一种边云协同的特高压直流输电系统换相失败溯源方法与流程

1.本发明属于电力系统中高压直流输电继电保护技术领域，涉及一种利用故障录波数据的边云协同的特高压直流输电系统换相失败溯源方法。


背景技术：

2.近些年来，我国特高压直流(ultra high voltage direct current,uhvdc)输电飞速发展。直流输电的规模不断扩大，在输电系统中所占的比重也不断上升。在带来经济便利的同时，也为电网的安全可靠运行提出了挑战。
3.历史运行数据统计显示，换相失败是直流输电系统中最常见的故障之一。对于交流系统，换相失败会导致弱交流电网发生波动造成电压的大幅度变化，甚至造成保护误动；对于直流系统，由于超长直流输电线之间的互感作用，导致某一极发生故障时可能会使得非故障极发生换相失败；对于分层接入的直流系统，低端(或高端)的故障可能会导致高端(或低端)发生换相失败。因此，寻找方法对引起换相失败的源头进行溯源能够帮助运维人员快速进行故障定位。申请公布号为cn110968073a、申请公布日为2020年04月07日的中国发明专利申请《一种hvdc系统换相失败故障原因双层溯源辨识方法》采用浅层辨识利用小波熵对故障信号进行特征提取，构建故障特征空间。引入ap聚类算法，仅利用数据自身特性进行划分，避免人为因素干扰，可无监督实现换相失败溯源的浅层辨识，以区分换流阀故障与交流侧故障。深层辨识利用辅助电气信号构建故障时空样本矩阵，选用鲁棒性较为优异的卷积神经网络实现换相失败溯源深层辨识，确定引发换相失败的具体原因。最后，利用
±
500kv高压直流输电系统及cigre直流输电标准模型作为算例对所提方法进行了验证。然而，在特高压直流输电继电保护系统中，故障发生后保护装置动作，大量包含故障信息的交直流故障录波数据会以comtrade(电力系统暂态数据交换)通用格式存储在故障录波器当中。这为故障定位和溯源、现场检修以及后续优化控制保护系统提供大量的参考。
4.随着科学技术的进步，自学习的智能故障诊断算法应运而生。其中，人工神经网络作为机器学习中传统学习理论的代表性方法，具有优秀的学习能力与记忆能力，是当前研究的热门方向，各种结合神经网络的故障诊断算法应运而生。值得注意的是，神经网络这种模型的训练与诊断分离的作用模式，也为边云协同的故障溯源架构提供了一种资源与任务分配的思路。
5.边云协同原本是互联网行业的概念，现在也广泛应用到各种行业。在传统的云计算架构中，将数据上传至远程云服务器会消耗大量的传输时间，且核心网有限的带宽难以承受海量的数据传输。边缘计算作为一种接近业务端的新计算技术，已成为电力物联网等对处理延迟比较敏感业务的有效解决方案。因此，亟需研究一种边云协同下的特高压直流输电系统故障溯源方法。


技术实现要素：

6.本发明所要解决的问题在于如何设计一种边云协同的特高压直流输电系统换相
失败溯源方法，从而减少了对带宽的占用，提高故障溯源算法的运行效率。
7.本发明是通过以下技术方案解决上述技术问题的：
8.一种边云协同的特高压直流输电系统换相失败溯源方法，将故障溯源工作分解为边缘端计算单元和云端计算单元两部分，二者相互协同；边缘端计算单元用于读取comtrade故障录波数据，进行特征提取和故障原因初判；云端计算单元用于在接收到各个边缘节点的数据包后进行换流器故障数目判断、输出故障溯源简报、增量式训练各神经网络以及网络参数分发；
9.所述的边缘端计算单元的计算方法为：
10.s01、根据继电保护动作方程判断是否发生换相失败；
11.s02、检测并读取comtrade故障录波文件；
12.s03、截取故障后一定时间的换流器各电压电流录波数据；
13.s04、对录波数据进行异常检测与修复；
14.s05、将录波数据分割为多个时间窗；
15.s06、对每个时间窗求取小波能量谱；
16.s07、求取各个时间窗的能量香农熵并构成特征矩阵；
