技术领域
[0001] 本
发明涉及特高压换流站交流滤波器故障诊断技术领域，尤其涉及一种特高压换流站交流滤波器在线故障诊断分析方法。
背景技术
[0002] 特高压换流站是直流输电系统中直流和交流进行相互
能量转换的系统。换流站输电原理与常规交流变电站存在着很大不同。在直流输电系统中，需要消耗大量的无功，同时，其换流后的
波形存在大量谐波，因此，在换流站内需要配备多个交流
滤波器组。交流滤波器组由于发热量大、体积大等特点，通常被布置在户外场地，饱经
风吹日晒，因此容易发生
缺陷。当缺陷到达一定程度时，站内的保护装置会检测到该故障，进而发出告警
信号，严重时则直接跳开交流滤波器组。
[0003] 交流滤波器组的常见故障情况可分为以下三类。(1)元件故障：电容器单元漏油，
电阻器、电抗器损坏等情况的发生会造成三相
电流的
不平衡及谐波的增加；(2)
断路器本体机械故障：断路器本体的机械故障会影响三相合闸的同步性；(3)接头老化：金属材料的接头容易遭受
氧化，导致
接触电
阻变大，造成异常发热。
[0004] 目前，交流滤波器组故障的发现主要通过人工巡视、红外测温、保护告警等手段。其中，人工巡视
频率低，发现故障具有较高的随机性；红外测温具有较好的发现发热点的能
力，但仅能检测设备
外壳、接头等部位，适用范围有限；而通过保护告警的方式来发现设备故障时，设备已经影响到直流输电系统的正常运行，早期微小的
电压、电流差异并不能在第一时间被检测到。
发明内容
[0005] 本发明的目的是解决目前的特高压换流站交流滤波器的故障诊断方法存在随机性较高、适用范围有限及不能及时发现故障的技术问题，提供一种特高压换流站交流滤波器在线故障诊断分析方法。
[0006] 为解决上述技术问题，本发明采用的技术方案是：
[0007] 一种特高压换流站交流滤波器在线故障诊断分析方法，包括下列步骤：
[0008] S1，根据特高压换流站的故障录波器记录的历史波形数据采用收网
算法训练RBF神经网络，以确定RBF神经网络的模型参数，所述模型参数包括RBF神经网络的中心、权重和宽度；
[0009] S2，根据特高压换流站的故障录波器记录的数据获取特高压换流站的当前波形数据，并对当前波形数据进行特征量提取，提取的特征量包括时域特征量和
频域特征量；
[0010] S3，对提取的特征量进行归一化处理；
[0011] S4，将归一化处理后的特征量输入训练好的RBF神经网络，并根据训练好的RBF神经网络的输出结果诊断交流滤波器是否出现故障。
[0012] 可选地，所述时域特征量包括断路器的分合闸时间T、交流滤波器分合闸时录下波形中的电流最大值Imax和电流最小值Imin及三相匹配度γ；其中：
[0013] T＝max(TA,TB,TC) (1)
[0014] 公式(1)中，TA、TB和TC分别为交流滤波器A、B、C三相的分合闸时间；
[0015]
[0016] 公式(2)中，ia、ib和ic分别表示交流滤波器A、B、C三
相移相后的电流瞬时值，Ia、Ib和Ic分别表示交流滤波器A、B、C三相的电流幅值，d表示波形数据中第d个周期的波形。
[0017] 可选地，所述频域特征量包括零序电流谐波最大值IH,max、交流滤波器断路器零序电流的谐波含量δ和总谐波畸变率KTHD；其中：
[0018]
[0019] 公式(3)中：IH,e为e次谐波有效值，Ir为对应交流滤波器组的额定电流；
[0020]
[0021]
[0022] 可选地，所述步骤S1在确定RBF神经网络的模型参数时，包括：
[0023] S11，对特高压换流站交流滤波器投切时故障录波器记录的M组历史波形数据进行特征量提取，得到时域特征量和频域特征量共七个特征量，并标注M组历史波形数据的异常状态得到状态值，将七个特征量和一个状态值组合成初始
训练数据集SM×8，其中，时域特征量包括断路器的分合闸时间T、交流滤波器分合闸时录下波形中的电流最大值Imax和电流最小值Imin及三相匹配度γ，频域特征量包括零序电流谐波最大值IH,max、交流滤波器断路器零序电流的谐波含量δ和总谐波畸变率KTHD；
