基于模型和数据混合驱动的电流互感器饱和波形恢复方法

本发明涉及电流互感器的饱和识别与波形恢复技术领域，更具体的说是涉及一种基于模型和数据混合驱动的电流互感器饱和波形恢复方法。

背景技术：

目前，电流互感器是电力系统中重要的测量元件，其工作性能直接影响了继电保护元件动作的可靠性。在220kv及以下系统中广泛应用的p级电流互感器由于铁芯的磁饱和特性，对故障电流中的直流分量耐受能力差，饱和问题难以避免。当电流互感器饱和后，其传变特性由线性变成了非线性，使得测量值无法准确反映真实的故障电流，从而可能导致保护元件的误动和拒动，影响电力系统的正常运行。因此，电流互感器的饱和识别和波形恢复技术是保护元件正确动作的重要保障，具有很高的工程应用价值。当前工程中应用较为广泛的电流互感器饱和识别和波形恢复方法一般是通过检测波形的突变信息实现的，其基本原理是利用波形的突变信息区分出输出波形中的饱和段和非饱和段，然后利用非饱和段数据恢复出正确波形，将其作为保护元件的动作信息。

但是，基于突变信息的方法易受到噪声的干扰，且对采样率的要求一般较高。为提高抗噪能力，可以适当提高突变信息检测的阈值，但是这又会导致电流互感器饱和程度较浅时灵敏度不足的问题。

因此，基于突变信息的方法的灵敏性和可靠性之间存在矛盾，使得难以选定合适的阈值是本领域技术人员亟需解决的问题。

技术实现要素：

有鉴于此，本发明提供了一种基于模型和数据混合驱动的电流互感器饱和波形恢复方法，即以故障电流的物理模型为先验知识，通过数据驱动的方法构建故障电流模型关键参数识别网络来实现波形的恢复，具有采样率要求低、抗噪能力强、无须整定阈值以及在线/离线部署方便等优势。

为了实现上述目的，本发明采用如下技术方案：

一种基于模型和数据混合驱动的电流互感器饱和波形恢复方法，包括以下步骤：

s1、构建数据库；

s2、搭建并训练基于长短期记忆网络的故障电流模型关键参数识别网络；

s3、基于步骤s2的识别网络，计算真实故障电流；

s4、将步骤s3获得的真实故障电流作为保护元件的动作信息，等待下一次故障发生。

优选的，所述步骤s1具体包括：搭建具有磁饱和效应的电流互感器并进行故障电流仿真测量，获取故障后一周波的训练用真实故障电流if和测量电流im，并利用下式进行归一化得到归一化后的训练用故障电流i'f和测量电流i'm

故障电流表示为工频分量与衰减直流分量的叠加，即

其中，工频分量的幅值a和相角衰减直流分量的最大值b和衰减时间常数τ为故障电流模型中的关键参数，将归一化后的训练用真实故障电流i'f转化为关键参数即将归一化后的训练用测量电流i'm与故障电流i'f之间的对应关系转化为归一化后的训练用测量电流i'm与关键参数kp之间的对应关系，实现数据库的构建。

优选的，所述步骤s2具体包括：识别参数子模块和注意力模块，所述注意力模块用于模拟人的认知过程，即将注意力纷飞到非饱和段；

注意力模块采用有监督预训练方式进行训练，其输出目标为：

其中，k表示采样点，wk表示对采样点k分配的注意力，数值越大则分配的注意力越多；

以归一化后训练用测量电流i'm为输入，wk为参考输出对注意力模块进行有监督训练，将训练好的注意力模块嵌入参数识别子模块构建完整的网络模型。

优选的，所述步骤s2还包括：再以归一化后训练用测量电流i'm为输入，kp为参考输出对完整的网络模型进行训练，冻结注意力模块参数，只训练参数识别子模块或对注意力模块的参数进行调整。

优选的，所述步骤s3具体包括：将训练好的电流互感器饱和波形恢复网络模型进行部署，持续采集故障后一周波的电流数据，获取测试用故障电流im，进行归一化并记录归一化因子

