[發明專利]一種基于深度學習的電網故障檢測方法

在審

• 申請號: 201910337285.0
• 申請日: 2019-04-25
• 公開（公告）號: CN110161370A
• 公開（公告）日: 2019-08-23
• 發明（設計）人: 李鐵;唐俊刺;姜楓;蘇安龍;高凱;田景輔;于游;錢海;劉淼;劉剛;王洪哲;李典陽;曾輝;許小鵬;韓子嬌;馮占穩;朱偉峰;王鐘輝;詹克明;高梓濟;韓秋;趙軍;句榮濱;武力;倫濤;寧遼逸;周純瑩;李學斌;曲直;王冰;金鵬;范維;王超
• 申請（專利權）人: 國網遼寧省電力有限公司;國網遼寧省電力有限公司電力科學研究院;國家電網有限公司;上海交通大學
• 主分類號: G01R31/08
• 分類號: G01R31/08
• 代理公司: 沈陽智龍專利事務所(普通合伙) 21115
• 代理人: 周智博;宋鐵軍

一種基于深度學習的電網故障檢測方法，該方法步驟如下：（一）、將公共點電壓信號進行多分辨率經驗模態分解；（二）、利用步驟（一）的分解信號進行相空間重構，對每層相空間矩陣進行奇異譜分解得到每層相空間矩陣的奇異值，根據各層奇異值提取各層相空間奇異譜熵；將多層奇異譜熵組合后構成多分辨率奇異譜熵的深度神經網絡參數特征向量；（三）、將步驟（二）中的特征向量直接代入深度神經網絡模型進行電網故障檢測。通過本方法提取的特征向量對同類信號和同種樣本具有穩定性，對區分故障和擾動狀態，降低擾動狀態時的誤判，避免光伏系統誤動作起到了很好的作用。

技術領域

本發明涉及一種計及經驗模態分解的深度學習電網故障模型的構建及檢測方法，尤其是涉及一種基于多分辨率奇異譜熵和深度學習的電網故障檢測方法。

背景技術

在含有大量分布式電源的電網中，由于線路故障等其他原因造成的故障情況將對電網安全運行產生巨大危害。隨著分布式電源滲透率持續上升，故障檢測面臨前所未有的挑戰：可再生電源給電網運行帶來了不可忽視的不確定性與噪聲，加劇了擾動的強度，而這些擾動如若被錯誤識別為故障情況，分布式電源將被強制切除運行，帶來巨大的危害。因而，具有高識別精度的電網異常狀態檢測方法對含高滲透率分布式電源的電網的安全至關重要。

分布式發電系統故障檢測方法通常可以分為遠程法以及本地法。兩種方法中前者的遠程通信設備成本較高，且可靠性較低，一般不常用。故障檢測常采用本地檢測法，又可以被分為主動法與被動法。主動法的特點包括無須添加任何外部設備以及故障檢測成功率高。原理是通過對系統注入一定的擾動信號來檢測系統輸出電壓等狀態量是否超過設定閾值，從而判斷故障，缺陷是擾動大小將影響系統的故障檢測準確度和系統的電能質量。被動法簡單易行，但當負載和光伏等分布式電源的有功功率、無功功率接近或者匹配時，也即源荷匹配設定下系統的參數變化通常仍然處于正常閾值范圍內，變化較小從而存在檢測盲區。

因此，研究者們致力突破的難點主要是成本低、對電網影響小且無檢測盲區的故障檢測方法。主動檢測方面，通過向參考電流注入低頻擾動，在電網故障時檢測公共點頻率變化的速度來判定故障，雖能保證并網電能質量，但影響了逆變器的有功功率輸出值。也有學者提出了一種帶負載阻抗角反饋的主動頻移故障檢測技術，能夠有效消除檢測盲區。被動檢測方面，近年來基于決策樹等機器學習算法的智能故障檢測方法逐步受到重視，具備一定的在線分析能力，為相關方法的研究提供了啟示，但目前已有方法檢測精度仍有提升空間。

發明內容

發明目的：

本方法提供一種基于多分辨率奇異譜熵與深度學習的電網故障模型的構建及檢測方法，其目的是解決以往方法所存在的精度低的問題。本方法計及高階統計量挖掘電壓信號高階特征，引入經驗模態分解進行多尺度化提取故障與擾動的關鍵特征，實現對故障與擾動的準確檢測。本方法采集公共點電壓信號進行基于多尺度高階奇異譜熵分析的特征提取，能夠有效抑制噪聲的干擾，且重構參數具有較強的魯棒性。在特征提取的基礎上，提出基于深度學習的電網異常狀態檢測方法，結果表明本方法能夠顯著提升故障的檢測精度。

技術方案：

一種基于深度學習的電網故障檢測方法，其特征在于：該方法步驟如下：

(一)、將公共點電壓信號進行多分辨率經驗模態分解；

(二)、利用步驟(一)的分解信號進行相空間重構，對每層相空間矩陣進行奇異譜分解得到每層相空間矩陣的奇異值，根據各層奇異值提取各層相空間奇異譜熵；將多層奇異譜熵組合后構成多分辨率奇異譜熵的深度神經網絡參數特征向量；

(三)、將步驟(二)中的特征向量直接代入深度神經網絡模型進行電網故障檢測。

(三)步驟中的深度神經網絡模型構建方法如下：

第一步，采用與所述(一)—(二)步驟相同的方式得深度神經網絡參數特征向量；