CN103091603A - 一种输电线路故障智能分类和定位方法 - Google Patents

Abstract

本发明公开了输电技术领域的一种输电线路故障智能分类和定位方法。其技术方案是，集中了支持向量机SVM、自适应神经模糊推理ANFIS和RBF神经网络三种技术的优势，设计了SVM、ANFIS和RBF神经网络故障分类和定位器，以定位误差、分类精度和模型运行时间为评估指标，按照精度优先，兼顾效率的准则，实现不同故障情况下对最优分类器和定位器的智能选择，达到最优的故障分类和定位效果；同时，设计了故障严重程度和修复指标，用以评估故障的危害程度和修复难易度，在有效提高供电可靠性、减少停电损失的同时，大大降低了维护人员的工作量，提高了工作效率。

Description

一种输电线路故障智能分类和定位方法

技术领域

本发明属于输电技术领域，尤其涉及一种输电线路故障智能分类和定位方法。

背景技术

输电线路穿越的地区地质条件、气象条件等自然条件复杂多变，可能引起故障的因素很多，所以电力系统的大部分故障都发生在输电线路上。在故障定位技术出现以前，往往通过人工巡线查找故障点的位置，其所需的时间是电力系统不能接受的。故障定位技术，可以根据线路故障时的特征而迅速准确地定位故障点，及时恢复供电，减少因停电而造成的巨大损失。因此，当输电线路发生故障后，快速、有效、准确地判断故障类型，并进行精确的故障定位是电力系统安全经济生产迫切需要的。

目前，常用故障定位方法主要包括阻抗法、行波法、故障分析法和基于先进信号处理技术的新方法等。阻抗法根据不同故障类型条件下，故障回路阻抗或电抗与测量点到故障点的距离成正比的原理，通过计算故障时测量点的阻抗或电抗值除以线路的单位阻抗或电抗值，得到测量点到故障点的距离。该方法虽然具有投资少的优点，但受路径阻抗、线路负荷和电源参数的影响较大。行波法根据行波传输理论实现输电线路的故障测距，但其对同步时钟的要求过高，造价过高；很多学者提出用数学形态学、信号相位检测等技术加以改进，但在实际应用中效果仍不理想。故障分析法利用故障时记录下来的工频电压、电流量，通过分析计算，求出故障点的距离。事实上，在系统运行方式确定和线路参数已知的条件下，输电线路发生故障时，测量点的电压、电流量是故障点距离的函数。因此，可以用故障时记录下来的测量点电压和电流量，通过分析计算得出故障点的位置，但其前提是忽略线路的分布电容和漏电导。

随着电力系统规模的日益扩大，为了增大输电线路传输容量和提高系统的稳定性，人工智能技术，如，人工神经网络、进化算法和专家系统等，以及一些新的理论，如小波变换等，也在电力系统各个领域取得了日益广泛的应用。然而，技术自身的缺陷限制了这些故障定位方法的适用范围。

发明内容

针对背景技术中提到的故障定位方法受路径阻抗、线路负荷和电源参数的影响较大的问题，本发明提出了一种输电线路故障智能分类和定位方法。

一种输电线路故障智能分类和定位方法，其特征在于，具体步骤包括：

步骤1：采集三相电压和电流故障信号，采用离散傅里叶变换DFT提取每一个信号的基频信息，得到对应的基频特征，并对基频特征进行归一化处理，所有信号归一化后的基频特征组成基频特征序列；

步骤2：设计支持向量机SVM、自适应神经模糊推理系统ANFIS和RBF神经网络的故障分类器和定位器，并将归一化后的基频特征序列作为样本，分别用支持向量机SVM的分类器和定位器、自适应神经模糊推理系统ANFIS的分类器和定位器和RBF神经网络的分类器和定位器进行分类和定位训练；

步骤3：设计故障分类器和定位器智能选择模型，并根据设定的模型评估准则选择最优分类器，从而确定故障类型，完成对故障的定位。

步骤1中，采用离散傅里叶变换DFT提取每一个故障信号的基频信息，得到对应的基频特征的过程是：

设故障信号的某一相电流/电压信号为x(n)，其离散傅里叶变换DFT为X(m)，根据N点DFT的分析频率表达式：

其中，N为离散傅里叶变换DFT的点数；f_s为故障信号采样频率；m为故障信号通过离散傅里叶变换DFT处理之后的第m个分量；则X(m)为对故障信号进行DFT处理后要提取的基频特征。

