基于机器学习的用于在电力传输线路中干扰分类的方法和设备与流程

基于机器学习的用于在电力传输线路中干扰分类的方法和设备


背景技术：

1.本公开的实施例总体上涉及干扰检测，并且更具体地涉及用于对电力传输线路中的干扰状况进行检测和分类的机器学习技术。
2.由于各种内在因素或外在因素，电力传输系统会经历如电气故障、功率摆动和负载变化等各种电气干扰。例如，当一组发电机相对彼此加速时，可能会发生功率摆动，并且当电学参数从它们的标称值发生变化从而影响装置并导致正常运行中断时，可能会发生电气故障。当电学参数通常是指电气系统中某一点的电学参数由于整个供应输出的负载变化而变化时，会发生负载变化。
3.在由于各种操作状况而生成的干扰状况期间，要对基础设施装置和消费者设备进行保护。例如，在故障状况期间，电网的一部分可能需要通过保护继电器断开。但是，在不存在故障状况下的某些功率摆动状况也能够操作保护继电器，从而导致断电。功率摆动是世界各地许多断电的主要原因。不管是什么原因，一旦系统断电，通常需要若干小时才能恢复电力系统。这对公用事业和消费者产生了巨大的经济影响，并且在现代电网中必须加以预防。可靠确定故障状况和其他干扰状况对于距离继电器应用防止在功率摆动状况期间的误操作和断电非常重要。
4.通常，使用盲区(或同心特性)来区分正常故障和功率摆动。替代性地，采用其他技术(诸如但不限于摆动中心电压(scv)技术、电阻技术以及叠加电流和电压信号技术)来检测和区分故障干扰。然而，这些技术对于摆动中心点附近或三相传输线中的干扰无效。在系统线角周围使用附加的盲区来检测摆动中心点附近的干扰。这样的方法需要复杂的系统特定设置以及更好的相量估计质量。
5.最近，在电力系统架构中集成可再生能源对电力系统的电力处理和容错能力提出了新的要求。功率波动会改变电网惯性、源线阻抗比(sir)和摆动频率。这些状况要求需要大量计算的精心设计的程序。需要为未来的低惯性电力系统开发一种新的干扰检测方案。


技术实现要素：

6.根据本公开的一个方面，公开了一种用于确定电力传输线路中的干扰状况的方法。该方法由与连接电力传输线路的测量装置通信地耦接的智能电子设备(ied)来执行。该方法包括获得与在一个或多个相之中的每个相中测量的电学参数相对应的多个样本值。该一个或多个相中的电学参数用连接在电力传输线路一端(单端)的测量装置进行测量。该方法进一步包括基于对应的多个样本值来确定与每个相相对应的电学参数的多个量值(如均方根(rms)值)。该方法还包括基于对应的多个量值(如rms值)来确定每个相的多个差值。该多个差值中的每个差值表示对应的相的电学参数的量值(如rms值)变化率。该方法包括使用机器学习技术处理与该一个或多个相相对应的多个差值以确定电力传输线路中的干扰状况。干扰状况是负载变化状况、功率摆动状况和电气故障状况中的一种。该方法还包括基于干扰状况来执行保护功能和控制功能中的至少一种。
7.根据本公开的另一方面，公开了一种用于确定电力传输线路中的干扰状况的智能电子设备(ied)。ied与连接电力传输线路的测量装置通信地耦接。ied包括数据采集单元，该数据采集单元与连接在电力传输线路一端(单端)的测量装置通信地耦接，并且该数据采集单元被配置为获得与由测量装置在一个或多个相之中的每个相中测量的电学参数相对应的多个样本值。ied进一步包括信号处理单元，该信号处理单元通信地耦接到数据采集单元，并且该信号处理单元被配置为基于该多个样本值来确定与该一个或多个相之中的每个相对应的电学参数的多个量值(如均方根(rms)值)。该信号处理单元进一步被配置为基于对应的多个量值(如rms值)来确定该一个或多个相之中的每个相的多个差值。该多个差值中的每个差值表示对应的相的电学参数的量值(如rms值)变化率。ied进一步包括机器学习单元，该机器学习单元通信地耦接到信号处理单元并且被配置为使用机器学习技术处理与该一个或多个相相对应的多个差值以确定电力传输线路中的干扰状况。干扰状况是负载变化状况、功率摆动状况和故障状况中的一种。ied还包括控制单元，该控制单元通信地耦接到机器学习单元并且被配置为基于干扰状况来执行保护功能和控制功能中的至少一种。
附图说明
8.当参考附图阅读以下详细描述时，将更好地理解本发明的实施例这些和其他特征和方面，其中，在所有附图中，相似的附图标记表示相似的部分，在附图中：
