CN114966320A - 一种基于深度学习的单端故障行波测距新算法 - Google Patents

一种基于深度学习的单端故障行波测距新算法 Download PDF

Info

Publication number
CN114966320A
CN114966320A CN202210590825.8A CN202210590825A CN114966320A CN 114966320 A CN114966320 A CN 114966320A CN 202210590825 A CN202210590825 A CN 202210590825A CN 114966320 A CN114966320 A CN 114966320A
Authority
CN
China
Prior art keywords
fault
traveling wave
section
model
simulation
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.)
Pending
Application number
CN202210590825.8A
Other languages
English (en)
Inventor
傅钦翠
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202210590825.8A priority Critical patent/CN114966320A/zh
Publication of CN114966320A publication Critical patent/CN114966320A/zh
Pending legal-status Critical Current

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
    • G01R31/088—Aspects of digital computing
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/08—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)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Locating Faults (AREA)

Abstract

本发明公开了一种基于深度学习的单端故障行波测距新算法，涉及故障测距技术领域，主要步骤包括：构建故障仿真模型、验证仿真模型、生成仿真数据、加入噪声预处理和训练故障区段判断模型，利用循环神经网络在捕捉时间序列数据中的依赖关系的优势，输入故障仿真样本，训练神经网络模型学习供电臂首端测得的故障行波信号与故障发生区段之间的映射关系，建立故障区段判断模型，将检测到的故障行波信号输入训练好的故障区段判断模型，判断故障发生的区段，然后利用故障行波中的初始波头及其后续反射波的到达量测点的时差计算故障点与故障区段首端的距离，最终确定故障距测点的位置，实现精确可靠的故障测距。