步骤1中，对基频特征进行归一化公式为：

$x_k=\frac{(x_k-x_{\min })}{(x_{\max }-x_{\min })}$

其中，x_k为第k个基频特征；x_min为基频特征序列中的最小数；x_max为基频特征序列中的最大数。

所述SVM分类器和定位器的设计的具体步骤包括：

步骤①：设计样本训练时分类器的结果：分别为：单相接地L-G故障，两相接地L-L-G故障，相间L-L故障和三相L-L-L故障；

步骤②：设计定位结果：即故障点和电源端之间的距离占线路总长度的百分比；

步骤③：对分类器和定位器分别设置不同的内核参数；内核参数包括惩罚参数C和函数参数γ；

步骤④：采用参数寻优方法选择最佳参数对样本进行分类/定位训练，完成分类器和定位器的设计；具体过程为：给定需要设置的参数范围和间隔大小，逐一选取参数并对训练样本中的数据进行训练和内部测试，在用户设定的迭代运算次数下得到其分类正确率和误差，将所有参数组合试验结束后，选取正确率最高的参数组合(C,γ)作为最佳参数；

步骤⑤：故障分类器输出结果用标号1,2,…,10表示，分别对应10种故障类型，定位器输出结果即为故障距离百分比。

所述自适应神经模糊推理系统ANFIS分类器和定位器的设计的具体步骤包括：

步骤①：设计样本训练时分类器的结果：分别为：单相接地L-G故障，两相接地L-L-G故障，相间L-L故障和三相L-L-L故障；

步骤②：设计定位结果：即故障点和电源端之间的距离占线路总长度的百分比；

步骤③：设置隶属度函数类型和个数，并通过样本训练对隶属度函数进行调整，形成规则库；

步骤④：设置学习方法、设定误差和训练次数，对样本进行训练，生成初始分类或定位系统；

步骤⑤：利用测试样本对训练后的系统进行测试，检查是否满足设定的误差要求，若不满足，则重新修改隶属度函数类型和个数并进行训练和测试，直到测试结果满足设定的误差要求为止。

所述RBF神经网络分类器和定位器设计的具体步骤包括：

RBF神经网络是一种具有三层的前向神经网络，包含输入层、隐含层和输出层；

步骤①：设计样本训练时分类器的结果：分别为：单相接地L-G故障，两相接地L-L-G故障，相间L-L故障和三相L-L-L故障；

步骤②：设计定位结果：即故障点和电源端之间的距离占线路总长度的百分比；

步骤③：设计RBF分类器的输入结点对应训练样本的三相电流和电压特征值，输出为A、B、C和G共四个结点，分别表示三相和接地，当其输出为1时表示该项有故障发生；

步骤④：设计RBF神经网络系统的初始的隐含层神经元数量等于输入样本数；

步骤⑤：设计RBF定位器有1个输出结点，表示输出故障距离百分比；

步骤⑥：设定扩展速度和网络均方误差对神经网络进行训练；

步骤⑦：将样本数据以特征值数量×样本数矩阵的形式输入RBF神经网络的每个隐含层神经元的径向基函数 ${\mathrm{\Φ}}_j({\mathrm{xx}}_k-{\mathrm{\μ}}_j)=\exp (-\frac{1}{{\mathrm{\σ}}_j^2}{\left|\right|{\mathrm{xx}}_k-{\mathrm{\μ}}_j\left|\right|}^2),1\≤j\≤n_h,$ 其中，μ_j是第j个隐含层神经元的中心，σ_j为高斯函数的方差，n_h为隐含层神经元数量；根据网络输出层的输出公式 $f_i\left(\mathrm{XX}\right)=\underset{j=1}{\overset{n_h}{\mathrm{\Σ}}}{\mathrm{\Φ}}_j(\mathrm{XX}-{\mathrm{\μ}}_j){\mathrm{\θ}}_{\mathrm{ji}},1\≤i\≤n_0;$ 其中，XX为输入样本向量，θ_ji表示第j个隐含层结点到输出层第i个结点的权值，f_i（xx）为输出层第i个结点的输出值，n₀为输出层结点个数；求解对应的神经元响应值和网络输出层的输出值；并根据均方误差要求，采用最小二乘学习方法，从中选择最优的隐含层结点，完成对分类器/定位器网络的设计

所述模型评估准则为：

1）统计每种故障分类器和定位器的平均测试时间和测试误差，确定在不同线路电压等级（500kV、750kV）、线路长度等相关条件下，故障分类精度最高的解决方案；

2）当存在两个或两个以上分类精度相同的方案时，选择模型运行时间最优方案。

3）对于故障定位器，在确定故障类型的情况下，确定在不同线路电压等级（500kV、750kV）、线路长度等相关条件下，故障定位精度最高的解决方案，当存在两个或两个以上定位精度相同的方案时，选择模型运行时间最优方案。

所述方法还包括根据故障严重程度指标和故障修复指标，对故障的严重程度和修复难易度进行评估。

所述故障严重程度的评估的方法：

步骤a：建立输电网能量损失率和用户损失率两个子指标，分别如式（5）和式（6）所示：

$C_E=\frac{\underset{i=1}{\overset{N_F}{\mathrm{\Σ}}}(S_F^i\·{\mathrm{\γ}}_F^i)}{\underset{j=1}{\overset{N_S}{\mathrm{\Σ}}}(S_S^j{\·\mathrm{\γ}}_S^j)}=\frac{W_F}{W_S}----\left(5\right)$

