基于本地数据驱动的环形直流微电网故障定位方法

本发明属于直流微电网故障诊断，具体为基于本地数据驱动的环形直流微电网故障定位方法。

背景技术：

1、新型电力系统是新型能源体系的重要枢纽和实现“双碳”目标的关键载体。直流微电网作为新型电力系统的重要环节，可高效集成各类可再生电源、储能单元及电动汽车等直流负荷，具有广阔的应用前景。直流微电网线路故障不可避免，系统的低惯性、弱过流能力要求在故障发生后1-4ms内诊断出故障。然而，由于直流微电网的故障机理和特性与传统交流微电网以及直流输电系统迥异，至今仍缺少相关保护规范和行业标准，给暂态快、特征弱、信息少的直流微电网线路故障诊断、分类、定位提出了挑战。

2、直流微电网可以具有径向拓扑、环形拓扑和网状拓扑。其中环形拓扑可以简化为径向拓扑，也可以扩展为网格拓扑。环形微电网中的电源可以向任何方向供电，以确保故障情况下的稳定供电。这些特性使环形微电网应用具有吸引力。然而，环形结构的故障节点和任何节点之间均会存在两条路径，这增加了故障分析和诊断的难度。

3、现有直流微电网线路故障诊断与定位大多依赖线路电流和电压等故障信息的测量和传输，增加了投资成本，也降低了保护可靠性。减少传感器数量能够降低保护代价，但也会进一步减少可用故障信息，为保护带来新的挑战。

4、与现有技术相比技术区别如下：

5、与专利cn117872038a“一种基于图论的直流微电网失稳故障源定位方法及装置”的对比

6、专利cn117872038a中，采用通过失稳故障特征采集与提取环节，收集关键的电气特征量，以准确捕捉失稳振荡现象，并利用小波包分解构建故障特征向量，应用图卷积神经网络进行深度学习训练，进一步提升诊断的准确度和效率。该方法的实行需要收集和从处理大量的电气数据。如果数据收集不全面或存在噪声，则可能会对模型的建立造成影响，其使用的图卷积神经网络在处理大规模电网时可能由于需要大量的计算资源导致无法快速检测故障。

7、本发明提出的“基于本地数据驱动的环形直流微电网故障定位”中，提出一种基于单端变换器母线侧电压和正极电流数据驱动的线路故障离线定位方法，基于智能故障预测和故障特征提取解决了弱故障特征问题，提高了少传感器和低通信依赖背景下，直流微电网线路故障定位的精确性和可靠性。

8、二、与专利cn117872038a“基于线路模型和欧氏距离的环状直流微电网短路故障定位方法”的对比

9、专利cn116718872a中，通过智能电子设备或电流传感器获取线路的采样电流，随机生成故障方案后通过所建立的系统数学模型计算出暂态故障电流，并计算与采样电流之间的欧氏距离判定是否符合相关阈值，并利用遗传算法进行方案优化，寻找方案最优解。该方法需要设置较多传感器以获取线路上的电流信息，增大建设成本，且算法参数较多且不适用于低电阻故障情况。

10、本发明基于本地数据驱动，采集变换器输出端的电压电流，可以在少传感器情况下利用变换器控制所必须的母线侧电压和正极电流实现故障诊断与定位，从而保证直流微电网的安全稳定运行，助力直流微电网技术推广应用。

11、三、与专利cn116826674a“一种适配控制模式切换的光储充群直流微电网极间故障保护方法”的对比

12、专利cn116826674a中，通过建立光储充群直流微电网保护系统的极间故障保护定位方法，得到保护定位判据，从而据进行动作出口，实现故障区域的隔离。利用是电力电子变压器、电力电子变压器直连的断路器以及光储充电站内的各个断路器共同获取数据信息，信息的采集整合速度将直接影响故障准确定位的时间，且该方法仅针对直流微电网的极间短路故障，应用范围不广。

13、本发明利用离散小波变换构造定位特征量。随后结合极限学习机和adaboost算法设计定位模型，从具有较弱故障特征的样本中挖掘隐含故障位置信息并学习能够准确定位不同线路故障。