[0024] S12，对初始训练数据集SM×8中的七个特征量进行归一化处理，形成标准训练数据集S'M×8；
[0025] S13，确定RBF神经网络的隐含层数量z及收网算法的开拓系数C，并根据隐含层的数量z及特征量数量确定收网算法的结点数量A，其中：
[0026]
[0027] A＝2(7×z+2×z)y (7)；
[0028] 公式(6)中，K表示总
迭代次数，k表示第k次迭代；公式(7)中，y表示每个
超平面选取的结点数量；
[0029] S14，确定RBF神经网络的目标函数为如下公式(8)，收网算法的迭代更新公式为如下公式(9)，并选取标准训练数据集S'M×8中的H条数据通过已经预设开拓系数和迭代次数的收网算法来对RBF神经网络进行参数辨识，得到RBF神经网络的中心Ti、权重Wi和宽度σi；
[0030]
[0031]
[0032] 公式(8)中，Y(j)表示第j次迭代的实际输出值，S'(j,m)表示第j次迭代的输入值；公式(9)中，X(k)表示第k轮迭代时的结点
位置，X(k+1)表示第k+1轮迭代时的结点位置，Xbest表示搜索历史中出现的最优结点位置，ξ(k)与ζ(k)分别表示[0，1]之间的随机数；
[0033] S15，以H条数据中的状态值为参考，使用步骤S14确定中心Ti、权重Wi和宽度σi后的RBF神经网络，从0到1每次步进0.01对100个值分别计算准确率，选取准确率最高的值作为标准
阈值。
[0034] 可选地，步骤S4在根据训练好的RBF神经网络的输出结果诊断交流滤波器是否出现故障时，包括：当训练好的RBF神经网络的输出结果大于标准阈值时，确定交流滤波器出现故障；当训练好的RBF神经网络的输出结果不大于标准阈值时，确定交流滤波器未出现故障。
[0035] 本发明的有益效果是：
[0036] 通过根据特高压换流站的故障录波器记录的历史波形数据采用收网算法训练RBF神经网络，以在后续对交流滤波器进行诊断分析时，通过提取其波形数据中的特征量，并将特征量进行归一化处理后输入训练好的RBF神经网络，进而根据训练好的RBF神经网络的输出结果即可确定交流滤波器是否发生故障。因此，与背景技术相比，本发明具有能够及时根据故障录波器获取的波形数据诊断分析交流滤波器是否出现故障，从而可以避免对
电网造成不安全的隐患；诊断分析方法适用于所有特高压换流站，应用范围广泛；能够克服人为发现故障的随机性等优点。
附图说明
[0038] 图2为本发明RBF神经网络的结构示意图。
[0039] 图3为对RBF神经网络进行参数辨识时收网算法的收敛曲线示意图。
[0040] 图4为对训练好的RBF神经网络进行验证的结果示意图。
具体实施方式
[0041] 下面将结合附图和
实施例对本发明作进一步地详细描述。
[0042] 如图1所示，本实施例中的一种特高压换流站交流滤波器在线故障诊断分析方法包括下列步骤：
[0043] S1，根据特高压换流站的故障录波器记录的历史波形数据采用收网算法训练RBF神经网络，以确定RBF神经网络的模型参数，所述模型参数包括RBF神经网络的中心、权重和宽度；
[0044] S2，根据特高压换流站的故障录波器记录的数据获取特高压换流站的当前波形数据，并对当前波形数据进行特征量提取，提取的特征量包括时域特征量和频域特征量；
[0045] S3，对提取的特征量进行归一化处理；
[0046] S4，将归一化处理后的特征量输入训练好的RBF神经网络，并根据训练好的RBF神经网络的输出结果诊断交流滤波器是否出现故障。
[0047] 可选地，所述时域特征量包括断路器的分合闸时间T、交流滤波器分合闸时录下波形中的电流最大值Imax和电流最小值Imin及三相匹配度γ；其中：
[0048] T＝max(TA,TB,TC) (1)