其中，N_F为故障后所有损失的用户数，N_S为系统总用户数，γ为等级因子（0<γ≤1，γ越大，表明该用户的供电优先级越高），

为第i个损失用户的容量，

为系统第j个用户的容量，

是第i个被切除用户的等级因子，

是系统第j个用户的等级因子；

为故障所造成的加权损失容量；

为输电线路系统中加权总容量。

$C_U=\frac{\underset{i=1}{\overset{N_F}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_F^i}{\underset{j=1}{\overset{N_S}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_S^j}=\frac{M_F}{M_S}----\left(6\right)$

其中，

为故障所造成的加权损失用户数；

为输电线路系统中加权总用户数。

步骤b：将能量损失率C_E和用户损失率C_U加权求和，得到故障严重程度指标：

C_F=w₁×C_E+w₂×C_U    （7）

其中，w₁和w₂分别为能量损失率和用电损失率的权重系数，w₁+w₂=1。

所述修复难易度进行评估的方法为：

步骤a：建立定位误差、故障分类精度、模型运行时间、故障线路地理环境和当前天气情况五个子指标，并用隶属度函数统一不同指标的量纲；

定位误差Δl%隶属度函数为：

${\mathrm{\&eta;}}_1=\left\{\begin{array}{cc}\frac{1}{e^{\mathrm{\&Delta;l}\%\&times;10}}& \mathrm{\&Delta;l}\%<\mathrm{\&Delta;}{l}_0\%\\ 0& \mathrm{\&Delta;l}\%\&GreaterEqual;\mathrm{\&Delta;}{l}_0\%\end{array}\right.---\left(8\right)$

当Δl%取值是在0～Δl₀%之间时，η₁是关于Δl%的减函数，当Δl%≥Δl₀%时，η₁=0，意味着定位误差太大，定位结果无意义，符合定位误差的性质。

故障分类精度e%隶属度函数为：

${\mathrm{\&eta;}}_2=\left\{\begin{array}{cc}\frac{10}{9}\&times;e\%+(1-\frac{10}{9})& e\%>e_0\%\\ 0& e\%\&le;e_0\%\end{array}\right.---\left(9\right)$

当e%取值是在e₀%～1之间时，η₂随着e%的增加而递增，符合人们对于故障分类精度的满意度的变化趋势，当e%≤e₀%时，η₂=0，更贴近实际应用中故障分类精度的影响。

模型的运行时间t隶属度函数为：

${\mathrm{\&eta;}}_3=\cos \frac{\mathrm{\&pi;}}{2}(1-e^{-\mathrm{\&alpha;t}})---\left(10\right)$

其中，α为常数，η₃取值在0～1之间，且随着t的增加而递减。

故障线路地理位置参数的隶属度函数为：

其中，η₄取值在0～1之间，且体现了线路地理环境对故障修复的真实影响性，符合该指标的实际计算要求。

故障线路天气情况参数的隶属度函数为：

其中，天气情况分别描述为：

1）特别严重：对应中央气象局规定的Ⅰ级天气情况，即红色预警状态；

2）严重：对应中央气象局规定的Ⅱ级天气情况，即橙色预警状态；

3）较重：对应中央气象局规定的Ⅲ级天气情况，即黄色预警状态；

4）一般：对应中央气象局规定的Ⅳ级天气情况，即蓝色预警状态；

5）良好：天气状态较好，未达到极端天气预警情况。

式(10)表明，η₅位于区间[0,1]，从实际情况充分表达了不同天气情况对输电故障修复所造成的影响，天气状况越好，故障修复越容易，函数值越高。

步骤b：利用加权的思想为每一个指标值η_i分配对应的权重ω_i，因此，输电线路故障修复指标表示为：

$P_r=\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i\&times;{\mathrm{\&eta;}}_i---\left(13\right)$

其中，

权值ω_i可以根据具体情况进行动态地确定，体现不同情况下对各指标的侧重点要求。

本发明的有效果是，巧妙的结合了目前先进智能算法的优势，实现了快速、准确的故障类型识别和故障定位；同时，结合输电网能量和用户损失情况实现了对故障严重程度的评估，并可完成对修复难易度进行预测，不仅有效提高了供电可靠性、减少停电损失，同时大大降低了维护人员的工作量，提高了工作效率。

