一种lcc-hvdc逆变器阀电流预测方法
技术领域：
：1.本发明涉及一种lcc-hvdc逆变器阀电流预测方法，属于逆变器阀电流
技术领域：
：。
背景技术：
：：2.换流器是高压直流输电系统电力变换的核心部分，也是高压直流输电系统常发生故障的设备，发生重度故障时甚至需要停止换流器的工作原因，因此对阀状态的监测尤为重要。若预计关断的阀在反向电压的作用下未能彻底关断，则在阀电压由负到正时将发生换相失败。直接体现换流阀通断状态的电气量是阀电流，若能监测到阀电流，则可清晰可靠的检测阀的运行情况。3.限于实际工程中阀电流不能直接被检测到，目前针对阀电流求解问题主要是深入研究、精确分析计算12脉动换流器的特性，从而获取阀电流，精确获取和计算两个桥之间的耦合电感和换流变等参数。该条思路虽然能够分析得到阀状态，但推导过程困难，依此构造的保护也需要很复杂的阀值整定计算。技术实现要素：4.本发明所要解决的技术问题是克服现有技术的缺陷，提供一种lcc-hvdc逆变器阀电流预测方法，建立三相电流与阀电流的对应关系，无须对换流变和12脉动两个桥的耦合电感，精确分析计算就能得出准确性较高的阀电流波形，获取的阀电流波形的准确度随着样本的丰富，结果越加准确，大大减少了工作量。5.第一方面，本发明提供一种lcc-hvdc逆变器阀电流预测方法，包括：6.对获取的待预测lcc-hvdc逆变器三相电流数据进行预处理，获得三相电流有用数据；7.将三相电流有用数据输入训练好的深度学习反演模型，获得lcc-hvdc逆变器上三阀的阀电流预测值；8.训练好深度学习反演模型，包括：9.获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的训练集；10.将历史三相电流有用数据输入构建的初始深度学习反演模型，对初始深度学习反演模型进行迭代更新，在初始深度学习反演模型中构建作为初始深度学习反演模型输入的历史三相电流有用数据和作为初始深度学习反演模型输出的历史真实lcc-hvdc逆变器上三阀的阀电流之间的映射关系，获得训练好的深度学习反演模型。11.结合第一方面，获得lcc-hvdc逆变器上三阀的阀电流预测值后，基于lcc-hvdc逆变器上三阀的阀电流预测值，计算获得lcc-hvdc逆变器下三阀的阀电流预测值；其中，计算获得lcc-hvdc逆变器下三阀的阀电流预测值的表达式为：[0012][0013]式中，i41、i61、i21为lcc-hvdc逆变器上三阀的三个阀电流预测值，i11、i31、i51为lcc-hvdc逆变器下三阀的三个阀电流预测值。[0014]结合第一方面，构建的初始深度学习反演模型为p-bi-lstm深度学习反演模型，p-bi-lstm深度学习反演模型包括imageinput层、扁平层flatten、上bi-lstm层、下bi-lstm层、特征融合层concat、全连线层fullyconnected及回归层regression，imageinput层、扁平层flatten、上bi-lstm层、特征融合层concat、全连线层fullyconnected及回归层regression依次连接，上bi-lstm层和下bi-lstm层并行。[0015]结合第一方面，上bi-lstm层和下bi-lstm层均包括第一bi-lstm层和第二bi-lstm层。[0016]结合第一方面，训练好深度学习反演模型，包括：[0017]获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的验证集；[0018]将验证集中的历史三相电流有用数据输入训练好的深度学习反演模型，训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值；[0019]若训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值满足设定合格条件，则判定训练好的深度学习反演模型合格。[0020]结合第一方面，设定合格条件包括计算的阀电流的相关系数在设定相关系数区间范围内和计算的阀电流的最大误差在设定误差区间范围内。[0021]结合第一方面，计算阀电流的相关系数的表达式为：[0022][0023]式中，ρ(x，x′)为阀电流的相关系数，n为阀电流的长度，x为历史真实lcc-hvdc逆变器上三阀的阀电流，x′为训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值，为历史真实lcc-hvdc逆变器上三阀的阀电流平均值，为训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值的平均值。[0024]结合第一方面，计算阀电流的最大误差的表达式为：[0025]εmax＝max{|x1-x′1|、|x2-x′2|…|xi-x′i|}i＝1、2、…n，[0026]式中，εmax为阀电流的最大误差，max{}为求最大值的函数，x1为第1个历史真实lcc-hvdc逆变器上三阀的阀电流，x2为第2个历史真实lcc-hvdc逆变器上三阀的阀电流，xi为第i个历史真实lcc-hvdc逆变器上三阀的阀电流，x′1为第1个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值，x′2为第2个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值，x′i为第i个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值。[0027]结合第一方面，对获取的待预测lcc-hvdc逆变器三相电流数据进行预处理，获得三相电流有用数据，包括：[0028]对获取的待预测lcc-hvdc逆变器三相电流数据进行小波去噪，获得三相电流有用数据；[0029]其中，小波去噪包括小波变换多尺度分解、阀值处理和信号重构。[0030]结合第一方面，获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的训练集，包括：[0031]针对不同故障类型，利用安装在交流侧的三相电线上的电流互感器和故障录波器采集三相电流故障波形和历史真实lcc-hvdc逆变器上三阀的阀电流；[0032]从三相电流故障波形采样历史lcc-hvdc逆变器三相电流数据；[0033]对历史lcc-hvdc逆变器三相电流数据进行小波去噪，获得历史三相电流有用数据。[0034]结合第一方面，故障类型包括单相接地短路、两相接地短路、三相接地短路和两相短路。[0035]第二方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。