Description

一种基于深度学习的单端故障行波测距新算法
技术领域
本发明涉及故障测距技术领域，具体是一种基于深度学习的单端故障行波测距新算法。
背景技术
供电***故障测距是在供电***发生故障后，准确地判断发生故障的位置及其故障类型，为现场巡检人员提供准确的故障信息。行波测距法基于高频行波暂态量，且不受工况等因素的影响，具有更好的研究和应用前景。单端行波故障测距方法是当前现场应用较多的一种行波测距方法，在提高单端测距方法可靠性方面，学者们从不同线路结构下行波传播与折反射规律出发，分析故障行波反映和表征故障位置的机理，提出相应的测距方法。
在高速铁路中广泛应用的全并联AT(Auto transformer)牵引供电***，具有特殊的线路结构，实施有效可靠的单端故障行波测距存在如下问题：全并联AT牵引供电***中，中间设置并联联接，安装于牵引变电所的测距装置检测到的行波波头不仅有故障点反射波、故障所在区段末端的反射波，还有由供电臂末端返回的反射波，这些反射波的到达时刻、先后次序均包含故障距离信息，随故障点发生区段、与区段首端距离的不同而不同。供电臂首端检测到的电压、电流行波所含故障信息与发生故障的区段、位置的映射关系与其线路结构有关，实施单端测距时需依据其行波传播特性正确判断故障区段。
发明内容
本发明的目的在于提供一种基于深度学习的单端故障行波测距新算法，以解决上述背景技术提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于深度学习的单端故障行波测距新算法，包括如下步骤：
1)构建全并联AT牵引供电***的故障仿真模型；
2)验证仿真模型；
3)生成仿真数据，加入噪声，预处理，制作训练样本集；
4)训练故障区段判断模型，将检测到的故障行波信号输入训练好的故障区段判断模型，判断故障发生的区段，然后利用故障行波中的初始波头及其后续反射波的到达量测点的时差，计算故障点与故障区段首端的距离，最终确定故障距测点的位置。
在上述技术方案的基础上，本发明还提供以下可选技术方案：
在一种可选方案中：在步骤1)中，牵引变压器、AT自耦变压器的建模采用电磁暂态仿真软件ATP-EMTP中提供的变压器模型，所需原始数据为变压器的空载和短路试验数据，仿真软件中的子程序将原始数据转换为仿真计算所需的矩阵。
在一种可选方案中：在步骤2)中，验证仿真模型的可用性，按照实施短路试验的供电臂结构和电气参数构建仿真模型进行短路故障计算，将仿真实验结果与实测波形对比验证。
在一种可选方案中：在步骤3)中，对仿真数据加入服从高斯分布的噪声，信噪比SNR分别为20、30dB，故障信号中，截取初始行波波头时刻前100us，后300us的波形作为样本，仿真步长1us，则样本的时间步数为400。
在一种可选方案中：在步骤4)中，通过门控循环网络和卷积神经网络构建GRU和CNN并行的故障区段判断模型，故障区段判断模型包括FCN块和GRU块，FCN块由三个堆叠的卷积块组成，用作特征提取器，每个单元块都含有一个堆叠的Conv-BN-ReLU块，由卷积层、批量标准化层、ReLU层组成，最后一个FCN块后应用全局平均池化，用于在分类之前减少模型中的参数数量，GRU块由一个GRU层组成。
在一种可选方案中：在步骤4)中，故障区段判断模型的输入数据集为多元变量的时间序列，故障区段判断模型的输入变量为供电臂首端量测的电压和电流。
在一种可选方案中：在步骤4)中，在确定故障点所在的区段以及处于前半段还是后半段之后，在初始波到后的Li/v(i＝1，2，3)时间窗内，标定检测到的反射波的波到时刻，计算故障点位置。依据是前半段还是后半段，计算距区段首端的距离：
Figure BDA0003667283130000031
Figure BDA0003667283130000032
其中，tA为检测到的反射波与初始行波的时差，v取线模分量的波速。
相较于现有技术，本发明的有益效果如下：
本发明提供一种基于深度学习的全并联AT牵引供电***单端故障测距算法，利用循环神经网络在捕捉时间序列数据中的依赖关系的优势，输入故障仿真样本，训练神经网络模型学习供电臂首端测得的故障行波信号与故障发生区段之间的映射关系，建立故障区段判断模型。将检测到的故障行波信号输入训练好的故障区段判断模型，判断故障发生的区段，然后利用故障行波中的初始波头及其后续反射波的到达量测点的时差计算故障点与故障区段首端的距离，最终确定故障距测点的位置，实现精确可靠的故障测距。