17.s08、将特征矩阵输入到边缘神经网络进行分类；
18.s09、输出换流器换相失败故障初判结果；
19.s10、将诊断结果和特征矩阵封装后发送到云端；
20.s11、等待云端回传更新指令，判断是否需要网络参数，若是则进行第s12步，否则结束处理流程；
21.s12、更新边缘神经网络参数；
22.所述的云端计算单元的计算方法为：
23.s13、等待各边缘端上传诊断结果；
24.s14、判断是否有多个换流器换相失败，若是则执行s15至s18、s21、s22步，否则跳至第s19步；
25.s15、将各边缘端的上传数据构成特征矩阵；
26.s16、将特征矩阵输入到云端故障溯源神经网络进行分类；
27.s17、输出换相失败溯源简报；
28.s18、使用增量式训练方法更新云端故障溯源神经网络；
29.s19、输出换相失败确认简报；
30.s20、将该边缘端的上传数据构成特征矩阵；
31.s21、使用增量式训练方法更新故障源边缘端神经网络；
32.s22、回传更新后的边缘端网络参数。
33.本发明的技术方案将神经网络的训练任务由算力较高的云端工作站完成，而大量数据存储和预处理的计算任务则分配到以换流器控保为运算单元的边缘端，大大减少了对带宽的占用，提高了整个故障溯源算法的运行效率，适用于特高压直流输电系统、电力调度系统、电力控保系统等场合。
34.作为本发明技术方案的进一步改进，步骤s01中所述的根据继电保护动作方程判断是否发生换相失败的方法为：当检测到继电保护动作方程满足条件时，边缘端判定该换
流器发生换相失败，所述的继电保护动作方程如下：对于高端换流器：id
–
ivyh>ivyh且id
–
ivdh>ivdh，其中id＝max(idc1p，idc1n)；对于低端换流器：id
–
ivyl>ivyl且id
–
ivdl>ivdl，其中id＝max(idc2p，idc2n)；其中，idc1p、idc1n、idc2p、idc2n为出入高低端换流器的直流电流，ivyh、ivdh、ivyl、ivdl为yy桥yd桥高低端换流器的三相交流电流。
35.作为本发明技术方案的进一步改进，步骤s02中所述的comtrade录波文件包括：cfg格式文件和data格式文件。
36.作为本发明技术方案的进一步改进，步骤s03中所述的截取故障后一定时间的换流器各电压电流录波数据的方法为：将一个十二脉动换流器作为基本单元，将录波数据中换流器直流侧的直流电压u
d
、直流电流i
d
，交流侧的与yy换流变和yd换流变连接的三相电压电流u
acy_abc
、u
acd_abc
、i
acy_abc
、i
acd_abc
，共2 3*2*2＝14条录波通道数据，截取故障后电网周期的录波数据，以此作为换相失败的数据样本。
37.作为本发明技术方案的进一步改进，步骤s06中所述的对每个时间窗求取10级sym8小波能量谱的方法为：
38.设{v
j
}
j∈z
是l2(r)的多分辨分析，是相应的正交尺度函数，ψ(t)是正交小波函数，则它们所满足的双尺度方程为：
39.引进u
2n 1
(t)＝ψ(t)，那么上式变为：
40.其中，尺度函数的滤波器即为{h
k
}，小波函数ψ(t)的滤波器即为{g
k
}；z为整数集；
41.设则可以表示为：
42.由此，得到小波分解算法为：
43.小波重构算法：
44.作为本发明技术方案的进一步改进，步骤s07中所述的求取各个时间窗的能量香农熵并构成特征矩阵的方法为：信号序列f(n)在各个频段上的小波系数为d
j
(n)，则小波能量e
i
为：为了获得小波包能量在各个频段的分布，定义相对小波包能量p
j
为：显然并且p
j
的分布可以认为是信号在时频域上的能量概率分布；得到小波能量熵ε的定义，它用具体数值描述了小波能量谱的分布情况，表达式为：