[0036]第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面中任一项所述方法的步骤。[0037]本发明所达到的有益效果：[0038](1)本发明所提出的阀电流获取方法建立三相电流与阀电流的对应关系，无须对换流变和12脉动两个桥的耦合电感，精确分析计算就能得出准确性较高的阀电流波形，获取的阀电流波形的准确度随着样本的丰富，结果越加准确，大大减少了工作量。[0039](2)本发明所提出的阀电流获取方法后期优化的空间巨大，人工智能算法随着训练样本的丰富，反演结果的准确性将继续增加。[0040](3)本发明基于深度学习算法的反演分析在电力系统设备状态检测中得到了应用，该方案不需要人工进行复杂的理论分析和定量计算，在各种故障状态下泛用性好，且在应对高阻故障和抗噪声干扰等方面有良好表现。附图说明[0041]为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0042]图1是本技术一些实施例的流程图；[0043]图2是本技术一些实施例中采集的三相电流故障波形的曲线图；[0044]图3是本技术一些实施例中训练好的深度学习反演模型输出的lcc-hvdc逆变器上三阀的阀电流预测值的曲线图；[0045]图4是本技术一些实施例中lcc-hvdc逆变器下三阀的阀电流预测值的曲线图；[0046]图5是本技术一些实施例中检测元件位置安装在lcc-hvdc逆变器下三阀中的示意图；[0047]图6是本技术一些实施例中小波去噪的流程图；[0048]图7是本技术一些实施例中训练构建的初始深度学习反演模型的流程图；[0049]图8是本技术一些实施例中p-bi-lstm深度学习反演模型结构的结构图。具体实施方式[0050]为便于对申请的技术方案进行，以下首先在对本技术所涉及到的一些概念进行说明。[0051]实施例一[0052]参见图5，lcc-hvdc逆变器一般为12脉动结构，包括yy桥和yd桥，每个桥的6个阀又分为上三阀和下三阀，下三阀。检测元件位于交流侧，包括至少三个电流互感器，交流侧的三相电线上均分别至少安装一个电流互感器；至少三个故障录波器，分别连接一个电流互感器。[0053]训练好深度学习反演模型，包括：设置采样率为20khz，在实际工程仿真模型中，从包括单相接地短路、两相接地短路、三相接地短路和两相短路的故障类型，过渡电阻值为0-300ω的故障情况中，随机选取一种故障类型和过渡电阻值设置故障。以1s为基点，截取0.99-1.02s共30ms的三相电流数据和历史真实lcc-hvdc逆变器上三阀的阀电流数据。用小波去噪方法对历史三相电流数据进行滤波降噪，得到历史三相电流有用数据。获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的训练集；将历史三相电流有用数据输入构建的初始深度学习反演模型，对初始深度学习反演模型进行迭代更新，在初始深度学习反演模型中构建作为初始深度学习反演模型输入的历史三相电流有用数据和作为初始深度学习反演模型输出的历史真实lcc-hvdc逆变器上三阀的阀电流之间的映射关系，获得训练好的深度学习反演模型。本发明利用预先获取的单相接地短路、两相接地短路、三相接地短路和两相短路的故障类型，获取对应的三相电流数据，使得后期对单相接地短路、两相接地短路、三相接地短路和两相短路这四种故障类型的预测更加准确；本发明基于深度学习算法的反演分析在电力系统设备状态检测中得到了应用，该方案不需要人工进行复杂的理论分析和定量计算，在各种故障状态下泛用性好，且在应对高阻故障和抗噪声干扰等方面有良好表现。[0054]在本技术实施例中，获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的训练集，包括：针对不同故障类型，利用安装在交流侧的三相电线上的电流互感器和故障录波器采集三相电流故障波形和历史真实lcc-hvdc逆变器上三阀的阀电流；从三相电流故障波形采样历史lcc-hvdc逆变器三相电流数据；对历史lcc-hvdc逆变器三相电流数据进行小波去噪，获得历史三相电流有用数据。在本技术实施例中，故障类型包括单相接地短路、两相接地短路、三相接地短路和两相短路。[0055]在本技术实施例中，构建的初始深度学习反演模型为p-bi-lstm深度学习反演模型，如图8所示，p-bi-lstm深度学习反演模型包括imageinput层、扁平层flatten、上bi-lstm层、下bi-lstm层、特征融合层concat、全连线层fullyconnected及回归层regression，imageinput层、扁平层flatten、上bi-lstm层、特征融合层concat、全连线层fullyconnected及回归层regression依次连接，上bi-lstm层和下bi-lstm层并行。在本申请实施例中，上bi-lstm层和下bi-lstm层均包括第一bi-lstm层和第二bi-lstm层。该p-bi-lstm深度学习反演模型在反演时，首先将三相电流数据经imageinput层输入，然后经过扁平层flatten展平为一维的向量形式，再同时进入两行并行的bi-lstm层，最后两行的输出经特征融合层concat、全连线层fullyconnected及回归层regression输出结果。p-bi-lstm深度学习反演模型由上bi-lstm层和下bi-lstm层并行构成，每行神经元节点数均为512 256，最后通过全连线层以及回归层输出结果。相比于常规的方法，本发明采用p-bi-lstm深度学习反演模型，训练的深度学习反演模型能够更加准确的预测lcc-hvdc逆变器上三阀的阀电流。[0056]模型参数为：第一bi-lstm层的神经元节点数为512，第二bi-lstm层的神经元节点数为256，激活函数均为tanh。[0057]超参数：选用‘adam’(基于自适应低阶矩估计的随机目标函数一阶梯度优化算法)的训练方法，最大训练次数设置为500，学习率设置为0.001。[0058]在本技术实施例中，训练好深度学习反演模型，包括：获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的验证集；将验证集中的历史三相电流有用数据输入训练好的深度学习反演模型，训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值；若训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值满足设定合格条件，则判定训练好的深度学习反演模型合格。