基于vmd-et特征选择的lcc-mmc单极接地故障定位方法
技术领域
1.本发明涉及电力系统接地故障检测领域，具体涉及一种基于 vmd-et特征选择的lcc-mmc单极接地故障定位方法。
背景技术：2.传统电网换相换流器高压直流输电系统(linecommutatedconverterbasedhighvoltagedirectcurrent,lcc-hvdc)具有输送容量大、输送距离远等优点；模块化多电平换流器直流输电系统(modularmultilevelconverterbasedhighvoltagedirectcurrent,mmc-hvdc)具有模块化、无换相失败等优点，而lcc-mmc混合直流输电系统可将上述两种直流输电系统进行有机融合,在可再生能源集成送出等方面具有良好的应用前景。由于电压等级高、输送距离远，特高压直流输电线路通常选用架空线路，输电线路长时间暴露在自然环境中，且线路沿线自然条件较恶劣，使其故障率高于直流输电系统中的其他元件, 故精确的故障定位有利于减少故障期间经济损失，提升供电稳定性。
3.现如今，国内外关于混合直流输电线路故障定位的研究较少，多集中于lcc与mmc的高压与特高压直流输电线路上。
技术实现要素：4.有鉴于此，本发明的目的在于提供一种基于vmd-et特征选择的lcc-mmc单极接地故障定位方法，无需考虑行波波速，无需对波头进行标定，且在较低采样频率下可对故障位置进行精确定位。
5.为实现上述目的，本发明采用如下技术方案：
6.一种基于vmd-et特征选择的lcc-mmc单极接地故障定位方法，包括以下步骤：
7.步骤s1:获取双端故障电压行波，并预处理；
8.步骤s2:通过vmd对双端故障电压行波进行分解，将不同模态分量与原始波形进行串联；
9.步骤s3:通过et特征选择选取重要性大于预设的特征构建新的特征集合；
10.步骤s4:基于新的特征集合构建gru神经网络故障定位模型；
11.步骤s5:采用pso算法寻优gru神经网络故障定位模型的最优参数，得到最终的gru神经网络故障定位模型；
12.步骤s6:将待识别双端故障电压行波输入最终的gru神经网络故障定位模型，获得故障定位预测结果。
13.进一步的，所述步骤s1具体为：将双端故障电压行波进行串联，获取双极故障电压行波并对其进行解耦，得到相对应的线模与地模分量，并将线模分量中每个数值减去预设值。
14.进一步的，所述步骤s2具体为：利用vmd分解，将线模分量分解为k个不同频率的imf分量，并将原始线模分量与k个imf分量进行串联，组成新的线模分量。
15.进一步的，所述vmd分解包括信号变分问题的构造与求解，具体为：
16.在信号变分问题的构造中，得到每个模态分量uk(t)所对应的约束变分模型，其表达式为：
[0017][0018]
式中：{uk}为信号通过vmd分解得到的第k个模态分量，{ωk}为分解得到的第k个模态分量的频率中心，f(t)为实际输入信号，j为复数的虚部，δ(t)为狄拉克分布，为变量t的偏微分；
[0019]
将式(1)转化成非约束性变分问题，以求其最优解，引入二次惩罚因子α与lagrange算子λ，得到增广lagrange表达式：
[0020][0021]
利用交替方向乘子算法对上述公式中的三个变量：uk，ωk，λ进行迭代更新，以求取上述公式的鞍点；的迭代公式采用傅里叶变换定理与帕塞瓦尔定理，将其转化至频域，再转为非负频率区间积分的形式，求二次优化解，表达式为：
[0022][0023]
将的迭代公式转化为非负频率区间积分的形式，优化后得到中心频率的表达式为：
[0024][0025]
同理，得λ的迭代表达式为：
[0026][0027]
将所求表达式(3)、(4)、(5)代入式(2)进行求解；首先，初始化初始化与k，并将n设为0；之后，令n＝n+1,对式(3)、式(4)进行迭代，当迭代完一次k＝1:k时，对式(5)进行迭代，进而不断更新uk，ωk与λ，如果满足式(6)，则流程结束，不满足，则继续迭代；
[0028][0029]
进一步的，所述步骤s3具体为：利用标准分数对新线模分量进行标准化处理，标准分数的表达式如式(7)所示，采用et算法对新线模分量进行重要性计算，以重要性数值大小作为判断新线模分量中特征值好坏的指标，再选取n个重要性数值靠前的特征值组成故障
波形，最终构成所需的特征集合；
