基于WaveNet的多端直流输电线路故障诊断方法

基于wavenet的多端直流输电线路故障诊断方法
技术领域
1.本发明属于电力系统分析技术领域，具体涉及一种基于wavenet的多端直流输电线路故障诊断方法。


背景技术：

2.基于模块化多电平换流器的柔性直流输电系统具有功率双向流动、控制灵活特点，越来越受到关注。多端直流输电系统是解决大规模新能源送出和消纳的有效手段之一，因而得到了广泛应用。然而，多端柔性直流输电系统阻尼小，故障后的电流上升速度快，对输电线路故障诊断方法提出了更高的要求。
3.现有关于多端柔性直流输电线路故障诊断方法的研究多是基于物理模型驱动的方法，即通过故障机理模型分析，建立故障电压或电流信号特征量，人工设定故障阈值后进行输电线路故障诊断。然而，通过模型机理分析必然会存在不合理假设或简化，难以建模分析线路参数变化、负荷容量变化、阻抗参数变化等因素的影响，必然导致故障诊断误判高，准确率低。因此，现有多端柔性直流输电线路故障诊断方法面对日益复杂的电网结构，故障发生后的电气特征量将发生显著变化，从而导致现有方法难以实现精准的输电线路故障诊断。
4.数据驱动方法则利用的是数据统计和数据挖掘的方法，去发现数据所表现的电力系统物理本质和运行规律，通过数据透视事物的本质和关系。由于此类方法并不需要进行假设或简化，也不依赖于机理，依据的是反映系统真实情况的数据。因此，数据驱动方法在面对不确定性加剧、多因素共同作用、与外界交互性日益增强的复杂大电网时展现出独特优势，适于进行多端柔性直流输电线路故障诊断。