[0059]在本技术实施例中，设定合格条件包括计算的阀电流的相关系数在设定相关系数区间范围内和计算的阀电流的最大误差在设定误差区间范围内。具体地，设定合格条件可以包括计算的阀电流的相关系数大于0.99和计算的阀电流的最大误差小于5％。[0060]如图1所示，本技术提供一种lcc-hvdc逆变器阀电流预测方法，包括：对获取的待预测lcc-hvdc逆变器三相电流数据进行预处理，获得三相电流有用数据，获取的待预测lcc-hvdc逆变器三相电流数据如图2所示；将三相电流有用数据输入训练好的深度学习反演模型，获得lcc-hvdc逆变器上三阀的阀电流预测值，获得的lcc-hvdc逆变器上三阀的阀电流预测值绘制成波形图，如图3所示，获得的lcc-hvdc逆变器下三阀的阀电流预测值绘制成波形图，如图4所示。本发明所提出的阀电流获取方法采用人工智能算法来建立三相电流与lcc-hvdc逆变器阀电流的对应关系，无须对换流变和12脉动两个桥的耦合电感，精确分析计算就能得出准确性较高的阀电流波形，获取的阀电流波形的准确度随着样本的丰富，结果越加准确，大大减少了工作量。[0061]在本技术实施例中，对获取的待预测lcc-hvdc逆变器三相电流数据进行预处理，获得三相电流有用数据，包括：从三相电流故障波形中采样待预测lcc-hvdc逆变器三相电流数据，对获取的待预测lcc-hvdc逆变器三相电流数据进行小波去噪，获得三相电流有用数据；其中，如图6所示，小波去噪包括小波变换多尺度分解、阀值处理和信号重构。[0062]在本技术实施例中，获得lcc-hvdc逆变器上三阀的阀电流预测值后，基于lcc-hvdc逆变器上三阀的阀电流预测值，计算获得lcc-hvdc逆变器下三阀的阀电流预测值；其中，计算获得lcc-hvdc逆变器下三阀的阀电流预测值的表达式为：[0063][0064]式中，i41、i61、i21为lcc-hvdc逆变器上三阀的三个阀电流预测值，i11、i31、i51为lcc-hvdc逆变器下三阀的三个阀电流预测值。本发明利用深度学习反演模型反演出阀电流i41、i61、i21；计算出其余三个阀电流数据i11、i31、i51，并将所有阀电流数据画成波形，输出反演结果。[0065]在本技术实施例中，计算阀电流的相关系数的表达式为：[0066][0067]式中，ρ(x，x′)为阀电流的相关系数，n为阀电流的长度，x为历史真实lcc-hvdc逆变器上三阀的阀电流，x′为训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值，为历史真实lcc-hvdc逆变器上三阀的阀电流平均值，为训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值的平均值。[0068]在本技术实施例中，计算阀电流的最大误差的表达式为：[0069]εmax＝max{|x1-x′1|、|x2-x′2|…|xi-x′i|}i＝1、2、…n，[0070]式中，εmax为阀电流的最大误差，max{}为求最大值的函数，x1为第1个历史真实lcc-hvdc逆变器上三阀的阀电流，x2为第2个历史真实lcc-hvdc逆变器上三阀的阀电流，xi为第i个历史真实lcc-hvdc逆变器上三阀的阀电流，x′1为第1个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值，x′2为第2个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值，x′i为第i个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值。[0071]在本技术实施例中，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。[0072]在本技术实施例中，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。[0073]实施例二[0074]步骤一：在传统直流输电工程运行中，换相失败是常见的故障，而引起换相失败的原因通常有触发脉冲故障和交流电网故障。在交流电网的故障类型中，单相接地短路、两相接地短路、三相接地短路和两相短路均会导致交流侧电压不同程度的跌落，均可能引起逆变侧换流阀换相失败。本发明对这四种故障类型都进行了仿真并截取阀电流和三相电流波形，其中相接地短路、两相接地短路和三相接地短路分别按表1设置不同故障时刻以及不同的过渡电阻，共504个样本；而两相短路一般不涉及过渡电阻，所以只有23个样本；为保证反演的精确度，本发明另加一组正常运行时的样本，综上共计528个样本。对得到的528个样本，在每种故障类型中分别随机选择一个作为验证样本，其余为训练样本，并将所有训练样本合并为训练样本。选用‘adam’(基于自适应低阶矩估计的随机目标函数一阶梯度优化算法)的训练方法，设置最大训练次数为500、学习率为0.001对p-bi-lstm深度学习反演模型进行学习和训练。[0075]设置采样率，从故障录波器记录的三相电流波形中采样输入三相电流数据ia1、ib1、ic1。[0076]步骤二：利用小波去噪方法对三相电流数据ia1、ib1、ic1进行滤波降噪，得到三相电流有用数据ia′1、ib′1、ic′1。[0077]步骤三：将三相电流有用数据ia′1、ib′1、ic′1输入训练好的深度学习反演模型，深度学习反演模型反演出lcc-hvdc逆变器上三阀的三个阀电流数据i41、i61、i21。[0078]步骤四：计算出lcc-hvdc逆变器下三阀的三个阀电流数据i11、i31、i51，并将lcc-hvdc逆变器的阀电流i41、i61、i21、i11、i31、i51画成波形，输出反演结果。[0079]步骤二中小波去噪方法包括小波变换多尺度分解、阀值处理和信号重构三个步骤。[0080]小波变换多尺度分解：首先选择小波基函数和确定分解层数，进行小波分解。本发明选用电力系统常用的db4作为小波基函数，并设置分解层数为4层。[0081]阀值处理：本发明选用无偏风险阀值规则设置自适应阀值，对分解得到的小波系数进行阀值量化处理。[0082]信号重构：将最底层低频系数与各层高频系数通过逆小波分解的过程重构信号，得到有效信号。[0083]步骤三的深度学习反演模型需预先进行训练，训练流程图如图7所示。[0084]样本数据集主要来自仿真模型设置的故障和实际工程中采集数据，两部分的数据都经过小波去噪后随机打乱组成样本数据集，样本数据集的每一个样本都包括特征量和标签两部分，其中三相电流数据为特征量、lcc-hvdc逆变器上三阀的阀电流为标签，从样本数据集中随机选择1个部分样本作为验证集，其余为训练集。