继电保护是电力系统的第一道防线,智能变电站继电保护装置测试中最重要的调试工具是数字式继电保护试验装置。现阶段,测试过程中整个系统尤其是被测保护装置出现异常时,试验装置无法自动诊断,且人工排查异常耗时长效率低。为提高智能变电站自动化和智能化水平,提升继电保护测试效率,急需研发具有实时异常诊断功能的继电保护试验装置。由此本文提出一种基于LSTM-GRU网络和k-Shape聚类的继电保护测试异常诊断方法,该方法先运用LSTM-GRU网络模型对继电保护测试中发生的已知异常进行诊断,再引入k-Shape聚类算法实现对新异常的识别和诊断。主要研究内容及成果如下:（1）针对目前试验装置无法自动诊断继电保护测试中出现的异常,提出了一种基于长短期记忆网络的异常诊断方法,以典型220 k V单间隔继电保护测试为例,实验得到诊断准确率为99.69%。首先,分析了继电保护测试异常类型和异常断面特征信息,针对异常断面特征量和采样值,提出了异常标签方式和特征信息表征方式。其次,设计了基于LSTM网络的多异常诊断模型,建立了异常诊断流程,LSTM网络与循环神经网络、BP网络和深度神经网络的对比实验验证了LSTM网络可针对有时序性的继电保护测试异常断面特征数据进行较高准确率的异常诊断,但训练时间较长。最后,为降低训练时间,通过引入GRU网络对原模型进行改进,新设计的LSTM-GRU模型依次由一层LSTM网络、一层GRU网络和一层全连接网络构成,与LSTM网络、GRU-LSTM网络和GRU网络的对比实验验证了LSTM-GRU模型在降低训练时间的同时保证了较高准确率和良好容错性。（2）为进一步提高继电保护测试异常诊断模型的扩展性,提出了一种基于聚类的异常诊断方法,可有效识别和诊断新异常。首先,设计了新异常识别阈值的获取流程图、基于神经网络和聚类的异常诊断流程图、异常诊断模型的更新流程图。其次,实验验证了基于k-Shape聚类的诊断方法可以有效识别新异常,解决了LSTM-GRU模型无法识别未标签异常的问题。最后,实验得到更新后的异常诊断模型对新异常的诊断准确率为99.61%,有效提升了异常诊断模型的扩展性。
暂无评论