【技術實現步驟摘要】
本專利技術屬于配電網系統領域，具體涉及一種基于vmd-cnn-lstm的小電流接地系統單相接地故障選線方法。
技術介紹
1、配電網是輸電終端的重要環節，其穩定可靠運行關乎電力用戶的用能質量，因此及時識別并排除故障至關重要。由于負荷種類多、供電系統網絡繁雜等因素，時常發生故障，其中又以單相接地故障最為普遍，占故障總和的80％。發生故障時，及時判定故障線路是進行故障清理的先行條件。隨著新型電力系統的提出，電力系統中可再生能源占比逐步提升，增加了系統的非線性與隨機性，導致故障信號的復雜性增強，影響故障選線的準確率，危害配電系統的安全性。因此，研究準確、快速的故障選線方法可以保障配電網的安全可靠運行。
2、現有的故障選線方法主要有兩類，一類是將具有一定頻率的特殊信號注入到配電網中實現故障選線，稱為主動選線法；另一類是根據故障發生后的電壓、電流等特征信息實現故障選線，稱為被動選線法。在小電流接地系統中，單相接地故障發生后的電氣量暫穩態過程均包含豐富的故障特征信息，應合理進行挖掘并判斷。因此，在配電網系統發生接地故障時，選擇合理的故障選線方法是十分必要的。
3、隨著人工智能技術的發展，以神經網絡、向量機等技術為代表的方法已廣泛應用于故障選線領域，并具有良好的準確性和魯棒性。人工智能所具有的良好容錯性和自適應性，特別是基于人工智能的神經網絡技術對于解決非線性規劃問題的突出能力，可以很好的處理大規模錯綜復雜配電網絡難以建立數學模型的問題能力，決定了這項技術必然會在小電流接地系統的故障選線中得到特別的重視與大規模應用。p>
技術實現思路
1、本專利技術提供一種基于vmd-cnn-lstm的小電流接地系統單相接地故障選線方法，可以通過vmd分解小電流接地系統單相接地故障的零序電流信號，并通過處理的故障信號訓練cnn-bilstm神經網絡模型，準確判別小電流接地系統發生單相接地故障時的故障線路。
2、為了實現上述目的，一種基于vmd-cnn-lstm的小電流接地系統單相接地故障選線方法，其特征在于，具體步驟如下：
3、1、搭建配電網單相接地故障模型，采集各條饋線的零序電流信號，采樣頻率為20hz，分別截取故障后的2個周波的數據波作為待分析信號；
4、2、利用vmd對采集到的各個線路的零序電流信號進行分解，便按照從小到大的饋線順序將各線路的數據特征拼接為向量；
5、3、構建cnn-lstm故障選線模型，并將vmd處理的特征向量作為該模型的輸入信號進行訓練，實現故障特征向量的識別與分類；
6、4、利用測試集驗證故障選線模型的準確率，達到精確識別故障線路的目的。
7、本專利技術的有益效果在于：本專利技術利用vmd算法分解故障信號所構成的故障矩陣中囊括了豐富的故障信息，為神經網絡訓練模型建立了優良的基礎條件，構建的cnn-bilstm訓練模型能夠自主挖掘故障系統的特征，避免了人工提取與選擇特征向量的隨機性，在不同運行狀況與故障條件下性能表現優異，具有較強的準確性與魯棒性。
本文檔來自技高網...【技術保護點】
1.一種基于VMD-CNN-LSTM的小電流接地系統單相接地故障選線方法，其特征在于，具體包括如下步驟：
2.根據權利要求1所述基于VMD-CNN-LSTM的小電流接地系統單相接地故障選線方法，其特征在于，步驟1)中，所建立小電流接地系統單相接地故障仿真模型對不同的故障初始角、故障線路、故障距離及接地電阻進行了仿真，使故障選線方法更具有現實意義。
