论文部分内容阅读
准确高效地对故障信号进行识别与分类是提高配电网稳定性、完成配电网故障定位、故障测距等研究工作的重要前提。随着分布式发电(DG)、电动汽车和储能设备等分布式能源(DER)的广泛应用,传统配电网逐步朝着信息化、自动化的智能配电网方向发展。针对智能配电网中DER导致的故障信号特征较难识别和DG带来的故障信号非线性变化等问题,配电网故障识别与分类算法需要获取更为准确的故障特征并进行有效识别。深度学习是人工智能领域在数据处理技术上突破创新的新兴理论,其原理是使计算机系统从经验和数据中提高目标功能,可以更好地满足新形势下的配电网故障信号的识别与分类技术的要求。本文提出了一种基于深度学习的配电网故障识别与分类方法,并结合基于微型同步相量测量单元(μPMU)的配电网状态估计生成的测试数据集,验证了方法的准确性。主要内容如下:1)研究基于μPMU的配电状态估计算法。本文针对智能配电网故障信号不易采集以及非线性性质的负载和分布式能源带来的信号特征识别困难问题,提出了基于μPMU量测数据的状态估计数据处理方法,提高了测试数据集的准确性和可靠性。2)研究基于深度学习的故障识别与分类模型搭建方法。针对传统配电网故障识别与分类方法较难识别混合电能质量干扰信号特征的问题,提出一种基于改进型S变换特征提取和LSTM网络特征分类的深度学习方法,有效识别混合故障信号特征。3)实现智能配电网模型仿真,完成对本文方法的验证工作。在Matlab/Simulink仿真环境搭建含分布式(风力)能源的配电网模型,设置不同故障种类,产生故障电能质量干扰信号。采用μPMU测量含DER的配电网系统故障数据,以此为基础进行状态估计,生成测试数据集。搭建基于Keras/Tensorflow的深度学习框架,并设置主机图形计算单元(GPU)作为运算引擎,完成基于深度学习的故障识别与分类模型的学习过程。将上述两个部分结合进行验证,该方法能够有效地对故障信号进行识别与分类,测试精度可达到90%。