一种人工神经网络短路电流零点预测方法及预测终端技术

本发明专利技术属于故障电流选相控制开断领域，并提供一种人工神经网络短路电流零点预测方法及预测终端，方法步骤为采集电路电流信号判断电路是否发生故障，根据采集的电流数据调用已训练好的人工神经网络模型预测电流过零点，同时人工神经网络模型根据采集的短路电流波形数据进行自学习优化训练，实时更新预测模型之后调用。本发明专利技术的优点在于，短路电流零点预测模型可以在投入运行后不断自我优化更新，弥补了投运前模型训练过程中实际故障波形数据不足的问题，模型投运时间愈长零点预测精度愈高。同时，对于电网的规模变化引起的短路电流波形参数变化，该方法也能根据模型自学习不断适应，显著提高短路电流零点预测精度。显著提高短路电流零点预测精度。显著提高短路电流零点预测精度。

【技术实现步骤摘要】
一种人工神经网络短路电流零点预测方法及预测终端


[0001]本专利技术属于故障电流选相控制开断领域，具体涉及一种人工神经网络短路电流零点预测方法及预测终端。

技术介绍

[0002]基于快速真空开关的短路电流相控开断技术可以有效缩短电力系统故障切除时间，提升开关设备开断可靠性，增强系统运行的暂态稳定性，降低故障电流对电力设备的动、热稳定冲击。采用相控技术分断短路电流时，控制器需要预测出电流的过零时刻，并在此基础上考虑操动机构及断路器的动作时间，提前向断路器发出控制信号，实现在特定相位的开断，保证最佳燃弧时间。因此，对短路电流过零点进行精准预测是选相控制开断技术的关键。
[0003]现有文献“A new algorithm enabling controlled short circuit interruption”提出了基于“安全点算法”的故障电流过零点预测方法，通过忽略衰减直流分量与谐波成分，计算出短路电流基波分量的零点近似为实际过零点，预测误差为
±
1ms。现有的专利CN102495962A提出了基于渐消递推最小二乘法的故障电流过零点预测方法，克服了数据饱和现象，降低了旧数据的影响。专利CN106159875A提出了一种采用类
‑
Prony方法对短路电流进行四点滑窗处理，提高了故障电流过零点预测方法的抗噪性和稳定性。
[0004]近年来基于人工神经网络的机器学习算法在信号处理、分析控制等领域的应用越来越多，同时神经网络算法在电流预测方面的应用也初见雏形。专利CN114997065A提出了采用随机配置网络(Stochastic Configuration Networks，即SCN)的方法实现对同步发电机励磁电流的预测。文献“A Fast Current Zeroes Estimation Algorithm for Controlled Fault Interruption Based on an Improved BP Neural Network”提出了一种基于反向传播神经网络的短路电流过零点预测算法，该算法直接把零点时刻作为网络的输出向量，采样时间为3ms，预测误差为
±
0.5ms。文献“灰色BP神经网络模型在电力系统短路电流峰值预测中的应用”提出了一种灰色BP神经网络动态预测模型，加速了BP神经网络的训练过程，缩短了预测时间，提高了预测精度。由此可见，基于神经网络的预测算法相对于传统的数学拟合方法在故障预测速度上有明显提升，采样时间及预测误差均有明显改善，在快速真空断路器的相控开断领域具有长远的发展前景。
[0005]由于人工神经网络在投入运用前需要采用大量的波形数据对预测模型进行提前训练，而现有的真实网络短路故障波形数据量并不充裕，大多数训练数据是由特定条件下的短路故障电流表达式生成得到的，与实际的电网故障电流存在一定差别，由此训练出的电流预测模型在精度上存在一定的误差。此外，随着电网互联规模的扩大和电网容量的不断提升，电力系统中回路的电抗、电阻等参数也在不断发生变化，导致发生短路故障时电流衰减时间常数Ta及波形参数也在不断变化，导致模型预测的过零点精度完全依赖于投用前特定网络参数下的训练状态，而对于变化的电网参数无法做到适应性预测，影响预测的精度和准确度。