3.根據權利要求1所述基于VMD-CNN-LSTM的小電流接地系統單相接地故障選線方法，其特征在于，步驟2)中，所述VMD將信號視為不同頻率的子信號組成，目的是通過迭代尋優的方式確定子信號的中心頻率和帶寬，屬于完全非遞歸信號分解模型，其對復雜信號的分解具有良好的自適應性，有效解決了傳統信號分解方法中存在的模態混疊、端點效應及突變性等問題。
4.根據權利要求1所述基于VMD-CNN-LSTM的小電流接地系統單相接地故障選線方法，其特征在于，步驟2)中，所述VMD算法以輸入信號的約束條件為基礎建立變分模態函數，并通過周期搜尋的方式求解模型的最優方案，最后確定預設的模態分解數K將信號分解為不同的分量。>
5.根據權利要求1所述基于VMD-CNN-LSTM的小電流接地系統單相接地故障選線方法，其特征在于，步驟3)中，本專利技術使用CNN和LSTM的串聯結構對故障特征信號進行處理，該模型利用了CNN-LSTM的自主挖掘數據特征特性，自主學習故障線路特性，實現故障選線的目的。
6.根據權利要求5所述基于VMD-CNN-LSTM的小電流接地系統單相接地故障選線方法，其特征在于，所述CNN通過對輸入數據的卷積、池化等操作，自主挖掘數據特征，同時可以降低深度神經網絡的參數及數據的復雜度，提升訓練模型的數據分析能力及計算效率；CNN的基本組成為輸入層、卷積層、池化層、全連接層和輸出層。
7.根據權利要求5所述基于VMD-CNN-LSTM的小電流接地系統單相接地故障選線方法，其特征在于，所述LSTM是經循環神經網絡改良后的一種神經網絡訓練模型，修復了循環神經網絡中存在的梯度消失和梯度爆炸的問題；LSTM通過增加門控機制，有效控制了信息在訓練過程中的保存與更新。
8.根據權利要求1所述基于VMD-CNN-LSTM的小電流接地系統單相接地故障選線方法，其特征在于，步驟4)中，本專利技術將仿真得到的數據進行VMD分解，獲取相應的故障特征信息，并對其進行故障類型標記，并將數據集分為訓練集與測試集，將訓練集作為CNN-LSTM網絡的輸入進行模型訓練，訓練完成后將測試集輸入到訓練好的模型中驗證故障選線模型的準確性與魯棒性。
...【技術特征摘要】
1.一種基于vmd-cnn-lstm的小電流接地系統單相接地故障選線方法，其特征在于，具體包括如下步驟：
2.根據權利要求1所述基于vmd-cnn-lstm的小電流接地系統單相接地故障選線方法，其特征在于，步驟1)中，所建立小電流接地系統單相接地故障仿真模型對不同的故障初始角、故障線路、故障距離及接地電阻進行了仿真，使故障選線方法更具有現實意義。
3.根據權利要求1所述基于vmd-cnn-lstm的小電流接地系統單相接地故障選線方法，其特征在于，步驟2)中，所述vmd將信號視為不同頻率的子信號組成，目的是通過迭代尋優的方式確定子信號的中心頻率和帶寬，屬于完全非遞歸信號分解模型，其對復雜信號的分解具有良好的自適應性，有效解決了傳統信號分解方法中存在的模態混疊、端點效應及突變性等問題。
4.根據權利要求1所述基于vmd-cnn-lstm的小電流接地系統單相接地故障選線方法，其特征在于，步驟2)中，所述vmd算法以輸入信號的約束條件為基礎建立變分模態函數，并通過周期搜尋的方式求解模型的最優方案，最后確定預設的模態分解數k將信號分解為不同的分量。
5.根據權利要求1所述基于vmd-cnn-lstm的小電流接地系統單相接地故障選線方法，其特征在于，步驟3)中，本發明使...
【專利技術屬性】
技術研發人員：李晨賀，袁德民，路垚，賈建剛，全淼，王甲立，石洋，全少偉，齊定強，劉炳汧，彭昆，
申請(專利權)人：國網河南淅川縣供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。