附图说明

图1是本发明提供的输电线路故障定位流程图；

图2是本发明提供的一种输电线路故障智能分类和定位方法的SVM故障分类器和定位器的设计流程图；

图3是本发明提供的一种输电线路故障智能分类和定位方法的ANFIS故障分类器和定位器的设计流程图；

图4是本发明提供的一种输电线路故障智能分类和定位方法的RBF故障分类器和定位器的设计流程图；

图5是本发明提供的一种输电线路故障智能分类和定位方法的最优故障分类器和定位器自动选择模型示意图；

图6是本发明提供的一种输电线路故障智能分类和定位方法的故障分类器和定位器自动选择示例流程图；

图7是本发明提供的一种输电线路故障智能分类和定位方法的不同故障类型的最优分类器和定位器示意图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

本发明技术方案的主要思想是集中SVM、ANFIS和RBF神经网络三种智能技术的优势，通过对样本的训练，建立不同的故障分类器和定位器，并设计一种自动的模型选择算法实现对不同故障情况下最优故障分类和方案的选择，可适用于500kV和750kV单、双端输电系统。故障发生后，以录波器获取的三相故障电流和电压信号作为模型的输入，通过前端处理、分类器、定位器选择和评估等步骤求得故障类型、位置、严重程度和修复难易度。以单端供电模型为例，输电线路故障智能分类和定位的过程可以分为以下四个步骤，具体如图1所示：

步骤1：故障信号前端处理

故障信号为三相电流和电压信号，为降低故障信号的特征维度，便于计算分析，采用DFT方法提取故障信号每一相电压和电流值的基频特征值（即DFT中频率等于50Hz时的特征值）作为故障特征。假设故障信号的某一相电流（或电压）信号为x(n)，其DFT为X(m)，根据N点DFT的分析频率表达式：

其中，N为DFT的点数；f_s为故障信号采样频率；m表示信号通过DFT处理之后的第m个分量。令式（1）等于50Hz时，假设采样频率f_s=12.5kHz，N=5000，可求得m=20，即，对故障信号进行DFT处理后取X(20)即为要提取的基频特征。

将故障信号基频特征归一化处理，转化为[0,1]之间的数，以避免因为输入输出数据数量级差别较大而造成分类器和定位器设计时预测误差过大。在实际应用中选择最大最小法进行数据的归一化处理，如式（2）所示：

$x_k=\frac{(x_k-x_{\min })}{(x_{\max }-x_{\min })}---\left(2\right)$

其中，x_min为数据序列中的最小数；x_max为序列中的最大数。

步骤2：故障分类器和定位器设计

将步骤1得到的归一化故障电压U_A、U_B、U_C和电流I_A、I_B、I_C的基频特征作为SVM、ANFIS和RBF神经网络的输入进行训练，设计分类器和定位器。样本训练时分类器的结果有十种，分别为：单相接地L-G故障（即，A相接地短路故障、B相接地短路故障、C相接地短路故障），两相接地L-L-G故障（即，AB两相接地短路故障；BC两相接地短路故障；AC两相接地短路故障），相间L-L故障（即：AB相间短路故障、BC相间短路故障、AC相间短路故障）和三相L-L-L故障（即，ABC三相短路故障）。定位结果是一个百分数，表示故障点和电源端之间的距离占线路总长度的百分比。

利用SVM的分类和回归原理，将故障类型判断视为分类问题，由支持向量分类(SVC)法解决；故障位置预测是一个“回归”问题，由v-支持向量回归(v-SVR)法解决。SVM分类器和定位器的设计包括内核参数选择、参数寻优、SVM分类器/定位器训练三个阶段，具体步骤如图2所示。以故障点三相电压和电流基频特征值作为支持向量机的输入，内核参数包括惩罚参数C和函数参数γ，首先对分类器和定位器分别人为设置不同的内核参数；其次，采用参数寻优方法选择最佳参数对输入信号进行分类/定位训练，具体过程为：给定需要设置的参数范围和间隔大小，逐一选取参数并对训练样本集中的数据进行训练和内部测试，在用户设定的迭代运算次数下得到其分类正确率和误差，将所有可能的参数组合试验结束后选取正确率最高的参数组合(C,γ)作为最佳参数，对输入信号进行分类/定位训练，完成分类器和定位器的设计。其中，故障分类器输出结果用标号1,2,…,10表示，分别对应10种故障类型，定位器输出结果即为故障距离百分比。

ANFIS通过设置内部隶属度函数类型和个数，自动将输入和输出变量模糊化，其中每个变量对应若干个隶属度函数，并通过样本训练对这些隶属度函数进行调整，形成规则库，用于对输出结果的判定。以故障电流信号和电压信号特征样本进行训练，设置初始隶属度函数类型为Trimf，个数为3，生成初始分类或定位系统；其次，设置学习方法为混合学习方法、误差设置为0，为保证学习成熟设置训练次数为300，对初始系统进行训练，得到故障分类器或定位器的模糊神经系统，并利用测试样本对训练后的系统进行测试，检查是否满足误差要求，若不满足，则重新修改参数进行训练和测试，直到测试结果满足要求为止，整个流程如图3所示。

