一种基于多层感知器MLP的故障检测方法及系统

本发明属于故障检测，尤其涉及一种基于多层感知器mlp的故障检测方法。

背景技术：

1、高压直流输电技术在远距离大容量输电、异步互联等方面具有广阔的应用前景。然而，直流输电线路长且工作环境复杂多变，发生故障的概率较高。如何快速准确地检测线路故障，是高压直流输电系统发展的技术难点。

2、目前的直流线路故障检测方法主要通过检测电压、电流变化率等指标构成区内外故障识别判据。由于长距离输电线路传播和高过渡电阻使故障行波产生严重的衰减和畸变，削弱了区内外故障行波的差异。因该类方法存在区内远端高阻故障和区外故障难以区分的问题。

3、近年来，随着人工智能技术的发展，采用深度学习等算法融合利用采样数据中蕴含的故障特征，从而实现故障检测的方法逐渐在直流系统中得到应用。这类方法无需整定计算判据阈值，耐受过渡电阻能力强。其缺点在于：需要大量训练样本以保证算法训练过程中挖掘到准确的数据特征。而实际直流系统中故障数据匮乏，因此现有基于人工智能的故障检测方法模型泛化能力有限，工程实践性较差。

4、高压直流输电线路长且工作环境复杂多变，发生故障的概率较高，如何快速准确地检测线路故障，是高压直流输电系统发展的技术难点。目前的直流线路故障检测方法存在区内远端高阻故障和区外故障难以区分的问题。近年来，采用深度学习等算法融合采样数据中的故障特征，从而实现故障检测的方法逐渐在直流系统中得到应用。其缺点在于：需要大量训练样本以保证算法训练过程中挖掘到准确的数据特征。而实际直流系统中故障数据匮乏。为此，本发明提出了一种无需历史故障数据的基于多层感知器mlp的故障检测方法。该方法基于区内外故障线模电压行波的特征差异，利用故障电压行波表达式，生成区内外故障电压行波作为训练样本；采用具有自主学习能力及较强鲁棒性的mlp算法，融合利用采样行波中蕴含的故障信息，进而实现故障检测。

5、通过上述分析，现有技术存在的问题及缺陷为：

6、目前的直流线路故障检测方法主要通过检测电压、电流变化率等指标构成识别判据，存在区内远端高阻故障和区外故障难以区分的问题。近年来，采用深度学习等算法融合利用采样数据故障特征，从而实现故障检测的方法逐渐在直流系统中得到应用。其缺点在于：需要大量训练样本以保证算法训练过程中挖掘到准确的数据特征。而实际直流系统中故障数据匮乏。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种基于多层感知器mlp的故障检测方法。

2、本发明是这样实现的，一种基于多层感知器mlp的故障检测方法，离线训练阶段：首先对双端直流输电系统发生区内外故障的线模电压行波进行数学解析，得到区内、外故障下反行波的不同函数形式表达；接着按照表达式生成训练样本，表征基本波形特征差异；然后采用mlp学习算法，自适应提取区内外故障波形特征，识别区内外故障。

3、在线应用阶段：基于pscad/emtdc仿真模型完成模型测试：仿真生成线模故障电压行波采样数据，输入至已训练模型中，模型输出故障检测结果。验证得到：该模型不依赖历史故障数据，基于行波表达式生成的训练样本即可训练得到效果优良的故障检测模型。保护范围涵盖线路全长，不存在保护死区，且耐受过渡电阻能力达到800ω以上。

4、进一步，包括：

5、步骤一，根据行波解析表达式生成训练样本，构造多层感知器；

6、步骤二，模型对行波特征进行提取，输出故障检测判断结果；

7、步骤三，在emtdc/pscad中搭建高压直流系统模型，生成仿真样本，对训练完成的模型进行测试。

8、进一步，所述行波特征包括：

9、1)区内故障行波；

10、2)正向区外故障行波；

11、3)反向区外故障行波。

12、进一步，所述根据行波解析表达式生成训练样本：

13、训练数据获取：生成区内故障行波；生成正向区外故障行波；生成反向区外故障行波；

14、所述生成区内故障行波：

15、区内故障行波时域表达式为双指数函数形式；

16、所述生成正向区外故障行波：

17、正向区外故障行波时域表达式为三指数函数形式。

18、所述生成反向区外故障行波：

19、反向区外故障行波时域表达式为单指数函数形式。

20、进一步，所述故障检测包括：

21、(1)模型输入与输出；

22、采样频率为20khz，采用0.5ms采样时间窗，获取长度为10的一维向量作为输入特征量：v＝(v1,v2,v3,v4,v5,v6,v7,v8,v9,v10)，vi为线模故障电压行波在第i时刻的对应值；