9.图1是根据示例性实施例的具有智能电子设备(ied)的电力传输系统的示意图；
10.图2是根据本公开的方面的被配置为执行干扰检测的ied的视图；
11.图3是图示了根据示例性实施例的用于电力传输线路中的干扰检测的方法的流程图；
12.图4a至图4c是图示了根据本公开的实施例的与负载变化状况、功率摆动状况和电力故障状况相对应的相信号的视图；
13.图5a是图示了根据示例性实施例确定的相电压的均方根信号的视图；
14.图5b是图示了根据示例性实施例的图5a的曲线的平滑版本的视图；
15.图6是图示了根据示例性实施例的所提出的用于二十五折交叉验证的机器学习技术的精度的视图；
16.图7是图示了根据示例性实施例的所提出的机器学习技术的生产者精度的视图；
17.图8是图示了根据示例性实施例的所提出的机器学习技术的用户精度的视图；以及
18.图9是图示了根据示例性实施例的梯度提升分类技术的示意图。
具体实施方式
19.如将在下文中详细描述的，提出了具有确定电力传输线路中的干扰状况的能力的智能电子设备(ied)以及对应的干扰确定方法。更具体地公开的实施例涉及用于确定电力传输线路中的干扰状况的机器学习技术。
20.在本公开中，术语“相”和短语“相信号”等效且可互换地使用。类似地，在本文中短语“传输线”和“电力传输线路”等效且可互换地使用。短语“样本值”是指表示电学参数的实数值，并且是通过对电学参数进行采样获得的。在非限制性意义上，电学参数可以指电压信
号和/或电流信号。样本值对应于一个时刻的电学参数。短语“均方根值”具体是指参考时间窗口的样本值的平均值的平方根。然而，本公开的实施例还可以采用与时间窗口中的多个样本值相对应的样本能量值或样本功率值。术语“平滑”是指在时间窗口内对样本值进行低通滤波。短语“差信号”是指具有多个差值的离散信号。在一个实施例中，短语“差值”是指两个连续的均方根值之间的差。短语“集成学习”是指在多个阶段中采用多个学习模型的一类机器学习技术。短语“提升”与“推进”等效且可互换地使用。短语“残差模型”是指经训练以在连续阶段中逐步减小建模误差的多个学习模型之一。残差模型是基于前一阶段的残余误差进行训练的。残余误差是指预测与当前阶段的地面实况之间的差。由智能电子设备(ied)执行的“保护动作”包括封锁ied的运行，从而提供对功率摆动状况的免疫力。类似地，由ied执行的“控制动作”包括解锁保护继电器，使该保护继电器能够运行，从而确保保护免受故障影响。
21.图1是根据示例性实施例的具有多个智能电子设备(ied)(如ied 120)的电力传输系统100的示意图。电力传输系统100包括连接在第一总线102与第二总线104之间的第一传输线106和第二传输线108。进一步地，第一总线102耦接到第一电源110并且第二总线104耦接到第二电源112。可以注意到，在系统100的一些实施例中，第二总线104可以耦接到负载，并且在这样的实施例中，数字112表示负载。在所图示的实施例中，示出了第二传输线108的干扰状况118。然而，第一传输线中的干扰状况也可以通过本文公开的相同技术来管理，其中，ied与对应的线路相关联。
22.在本文中可以注意到，干扰状况118可以是但不限于以下各项中的一项：电力传输系统的至少一个相中的负载变化、功率摆动和故障。电力传输系统100包括位于传输线的至少一端的测量装置122。在所图示的实施例中，测量装置122设置在第一总线102附近。测量装置122可以包括电压互感器114或其他合适的电压传感器，并且该测量装置被配置为测量电压信号。在替代的实施例中，测量装置122可以设置在第二总线104附近。在一个实施例中，当测量装置122配备有计算资源时，测量装置122可以被配置为执行电压信号的采样并生成多个样本值。在三相电气系统中，由测量装置122生成与三个相之中的每个相相对应的多个样本值。ied 120耦接到测量装置122并且被配置为接收与一个或多个相相对应的多个样本值以及确定电力传输系统100中的干扰的类型。在一个实施例中，多个样本对应于从一个或多个相电压信号获得的多个电压样本。虽然在图1的实施例中，所示出的测量装置114是电压互感器，但本文中公开的方法适用于如电流、功率等其他电学参数。
