一种故障激发的铁磁谐振过电压特性确定方法与流程

本发明属于电压互感器，具体而言，涉及一种故障激发的铁磁谐振过电压特性确定方法。

背景技术：

1、电磁式电压互感器作为电力系统中常见的电压检测设备,在电网保护、控制、测量等方面发挥着重要作用。然而,在实际运行过程中,电磁式电压互感器容易受到各种故障的影响,如绕组短路、铁心故障、二次侧接地等,这些故障会引发铁磁谐振现象,造成严重的过电压故障。过电压故障不仅会损坏电压互感器自身,还可能危及整个电力系统的安全可靠运行。因此,准确地分析和预测故障激发下的铁磁谐振过电压特性,对于及时采取保护措施、降低故障危害具有重要意义。

2、目前,针对铁磁谐振过电压特性的研究主要集中在两个方面:一是基于理论模型的分析方法,二是基于试验测量的经验总结。

3、理论分析方法通常建立描述铁磁谐振过程的数学模型,如电压方程、电流方程、磁通方程以及阻抗方程等,尝试用这些方程组来刻画铁磁谐振引起的过电压特性。这种方法具有良好的物理意义,但由于铁磁谐振过程的非线性和复杂性,单纯依靠理论模型很难完全反映实际情况,存在一定的预测误差。

4、试验测量方法则是通过人为制造故障,在实际的电磁式电压互感器上进行试验测量,收集故障激发下的电压、电流、频率等数据,总结经验规律。这种方法能较准确地获取故障信息,但无法推广到各种不同的故障情况,而且测量数据缺乏连贯性。

5、也就是说，现有的方法难以实现理论模型和试验数据的融合，存在复杂故障情况下过电压特性的描述能力不足的技术问题。

技术实现思路

1、有鉴于此，本发明提供一种故障激发的铁磁谐振过电压特性确定方法，能够解决现有的方法难以实现理论模型和试验数据的融合，存在复杂故障情况下过电压特性的描述能力不足的技术问题。

2、本发明是这样实现的：

3、本发明提供一种故障激发的铁磁谐振过电压特性确定方法，包括以下步骤：

4、s10、采集已知单一故障的电磁式电压互感器多种不同故障激发的铁磁谐振的电气数据，包括电压、电流、频率、功率因数、温度、过电压、谐波含量、铁心饱和度，记为第一数据集；

5、s20、建立考虑所述电气数据的铁磁谐振方程组，包括电压方程、电流方程、磁通方程以及阻抗方程；

6、s30、建立铁磁谐振过电压特性组合模型，包括所述铁磁谐振方程组及修正模型，所述修正模型用于修正所述铁磁谐振方程组的参数，所述修正模型为一个多输入多输出结构的神经网络，包括电压方程参数修正子网络、电流方程参数修正子网络、磁通方程参数修正子网络、阻抗方程参数修正子网络以及汇总修正子网络；

7、s40、基于所述第一数据集，建立第一训练数据集，其中训练输入为电压、电流、频率、功率因数、温度、谐波含量、铁心饱和度，训练输出为过电压幅值、持续时间、频率特征以及各方程参数修正值；利用所述第一训练数据集对所述铁磁谐振过电压特性组合模型进行拟合训练，得到拟合训练后的铁磁谐振过电压特性组合模型，记为第一模型；

8、s50、采集已知至少具有一种故障的电磁式电压互感器多种不同故障激发的铁磁谐振的电气数据，记为第二数据集；

9、s60、利用所述第二数据集，建立第二训练数据集，其中训练输入为电压、电流、频率、功率因数、温度、谐波含量、铁心饱和度以及故障类型，训练输出为过电压幅值、持续时间、频率特征以及各方程参数修正值；利用所述第二训练数据集对所述第一模型进行微调，得到一个lora模型；

10、s70、以所述组合模型与所述lora模型作为联合模型，输入单个故障或多个故障叠加的故障向量，得到用于描述故障激发的铁磁谐振过电压特性的铁磁谐振方程组。

11、所述故障向量，具体表示为一个包含多个二进制位的向量，每一位代表一种可能的故障类型，用于描述单个或多个叠加的故障情况。

12、其中，所述电压方程参数修正子网络，训练输入为电压数据和基本电路参数，训练输出为电压方程参数修正值，用于根据实际电压数据修正电压方程参数，结构是一个三层前馈神经网络。