[0085]将训练集的特征量和标签同时输入深度学习反演模型进行迭代，让其自己建立特征量和标签之间的对应关系，获得训练好的深度学习反演模型。所有训练集样本迭代结束后，输入验证集的特征量，利用训练好的深度学习反演模型预测出的标签，也就是验证集的lcc-hvdc逆变器上三阀的阀电流预测值。然后计算该预测数据和验证集的标签之间的相关系数和最大误差，判断相关系数是否在设定相关系数区间范围内和最大误差是否在设定误差区间范围内，都满足则深度学习反演模型训练完成，否则调整深度学习反演模型参数和超参数，并返回样本数据集，将样本数据集重新划分训练集和验证集，继续迭代。[0086]为验证p-bi-lstm深度学习反演模型的效果，本发明在电磁暂态仿真软件pscad/emtdc上基于cigrebenchmarckhvdc标准测试模型设置不同的故障情况，得到反演所需三相电流波形。cigrebenchmarckhvdc标准测试模型参数中额定直流电压为500kv，额定功率为1000mw，为单极12脉动的运行方式，额定直流电流为2ka，两侧交流系统的短路比均为2.5。设置采样率为20khz，以逆变器上半的格雷兹桥为研究对象，采取流过六个晶闸管的电流和交流侧三相电流波形。为保证反演模型的精确度，设置不同的故障类型和故障时刻。[0087]由于各个晶闸管的轮流导通，阀电流和三相电流存在时间离散型，为获取各种情况的故障信号，需要考虑各个晶闸管的导通状态，充分采集每个晶闸管开始换向、换向中、换向刚结束以及换向后的电流信号。由仿真可知，刚好在1s时刻vt2开始向vt4换相，可得到各个阀状态的时刻如表1所示。[0088]表1阀状态对应时刻表table1valvestatuscorrespondstoschedule[0089][0090][0091]从表1可知，要得到所有阀状态的电流波形，截取数据的时窗必须大于20ms。本发明围绕1s为基点，在1s后的一个周期内，对所有阀状态按表1设置故障时刻，取0.99s到1.02s共30ms的定时窗截取电流波形。另外为探究过渡电阻的影响，在每一个故障时刻下，设置0.01ω到300ω，步长为50ω的过渡电阻。[0092]为量化反演结果的精确性，本发明选用相关系数来反映反演波形与原信号之间的差异。波形相关系数ρ(x,x′)的范围在-1到1之间，其值越接近1，说明两个波形的正相关性越大，反演结果越精确。[0093]从168个单相接地故障样本中随机选取一个作为测试集，某次随机选取到的样本为在1.004s时刻逆变侧母线经过100ω渡电阻发生单相接地故障的电流信号。经计算，vt1-vt6的反演波形与故障仿真波形(波形上显示p-bi-lstm深度学习反演模型输出的标签预测值)之间的相关系数分别为0.99942、0.99943、0.99968、0.99946、0.99933、0.99948。[0094]同理，某次随机选取到的两相接地故障的验证样本为：在1.01737s时刻逆变侧母线经过50ω渡电阻发生两相接地故障的电流信号。经计算，vt1-vt6的反演波形与故障仿真波形(波形上显示p-bi-lstm深度学习反演模型输出的标签预测值)之间的相关系数分别为0.99961、0.99918、0.99971、0.99993、0.99994、0.99942。[0095]某次随机选取到的三相接地故障样本为在1.00665s时刻(对应的阀状态为开始vt4→vt6换相)逆变侧母线经50ω过渡电阻发生接地故障的电流信号。经计算，vt1-vt6的反演波形与故障仿真波形(波形上显示p-bi-lstm深度学习反演模型输出的标签预测值)之间的相关系数分别为0.99964、0.99933、0.99974、0.99888、0.99855、0.99849。[0096]某次随机划分的测试集中的两相短路故障为：在1.0046s时刻(对应的阀状态为vt3→vt5换相刚结束)逆变侧母线发生a、b两相短路的电流信号。经计算，vt1-vt6的反演波形与故障仿真波形(波形上显示p-bi-lstm深度学习反演模型输出的标签预测值)之间的相关系数分别为0.9986、0.99935、0.99899、0.99963、0.99776、0.9994。[0097]为测试反演模型的泛用性，本发明还对正常运行是电流的波形进行了反演。经计算，vt1-vt6的反演波形与仿真波形(波形上显示p-bi-lstm深度学习反演模型输出的标签预测值)之间的相关系数分别为0.99968、0.99966、0.99981、0.99989、0.99992、0.99932。[0098]由以上分析可知，p-bi-lstm深度学习反演模型对各种交流母线故障类型和正常运行的电流反演波形都比较好，与真实阀电流波形基本完全重合，波形相关系数均在99％以上。为排除实验的偶然性，接着对每种故障类型做了10组重复实验，对每个阀电流反演结果的相关系数计算平均值并记录，如表2所示。[0099]表2不同故障条件下的反演结果table2inversionresultsunderdifferentfaultconditions[0100][0101]由表2可知，无论那种故障类型，阀电流反演波形与仿真波形的相关系数都在0.99以上，本发明反演模型的反演结果(p-bi-lstm深度学习反演模型输出的标签预测值)与真实波形有很大程度上的相似。对于实际工程中测不到、不方便直接测量阀电流时，本发明所提反演方法和p-bi-lstm深度学习反演模型可作为参考资料。此外，由表2还可以看出，对于单相、两相和三相接地故障，波形相关系数的均值较高，都在0.997以上；两相短路的波形相关系数偏低，在0.99以上，这是由于前三种故障类型的训练样本较多为168个，而两相短路的训练样本较少，只有23个。因此，随着训练样本的丰富，反演结果的准确性会逐渐提高。[0102]本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。[0103]本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本
技术领域：
：中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。[0104]以上的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本技术的具体实施方式而已，并不用于限定本技术的保护范围，凡在本技术的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本技术的保护范围之内。当前第1页12当前第1页12