23、(2)构建mlp模型；

24、首先，确定模型输入层神经元数为样本输入维度；由于模型期望输出是发生区内故障的概率值，因此输出层神经元数为1，并且采用sigmoid激活函数，将任意输入值映射到0至1之间。

25、进一步，所述构建mlp模型方法：

26、1)将生成的训练样本集随机分为5份，每次不重复地抽取1份作验证集，其余4份作训练集，构成5对不同训练集-测试集划分的数据集；

27、2)5对不同构成的数据集分别用于训练网络；为避免迭代次数过多造成过拟合，训练过程中若验证损失经过连续20次迭代不再降低，采用回调函数earlystopping中止训练；

28、3)验证所得网络性能，最终测试分数取5个模型所得分数的平均值。

29、一种基于多层感知器mlp的故障检测系统包括：

30、训练模块，用于根据行波解析表达式生成训练样本，构造多层感知器；

31、特征提取模块，用于通过模型对行波特征进行提取，输出故障检测判断结果；

32、测试模块，用于在emtdc/pscad中搭建高压直流系统模型，生成仿真样本，对训练完成的模型进行测试。

33、一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于多层感知器mlp的故障检测方法的步骤。

34、一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于多层感知器mlp的故障检测方法的步骤。

35、一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现所述基于多层感知器mlp的故障检测系统。

36、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

37、第一、本发明提出了一种基于mlp的高压直流输电线路故障检测方法。该方法利用故障电压行波表达式，生成区内外故障行波作为训练样本；采用具有自主学习能力及较强鲁棒性的mlp学习算法，融合利用采样行波中的故障信息实现故障检测。通过建立仿真模型验证了该方法的有效性：

38、1)在不依赖于历史故障数据进行训练的情况下，所提方法能够在0.5ms/20khz的数据窗内正确识别直流线路故障，解决了传统模型受制于历史故障数据的问题；

39、2)该方法避免了对阈值进行整定和计算的环节，耐受过渡电阻能力达到820ω。

40、第二，本发明提供的基于多层感知器(mlp)的故障检测方法，包括以下步骤：

41、步骤一：利用行波解析表达式生成训练样本，并通过构造多层感知器模型，对直流系统进行故障检测的初始学习与训练；

42、步骤二：在多层感知器模型中对直流系统的行波特征进行深度学习和特征提取，进而输出故障检测的判断结果，该结果能够区分直流系统中区内、外故障状态；

43、步骤三：在电磁暂态仿真软件emtdc/pscad中搭建高压直流输电系统的仿真模型，生成仿真样本数据，以此对已训练完成的多层感知器模型进行效能测试和验证，确保模型具备高准确性和可靠性。

44、所述行波特征包括：区内故障行波、正向区外故障行波和反向区外故障行波，这些特征的准确提取与分析是实现高效故障检测的关键。

45、在模型训练阶段，优化多层感知器的权重和偏置参数，提高模型对电力系统故障特征的识别能力；

46、在模型测试阶段，采用多种高压直流输电系统故障情景进行仿真，生成丰富多样的测试样本，从而全面评估多层感知器模型的泛化能力和故障检测效率；

47、利用实时监测数据对模型进行在线更新和微调，确保模型长期保持较高的故障检测准确率，及时响应电力系统运行环境和条件的变化。

48、通过可视化工具展示故障检测结果，包括故障类型、位置以及故障发生的时间，为电力系统的故障诊断和维修提供直观有效的信息支持。

49、第三，本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：

50、故障数据匮乏是制约数据驱动故障检测方法应用的重要因素。现有基于人工智能的故障检测方法需要大量训练样本以保证算法训练过程中对故障特征的准确挖掘，而实际直流系统中故障数据较少。为此，本发明提出了一种不依赖于历史故障数据的直流线路故障智能检测方法：根据行波解析表达式生成训练样本，有效表达区内、外故障行波的主要特征；通过构造多层感知器模型建立该行波特征与故障位置之间的映射关系，输出故障检测结果。仿真测试结果表明：该方法不依赖大量历史故障数据，基于行波解析表达式这一电力系统先验经验提取行波特征，即可准确识别直流线路区内外故障，并且具有较强的耐受过渡电阻能力，为解决传统模型受制于历史故障数据问题提供了一种可行思路。

51、第四，本发明提出了一种不依赖于历史故障数据的基于多层感知器mlp的故障检测方法。首先，对高压直流输电系统发生区内外故障的线模电压行波进行数学解析，得到区内外故障下该行波由不同函数形式表达，具有一定特征差异。按照表达式生成训练样本后，采用具有自主学习能力以及较强鲁棒性的mlp学习算法，自适应提取区内外故障数据特征，识别区内外故障。最后，基于emtdc/pscad生成高压直流线路故障下的电磁暂态仿真样本，测试训练好的mlp模型性能。仿真验证结果显示，该故障检测方法识别精度高，具有较强的耐受过渡电阻能力。