13、进一步的，所述电流方程参数修正子网络，训练输入为电流数据和基本电路参数，训练输出为电流方程参数修正值，用于根据实际电流数据修正电流方程参数，结构是一个三层前馈神经网络。

14、进一步的，所述磁通方程参数修正子网络，训练输入为磁通数据和铁心饱和度，训练输出为磁通方程参数修正值，用于根据实际磁通数据修正磁通方程参数，结构是一个三层前馈神经网络。

15、进一步的，所述阻抗方程参数修正子网络，训练输入为阻抗数据和温度，训练输出为阻抗方程参数修正值，用于根据实际阻抗数据修正阻抗方程参数，结构是一个三层前馈神经网络。

16、进一步的，所述汇总修正子网络，训练输入为所述修正模型的不含所述汇总修正子网络的各子网络输出的修正值，训练输出为综合修正参数，用于整合各个子网络提供的修正值，结构是一个两层前馈神经网络。

17、进一步的，所述lora模型包括故障基础辨别子网络以及叠加故障激发铁磁谐振的铁磁谐振方程组修正模型。

18、进一步的，所述进行微调，指的是对所述第一模型中的修正模型的每个子网络的隐藏层和输出层进行参数调整，用于通过梯度下降法调整这些层的权重和偏置，以适应多种类型的故障叠加故障情况。

19、进一步的，所述故障基础辨别子网络，训练输入为电气数据和故障类型，训练输出为故障特征，用于识别和分类不同类型的故障，其结构是一个四层前馈神经网络；所述叠加故障激发铁磁谐振的铁磁谐振方程组修正模型，训练输入为各子网络输出的特征和故障特征，训练输出为修正参数，用于根据故障情况对铁磁谐振方程组进行修正，其结构是一个五层前馈神经网络。

20、进一步的，所述方程参数修正值的获取步骤，具体包括：

21、s41、参数输入:选取多组不同的初始参数值作为输入,这些参数包括但不限于电压、电流、频率、功率因数等基本电路参数,以及温度、铁心饱和度等环境因素；

22、s42、方程组求解:将s41中选取的参数值代入铁磁谐振方程组,求解得到方程组的输出结果,包括过电压幅值、持续时间、频率特征等；

23、s43、实际数据采集:根据s1中输入的参数条件,在实际的电磁式电压互感器上模拟相应的故障情况,采集多组电气数据,包括实际测得的过电压幅值、持续时间、频率特征等；

24、s44、误差计算:比较s42中方程组的理论输出结果与s43中采集的实际数据,计算各项指标的误差；

25、s45、参数修正值确定:基于s44中计算的误差,使用优化算法对方程组的参数进行迭代调整,直到误差降低到可接受的范围内，将最终确定的参数与初始参数之间的差值作为方程参数修正值。

26、这里的优化算法采用梯度下降法。这个过程通过比较理论计算结果和实际测量数据,不断调整方程参数,最终得到能够准确描述故障激发的铁磁谐振过电压特性的修正参数。这种方法既考虑了理论模型,又结合了实际数据,可以有效提高模型的准确性和适用性。

27、与现有技术相比较，本发明提供的一种故障激发的铁磁谐振过电压特性确定方法的有益效果是：1.结合理论模型与机器学习模型,弥补了单一模型无法完全描述复杂铁磁谐振过程的缺陷。理论模型为机器学习提供了必要的物理基础,而机器学习模型则用实测数据校正和完善了理论模型,使得整体模型能够更准确地预测故障激发下的过电压特性。

28、2.针对单一故障和多故障叠加情况,分别建立了初始模型和lora微调模型,能够全面、准确地描述不同故障情况下的铁磁谐振过电压特性，而且，lora模型不会直接改变初始模型的权重参数，使得初始模型的单一故障信息判断能力得以更好的保留，不因为多故障叠加的影响削弱单一故障的判断能力。相比于现有的单一故障分析方法,本发明方法具有更强的适应性和鲁棒性。

29、3.在参数修正环节,采用了系统的参数选取策略,包括确定参数范围、拉丁超立方抽样、考虑极端情况和典型工况等,充分利用了实测数据,提高了模型参数的准确性和适用性。

30、4.整个方法流程化并自动化程度较高,可以方便地应用于电磁式电压互感器的运行监测和故障诊断,为提高电力系统的安全可靠性提供有力支撑。

31、总的来说,本发明的故障激发铁磁谐振过电压特性确定方法,充分利用了理论分析和实验测量的优势,融合了机器学习技术,能够更加准确、全面地描述不同故障情况下的过电压特性,解决了现有的方法难以实现理论模型和试验数据的融合，存在复杂故障情况下过电压特性的描述能力不足的技术问题。

