基于ISTOA-CNN的HVDC系统故障诊断方法及系统技术方案

本发明专利技术提供了一种基于ISTOA

【技术实现步骤摘要】
基于ISTOA
‑
CNN的HVDC系统故障诊断方法及系统


[0001]本申请涉及电力系统故障诊断
，特别涉及一种基于ISTOA
‑
CNN的HVDC系统故障诊断方法及系统。

技术介绍

[0002]随着HVDC工程在我国电网中所占比重不断增加，保证HVDC系统安全稳定运行愈发重要。高压直流输电保护系统负责快速检测故障，确保直流输电工程的安全稳定运行。高压直流技术拥有高效的传输效率，因此提高HVDC系统的可靠性、稳定性和安全性，具有重要的社会经济意义。
[0003]世界各地的研究人员已经对HVDC系统故障诊断有了很多优秀的策略。采用支持向量机可以实现非线性分类和回归，已经在一些数据建模领域得到应用。近年来，基于知识图谱的电力系统故障诊断方法不断地被提出，在电力系统的故障诊断中产生了积极影响。通过结合数据库技术以及数据挖掘方法，可以发掘出数据之间的联系和规律，从而提升了故障诊断的各项性能。从各种途径收集的故障数据中抽取的关键知识要素，通过标准化的表示方式和各种关系能够有效地整合，从而不断地拓展领域知识的范围，并且还能够为知识的智能应用和可视化展示提供基础元素。目前，上述技术发展中存在的问题是精确度较低，数据隐藏信息利用不到位，在一定程度上无法保证了电力系统安全稳定运行。