技术领域：
：1.本发明涉及一种lcc-hvdc逆变器阀电流预测方法，属于逆变器阀电流
技术领域：
：。
背景技术：
：：2.换流器是高压直流输电系统电力变换的核心部分，也是高压直流输电系统常发生故障的设备，发生重度故障时甚至需要停止换流器的工作原因，因此对阀状态的监测尤为重要。若预计关断的阀在反向电压的作用下未能彻底关断，则在阀电压由负到正时将发生换相失败。直接体现换流阀通断状态的电气量是阀电流，若能监测到阀电流，则可清晰可靠的检测阀的运行情况。3.限于实际工程中阀电流不能直接被检测到，目前针对阀电流求解问题主要是深入研究、精确分析计算12脉动换流器的特性，从而获取阀电流，精确获取和计算两个桥之间的耦合电感和换流变等参数。该条思路虽然能够分析得到阀状态，但推导过程困难，依此构造的保护也需要很复杂的阀值整定计算。技术实现要素：4.本发明所要解决的技术问题是克服现有技术的缺陷，提供一种lcc-hvdc逆变器阀电流预测方法，建立三相电流与阀电流的对应关系，无须对换流变和12脉动两个桥的耦合电感，精确分析计算就能得出准确性较高的阀电流波形，获取的阀电流波形的准确度随着样本的丰富，结果越加准确，大大减少了工作量。5.第一方面，本发明提供一种lcc-hvdc逆变器阀电流预测方法，包括：6.对获取的待预测lcc-hvdc逆变器三相电流数据进行预处理，获得三相电流有用数据；7.将三相电流有用数据输入训练好的深度学习反演模型，获得lcc-hvdc逆变器上三阀的阀电流预测值；8.训练好深度学习反演模型，包括：9.获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的训练集；10.将历史三相电流有用数据输入构建的初始深度学习反演模型，对初始深度学习反演模型进行迭代更新，在初始深度学习反演模型中构建作为初始深度学习反演模型输入的历史三相电流有用数据和作为初始深度学习反演模型输出的历史真实lcc-hvdc逆变器上三阀的阀电流之间的映射关系，获得训练好的深度学习反演模型。11.结合第一方面，获得lcc-hvdc逆变器上三阀的阀电流预测值后，基于lcc-hvdc逆变器上三阀的阀电流预测值，计算获得lcc-hvdc逆变器下三阀的阀电流预测值；其中，计算获得lcc-hvdc逆变器下三阀的阀电流预测值的表达式为：[0012][0013]式中，i41、i61、i21为lcc-hvdc逆变器上三阀的三个阀电流预测值，i11、i31、i51为lcc-hvdc逆变器下三阀的三个阀电流预测值。[0014]结合第一方面，构建的初始深度学习反演模型为p-bi-lstm深度学习反演模型，p-bi-lstm深度学习反演模型包括imageinput层、扁平层flatten、上bi-lstm层、下bi-lstm层、特征融合层concat、全连线层fullyconnected及回归层regression，imageinput层、扁平层flatten、上bi-lstm层、特征融合层concat、全连线层fullyconnected及回归层regression依次连接，上bi-lstm层和下bi-lstm层并行。[0015]结合第一方面，上bi-lstm层和下bi-lstm层均包括第一bi-lstm层和第二bi-lstm层。[0016]结合第一方面，训练好深度学习反演模型，包括：[0017]获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的验证集；[0018]将验证集中的历史三相电流有用数据输入训练好的深度学习反演模型，训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值；[0019]若训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值满足设定合格条件，则判定训练好的深度学习反演模型合格。[0020]结合第一方面，设定合格条件包括计算的阀电流的相关系数在设定相关系数区间范围内和计算的阀电流的最大误差在设定误差区间范围内。[0021]结合第一方面，计算阀电流的相关系数的表达式为：[0022][0023]式中，ρ(x，x′)为阀电流的相关系数，n为阀电流的长度，x为历史真实lcc-hvdc逆变器上三阀的阀电流，x′为训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值，为历史真实lcc-hvdc逆变器上三阀的阀电流平均值，为训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值的平均值。[0024]结合第一方面，计算阀电流的最大误差的表达式为：[0025]εmax＝max{|x1-x′1|、|x2-x′2|…|xi-x′i|}i＝1、2、…n，[0026]式中，εmax为阀电流的最大误差，max{}为求最大值的函数，x1为第1个历史真实lcc-hvdc逆变器上三阀的阀电流，x2为第2个历史真实lcc-hvdc逆变器上三阀的阀电流，xi为第i个历史真实lcc-hvdc逆变器上三阀的阀电流，x′1为第1个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值，x′2为第2个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值，x′i为第i个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值。[0027]结合第一方面，对获取的待预测lcc-hvdc逆变器三相电流数据进行预处理，获得三相电流有用数据，包括：[0028]对获取的待预测lcc-hvdc逆变器三相电流数据进行小波去噪，获得三相电流有用数据；[0029]其中，小波去噪包括小波变换多尺度分解、阀值处理和信号重构。[0030]结合第一方面，获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的训练集，包括：[0031]针对不同故障类型，利用安装在交流侧的三相电线上的电流互感器和故障录波器采集三相电流故障波形和历史真实lcc-hvdc逆变器上三阀的阀电流；[0032]从三相电流故障波形采样历史lcc-hvdc逆变器三相电流数据；[0033]对历史lcc-hvdc逆变器三相电流数据进行小波去噪，获得历史三相电流有用数据。[0034]结合第一方面，故障类型包括单相接地短路、两相接地短路、三相接地短路和两相短路。[0035]第二方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。