[发明专利]一种HVDC系统换流母线外部故障的人工智能识别方法

说明书

技术领域

本发明涉及一种HVDC系统换流母线外部故障的人工智能识别方法，属于高压直流输电领域。

背景技术

HVDC(高压直流)输电系统的运行受直流线路﹑换流器或交流系统故障的影响，为保证整个交直流系统安全、可靠地运行，需要在故障初期检测出故障的存在、故障类型及故障发生的位置。

交流系统故障对直流系统的影响是通过加在换流器上的换相电压的变化而起作用的。交流系统发生故障时，交流电压下降的速率、幅值及相位的变化都会对直流系统的运行造成影响。当逆变侧交流系统发生故障时，逆变站交流母线电压降低，从而使逆变器反电动势降低，直流电流增大，可能引起换相失败。某些情况下换相失败可能自行恢复，但连续换相失败可能引起直流输电系统闭锁，甚至危及整个系统稳定，造成更大危害。交直流混合运行系统中，电压崩溃和控制引发的电压振荡都会造成逆变器永久换相失败。

多馈入直流输电系统具有较大的输送容量和更为灵活的运行方式，因此换流站之间的相互作用对换相失败更为敏感，一个换流站的换相失败不但会引发本身直流系统的电压波动，还可能导致附近多个换流站发生换相失败，给交直流系统的稳定运行带来直接影响，甚至造成整个系统运行崩溃。及时准确的识别HVDC系统换流母线外部故障，采取有效措施，是保证系统安全稳定运行的前提。

发明内容

本发明为了解决以上不足，提供一种HVDC系统换流母线外部故障的人工智能识别方法。其特点是该方法利用小波变换多尺度分解算法，把系统故障信号分解到不同频段，以不同频段信号小波能量偏度作为故障诊断特征向量，再结合BP神经网络实现交流系统故障类型的准确识别。该方法与以往交流系统故障类型识别方法相比较，从能量分布的角度，只需对一个故障信号进行特征提取，不受系统运行方式的影响，操作简单，准确性好，可性度高。

本发明的目的由以下技术措施实现，一种HVDC系统换流母线外部故障的人工智能识别方法，包括以下步骤：

步骤1：利用小波变换多尺度分解算法，选定待研究的原始故障信号X；

步骤2：对信号进行一维离散小波分解与重构，得到不同尺度的高频分量和低频分量，利用所有尺度的高频分量和最大尺度的低频分量构成原始信号的小波能量偏度特征向量；

步骤3：对特征向量进行简化：通过比较各个候选特征对各种故障类的区别能力，从候选特征向量中选择部分特征系数组成故障特征矢量；

步骤4：在系统不同运行方式下，构造不同故障原因下的故障特征矢量矩阵，作为训练BP网络的样本输入量，把每个样本的故障特征进行故障编码，构成每个输入样本的网络目标输出，确定输入和输出后，进行训练，生成人工神经网络；

步骤5：采集故障信号作为待检信号，提取小波能量偏度特征向量，经简化后作为系统的特征参数，输入到训练好的神经网络，通过神经网络识别输出模式，完成HVDC系统换流母线外部故障类型的识别。

步骤2还包括以下步骤：

步骤201：采用小波变换对原始故障信号X进行J层一维离散小波分解，获得X各个尺度的小波变换系数d_j(k)，对小波系数进行重构，计算得到X的第J层低频分量A_JX和第j层高频分量D_jX(1≤j≤J)，这样，信号被分解为不同频率信号之和为：

X=Σj=1JDjX+AJX]]>

步骤202：根据各尺度小波变换系数d_j(k)，计算X在各个尺度下的能量E_j，N为对应序列的长度，由小波分解的层数，即尺度J和分析信号数据的长度共同决定；