RBF神经网络是一种具有三层的前向神经网络，包含输入层、隐含层和输出层。设计RBF分类器的输入结点对应训练样本的三相电流和电压特征值，输出为A、B、C和G共四个结点，分别表示三相和接地，当其输出为1时表示该项有故障发生，例如，输出1001表示A-G故障。设计RBF定位器有1个输出结点，表示输出故障距离百分比。将样本数据以“特征值数量×样本数”矩阵的形式输入RBF神经网络，设定扩展速度为1、网络均方误差为0.0001进行训练。RBF神经网络系统首先预设隐含层神经元数量等于输入样本数，然后将输入矩阵代入每个隐含层神经元的径向基函数求解对应的神经元响应值和网络输出。其中，径向基函数一般选为高斯函数：

${\mathrm{\&Phi;}}_j({\mathrm{xx}}_k-{\mathrm{\&mu;}}_j)=\exp \left({-\frac{1}{{\mathrm{\&sigma;}}_j^2}\left|\right|{\mathrm{xx}}_k-{\mathrm{\&mu;}}_j\left|\right|}^2\right),1\&le;j\&le;n_h---\left(3\right)$

其中，μ_j是第j个隐含层神经元的中心（高斯函数的中心），σ_j为高斯函数的方差，n_h为隐含层神经元数量，输出层每一个结点的输出定义为：

$f_i\left(\mathrm{XX}\right)=\underset{j=1}{\overset{n_h}{\mathrm{\&Sigma;}}}{\mathrm{\&Phi;}}_j(\mathrm{XX}-{\mathrm{\&mu;}}_j){\mathrm{\&theta;}}_{\mathrm{ji}}1\&le;i\&le;n_o---\left(4\right)$

其中，XX为输入样本向量，θ_ji表示第j个隐含层结点到第i个输出的权值，f_i为第i个结点的输出值，n_o为输出结点个数。

在RBF神经网络分类器和定位器设计时，首先将所有的训练数据作为中心值的候选，根据式（3）求解每个隐含层结点的输出，根据均方误差要求等采用最小二乘学习方法，从中选择重要的隐含层结点，并求解每个神经元结点径向基函数的中心值和网络权值矩阵，完成对分类器/定位器网络的设计，具体流程如图4所示。采用测试信号对设计好的网络进行测试，判断是否满足需要。

步骤3：不同故障类型时分类器和定位器的自动选择

不同故障时的最优故障分类器和定位器自动选择模型如图5所示。统计每种故障分类器和定位器的平均测试时间和测试误差，确定在不同线路电压等级（500kV、750kV）、线路长度等相关条件下，故障分类精度最高的解决方案；当存在两个或两个以上分类精度相同的方案时，选择模型运行时间最优方案。对于故障定位器，在确定故障类型的情况下，确定在不同线路电压等级（500kV、750kV）、线路长度等相关条件下，故障定位精度最高的解决方案，当存在两个或两个以上定位精度相同的方案时，选择模型运行时间最优方案。自动选择模型实例分析流程如图6所示，分别根据所有的故障检测条件和故障类型，按照自动选择的步骤逐一进行，得到不同故障类型时所对应的最优分类器和定位器如图7所示。

步骤4：输电线路故障评估

为保证故障修复工作的顺利进行，建立故障严重程度指标和修复指标用以反映故障造成的危害程度和修复难易度。对于故障严重程度的评估，首先建立输电网能量损失率和用户损失率两个子指标，分别如式（5）和式（6）所示：

$C_E=\frac{\underset{i=1}{\overset{N_F}{\mathrm{\&Sigma;}}}(S_F^i\&CenterDot;{\mathrm{\&gamma;}}_F^i)}{\underset{j=1}{\overset{N_S}{\mathrm{\&Sigma;}}}(S_S^j\&CenterDot;{\mathrm{\&gamma;}}_S^j)}=\frac{W_F}{W_S}---\left(5\right)$

其中，N_F为故障后所有损失的用户数，N_S为系统总用户数，γ为等级因子（0<γ≤1，γ越大，表明该用户的供电优先级越高），

为第i个损失用户的容量，

为系统第j个用户的容量，

是第i个被切除用户的等级因子，

是系统第j个用户的等级因子；

为故障所造成的加权损失容量；

为输电线路系统中加权总容量。

$C_U=\frac{\underset{i=1}{\overset{N_F}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_F^i}{\underset{j=1}{\overset{N_S}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_S^j}=\frac{M_F}{M_S}---\left(6\right)$