[0049] 公式(1)中，TA、TB和TC分别为交流滤波器A、B、C三相的分合闸时间；
[0050]
[0051] 公式(2)中，ia、ib和ic分别表示交流滤波器A、B、C三相移相后的电流瞬时值，Ia、Ib和Ic分别表示交流滤波器A、B、C三相的电流幅值，d表示波形数据中第d个周期的波形。
[0052] 可选地，所述频域特征量包括零序电流谐波最大值IH,max、交流滤波器断路器零序电流的谐波含量δ和总谐波畸变率KTHD；其中：
[0053]
[0054] 公式(3)中：IH,e为e次谐波有效值，Ir为对应交流滤波器组的额定电流；
[0055]
[0056]
[0057] 公式(5)中，IH,n表示n次谐波有效值。
[0058] 可选地，所述步骤S1在确定RBF神经网络的模型参数时，包括：
[0059] S11，对特高压换流站交流滤波器投切时故障录波器记录的M组历史波形数据进行特征量提取，得到时域特征量和频域特征量共七个特征量，并标注M组历史波形数据的异常状态得到状态值，将七个特征量和一个状态值组合成初始训练数据集SM×8，其中，时域特征量包括断路器的分合闸时间T、交流滤波器分合闸时录下波形中的电流最大值Imax和电流最小值Imin及三相匹配度γ，频域特征量包括零序电流谐波最大值IH,max、交流滤波器断路器零序电流的谐波含量δ和总谐波畸变率KTHD；
[0060] S12，对初始训练数据集SM×8中的七个特征量进行归一化处理，形成标准训练数据集S'M×8；
[0061] S13，确定RBF神经网络的隐含层数量z及收网算法的开拓系数C，并根据隐含层的数量z及特征量数量确定收网算法的结点数量A，其中：
[0062]
[0063] A＝2(7×z+2×z)y (7)；
[0064] 公式(6)中，K表示总迭代次数，k表示第k次迭代；公式(7)中，y表示每个超平面选取的结点数量；
[0065] S14，确定RBF神经网络的目标函数为如下公式(8)，收网算法的迭代更新公式为如下公式(9)，并选取标准训练数据集S'M×8中的H条数据通过已经预设开拓系数和迭代次数的收网算法来对RBF神经网络进行参数辨识，得到RBF神经网络的中心Ti、权重Wi和宽度σi；
[0066]
[0067]
[0068]
[0069] 公式(8)中，Y(j)表示第j次迭代的实际输出值，S'(j,m)表示第j次迭代的输入值；公式(9)中，X(k)表示第k轮迭代时的结点位置，X(k+1)表示第k+1轮迭代时的结点位置，Xbest表示搜索历史中出现的最优结点位置，ξ(k)与ζ(k)分别表示[0，1]之间的随机数；
[0070] S15，以H条数据中的状态值为参考，使用步骤S14确定中心Ti、权重Wi和宽度σi后的RBF神经网络，从0到1每次步进0.01对100个值分别计算准确率，选取准确率最高的值作为标准阈值。
[0071] 可选地，步骤S4在根据训练好的RBF神经网络的输出结果诊断交流滤波器是否出现故障时，具体方式为：当训练好的RBF神经网络的输出结果大于标准阈值时，确定交流滤波器出现故障；当训练好的RBF神经网络的输出结果不大于标准阈值时，确定交流滤波器未出现故障。
[0072] 为了便于理解本实施例提供的特高压换流站交流滤波器在线故障诊断分析方法，下面结合一个实例对上述特高压换流站交流滤波器在线故障诊断分析方法的训练过程及后续的诊断分析过程进行详细说明。
[0073] 例如，将本实施例提供的特高压换流站交流滤波器在线故障诊断分析方法应用于西北地区某换流站的交流滤波器的故障预警。该换流站的交流滤波器分为4大组，共16小组，每小组容性无功容量295Mvar，包括：4组BP11/BP13交流滤波器，4组HP24/36交流滤波器，3组HP3交流滤波器，5组SC并联电容器组。
[0074] 具体地，针对该特高压换流站，为对其交流滤波器进行故障的诊断分析，需要先建立针对该特高压换流站的RBF神经网络，该过程具体通过如下步骤1至步骤5实现：