23.图2是根据本公开的各方面的被配置为执行干扰确定的ied 200的图示。可以注意到，ied 200对应于图1的ied 120。ied可以是指被配置为执行测量功能、保护功能和控制功能中的一种或多种的电力系统设备。作为示例，ied可以是被配置为在发生电气干扰或故障时保护线路的保护继电器。在一个实施例中，ied 200包括经由通信总线212彼此通信地耦接的数据采集单元202、信号处理单元204、机器学习单元206、控制单元208以及存储器单元210。
24.数据采集单元202经由测量装置通信地耦接到传输线214并且被配置为接收与传输线214的多个相之中的一个或多个相中的测量相对应的多个样本值。在一个实施例中，数据采集单元202被配置为采集来自测量装置122的模拟信号，并且被配置为执行电压信号的采样并生成多个样本值。在三相传输线中，可以由数据采集单元202获得来自多个相中的至
少一个相的样本值。数据采集单元202包括用于从测量装置(图1中的附图标记122)接收样本值的电路。在替代的实施例中，数据采集单元202还可以包括采样和数字化电路，以将由测量装置中的电压传感器感测到的模拟电压信号转换为样本值。数据采集单元202还可以被配置为对接收到的样本值执行信号调节和预处理。在非限制性示例中，信号调节和预处理操作可以包括归一化操作、降噪操作以及带宽限制操作。在又一个实施例中，数据采集单元202从测量装置(例如测量装置122)或通信地耦接到这种测量装置的其他测量单元接收所测量的信号的采样值。
25.信号处理单元204通信地耦接到数据采集单元202并且被配置为确定由机器学习单元206确定干扰状况所需的多个差值。具体地，在一个实施例中，信号处理单元204被配置为基于一个或多个相之中的每个相的多个样本值来生成指示所测量的电气量的量值的多个值，该量值可以是均方根值(rms)。多个rms值中的每个值例如由下式给出，
[0026][0027]
其中，v
rms
(k)是样本索引为k的rms值，该值是使用对应于由p索引的相的n个样本值v
p
(l)来计算的。
[0028]
虽然所测量的电气量的量值可以被确定为rms值，但是可以使用对在相应的一个相中测量的电学参数的量值(或幅值)进行量化的其他指标。在本文中可以注意到，在替代的实施例中，可以确定样本能量值或样本功率值而不是rms值。在一个实施例中，样本能量值被确定为样本值的平方和，而样本功率值被确定为样本值的平方和的平均值。具体地，在一个示例中，当供应电压为五十赫兹时，以一千赫兹的采样率对每个相进行采样，并且考虑二十个样本来计算rms值。在另一示例中，当以1200赫兹的采样率对具有六十赫兹频率的供应电压的每个相进行采样时，可以考虑相同数量的样本。替代性地，当以一千赫兹的采样率对六十赫兹的供应电压进行采样时，考虑十七个样本来计算rms值。进一步地，当每个新的样本值可用于信号处理单元204时，确定新的rms值。当考虑二十个样本来计算rms值时，通过考虑对应的相的前十九个样本值以及新的样本值来确定每个相中的新的rms值。在一个实施例中，通过对对应的均方根值进行滤波来确定与多个相中的每个相相对应的多个均方根值的平滑版本。信号处理单元204使用低通滤波器来对多个相的每个相中的多个rms值执行平滑。
[0029]
由信号处理单元204计算的多个差值表示基于多个rms值的、与多个相中的每个相相对应的变化率。在一个实施例中，信号处理单元204被配置为生成具有与每个相中的多个rms值相对应的多个差值的差信号。每个差值被确定为两个连续的rms值之间的差。差值由下式给出：
[0030]
δv
rms
(k)＝v
rms
(k)-v
rms
(k-1)
[0031]
其中，δv
rms
是差值，v
rms
(k)和v
rms
(k-1)是rms值的连续值。在替代的实施例中，当选择更高的采样频率时，差值可以被生成为二阶差(即，第一rms值与第三rms值之间的差)，或被生成为更高阶差(即，第一rms值与后续rms值之间的差，不考虑其间的多个rms值)。
[0032]
信号处理单元204进一步被配置为基于差值来检测干扰状况。在一个实施例中，将
每个差值与预定阈值进行比较，并且基于比较的结果来检测干扰。具体地，当差值大于预定阈值时，检测到干扰状况。在另一实施例中，将每个相中的差值与预定阈值进行比较，并且当对应于多个相中的任何相的差值大于预定阈值时，检测到干扰状况。
