窗口后，将得到的多个故障时刻判断向量按照实际采样时刻对齐并累计判定发生故障的次数，若某一时刻累计次数达到预设的阈值，则综合判定该时刻为故障发生时刻tf′，并且相应地将故障预判累计次数清零，然后执行步骤5。否则，若某一时刻累计次数还未达到预设的阈值，认为故障还没有发生，则执行步骤6。
由于噪声或其它偶然因素的影响，可能会出现故障时刻判断模型在单次判定下不准确的情况，所以使用累计判定的方式可以提高模型故障时刻判定的准确性和鲁棒性。
进一步，所述步骤5包括：
与故障时刻判断模型类似，按照所述滑动窗口方式截取当前第i个输入矩阵X(i)并经过所述z-score标准化后，输入到已经训练好的故障区域判断模型中，模型输出一个N维的故障区域判断向量W＝[w1，w2，…，wN]，其中N为全网节点的数量。定义若电网故障发生在某一线路，则线路两端的节点为故障最邻近节点。约定若电网中的第j个节点是故障的最邻近节点，则第j个分量wj＝1，反之则wj＝0。因此，可以由故障区域判断模型的输出得到故障的临近节点或区域。
进一步，所述步骤6包括：
两个判断模型投入在线应用时，在每个滑动窗口采样时刻，分别经过故障时刻判断模型和故障区域判断模型可以得出故障是否发生的判断，如果判定故障发生则在故障发生后获得故障发生的时刻以及用节点表示的故障所在区域的诊断信息。这些信息将被输出并提供给调度运行人员参考，以辅助紧急控制策略的制定或其它应用。然后将按照所述滑动窗口的方式取得下一采样时刻的数据，重复步骤4-6的故障诊断流程。
使用所述滑动窗口的方式来输入数据，并用新的采样数据对输入矩阵X进行更新，可以方便地实现在线连续监控电力***，实时保证电力***的安全。
本发明实施例还提供了一种基于LSTM的交直流混联电网故障区域诊断***，包括：
基础样本集构建单元，构建交直流混联电网时域仿真模型，在多种运行工况下仿真获取全网节点电压幅值数据，并标注对应故障情况的标签构成基础样本集；
故障模型构建单元，使用LSTM神经网络分别构建故障时刻判断模型和故障区域判断模型，采用滑动窗口方式截取所述基础样本集构成分别用于训练和测试所述故障时刻判断模型和故障区域判断模型的样本集合，即训练集和测试集；
训练单元，采用所述训练集对所述故障时刻判断模型和故障区域判断模型进行训练，然后根据所述故障时刻判断模型和故障区域判断模型在所述测试集上的性能调整这两个判断模型中的神经网络超参数和模型辅助参数，重复训练直至这两个判断模型在所述测试集上满足性能要求；
诊断单元，用于投入在线应用时根据所述故障时刻判断模型经过累计判定后确认是否发生故障，若是，再根据所述故障区域判断模型确定故障发生位置，否则直接生成当前的故障诊断信息。
具体每个单元的功能可参见前述方法实施例中的介绍，在此不再赘述。
为了更好的说明本发明，现举示例如下：
本发明以CEPRI的8机36节点交直流混联电网为例进行说明。在模型的离线训练阶段，在PSASP平台上构建了CEPRI的8机36节点***仿真模型，***有27条交流线路，1条直流线路，其单线图如图4所示。在PSASP中设置仿真时间长度为2s，仿真步长为0.001s，故障工况下故障发生或者无故障工况下正常的负荷扰动发生时刻为0.5s，即仿真时间点长度为2001，故障发生时间点为501。
对于故障运行条件下样本的时域仿真，故障类型设置为三相短路接地故障；故障线路设置为***中所有的交流输电线路，一共有27条；短路故障发生的位置设置为10％，20％，…，90％一共9种；设置***整体不同的潮流变化，即设置将所有的发电机和负荷的功率同时乘以一个系数来改变电力***运行状态，一共设置了5个系数，分别是1.15、1.1、1.0、0.9、0.8。这样一共可以仿真27×9×5＝1215个有故障工况的基础样本，故障条件下的仿真设置归纳如表1所示。
表1故障工况设置
样本设置 具体设置 种类数
故障类型 三相短路接地故障 1
故障线路 所有交流线路 27
故障位置 10％，20％，30％，…，90％ 9
潮流变化 1.15，1.1，1.0，0.9，0.8 5
对于无故障运行条件下样本的时域仿真，与上述故障运行条件类似，具体设置如表2所示，一共可以仿真5×10×7＝350个无故障工况的基础样本。
表2无故障工况设置
Figure BDA0002630060050000141
按照所述训练和测试模型用的样本集生成方法，用滑动窗口方法截取原始仿真数据，故障发生时刻tf可以出现在滑动窗口内的任意时刻，分别得到1215个和350个实际训练和测试使用的样本。