[0036]第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面中任一项所述方法的步骤。[0037]本发明所达到的有益效果：[0038](1)本发明所提出的阀电流获取方法建立三相电流与阀电流的对应关系，无须对换流变和12脉动两个桥的耦合电感，精确分析计算就能得出准确性较高的阀电流波形，获取的阀电流波形的准确度随着样本的丰富，结果越加准确，大大减少了工作量。[0039](2)本发明所提出的阀电流获取方法后期优化的空间巨大，人工智能算法随着训练样本的丰富，反演结果的准确性将继续增加。[0040](3)本发明基于深度学习算法的反演分析在电力系统设备状态检测中得到了应用，该方案不需要人工进行复杂的理论分析和定量计算，在各种故障状态下泛用性好，且在应对高阻故障和抗噪声干扰等方面有良好表现。附图说明[0041]为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0042]图1是本技术一些实施例的流程图；[0043]图2是本技术一些实施例中采集的三相电流故障波形的曲线图；[0044]图3是本技术一些实施例中训练好的深度学习反演模型输出的lcc-hvdc逆变器上三阀的阀电流预测值的曲线图；[0045]图4是本技术一些实施例中lcc-hvdc逆变器下三阀的阀电流预测值的曲线图；[0046]图5是本技术一些实施例中检测元件位置安装在lcc-hvdc逆变器下三阀中的示意图；[0047]图6是本技术一些实施例中小波去噪的流程图；[0048]图7是本技术一些实施例中训练构建的初始深度学习反演模型的流程图；[0049]图8是本技术一些实施例中p-bi-lstm深度学习反演模型结构的结构图。具体实施方式[0050]为便于对申请的技术方案进行，以下首先在对本技术所涉及到的一些概念进行说明。[0051]实施例一[0052]参见图5，lcc-hvdc逆变器一般为12脉动结构，包括yy桥和yd桥，每个桥的6个阀又分为上三阀和下三阀，下三阀。检测元件位于交流侧，包括至少三个电流互感器，交流侧的三相电线上均分别至少安装一个电流互感器；至少三个故障录波器，分别连接一个电流互感器。[0053]训练好深度学习反演模型，包括：设置采样率为20khz，在实际工程仿真模型中，从包括单相接地短路、两相接地短路、三相接地短路和两相短路的故障类型，过渡电阻值为0-300ω的故障情况中，随机选取一种故障类型和过渡电阻值设置故障。以1s为基点，截取0.99-1.02s共30ms的三相电流数据和历史真实lcc-hvdc逆变器上三阀的阀电流数据。用小波去噪方法对历史三相电流数据进行滤波降噪，得到历史三相电流有用数据。获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的训练集；将历史三相电流有用数据输入构建的初始深度学习反演模型，对初始深度学习反演模型进行迭代更新，在初始深度学习反演模型中构建作为初始深度学习反演模型输入的历史三相电流有用数据和作为初始深度学习反演模型输出的历史真实lcc-hvdc逆变器上三阀的阀电流之间的映射关系，获得训练好的深度学习反演模型。本发明利用预先获取的单相接地短路、两相接地短路、三相接地短路和两相短路的故障类型，获取对应的三相电流数据，使得后期对单相接地短路、两相接地短路、三相接地短路和两相短路这四种故障类型的预测更加准确；本发明基于深度学习算法的反演分析在电力系统设备状态检测中得到了应用，该方案不需要人工进行复杂的理论分析和定量计算，在各种故障状态下泛用性好，且在应对高阻故障和抗噪声干扰等方面有良好表现。[0054]在本技术实施例中，获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的训练集，包括：针对不同故障类型，利用安装在交流侧的三相电线上的电流互感器和故障录波器采集三相电流故障波形和历史真实lcc-hvdc逆变器上三阀的阀电流；从三相电流故障波形采样历史lcc-hvdc逆变器三相电流数据；对历史lcc-hvdc逆变器三相电流数据进行小波去噪，获得历史三相电流有用数据。在本技术实施例中，故障类型包括单相接地短路、两相接地短路、三相接地短路和两相短路。[0055]在本技术实施例中，构建的初始深度学习反演模型为p-bi-lstm深度学习反演模型，如图8所示，p-bi-lstm深度学习反演模型包括imageinput层、扁平层flatten、上bi-lstm层、下bi-lstm层、特征融合层concat、全连线层fullyconnected及回归层regression，imageinput层、扁平层flatten、上bi-lstm层、特征融合层concat、全连线层fullyconnected及回归层regression依次连接，上bi-lstm层和下bi-lstm层并行。在本申请实施例中，上bi-lstm层和下bi-lstm层均包括第一bi-lstm层和第二bi-lstm层。该p-bi-lstm深度学习反演模型在反演时，首先将三相电流数据经imageinput层输入，然后经过扁平层flatten展平为一维的向量形式，再同时进入两行并行的bi-lstm层，最后两行的输出经特征融合层concat、全连线层fullyconnected及回归层regression输出结果。p-bi-lstm深度学习反演模型由上bi-lstm层和下bi-lstm层并行构成，每行神经元节点数均为512 256，最后通过全连线层以及回归层输出结果。相比于常规的方法，本发明采用p-bi-lstm深度学习反演模型，训练的深度学习反演模型能够更加准确的预测lcc-hvdc逆变器上三阀的阀电流。[0056]模型参数为：第一bi-lstm层的神经元节点数为512，第二bi-lstm层的神经元节点数为256，激活函数均为tanh。[0057]超参数：选用‘adam’(基于自适应低阶矩估计的随机目标函数一阶梯度优化算法)的训练方法，最大训练次数设置为500，学习率设置为0.001。[0058]在本技术实施例中，训练好深度学习反演模型，包括：获取包括历史三相电流有用数据和历史真实lcc-hvdc逆变器上三阀的阀电流的验证集；将验证集中的历史三相电流有用数据输入训练好的深度学习反演模型，训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值；若训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值满足设定合格条件，则判定训练好的深度学习反演模型合格。