一种基于AI分析的特高压直流保护动作行为评价方法与流程

一种基于ai分析的特高压直流保护动作行为评价方法
技术领域
1.本发明涉及电力系统技术领域，具体涉及一种基于ai分析的特高压直流保护动作行为评价方法。


背景技术：

2.人工智能(artificial intelligence)，英文缩写为ai。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
3.人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大。
4.特高压直流输电具有输送容量大、功率容易调节等优点，然而特高压直流线路传输距离较远，工作环境复杂，容易发生故障，相关数据表明我国特高压直流输电系统中线路故障占比高达50％以上。因现有的直流输电线路继电保护体系存在理论不完备、原理单一、可靠性差等问题，线路保护正确动作率不高，影响电力系统的安全性、可靠性。因此，研究特高压直流线路保护动作评价，可以帮助运行人员快速处理故障，防止故障范围进一步扩大，对于提高电力系统的安全稳定运行具有重要作用。
5.现有的保护动作评价主要借助故障录波数据等信息，通过重绘故障时电压电流(模拟量)及保护动作(开关量)的波形，将模拟量和开关量的波形图结合起来进行人工分析。人工评价结果的正确性与专家的经验直接相关。专家需要大量的实际案例积累经验，而实际现场直流故障实际案例不多，很难依靠实际案例来迅速提高评价专家的经验和能力。当系统发生复杂故障或继电保护出现误动或拒动等时，经验不足的人员难以准确评价继电保护动作。
6.综上所述，研发一种基于ai分析的特高压直流保护动作行为评价方法，仍是电力系统技术领域中急需解决的关键问题。


技术实现要素：

7.本发明为了解决上述问题，本发明提供了一种基于ai分析的特高压直流保护动作行为评价方法，本发明所提供的方法，具有速度快、误差率可控的效果，能够应用在大规模的动作行为分析上。
8.为实现上述目的，本发明提供了如下技术方案：
9.本发明提供了一种基于ai分析的特高压直流保护动作行为评价方法，包括以下步骤：
10.(1)获取历史特高压数据，将基于ai分析从历史特高压数据内获取训练样本；
11.(2)将训练样本分为训练集和测试集，并将训练集作为训练模型的输入，对训练样本进行训练，输出行为评价结果；
12.(3)将测试集作为训练模型的输入，将输出的评价结果与历史数据结果进行对比，获取正确预测率，并将正确预测率与设定阈值进行对比，完成对训练模型的训练；
13.(4)获取待分析的特高压数据，并基于ai分析获得训练模型的输入样本，输入训练模型，由训练模型输出行为评价结果。
14.本发明进一步的设置为：在步骤(1)中，所述的训练样本是由将整流侧正负极线路的电压电流值、逆变侧正负极线路的电压电流值以及保护动作情况构成的特征向量。
15.本发明进一步的设置为：在步骤(2)中，所述的训练样本中练集和测试集的占比为5:2。
16.本发明进一步的设置为：在步骤(2)中，所述的行为评价结果包括区内故障和区外故障。
17.本发明进一步的设置为：在区内故障情况下，若保护动作，则判断为区内故障保护正确动作，否则判断为区内故障保护拒动。
18.本发明进一步的设置为：在区外故障情况下，若保护不动作则判断为区外故障保护正确不动作，否则判断为区外故障误动。
19.本发明进一步的设置为：在步骤(2)中，所述的训练模型为神经网络模型。
20.本发明进一步的设置为：在步骤(3)中，若正确预测率不大于设定阈值，则完成对训练模型的训练，否则，重复步骤(1)-步骤(3)，至完成对训练模型的训练。
21.有益效果
22.采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：
23.本发明基于ai分析从历史特高压数据内获取训练样本，并将训练样本划分为训练集和测试集，通过训练集对训练模型进行训练，然后由测试集对训练模型进行测试，将测试结果与实际结果进行对比，获得正确预测率，并将正确预测率与设定的阈值进行对比，确定所训练的训练模型能够满足使用精需求，再由训练模型输出行为评价结果，所提供的方法，具有速度快、误差率可控的效果，能够应用在大规模的动作行为分析上。
附图说明
24.图1为本发明一种基于ai分析的特高压直流保护动作行为评价方法的流程图。
具体实施方式
25.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
26.实施例：
27.如图1所示，本发明提供了一种基于ai分析的特高压直流保护动作行为评价方法，包括以下步骤：
28.(1)获取历史特高压数据，将基于ai分析从历史特高压数据内获取训练样本。
29.进一步的，训练样本是由将整流侧正负极线路的电压电流值、逆变侧正负极线路的电压电流值以及保护动作情况构成的特征向量。
30.在本实施例中，将特征向量看作是1辐“图像”，每个采样点的值就代表1个像素点。当直流线路故障的过渡电阻、故障位置等发生变化时，其故障电压电流会有所差异，所对应的“图像”就会有所不同，利用这种差异，通过卷积神经网络来进行保护行为评价。
31.(2)将训练样本分为训练集和测试集，并将训练集作为训练模型的输入，对训练样本进行训练，输出行为评价结果。
32.进一步的，训练样本中练集和测试集的占比为5:2。
33.进一步的，行为评价结果包括区内故障和区外故障。
34.进一步的，在区内故障情况下，若保护动作，则判断为区内故障保护正确动作，否则判断为区内故障保护拒动。
35.进一步的，在区外故障情况下，若保护不动作则判断为区外故障保护正确不动作，否则判断为区外故障误动。
36.进一步的，训练模型为神经网络模型。
37.在本实施例中，首先通过训练集对训练模型进行训练，然后再通过测试集对训练模型的输出结果进行测试，以提升所训练的训练模型的输出正确率。在本实施例中，所提供的训练样本至少在500个以上。
38.(3)将测试集作为训练模型的输入，将输出的评价结果与历史数据结果进行对比，获取正确预测率，并将正确预测率与设定阈值进行对比，完成对训练模型的训练。
39.进一步的，若正确预测率不大于设定阈值，则完成对训练模型的训练，否则，重复步骤(1)-步骤(3)，至完成对训练模型的训练。
40.在本实施例中，通过所设置的设定阈值，能够对所输出的精度进行控制，使得所输出的结果精度能够在接受范围内，即能够根据需求，确定输出结果的精度，满足不同的实际需求。
41.(4)获取待分析的特高压数据，并基于ai分析获得训练模型的输入样本，输入训练模型，由训练模型输出行为评价结果。
42.在本实施例红，采用训练模型的输出作为动作行为分析结果，能够有效的提升动作行为分析的速度，具有学习能力强的效果，能够应用在大规模的动作行为分析上。
43.本发明基于ai分析从历史特高压数据内获取训练样本，并将训练样本划分为训练集和测试集，通过训练集对训练模型进行训练，然后由测试集对训练模型进行测试，将测试结果与实际结果进行对比，获得正确预测率，并将正确预测率与设定的阈值进行对比，确定所训练的训练模型能够满足使用精需求，再由训练模型输出行为评价结果，所提供的方法，具有速度快、误差率可控的效果，能够应用在大规模的动作行为分析上。
44.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。