获得上述样本后，按照所述加入噪声的方法，分别加入40dB、35dB、30dB的噪声进行训练并测试模型的性能。记故障时刻判断模型判定的故障发生时刻tf′与故障实际时刻tf之间的差为故障检测时间误差Δtf，而故障时刻判断模型实际检测到故障的时刻td与故障发生时刻tf的差为故障检测时间延迟Δtd，设定故障时刻判断模型的累计判断阈值为3。
经过测试，可以得到在不同噪声强度下的故障检测时间误差Δtf和延迟Δtd的分布，如图5(a)和图5(b)所示。从图5(a)中可以发现，故障时刻判断模型可以在发生故障后短时间内检测到故障；从图5(b)中可知，故障的检测误差也很小，可以实现电力***故障在线快速检测。
然后，对故障区域判断模型进行测试，在不同噪声下的模型定位准确率如表3所示，可以发现模型具有一定的噪声鲁棒性，能够实现电力***故障在线快速定位。
表3故障区域判断模型定位准确率
无噪声 含40dB噪声 含35dB噪声 含30dB噪声
99.59％ 98.77％ 97.12％ 95.47％
不同于传统的人工智能方法，利用深度神经网络构建的故障诊断模型，可以直接处理原始采样数据并从中获取有效特征进行故障诊断分析而无需人工选择特征，也不依赖于专家知识进行复杂的机理分析和建模，能够更快速准确地给出故障诊断结果。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于LSTM的交直流混联电网故障区域诊断方法，其特征在于，包括以下步骤：
(1)构建交直流混联电网时域仿真模型，在多种运行工况下仿真获取全网节点电压幅值数据，并标注对应故障情况的标签构成基础样本集；
(2)使用LSTM神经网络分别构建故障时刻判断模型和故障区域判断模型，采用滑动窗口方式截取所述基础样本集构成分别用于训练和测试所述故障时刻判断模型和故障区域判断模型的样本集合，即训练集和测试集；
(3)采用所述训练集对所述故障时刻判断模型和故障区域判断模型进行训练，然后根据所述故障时刻判断模型和故障区域判断模型在所述测试集上的性能调整这两个判断模型中的神经网络超参数和模型辅助参数，重复训练直至这两个判断模型在所述测试集上满足性能要求；
(4)投入在线应用时，根据所述故障时刻判断模型经过累计判定后确认是否发生故障，若是，再根据所述故障区域判断模型确定故障发生位置，否则直接生成当前的故障诊断信息；
所述步骤(4)包括以下步骤：
(401)在每个采样时刻，用所述滑动窗口方式截取的当前时刻下的电压幅值数据输入故障时刻判断模型，预判当前时刻是否发生故障；预判结果需要经过累计判定后确认是否发生故障，若是，故障时刻判断模型的累计判定次数清零，并执行步骤(402)，若否，执行步骤(403)；
(402)在确认故障发生后，将延时若干采样时刻后的电压幅值数据输入到故障区域判断模型中进行故障区域位置的诊断，确定故障发生位置附近的节点；
(403)根据故障时刻判断模型和故障区域判断模型的输出结果生成当前的故障诊断信息，获取新采样的数据并更新滑动窗口，返回步骤(401)，继续循环诊断故障流程；
所述步骤(401)包括：
按照所述滑动窗口方式截取当前第i个输入矩阵X(i)并经过z-score标准化后，输入到已经训练好的故障时刻判断模型中，模型输出为一个T维的故障时刻判断向量，每个分量表示对应时刻是否发生故障即故障预判值，约定发生故障用1表示，没有发生用0表示；
在经过多个滑动时间窗口后，将得到的多个故障时刻判断向量按照实际采样时刻对齐并累计判定发生故障的次数，若某一时刻累计次数达到预设的阈值，则综合判定该时刻为故障发生时刻tf′，并且相应地将故障预判累计次数清零，然后执行步骤(402)；否则，若某一时刻累计次数还未达到预设的阈值，认为故障还没有发生，则执行步骤(403)。
2.如权利要求1所述的交直流混联电网故障区域诊断方法，其特征在于，所述故障时刻判断模型接收所述滑动窗口截取的采样电压幅值数据X，并经过z-score标准化后作为神经网络的输入，然后输出在当前输入下是否发生故障的判定结果，若发生故障，则输出判定的故障发生时刻tf′。
3.如权利要求2所述的交直流混联电网故障区域诊断方法，其特征在于，在所述故障时刻判断模型已经确认故障并给出判定的故障发生时刻tf′后、延迟若干时间Δtl直到第tf′+Δtl个时刻采用滑动窗口截取的电压幅值数据X，再经过z-score标准化后输入到所述故障区域判断模型中。
4.如权利要求1所述的交直流混联电网故障区域诊断方法，其特征在于，所述步骤(402)包括：