14、四、与专利cn118449099a“一种适应多种网络拓扑结构的直流微电网故障保护方法”的对比

15、专利cn118449099a中，根据直流微电网内断路器处所采集的电流和电压变化率，判断直流微电网是否发生故障，再基于直流微电网内的每个断路器处采集的电压和电流信息，计算故障标志量，最后判断断路器所连接的是双端线路还是多端线路，以及判断其是否为故障点。该方法需采集大量断路器的电流电压信息，且配置的全局保护单需要通过所有断路器信息以做出全局计算判断，任何断路器信息收集的情况都将对最后结果产生影响。

16、本发明提出了一种att-gru数据增强方法，通过预测故障隔离后的电压电流动态来扩充训练样本，减少了传感器的使用，减少对故障样本的依赖，降低建设成本，提高故障定位准确率。

技术实现思路

1、为解决上述技术问题，本发明提出了基于本地数据驱动的环形直流微电网故障定位方法，基于智能故障预测和故障特征提取解决了少故障样本和弱故障特征问题，提高了少传感器和低通信依赖背景下，直流微电网线路故障定位的精确性和可靠性，为完善直流故障保护体系提供参考。

2、为实现上述目的，本发明采取的技术方案是：

3、基于本地数据驱动的环形直流微电网故障定位方法，具体步骤如下：

4、步骤1)故障样本集构建；

5、步骤2)基于滑动窗口的故障数据预处理；

6、步骤3)故障预测与定位模型训练；

7、步骤4)基于att-gru预测模型的数据增强；

8、步骤5)故障特征提取；

9、步骤6)基于elm-adaboost的故障定位模型。

10、进一步，所述步骤1)故障样本集构建具体如下：

11、基于matlab/simulink和opal-rt4510实时仿真器搭建环形直流微电网仿真模型，模拟不同故障位置、故障电阻、故障类型、负载大小情况下的线路故障，采集故障前和故障后的变换器母线侧正极电流和电压，整理成n*s的原始数据集，n为采样数据长度，取决于采样频率和时间窗口大小；s为所考虑的仿真案例数量。

12、进一步，所述步骤2)基于滑动窗口的故障数据预处理具体如下：

13、基于不同数据处理方法构造基于att-gru预测模型和基于elm-adaboost定位模型所需的训练数据集：对于预测模型，利用变长度滑动窗口法将数据按时间顺序划分为多组子序列，时间顺序靠前的数据作为训练输入，时间顺序靠后的数据作为训练标签；对于定位模型，利用定长度滑动窗口法构造包含故障前后不同时段电压电流的多个子数据集，随后基于离散小波分解构造特征向量，作为定位模型训练输入，故障点在线路中的相对位置作为训练标签；

14、使用w个滑动窗口构造w个包含不同采样时间段的新数据集,通过调整滑动步长ns和窗口长度nw，可以控制生成的子数据集数量和重叠程度,窗口的数量计算如下：

15、w＝(n-nw)/ns+1 (1)

16、其中n表示采样数据中包含的时间长度，这取决于采样频率。以故障电压的数据处理过程为例，生成的子数据集表示为：

17、

18、上式中i＝0,1,2,…n-nw。

19、进一步，所述步骤3)故障预测与定位模型训练具体如下：

20、以上述故障特征量数据集为输入，以预测误差最小化为目标函数，基于梯度下降算法训练att-gru模型，直至预测误差不再有明显改善；对于elm-adaboost模型，根据训练数据集上的定位误差计算每个极限学习机弱定位器内部权重，并根据adaboost算法不断调整训练样本和弱定位器权重，直至完成所有弱定位器训练。

