基于流形理论与L1+L2约束的智能电网故障定位
发布时间：2021-10-22 21:12
现有的故障定位算法只能适应于小数据样本并且对于数据的依赖程度高。若数据中存在异常数据会带来较大的定位误差,且故障区域与故障位置需要分别进行求解。采用流行学习方法对智能电网中全局信息进行数据提取,充分利用了高维数据中包含的故障信息,并构造了故障区域与故障位置相统一的模型,通过L1+L2约束摆脱了对数据的依赖。算法中的参数统一采用Adagard方法进行学习,自动调节学习效率,提高参数学习的准确度和速度。最后,在PSCAD中搭建IEEE39节点模型,并在不同的场景下对算法的鲁棒性和定位精度进行了验证。
【文章来源】：电力系统保护与控制. 2020,48(18)北大核心CSCD
【文章页数】：11 页
【部分图文】：
测地距分析图
-52-电力系统保护与控制PSCAD/EMTD中建立如图2所示的39节点输电网络，采用典型的IEEE39节点仿真。图2IEEE39节点系统Fig.2IEEE39-bussystem共34条线路，10台发电机，12个变压器，根据文献[18]中的方法，系统的行波测距装置安装位置单侧安装在线路L12-L11,L10-L32,L19-L33,L20-L34,L23-L36,L25-L37,L2-L30,L29-L38,L19-L20来获取暂态故障信息。采样要求原始信号为不重叠采样信号且精度误差范围为±1LSB内。根据要求采样频率设置应在200kHz(采集的故障数据中行波的频率段为10~100kHz)获得不重叠的行波波头信息。采样速率与采样精度两者关系需满足式(26)。ref2sin21mcpVXS-(26)式中：c为采样系统数模转换器的位数；refV为基准电压；mX代表峰值；S为采样速率。以此保证采样电压、电流等模拟数据，经过数模转换后的数字信号所形成的故障特征集合满足采样精度要求。5.1算法运算量分析整个的算法包含两大类部分运算量损耗：一是前期模型学习；二是后期输出运算。非流行的算法量分析前期模型学习复杂度为：33O(m+m)，后期的运算输出为O(N)，总的计算量为33O(m+m+N)。而采用流行学习前期运算损耗由两个部分构成：一是测地线计算，复杂度为22O(Kmlogm+Nm)，其中K为数据的邻近点个数，N为特征数据的维度：二是矩阵转换运算与特征值求解运算，复杂度为3O(m)，前期模型学习计算复杂度为2O(Kmlogm+23Nm+m)，后期运算输出为O(n)，总的计算量为223O(Kmlogm+Nm+m+n)。综上分析算法损耗量集中在前期的
坏┭?俺晒Γ?恍杞?鹿收现苯哟??已有的模型中进行后期的输出运算，前期运算不会给后期运算造成影响，由于后期运算为O(n)线性运算，所以模型可以在线诊断故障。在前期模型学习中流行算法和非流行算法都与样本数立方成正比，计算量损耗都比较大，为进一步减小运算损耗，本文在前期实际模型学习中采用基于小样本的流行学习叠加Hebbian规则提取数据，其中小样本数目为c(cm)。将前期的计算复杂度降为O(cmN)，实现模型快速增量式学习。计算量对比仿真结果如图3所示。图3算法计算量分析Fig.3Computationanalysisofalgorithm图3中一共三条曲线，蓝色代表采用非流行的算法运算量分析，红色代表采用直接流行学习方法分析，绿色曲线代表采用流行学习叠加Hebbian规则方法分析。三条曲线的运算时间都随着样本数目的增加而增加，在样本维度较小时，两种流行学习运算时间(直接和叠加Hebbian规则方法)都高于非流行学习，其中流行学习方法最高；当样本维度较大时，两种流行学习运算时间都低于非流行学习算法，而叠加Hebbian规则的流行学习，运算量是三者中最小的。智能电网发生故障时动态事件窗在SCADA系统中会将故障前断面信息和故障断面信息一起组合成故障信息，为高维数据，所以流行学习与非流行学习相比在应用于智能电网信息提取时所需运算量更少，而基于小样本的流行学习叠加Hebbian规则在前期提取时，能进一步缩减运行量至O(cmN)，所以运算总量是三个方法中最优的，且适应于智能电网故障特征提龋
【参考文献】：
期刊论文
[1]一种线性的在线AUC优化方法[J]. 朱真峰,翟艳祥,叶阳东. 计算机研究与发展. 2018(12)
[2]基于电压振幅和支持向量回归机的高压电力输电线故障定位[J]. 费春国,李春信. 电力系统保护与控制. 2018(13)
[3]一种适用于MMC-HVDC直流输电线路的保护新原理[J]. 高淑萍,胡振宇,张保会,宋国兵. 电力系统保护与控制. 2018(13)
[4]基于高斯核函数改进的电力用户用电数据离群点检测方法[J]. 孙毅,李世豪,崔灿,李彬,陈宋宋,崔高颖. 电网技术. 2018(05)
[5]基于压缩感知估计行波自然频率的输电线路故障定位方法研究[J]. 于华楠,马聪聪,王鹤. 电工技术学报. 2017(23)
[6]高斯核函数快速插值的头发实时仿真与渲染[J]. 张骈,侯进. 计算机辅助设计与图形学学报. 2017(02)
[7]基于分布参数模型的串联补偿双回线单线故障定位算法[J]. 张莹,梁军,贠志皓,张峰,霍爽,王鹏. 电力系统自动化. 2017(01)
[8]特高压交流和直流输电系统可靠性与经济性比较[J]. 彭吕斌,何剑,谢开贵,汤涌,胡博,易俊,李江山,贺庆. 电网技术. 2017(04)