[0033]
在检测到干扰状况之后，要确定干扰的类型。为此，信号处理单元204选择与干扰状况相对应的多个差值。具体地，在一个实施例中，信号处理单元204被配置为在检测到干扰状况之后立即选择每个相中的前三个差值。在替代的实施例中，可以在检测到干扰状况之后在一个或多个相中选择不同数量的差值。进一步地，信号处理单元204被配置为将选定的差值传送到机器学习单元206。
[0034]
机器学习单元206通信地耦接到信号处理单元204并且被配置为对从信号处理单元204接收的差值进行处理。从信号处理单元204接收的差值可以对应于一个或多个相。根据一些实施例，机器学习单元206被配置为使用集成机器学习技术来对与多个相相对应的多个差值进行处理以确定干扰状况的类型。在其他实施例中，机器学习单元206还可以使用其他机器学习技术来对多个差值进行处理。干扰状况的类型包括负载变化状况、功率摆动状况和传输线故障状况中的一种。集成机器学习技术可以包括多种技术之一，如但不限于装袋(bagging)类技术之一或提升类技术之一。具体地，提升类技术可以包括自适应提升技术或梯度提升技术之一。在实施例中，使用梯度提升技术的快速版本(本文中称为“极端梯度提升技术”)来确定干扰状况。在一个实施例中，确定干扰状况所需的机器学习模型是经由离线活动(例如通过蒙特卡罗模拟)先验计算的。
[0035]
在一个实施例中，执行蒙特卡罗模拟以使用多个标记的数据集对梯度提升学习模型进行训练。该多个标记的数据集中的每个数据集包括相信号和作为输出类别的对应干扰状况。每个数据集还可以包括对应的一组三个差值。在具体示例中，每个输出类别的数百个标记的数据集被用于训练梯度提升学习模型。为梯度提升学习模型选择合适的参数以获得令人满意的性能。梯度提升学习模型的参数包括但不限于残差模型的数量、目标参数以及评估指标。
[0036]
控制单元208通信地耦接到机器学习单元206并且被配置为基于干扰状况来执行保护功能和控制功能中的至少一种。在一个实施例中，当机器学习单元确定故障状况时，启动保护功能。在这种情况下，控制单元208被配置为解锁保护功能并且允许ied将传输线与故障隔离。在另一实施例中，当机器学习单元206确定功率摆动状况时，控制单元208被配置为封锁ied，作为控制动作之一。在该实施例中，ied不能运行，并且功率摆动状况未与电网隔离。可以根据干扰状况采取适当的动作。为了说明，可以根据所确定的干扰状况而输出信息和/或可以根据所确定的干扰状况而自动地触发控制动作。可以基于所确定的干扰状况来选择控制动作。
[0037]
图3是根据示例性实施例的用于干扰确定的方法300的流程图。方法300用于确定传输线中的干扰状况并且基于所确定的干扰状况来执行保护动作或控制动作。示例保护动作包括但不限于在由于故障状况导致的极端功率摆动期间使用ied来操作开关设备(例如断路器)。控制动作可以包括在自恢复功率摆动状况期间封锁开关设备使用ied进行的操作或者在故障状况期间解锁开关设备的操作。
[0038]
方法300包括获得与电力传输线路的多个相之中的一个或多个相对应的多个样本值，如步骤302所示。获得步骤302包括由测量装置在感兴趣的位置测量传输系统的一个或
多个相中的电压信号。在本实施例中，测量装置包括如电压互感器等一个或多个电压传感器。通过测量装置、通信地耦接到测量装置的专用测量单元或通过ied的数据采集单元对电压信号进行采样并且将所采样的电压信号转换为多个样本值。在一个示例中，电力传输系统为三相系统，并且由测量装置测量与三相传输线相对应的三个电压信号。此外，以1khz的采样率对多个电压信号进行采样，以生成与多个相中的每个相相对应的多个样本值。尽管这里参考电压信号来解释步骤302，但是多个样本值也可以对应于除了电压参数之外的任何其他电学参数。具体地，多个样本值可以对应于传输系统的一个或多个相中的电流信号，或者对应于电流信号和电压信号的组合。
[0039]
在步骤304处，该方法还包括基于多个样本来确定指示与多个相中的每个相相对应的所测量的电气量的量值的多个值，该量值可以是均方根(rms)值。在一个实施例中，基于与每个相相对应的多个样本(样本值)来确定多个rms值中的每一个。在本文所公开的一些实施例中，在每个相中考虑大约二十个样本值以计算对应的相中的一个rms值。在一个实施例中，考虑与一个相相对应的多个均方根值的平滑版本，以便通过方法300的后续步骤进行处理。可以使用适合的低通滤波器对多个rms值执行平滑操作。虽然所测量的电气量的量值可以被确定为rms值，但是可以使用对在相应的一个相中测量的电学参数的量值(或幅值)进行量化的其他指标。