[0030][0031]
式中，z为标准分数，x为原特征值，μ为平均数，σ为标准差。
[0032]
进一步的，所述采用et算法对新线模分量进行重要性计算，具体为：
[0033]
采用均方误差mse作为重要性指标，mse公式为：
[0034][0035]
式中，ti表示真实值，pi表示预测值，n表示样本个数
[0036]
et算法在训练结束后会生成k棵决策树，树中每一个节点会分裂成两个新的节点，则当前节点的指数变化量δm为：
[0037][0038]
式中，m、n分别为当前节点的重要性指标与样本个数；m
l
、n
l
、 mr、nr分别为分裂后两个节点的重要性指标与样本个数，n表示样本总个数；
[0039]
对于特征t，其可能出现在i棵树中，i≤k，故在极端随机树中，特征t的重要性vim
t
为：
[0040][0041]
进一步的，所述gru神经网络故障定位模型包括gru神经网络和全连接层。
[0042]
进一步的，所述gru神经网络包括一层双向gru层，一层gru 层和一层全连接层；
[0043]
更新门z、重置门r与节点状态的表达式分别为：
[0044]rt
＝σ(wrx
t
+u
rht-1
+br)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0045]zt
＝σ(wzx
t
+u
zht-1
+bz)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0046][0047]
式中，w与u为对应逻辑控制器的权重系数矩阵，b为对应逻辑控制器的偏置项，x与h为对应逻辑控制器的输入数据与节点输出信息，σ是sigmoid函数；
[0048]
gru的输出表达式h为：
[0049][0050]
进一步的，所述步骤s5具体为：以mae为指标，对gru神经网络中的双向gru层神经元数、gru层神经元数与全连接层神经元数采用pso算法寻优。
[0051]
本发明与现有技术相比具有以下有益效果：
[0052]
本发明无需考虑行波波速，无需对波头进行标定，且在较低采样频率下可对故障位置进行精确定位。
附图说明
[0053]
图1是本发明方法流程图；
[0054]
图2是本发明一实施例中不同故障点的故障行波；
[0055]
图3是本发明一实施例中gru单元结构图；
[0056]
图4是本发明一实施例中基于gru的故障定位模型框架；
[0057]
图5是本发明一实施例中
±
800kvlcc-mmc混合直流输电模型；
[0058]
图6是本发明一实施例中双端原始故障电压行波；
[0059]
图7是本发明一实施例中vmd分解波形图；
[0060]
图8是本发明一实施例中et特征选取热力图；
[0061]
图9是本发明一实施例中vmd-et特征选择故障波形；
[0062]
图10是本发明一实施例中不同定位方法在测试集中误差对比；
[0063]
图11是本发明一实施例中不同定位方法在验证集中误差对比。
具体实施方式
[0064]
下面结合附图及实施例对本发明做进一步说明。
[0065]
请参照图1，本发明提供一种基于vmd-et特征选择的 lcc-mmc单极接地故障定位方法，其特征在于，包括以下步骤：
[0066]
步骤s1:获取双端故障电压行波，并预处理；
[0067]
步骤s2:通过vmd对双端故障电压行波进行分解，将不同模态分量与原始波形进行串联；
[0068]
步骤s3:通过et特征选择选取重要性大于预设的特征构建新的特征集合；
[0069]
步骤s4:基于新的特征集合构建gru神经网络故障定位模型；
[0070]
步骤s5:采用pso算法寻优gru神经网络故障定位模型的最优参数，得到最终的gru神经网络故障定位模型；
[0071]
步骤s6:将待识别双端故障电压行波输入最终的gru神经网络故障定位模型，获得故障定位预测结果。
[0072]
在本实施例中，步骤s1，具体为：将双端故障电压行波进行串联，对于双极输电线路而言，在输电过程中电气量存在相互耦合，会对故障定位精度带来一定的影响，因此，需要对其进行解耦。将双极故障电压行波进行解耦后，可得到相对应的线模与地模分量。因地模分量受大地电阻率与频率的影响较大，故本实施例选用线模分量进行分析。为了减少后续进行标准分数计算时不同频率的imf分量幅值差异过大的问题，在此处需要对线模分量中每个数值减去1130。