附图说明
图1为基于深度学习的单端故障行波测距新算法的流程图。
图2为基于深度学习的单端故障行波测距新算法中的全并联AT牵引供电***示意图。
图3为基于深度学习的单端故障行波测距新算法中的接触网悬挂断面。
图4为基于深度学习的单端故障行波测距新算法中的自耦变压器电磁暂态模型。
图5为基于深度学习的单端故障行波测距新算法中的ATP-EMTP短路故障仿真模型。
图6为基于深度学习的单端故障行波测距新算法中的短路试验实测波形。
图7为基于深度学习的单端故障行波测距新算法中的短路故障仿真波形。
图8为基于深度学习的单端故障行波测距新算法中的同向模量行波网格图。
图9为基于深度学习的单端故障行波测距新算法中的反向模量行波网格图。
图10为基于深度学习的单端故障行波测距新算法中的供电臂首端测量的前半段的电压暂态行波波形。
图11为基于深度学习的单端故障行波测距新算法中的供电臂首端测量的后半段的电压暂态行波波形。
图12为基于深度学习的单端故障行波测距新算法中的上行线路前半段的电流暂态行波波形。
图13为基于深度学习的单端故障行波测距新算法中的上行线路后半段的电流暂态行波波形。
图14为基于深度学习的单端故障行波测距新算法中的下行线路前半段的电流暂态行波波形。
图15为基于深度学习的单端故障行波测距新算法中的下行线路后半段的电流暂态行波波形。
图16为基于深度学习的单端故障行波测距新算法中的不同故障阻抗下的电压暂态行波波形。
图17为基于深度学习的单端故障行波测距新算法中的不同故障角下的电压暂态行波波形。
图18为基于深度学习的单端故障行波测距新算法中的基于GRU-FCN的故障区段判断模型。
图19为基于深度学习的单端故障行波测距新算法中的故障区段判断模型的测试分类结果。
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。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1-10所示，为本发明一个实施例提供的一种基于深度学习的单端故障行波测距新算法，包括如下步骤：
1)构建全并联AT牵引供电***的故障仿真模型；
2)验证仿真模型；
3)生成仿真数据，加入噪声，预处理，制作训练样本集；
4)训练故障区段判断模型，将检测到的故障行波信号输入训练好的故障区段判断模型，判断故障发生的区段，然后利用故障行波中的初始波头及其后续反射波的到达量测点的时差，计算故障点与故障区段首端的距离，最终确定故障距测点的位置。
如图2所示，为本实施例的全并联AT牵引供电***的示意图，牵引变电所(Traction Substation，TS)主变压器二次侧±27.5kV两端子分别接于接触线T和正馈线F，二次侧线圈中间抽头接于钢轨R，每隔10～15公里，将AT自耦变压器并入接触线和正馈线之间，自耦变压器中间抽头与钢轨相连接，在AT处通过横连线将上、下行线路进行并联连接，实现上、下行接触网的并联运行。正常运行情况下，牵引变电所向上、下行接触网并行供电，供电臂长30～50km，中间设置1～2个AT，将供电臂分为2～3段，牵引变电所可不设置AT，供电臂末端分区所设置1个AT。
如图3所示，为本实施例的接触网的悬挂断面，由上下行接触线CW、承力索MW、正馈线PF、保护线PW、钢轨R、综合接地线CGW构成，本实施例基于平行多导线的参数计算方法，将承力索和接触线建模为一根二***导线，左右两根钢轨也建模为一根二***导线，保护线、综合接地线建模为地线，合并***导线并消去地线后，上、下行线路等效为一六相等值相导线，考虑到牵引供电线路参数的频变特性，为使暂态计算的模拟结果更准确，使用频率相关的JMarti分布参数线路模型来描述。
如图4所示，作为本发明的一种优选实施例，牵引变压器、AT自耦变压器的建模采用电磁暂态仿真软件ATP-EMTP中提供的变压器模型(BCTRAN)，所需原始数据为变压器的空载和短路试验数据，仿真软件中的子程序将原始数据转换为仿真计算所需的矩阵；由于故障行波频率范围较大，当频率较高时，行波信号的高频部分(几十kHz～几百kHz)的计算需要考虑绕组对地以及绕组间的电容。针对行波暂态量的研究，考虑电容特性的AT自耦变压器电磁暂态模型如附图4所示，图中BCT为ATP-EMTP仿真软件中常用的一种变压器模型——阻抗矩阵模型(BCTRAN)，P、S分别为高压、中压绕组端子，N为公共端。π电容C1、C2、C12采用EMTP推荐的典型值0.005μF、0.01μF、0.01μF。