将归一化后的测试用故障电流i'm作为网络模型的输入，网络输出真实故障电流关键参数的估计值并将其代入式中计算得到转化后的故障电流i'f，经公式(4)逆归一化后得到恢复后的真实故障电流if

if＝nf×i'f(5)。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于模型和数据混合驱动的电流互感器饱和波形恢复方法，即以故障电流的物理模型为先验知识，通过数据驱动的方法构建故障电流模型关键参数识别网络来实现波形的恢复，具有采样率要求低、抗噪能力强、无须整定阈值以及在线/离线部署方便等优势。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的电流互感器饱和时的真实电流和测量电流关系图。

图2附图为本发明提供的故障电流模型关键参数识别网络示意图。

图3附图为本发明提供的仿真模型等效电路图。

图4附图为本发明提供的饱和波形恢复效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

本发明实施例公开了一种基于模型和数据混合驱动的电流互感器饱和波形恢复方法，包括以下步骤：

s1、构建数据库：

搭建具有磁饱和效应的电流互感器并进行故障电流仿真测量，获取故障后一周波的训练用真实故障电流if和测量电流im，并利用下式进行归一化得到归一化后的训练用故障电流i'f和测量电流i'm

故障电流表示为工频分量与衰减直流分量的叠加，即

其中，工频分量的幅值a和相角衰减直流分量的最大值b和衰减时间常数τ为故障电流模型中的关键参数，将归一化后的训练用真实故障电流i'f转化为关键参数即将归一化后的训练用测量电流i'm与故障电流i'f之间的对应关系转化为归一化后的训练用测量电流i'm与关键参数kp之间的对应关系，实现数据库的构建。

s2、搭建并训练基于长短期记忆网络的故障电流模型关键参数识别网络：

识别参数子模块和注意力模块，所述注意力模块用于模拟人的认知过程，即将注意力纷飞到非饱和段；

注意力模块采用有监督预训练方式进行训练，其输出目标为：

其中，k表示采样点，wk表示对采样点k分配的注意力，数值越大则分配的注意力越多；

以归一化后训练用测量电流i'm为输入，wk为参考输出对注意力模块进行有监督训练，将训练好的注意力模块嵌入参数识别子模块构建完整的网络模型，再以归一化后训练用测量电流i'm为输入，kp为参考输出对完整的网络模型进行训练，冻结注意力模块参数，只训练参数识别子模块或对注意力模块的参数进行调整。

s3、基于步骤s2的识别网络，计算真实故障电流：

将训练好的电流互感器饱和波形恢复网络模型进行部署，持续采集故障后一周波的电流数据，获取测试用故障电流im，进行归一化并记录归一化因子

将归一化后的测试用故障电流i'm作为网络模型的输入，网络输出真实故障电流关键参数的估计值并将其代入式中计算得到转化后的故障电流i'f，经公式(4)逆归一化后得到恢复后的真实故障电流if

if＝nf×i'f(5)。

s4、将步骤s3获得的真实故障电流作为保护元件的动作信息，等待下一次故障发生。

搭建如图3所示的仿真模型，通过设置不同的故障条件(故障初相角、故障电阻、故障位置等)以及不同的电流互感器运行条件(负载水平、初始磁通等)，获取大量仿真样本。利用处理后的仿真样本对网络模型进行训练，训练好的网络模型的效果如图4所示，从图中可以看出：本发明所述的电流互感器饱和波形恢复方法，能准确、有效、快速地从饱和波形中恢复出真实的故障电流，能很好地解决由电流互感器饱和带来的保护装置拒动和误动问题，保障了电力系统的正常运行；同时，注意力模块确实将更多的权重分配给了非饱和段，提高了模型的可解释性和泛化能力。

本申请的优点在于：

1、实现了故障电流物理模型和数据驱动方法的巧妙结合，同时具备较好的物理意义和特征挖掘能力，无须进行阈值整定，简化了设计流程。

2、基于数据驱动可以在网络训练阶段充分考虑噪声的影响，从而提高模型的抗噪能力。

3、lstm网络对时序信号强大的特征挖掘能力能提高信息的利用率，降低了对采样率的要求，缩减了硬件成本。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。