45.作为本发明技术方案的进一步改进，步骤s08中所述的边缘lstm神经网络的结构为：第一层为输入层，输入的特征向量维度为14；第二层为双向lstm神经网络，即前向lstm与后向lstm的结合，能更有效地处理双向的信息，其隐含层数目设定为512层；第三层为全连接层，数据种类设定为：单相接地导致换相失败、两相短路导致换相失败、两相接地短路导致换相失败、三相短路导致换相失败、三相接地短路导致换相失败、脉冲丢失导致换相失败、正常运行；第四层为softmax函数，将原先输出映射到(0,1)上；第五层为分类器，实现故障分类功能。
46.作为本发明技术方案的进一步改进，步骤s13中所述的等待各边缘端上传诊断结果的方法为：在边缘端上传数据给云端之前，云端保持等待状态，直到有边缘端上传了故障数据到云端后，继续给定一段等待时间使所有发生故障的边缘端均上传完毕，云端再给余下边缘端发送时间窗信息并等待回传故障诊断结果。
47.作为本发明技术方案的进一步改进，步骤s16中所述的云端故障溯源神经网络的具体结构为：第一层为输入层，输入的特征向量维度为56；第二层为双向lstm神经网络，其隐含层数目设定为512层；第三层为全连接层，数据种类设定为：极1高端为故障源、极1低端为故障源、极2高端为故障源、极2低端为故障源；第四层为softmax函数，将原先输出映射到(0,1)上；第五层为分类器，实现故障分类功能。
48.作为本发明技术方案的进一步改进，步骤s17中所述的输出换相失败溯源简报的方法为：云端溯源lstm输出编号1至4依次表示故障原因为：极1高端为故障源、极1低端为故障源、极2高端为故障源、极2低端为故障源，再结合各个故障边缘端lstm输出的故障原因编号即可生成故障溯源简报。
49.本发明的优点在于：
50.本发明的技术方案将神经网络的训练任务由算力较高的云端工作站完成，而大量数据存储和预处理的计算任务则分配到以换流器控保为运算单元的边缘端，大大减少了对带宽的占用，提高了整个故障溯源算法的运行效率。适用于特高压直流输电系统、电力调度系统、电力控保系统等场合。
附图说明
51.图1为基于边云协同的计算网络的框架图；
52.图2为基于边云协同的计算网络的具体结构图；
53.图3为边缘端和云端计算单元算法流程图；
54.图4为直流输电系统逆变站一次回路电压电流测量位置图。
具体实施方式
55.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
56.下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述：
57.实施例一
58.如图1所示，以两极高低端逆变站为例，特高压直流换相失败边云协同计算网络框架图中现场层由四组12脉动换流器及其测量装置组成；边缘层由四个嵌入式计算终端组成，其中p1 et1代表极1高端换流器的边缘计算终端，p1 et2代表极1低端换流器的边缘计算终端，余下以此类推。云中心层位于部署在换流站控制室的工作站上，通过站内lan网与边缘端进行连接。
59.如图2和图3所示，一种利用故障录波数据的边云协同的特高压直流输电系统换相失败溯源方法，包含两个部分：1、边缘端计算单元算法；2、云端计算单元算法。
60.1、边缘端计算单元算法的具体实现步骤：
61.(1)根据继电保护动作方程判断是否发生换相失败；
62.判断是否换相失败的继电保护动作方程如下：
63.对于高端换流器：id
–
ivyh>ivyh且id
–
ivdh>ivdh，其中id＝max(idc1p，idc1n)；
64.对于低端换流器：id
–
ivyl>ivyl且id
–
ivdl>ivdl，其中id＝max(idc2p，idc2n)；