技术实现思路

[0006]为了克服上述现有技术中的不足，本专利技术提供一种人工神经网络短路电流零点预测方法，方法在投入运行后根据实际的短路电流波形进行不断自学习优化训练，对短路电流零点预测模型进行不断优化与更新；同时，自学习优化后的电流预测模型能够适应不断变化的网络参数与工况，提高人工网络模型的过零点预测精度。
[0007]人工神经网络短路电流零点预测方法包括：步骤1：采样电路电流信号，对所采集的电流信号进行故障识别，判断电路中是否发生短路故障，若发生短路故障，则执行下一步；若未发生短路故障，则继续对电路电流进行采样检测；步骤2：当识别到电路中发生短路故障时，将现场所采集到的电流波形进行记录，并输入至已保存的人工神经网络电流预测模型中，得到预测的短路电流过零点时刻，以此为根据控制断路器进行选相分闸动作；步骤3：当识别到电路中发生短路故障时，将采集到的电流波形用于模型自学习优化更新；将所采集波形进行数据预处理，之后输入到人工神经网络中进行模型训练得到新的电流预测模型；通过对新生成的模型进行误差分析，判断预测误差是否小于预设阈值；若预测误差小于预设阈值，则保留更新模型以供之后调用；若预测误差未小于预设阈值，则说明此次电流波形对模型产生了扰动或模型已经达到过拟合状态，此时舍弃更新模型。
[0008]进一步需要说明的是，所述模型自学习优化训练过程中的数据预处理包括降噪、滤波和归一化处理。
[0009]进一步需要说明的是，模型自学习优化更新训练分析过程包括如下步骤：将电流波形样本进行数据划分，划分为训练集与测试集；利用所述测试集数据对已有模型进行进一步训练，生成新的电流预测模型；利用所述测试集数据对新的电流预测模型进行测试，分析评估新模型的预测误差。
[0010]进一步需要说明的是，模型自学习优化训练根据误差分析评估结果进行预测模型优化更新，对旧模型进行保存。
[0011]进一步需要说明的是，模型自学习训练网络层数为t，每层的节点数为k0，k1，k2，
……
，k
t
。
[0012]进一步需要说明的是，模型自学习训练每层的输入向量为
)
，每层的输出向量为。
[0013]进一步需要说明的是，模型自学习训练每层的权重与偏置量分别为和，每层的激活函数为，则得到每层输出向量为。
[0014]进一步需要说明的是，误差分析采用均方根法进行评估，所述误差评估函数为：
其中，表示输出向量第i个元素与标准向量第i个元素的差值。
[0015]本专利技术还提供一种预测终端，包括：处理控制器、存储器、输入接口和输出接口；存储器用于储存训练生成的电流过零预测模型、电流波形数据以及预先编译的计算机程序；处理控制器执行所述程序时实现人工神经网络短路电流零点预测方法的步骤，通过输入接口和输出接口与其他器件或设备进行通信。
[0016]从以上技术方案可以看出，本专利技术具有以下优点：本专利技术提供的人工神经网络短路电流零点预测方法中，可以在模型投入运用之后根据电网中实际短路故障不断对预测模型进行自我优化与更新，弥补了投运前在实际短路故障波形数据不足的问题，随着投运时间增长，模型过零点预测精度越高。同时，模型自学习优化训练能够适应不断变化的电网参数与工况，不断提高短路电流零点的预测精度。基于该方法获得的短路电流零点准确度更高，对电网参数变化适应性更强，对选相分断技术缩短燃弧时间、降低短路电流对设备冲击、提高电力系统稳定性具有重要意义。
附图说明
[0017]为了更清楚地说明本专利技术的技术方案，下面将对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专利技术的一些实施例，对于本领域普通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人工神经网络短路电流零点预测方法，其特征在于，方法包括：步骤1：采样电路电流信号，对所采集的电流信号进行故障识别，判断电路中是否发生短路故障，若发生短路故障，则执行下一步；若未发生短路故障，则继续对电路电流进行采样检测；步骤2：当识别到电路中发生短路故障时，将现场所采集到的电流波形进行记录，并输入至已保存的人工神经网络电流预测模型中，得到预测的短路电流过零点时刻，以此为根据控制断路器进行选相分闸动作；步骤3：当识别到电路中发生短路故障时，将采集到的电流波形用于模型自学习优化更新；将所采集波形进行数据预处理，之后输入到人工神经网络中进行模型训练得到新的电流预测模型；通过对新生成的模型进行误差分析，判断预测误差是否小于预设阈值；若预测误差小于预设阈值，则保留更新模型以供之后调用；若预测误差未小于预设阈值，则说明此次电流波形对模型产生了扰动或模型已经达到过拟合状态，此时舍弃更新模型。2.根据权利要求1所述的人工神经网络短路电流零点预测方法，其特征在于，所述模型自学习优化训练过程中的数据预处理包括降噪、滤波和归一化处理。3.根据权利要求1所述的人工神经网络短路电流零点预测方法，其特征在于，模型自学习优化更新训练分析过程包括如下步骤：将电流波形样本进行数据划分，划分为训练集与测试集；利用所述测试集数据对已有模型进行进一步训练，生成新的电流预测模型；利用所述测试集数据对新的电流...

【专利技术属性】
技术研发人员：黄吕超，崔明涛，张航，杨黄屯，李龙启，左晓婧，李欣悦，项彬，姚晓飞，刘志远，邢玉龙，胡源源，王永贵，方金国，李云鹏，刘超，邓思洋，王振东，潘轲，韩学禹，陈楷铭，高远，
申请(专利权)人：国网信息通信产业集团有限公司，
类型：发明
国别省市：