[0075] 1、建立RBF神经网络的初始训练数据集SM×8。
[0076] 具体地，对该特高压换流站交流滤波器投切时记录的600(M)组历史波形数据进行特征量提取，提取到其时域特征量和频域特征量共七个特征量，并标注这600组历史波形数据的异常状态得到状态值，将七个特征量和一个状态值组合成初始训练数据集S600×8。其中，初始训练数据集S600×8中的部分数据如表一所示。时域特征量包括断路器的分合闸时间T、交流滤波器分合闸时录下波形中的电流最大值Imax和电流最小值Imin及三相匹配度γ，频域特征量包括零序电流谐波最大值IH,max、交流滤波器断路器零序电流的谐波含量δ和总谐波畸变率KTHD。表一中S为“0”表示交流滤波器未出现故障，S为“1”表示交流滤波器未出现故障。
[0077] 表一
[0078]
[0079] 2、建立RBF神经网络的标准训练数据集S'M×8。
[0080] 为了能够确定收网算法在优化过程中的参数上下限以及为了避免RBF神经网络输入量超出隐含层与
输出层的限制，本实施例对初始训练数据集SM×8中的所有特征量进行归一化处理。其中，归一化处理的具体实现方法为：将初始训练数据集S600×8的各列数据除以对应列的最大值，使所有的特征量限定在[0，1]之间，形成标准训练数据集S'600×8。
[0081] 3、确定RBF神经网络的隐含层数量z及收网算法的开拓系数C，并根据隐含层的数量z及特征量数量确定收网算法的结点数量A。
[0082] 其中，如图2所示，RBF神经网络包含
输入层、隐含层和输出层。输入层X＝[X1,X2,...,Xn]有n个输入(本实施例中有7个输入)；隐含层共z个
节点，隐含中心Ti＝[Ti1,,Ti2,,...,Tin,]，各个中心宽度为σi，i∈[1,z]；输出为Y。“G”代表径向基函数，可选用常用的高斯函数；“Wi”代表第i个隐单元与输出间的权重，实际输出Y与输入X之间的关系则如下公式(10)所示。
[0083]
[0084] 由于RBF神经网络的隐含层数量z决定其中心数量，这个数值越大，神经网络模型越复杂，也能够将所要表示的量表征地越精确，然而训练RBF神经网络的操作也越复杂。在该实例中，假设RBF神经网络包括五个隐含层。通常，当RBF神经网络包括五个隐含层(即z取值为5)时，即可完成交流滤波器的故障诊断分析。
[0085] 收网算法是一种利用渔民撒网
捕鱼的思想进行优化求解的
群体智能优化算法，具有全局搜索能力强、可调参数少、收敛快等优点。收网算法中的渔网是由各个结点和结点间共享的信息编制而成，所要捕获的目标被包裹在渔网中，通过一次次的收拢操作缩小搜索空间、缩短渔网上各结点与被捕获目标之间的距离，直到整张渔网聚拢，得到被捕获的目标。其中，网面上的一个结点代表优化问题的一个解，每个结点通过目标函数的计算得到各自的优劣程度，结点与结点间的共享信息构成了一整张网，各个结点向历史最优结点进行靠拢的过程称之为收拢，本实施例中各个结点的位置更新公式如式(9)。
[0086] 收网算法是从搜索空间边界开始搜索，初始化时，对于x维搜索空间，整张网由各变量上下限组成的2x的
顶点与2x个超平面上的若干个结点共同组成，每个超平面上的结点满足其中某一维变量处于上限或下限的要求。若每个超平面随机选取y个结点，则整张网共有2x+2xy个结点。对于有n维输入z个隐含层的RBF神经网络，需要辨识的参数有中心Ti(共zn个变量)、宽度σi(共z个变量)、权重Wi(共z个变量)，共计x＝zn+z+z个变量。当x取值较大时，保留超平面上的2xy个结点进行初始化。
[0087] 在该实例中，RBF神经网络需要辨识的参数包括5个隐含层的7个特征值、5个宽度σi、5个权重Wi，总计共有45个参数，因此，收网算法所需搜索的空间极为庞大，该实例中在收网算法的每个超平面选取2个结点，因此，收网算法的整个网面则由180个结点组成。
[0088] 开拓系数C决定着收网算法的全局寻优能力和寻优
