[发明专利]一种交直流配网直流故障诊断方法

权利要求书

1.一种交直流配网直流故障诊断方法，其特征在于，包括如下步骤：

步骤1，采用频域和时域混合方法提取线路故障电流特征量，包括基于傅里叶变换提取故障电流的高频分量、基于相模变换获取解耦后的母线正负极电压变化量；

步骤2，模拟交直流混合配电网在不同位置和线路长度等情况下故障，构造标签样本数据；

步骤3，建立深度置信网络模型，利用训练样本数据对深度置信网络展开无监督训练和有监督反向参数调整；

步骤4，将待诊断数据输入到已训练的深度置信网络模型，完成故障区域识别和诊断结果。

2.根据权利要求1所述的交直流配网直流故障诊断方法，其特征在于，所述步骤1中提取线路故障电流特征量的具体步骤为：

步骤1-1：利用下式基于傅里叶变换提取故障电流高频分量：

其中，f(t)是原函数，F(ω)是傅里叶变换的像函数，ω是频率。

步骤1-2：采用相模变换法，将正负极电压分解成零模分量和一模分量，再推导出正负极电压的变化量，以消除耦合作用；

单极故障时，故障产生的零模和一模电压突变量为：

其中，Δu₀和Δu₁分别是零模和一模电压突变量，Z₀和Z₁分别是一模阻抗和零模阻抗，R_g是过渡电阻，E是对地电压；

转换到正负极上的电压变化量为：

其中，Δu_P和Δu_N分别为正负极电压的变化量，当正极发生故障时，|Δu_P|/|Δu_N|1；负极接地故障时，|Δu_P|/|Δu_N|1；双极短路时，|Δu_P|/|Δu_N|接近于1。

3.根据权利要求1所述的交直流配网直流故障诊断方法，其特征在于，所述步骤3中深度置信网络模型训练包括RBM(受限玻尔兹曼机)的无监督训练和有监督反向调整参数：

1)对每层RBM，进行自下向上的无监督训练：当可见层神经元的状态确定时，隐藏层第j个神经元的激活概率为：

其中，v和h分别表示可见层和隐藏层，w_ij为权值，b_j是偏置；σ(x)＝1/(1+e^-x)作为激活函数，提高网络的非线性映射能力；

2)然后利用BP网络结构，根据给定的数据标签，自上向下对训练得到的模型进行有监督参数调整，完成最优网络建立：调整网络参数时，隐藏层与可见层神经元之间的偏置和权值矩阵修改按照式(5)进行调节。

其中，Y、y分别是目标输出和实际输出；b^’、w^’分别是经过调整之后偏置和权值。