[發明專利]一種基于卷積神經網絡的微電網保護方法與系統

在審

• 申請號: 202110556505.6
• 申請日: 2021-05-21
• 公開（公告）號: CN113315100A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 黃棋悅;盧雄濤;杜書語;羅攀登;江瑋澄;林貢羽;毛徹;陳國強
• 申請（專利權）人: 寧波職業技術學院
• 主分類號: H02H7/26
• 分類號: H02H7/26;H02H1/00;G01R31/08
• 代理公司: 浙江中桓聯合知識產權代理有限公司 33255
• 代理人: 朱萍

1.一種基于卷積神經網絡的微電網保護方法，其特征在于，包括步驟：

S1：通過電流采樣獲取微電網的三相電流信號；

S2：根據三相電流信號獲取其對稱分量下的負序電流信號和零序電流信號；

S3：根據三相電流信號、負序電流信號和零序電流信號利用小波變換獲取其特征值集，所述特征值集包括能量變化值、香農熵、標準差值；

S4：根據特征值集利用卷積神經網絡模型獲取微電網的故障位置和故障類型，所述卷積神經網絡模型通過電流數據集進行故障和非故障分析訓練并測試后獲得。

2.根據權利要求1所述的一種基于卷積神經網絡的微電網保護方法，其特征在于，所述步驟S4中的電流數據集包括電流信號訓練集和電流信號測試集；所述步驟S4中卷積神經網絡模型通過電流數據集進行故障和非故障分析訓練并測試后獲得的具體步驟包括：

S41：通過預設數據庫以及虛擬仿真模擬出的各負載水平、運行方式下以及各故障位置處的短路故障情況獲取電流信號訓練集和電流信號測試集；

S42：通過電流信號訓練集對預設模型進行故障和非故障的分析訓練；

S43：通過電流信號測試集測試訓練后的預設模型得到卷積神經網絡模型。

3.根據權利要求1所述的一種基于卷積神經網絡的微電網保護方法，其特征在于，所述步驟S3中根據三相電流信號、負序電流信號和零序電流信號利用小波變換獲取其特征值集的具體步驟為：

S31：根據三相電流信號、負序電流信號和零序電流信號通過小波變換獲取三相電流倍頻信號、負序電流倍頻信號和零序電流倍頻信號；

S32：根據各電流的倍頻信號利用預設信號能量公式、預設香農熵公式以及預設標準差值公式分別獲取各電流倍頻信號對應的能量變化值、香農熵、標準差值。

4.根據權利要求3所述的一種基于卷積神經網絡的微電網保護方法，其特征在于，所述步驟S32中的預設信號能量公式為：

式中E_i為時間跨度i下倍頻信號的信號總能量，j為時間跨度i下倍頻信號對應倍頻信號波上第j個數據點，d_ij為倍頻信號在對應倍頻信號波上第j個數據點處的信號能量，n為時間跨度i下倍頻信號對應倍頻信號波上數據點的數量。

5.根據權利要求4所述的一種基于卷積神經網絡的微電網保護方法，其特征在于，所述步驟S32中預設能量變化值的獲取公式為：

ΔE＝E_i-E_i-m；

式中，m為時間跨度數，E_i-m為時間跨度i-m下倍頻信號的信號總能量，ΔE為時間跨度i至i-m倍頻信號的信號總能量的能量變化值。

6.根據權利要求5所述的一種基于卷積神經網絡的微電網保護方法，其特征在于，所述步驟S32中預設香農熵公式為：

式中，P_j為倍頻信號對應倍頻信號波上第j個數據點對應的預設能量概率分布，e_i為時間跨度i下倍頻信號的香農熵。

7.根據權利要求6所述的一種基于卷積神經網絡的微電網保護方法，其特征在于，所述步驟S32中預設標準差值公式為：

其中，x_i為倍頻信號對應倍頻信號波上第i個數據點處對應的數據值，μ為各數據點對應數據值組成的數據集的平均值，N為數據點總數，σ為倍頻信號的標準差。

8.一種基于卷積神經網絡的微電網保護系統，其特征在于，包括：

采樣模塊，通過電流采樣獲取微電網的三相電流信號；

對稱分量模塊：根據三相電流信號獲取其對稱分量下的負序電流信號和零序電流信號；

特征值模塊，根據三相電流信號、負序電流信號和零序電流信號利用小波變換獲取其特征值集，所述特征值集包括能量變化值、香農熵、標準差值；

網絡模型模塊，根據特征值集利用卷積神經網絡模型獲取微電網的故障位置和故障類型，所述卷積神經網絡模型通過電流數據集進行故障和非故障分析訓練并測試后獲得。