[0073]
在本实施例中，如图2所示。为了从故障行波中获取与故障位置有高度相关性的特征信息，需要对其进行特征提取。因vmd与et 特征选择在故障行波分解与特征提取方面具有优良的性能，故选择采用上述方法对故障行波进行分析。本发明所设故障距离为故障点至整流站的距离。
[0074]
在本实施例中，步骤s2具体为：利用vmd分解，将线模分量分解为k个不同频率的imf分量，并将原始线模分量与k个imf分量进行串联，组成新的线模分量。
[0075]
优选的，vmd主要由两个部分组成：信号变分问题的构造与求解。在信号变分问题的构造中，可得到每个模态分量uk(t)所对应的约束变分模型，其表达式为：
[0076][0077]
式中：{uk}为信号通过vmd分解得到的第k个模态分量，{ωk}为分解得到的第k个模态分量的频率中心。
[0078]
将式(1)转化成非约束性变分问题，以求其最优解，需引入二次惩罚因子α与lagrange算子λ，得到增广lagrange表达式：
[0079][0080]
利用交替方向乘子算法对上述公式中的三个变量：uk，ωk，λ进行迭代更新，以求取上述公式的鞍点。的迭代公式采用傅里叶变换定理与帕塞瓦尔定理，将其转化至频域，再转为非负频率区间积分的形式，求二次优化解，表达式为：
[0081][0082]
将的迭代公式转化为非负频率区间积分的形式，优化后得到中心频率的表达式为：
[0083][0084]
同理，可得λ的迭代表达式为：
[0085][0086]
将所求表达式(3)、(4)、(5)代入式(2)进行求解。其流程为：首先，初始化与k，并将n设为0；之后，令n＝n+1,对式(3)、式(4)进行迭代，当迭代完一次k＝1:k时，对式(5)进行迭代，进而不断更新uk，ωk与λ，如果满足式(6)，则流程结束，不满足，则继续迭代。
[0087][0088]
在本实施例中，步骤s3具体为：利用标准分数对新线模分量进行标准化处理，标准分数的表达式如式(7)所示，采用et算法对新线模分量进行重要性计算，以重要性数值大小作为判断新线模分量中特征值好坏的指标，再选取n个重要性数值靠前的特征值组成故障波形，最终构成所需的特征集合。
[0089]
[0090]
式中，z为标准分数，x为原特征值，μ为平均数，σ为标准差。
[0091]
特征重要性计算主要有四种方法：信息增益、信息增益率、指数法与平均精度下降法。指数法在处理分类任务中常使用基尼系数作为重要性指标，而在回归任务中，常采用均方误差(meansquareerror, mse)作为重要性指标，mse公式为：
[0092][0093]
式中，ti表示真实值，pi表示预测值，n表示样本个数。
[0094]
et算法在训练结束后会生成k棵决策树，树中每一个节点会分裂成两个新的节点，则当前节点的指数变化量δm为：
[0095][0096]
式中，m、n分别为当前节点的重要性指标与样本个数。m
l
、n
l
、 mr、nr分别为分裂后两个节点的重要性指标与样本个数，n表示样本总个数。
[0097]
对于某一特征t，其可能出现在i棵树中(i≤k)，故在极端随机树中，特征t的重要性vim
t
为：
[0098][0099]
在本实施例中，步骤s4具体为：gru神经网络结构包括gru 层层数、全连接层层数，隐藏层选用一层双向gru层，一层gru 层加一层全连接层的结构。
[0100]
优选的，gru主要由两个核心逻辑控制器组成：重置门与更新门，其单元框架图如图3所示。通过门单元的逻辑控制，在对输入数据进行处理时更新模型内部参数，提取深层信息。更新门z、重置门r与节点状态的表达式分别为：
[0101]rt
＝σ(wrx
t
+u
rht-1
+br)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0102]zt
＝σ(wzx
t
+u
zht-1
+bz)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0103][0104]
式中，w与u为对应逻辑控制器的权重系数矩阵，b为对应逻辑控制器的偏置项，x与h为对应逻辑控制器的输入数据与节点输出信息，σ是sigmoid函数。
[0105]
最终，gru的输出表达式h为：
