基于FEEMD样本熵+神经网络的高压直流输电系统线路故障和换相失败故障诊断方法与流程
本发明涉及一种基于feemd样本熵+神经网络的高压直流输电系统线路故障和换相失败故障诊断方法，属于高压直流输电系统继电保护技术领域。
背景技术：
目前，针对换相失败故障诊断主要采用熄弧角γ是否小于临界熄弧角γmin、最小电压降落法、相位比较法等，在实际工程应用中上述方法存在误差较大的缺点。近年学者们研究的利用各种传统方法对换线失败故障进行诊断，例如小波能量统计法、计算小波能量和尺度熵、利用形态能谱熵和奇异谱熵等对换相失败故障进行诊断。以上方法存在计算时间较长、需要事先设定阈值等缺点。而将神经网络应用于线路保护、故障测距、故障类型分类是高压直流输电系统的发展方向，尤其在区分故障类型上具有很好的应用。而高压直流输电系统换相失败与直流线路短路时的直流电流和直流电压的暂态特征十分相似，若不能准确有效地判别故障类型，将会导致控制保护装置的误动作。因此，针对高压直流输电系统的换相失败故障与线路短路故障有必要研究快速、准确的识别方法。
技术实现要素：
本发明提供了一种基于feemd样本熵+神经网络的高压直流输电系统线路故障和换相失败故障诊断方法，以用于实现现有高压直流输电系统换相失败故障与线路短路故障的识别。
本发明的技术方案是：一种基于feemd样本熵+神经网络的高压直流输电系统线路故障和换相失败故障诊断方法，所述方法的具体步骤如下：
s1、高压直流输电系统发生故障后，正极线路与负极线路上位于逆变侧的数据采集装置分别采集故障后高压直流输电系统线路故障、高压直流输电系统换相失败故障、高压直流输电系统正常运行三种状态t时窗内的正极线络故障电流i+、负极线路故障电流i-；
s2、将采集的故障后的高压直流输电系统线路故障、高压直流输电系统换相失败故障、高压直流输电系统正常运行三种状态t时窗内的正极线络故障电流i+、负极线路故障电流i-分别进行解耦变换得到独立的电流线模分量ii1；对线模分量ii1进行feemd分解，分解得出n个imf分量；选取4个低频分量的imf分量求其样本熵值；将两种故障状态和正常运行状态的样本熵值采用最大最小法进行归一化，组成特征向量矩阵s＝[si1,si2,si3,si4]；其中，i表示状态：高压直流输电系统线路故障状态、高压直流输电系统换相失败故障状态、高压直流输电系统正常运行状态，n≥7；
s3、采集多组通过步骤s2中得到的特征向量划分为训练集和测试集，采用训练集对神经网络进行训练，生成故障分类神经网络模型；其中样本熵值作为神经神经网络的输入样本集、故障类型作为输出样本集；
s4、将测试集输入故障分类神经网络模型中进行测试，得到分类结果。
所述数据采集装置采样频率为200khz，t取值为5ms-50ms。
所述t具体取值为25ms。
所述神经网络采用elman神经网络；其中，输入层节点数目为4，隐含层节点数目确定过程：根据
本发明的有益效果是：本发明通过预测结果便可区分高压直流输电系统正常运行状态、线路故障、换相失败故障；同时随着训练集中样本数量的增加其对换相失败、线路故障和正常状态的识别率基本能达到完全识别。
附图说明
图1为feemd样本熵结合elman神经网络的方法进行故障类型诊断的流程图；
图2为高压直流输电系统发生单相接地故障直流电流信号经feemd分解所得各imf分量；图2中纵坐标为电流，单位为ka，横坐标为采样点；线模信号表示电流信号经解耦运算得到的ii1分量，imf1-imf10为分解后的本征模态函数，r为剩余分量；
图3为故障分类神经网络模型；
图4为本发明的故障分类神经网络训练特性实验图一；图中虚线表示期望输出，实线表示训练实际输出；横坐标表示训练步数，纵坐标表示训练精度，即神经网络期望输出与实际输出之间的误差。
图5为本发明的故障分类神经网络训练特性实验图二。
具体实施方式
实施例1：如图1-5所示，一种基于feemd样本熵+神经网络的高压直流输电系统线路故障和换相失败故障诊断方法，所述方法的具体步骤如下：
s1、高压直流输电系统发生故障后，正极线路与负极线路上位于逆变侧的数据采集装置分别采集故障后高压直流输电系统线路故障、高压直流输电系统换相失败故障、高压直流输电系统正常运行三种状态t时窗内的正极线络故障电流i+、负极线路故障电流i-；
s2、将采集的故障后的高压直流输电系统线路故障、高压直流输电系统换相失败故障、高压直流输电系统正常运行三种状态t时窗内的正极线络故障电流i+、负极线路故障电流i-分别进行解耦变换得到独立的电流线模分量ii1；对线模分量ii1进行feemd分解，分解得出n个imf分量；选取4个低频分量的imf分量求其样本熵值；将两种故障状态和正常运行状态的样本熵值采用最大最小法进行归一化，组成特征向量矩阵s＝[si1,si2,si3,si4]；其中，i表示状态：高压直流输电系统线路故障状态、高压直流输电系统换相失败故障状态、高压直流输电系统正常运行状态，n≥7；