其中，

为故障所造成的加权损失用户数；

为输电线路系统中加权总用户数。

将能量损失率C_E和用户损失率C_U加权求和，得到故障严重程度指标：

C_F=w₁×C_E+w₂×C_U    （7）

其中，w₁和w₂分别为能量损失率和用电损失率的权重系数，w₁+w₂=1。

为估计故障修复的难易程度，建立定位误差、故障分类精度、模型运行时间、故障线路地理环境和当前天气情况五个子指标，并用隶属度函数统一不同指标的量纲，分别如式（8）～（12）所示。

定位误差Δl%隶属度函数为：

${\mathrm{\&eta;}}_1=\left\{\begin{array}{cc}\frac{1}{e^{\mathrm{\&Delta;l}\%\&times;10}}& \mathrm{\&Delta;l}\%<\mathrm{\&Delta;}{l}_0\%\\ 0& \mathrm{\&Delta;l}\%\&GreaterEqual;\mathrm{\&Delta;}{l}_0\%\end{array}\right.---\left(8\right)$

当Δl%取值是在0～Δl₀%之间时，η₁是关于Δl%的减函数，当Δl%≥Δl₀%时，η₁=0，意味着定位误差太大，定位结果无意义，符合定位误差的性质。

故障分类精度e%隶属度函数为：

${\mathrm{\&eta;}}_2=\left\{\begin{array}{cc}\frac{10}{9}\&times;e\%+(1-\frac{10}{9})& e\%{>e}_0\%\\ 0& e\%{\&le;e}_0\%\end{array}\right.---\left(9\right)$

当e%取值是在e₀%～1之间时，η₂随着e%的增加而递增，符合人们对于故障分类精度的满意度的变化趋势，当e%≤e₀%时，η₂=0，更贴近实际应用中故障分类精度的影响。

模型的运行时间t隶属度函数为：

${\mathrm{\&eta;}}_3=\cos \frac{\mathrm{\&pi;}}{2}(1-e^{-\mathrm{\&alpha;t}})---\left(10\right)$

其中，α为常数，η₃取值在0～1之间，且随着t的增加而递减。

故障线路地理位置参数的隶属度函数为：

其中，η₄取值在0～1之间，且体现了线路地理环境对故障修复的真实影响性，符合该指标的实际计算要求。

故障线路天气情况参数的隶属度函数为：

其中，天气情况分别描述为：

1）特别严重：对应中央气象局规定的Ⅰ级天气情况，即红色预警状态；

2）严重：对应中央气象局规定的Ⅱ级天气情况，即橙色预警状态；

3）较重：对应中央气象局规定的Ⅲ级天气情况，即黄色预警状态；

4）一般：对应中央气象局规定的Ⅳ级天气情况，即蓝色预警状态；

5）良好：天气状态较好，未达到极端天气预警情况。

式(10)表明，η₅位于区间[0,1]，从实际情况充分表达了不同天气情况对输电故障修复所造成的影响，天气状况越好，故障修复越容易，函数值越高。

为了确定总体的线路故障修复指标，利用加权的思想为每一个指标值η_i分配对应的权重ω_i，因此，输电线路故障修复指标表示为：

$P_r=\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i\&times;{\mathrm{\&eta;}}_i---\left(13\right)$

其中，0<ω_i<1，

权值ω_i可以根据具体情况进行动态地确定，体现不同情况下对各指标的侧重点要求。

对于500kV、750kV双端供电模型，整个计算流程与上述步骤一致，只是在故障特征提取时，选择双端的电压和电流信号作为特征值，得到的故障种类仍为十种，故障位置为离某一端（可人为设定）的距离百分比。

假设现有一个500kV单端供电线路模型发生故障，按照上述步骤首先提取三相故障电流和电压信号，将归一化后的基频特征作为输入，按照图7所示选择最优分类器—SVM故障分类器求得故障类型；

假设判断为A-G故障，则再根据图7选择L-G故障对应的最优定位器—RBF定位器，完成对故障的定位。结合线路和故障地区的具体参数，根据式（7）和（13）估计故障的严重程度和修复难易程度，为决策者提供依据。对于最优分类器和定位器，每一种故障类型只需采用极小的训练样本数便可达到100%的分类精度；对于每一类故障类型，当取100组数据训练、20组数据测试时，定位精度可达1‰以上。理论上，随着训练数据的增加，定位精度将有进一步提升。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种输电线路故障智能分类和定位方法，其特征在于，具体步骤包括：

步骤1：采集三相电压和电流故障信号，采用离散傅里叶变换DFT提取每一个信号的基频信息，得到对应的基频特征，并对基频特征进行归一化处理，所有信号归一化后的基频特征组成基频特征序列；

步骤2：设计支持向量机SVM、自适应神经模糊推理系统ANFIS和RBF神经网络的故障分类器和定位器，并将归一化后的基频特征序列作为样本，分别用支持向量机SVM的分类器和定位器、自适应神经模糊推理系统ANFIS的分类器和定位器和RBF神经网络的分类器和定位器进行分类和定位训练；