65.其中，idc1p、idc1n、idc2p、idc2n为出入高低端换流器的直流电流，ivyh、ivdh、ivyl、ivdl为yy桥yd桥高低端换流器的三相交流电流(取瞬时值最大相)，具体在一次回路中的测点如图4所示，当检测到继电保护动作方程满足条件时，边缘端认为该换流器发生换相失败，并以此为启动条件进行后续步骤。
66.(2)检测并读取comtrade故障录波文件；需要检测文件服务器是否有comtrade录波文件生成，具体包含cfg文件和data文件，此步骤的目的是将以二进制存储在comtrade文本的信息转移至程序方便操作的变量中，但具体使用何种存储变量应当与后续进行分析的软件语言相适应，并不局限于特定格式。
67.(3)截取故障后0.02s的换流器各电压电流录波波形；将一个十二脉动换流器作为基本单元，将录波数据中换流器直流侧的直流电压u
d
、直流电流i
d
，交流侧的与yy换流变和yd换流变连接的三相电压电流u
acy_abc
、u
acd_abc
、i
acy_abc
、i
acd_abc
，共2 3*2*2＝14条录波通道数据，截取故障后一个电网周期(0.02s)的录波数据，以此作为换相失败的数据样本。具体的故障开始时刻以步骤(1)的保护动作方程为准。
68.(4)对录波数据进行异常检测与修复；异常录波数据检测是通过录波cfg文件的模拟量通道上下限实现的。模拟通道行信息格式如下：
69.an,ch_id,ph,ccbm,uu,a,b,skew,min,max,primary,secondary,ps<cr/lf>
70.其中，a和b即为上文提到的增益系数和偏移量；而min和max则为.dat数据文件中模拟通道存储值的下限和上限。因此，某一模拟量通道的最大最小限值分别为a*max b和a*min b。若录波数据点超过限值，则需要通过回归拟合等方式进行修复，具体方法为现有技术，在此不再赘述。
71.(5)将录波数据分割为20个时间窗(0.001s)；边缘端步骤(5)中将录波数据分割的意义在于，若使用lstm神经网络进行分类，则样本数据应当构成一个合适长度的时间序列，在选取了不同的分割数目进行分类准确度测试后选定0.001s为时间窗口。
72.(6)对每个时间窗求取10级sym8小波能量谱；边缘端步骤(6)中，假设{v
j
}
j∈z
是l2(r)的多分辨分析，是相应的正交尺度函数，ψ(t)是正交小波函数，则它们所满足的双
尺度方程为：
[0073][0074]
若引进u
2n 1
(t)＝ψ(t)，那么上式变为：
[0075][0076]
其中，尺度函数的滤波器即为{h
k
}，小波函数ψ(t)的滤波器即为{g
k
}；z为整数集。设则可以表示为：
[0077][0078]
由此，得到小波分解算法为：
[0079][0080]
小波重构算法：
[0081][0082]
特别地，sym8小波函数的频带能量熵平均值最小，被选为适用于本场合的最优小波函数。而10级分解是根据录波数据实际采样率和结果准确度测试选定的，当采样率较高时，分解的级数也可相应提高。
[0083]
(7)求取各个时间窗的能量香农熵并构成特征矩阵；
[0084]
信号序列f(n)在各个频段上的小波系数为d
j
(n)，则小波能量e
i
为：
[0085][0086]
为了获得小波包能量在各个频段的分布，定义相对小波包能量p
j
为：
[0087][0088]
显然并且p
j
的分布可以认为是信号在时频域上的能量概率分布。得到小波能量熵ε的定义，它用具体数值描述了小波能量谱的分布情况，表达式为：
[0089][0090]
至此录波数据在经过截取、分割、小波分解和能量熵求取后，得到一个14行*20列的特征矩阵。其14行代表14个特征，即各种电气量；20列表示一个电网周期内的变化，即时
间序列。
[0091]