如图5所示，作为本发明的一种优选实施例，仿真电路中，TT为牵引变压器，AT1、AT2、AT3为自耦变压器，故障点设置于供电臂首端至AT1之间，L1A、L1B为区段1(供电臂首端至AT1)的线路，分别为故障点前/后段，L2、L3分别为区段2、3的线路。
如图1所示，作为本发明的一种优选实施例，在成功建立仿真模型的基础上，为验证仿真模型的可用性，按照实施短路试验的供电臂结构和电气参数构建仿真模型进行短路故障计算，并将仿真实验结果与实测波形对比验证，确保仿真结果的正确性。
如图6-7所示，某牵引变电所短路试验，供电方式为全并联AT供电，短路故障位置设置为上行接触线13.16km，故障类型为T-N短路，实际测量波形见图6，仿真波形见图7，将仿真数据和现场实测数据进行对比，可见仿真数据与实测数据基本吻合，满足工程需要，对比结果验证了该仿真模型能够准确地进行各种短路故障计算。
如图8-9所示，本实施例为表示行波在牵引供电线路上的折反射规律，采用网格图描述了故障行波在线路的阻抗不连续点(故障点、供电臂首末端、中间的AT并联联接处)的折反射情况，如附图8所示。F表示故障点，M表示供电臂首端，即量测端，N表示供电臂末端，AT1、AT2表示中间的并联联接处，图8-图9分别给出了故障点位于区段2的前/后半段下，故障行波在牵引供电线路上的折反射。为了描述清楚，表1、2给出了故障点分别位于3个区段的前/后半段下行波的传播路径以及与故障初始行波的时差所表示的距离，并按照反射波到达量测端的时间先后排序。表中xF表示距区段首端的距离，Li(i＝1，2，3)表示各区段的长度。
表1电压行波中各个波到的性质(故障点分别位于3个区段的前半段)
Figure BDA0003667283130000071
表2电压行波中各个波到的性质(故障点分别位于3个区段的后半段)
Figure BDA0003667283130000081
如图10-15所示，对比了故障点分别位于3个区段(S1～S3)的前/后半段下的供电臂首端观测到的电压、电流暂态行波波形，仿真电路中各区段的长度均为15km，故障点距离区段首端3km、12km。供电臂首端量测的电压有uT、uF，电流有iⅠT、iⅠF、iⅡT、iⅡF(下标Ⅰ、Ⅱ表示上、下行线路，T、F表示接触线、正馈线，上下行线路并联联接处有uⅠT＝uⅡT＝uT，uⅠF＝uⅡF＝uF)。电压行波中的各反射波的幅值和陡度都较强，较易捕捉、识别，易于标定波到时刻，而电流行波中的各反射波的幅值和陡度较小，特别是故障点位于区段2、3的话，受传播路径的影响，后续反射波的衰减较大，不易于波到时刻的标定；其次，在线路的各个阻抗不连续点，其对地阻抗值不同，例如供电臂末端近似于开路，电压行波折射系数αu＝2，反射系数βu＝1，电压行波发生正的全反射，电压行波在边界产生与入射波极性相同的反射波，所测电压为入射波和反射波的叠加，表现为供电臂末端的反射波的幅值较大。由此可见，故障发生区段以及处于前半段还是后半段等信息都蕴涵并反映在供电臂首端观测到的波形形态(反射波波到的幅值、陡度、极性和波到时差)中。
图16-17对比了不同故障阻抗、故障角下的电压暂态行波波形，故障点均位于区段1，距离区段首端3km，可以看出行波波到时序与故障阻抗、故障角无关，供电臂首端观测到的暂态行波是具有时间相关性的序列，属于时间序列数据。对于时间序列，门控循环网络(gated recurrent unit，GRU)能自动学习并建模时间序列中高阶非线性和复杂的依赖关系，擅长对时间序列的处理。本实施例利用GRU善于建模时间依赖关系的优势，结合卷积神经网络(Convolutional Neural Network，CNN)强大的特征提取能力，构建GRU和CNN并行的故障区段判断模型。
本实施例提出的故障区段判断模型包括全卷积(fully convolutional network，FCN)块和GRU块，如图18所示。FCN块由三个堆叠的卷积块组成，用作特征提取器，每个单元块都含有一个堆叠的Conv-BN-ReLU块，由卷积层、批量标准化(batch nomalization，BN)层、ReLU层组成，BN层的应用有助于提升网络的性能。最后一个卷积块后应用全局平均池化，用于在分类之前减少模型中的参数数量。同时，时间序列输入被传送到维度转换层。然后，将维度转换后的时间序列传递到GRU块。GRU块由一个GRU层组成。最后，合并全局池化层和GRU块的输出并传递给Softmax分类层。