[9]复杂输电网中基于全网行波信息的测距装置最优配置[J]. 梁睿,徐成,王飞,程真何,沈兴来. 电工技术学报. 2016(21)
[10]基于重要度评价矩阵的电网关键节点辨识[J]. 朱国威,王先培,贺瑞娟,田猛,代荡荡,张其林. 高电压技术. 2016(10)
本文编号：3451848
【文章来源】：电力系统保护与控制. 2020,48(18)北大核心CSCD
【文章页数】：11 页
【部分图文】：
测地距分析图
-52-电力系统保护与控制PSCAD/EMTD中建立如图2所示的39节点输电网络，采用典型的IEEE39节点仿真。图2IEEE39节点系统Fig.2IEEE39-bussystem共34条线路，10台发电机，12个变压器，根据文献[18]中的方法，系统的行波测距装置安装位置单侧安装在线路L12-L11,L10-L32,L19-L33,L20-L34,L23-L36,L25-L37,L2-L30,L29-L38,L19-L20来获取暂态故障信息。采样要求原始信号为不重叠采样信号且精度误差范围为±1LSB内。根据要求采样频率设置应在200kHz(采集的故障数据中行波的频率段为10~100kHz)获得不重叠的行波波头信息。采样速率与采样精度两者关系需满足式(26)。ref2sin21mcpVXS-(26)式中：c为采样系统数模转换器的位数；refV为基准电压；mX代表峰值；S为采样速率。以此保证采样电压、电流等模拟数据，经过数模转换后的数字信号所形成的故障特征集合满足采样精度要求。5.1算法运算量分析整个的算法包含两大类部分运算量损耗：一是前期模型学习；二是后期输出运算。非流行的算法量分析前期模型学习复杂度为：33O(m+m)，后期的运算输出为O(N)，总的计算量为33O(m+m+N)。而采用流行学习前期运算损耗由两个部分构成：一是测地线计算，复杂度为22O(Kmlogm+Nm)，其中K为数据的邻近点个数，N为特征数据的维度：二是矩阵转换运算与特征值求解运算，复杂度为3O(m)，前期模型学习计算复杂度为2O(Kmlogm+23Nm+m)，后期运算输出为O(n)，总的计算量为223O(Kmlogm+Nm+m+n)。综上分析算法损耗量集中在前期的
坏┭?俺晒Γ?恍杞?鹿收现苯哟??已有的模型中进行后期的输出运算，前期运算不会给后期运算造成影响，由于后期运算为O(n)线性运算，所以模型可以在线诊断故障。在前期模型学习中流行算法和非流行算法都与样本数立方成正比，计算量损耗都比较大，为进一步减小运算损耗，本文在前期实际模型学习中采用基于小样本的流行学习叠加Hebbian规则提取数据，其中小样本数目为c(cm)。将前期的计算复杂度降为O(cmN)，实现模型快速增量式学习。计算量对比仿真结果如图3所示。图3算法计算量分析Fig.3Computationanalysisofalgorithm图3中一共三条曲线，蓝色代表采用非流行的算法运算量分析，红色代表采用直接流行学习方法分析，绿色曲线代表采用流行学习叠加Hebbian规则方法分析。三条曲线的运算时间都随着样本数目的增加而增加，在样本维度较小时，两种流行学习运算时间(直接和叠加Hebbian规则方法)都高于非流行学习，其中流行学习方法最高；当样本维度较大时，两种流行学习运算时间都低于非流行学习算法，而叠加Hebbian规则的流行学习，运算量是三者中最小的。智能电网发生故障时动态事件窗在SCADA系统中会将故障前断面信息和故障断面信息一起组合成故障信息，为高维数据，所以流行学习与非流行学习相比在应用于智能电网信息提取时所需运算量更少，而基于小样本的流行学习叠加Hebbian规则在前期提取时，能进一步缩减运行量至O(cmN)，所以运算总量是三个方法中最优的，且适应于智能电网故障特征提龋
【参考文献】：
期刊论文
[1]一种线性的在线AUC优化方法[J]. 朱真峰,翟艳祥,叶阳东. 计算机研究与发展. 2018(12)
[2]基于电压振幅和支持向量回归机的高压电力输电线故障定位[J]. 费春国,李春信. 电力系统保护与控制. 2018(13)
[3]一种适用于MMC-HVDC直流输电线路的保护新原理[J]. 高淑萍,胡振宇,张保会,宋国兵. 电力系统保护与控制. 2018(13)
[4]基于高斯核函数改进的电力用户用电数据离群点检测方法[J]. 孙毅,李世豪,崔灿,李彬,陈宋宋,崔高颖. 电网技术. 2018(05)
[5]基于压缩感知估计行波自然频率的输电线路故障定位方法研究[J]. 于华楠,马聪聪,王鹤. 电工技术学报. 2017(23)
[6]高斯核函数快速插值的头发实时仿真与渲染[J]. 张骈,侯进. 计算机辅助设计与图形学学报. 2017(02)
[7]基于分布参数模型的串联补偿双回线单线故障定位算法[J]. 张莹,梁军,贠志皓,张峰,霍爽,王鹏. 电力系统自动化. 2017(01)
[8]特高压交流和直流输电系统可靠性与经济性比较[J]. 彭吕斌,何剑,谢开贵,汤涌,胡博,易俊,李江山,贺庆. 电网技术. 2017(04)
[9]复杂输电网中基于全网行波信息的测距装置最优配置[J]. 梁睿,徐成,王飞,程真何,沈兴来. 电工技术学报. 2016(21)
[10]基于重要度评价矩阵的电网关键节点辨识[J]. 朱国威,王先培,贺瑞娟,田猛,代荡荡,张其林. 高电压技术. 2016(10)
本文编号：3451848
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3451848.html
