[发明专利]一种基于深度学习的电网故障检测方法

说明书

一种基于深度学习的电网故障检测方法，该方法步骤如下：（一）、将公共点电压信号进行多分辨率经验模态分解；（二）、利用步骤（一）的分解信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层相空间矩阵的奇异值，根据各层奇异值提取各层相空间奇异谱熵；将多层奇异谱熵组合后构成多分辨率奇异谱熵的深度神经网络参数特征向量；（三）、将步骤（二）中的特征向量直接代入深度神经网络模型进行电网故障检测。通过本方法提取的特征向量对同类信号和同种样本具有稳定性，对区分故障和扰动状态，降低扰动状态时的误判，避免光伏系统误动作起到了很好的作用。

技术领域

本发明涉及一种计及经验模态分解的深度学习电网故障模型的构建及检测方法，尤其是涉及一种基于多分辨率奇异谱熵和深度学习的电网故障检测方法。

背景技术

在含有大量分布式电源的电网中，由于线路故障等其他原因造成的故障情况将对电网安全运行产生巨大危害。随着分布式电源渗透率持续上升，故障检测面临前所未有的挑战：可再生电源给电网运行带来了不可忽视的不确定性与噪声，加剧了扰动的强度，而这些扰动如若被错误识别为故障情况，分布式电源将被强制切除运行，带来巨大的危害。因而，具有高识别精度的电网异常状态检测方法对含高渗透率分布式电源的电网的安全至关重要。

分布式发电系统故障检测方法通常可以分为远程法以及本地法。两种方法中前者的远程通信设备成本较高，且可靠性较低，一般不常用。故障检测常采用本地检测法，又可以被分为主动法与被动法。主动法的特点包括无须添加任何外部设备以及故障检测成功率高。原理是通过对系统注入一定的扰动信号来检测系统输出电压等状态量是否超过设定阈值，从而判断故障，缺陷是扰动大小将影响系统的故障检测准确度和系统的电能质量。被动法简单易行，但当负载和光伏等分布式电源的有功功率、无功功率接近或者匹配时，也即源荷匹配设定下系统的参数变化通常仍然处于正常阈值范围内，变化较小从而存在检测盲区。

因此，研究者们致力突破的难点主要是成本低、对电网影响小且无检测盲区的故障检测方法。主动检测方面，通过向参考电流注入低频扰动，在电网故障时检测公共点频率变化的速度来判定故障，虽能保证并网电能质量，但影响了逆变器的有功功率输出值。也有学者提出了一种带负载阻抗角反馈的主动频移故障检测技术，能够有效消除检测盲区。被动检测方面，近年来基于决策树等机器学习算法的智能故障检测方法逐步受到重视，具备一定的在线分析能力，为相关方法的研究提供了启示，但目前已有方法检测精度仍有提升空间。

发明内容

发明目的：

本方法提供一种基于多分辨率奇异谱熵与深度学习的电网故障模型的构建及检测方法，其目的是解决以往方法所存在的精度低的问题。本方法计及高阶统计量挖掘电压信号高阶特征，引入经验模态分解进行多尺度化提取故障与扰动的关键特征，实现对故障与扰动的准确检测。本方法采集公共点电压信号进行基于多尺度高阶奇异谱熵分析的特征提取，能够有效抑制噪声的干扰，且重构参数具有较强的鲁棒性。在特征提取的基础上，提出基于深度学习的电网异常状态检测方法，结果表明本方法能够显著提升故障的检测精度。

技术方案：

一种基于深度学习的电网故障检测方法，其特征在于：该方法步骤如下：

(一)、将公共点电压信号进行多分辨率经验模态分解；

(二)、利用步骤(一)的分解信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层相空间矩阵的奇异值，根据各层奇异值提取各层相空间奇异谱熵；将多层奇异谱熵组合后构成多分辨率奇异谱熵的深度神经网络参数特征向量；

(三)、将步骤(二)中的特征向量直接代入深度神经网络模型进行电网故障检测。

(三)步骤中的深度神经网络模型构建方法如下：

第一步，采用与所述(一)—(二)步骤相同的方式得深度神经网络参数特征向量；