按照所述滑动窗口方式截取当前第i个输入矩阵X(i)并经过所述z-score标准化后，输入到已经训练好的故障区域判断模型中，输出为一个N维的故障区域判断向量W＝[w1,w2,…,wN]，其中N为全网节点的数量；
若电网中的第j个节点是故障的最邻近节点，则第j个分量wj＝1，反之则wj＝0，从而根据故障区域判断模型的输出得到故障的临近节点或区域。
5.如权利要求1-4任一项所述的交直流混联电网故障区域诊断方法，其特征在于，所述步骤(1)还包括：
在所述电压幅值数据中按照一定信噪比添加噪声，模拟真实采样得到的含有噪声的数据。
6.一种基于LSTM的交直流混联电网故障区域诊断***，其特征在于，包括：
基础样本集构建单元，构建交直流混联电网时域仿真模型，在多种运行工况下仿真获取全网节点电压幅值数据，并标注对应故障情况的标签构成基础样本集；
故障模型构建单元，使用LSTM神经网络分别构建故障时刻判断模型和故障区域判断模型，采用滑动窗口方式截取所述基础样本集构成分别用于训练和测试所述故障时刻判断模型和故障区域判断模型的样本集合，即训练集和测试集；
训练单元，采用所述训练集对所述故障时刻判断模型和故障区域判断模型进行训练，然后根据所述故障时刻判断模型和故障区域判断模型在所述测试集上的性能调整这两个判断模型中的神经网络超参数和模型辅助参数，重复训练直至这两个判断模型在所述测试集上满足性能要求；
诊断单元，用于投入在线应用时根据所述故障时刻判断模型经过累计判定后确认是否发生故障，若是，再根据所述故障区域判断模型确定故障发生位置，否则直接生成当前的故障诊断信息；
所述诊断单元执行以下步骤：
(401)在每个采样时刻，用所述滑动窗口方式截取的当前时刻下的电压幅值数据输入故障时刻判断模型，预判当前时刻是否发生故障；预判结果需要经过累计判定后确认是否发生故障，若是，故障时刻判断模型的累计判定次数清零，并执行步骤(402)，若否，执行步骤(403)；
(402)在确认故障发生后，将延时若干采样时刻后的电压幅值数据输入到故障区域判断模型中进行故障区域位置的诊断，确定故障发生位置附近的节点；
(403)根据故障时刻判断模型和故障区域判断模型的输出结果生成当前的故障诊断信息，获取新采样的数据并更新滑动窗口，返回步骤(401)，继续循环诊断故障流程；
所述步骤(401)包括：
按照所述滑动窗口方式截取当前第i个输入矩阵X(i)并经过z-score标准化后，输入到已经训练好的故障时刻判断模型中，模型输出为一个T维的故障时刻判断向量，每个分量表示对应时刻是否发生故障即故障预判值，约定发生故障用1表示，没有发生用0表示；
在经过多个滑动时间窗口后，将得到的多个故障时刻判断向量按照实际采样时刻对齐并累计判定发生故障的次数，若某一时刻累计次数达到预设的阈值，则综合判定该时刻为故障发生时刻tf′，并且相应地将故障预判累计次数清零，然后执行步骤(402)；否则，若某一时刻累计次数还未达到预设的阈值，认为故障还没有发生，则执行步骤(403)。
7.如权利要求6所述的交直流混联电网故障区域诊断***，其特征在于，所述故障时刻判断模型接收所述滑动窗口截取的采样电压幅值数据X，并经过z-score标准化后作为神经网络的输入，然后输出在当前输入下是否发生故障的判定结果，若发生故障，则输出判定的故障发生时刻tf′。
8.如权利要求7所述的交直流混联电网故障区域诊断***，其特征在于，在所述故障时刻判断模型已经确认故障并给出判定的故障发生时刻tf′后、延迟若干时间Δtl直到第tf′+Δtl个时刻采用滑动窗口截取的电压幅值数据X，再经过z-score标准化后输入到所述故障区域判断模型中。
CN202010810874.9A 2020-08-12 2020-08-12 一种基于lstm的交直流混联电网故障区域诊断方法和*** Active CN112051481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010810874.9A CN112051481B (zh) 2020-08-12 2020-08-12 一种基于lstm的交直流混联电网故障区域诊断方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010810874.9A CN112051481B (zh) 2020-08-12 2020-08-12 一种基于lstm的交直流混联电网故障区域诊断方法和***