(8)将特征矩阵输入到边缘lstm神经网络进行分类；边缘端步骤(8)中的边缘lstm神经网络，其具体结构为：第一层为输入层，输入的特征向量维度为14(14个电压电流数据)；第二层为双向lstm神经网络，即前向lstm与后向lstm的结合，能更有效地处理双向的信息，其隐含层数目设定为512层；第三层为全连接层，数据种类设定为7(单相接地导致换相失败、两相短路导致换相失败、两相接地短路导致换相失败、三相短路导致换相失败、三相接地短路导致换相失败、脉冲丢失导致换相失败、正常运行)；第四层为softmax函数，将原先输出映射到(0,1)上；第五层为分类器，实现故障分类功能。
[0092]
(9)输出换流器换相失败故障初判结果；边缘端步骤(9)中神经网络输出的是故障原因编号，具体地，编号1至7依次表示故障原因为：交流电网单相接地、交流电网两相短路、交流电网两相接地短路、交流电网三相短路、交流电网三相接地短路、阀组脉冲丢失、正常运行。故障时间、故障原因等信息以预设的简报形式推送到显示设备中。需要注意的是，此处输出的结果是建立在lstm神经网络已经进行了预训练的基础上的，只有当网络经过相当数量故障数据集的预训练后，才能给出可靠的诊断结果。此处的数据集可以通过建立仿真模型进行故障模拟获得以加快投运，并在工程运行中逐步积累实际故障数据进行替代。
[0093]
(10)将诊断结果和特征矩阵封装后发送到云端；边缘端步骤(10)中，四个边缘计算单元将诊断结果(数字0至7)与特征矩阵(14行*20列)进行打包发送，通常在站内lan网中使用tcp/ip协议与云端工作站进行通讯。
[0094]
(11)等待云端回传更新指令，判断是否需要网络参数，若是则进行第12步，否则结束处理流程；边缘端步骤(11)中，由于边缘端只进行lstm神经网络的存储和使用并不涉及网络的训练，因此边缘端神经网络的权值等参数更新依赖于云端增量训练完毕的新网络下发。该步骤虽为等待云端的回传数据，但可在后台自动完成。
[0095]
(12)更新边缘lstm神经网络参数。边缘端步骤(12)中，需要更新的参数具体包含：输入权重、循环网络权重、偏移等。
[0096]
2、云端计算单元算法的具体实现步骤：
[0097]
(1)等待各边缘端上传诊断结果；在边缘端上传数据给云端之前，云端保持等待状态，直到有边缘端上传了故障数据到云端后，继续给定一段等待时间使所有发生故障的边缘端均上传完毕，云端再给余下边缘端发送时间窗信息并等待回传故障诊断结果。
[0098]
(2)判断是否有多个换流器换相失败，若是则执行3至6、9、10步，否则跳至第7步；其中，当有且仅有一个边缘端上传的诊断编号为故障时，认为只有一个换流器发生换相失败；当接收到两个及以上的边缘端故障诊断编号后，认为有多个换流器发生换相失败。
[0099]
(3)将各边缘端的上传数据构成特征矩阵；云端步骤(3)中需要将各个边缘端的故障特征数据进行组合。在本例中，4个换流器的故障数据应当组合为56行*20列的特征矩阵，用于输入到云端故障溯源神经网络之中。
[0100]
(4)将特征矩阵输入到云端故障溯源lstm神经网络进行分类；云端步骤(4)中的云端溯源lstm神经网络，其具体结构为：第一层为输入层，输入的特征向量维度为56(56个电压电流数据)；第二层为双向lstm神经网络，其隐含层数目设定为512层；第三层为全连接层，数据种类设定为4(极1高端为故障源、极1低端为故障源、极2高端为故障源、极2低端为故障源)；第四层为softmax函数，将原先输出映射到(0,1)上；第五层为分类器，实现故障分
类功能。
[0101]
(5)输出换相失败溯源简报；云端步骤(5)中神经网络输出的是故障溯源简报，具体地，云端溯源lstm输出编号1至4依次表示故障原因为：极1高端为故障源、极1低端为故障源、极2高端为故障源、极2低端为故障源。再结合各个故障边缘端lstm输出的故障原因编号即可生成故障溯源简报，例如：“极1低端的换流器交流侧三相短路导致自身换相失败，并进一步引发极1高端的换流器也发生换相失败”。需要注意的是，此处输出的结果仍是建立在lstm神经网络已经进行了预训练的基础上的，只有当网络经过相当数量故障数据集的预训练后，才能给出可靠的诊断结果。
