买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福州大学

摘要：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。

主权项：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；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；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ukt所对应的约束变分模型，其表达式为： 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，ft为实际输入信号，j为复数的虚部，δt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2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： 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； 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；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，Ti表示真实值，Pi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；Ml、nl、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；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VIMt为：

全文数据：

权利要求：

百度查询： 福州大学 基于VMD-ET特征选择的LCC-MMC单极接地故障定位方法