[0059]在本技术实施例中，设定合格条件包括计算的阀电流的相关系数在设定相关系数区间范围内和计算的阀电流的最大误差在设定误差区间范围内。具体地，设定合格条件可以包括计算的阀电流的相关系数大于0.99和计算的阀电流的最大误差小于5％。[0060]如图1所示，本技术提供一种lcc-hvdc逆变器阀电流预测方法，包括：对获取的待预测lcc-hvdc逆变器三相电流数据进行预处理，获得三相电流有用数据，获取的待预测lcc-hvdc逆变器三相电流数据如图2所示；将三相电流有用数据输入训练好的深度学习反演模型，获得lcc-hvdc逆变器上三阀的阀电流预测值，获得的lcc-hvdc逆变器上三阀的阀电流预测值绘制成波形图，如图3所示，获得的lcc-hvdc逆变器下三阀的阀电流预测值绘制成波形图，如图4所示。本发明所提出的阀电流获取方法采用人工智能算法来建立三相电流与lcc-hvdc逆变器阀电流的对应关系，无须对换流变和12脉动两个桥的耦合电感，精确分析计算就能得出准确性较高的阀电流波形，获取的阀电流波形的准确度随着样本的丰富，结果越加准确，大大减少了工作量。[0061]在本技术实施例中，对获取的待预测lcc-hvdc逆变器三相电流数据进行预处理，获得三相电流有用数据，包括：从三相电流故障波形中采样待预测lcc-hvdc逆变器三相电流数据，对获取的待预测lcc-hvdc逆变器三相电流数据进行小波去噪，获得三相电流有用数据；其中，如图6所示，小波去噪包括小波变换多尺度分解、阀值处理和信号重构。[0062]在本技术实施例中，获得lcc-hvdc逆变器上三阀的阀电流预测值后，基于lcc-hvdc逆变器上三阀的阀电流预测值，计算获得lcc-hvdc逆变器下三阀的阀电流预测值；其中，计算获得lcc-hvdc逆变器下三阀的阀电流预测值的表达式为：[0063][0064]式中，i41、i61、i21为lcc-hvdc逆变器上三阀的三个阀电流预测值，i11、i31、i51为lcc-hvdc逆变器下三阀的三个阀电流预测值。本发明利用深度学习反演模型反演出阀电流i41、i61、i21；计算出其余三个阀电流数据i11、i31、i51，并将所有阀电流数据画成波形，输出反演结果。[0065]在本技术实施例中，计算阀电流的相关系数的表达式为：[0066][0067]式中，ρ(x，x′)为阀电流的相关系数，n为阀电流的长度，x为历史真实lcc-hvdc逆变器上三阀的阀电流，x′为训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值，为历史真实lcc-hvdc逆变器上三阀的阀电流平均值，为训练好的深度学习反演模型输出历史lcc-hvdc逆变器上三阀的阀电流预测值的平均值。[0068]在本技术实施例中，计算阀电流的最大误差的表达式为：[0069]εmax＝max{|x1-x′1|、|x2-x′2|…|xi-x′i|}i＝1、2、…n，[0070]式中，εmax为阀电流的最大误差，max{}为求最大值的函数，x1为第1个历史真实lcc-hvdc逆变器上三阀的阀电流，x2为第2个历史真实lcc-hvdc逆变器上三阀的阀电流，xi为第i个历史真实lcc-hvdc逆变器上三阀的阀电流，x′1为第1个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值，x′2为第2个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值，x′i为第i个训练好的深度学习反演模型输出的历史lcc-hvdc逆变器上三阀的阀电流预测值。[0071]在本技术实施例中，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。[0072]在本技术实施例中，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。[0073]实施例二[0074]步骤一：在传统直流输电工程运行中，换相失败是常见的故障，而引起换相失败的原因通常有触发脉冲故障和交流电网故障。在交流电网的故障类型中，单相接地短路、两相接地短路、三相接地短路和两相短路均会导致交流侧电压不同程度的跌落，均可能引起逆变侧换流阀换相失败。本发明对这四种故障类型都进行了仿真并截取阀电流和三相电流波形，其中相接地短路、两相接地短路和三相接地短路分别按表1设置不同故障时刻以及不同的过渡电阻，共504个样本；而两相短路一般不涉及过渡电阻，所以只有23个样本；为保证反演的精确度，本发明另加一组正常运行时的样本，综上共计528个样本。对得到的528个样本，在每种故障类型中分别随机选择一个作为验证样本，其余为训练样本，并将所有训练样本合并为训练样本。选用‘adam’(基于自适应低阶矩估计的随机目标函数一阶梯度优化算法)的训练方法，设置最大训练次数为500、学习率为0.001对p-bi-lstm深度学习反演模型进行学习和训练。[0075]设置采样率，从故障录波器记录的三相电流波形中采样输入三相电流数据ia1、ib1、ic1。[0076]步骤二：利用小波去噪方法对三相电流数据ia1、ib1、ic1进行滤波降噪，得到三相电流有用数据ia′1、ib′1、ic′1。[0077]步骤三：将三相电流有用数据ia′1、ib′1、ic′1输入训练好的深度学习反演模型，深度学习反演模型反演出lcc-hvdc逆变器上三阀的三个阀电流数据i41、i61、i21。[0078]步骤四：计算出lcc-hvdc逆变器下三阀的三个阀电流数据i11、i31、i51，并将lcc-hvdc逆变器的阀电流i41、i61、i21、i11、i31、i51画成波形，输出反演结果。[0079]步骤二中小波去噪方法包括小波变换多尺度分解、阀值处理和信号重构三个步骤。[0080]小波变换多尺度分解：首先选择小波基函数和确定分解层数，进行小波分解。本发明选用电力系统常用的db4作为小波基函数，并设置分解层数为4层。[0081]阀值处理：本发明选用无偏风险阀值规则设置自适应阀值，对分解得到的小波系数进行阀值量化处理。[0082]信号重构：将最底层低频系数与各层高频系数通过逆小波分解的过程重构信号，得到有效信号。[0083]步骤三的深度学习反演模型需预先进行训练，训练流程图如图7所示。[0084]样本数据集主要来自仿真模型设置的故障和实际工程中采集数据，两部分的数据都经过小波去噪后随机打乱组成样本数据集，样本数据集的每一个样本都包括特征量和标签两部分，其中三相电流数据为特征量、lcc-hvdc逆变器上三阀的阀电流为标签，从样本数据集中随机选择1个部分样本作为验证集，其余为训练集。