s3、采集多组通过步骤s2中得到的特征向量划分为训练集和测试集，采用训练集对神经网络进行训练，生成故障分类神经网络模型；其中样本熵值作为神经神经网络的输入样本集、故障类型作为输出样本集；
s4、将测试集输入故障分类神经网络模型中进行测试，得到分类结果。
进一步地，可以设置所述数据采集装置采样频率为200khz，t取值为5ms-50ms。
进一步地，可以设置所述t具体取值为25ms。
进一步地，可以设置所述神经网络采用elman神经网络；其中，输入层节点数目为4，隐含层节点数目确定过程：根据
本发明的工作原理是：
直流输电系统发生故障时，逆变侧检测到的电流信号所含频率成分不同。逆变侧交流系统发生单相接地、两相短路、两相接地和三相接地等故障并引起换相失败时，电流信号在低频段振幅较高；而滞留线路发生故障时，低频段的振幅较低。利用feemd分解逆变侧电流信号的线模分量得到n个不同频率成分的本征模态函数(imf)，imf分量可以很好地反映各种故障之间的差异；而样本熵值又可以定量地描述这种变化程度，谱熵越小，说明谱越集中；谱熵越大，说明谱在整个频率成分上分布得越均匀。elman神经网络具有很强的非线性函数逼近拟合能力，故可采用神经网络对这种差异进行泛化分析，从而实现故障类型分类。将换相失败故障、线路短路故障进行feemd分解，选取低频分量的imf分量求其样本熵值，进行归一化后形成特征向量，将特征向量作为elman的输入量，故障类型作为输出量。选取一部分特征向量用于神经网络训练，形成神经网络模型，将反映故障类别的特征数据输入训练后的网络模型即可实现故障诊断。feemd样本熵结合elman神经网络的方法进行故障类型诊断的流程图如图1所示。其中训练神经网络的输入样本集可通过以下方法获得：
(1)取故障后25ms时窗内的逆变侧电流作为故障信号，对其进行解耦变换得到独立的暂态电流线模分量和零模分量。对线模分量进行feemd分解，其分解图如图2所示。求取imf7-imf10分量的样本熵值并进行归一化，形成特征向量，训练样本的输入矢量为s＝[si1,si2,si3,si4]。
(2)故障点分别取正常运行状态、直流输电线路发生接地短路故障、逆变侧交流系统发生两相短路，引起换相失败、逆变侧交流系统发生两相接地短路引起换相失败、逆变侧交流系统发生单相短路接地且引起换相失败、逆变侧交流系统发生三相接地故障且引起换相失败。
经过上述步骤，生成的故障分类神经网络模型如图3所示。
有四个输入，三个输出，隐含层数量根据公式
首先取108组训练集，训练收敛曲线如图4示，可见经过837次训练后，神经网络的误差收敛至预期要求(即图中通过训练过程训练出的最终结果作为最佳精度，最佳精度能与目标精度趋近)。再取240组训练集，训练收敛曲线如图5所示。可见经过1919次训练后，神经网络的误差收敛至预期要求，该神经网络收敛速度较快。
本发明给出如下实验数据：
本发明分别对不同条件下的换线失败和线路短路故障进行elman训练和测试。首先分别取正常运行状态、直流输电线路发生接地短路故障、高压直流输电系统逆变侧发生两相短路且引起换相失败、高压直流输电系统逆变侧发生两相接地短路且引起换相失败、高压直流输电系统逆变侧发生单相短路接地且引起换相失败、高压直流输电系统逆变侧发生三相接地故障且引起换相失败各25组，共150组数据进行训练和测试。其中108组作为训练集，每种故障18组；42组作为测试样本，每种故障7组数据。测试结果如表1所示。42组故障测试集的故障识别率如表2所示。
表142组测试集测试结果
表242组测试集的故障识别率
分别取各种故障各50组，共300组数据进行训练和测试。其中240组作为训练集，每种故障40组；60组作为测试样本，每种故障10组数据。测试结果如表3所示。60组故障测试集的故障识别率如表4所示。
表360组测试集测试结果
表460组测试集的故障识别率
分析表2、4中所示仿真结果可知，使用elman神经网络+样本熵的故障识别方法可以准确的识别故障，同时随着训练集中样本数量的增加其对换相失败、线路故障和正常状态的识别率基本能达到完全识别。因此，本发明提出的方法能够准确诊断出换相失败故障和线路故障。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
- 还没有人留言评论。精彩留言会获得点赞！