步骤3：设计故障分类器和定位器智能选择模型，并根据设定的模型评估准则选择最优分类器，从而确定故障类型，完成对故障的定位。

2.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述采用离散傅里叶变换DFT提取每一个信号的基频信息，得到对应的基频特征的过程是：

设故障信号的某一相电流/电压信号为x(n)，其离散傅里叶变换DFT为X(m)，根据N点DFT的分析频率表达式：

其中，N为离散傅里叶变换DFT的点数；f_s为故障信号采样频率；m为故障信号通过离散傅里叶变换DFT处理之后的第m个分量；则X(m)为对故障信号进行DFT处理后要提取的基频特征。

3.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述基频特征进行归一化公式为：

$x_k=\frac{(x_k-x_{\min })}{(x_{\max }-x_{\min })}$

其中，x_k为第k个基频特征；x_min为基频特征序列中的最小数；x_max为基频特征序列中的最大数。

4.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述SVM分类器和定位器的设计的具体步骤包括：

步骤①：设计样本训练时分类器的结果：分别为：单相接地L-G故障，两相接地L-L-G故障，相间L-L故障和三相L-L-L故障；

步骤②：设计定位结果：即故障点和电源端之间的距离占线路总长度的百分比；

步骤③：对分类器和定位器分别设置不同的内核参数；内核参数包括惩罚参数C和函数参数γ；

步骤④：采用参数寻优方法选择最佳参数对样本进行分类/定位训练，完成分类器和定位器的设计；具体过程为：给定需要设置的参数范围和间隔大小，逐一选取参数并对训练样本中的数据进行训练和内部测试，在用户设定的迭代运算次数下得到其分类正确率和误差，将所有参数组合试验结束后，选取正确率最高的参数组合(C,γ)作为最佳参数；

步骤⑤：故障分类器输出结果用标号1,2,…,10表示，分别对应10种故障类型，定位器输出结果即为故障距离百分比。

5.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述自适应神经模糊推理系统ANFIS分类器和定位器的设计的具体步骤包括：

步骤①：设计样本训练时分类器的结果：分别为：单相接地L-G故障，两相接地L-L-G故障，相间L-L故障和三相L-L-L故障；

步骤②：设计定位结果：即故障点和电源端之间的距离占线路总长度的百分比；

步骤③：设置隶属度函数类型和个数，并通过样本训练对隶属度函数进行调整，形成规则库；

步骤④：设置学习方法、设定误差和训练次数，对样本进行训练，生成初始分类或定位系统；

步骤⑤：利用测试样本对训练后的系统进行测试，检查是否满足设定的误差要求，若不满足，则重新修改隶属度函数类型和个数并进行训练和测试，直到测试结果满足设定的误差要求为止。

6.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述RBF神经网络分类器和定位器设计的具体步骤包括：

RBF神经网络是一种具有三层的前向神经网络，包含输入层、隐含层和输出层；

步骤①：设计样本训练时分类器的结果：分别为：单相接地L-G故障，两相接地L-L-G故障，相间L-L故障和三相L-L-L故障；

步骤②：设计定位结果：即故障点和电源端之间的距离占线路总长度的百分比；

步骤③：设计RBF分类器的输入结点对应训练样本的三相电流和电压特征值，输出为A、B、C和G共四个结点，分别表示三相和接地，当其输出为1时表示该项有故障发生；

步骤④：设计RBF神经网络系统的初始的隐含层神经元数量等于输入样本数；

步骤⑤：设计RBF定位器有1个输出结点，表示输出故障距离百分比；

步骤⑥：设定扩展速度和网络均方误差对神经网络进行训练；

步骤⑦：将样本数据以特征值数量×样本数矩阵的形式输入RBF神经网络的每个隐含层神经元的径向基函数 ${\mathrm{\&Phi;}}_j({\mathrm{xx}}_k-{\mathrm{\&mu;}}_j)=\exp (-\frac{1}{{\mathrm{\&sigma;}}_j^2}{\left|\right|{\mathrm{xx}}_k-{\mathrm{\&mu;}}_j\left|\right|}^2),1\&le;j\&le;n_h,$ 其中，μ_j是第j个隐含层神经元的中心，σ_j为高斯函数的方差，n_h为隐含层神经元数量；根据网络输出层的输出公式

1≤i≤n₀；其中，XX为输入样本向量，θ_ji表示第j个隐含层结点到输出层第i个结点的权值，f_i(XX)为输出层第i个结点的输出值，n₀为输出层结点个数；求解对应的神经元响应值和网络输出层的输出值；并根据均方误差要求，采用最小二乘学习方法，从中选择最优的隐含层结点，完成对分类器/定位器网络的设计。