[0085]将训练集的特征量和标签同时输入深度学习反演模型进行迭代，让其自己建立特征量和标签之间的对应关系，获得训练好的深度学习反演模型。所有训练集样本迭代结束后，输入验证集的特征量，利用训练好的深度学习反演模型预测出的标签，也就是验证集的lcc-hvdc逆变器上三阀的阀电流预测值。然后计算该预测数据和验证集的标签之间的相关系数和最大误差，判断相关系数是否在设定相关系数区间范围内和最大误差是否在设定误差区间范围内，都满足则深度学习反演模型训练完成，否则调整深度学习反演模型参数和超参数，并返回样本数据集，将样本数据集重新划分训练集和验证集，继续迭代。[0086]为验证p-bi-lstm深度学习反演模型的效果，本发明在电磁暂态仿真软件pscad/emtdc上基于cigrebenchmarckhvdc标准测试模型设置不同的故障情况，得到反演所需三相电流波形。cigrebenchmarckhvdc标准测试模型参数中额定直流电压为500kv，额定功率为1000mw，为单极12脉动的运行方式，额定直流电流为2ka，两侧交流系统的短路比均为2.5。设置采样率为20khz，以逆变器上半的格雷兹桥为研究对象，采取流过六个晶闸管的电流和交流侧三相电流波形。为保证反演模型的精确度，设置不同的故障类型和故障时刻。[0087]由于各个晶闸管的轮流导通，阀电流和三相电流存在时间离散型，为获取各种情况的故障信号，需要考虑各个晶闸管的导通状态，充分采集每个晶闸管开始换向、换向中、换向刚结束以及换向后的电流信号。由仿真可知，刚好在1s时刻vt2开始向vt4换相，可得到各个阀状态的时刻如表1所示。[0088]表1阀状态对应时刻表table1valvestatuscorrespondstoschedule[0089][0090][0091]从表1可知，要得到所有阀状态的电流波形，截取数据的时窗必须大于20ms。本发明围绕1s为基点，在1s后的一个周期内，对所有阀状态按表1设置故障时刻，取0.99s到1.02s共30ms的定时窗截取电流波形。另外为探究过渡电阻的影响，在每一个故障时刻下，设置0.01ω到300ω，步长为50ω的过渡电阻。[0092]为量化反演结果的精确性，本发明选用相关系数来反映反演波形与原信号之间的差异。波形相关系数ρ(x,x′)的范围在-1到1之间，其值越接近1，说明两个波形的正相关性越大，反演结果越精确。[0093]从168个单相接地故障样本中随机选取一个作为测试集，某次随机选取到的样本为在1.004s时刻逆变侧母线经过100ω渡电阻发生单相接地故障的电流信号。经计算，vt1-vt6的反演波形与故障仿真波形(波形上显示p-bi-lstm深度学习反演模型输出的标签预测值)之间的相关系数分别为0.99942、0.99943、0.99968、0.99946、0.99933、0.99948。[0094]同理，某次随机选取到的两相接地故障的验证样本为：在1.01737s时刻逆变侧母线经过50ω渡电阻发生两相接地故障的电流信号。经计算，vt1-vt6的反演波形与故障仿真波形(波形上显示p-bi-lstm深度学习反演模型输出的标签预测值)之间的相关系数分别为0.99961、0.99918、0.99971、0.99993、0.99994、0.99942。[0095]某次随机选取到的三相接地故障样本为在1.00665s时刻(对应的阀状态为开始vt4→vt6换相)逆变侧母线经50ω过渡电阻发生接地故障的电流信号。经计算，vt1-vt6的反演波形与故障仿真波形(波形上显示p-bi-lstm深度学习反演模型输出的标签预测值)之间的相关系数分别为0.99964、0.99933、0.99974、0.99888、0.99855、0.99849。[0096]某次随机划分的测试集中的两相短路故障为：在1.0046s时刻(对应的阀状态为vt3→vt5换相刚结束)逆变侧母线发生a、b两相短路的电流信号。经计算，vt1-vt6的反演波形与故障仿真波形(波形上显示p-bi-lstm深度学习反演模型输出的标签预测值)之间的相关系数分别为0.9986、0.99935、0.99899、0.99963、0.99776、0.9994。[0097]为测试反演模型的泛用性，本发明还对正常运行是电流的波形进行了反演。经计算，vt1-vt6的反演波形与仿真波形(波形上显示p-bi-lstm深度学习反演模型输出的标签预测值)之间的相关系数分别为0.99968、0.99966、0.99981、0.99989、0.99992、0.99932。[0098]由以上分析可知，p-bi-lstm深度学习反演模型对各种交流母线故障类型和正常运行的电流反演波形都比较好，与真实阀电流波形基本完全重合，波形相关系数均在99％以上。为排除实验的偶然性，接着对每种故障类型做了10组重复实验，对每个阀电流反演结果的相关系数计算平均值并记录，如表2所示。[0099]表2不同故障条件下的反演结果table2inversionresultsunderdifferentfaultconditions[0100][0101]由表2可知，无论那种故障类型，阀电流反演波形与仿真波形的相关系数都在0.99以上，本发明反演模型的反演结果(p-bi-lstm深度学习反演模型输出的标签预测值)与真实波形有很大程度上的相似。对于实际工程中测不到、不方便直接测量阀电流时，本发明所提反演方法和p-bi-lstm深度学习反演模型可作为参考资料。此外，由表2还可以看出，对于单相、两相和三相接地故障，波形相关系数的均值较高，都在0.997以上；两相短路的波形相关系数偏低，在0.99以上，这是由于前三种故障类型的训练样本较多为168个，而两相短路的训练样本较少，只有23个。因此，随着训练样本的丰富，反演结果的准确性会逐渐提高。[0102]本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。[0103]本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本
技术领域：
：中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。[0104]以上的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本技术的具体实施方式而已，并不用于限定本技术的保护范围，凡在本技术的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本技术的保护范围之内。当前第1页12当前第1页12
再多了解一些
本文用于创业者技术爱好者查询，仅供学习研究，如用于商业用途，请联系技术所有人。