[0106][0107]
基于gru层与全连接层，可搭建lcc-mmc混合直流输电线路单极接地故障定位模型，其网络构造如图4所示，其中，bi-gru为双向gru层。
[0108]
在本实施例中，步骤s5具体为：以mae为指标，对gru 神经网络中的双向gru层神经元数、gru层神经元数与全连接层神经元数进行寻优。
[0109]
gru层、全连接层的神经元数、学习率等内部参数的设置会对 gru神经网络模型故障定位预测的准确率造成影响，在训练过程中会因模型内部参数选择不当而直接陷入局部最优。为了最终确定这些内部参数，本发明选择粒子群优化算法(pso)来对其进行寻优。
[0110]
粒子群优化算法由kennedy和eberhart提出，通过模拟鸟群觅食过程而提出的一种全局随机搜寻算法，具有算法简洁、收敛速度较快、所需参数较少等诸多优点，在搜索全
局最优解方面具有很强的优势。本发明所定义的适应度函数为故障定位预测结果的平均绝对误差 (meanabsoluteerror,mae)，公式为：
[0111][0112]
式中，ti表示实际故障位置，pi表示预测故障位置，n表示样本个数。
[0113]
实施例1
[0114]
本实施例中，利用电磁暂态仿真软件pscad/emtdc，建立一个
±
800kv的双极lcc-mmc混合直流输电模型，如图5所示。系统详细参数及控制模式如表1所示。
[0115]
表1 lcc-mmc系统参数及控制模式
[0116][0117][0118]
基于所搭建的混合直流输电模型，设置采样频率为20khz，采集不同过渡电阻值、不同故障距离下的故障电压行波。故障起始时间设定为最早检测到电压波形发生畸变的时间，故障电压行波选择电压波形在故障起始时间前的10个采样点与故障后的240个采样点，则双端串联后共计500个采样点。故障点从整流侧首段14km处开始，设采样步长为3km，采集325组故障电压行波；每个故障点采集过渡电阻为0.01ω、10ω、50ω、100ω、300ω、500ω、800ω、1000ω共8组数据，最终共采集2600组数据，所采集的双端原始故障电压行波如图6所示。
[0119]
将采集得到的故障电压行波进行预处理后，对其进行vmd分解，经过多次分解试验，本实施例选择最佳模态分解个数为k＝6，分解后各模态分量波形如图7所示。
[0120]
将原始波形与不同频率的imf分量串联后，形成数据长度为3500 的新线模分量。对其标准化处理后，利用et算法对新线模分量进行重要性计算，本发明选择重要性靠前的500个采样点组成新特征向量，构成模型训练与测试所需的特征集合。将所选取采样点位置绘制成热力图，黑色为所选取的采样点位置，如图8所示。
[0121]
将原始故障电压行波进行vmd-et特征选择处理后，其故障波形如图9所示。
[0122]
针对gru神经网络内部参数寻优问题，本发明设定种群粒子数为100，最大迭代次数为6次，惯性常量ω＝0.5，隐藏层中，双向gru 层神经元数l1∈[1,100]；gru层神经元数l2∈[1,100]；全连接层神经元数f∈[1,100]，其最终神经元数设定为16的倍数。所有层学习率均采用自适应调整学习率，故无需寻优，本发明所有故障定位预测模型均使用pso进行内部参数寻优，本发明仅展示以vmd-et特征选择故障波形为特征集合的故障定位预测模型内部参数，寻优结果如表2所示。
[0123]
表2 gru神经网络寻优结果
[0124][0125]
为了验证本发明所提方法的有效性与真实性，本发明搭建了岭回归(ridgeregression)故障定位预测模型与bp(backpropagation,bp)神经网络故障定位预测模型作为对照。岭回归算法是一种有偏估计回归算法，bp神经网络是隐藏层含有一个或一个以上全连接层组成的神经网络，这两种算法在不同领域中进行回归预测时都有良好的性能。针对岭回归与bp神经网络内部参数寻优问题，本发明设定种群粒子数为100，最大迭代次数为6次，惯性常量ω＝0.5，其中，岭回归的正则化系数α∈[0.0000001,0.001]；bp神经网络全连接层神经元数中，第一层f1∈[1,100],第二层f2∈[1,100],第三层f3∈[1,100]，第四层 f4∈[1,100]，其最终神经元数设定为16的倍数。对比模型寻优结果与参数设置如表3所示。
[0126]