[0040]
方法300进一步包括在步骤306处确定表示从多个相信号中的每个相信号测量的电学参数的量值(例如，rms值)的变化率的多个差值。该多个差值是基于多个rms值确定的。在一个实施例中，差值是作为两个连续的量值(例如，rms值)之间的差得出的。在替代的实施例中，差值可以被确定为非相邻的量值(例如，rms值)之间的差。方法300还包括使用机器学习技术处理与多个相相对应的差值以确定电力传输线路的干扰状况，如步骤308所示。在该步骤利用的差值可以是与干扰(或干扰状况)相关的差值。如上所述，可以通过将每个差值与预定阈值进行比较来检测干扰状况。进一步地，用于确定干扰状况的类型的差值可以是一些特定值(两个差值、三个差值等)一起或排除与干扰状况相关的差值。
[0041]
用于处理的机器学习技术可以是集成机器学习技术。集成机器学习技术包括但不限于自适应提升技术和梯度提升技术。如前所述，干扰状况包括负载变化状况、功率摆动状况和传输线故障状况中的一种。方法300还包括基于干扰状况来执行控制动作或保护动作中的至少一种。具体地，在一个实施例中，由ied执行的动作包括在步骤310处基于干扰状况来操作连接到传输线的开关设备以封锁或解锁ied。可以自动执行至少一种控制动作或保护动作。
[0042]
图4a至图4c是图示了在本公开的一些实施例中使用的三个电压信号的视图400、408、416。这三个电压信号分别对应负载变化状况、功率摆动状况和电力故障状况。视图400、408、416对应于电力传输线路的同一相中的信号。图4a是图示了在三相传输线中的负载变化状况期间的电压信号变化的视图400。视图400包括以秒为单位表示时间的x轴402和表示由于干扰状况引起的电压变化的y轴404。视图400包括表示在负载变化干扰状况期间的电压变化的曲线406。图4b是图示了在三相传输线中的功率摆动状况期间的电压信号变化的视图408。视图408包括以秒为单位表示时间的x轴410和表示由于干扰状况引起的电压变化的y轴412。视图408包括表示在功率摆动干扰状况期间的电压变化的曲线414。图4c是图示了在三相传输线中的故障状况下的电压信号变化的视图416。视图416包括以秒为单位
表示时间的x轴418和表示由于干扰状况引起的电压变化的y轴420。视图416包括表示在三相故障干扰状况期间的电压变化的曲线422。在本文中可以注意到，曲线406、414和422具有相似的模式并且不适合使用基于阈值的技术或通过基于设置的方法进行分类。然而，与对应于功率摆动和负载变化情况的电压变化率相比，对应于三相故障的曲线422的相电压变化率更高。如参考后续附图详细解释的，该性质在本公开的不同实施例中被用于确定干扰状况。
[0043]
图5a是图示了根据示例性实施例确定的相电压的均方根(rms)信号的视图500。视图500包括以秒为单位表示时间的x轴502和以千伏(kv)为单位表示均方根(rms)值的y轴504。视图500进一步包括表示与三个相电压信号之一相对应的rms电压信号的曲线506。可以观察到，曲线506表现出短时间间隔的变化并且可能不适合确定检测干扰状况所需的差值。
[0044]
图5b是图示了根据示例性实施例的图4a的曲线的平滑版本的视图508。视图408包括以秒为单位表示时间的x轴510和以千伏(kv)为单位表示均方根(rms)值的y轴512。视图408进一步包括根据本公开的实施例确定的图5a的曲线506的平滑版本。曲线514表示与三个相电压信号之一相对应的rms电压信号的经滤波的版本。可以观察到，曲线514表现出平滑的变化并且更适合确定检测干扰状况所需的差值。
[0045]
图6是图示了根据示例性实施例的所提出的机器学习模型的精度的视图600。视图600包括表示交叉验证的索引的x轴602和以百分比值为单位表示极端梯度提升模型的模型精度的y轴604。视图600还包括多个柱606，每个交叉验证测试一个柱。视图600包括来自二十五个交叉验证测试的结果。柱606表示对应验证测试的模型精度值。可以观察到，模型精度值在97.5％至100％之间变化，证实了在电力传输线路中的干扰检测期间的令人满意的性能。
