本发明涉及高压直流传输系统控制,具体是基于lstm的特高压直流输电线路继电保护故障检测方法。
背景技术:
1、对电力传输技术提出了越来越严格的要求,特高压直流输电技术因为线路损耗小、电能质量高、控制领过等特点,在大容量输电方面有着广泛的深化应用。然而直流输电是一个低惯量的系统,如果线路发生短路故障,故障电流会快速地上升,进而烧坏换流器等设备。因此亟需特高压直流断路器进行可靠、快速地切除故障,实现非故障区段的安全稳定运行,保护系统需要在3ms以内完成故障检测和定位,对特高压直流输电线路的保护提出了很高的要求。并且对于高阻故障检测难度较大,长期运行对电网安全也会存在一定的隐患。
2、目前在特高压直流输电线路故障保护的方法中主要包括行波法和小波法。行波法虽然可以在常规直流输电中进行应用,但是波头检测困难、近距离故障检测难的缺点使得行波法无法长期应用;小波法可以很大地提高行波波头的检测速度,但是对于高阻故障无法检测出来;方向元件可以检测出各类故障,但是无法进行故障选极。
技术实现思路
1、为了解决上述中传统的特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,本发明提供了基于lstm的特高压直流输电线路继电保护故障检测方法,在特高压直流输电线路继电保护的故障检测、故障选极上具有很好的效果。
2、为了达到上述目的,本发明是通过以下技术方案来实现的:
3、本发明基于lstm的特高压直流输电线路继电保护故障检测方法,包括如下步骤:
4、步骤1,利用故障启动元件构造保护启动判据,满足判据时再进行后续的故障识别;
5、步骤2,使用快速傅里叶变换分析暂态电压频率特性,利用相模变换提取正极电压变化量和负极电压变化量,小波变换提取母线电压暂态能量和直流电压暂态能量,构成四维特征数据作为lstm循环神经网络的输入;
6、步骤3,对输入的四维特征数据进行归一化处理,并将四维特征数据分成测试集和训练集;
7、步骤4,将训练集输入到lstm循环神经网络中去,前向传播深层次学习特高压直流输电线路的故障特征,反向传播更新网络参数,并且将学习到的特征输入到softmax分类器中进行分类,设置分类器参数,输出识别结果,并不断迭代优化网络参数,最终形成性能满足的特高压直流输电线路继电保护故障检测模型;
8、步骤5,利用测试集验证步骤4得到的特高压直流输电线路继电保护故障检测模型的有效性。
9、步骤1中设置母线电压变化率为故障启动元件,构造的保护启动判据如下:
10、式中:为直流线路电压,为直流保护算法启动阈值。
11、步骤2中小波变换提取母线电压暂态能量和直流电压暂态能量具体为:采用的小波变换为:
12、式中:为小波变换符号;为原始离散信号;为小波基;r为原始离散信号的定义域;为小波变换后离散点的坐标;
13、经过小波变换后得到第j层系数如下:
14、式中:为离散信号的维度;离散信号的总维度;为第j-1层的离散信号;为近似系数;为细节系数;和分别为低通和高通滤波器;
15、利用细节系数 的平方经过时间轴进行积分,得到电压暂态能量为:
16、式中:为积分的时间窗口;对于母线电压暂态能量,时间窗口选择0.5ms;对于直流电压暂态能量,时间窗口选择1.5ms。
17、步骤3中按照如下表达式对输入的四维特征数据进行归一化处理:
18、
19、式中:为归一化后样本数据;为原始数据;min、max为最小值和最大值函数。
20、步骤4中所构建的lstm循环神经网络的前向传播表达式如下:
21、
22、式中:为输入门;为遗忘门;为输出门;为 t时刻的输入; 为时刻的输入;为时刻输出,是传给下一时刻短时记忆状态的; 为刻的输出;为lstm循环神经网络的长时记忆,即细胞的长时状态;为上一刻的细胞状态;为sigmoid层;为输入层到输入门之间的权重;为输入层到遗忘门之间的权重;为输入层到输出门之间的权重;为输入层到长时记忆之间的权重;为遗忘门到长时记忆之间的权重;为隐藏层输出到输出门之间的权重;为隐藏层输出到输入门之间的权重;为隐藏层输出到遗忘门之间的权重;、、、分别输入门、遗忘门、输出门、长时记忆的偏置。
23、步骤4中lstm循环神经网络参数利用反向传播算法反向传播更新权重和偏置,反向传播算法的损失函数选择为交叉损失函数,表达式如下:
24、
25、式中:为t时刻的交叉损失函数;为总的交叉损失函数;为实际需求的输出值,为网络输出的预测值。
26、步骤4中设置softmax分类器维度为6,分别代表区外故障、母线故障、线路故障、正极故障、负极故障、双极故障,用“1”和“0”分别表示对应故障的发生与否,故障类别相量 r输出为
27、本发明的有益效果是:与传统特高压直流输电线路保护相比,本发明所提出的基于lstm循环神经网络的特高压直流输电线路继电保护故障检测方法利用lstm循环神经网络在长序列数据下拥有很好的稳定性和信息选择能力的优势,构建了特高压直流输电线路继电保护故障检测模型,前向传播深层次学习故障特征,反向传播优化网络参数,在特高压直流输电线路继电保护的故障检测、故障选极上具有很好的效果,具有很好的实际意义。
1.基于lstm的特高压直流输电线路继电保护故障检测方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的基于lstm的特高压直流输电线路继电保护故障检测方法,其特征在于:所述步骤1中设置母线电压变化率为故障启动元件,构造的保护启动判据如下:
3.根据权利要求1所述的基于lstm的特高压直流输电线路继电保护故障检测方法,其特征在于:所述步骤2中小波变换提取母线电压暂态能量和直流电压暂态能量具体为:采用的小波变换为:
4.根据权利要求1所述的基于lstm的特高压直流输电线路继电保护故障检测方法,其特征在于:步骤3中按照如下表达式对输入的四维特征数据进行归一化处理:
5.根据权利要求1所述的基于lstm的特高压直流输电线路继电保护故障检测方法,其特征在于:所述步骤4中所构建的lstm循环神经网络的前向传播表达式如下:
6.根据权利要求5所述的基于lstm的特高压直流输电线路继电保护故障检测方法,其特征在于:所述步骤4中lstm循环神经网络参数利用反向传播算法反向传播更新权重和偏置,反向传播算法的损失函数选择为交叉损失函数,表达式如下:
7.根据权利要求1所述的基于lstm的特高压直流输电线路继电保护故障检测方法,其特征在于:所述步骤4中设置softmax分类器维度为6,分别代表区外故障、母线故障、线路故障、正极故障、负极故障、双极故障,用“1”和“0”分别表示对应故障的发生与否,故障类别相量r输出为。