表3对比模型寻优结果与参数设置
[0127][0128]
试验一：在数据集划分中，本实施例选择从特征集合中随机选择 80％的数据，即2080组数据作为训练集对故障定位模型进行训练； 20％的数据，即520组数据作为测试集对训练后的故障定位模型进行测试。本发明使用平均绝对误差mae作为故障定位精准度的评测指标。对不同算法模型在测试集中精准度的对比如表4所示,单位为km。图10展示了不同定位方法在测试集中的平均绝对误差柱状图。
[0129]
表4不同算法在测试集中的定位结果
[0130][0131]
由表4与图10可知，从特征提取方法方面，经过vmd-et特征提取后的故障波形，在同种类定位模型中，其总距离定位精准度分别提升了34.328％、24.642％、16.287％；在各故障范围的定位精准度中大多有不同程度的提升。从故障定位模型方面，gru神经网络模型在使用经过vmd-et特征提取后的故障波形时，其总距离定位精准度分别提升了62.869％与95.870％；在各故障范围的定位精准度中都有不同程度的提升，证明本发明所提vmd-et特征提取法可有效提取原始波形中的故障信息。
[0132]
试验二：为了进一步验证所以方法的稳定性，本实施例在故障距离为51km、150km、250km、349km、450km、550km、651km、750km、 850km、949km处各设置了过渡电阻为1ω、200ω、400ω、900ω的单极接地故障，共计40组数据作为验证集，上述故障均未出现在训练集与测试集中。仍使用平均绝对误差mae作为故障定位精准度的评价指标，对不同算法模型在验证集中精准度的对比如表5所示,单位为km。图11展示了不同定位方法在验证集中的平均绝对误差柱状图。
[0133]
表5不同算法在验证集中的定位结果
[0134][0135][0136]
由表5与图11可知，从特征提取方法方面，经过vmd-et特征提取后的故障波形，在同种类定位模型中，其总距离定位精准度分别提升了38.185％、39.482％、31.000％；在各故障范围的定位精准度中大多有不同程度的提升。从故障定位模型方面，gru神经网络模型在使用经过vmd-et特征提取后的故障波形时，其总距离定位精准度分别提升了64.145％、92.561％；在各故障范围的定位精准度中也大多有不同程度的提升，证明了本发明方法在验证集上仍然有较高的定位精度，同时具有良好的稳定性与鲁棒性。
[0137]
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
技术特征：1.一种基于vmd-et特征选择的lcc-mmc单极接地故障定位方法，其特征在于，包括以下步骤：步骤s1:获取双端故障电压行波，并预处理；步骤s2:通过vmd对双端故障电压行波进行分解，将不同模态分量与原始波形进行串联；步骤s3:通过et特征选择选取重要性大于预设的特征构建新的特征集合；步骤s4:基于新的特征集合构建gru神经网络故障定位模型；步骤s5:采用pso算法寻优gru神经网络故障定位模型的最优参数，得到最终的gru神经网络故障定位模型；步骤s6:将待识别双端故障电压行波输入最终的gru神经网络故障定位模型，获得故障定位预测结果。2.根据权利要求1所述的基于vmd-et特征选择的lcc-mmc单极接地故障定位方法，其特征在于，所述步骤s1具体为：将双端故障电压行波进行串联，获取双极故障电压行波并对其进行解耦，得到相对应的线模与地模分量，并将线模分量中每个数值减去预设值。3.根据权利要求1所述的基于vmd-et特征选择的lcc-mmc单极接地故障定位方法，其特征在于，所述步骤s2具体为：利用vmd分解，将线模分量分解为k个不同频率的imf分量，并将原始线模分量与k个imf分量进行串联，组成新的线模分量。4.根据权利要求3所述的基于vmd-et特征选择的lcc-mmc单极接地故障定位方法，其特征在于，所述vmd分解包括信号变分问题的构造与求解，具体为：在信号变分问题的构造中，得到每个模态分量u
k
(t)所对应的约束变分模型，其表达式为：式中：{u
k
}为信号通过vmd分解得到的第k个模态分量，{ω
k