技术实现要素：

5.本发明的目的是提供基于wavenet的多端直流输电线路故障诊断方法，解决了现有技术中人为造成的不确定性因素导致诊断结果受影响、模型适应能力和准确率不够高的问题。
6.本发明所采用的技术方案是，
7.基于wavenet的多端直流输电线路故障诊断方法，具体按照如下步骤进行：
8.步骤1：采集多端柔性直流输电系统中的部分电压电流信号采集，其中，至少包括一条直流输电线路上的正极电压、负极电压、正极电流、负极电流，以及一条连接该直流输电线路的交流侧三相交流电压和交流电流；
9.步骤2：对步骤1中采集到的电压数据和电流数据进行归一化预处理，获得归一化预处理后的电压数据和电流数据；
10.步骤3：在多端柔性直流输电系统运行于不同工况的情形下，通过仿真手段或者收集实际系统运行历史数据，形成样本数据集；
11.步骤4：对样本数据集人工标注并划分为样本训练集、样本验证集、样本测试集；
12.步骤5：搭建wavenet整体模型结构；
13.步骤6：对wavenet模型使用步骤4的样本训练集进行模型的训练，获得训练完成后的wavenet模型；
14.步骤7：对训练完成后的wavenet模型，使用步骤4的样本验证集进行模型的过拟合判断；若出现过拟合则按照步骤6对wavenet模型进行重新训练，直至未出现过拟合现象，得到最优wavenet模型；
15.步骤8：对步骤7的最优wavenet模型，使用步骤4的样本测试集进行模型的测试；
16.步骤9：将实时采集到的多端柔性直流输电系统中的电压数据和电流数据输入到步骤7所获得的最优wavenet模型中，模型输出故障所在的线路编号；其中，电压数据和电流数据至少包括一条直流输电线路上的正极电压、负极电压、正极电流、负极电流，以及一条连接该直流输电线路的交流侧三相交流电压和交流电流。
17.本发明的特点还在于；
18.步骤1中，部分电压电流信号采集具体为：通过结合多端柔性直流输电系统中安装的部分电压测量装置和电流测量装置，分别对多端柔性直流输电系统中的部分电压和部分电流进行信号采集。
19.步骤2具体为：对步骤1中采集到的电压信号和电流信号的幅值进行如下公式(1)的采样计算，并全部进行如下公式(2)的归一化，获得预处理数据；
[0020][0021]
其中，n为每个周期采集的数据点数，x1，x2，x3，
……
，xn依次为每个周期内的各采样数据点所对应的数据值；
[0022][0023]
其中，x
*
为归一化后的数据输出，x为原始采集到的数据，x
max
为输入的样本数据中的最大值，x
min
为输入的样本数据中的最小值。
[0024]
步骤3中，不同工况包括有不同线路参数、不同负荷容量、不同系统阻抗、不同故障类型以及不同故障线路；其中，不同故障类型包括单相短路、两相短路以及三相短路；不同故障线路包括直流侧线路和交流侧线路。
[0025]
步骤4具体为：对需要分析的多端柔性直流输电系统中的直流侧线路和交流侧线路进行编号1～m，对步骤3中的样本数据集进行标注，其中，每个样本数据包含一个输入项和一个输出项，输入项为步骤2中归一化预处理后的电压数据和电流数据；输出项为与输入项对应工况的线路编号；
[0026]
对标注完成的样本数据集进行划分，其中的70％为样本训练集，20％为样本验证集，10％为样本测试集。
[0027]
步骤5具体为：基于wavenet的深度学习模型包络输入部分、wavenet结构部分以及输出部分，其中；
[0028]
输入部分，仅包含一个输入层，将步骤4得到的输入项数据处理为可以高效运算与
批处理的矩阵数据；
[0029]
wavenet结构部分，包含多个wavenet结构，每个wavenet结构部分首先经过因果卷积层，之后进入空洞因果卷积层，获取更长时间的感知，再将其送入门激活函数，激活函数的值，再经过卷积核为1
×
1的1d卷积降维处理，降维处理的结果一部分送入跳步连接之中，另一部分与wavenet结构的输入相加送入下一层神经网络；
[0030]
输出部分，包含一层softmax，获得故障所在线路编号。
[0031]
步骤6具体为：对步骤5的wavenet整体模型结构使用步骤4的样本训练集进行训练，使用反向传播算法进行参数更新，使用adam优化器来进行训练，损失函数为交叉墒损失函数，输入数据为步骤4中的每个样本数据的输入项，输出数据为步骤4中每个样本数据的输出项。
[0032]
本发明基于wavenet的多端直流输电线路故障诊断方法的有益效果是：本方法可以直接从采集的部分电压、电流信号中自主学习在不同输电线路上发生故障所对应的特征信息，避免了人工故障特征提取或者人工确定故障阈值的过程，减少了人为造成的不确定性因素，提高诊断结果准确率；
[0033]
本发明方法不依赖于物理模型，不受线路参数、负荷容量、系统阻抗等因素影响，模型适应能力强。
附图说明
[0034]
图1为基于wavenet的多端直流输电线路故障诊断方法的流程示意图；
[0035]
图2为基于wavenet的多端直流输电线路故障诊断方法的实施例中的四端直流输电系统拓扑；
[0036]
图3为基于wavenet的多端直流输电线路故障诊断方法中准确率的训练迭代更新图。
具体实施方式
[0037]
下面结合附图和具体实施方式，对本发明基于wavenet的多端直流输电线路故障诊断方法进行进一步详细说明。
[0038]
如图1所示，首先，采集多端柔性直流输电系统中的部分电压电流信号采集收集后进行预处理；其次，对样本数据集人工标注并划分为样本训练集、样本验证集、样本测试集；然后，对搭建完成的wavenet模型进行训练，直至未出现过拟合现象；最后，使用最优分析模型部署到实际中，得到多端柔性直流输电线路故障诊断分析结果。
[0039]
本发明基于wavenet的多端直流输电线路故障诊断方法，如图1所示，具体按照以下步骤实施：
[0040]
