一种基于卷积神经网络的微电网保护方法与系统

技术领域

本发明涉及微电网领域，尤其涉及一种基于卷积神经网络的微电网保护方法与系统。

背景技术

近年来，随着分布式电源利用率的不断提高，微电网技术也得到了迅猛发展，已成为电力系统的重要组成部分。可再生能源、燃烧电池、蓄电池、微型发电机等通过微电网直接给负荷供电，降低电力传输损耗，提高能源利用效率，保证电力输送的可靠性。微电网采用专门的通讯、控制和保护装置，在电网发生电压波动、频率偏差等扰动时，由并网运行切换到孤岛运行，为临界负荷供电。然而，不同类型的分布式电源，灵活的操作模式以及复杂的拓扑结构对微电网的运行、控制和保护带来了新的挑战。

具体地说，高渗透率分布式电源的接入使得传统继电保护装置容易产生拒动或者误动。逆变型分布式电源(IIDG)的惯性低于同步发电机。当线路故障无法迅速切除时，由低惯性电源组成的微电网的稳定性不足。IIDG根据微电网的运行模式和所连接电源的类型(间歇或非间歇)采用不同的控制方式运行。通常，IIDG的最大电流约为额定电流的两倍，承载能力有限。相较于并网模式，在孤岛运行模式下的故障允许电流值较低，传统的高故障电流保护方法不再适用。不仅如此，功率流动是动态的和双向的，当拓扑结构发生变化时，保护问题也变得更为复杂。

微电网的保护方案在保证稳定性和速动性的同时，应当解决孤岛和并网模式下的双向潮流和故障电流问题。针对此类问题，国内外学者提出了不同方案对微电网实施保护。比如采用三阻抗圆交点的方法计算等效阻抗，再加入自适应突变算法对传统保护方式进行优化和完善。比如提出了复合补偿因子的概念，分析故障时的电压特性和阻抗特征，在反时限过电流保护中加入补偿因子，解决动作延时问题并提高速动性。比如利用小波变换，提取母线的零序电流特征，根据最高频分量的奇异点的数据，构建了特征方向和关联方向，从而确定故障位置，提高了微电网保护阈值的选择性。比如提出了一种适用于含同步发电机和IIDG的中压微电网的差动保护技术。比如提出了一种仅适用于基于IIDG的低压微电网的保护方案，该方案采用电流和电压方案对电网进行保护。然而，进一步分析这些现有技术可以看出，现有的保护方案都是基于固定结构或运行方式，缺乏智能判断故障位置和故障类型的能力。

因此，本发明提出一种基于卷积神经网络的微电网保护方法。通过小波变换对电流信号进行处理，并提取其特征值，将特征值输入给训练完成后的卷积神经网络模型，实现继电保护对故障的智能识别。

发明内容

为了解决现有的微电网保护方案都是基于固定结构或运行方式，而不能智能判断故障位置和故障类型的问题，本发明提出了一种基于卷积神经网络的微电网保护方法，包括步骤：

S1：通过电流采样获取微电网的三相电流信号；

S2：根据三相电流信号获取其对称分量下的负序电流信号和零序电流信号；

S3：根据三相电流信号、负序电流信号和零序电流信号利用小波变换获取其特征值集，所述特征值集包括能量变化值、香农熵、标准差值；

S4：根据特征值集利用卷积神经网络模型获取微电网的故障位置和故障类型，所述卷积神经网络模型通过电流数据集进行故障和非故障分析训练并测试后获得。

进一步地，所述步骤S4中的电流数据集包括电流信号训练集和电流信号测试集；所述步骤S4中卷积神经网络模型通过电流数据集进行故障和非故障分析训练并测试后获得的具体步骤包括：

