论文部分内容阅读
我国发电能源与负荷分布极不均衡,远距离输电工程在我国广泛存在,而直流输电在远距离输电中相比传统交流输电有着无可比拟的优势,因此近几年特高压直流输电技术得到了大力发展,促使我国交直流混联电网格局的形成。高效的电网故障诊断方案是电网安全稳定运行的前提,基于开关量的电网故障诊断方案在保护和断路器误动和拒动,以及报警信息漏报、误报等情况发生时非常容易误判故障元件。在准确性、完备性及容错性等方面电气量信息比开关量信息有更大的优势,并且随着电网监测系统的发展,在调度端便可以获得海量的故障电气量信息,因此本文将电气量信息作为故障特征集,开展了对基于深度学习算法的交直流混联电网故障诊断方案的研究。论文主要工作如下:调研了交直流混联电网故障诊断的研究背景和意义;介绍了传统电网故障诊断方法;分析了目前深度学习算法在电网故障诊断领域的研究现状及特点。在MATLAB/Simulink平台搭建了四机两区域交直流混联电网模型,为了获取大量故障样本,在Simulink平台搭建了可编程故障模块,通过编辑器与Simulink交互仿真实现了故障的批量化仿真,共获得14418个故障样本,为深度学习算法提供了良好的特征数据集。研究了基于SSAE(堆叠稀疏自动编码器)的数据降维方法和DBN(深度置信网络)分类模型相结合的故障诊断方法。利用SSAE对原始故障样本数据进行降维,通过降维,降低了数据的复杂度,便于DBN对数据进行分类。文中将SSAE降维效果分别与SAE(单隐含层稀疏自动编码器)和PCA(主成分分析)的降维效果进行了对比,通过对比,发现SSAE对数据的降维效果优于SAE和PCA。通过大量实验,确定了最佳的DBN结构。最后将SSAE-DBN方法用到故障诊断中,结果表明本文所提方法的故障诊断准确率高于传统机器学习算法,且几乎不受故障类型、故障位置、故障过渡电阻的影响。研究了基于CNN(卷积神经网络)的交直流混联电网故障诊断方法。卷积神经网络具有强大的特征提取能力,可以从不同角度对数据进行特征提取,故可以高效地对本文复杂故障数据进行特征提取并分类。探究了卷积神经网络参数配置对故障诊断准确率的影响。通过分析不同参数配置对准确率的影响并进行多次实验,最终确定了适用于故障诊断的卷积神经网络结构。将卷积神经网络用于交直流混联电网故障诊断,结果表明,卷积神经网络具有很高的故障诊断准确率,针对故障类型和故障线路的诊断准确率分别达到了99.93%和99.95%。利用t-SNE算法对卷积层输出进行降维与可视化,发现卷积神经网络具有逐层提取特征的特点。针对故障样本少导致分类模型泛化能力下降的问题,研究了基于DCGAN(深度卷积生成对抗网络)的数据样本扩容方法,DCGAN将卷积神经网络引入生成对抗网络中,提升了生成对抗网络的稳定性。通过生成器与判别器的对抗学习,生成器学习到了真实故障样本的概率分布。利用训练好的生成器生成新的故障样本,然后利用卷积神经网络作为判别器和分类器,计算生成数据的正确率和测试集数据故障诊断的准确率,实验表明,DCGAN模型有效的学习到了故障样本的概率分布,提升了故障诊断的准确率。