}为分解得到的第k个模态分量的频率中心，f(t)为实际输入信号，j为复数的虚部，δ(t)为狄拉克分布，为变量t的偏微分；将式(1)转化成非约束性变分问题，以求其最优解，引入二次惩罚因子α与lagrange算子λ，得到增广lagrange表达式：利用交替方向乘子算法对上述公式中的三个变量：u
k
，ω
k
，λ进行迭代更新，以求取上述公式的鞍点；的迭代公式采用傅里叶变换定理与帕塞瓦尔定理，将其转化至频域，再转为非负频率区间积分的形式，求二次优化解，表达式为：
将的迭代公式转化为非负频率区间积分的形式，优化后得到中心频率的表达式为：同理，得λ的迭代表达式为：将所求表达式(3)、(4)、(5)代入式(2)进行求解；首先，初始化初始化与k，并将n设为0；之后，令n＝n+1,对式(3)、式(4)进行迭代，当迭代完一次k＝1:k时，对式(5)进行迭代，进而不断更新u
k
，ω
k
与λ，如果满足式(6)，则流程结束，不满足，则继续迭代；5.根据权利要求1所述的基于vmd-et特征选择的lcc-mmc单极接地故障定位方法，其特征在于，所述步骤s3具体为：利用标准分数对新线模分量进行标准化处理，标准分数的表达式如式(7)所示，采用et算法对新线模分量进行重要性计算，以重要性数值大小作为判断新线模分量中特征值好坏的指标，再选取n个重要性数值靠前的特征值组成故障波形，最终构成所需的特征集合；式中，z为标准分数，x为原特征值，μ为平均数，σ为标准差。6.根据权利要求5所述的基于vmd-et特征选择的lcc-mmc单极接地故障定位方法，其特征在于，所述采用et算法对新线模分量进行重要性计算，具体为：采用均方误差mse作为重要性指标，mse公式为：式中，t
i
表示真实值，p
i
表示预测值，n表示样本个数et算法在训练结束后会生成k棵决策树，树中每一个节点会分裂成两个新的节点，则当前节点的指数变化量δm为：式中，m、n分别为当前节点的重要性指标与样本个数；m
l
、n
l
、m
r
、n
r
分别为分裂后两个节点的重要性指标与样本个数，n表示样本总个数；对于特征t，其可能出现在i棵树中，i≤k，故在极端随机树中，特征t的重要性vim
t
为：7.根据权利要求1所述的基于vmd-et特征选择的lcc-mmc单极接地故障定位方法，其特
征在于，所述gru神经网络故障定位模型包括gru神经网络和全连接层。8.根据权利要求7所述的基于vmd-et特征选择的lcc-mmc单极接地故障定位方法，其特征在于，所述gru神经网络包括一层双向gru层，一层gru层和一层全连接层；更新门z、重置门r与节点状态的表达式分别为：r
t
＝σ(w
r
x
t
+u
r
h
t-1
+b
r
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)z
t
＝σ(w
z
x
t
+u
z
h
t-1
+b
z
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)式中，w与u为对应逻辑控制器的权重系数矩阵，b为对应逻辑控制器的偏置项，x与h为对应逻辑控制器的输入数据与节点输出信息，σ是sigmoid函数；gru的输出表达式h为：9.根据权利要求1所述的基于vmd-et特征选择的lcc-mmc单极接地故障定位方法，其特征在于，所述步骤s5具体为：以mae为指标，对gru神经网络中的双向gru层神经元数、gru层神经元数与全连接层神经元数采用pso算法寻优。
技术总结本发明涉及一种基于VMD-ET特征选择的LCC-MMC单极接地故障定位方法，包括以下步骤：步骤S1:获取双端故障电压行波，并预处理；步骤S2:通过VMD对双端故障电压行波进行分解，将不同模态分量与原始波形进行串联;步骤S3:通过ET特征选择选取重要性大于预设的特征构建新的特征集合;步骤S4:基于新的特征集合构建GRU神经网络故障定位模型；步骤S5:采用PSO算法寻优GRU神经网络故障定位模型的最优参数，得到最终的GRU神经网络故障定位模型；步骤S6:将待识别双端故障电压行波输入最终的GRU神经网络故障定位模型，获得故障定位预测结果。本发明无需考虑行波波速，无需对波头进行标定，且在较低采样频率下可对故障位置进行精确定位。较低采样频率下可对故障位置进行精确定位。较低采样频率下可对故障位置进行精确定位。
技术研发人员：兰生 李志川 原永滨
受保护的技术使用者：福州大学
技术研发日：2022.07.20
技术公布日：2022/11/1