S41：通过预设数据库以及虚拟仿真模拟出的各负载水平、运行方式下以及各故障位置处的短路故障情况获取电流信号训练集和电流信号测试集；

S42：通过电流信号训练集对预设模型进行故障和非故障的分析训练；

S43：通过电流信号测试集测试训练后的预设模型得到卷积神经网络模型。

进一步地，所述步骤S3中根据三相电流信号、负序电流信号和零序电流信号利用小波变换获取其特征值集的具体步骤为：

S31：根据三相电流信号、负序电流信号和零序电流信号通过小波变换获取三相电流倍频信号、负序电流倍频信号和零序电流倍频信号；

S32：根据各电流的倍频信号利用预设信号能量公式、预设香农熵公式以及预设标准差值公式分别获取各电流倍频信号对应的能量变化值、香农熵、标准差值。

进一步地，所述步骤S32中的预设信号能量公式为：

式中E

进一步地，所述步骤S32中预设能量变化值的获取公式为：

ΔE＝E

式中，m为时间跨度数，E

进一步地，所述步骤S32中预设香农熵公式为：

式中，P

进一步地，所述步骤S32中预设标准差值公式为：

其中，x

本发明还提出了一种基于卷积神经网络的微电网保护系统，包括：

采样模块，通过电流采样获取微电网的三相电流信号；

对称分量模块：根据三相电流信号获取其对称分量下的负序电流信号和零序电流信号；

特征值模块，根据三相电流信号、负序电流信号和零序电流信号利用小波变换获取其特征值集，所述特征值集包括能量变化值、香农熵、标准差值；

网络模型模块，根据特征值集利用卷积神经网络模型获取微电网的故障位置和故障类型，所述卷积神经网络模型通过电流数据集进行故障和非故障分析训练并测试后获得。

进一步地，所述网络模型模块中的电流数据集包括电流信号训练集和电流信号测试集；所述网络模型模块中卷积神经网络模型通过电流数据集进行故障和非故障分析训练并测试后获得的具体方法为：

通过预设数据库以及虚拟仿真模拟出的各负载水平、运行方式下以及各故障位置处的短路故障情况获取电流信号训练集和电流信号测试集；通过电流信号训练集对预设模型进行故障和非故障的分析训练；通过电流信号测试集测试训练后的预设模型得到卷积神经网络模型。

进一步地，所述特征值模块中根据三相电流信号、负序电流信号和零序电流信号利用小波变换获取其特征值集的具体方法为：

根据三相电流信号、负序电流信号和零序电流信号通过小波变换获取三相电流倍频信号、负序电流倍频信号和零序电流倍频信号；根据各电流的倍频信号利用预设信号能量公式、预设香农熵公式以及预设标准差值公式分别获取各电流倍频信号对应的能量变化值、香农熵、标准差值。

与现有技术相比，本发明至少含有以下有益效果：

(1)本发明通过小波变换获取到各电流倍频信号的特征值集，并输入训练好的卷积神经网络获取到故障位置和故障类型，解决了现有的微电网保护方案都是基于固定结构或运行方式，而不能智能判断故障位置和故障类型的问题；

(2)本发明通过卷积神经网络模型智能判断出故障位置和故障类型，与传统的保护方式不同，本发明的方案更具有智能性，其不受运行方式、负载数值、故障电阻等的影响，稳定性高；

(3)本发明中利用到的小波变换、卷积神经网络模型具有效率高、输入数据量小、计算速度快的特点，提高了微电网的保护能力以及识别故障位置和故障类型的速度；

(4)本发明所提出的基于卷积神经网络的微电网保护方法，能够快速、准确的反应故障的位置及故障类型，极大的提高了微电网的安全性。

附图说明

图1为一种基于卷积神经网络的微电网保护方法与系统的方法流程图；

图2为一种基于卷积神经网络的微电网保护方法与系统的卷积神经网络模型获取流程图；

图3为一种基于卷积神经网络的微电网保护方法与系统的系统模块图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

实施例一

为了解决现有的微电网保护方案都是基于固定结构或运行方式，而不能智能判断故障位置和故障类型的问题，如图1所示，本发明提出了一种基于卷积神经网络的微电网保护方法，包括步骤：

S1：通过电流采样获取微电网的三相电流信号；

S2：根据三相电流信号获取其对称分量下的负序电流信号和零序电流信号；

S3：根据三相电流信号、负序电流信号和零序电流信号利用小波变换获取其特征值集，所述特征值集包括能量变化值、香农熵、标准差值；

所述步骤S3中根据三相电流信号、负序电流信号和零序电流信号利用小波变换获取其特征值集的具体步骤为：

S31：根据三相电流信号、负序电流信号和零序电流信号通过小波变换获取三相电流倍频信号、负序电流倍频信号和零序电流倍频信号；

本实施例中，通过小波变换获取三相电流倍频信号、负序电流倍频信号和零序电流倍频信号的具体步骤为：

S311：通过小波变换将三相电流信号分解为六倍频的三相电流信号；通过小波变换将负序电流信号分解为六倍频的负序电流信号；通过小波变换将零序电流信号分解为六倍频的零序电流信号；所述六倍频包括一倍频、二倍频、三倍频、四倍频、五倍频、六倍频；

S312：获取其中三倍频的三相电流信号、三倍频的负序电流信号以及三倍频的零序电流信号；所述三倍频的三相电流信号即三相电流倍频信号；所述三倍频的负序电流信号即负序电流倍频信号；所述三倍频的零序电流信号即零序电流倍频信号。