步骤1：采集多端柔性直流输电系统中的部分电压电流信号采集。其中，至少包括1条直流输电线路上的正极电压、负极电压、正极电流、负极电流，1条连接该直流输电线路的交流侧三相交流电压、交流电流；具体过程为：
[0041]
结合图2所示的四端柔性直流输电系统，图2为实施例中的四端柔性直流输电系统拓扑。本实施例选取采集j4线路上的正极电压、负极电压、正极电流、负极电流，p1换流站的交流侧三相交流电压、交流电流，共计10个电压、电流数据。
[0042]
步骤2：对步骤1中采集到的10个电压、电流数据进行归一化预处理，获得归一化预处理后的电压、电流数据；具体过程为：
[0043]
对步骤1中采集得到的10个电压、电流数据号的幅值全部进行式(1)所示的幅值计算，并全部进行式(2)所示的归一化，获得预处理数据；
[0044][0045]
其中，n为每个周期采集的数据点数，x1，x2，x3，
……
，xn依次为每个周期内的各采样数据点所对应的数据值。
[0046][0047]
其中，x
*
为归一化后的数据输出，x为原始采集到的数据，x
max
为输入的样本数据中的最大值，x
min
为输入的样本数据中的最小值。
[0048]
步骤3：在系统运行于不同工况下，通过仿真手段或者收集实际系统运行历史数据，形成样本数据集；具体过程为：
[0049]
利用pscad仿真软件，对图2所示四端柔性直流输电系统中，在每一条线路(包括分别在s1换流站交流侧、s2换流站交流侧、p1换流站交流侧、p2换流站交流侧、j1线路直流侧、j2线路直流侧、j3线路直流侧、j4线路直流侧)上，针对6种故障类型(包含交流侧单相短路、两相短路、三相短路以及直流侧的正极接地、负极接地、极间短路)，分别改变线路参数、负荷容量、系统阻抗时，进行仿真，形成样本数据集。
[0050]
步骤4：对样本数据集人工标注并划分为样本训练集、样本验证集、样本测试集；具体过程为：
[0051]
对图2所示四端柔性直流输电系统中的20条线路(直流侧线路和交流侧线路)，进行编号1～20。对步骤3中所有的样本数据集进行标注。每个样本数据包含一个输入项和一个输出项。输入项为步骤2中预处理后的电压、电流幅值；输出项为与输入项对应工况的线路编号1～20。
[0052]
对标注完成的全部样本数据集进行划分，其中的70％为样本训练集，20％为样本验证集，10％为样本测试集。
[0053]
步骤5：搭建wavenet整体模型结构；具体过程为：
[0054]
基于wavenet的深度学习模型包络输入部分、wavenet结构部分、输出部分。
[0055]
输入部分，仅包含一个输入层，将步骤4得到的输入项数据处理为可以高效运算与批处理的矩阵数据，矩阵尺寸为三维矩阵。本发明中所使用采样数据总量为12000个样本数据，每一个样本数据包含500个时间步，每个时间步包含1(交流侧采集节点数量)
×
6(三相电压、三相电流) 1(直流侧采集节点数量)
×
4(正极电压、正极电流、负极电压、负极电流)＝10维数据。从而获得观测节点的电压、电流矩阵数据，该矩阵为形式为[12000，500，10]；
[0056]
wavenet结构部分，包含多个wavenet结构。每一个wavenet结构部分首先经过因果卷积层，之后进入空洞因果卷积层，获取更长时间的感知，再将其送入门激活函数。激活函数的值，再经过卷积核为1
×
1的一维卷积降维处理。本发明中，分析的输出线路数量m为20，
故该1
×
1卷积核数量为1
×
20＝20。经过1
×
1一维卷积降维处理后的结果一方面送入跳步连接之中，另一部分与wavenet结构的输入相加送入下一层神经网络。若{x1，x2，...，xn}(n为时间步)为经输入部分处理后得到的电压、电流矩阵数据，则经过wavenet结构部分后可提取当前输入时间序列的历史依赖关系{h
b1
，h
b2
，...，h
bn
}。
[0057]
输出部分，包含一层softmax，获得故障所在线路编号。
[0058]
步骤6：对步骤5的模型使用步骤4形成的样本训练集进行模型的训练；每次训练遍历样本训练集中的每一个数据，每次遍历称为一个世代，需要经过多个世代数目的训练后得到模型参数。具体过程为：对步骤5的模型使用步骤4的样本训练集进行训练，使用反向传播算法进行参数更新，使用adam优化器来进行训练，损失函数为交叉墒损失函数。输入数据为步骤4中所述的每一个样本的输入项，输出数据为对应的步骤4中所述的输出项。训练中尝试使用不同的超参数来调整模型，获取训练完成后的模型。
[0059]
其中可以调节卷积网络层数，神经元数量，激活函数类型，学习率。
[0060]
如图3所示，图3为模型训练过程中的准确性变化趋势，随着迭代次数的增加，模型准确度获得了上升，最终准确率达99.4％。
[0061]
步骤7：对步骤6训练完成的模型使用步骤4形成的样本验证集进行模型的过拟合判断；若出现过拟合则按照步骤6对模型进行重新训练，直至未出现过拟合现象，得到最优模型。
[0062]
步骤8：对步骤7的模型使用步骤4形成的样本测试集进行模型的测试；
[0063]
步骤9：将实时采集到的多端柔性直流输电系统中的电压数据和电流数据输入到步骤7所获得的最优wavenet模型中，模型输出故障所在的线路编号；其中，电压数据和电流数据至少包括一条直流输电线路上的正极电压、负极电压、正极电流、负极电流，以及一条连接该直流输电线路的交流侧三相交流电压和交流电流；
[0064]
具体过程为：使用采集到的j4线路上的正极电压、负极电压、正极电流、负极电流，p1换流站的交流侧三相交流电压、交流电流实时数据，经过步骤2的预处理后获得电压、电流幅值，并送入步骤7所获得的最优模型中，输出数据即为所需得到的故障所在的线路编号1～20。
[0065]
发明基于wavenet的多端直流输电线路故障诊断方法，在一定程度上避免了现有技术中人为造成的不确定性因素，且诊断结果不依赖于物理模型，不受线路参数、负荷容量、系统阻抗等因素影响，模型适应能力较强，准确率较高。