7.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述模型评估准则为：

1）统计每种故障分类器和定位器的平均测试时间和测试误差，确定在不同线路电压等级和线路长度条件下，故障分类精度最高的解决方案；

2）当存在两个或两个以上分类精度相同的方案时，选择模型运行时间最优方案；

3）对于故障定位器，在确定故障类型的情况下，确定在不同线路电压等级和线路长度条件下，故障定位精度最高的解决方案，当存在两个或两个以上定位精度相同的方案时，选择模型运行时间最优方案。

8.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述方法还包括根据故障严重程度指标和故障修复指标，对故障的严重程度和修复难易度进行评估。

9.根据权利要求8所述的一种输电线路故障智能分类和定位方法，其特征在于，所述故障严重程度的评估的方法：

步骤a：建立输电网能量损失率和用户损失率两个子指标C_E和C_U：

$C_E=\frac{\underset{i=1}{\overset{N_F}{\mathrm{\&Sigma;}}}(S_F^i\&CenterDot;{\mathrm{\&gamma;}}_F^i)}{\underset{j=1}{\overset{N_S}{\mathrm{\&Sigma;}}}(S_S^j\&CenterDot;{\mathrm{\&gamma;}}_S^j)}=\frac{W_F}{W_S}$

其中，N_F为故障后所有损失的用户数，N_S为系统总用户数，γ为等级因子（0<γ≤1，γ越大，表明该用户的供电优先级越高），

为第i个损失用户的容量，

为系统第j个用户的容量，

是第i个被切除用户的等级因子，

是系统第j个用户的等级因子；

为故障所造成的加权损失容量；

为输电线路系统中加权总容量；

$C_U=\frac{\underset{i=1}{\overset{N_F}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_F^i}{\underset{j=1}{\overset{N_S}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_S^j}=\frac{M_F}{M_S}$

其中，

为故障所造成的加权损失用户数；

为输电线路系统中加权总用户数；

步骤b：将能量损失率C_E和用户损失率C_U加权求和，得到故障严重程度指标：

C_F=w₁×C_E+w₂×C_U

其中，w₁和w₂分别为能量损失率和用电损失率的权重系数，w₁+w₂=1。

10.根据权利要求8所述的一种输电线路故障智能分类和定位方法，其特征在于，所述修复难易度进行评估的方法为：

步骤a：建立定位误差、故障分类精度、模型运行时间、故障线路地理环境和当前天气情况五个子指标，并用隶属度函数统一不同指标的量纲；

定位误差Δl%隶属度函数为：

${\mathrm{\&eta;}}_1=\left\{\begin{array}{cc}\frac{1}{e^{\mathrm{\&Delta;l}\%\&times;10}}& \mathrm{\&Delta;l}\%<\mathrm{\&Delta;}{l}_0\%\\ 0& \mathrm{\&Delta;l}\%\&GreaterEqual;\mathrm{\&Delta;}{l}_0\%\end{array}\right.$

当Δl%取值是在0～Δl₀%之间时，η₁是关于Δl%的减函数，当Δl%≥Δl₀%时，η₁=0，意味着定位误差太大，定位结果无意义，符合定位误差的性质；

故障分类精度e%隶属度函数为：

${\mathrm{\&eta;}}_2=\left\{\begin{array}{cc}\frac{10}{9}\&times;e\%+(1-\frac{10}{9})& e\%>e_0\%\\ 0& e\%\&le;e_0\%\end{array}\right.$

当e%取值是在e₀%～1之间时，η₂随着e%的增加而递增，符合人们对于故障分类精度的满意度的变化趋势，当e%≤e₀%时，η₂=0，更贴近实际应用中故障分类精度的影响；

模型的运行时间t隶属度函数为：

${\mathrm{\&eta;}}_3=\cos \frac{\mathrm{\&pi;}}{2}(1-e^{-\mathrm{\&alpha;t}})$

其中，α为常数，η₃取值在0～1之间，且随着t的增加而递减；

故障线路地理位置参数的隶属度函数为：

其中，η₄取值在0～1之间，且体现了线路地理环境对故障修复的真实影响性，符合该指标的实际计算要求；

故障线路天气情况参数的隶属度函数为：

其中，天气情况分别描述为：

1）特别严重：对应中央气象局规定的Ⅰ级天气情况，即红色预警状态；

2）严重：对应中央气象局规定的Ⅱ级天气情况，即橙色预警状态；

3）较重：对应中央气象局规定的Ⅲ级天气情况，即黄色预警状态；

4）一般：对应中央气象局规定的Ⅳ级天气情况，即蓝色预警状态；

5）良好：天气状态较好，未达到极端天气预警情况；

步骤b：利用加权的思想为每一个指标值η_i分配对应的权重w_i，因此，输电线路故障修复指标表示为：

$P_r=\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i\&times;{\mathrm{\&eta;}}_i$

其中，0<w_i<1，

权值w_i可以根据具体情况进行动态地确定，体现不同情况下对各指标的侧重点要求。

Images