需要说明的是，三相电流倍频信号包括A相电流倍频信号、B相电流倍频信号以及C相电流倍频信号。

S32：根据各电流的倍频信号利用预设信号能量公式、预设香农熵公式以及预设标准差值公式分别获取各电流倍频信号对应的能量变化值、香农熵、标准差值。

本实施例中，各电流倍频信号对应的能量变化值、香农熵、标准差值分别为：

特征值1：故障发生时，A相电流倍频信号的能量变化值；

特征值2：故障发生时，A相电流倍频信号的香农熵；

特征值3：故障发生时，A相电流倍频信号的标准差值；

特征值4：故障发生时，B相电流倍频信号的能量变化值；

特征值5：故障发生时，B相电流倍频信号的香农熵；

特征值6：故障发生时，B相电流倍频信号的标准差值；

特征值7：故障发生时，C相电流倍频信号的能量变化值；

特征值8：故障发生时，C相电流倍频信号的香农熵；

特征值9：故障发生时，C相电流倍频信号的标准差值；

特征值10：故障发生时，负序电流倍频信号的能量变化值；

特征值11：故障发生时，负序电流倍频信号的香农熵；

特征值12：故障发生时，负序电流倍频信号的标准差值；

特征值13：故障发生时，零序电流倍频信号的能量变化值；

特征值14：故障发生时，零序电流倍频信号的香农熵；

特征值15：故障发生时，零序电流倍频信号的标准差值；

共计15个特征值组成特征值集。

所述步骤S32中的预设信号能量公式为：

式中E

所述步骤S32中预设能量变化值的获取公式为：

ΔE＝E

式中，m为时间跨度数，E

所述步骤S32中预设香农熵公式为：

式中，P

所述步骤S32中预设标准差值公式为：

其中，x

S4：根据特征值集利用卷积神经网络模型获取微电网的故障位置和故障类型，所述卷积神经网络模型通过电流数据集进行故障和非故障分析训练并测试后获得。

本实施例中，通过输入上述15个特征值组成的特征值集至训练好的卷积神经网络模型获取到故障位置和故障类型。

所述步骤S4中的电流数据集包括电流信号训练集和电流信号测试集；所述步骤S4中卷积神经网络模型通过电流数据集进行故障和非故障分析训练并测试后获得的具体步骤包括：

本实施例中，所述卷积神经网络模型的获取流程如图2所示。

S41：通过预设数据库以及虚拟仿真模拟出的各负载水平、运行方式下以及各故障位置处的短路故障情况获取电流信号训练集和电流信号测试集；

S42：通过电流信号训练集对预设模型进行故障和非故障的分析训练；

S43：通过电流信号测试集测试训练后的预设模型得到卷积神经网络模型。

实施例二

为了更好的对本发明的发明思路进行理解，本实施例通过系统结构的形式来对本发明进行阐述，如图3所示，一种基于卷积神经网络的微电网保护系统，包括：

采样模块，通过电流采样获取微电网的三相电流信号；

对称分量模块：根据三相电流信号获取其对称分量下的负序电流信号和零序电流信号；

特征值模块，根据三相电流信号、负序电流信号和零序电流信号利用小波变换获取其特征值集，所述特征值集包括能量变化值、香农熵、标准差值；

所述特征值模块中根据三相电流信号、负序电流信号和零序电流信号利用小波变换获取其特征值集的具体方法为：

根据三相电流信号、负序电流信号和零序电流信号通过小波变换获取三相电流倍频信号、负序电流倍频信号和零序电流倍频信号；根据各电流的倍频信号利用预设信号能量公式、预设香农熵公式以及预设标准差值公式分别获取各电流倍频信号对应的能量变化值、香农熵、标准差值。

网络模型模块，根据特征值集利用卷积神经网络模型获取微电网的故障位置和故障类型，所述卷积神经网络模型通过电流数据集进行故障和非故障分析训练并测试后获得。

需要说明的是，本发明通过小波变换获取到各电流倍频信号的特征值集，并输入训练好的卷积神经网络获取到故障位置和故障类型，解决了现有的微电网保护方案都是基于固定结构或运行方式，而不能智能判断故障位置和故障类型的问题；本发明通过卷积神经网络模型智能判断出故障位置和故障类型，与传统的保护方式不同，本发明的方案更具有智能性，其不受运行方式、负载数值、故障电阻等的影响，稳定性高；

另外，本发明中利用到的小波变换、卷积神经网络模型具有效率高、输入数据量小、计算速度快的特点，提高了微电网的保护能力以及识别故障位置和故障类型的速度。

所述网络模型模块中的电流数据集包括电流信号训练集和电流信号测试集；所述网络模型模块中卷积神经网络模型通过电流数据集进行故障和非故障分析训练并测试后获得的具体方法为：

通过预设数据库以及虚拟仿真模拟出的各负载水平、运行方式下以及各故障位置处的短路故障情况获取电流信号训练集和电流信号测试集；通过电流信号训练集对预设模型进行故障和非故障的分析训练；通过电流信号测试集测试训练后的预设模型得到卷积神经网络模型。

本发明所提出的基于卷积神经网络的微电网保护方法，能够快速、准确的反应故障的位置及故障类型，极大的提高了微电网的安全性。

本文中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。