[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

摘要

本发明提供一种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。

主权项

HVDC系统换流母线外部故障的人工智能识别方法，其特征在于，包括以下步骤：步骤1：从HVDC系统的换相电压、直流电压、直流电流及触发角四个电气量中任选一个作为原始故障信号X；步骤2：对原始故障信号X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故障信号X的小波能量偏度特征向量；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，获得原始故障信号X各个尺度的小波变换系数d_j(k)，对小波变换系数d_j(k)进行重构，计算得到原始故障信号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，原始故障信号X被分解为不同频率信号之和为：$X=\underset{j=1}{\overset{J}{\Σ}}{D}_{j}X+A_{J}X$步骤202：根据各尺度小波变换系数d_j(k)，计算原始故障信号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；$E_j=\underset{k=1}{\overset{N}{\Σ}}{E}_j\left(k\right)=\underset{k=1}{\overset{N}{\Σ}}|d_j\left(k\right){|}^2$步骤203：计算原始故障信号X在各个尺度下的小波能量偏度，计算公式如下：$S_j=\frac{N\underset{k=1}{\overset{N}{\Σ}}{\left\{\frac{E_j\left(k\right)-\stackrel{\‾}{E_j}}{{\mathrm{\σ}}_j}\right\}}^5}{(N-1)(N-2)}$式中，为原始故障信号X在尺度j上的小波能量均值；σ_j为原始故障信号X在尺度j上的小波能量方差；步骤204：构造小波能量偏度特征向量S＝[S_a S₁ S₂ S₃,…,S_J]，其中S_a为第J尺度的低频分量小波能量偏度值，S₁,S₂,S₃,…,S_J为1～J尺度上高频分量小波能量偏度值；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，完成HVDC系统换流母线外部故障类型的识别。