本实施例提出的故障区段判断模型的输入数据集为多元变量的时间序列，在此定义时间序列数据集的维度为(N，L，M)，其中，N是数据集中的样本数，L是所有变量中的最大时间步数，M是每个时间步处理的变量数。
本实施例采用图5所示的电磁暂态仿真模型模拟产生短路故障信号。改变仿真模型中故障阻抗、故障角、故障发生位置、故障类型等参数，分别获取不同故障条件下的短路故障信号。仿真参数设置如表3。
表3短路故障电磁暂态仿真参数
仿真参数 取值
故障阻抗Rf(Ω) 1、10、100、300
故障角 ±6°、±17°、±30°、±49°、±90°
短路发生区段；距离各区段首端(km) 区段1、2、3；按每隔0.5km设置
故障类型 TF、TN、FN
考虑测量装置的噪声，对仿真数据加入服从高斯分布的噪声，信噪比SNR分别为20、30dB。考虑到故障行波中前4～5个波头幅度陡度较明显，之后的波头会在折反射过程中的衰减，另外供电臂总长通常在50km以内，4～5个波头在300us范围之内，因此在故障信号中截取初始行波波头时刻前100us，后300us的波形作为样本。仿真步长1us，则样本的时间步数为400。
本实施例的故障区段判断模型的输入变量为供电臂首端量测的电压uT、uR、uF，电流iⅠT、iⅠR、iⅠF、iⅡT、iⅡR、iⅡF(下标Ⅰ、Ⅱ表示上、下行线路，T、R、F表示接触线、钢轨、正馈线，上下行线路并联联接处有uⅠT＝uⅡT＝uT，uⅠF＝uⅡF＝uF)。在牵引供电***中钢轨为一良导体，故障电流行波有一部分会流经钢轨，而在工程现场中，钢轨上的电流行波是不易测得的(在牵引变电所的主接线中钢轨接入集中接地箱)。鉴于此，本实施例在数据集中去除钢轨电流、电压变量，再输入故障区段判断模型进行训练，测试结果表明分类准确率与未去除的相近，说明本模型在无钢轨电流、电压输入下仍能有效地判断故障区段。因此，实际应用中，输入变量为供电臂首端量测的电压uT、uF，电流iⅠT、iⅠF、iⅡT、iⅡF。
故障区段判断模型的输出的分类结果为故障区段以及区段的前/后半段。数据集样本标签设置如表3所示。
表3数据集标签
标签 故障区间 标签 故障区间
0 区段1前半段 3 区段1后半段
1 区段2前半段 4 区段2后半段
2 区段3前半段 5 区段3后半段
故障区段判断模型的FCN块中的3个卷积块的滤波器的数目分别为4、8、4，内核大小分别为8、5、3。GRU单元的最佳数量通过网格搜索确定，保持其他超参数保持不变，在4个不同的选项(8、32、64、128)中搜索，确定32为GRU层的最佳单元数量。Dropout设置为50％，以减轻过拟合。
附图19用混淆矩阵显示了测试分类结果。它给出了每个状况的正确分类样本和错误分类样本，X轴和Y轴分别表示预测标签和真实标签。测试的故障区段分类结果中，预测为负类的主要是故障角±6°的样本，主要原因在于小故障角下的故障初始电势小，行波突变幅值小。如果故障发生时工频电压相角为0°时，则不存在故障初始电势，即不产生故障电压行波，故障状态将直接过渡到故障稳态。实际运行表明，故障发生在10°以下的概率非常低，此现实是有利于故障行波检测和分析的。
在确定故障点所在的区段以及处于前半段还是后半段之后，在初始波到后的Li/v(i＝1，2，3)时间窗内，标定检测到的反射波的波到时刻，计算故障点位置。依据是前半段还是后半段，计算距区段首端的距离xF：
Figure BDA0003667283130000111
其中，tA为检测到的反射波与初始行波波到的时差，v取线模分量的波速。
从理论上来说，在讨论波的传播时，因为多导线线路存在线间电磁联系，所以不能在相量上分析波的传播速度。根据模式传输理论可知，只有在模量上才有明确的不同模量线路的波传播速度，必须将相量上的电压波，经过相模变换，变为模量上的电压波分量，分别计算各自的波速。在计算故障距离时，在模量上标定波到时刻，再代入相应模量的波速计算距离。对牵引供电线路，能否直接使用线路电压uT、uF进行波头到达时刻的标定计算故障距离？分析如下。
对牵引供电线路进行相模变换后的波动方程为：
Figure BDA0003667283130000121
式中，um和im分别为模量上的电压和电流列向量；Z和Y分别为单位长度线路相量形式下的阻抗矩阵和导纳矩阵；Zm和Ym分别为线路的模阻抗矩阵和模导纳矩阵；和分别为模电压和电流分量波动方程的传播系数矩阵，为对角阵。采用下式：