精度，前期迭代过程中体现的全局寻优能力，后期迭代则体现的是搜索精度。为了能够使收网算法具有很强的搜索能力以及较高的搜索精度，该实例中将开拓系数C设置为一个随收拢次数k增加而减少的变量，开拓系数C在收拢前期大于1，以保证收网算法的全局搜索性能，在收拢后期将开拓系数C设置在[0，1]之间，以提高收网算法的搜索精度。具体的开拓系数如公式(6)。
[0089] 4、确定RBF神经网络的目标函数为公式(8)，收网算法的迭代更新公式为公式(9)，然后选取标准训练数据集S'600×8中的前500(H)条数据来对RBF神经网络进行参数辨识。
[0090] 经过RBF神经网络计算后的实际输出值Y与真实值R越接近，说明该RBF神经网络越符合实际情况，因此当学习库中共有M条数据时，使用公式(8)作为RBF神经网络评判的标准。因此，利用收网算法进行优化，使目标函数取f最小值min(f)，即可得到所需辨识的中心Ti、宽度σi及权重Wi。
[0091] 具体的参数辨识过程为：步骤1：根据各维变量上下限，生成初始化网面；步骤2：将各个结点中包含的各个参数信息与标准训练数据集S'600×8利用公式(8)计算实际输出值；步骤3：将RBF网络计算得到的实际输出值与真实值通过式(8)计算各个结点的评价值min(f)；步骤4：更新历史最优结点，并根据公式(9)更新所有结点位置；步骤5：返回步骤2，准备网面的下一轮收拢，直到所有结点聚集在一起；步骤6：结束计算，输出RBF神经网络的各个参数。
[0092] 本实例中将收网算法的最大迭代次数设为100，对RBF神经网络进行参数辨识，收网算法的收敛曲线如图3所示，计算得到的RBF神经网络的模型参数如表二所示。
[0093] 表二
[0094] (a)宽度参数
[0095]σ1 σ2 σ3 σ4 σ5
0.386 0.421 0.415 0.246 0.315
[0096] (b)权重参数
[0097]W1 W3 W4 W5
0.543 0.681 0.409 0.587
[0098] (c)中心参数
[0099] T’ I’max I’min γ’ I’H，max δ' K’THD
T1 0.66 0.77 0.50 0.32 0.62 0.65 0.64
T2 0.52 0.57 0.43 0.44 0.41 0.53 0.53
T3 0.69 0.81 0.71 0.27 0.56 0.75 0.65
T4 0.58 0.53 0.61 0.68 0.57 0.55 0.59
T5 0.59 0.72 0.77 0.43 0.70 0.56 0.64
[0100] 5、确定标准阈值。
[0101] 对于异常输出状态判断标准阈值的选择，本实施例通过枚举法进行确定，从0到1，步进0.01，对0到1之间的100个值分别计算准确率，选取准确率最高的一个值作为标准阈值。结合上述数值，本实例中最终确定标准阈值为0.31。在该标准阈值下，训练数据的异常状态判断准确性达98％。
[0102] 至此，已经训练好RBF神经网络。为了验证训练好的RBF在分析诊断交流滤波器故障时的准确性，可以将训练好的RBF神经网络用于计算S'600×8中的后100组测试数据，最终得到的计算结果如图4所示，其交流滤波器组异常状态判断的数据准确性达到了98％。从图4中可以看出：利用RBF神经网络来诊断分析交流滤波器的内部异常，已具备较高的准确率，
100次测试中，仅出现1次有异常未发现和1次无异常但输出告警的情况(图4中圆圈中的点)，其余均诊断正确，准确率达98％。
[0103] 综上，通过本实施例提供的方法可以对特高压换流站交流滤波器的故障进行诊断分析。具体地，在分析诊断时，当实时生成的换流站交流滤波器的波形文件被检测到时，对录波文件中的波形数据特征提取，并进行归一化处理，再将该组特征值利用RBF神经网络进行计算异常状态值，当该值超出标准阈值时，即可确定交流滤波器出现故障。此时可以发出告警，从而实现及时发现特高压换流站交流滤波器的故障。