Publications (2)

Publication Number Publication Date
CN112051481A CN112051481A (zh) 2020-12-08
CN112051481B true CN112051481B (zh) 2021-05-18

Family

ID=73602751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010810874.9A Active CN112051481B (zh) 2020-08-12 2020-08-12 一种基于lstm的交直流混联电网故障区域诊断方法和***

Country Status (1)

Country Link
CN (1) CN112051481B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926752B (zh) * 2021-01-26 2022-07-01 西华大学 考虑储能***的智能输电网故障线路检测及故障恢复方法
CN113011656B (zh) * 2021-03-22 2022-08-02 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 一种电站辅机故障预警方法及***
CN113484685B (zh) * 2021-07-16 2023-08-18 西华大学 一种基于时序组织型p***的电网故障诊断方法
CN113536607B (zh) * 2021-09-15 2022-01-25 广东电网有限责任公司东莞供电局 一种变电站信号传输***评估方法及***
CN113884818B (zh) * 2021-10-27 2024-04-09 国网江苏省电力有限公司徐州供电分公司 一种基于lstm的配电网故障行波到达时间精确估算方法
CN114692674A (zh) * 2022-02-21 2022-07-01 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） 一种船舶推进***故障判断方法及***
CN114566964B (zh) * 2022-04-29 2022-07-29 国网天津市电力公司电力科学研究院 一种配电网馈线自动化控制方法、装置、设备及存储介质
CN115905835B (zh) * 2022-11-15 2024-02-23 国网四川省电力公司电力科学研究院 一种融合多维特征的低压交流电弧故障诊断方法
CN117725981B (zh) * 2024-02-08 2024-04-30 昆明学院 一种基于最佳时间窗口机制的配电网故障预测方法
CN117909909B (zh) * 2024-03-19 2024-06-14 青岛鼎信通讯股份有限公司 一种配电网弧光接地故障识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108120900B (zh) * 2017-12-22 2020-02-11 北京映翰通网络技术股份有限公司 一种配电网故障定位方法及***
US20200011932A1 (en) * 2018-07-05 2020-01-09 Nec Laboratories America, Inc. Battery capacity fading model using deep learning
CN110596506A (zh) * 2019-10-30 2019-12-20 福州大学 基于时间卷积网络的变换器故障诊断方法
CN110829417B (zh) * 2019-11-14 2023-03-31 电子科技大学 基于lstm双结构模型的电力***暂态稳定预测方法

Also Published As

Publication number Publication date
CN112051481A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN112051481B (zh) 一种基于lstm的交直流混联电网故障区域诊断方法和***
Teimourzadeh et al. High impedance single-phase faults diagnosis in transmission lines via deep reinforcement learning of transfer functions
CN102707256B (zh) 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法
CN110829417B (zh) 基于lstm双结构模型的电力***暂态稳定预测方法
CN104617574A (zh) 一种电力***负荷区域暂态电压稳定的评估方法
CN111965476B (zh) 一种基于图卷积神经网络的低电压诊断方法
CN112200694B (zh) 基于图神经网络的主导失稳模式识别模型构建及应用方法
CN112180204A (zh) 一种基于电气量信息的电网线路故障诊断方法
CN116205265A (zh) 一种基于深层神经网络的电网故障诊断方法及装置
Kezunovic Translational knowledge: From collecting data to making decisions in a smart grid
CN112215279B (zh) 一种基于免疫rbf神经网络的电网故障诊断方法
Li et al. Physics-informed learning for high impedance faults detection
CN113850320A (zh) 基于改进支持向量机回归算法的变压器故障检测方法
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
Coban et al. Artificial neural network based fault location on 230 kv transmission line using voltage and current signals
Morsalin et al. Induction motor inter-turn fault detection using heuristic noninvasive approach by artificial neural network with Levenberg Marquardt algorithm
CN115456106A (zh) 一种高压断路器故障诊断模型优化方法
Zhengyi et al. A lstm line selection method of single-phase ground fault based on big-data platform
CN114384319A (zh) 一种并网逆变器孤岛检测方法、***、终端及介质
Ji et al. A graph-theoretic method for identification of electric power distribution system topology
CN114169395A (zh) 一种电力***主导失稳模式识别模型构建方法及应用
Vega-Martinez et al. Hybrid data-driven physics-based model framework implementation: Towards a secure cyber-physical operation of the smart grid
CN113139601A (zh) 一种基于lstm和注意力机制的道岔故障检测方法
Ali et al. The Transmission line fault detection and identification using Artificial Neural Network
CN111368933A (zh) 一种基于Softmax回归的配电网暂态过程故障分类方法及***

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