技术实现思路

[0004]本专利技术提供了一种基于ISTOA
‑
CNN的HVDC系统故障诊断方法及系统，引入了改进乌燕鸥优化算法(Improved Sooty Tern Optimization Algorithm，ISTOA)对CNN进行参数智能寻优，从而解决CNN模型参数选择误差对分类效果有较大影响的问题。该方法对HVDC系统各类故障分类正确率高，相较于其他方法，误诊率得到了一定得下降。
[0005]第一方面，本专利技术中所述的基于ISTOA
‑
CNN的HVDC系统故障诊断方法，用于对高压直流输电系统故障进行诊断，所述方法，包括：
[0006]S1：利用小波变化提取故障样本集信号特征；
[0007]S2：搭建CNN模型；
[0008]S3：引入改进乌燕鸥优化算法对所述CNN模型进行参数智能寻优，获得优化后的ISTOA
‑
CNN模型；
[0009]S4：对高压直流输电系统各种故障类型进行标签，获得故障样本集；
[0010]S5：将所述故障样本集划分为训练集和测试集，通过所述训练集对所述ISTOA
‑
CNN模型进行训练，通过所述测试集对所述ISTOA
‑
CNN模型进行测试直至达到预设故障识别精度，获得最终基于IHBA
‑
TCN的HVDC系统故障诊断模型；
[0011]S6：所述基于IHBA
‑
TCN的HVDC系统故障诊断模型用于对高压直流输电系统进行故障诊断。
[0012]本专利技术利用小波变化提取故障样本集信号特征；搭建CNN模型，实现HVDC故障数据
集分类；同时，为了减少CNN参数选择存在误差从而影响CNN分类精度，引入ISTOA对CNN进行参数智能寻优；最后将HVDC系统故障样本集划分为训练集和测试集，并对ISTOA
‑
CNN进行训练，得出故障识别精度。本专利技术所述故障诊断方法对HVDC系统各类故障分类正确率高，相较于其他方法，误诊率得到了一定得下降，为HVDC系统故障诊断提供了一种新的工具。
[0013]在一些实现方式中，所述步骤S1利用小波变化提取故障样本集信号特征，具体包括：
[0014]对故障信号进行小波变换，令
[0015]若a、b不断变化，则得到与之对应的一簇Ψ(a,b)(t)；
[0016]定义高压直流输电系统的故障波形信号x(t)∈L2(R)的小波变换为：
[0017][0018]将a、b离散化，计算得HVDC系统故障波形信号x(t)的离散小波变化为：
[0019](DW
Ψ
f)(j,k)＝<f(t),Ψ
(j,k)
(t)>；
[0020]式中：a和b是离散化的常数，且a＞0；t是离散化的时间变量；Ψ(t)是小波函数；L2(R)是指故障波形信号x(t)所属的函数空间；j是指....；k是指....；f(t)是指....；DW
Ψ
f是指....。
[0021]在一些实现方式中，所述步骤S2搭建CNN模型，具体包括：
[0022]所述CNN模型由卷积层、采样层和全连接层组成；其中，
[0023]所述卷积层的输出为：
[0024]所述采样层的输出为：
[0025]将所述卷积层和采样层的输出整理成为X＝{x1,x2,...,xn}∈Rn作为全连接层的输入，所述全连接层的输出为：Y＝f(W1X+b1)；
[0026]所述Y∈Rm
×
1，且作为所述CNN模型输出层的输入，采用Softmax回归函数作为激活函数，获得所述输出层的输出结果为：Z＝S(W2Y+b2)；
[0027]其中，所述Softmax回归函数为
[0028]上式中，Mj表示选择的上一层输出组合：klij表示第i个输入和第j个输出之间所用的卷积核；bj表示第j个输出所对应的偏置；f为激活函数；down()表示降采样函数，β表示权重；W1∈Rm
×
n、b1∈Rm
×
1分别为输入层到隐藏层的权重和偏置；W2∈Rk
×
n、b2∈Rk
×
1分别为输入层到隐藏层的权重和偏置；Sj表示分类类别为第j中的概率；aj表示全连接层输出的第j个结果。
[0029]所述步骤S3引入改进乌燕鸥优化算法对所述CNN模型进行参数智能寻优，具体包括：
[0030]S31：初始化所述CNN模型的变量参数SA；
[0031]S32：根据改进乌燕鸥优化算法获得初始种群；
[0032]S33：对所述变量参数SA进行改进，获得改后的目标函数值；
[0033]S34：通过迁徙和攻击以更新乌燕鸥个体的位置信息；
[0034]S35：根据所述个体的位置信息重新计算目标函数适应度值，保留最优个体；根据
所述最优个体获得优化后的ISTOA
‑
CNN模型。
[0035]在一些实现方式中，所述步骤S5中获得最终基于IHBA
‑
TCN的HVDC系统故障诊断模型，具体的实现过程包括：
[0036]S51：通过所述训练集对所述ISTOA
‑
CNN模型进行训练，达到最大迭代次数时输出改进乌燕鸥优化算法的全局最优CNN模型参数；
[0037]S52：采用所述全局最优CNN模型参数建立识别模型，并通过测试集进行高压直流输电系统运行状态辨识，直至达到预设故障识别精度，输出最优参数结果；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ISTOA
‑
CNN的HVDC系统故障诊断方法，用于对高压直流输电系统故障进行诊断，其特征在于，所述方法，包括：S1：利用小波变化提取故障样本集信号特征；S2：搭建CNN模型；S3：引入改进乌燕鸥优化算法对所述CNN模型进行参数智能寻优，获得优化后的ISTOA
‑
CNN模型；S4：对高压直流输电系统各种故障类型进行标签，获得故障样本集；S5：将所述故障样本集划分为训练集和测试集，通过所述训练集对所述ISTOA
‑
CNN模型进行训练，通过所述测试集对所述ISTOA
‑
CNN模型进行测试直至达到预设故障识别精度，获得最终基于IHBA
‑
TCN的HVDC系统故障诊断模型；S6：所述基于IHBA
‑
TCN的HVDC系统故障诊断模型用于对高压直流输电系统进行故障诊断。2.根据权利要求1所述的基于ISTOA
‑
CNN的HVDC系统故障诊断方法，其特征在于，所述步骤S1，还包括：对故障信号进行小波变换，令若a、b不断变化，则得到与之对应的一簇Ψ
(a,b)
(t)；定义高压直流输电系统的故障波形信号x(t)∈L2(R)的小波变换为：将a、b离散化，计算得HVDC系统故障波形信号x(t)的离散小波变化为：(DW
Ψ
f)(j,k)＝<f(t),Ψ
(j,k)
(t)>；式中：a和b是离散化的常数，且a＞0；t是离散化的时间变量；Ψ(t)是小波函数；L2(R)是指故障波形信号x(t)所属的函数空间；j是指....；k是指....；f(t)是指....；DW
Ψ
f是指....。3.根据权利要求2所述的基于ISTOA
‑
CNN的HVDC系统故障诊断方法，其特征在于，所述步骤S2，还包括：所述CNN模型由卷积层、采样层和全连接层组成；其中，所述卷积层的输出为：所述采样层的输出为：将所述卷积层和采样层的输出整理成为X＝{x1,x2,...,x
n
}∈R
n
作为全连接层的输入，所述全连接层的输出为：Y＝f(W1X+b1)；所述Y∈R
m
×1，且作为所述CNN模型输出层的输入，采用Softmax回归函数作为激活函数，获得所述输出层的输出结果为：Z＝S(W2Y+b2)；其中，所述Softmax回归函数为上式中，M
j
表示选择的上一层输出组合：k
lij
表示第i个输入和第j个输出之间所用的卷积核；b
j
表示第j个输出所对应的偏置；f为激活函数；down()表示降采样函数，β表示权重；W1∈R
m
×
n
、b1∈R
m
×1分别为输入层到隐藏层的权重和偏置；W2∈R
k
×
n
、b2∈R
k
×1分别为输入层到
隐藏层的权重和偏置；S
j
表示分类类别为第j中的概率；a
j
表示全连接层输出的第j个结果。4.根据权利要求3所述的基于ISTOA
‑
CNN的HVDC系统故障诊断方法，其特征在于，所述步骤S3，还包括：S31：初始化所述CNN模型的变量参数S
A
；S32：根据改进乌燕鸥优化算法获得初始种群；S33：对所述变量参数S
A
进行改进，获得改后的目标函数值；S34：通过迁徙和攻击以更新乌燕鸥个体的位置信息；S35：根据所述个体的位置信息重新计算目标函数适应度值，保留最优个体；根据所述最优个体获得优化后的ISTOA
‑
CNN模型。5.根据权利要求4所述的基于ISTOA
‑
CNN的HVDC系统故障...

【专利技术属性】
技术研发人员：陈潜，武雯阳，李强，彭光强，邵震，王电处，杨光源，肖耀辉，陈礼昕，黄之笛，龚泽，毛炽祖，王晨涛，陈浩，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司大理局，
类型：发明
国别省市：