Ti＝Tu -T (3)
对矩阵ZY和YZ进行相似变换，使之对角化，有
Figure BDA0003667283130000122
可计算得到，电流相模变换矩阵：
Figure BDA0003667283130000123
对于电压行波，相模变换关系表示为：
Figure BDA0003667283130000124
其中，相量uⅠ＝[uⅠT uⅠR uⅠF]T，uⅡ＝[uⅡT uⅡR uⅡF]T，模量umC＝[umC0 umC1 umC2]T，umD＝[umD0 umD1 umD2]T。式中相量的下标Ⅰ、Ⅱ表示上、下行线路，T、R、F表示接触线、钢轨、正馈线。模量表示为同向模量和反向模量的形式，下标C、D表示同向量、反向量，同向量、反向量的0模、1模、2模用下标0、1、2表示。
在供电臂首端，上下行线路并联，有uⅠT＝uⅡT＝uT，uⅠF＝uⅡF＝uF，则反向模量umD＝0，同向模2分量：
Figure BDA0003667283130000131
因此，忽略钢轨电压不至于引起很大的误差，可以直接使用电压uT、uF进行波头到达时刻的标定。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种基于深度学习的单端故障行波测距新算法，其特征在于，包括如下步骤：
1)构建全并联AT牵引供电***的故障仿真模型；
2)验证仿真模型；
3)生成仿真数据，加入噪声，预处理，制作训练样本集；
4)训练故障区段判断模型，将检测到的故障行波信号输入训练好的故障区段判断模型，判断故障发生的区段，然后利用故障行波中的初始波头及其后续反射波的到达量测点的时差，计算故障点与故障区段首端的距离，最终确定故障距测点的位置。
2.根据权利要求1所述的基于深度学习的单端故障行波测距新算法，其特征在于，在步骤1)中，牵引变压器、AT自耦变压器的建模采用电磁暂态仿真软件ATP-EMTP中提供的变压器模型，所需原始数据为变压器的空载和短路试验数据，仿真软件中的子程序将原始数据转换为仿真计算所需的矩阵。
3.根据权利要求1所述的基于深度学习的单端故障行波测距新算法，其特征在于，在步骤2)中，验证仿真模型的可用性，按照实施短路试验的供电臂结构和电气参数构建仿真模型进行短路故障计算，将仿真实验结果与实测波形对比验证。
4.根据权利要求1所述的基于深度学习的单端故障行波测距新算法，其特征在于，在步骤3)中，对仿真数据加入服从高斯分布的噪声，信噪比SNR分别为20、30dB，故障信号中，截取初始行波波头时刻前100us，后300us的波形作为样本，仿真步长1us，则样本的时间步数为400。
5.根据权利要求1所述的基于深度学***均池化，用于在分类之前减少模型中的参数数量，GRU块由一个GRU层组成。
6.根据权利要求1所述的基于深度学习的单端故障行波测距新算法，其特征在于，在步骤4)中，故障区段判断模型的输入数据集为多元变量的时间序列，故障区段判断模型的输入变量为供电臂首端量测的电压和电流。
7.根据权利要求1所述的基于深度学习的单端故障行波测距新算法，其特征在于，在步骤4)中，在确定故障点所在的区段以及处于前半段还是后半段之后，在初始波到后的Li/v(i＝1，2，3)时间窗内，标定检测到的反射波的波到时刻，计算故障点位置；依据是前半段还是后半段，计算距区段首端的距离：
Figure FDA0003667283120000021
(前半段)
Figure FDA0003667283120000022
其中，tA为检测到的反射波与初始行波的时差，v取线模分量的波速。
CN202210590825.8A 2022-05-27 2022-05-27 一种基于深度学习的单端故障行波测距新算法 Pending CN114966320A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210590825.8A CN114966320A (zh) 2022-05-27 2022-05-27 一种基于深度学习的单端故障行波测距新算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210590825.8A CN114966320A (zh) 2022-05-27 2022-05-27 一种基于深度学习的单端故障行波测距新算法