技术特征：

1.一种故障激发的铁磁谐振过电压特性确定方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种故障激发的铁磁谐振过电压特性确定方法，其特征在于，所述电压方程参数修正子网络，训练输入为电压数据和基本电路参数，训练输出为电压方程参数修正值，用于根据实际电压数据修正电压方程参数，结构是一个三层前馈神经网络。

3.根据权利要求2所述的一种故障激发的铁磁谐振过电压特性确定方法，其特征在于，所述电流方程参数修正子网络，训练输入为电流数据和基本电路参数，训练输出为电流方程参数修正值，用于根据实际电流数据修正电流方程参数，结构是一个三层前馈神经网络。

4.根据权利要求3所述的一种故障激发的铁磁谐振过电压特性确定方法，其特征在于，所述磁通方程参数修正子网络，训练输入为磁通数据和铁心饱和度，训练输出为磁通方程参数修正值，用于根据实际磁通数据修正磁通方程参数，结构是一个三层前馈神经网络。

5.根据权利要求4所述的一种故障激发的铁磁谐振过电压特性确定方法，其特征在于，所述阻抗方程参数修正子网络，训练输入为阻抗数据和温度，训练输出为阻抗方程参数修正值，用于根据实际阻抗数据修正阻抗方程参数，结构是一个三层前馈神经网络。

6.根据权利要求5所述的一种故障激发的铁磁谐振过电压特性确定方法，其特征在于，所述汇总修正子网络，训练输入为所述修正模型的不含所述汇总修正子网络的各子网络输出的修正值，训练输出为综合修正参数，用于整合各个子网络提供的修正值，结构是一个两层前馈神经网络。

7.根据权利要求6所述的一种故障激发的铁磁谐振过电压特性确定方法，其特征在于，所述lora模型包括故障基础辨别子网络以及叠加故障激发铁磁谐振的铁磁谐振方程组修正模型。

8.根据权利要求7所述的一种故障激发的铁磁谐振过电压特性确定方法，其特征在于，所述进行微调，指的是对所述第一模型中的修正模型的每个子网络的隐藏层和输出层进行参数调整，用于通过梯度下降法调整这些层的权重和偏置，以适应多种类型的故障叠加故障情况。

9.根据权利要求7所述的一种故障激发的铁磁谐振过电压特性确定方法，其特征在于，所述故障基础辨别子网络，训练输入为电气数据和故障类型，训练输出为故障特征，用于识别和分类不同类型的故障，其结构是一个四层前馈神经网络；所述叠加故障激发铁磁谐振的铁磁谐振方程组修正模型，训练输入为各子网络输出的特征和故障特征，训练输出为修正参数，用于根据故障情况对铁磁谐振方程组进行修正，其结构是一个五层前馈神经网络。

10.根据权利要求1-9任一项所述的一种故障激发的铁磁谐振过电压特性确定方法，其特征在于，所述方程参数修正值的获取步骤，具体包括：

技术总结
本发明提供了一种故障激发的铁磁谐振过电压特性确定方法，属于电压互感器技术领域，包括：采集具有单一故障的电压互感器的电气数据,建立铁磁谐振方程组和修正模型。基于该数据集训练出一个初始模型。其次,该方法采集具有多种故障的电压互感器的电气数据,建立第二个训练数据集,并使用该数据集对初始模型进行微调,得到一个可适应多种故障的Lora模型。最后,该方法将初始模型和Lora模型作为联合模型,输入单个或多个故障向量,输出描述故障激发的铁磁谐振过电压特性的方程组；本发明融合了机器学习技术,能够更加准确、全面地描述不同故障情况下的过电压特性,解决了现有的方法存在的复杂故障情况下过电压特性的描述能力不足的问题。

技术研发人员：周秀,白金,潘亮亮,朱林,田天,常文治,杨海涛,邵苠峰,陈江波,俞华,王生杰,刘康,金海川,王玮,陈青松,高婷玉,王理丽,李中原,申昱博,刘宏,张广东,吴志勇,王东方,包艳艳,王晓康,马宇坤,戴龙成,徐玉华,张恒
受保护的技术使用者：国网宁夏电力有限公司电力科学研究院
技术研发日：
技术公布日：2024/12/5