[0102]
(6)使用增量式训练方法更新云端故障溯源lstm神经网络；随着该方法的投运，故障数据必然逐步积累，因此在获得新的故障数据后需要使用增量式训练方法来更新神经网络而不是重新训练。此处为一次有效地多地故障，因此4个换流器的故障数据组合的56行*20列特征矩阵可以作为新数据集来更新云端故障溯源lstm神经网络。
[0103]
(7)输出换相失败确认简报；由于仅有一处换流器发生换相失败，因此云端只需直接给出确认简报，例如：“极1低端的换流器交流侧三相短路导致自身换相失败，并未引起其他换流器发生换相失败”。
[0104]
(8)将该边缘端的上传数据构成特征矩阵；云端步骤(8)中的特征矩阵正是边缘端上传的14行*20列特征矩阵。
[0105]
(9)使用增量式训练方法更新故障源边缘端lstm神经网络；云端步骤(9)中，由于仅有一处换流器发生换相失败，因此云端只需对该边缘端的lstm神经网络进行增量式训练更新即可。
[0106]
(10)回传更新后的边缘端lstm网络参数；云端步骤(10)中回传的网络参数具体包含：输入权重、循环网络权重、偏移等，并且只是对发生换相失败的边缘端(即故障源)进行网络参数替换。
[0107]
采用仿真验证的方式对本发明所提方法做进一步解释和说明。仿真模型使用matlab/simulink进行搭建，其一次回路和设备的具体参数与国内某
±
1100kv特高压直流输电系统保持一致。故障数据集使用simulink仿真自动生成，故障溯源算法在matlab中使用.m文件实现。
[0108]
首先，在不同短路电阻(金属性接地和非金属性接地)、不同运行方式(双极运行、单极大地回线和单极金属回线)、不同传输功率下(最低功率和额定功率)，收集交流电网单相接地(包括a b c三类)、交流电网两相短路(包括ab bc ac三类)、交流电网两相接地短路(包括abg bcg acg三类)、交流电网三相短路(abc)、交流电网三相接地短路(abcg)、阀组脉冲丢失(pl)、正常运行，7种换流器状态下的换流器交直流电压电流仿真波形。经过数据截取、分割、小波变换求能量熵后形成训练矩阵，矩阵大小为14行*20列，每种换流器故障取216组训练样本，共1512组，训练边缘端lstm神经网络并进行诊断准确度验证，最终精确度为95.92％。同样的，对云端的故障溯源lstm神经网络进行相应的故障仿真和预训练，最终精确度为93.48％。
[0109]
在边缘端网络和云端网络均预训练完成后，可以进一步对该方法进行试验。现用极1低端换流器换相失败导致高端换流器换相失败为例，具体地，对simulink模型设置为双极额定功率运行，设置极1低端的yy换流器在0.5秒处丢失触发脉冲。此后，在0.505秒时极1
低端换流器边缘端计算单元检测到换相失败发生，并按照图2所示的边缘端计算单元算法进行数据截取、特征提取以及故障原因诊断，诊断结果为第6类，即阀组脉冲丢失。与此同时，在0.515秒时极1高端换流器边缘端计算单元检测到换相失败发生，诊断结果为阀组脉冲丢失。接着四个代表边缘端的.m文件将0.505秒至0.525秒提取的特征矩阵保存到工作区供云端.m文件调用，云端将边缘端的特征矩阵整合后按照图3所示的云端算法进行溯源，得到故障源编号为1，即：极1低端为故障源。生成的故障溯源简报为：“0.505秒前后，极1低端的换流器脉冲丢失导致自身换相失败，并进一步引发极1高端的换流器也发生换相失败”。最后按照图3所示算法对两个网络进行增量式训练和网络参数更新，结束本次故障溯源工作。
[0110]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。