(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110732232.6 (22)申请日 2021.06.30 (65)同一申请的已公布的文献号 申请公布号 CN 113392589 A (43)申请公布日 2021.09.14 (73)专利权人 云南电网有限责任公司电力科 学 研究院 地址 650217 云南省昆明市经济技 术开发 区云大西路10 5号 (72)发明人 邢超　高敬业　奚鑫泽　李胜男　 何鑫　刘明群　马红升　徐志　 (74)专利代理 机构 北京弘权知识产权代理有限 公司 11363 专利代理师 逯长明　许伟群 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/00(2012.01)G06Q 50/06(2012.01) (56)对比文件 CN 109936113 A,2019.0 6.25 CN 10918 8198 A,2019.01.1 1 CN 112446430 A,2021.0 3.05 CN 110398663 A,2019.1 1.01 CN 113033077 A,2021.0 6.25 CN 110850232 A,2020.02.28 US 20190 66110 A1,2019.02.28 US 2019170801 A1,2019.0 6.06 余志豪等.基 于PSCAD/EMTDC的VSC -HVDC直 流输电线路的故障仿真. 《控制工程》 .2016,第23 卷(第02期),第2 99-302页. 杨毅等.基 于深度-迁移学习的输电线路故 障选相模型及其可迁移性研究. 《电力自动化设 备》 .2020,第40卷(第10期),第16 5-172页. (续) 审查员 严荣 (54)发明名称 基于卷积神经网络的高压直流换流站故障 分析方法及系统 (57)摘要 本申请属于高压直流输电系统故障分析领 域， 提供基于卷积神经网络的高压直流换流站故 障分析方法及系统， 所述基于卷积神经网络的高 压直流换流站故障分析方法包括： 搭建高压直流 输电系统仿真模 型； 获得多组故障仿真数据以及 与故障仿真数据对应的保护动作行为分类结果； 对卷积神经网络模型进行训练测试， 获得预训练 卷积神经网络模 型； 获取实际直流输电工程的故 障录波数据和保护动作行为分类结果， 对预训练 卷积神经网络模 型进行微调迁移训练， 获得目标 卷积神经网络模型； 利用目标卷积神经网络模 型， 输入实际故障录波数据， 获得对应保护动作 行为分类结果。 上述基于卷积神经网络的高压直流换流站故障分析方法有效提高了保护是否正 确动作分类的准确率。 [转续页] 权利要求书2页 说明书7页 附图2页 CN 113392589 B 2022.09.27 CN 113392589 B (56)对比文件 杜梓铭等.变电站继电保护分析平台关键技 术及实现. 《河北电力技 术》 .2020,(第01期),第 24-28页. 戚宣威.交直流电网复杂暂态过程及继电保 护关键技 术研究. 《中国博士学位 论文全文数据 库 工程科技 II辑》 .2017,(第8 期),第C042-77页. JIEFENG L IANG et al.Tw o-Terminal Fault Location Method of Distributi on Network Based o n Adaptive Co nvolution Neural Netw ork. 《IEEE》 .2020,第8卷第540 35- 54043页.2/2 页 2[接上页] CN 113392589 B1.基于卷积神经网络的高压直 流换流站故障分析 方法， 其特 征在于， 包括： 基于电磁暂态仿真平台搭建高压直 流输电系统仿真模型； 利用高压直流输电系统仿真模型， 输入多组故障特征变量组合进行多次动态故障仿 真， 获得多组故障仿真数据以及与故障仿真数据对应的保护动作行为分类结果， 所述故障 特征变量组合包括电压等级、 故障位置、 过渡电阻和故障类型， 所述 故障仿真数据包括正极 直流线路两端的电压电流数据、 负极直流线路两端的电压电流数据和直流线路继电保护装 置的动作情况， 所述保护动作行为分类结果包括区内故障保护正确动作、 区内故障保护距 动、 区外故障保护正确不动作和区外故障保护误动； 将故障仿真数据作为输入样本， 对应的保护动作行为分类结果作为输出样本， 输入样 本和输出样本一 一对应构成样本数据， 获得样本数据集； 随机选取样本数据集中的部分样本数据分别生成训练样本集和 测试样本集； 设定卷积神经网络模型的初始参数， 利用训练样本集和测试样本集分别对卷积神经网 络模型进 行训练和测试， 获得预训练卷积神经网络模型， 所述初始参数包括权重值、 批处理 数量和学习率； 获取实际直流输电工程的故障录波数据和已验证的保护动作 行为分类结果， 对预训练 卷积神经网络模型进行微调迁移训练， 获得目标 卷积神经网络模型； 利用目标卷积神经网络模型， 输入实 际故障录波数据， 获得对应的保护动作行为分类 结果。 2.根据权利要求1所述的基于卷积神经网络的高压直流换流站故障分析方法， 其特征 在于， 所述故障位置包括直流线路故障和交流系统故障， 所述直流线路故障的故障类型包 括正极接地故障和负极接地故障， 所述交流系统故障的故障类型包括单相 接地故障、 两相 短路故障、 两相接地故障和三相接地故障。 3.根据权利要求1所述的基于卷积神经网络的高压直流换流站故障分析方法， 其特征 在于， 所述多组故障特征变量组合是通过对每种故障特征变量的值进 行参数遍历后随机组 合获得。 4.根据权利要求1所述的基于卷积神经网络的高压直流换流站故障分析方法， 其特征 在于， 所述利用训练样本集和测试样本集分别对卷积神经网络模型进行训练和测试的步 骤， 具体为： 根据批处理数量选择对应数量的训练样本数据， 将训练样本数据的输入样本和输出样 本同时输入卷积神经网络模型进行训练， 所述批处理数量为一次训练所需要的训练样本 数； 将测试样本集中的输入样本输入卷积神经网络模型， 获得模型输出， 将模型输出与输 入样本对应的输出样本进行比较， 获得 卷积神经网络模型的错 误率； 设定错误率阈值， 对卷积神经网络模型进行多次训练直至卷积神经网络模型的错误率 小于错误率阈值后停止训练， 获得 预训练卷积神经网络模型。 5.根据权利要求1所述的基于卷积神经网络的高压直流换流站故障分析方法， 其特征 在于， 所述目标卷积神经网络模 型的网络结构为6C ‑1S‑12C‑2S， 两个卷积层分别有6个和12 个卷积核， 两个卷积层上的卷积核大小分别为2和4。 6.基于卷积神经网络的高压直流换流站故障分析系统， 其特征在于， 所述基于卷积神权　利　要　求　书 1/2 页 2 CN 113392589 B 3