[0046]
图7是图示了根据本公开的实施例的与所提出的机器学习技术相对应的生产者精度的视图700。本文中所使用的术语“生产者精度”是指基于漏分误差定义的效率术语。在一个实施例中，生产者的效率是通过从正确的类别中遗漏错误分类来计算的，并且指示每个类别被分类的情况。视图700包括表示干扰状况类别的x轴702和以百分比值为单位表示平均生产者精度的y轴704。视图700还包括分别表示故障状况、功率摆动状况和负载变化状况的生产者精度的三个柱706、708、710。柱高表示从用于对应干扰状况的多个交叉验证测试中获得的生产者精度值的平均值。可以观察到，干扰状况的效率高于97％，这对于电力传输线路中的干扰检测来说可以被认为是令人满意的。
[0047]
图8是图示了根据示例性实施例的所提出的机器学习技术的用户精度的视图800。本文中所使用的术语“用户精度”是指基于错分误差定义的效率术语。具体地，用户精度被计算为相对于类别的预测分类总数的正确分类。用户的效率指示来自所分类的类别中的样本属于实际类别的概率。视图800包括表示干扰类别的x轴802。视图800还包括表示平均用户精度的y轴804。用户精度的平均值是通过对从多个交叉验证测试中获得的用户精度进行平均获得的。视图800包括分别表示与三个干扰类别(即故障状况、功率摆动状况和负载变化状况)相对应的平均用户精度的三个柱806、808、810。可以观察到，对于所有干扰状况，平均用户精度的值均超过97.5％。还可以观察到，所提出的方法能够准确地对电力系统干扰进行分类，并且可以用于在功率摆动期间封锁或解锁距离继电器。
[0048]
如本文以上所公开的，可以利用基于一种或多种机器学习技术的模型。下面描述根据其中一个实施例的其中一个模型。图9是图示了根据示例性实施例的梯度提升分类模型900。模型900图示了作为梯度提升分类技术的输入而提供的数据集902。在训练阶段期间，数据集902是标记的训练集，而在部署阶段期间，数据集902是从电力传输线路获得的实时数据集。
[0049]
模型900包括使用数据集902作为输入数据依次确定的多个模型904、910、916。在训练阶段期间，数据集902被用于确定第一模型904和对应的第一预测输出908。第一残差906是基于第一预测和地面实况输出确定的。在下一步骤中，数据集902与第一残差906一起用作地面实况以确定第二模型910和对应的第二残差914。第二残差912是基于第二预测和第一残差906确定的。类似地，确定多个模型之中的后续模型以及它们对应的预测和残差。在所图示的实施例中，第三模型916被确定为最终模型并且对应的第三预测920被确定为最终预测。进一步地，基于多个预测908、914、...920来确定数据集902的估计922。在一个实施例中，通过将从多个模型获得的多个预测进行组合来确定最终预测922。在部署阶段期间，在训练阶段期间确定的多个模型904、910、...916被用来处理数据集902以确定多个预测908、914、...920。在该实施例中，数据集902表示来自传输线的实时测量数据。最终预测922表示基于多个预测908、914、920确定的干扰状况。
[0050]
在一个示例中，使用涵盖一千九百六十六个干扰状况的总共五千八百九十八个样本来训练模型900。使用pscad/emtdc软件来模拟干扰状况。干扰状况包括八百一十六个功率摆动状况、九百五十个故障以及两百个负载变化状况。用于训练的干扰状况涵盖了在三相故障(故障位置、故障电阻、初始角和摆动频率)、功率摆动变化和负载变化方面的电力系统干扰的最大可能组合。使用交叉验证技术来确定极端梯度提升分类模型的最佳调谐参数。
[0051]
本公开中所公开的实施例能够更快地设置自由干扰检测、干扰分类并为现代电力系统采取如功率摆动封锁和解锁方法等操作动作。这样的特征可以用于三相系统和两相系统两者，并且对于任何先进的ied(例如数字保护继电器)都是可取的。所公开的干扰检测技术仅需要在一端以低采样频率测量电学参数(单端方法)，并且还可以在可用的数字/数码继电器中实施。所提出的方法仅可以适用于电压信号。在这种情况下，不需要电流信号，并且完全避免了电流互感器饱和的问题。