21、进一步，所述步骤4)基于att-gru预测模型的数据增强具体如下：

22、基于att-gru的故障预测模型，用以捕捉故障信号变化趋势并预测故障隔离后一段时间的故障电流和电压数据；

23、双隐藏层att-gru模型建立过程如下，其中，n1和n2分别为两个层的节点数；

24、首先，基于仿真实验收集线路故障发生前后变换器的母线侧电压数据，仿真过程中考虑了不同的故障位置和故障电阻等条件以获得更多的可用信息；

25、其次，基于变长度滑动窗口法构建神经网络的输入样本和及相应的预测标签，得到不同长度的训练数据集，以满足不同预测时长要求；

26、最后，以预测误差最小为目标函数对att-gru模型进行训练；

27、模型训练完成后，根据实时的故障隔离前采样电压预测故障隔离后一段时间的电压；增强后的数据集可用于后续的特征提取和定位，为了进一步提高预测模型的鲁棒性和泛化能力，在注意力层中加入了dropout机制，通过在神经网络前向传播的计算阶段，以一定的概率将神经元的输出设为零。

28、进一步，所述步骤5)故障特征提取具体如下：

29、利用离散小波对增强后的数据进行特征提取，随后计算总小波能量、相对小波能量和相对小波能量熵，构造定位特征向量；

30、根据离散小波变换分解结果，基于相对小波能量构造特征向量，若信号经过离散小波变换后，在分解级别j处得到了k个细节系数，则信号在分解级别j的小波能量ej可定义为：

31、

32、式(3)中，j＝1,2,…m，k＝1,2,…k表示分解级别j下的不同细节系数dj,k对应的位置，所有分解级别下的总小波能量可定义为：

33、

34、相对小波能量代表了不同分解级别的小波能量的概率分布，可在保留原始信号特征的基础上减少数据大小，其定义如下：

35、

36、相对小波能量用于量化信号在不同尺度下的能量分布差异，从而筛选出信号的重要特征，为进一步提升定位精度，计算相对小波能量熵，用于描述信号在不同频率上能量分布的均匀性信息：

37、

38、结合上述基于离散小波变换的特征量，可构造定位模型的输入特征向量如下：

39、

40、式(7)中，n为原始信号的长度，且有m<n，经处理后，长度为2n的原始信号将被转换为长度为2m+4的特征向量；

41、在基于离散小波变换的特征提取中，母小波函数ψ(t)和最大分解级别m是影响提取效果的两个重要参数；

42、对于最大分解级别m，通常根据以下经验公式，由原始信号长度n和母小波滤波器长度f共同决定：

43、

44、进一步，所述步骤6)基于elm-adaboost的故障定位模型具体如下

45、(1)数据选择及样本权重初始化：从输入样本数据中随机选择m组训练数据，并将第t个弱定位器elmt的样本权重初始化如下：

46、d(t)＝(ωt1,ωt1,l,ωtm)； ωti＝1/m,i＝1,2,lm (9)

47、(2)本轮弱定位器训练及定位误差计算：采用初始化权重后的样本训练弱定位器，对于第t个弱定位器，计算定位误差如下：

48、eli＝pesti-pacti (10)

49、式(10)中，pesti为弱定位器elmt估计的故障位置，pacti为实际的故障位置；

50、(3)计算本轮弱定位器权重：根据定位误差计算弱分类器t的权重系数αt，为定位效果更好的弱定位器赋予更大权重：

51、

52、(4)更新下一轮训练样本权重：调整第t+1个弱定位器训练样本权重d(t+1)，使得本轮未被正确定位的样本在下一轮训练中受到重视，样本权重计算如下所示：

53、

54、式(12)中为归一化因子，由于at＞0，因此若第i个样本在本轮定位误差较大，则增大下一轮训练中该样本的权重；

55、(5)迭代训练及强分类器构造：重复第(2)-(4)步，直至完成所有弱定位器的t轮训练，基于加权决策法，构造最终的强定位器如下所示：

56、

57、有益效果：

58、本发明本章提出一种基于单端变换器母线侧电压和正极电流数据驱动的线路故障离线定位方法，基于智能故障预测和故障特征提取解决了少故障样本和弱故障特征问题，提高了少传感器和低通信依赖背景下直流微电网线路故障定位的精确性和可靠性，为完善直流故障保护体系提供参考。