基于格拉姆角场和PCNN-GRU的换相失败诊断方法

摘要

高压直流输电作为一种高效的电力传输技术，其运行中的换相失败会导致直流电流迅速增加、直流电压急剧下降，对电网的安全稳定运行造成重大影响。针对换相失败，提出一种结合格拉姆角场（Gramianangularfield,GAF）与并行卷积神经网络–门控循环单元（Parallelconvolutionalneural network-gated recurrent unit, PCNN-GRU）的换相失败诊断方法。利用GAF将一维时间序列信号转换为二维图像特征图，保留信号的时序信息。再利用PCNN-GRU模型的卷积神经网络的特征提取能力和门控循环单元的时序特征处理能力，使模型学习更多的故障特征，提高模型的诊断性能。以永富直流输电系统为对象，实验结果表明该方法诊断精度为99.33%，有较强的多特征提取能力和时序特性分析能力，诊断性能强，响应及识别换相失败快速。

关键词

高压直流输电 / 换相失败 / 格拉姆角场 / PCNN-GRU / 故障诊断 / 深度学习