Publications (1)

Publication Number Publication Date
CN114966320A true CN114966320A (zh) 2022-08-30

Family

ID=82957757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210590825.8A Pending CN114966320A (zh) 2022-05-27 2022-05-27 一种基于深度学习的单端故障行波测距新算法

Country Status (1)

Country Link
CN (1) CN114966320A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993507A (zh) * 2023-03-23 2023-04-21 成都交大运达电气有限公司 一种电气化铁道牵引供电***的故障测距方法
CN117092453A (zh) * 2023-10-19 2023-11-21 华南理工大学 三芯电缆的故障定位方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993507A (zh) * 2023-03-23 2023-04-21 成都交大运达电气有限公司 一种电气化铁道牵引供电***的故障测距方法
CN117092453A (zh) * 2023-10-19 2023-11-21 华南理工大学 三芯电缆的故障定位方法、装置、设备及存储介质
CN117092453B (zh) * 2023-10-19 2023-12-19 华南理工大学 三芯电缆的故障定位方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Livani et al. A machine learning and wavelet-based fault location method for hybrid transmission lines
CN114966320A (zh) 一种基于深度学习的单端故障行波测距新算法
CN108562782B (zh) 一种杂散电流的获取方法及杂散电流的检测***
CN106841913B (zh) 配电线路故障测距方法
CN107632236A (zh) 一种基于对端母线反射波识别的单出线输电线路单端故障测距方法
CN111766470B (zh) 高压直流输电线路的故障定位方法、***及直流输电线路
CN110247420B (zh) 一种hvdc输电线路故障智能识别方法
CN107621591A (zh) 一种基于零模行波波速变化特性的输电线路迭代测距方法
CN115963358B (zh) 一种混合三端柔性直流输电线路故障测距方法及***
CN113985194A (zh) 一种基于堆栈自编码器的配电网故障定位方法
CN113092946A (zh) 一种配电网多分支架空-电缆混合线路接地故障定位方法及装置
CN113253052A (zh) 一种基于改进smmg的高压直流输电线路故障测距方法
CN111157843B (zh) 一种基于时频域行波信息的配电网选线方法
CN112415273A (zh) 一种双回非全线平行输电线路零序参数精确测量方法
CN113884818B (zh) 一种基于lstm的配电网故障行波到达时间精确估算方法
CN112540260B (zh) 基于行波能量变化特性的高压输电网混联线路故障测距方法、装置及***
Fluty et al. Electric transmission fault location techniques using traveling wave method and discrete wavelet transform
Shu et al. Fault-section identification for hybrid distribution lines based on principal component analysis
CN112526290A (zh) 一种基于广域行波侧后模拟的复杂电网接地故障定位方法
CN112526289A (zh) 一种基于广域行波信息共有特征的复杂电网故障定位方法
Yan et al. Fault location for 10kV distribution line based on traveling wave-ANN theory
CN113536674B (zh) 一种基于bp神经网络和改进scada数据的线路参数辨识方法
CN111965495B (zh) 一种单端故障行波测距方法、装置、设备及可存储介质
CN115313329A (zh) 一种用于快速行波保护的频带范围选取方法及相关装置
CN111474447B (zh) 基于单端行波法的不对称输电线路故障定位方法

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