CN103884966A - 基于神经网络的配电网小电流单相接地故障定位方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，包括：步骤一：安装FTU，将馈线终端装置所在位置定为参考测量点；步骤二：通过FTU采集训练样本数据，得到故障信号的模极大值；对所述训练样本数据进行归一化处理后作为输入训练样本，实际故障距离作为输出训练样本；步骤三：构建优化BP神经网络模型；步骤四：完成构建BP神经网络模型；步骤五：优化完毕的BP神经网络模型对故障信号进行分析，得出故障点位置。本发明对故障定位精度高，不需要大量监测设备，可以避免成本增大的问题。

Description

基于神经网络的配电网小电流单相接地故障定位方法

技术领域

本发明涉及一种配电网小电流单相接地故障定位方法，具体涉及一种基于神经网络的配电网小电流单相接地故障定位方法，本发明属于电力系统及其自动化领域。

背景技术

在我国，目前配电自动化所涉及的主要是10kV的中压电网，一般供电范围为10km。为了提高供电的可靠性，我国的10kV配电网一般采用中性点不接地方式运行，当发生单相接地故障时，接地电流很小，故这种系统又称为小电流接地系统。当10kV配电网发生单相接地故障后，非故障相对地工频电压升高至原来的

倍。此时，系统仍可以继续运行1-2小时，但用电设备处于过电压运行状态，对系统的绝缘要求高，并且极易发展成多点故障或相间短路故障。单相接地故障在配电网故障中占75%以上。因此，准确地找到故障发生的位置是隔离故障区域并恢复非故障区域的正常供电的重要前提。

传统的10kV配电网单相接地故障定位一般采用逐条线路拉闸停电的方法来确定故障线路，在选出故障线路后，再派工作人员到现场沿线查找故障位置，然后排除故障。传统方法耗费大量的人力、物力和时间。

在目前配电自动化系统中，采用较为广泛的故障定位方法有阻抗法，行波法和S信号注入法。阻抗法的故障测距原理是假定线路为均匀传输线，在不同故障类型条件下计算出的故障回路阻抗或电抗与测量点到故障点的距离成正比。阻抗法受路径阻抗、线路负荷和电源参数的影响较大。行波法测量故障点产生的行波在故障点及母线之间往返的时间或利用故障行波到达线路两端的时间差来计算故障距离。该方法易受配电网发生单相接地故障时的接地电阻的影响，导致反射波信号不明显，增加了反射波识别的难度。S信号注入法的原理是通过母线PT向接地线的接地相注入S信号电流，然后利用专用的信号电流探测器查找故障线路和故障点。S注入法的缺点在于注入信号的能量有限，而且受导线分布电容影响较大，容易导致信号微弱，无法测量。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于神经网络的配电网小电流单相接地故障定位方法，达到对现有的。

为了实现上述目标，本发明采用如下的技术方案：

基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，包括：

步骤一：在变电站主变低压10kV侧或低压10kV母线开始的适当位置安装FTU，将馈线终端装置所在位置定为参考测量点；

步骤二：通过FTU采集训练样本数据，对训练样本数据进行小波模极大值的奇异性检测，得到故障信号的模极大值；对所述训练样本数据进行归一化处理后作为输入训练样本，实际故障距离作为输出训练样本；

步骤三：使用遗传算法优化BP神经网络的初始连接权值和阀值，构建适合于10kV中性点不接地系统的单相接地故障定位的优化BP神经网络模型；所述优化BP神经网络模型分为三层：输入层、隐含层和输出层；输入层为故障信号小波变换的模极大值；输出层包含单一神经元，输出层的值反映相对于参考测量点的故障点位置；

步骤四：从优化的BP神经网路输出层开始逐层计算各层神经元的输出误差E_p，完成构建经遗传算法优化的BP神经网络模型；

步骤五：优化完毕的BP神经网络模型对FTU装置上报的配电网实际运行的故障信号进行分析，得出故障点位置。

前述的基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，所述训练样本数据包括母线的零序电流和零序电压。

前述的基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，小波模极大值的奇异性检测：

M∈Z，其中，W₂ ^M+1f(t₀)表示信号f(t)在t₀处的尺度为M+1的二进小波变换，W₂ ^Mf(t₀)表示信号f(t)在t₀处的尺度为M的二进小波变换，α为lipischitz指数，其大小表示剧烈程度，极性表示突变方向；

前述的基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，所述步骤是包括：

步骤4a：从优化的BP神经网路输出层开始逐层计算各层神经元的输出误差E_p，

其中，o_k为输出层第k个节点的输出，T_k为教师信号，L为输出层节点总数；步骤4b：根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值，由此经遗传算法优化的BP神经网络模型构建完毕。

前述的基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，根据误差梯度下降法来调节各层的权值和阈值的具体步骤包括：

通过输出层权值调整公式：

以及输出层阀值调整公式：调整输出层权值和阀值；其中，net_k为输出层第k个节点的输入，yi为隐含层第i个节点的输出，ψ'(x)表示对输出层的激励函数求导，o_k为输出层第k个节点的输出，T_k为教师信号，L为输出层节点总数，P为隐含层节点总数，η为学习率，Δw_ki为输出层权值的修正量，Δa_k为输出层阈值的修正量。

通过隐含层权值调整公式：

以及隐含层阀值调整公式：

调整隐含层权值和阀值；其中，net_i为隐含层第i个节点的输入，x_j表示输入层第j个节点的输入，φ'(x)表示对隐含层的激励函数求导，w_ki为输出层第k个节点到隐含层第i个节点之间的权值，net_k为输出层第k个节点的输入，ψ'(x)表示对输出层的激励函数求导，T_k为教师信号，ψ'(x)表示对输出层的激励函数求导，η为学习率，L为输出层节点总数，P为隐含层节点总数，Δw_ij为隐含层权值的修正量，Δθ_i为隐含层阈值的修正量。

前述的基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，

所述期望值通过公式

其中，o_k为输出层第k个节点的输出，T_k为教师信号，L为输出层节点总数，P为隐含层节点总数，E为系统对P个训练样本的总误差。

本发明的有益之处在于：本发明的基于神经网络的配电网小电流单相接地故障定位方法不受故障点位置、故障点电阻、相角影响，对线状10kV配电网小电流单相接地故障定位精度高，并且不需要在原有配电网中加入大量监测设备，而是通过10kV母线上的FTU，采集母线零序电流与零序电压，可以避免成本增大的问题。

附图说明

图1是本发明基于神经网络的配电网小电流单相接地故障定位方法中构建神经网络的算法流程图；

图2是本发明经遗传算法优化和未经遗传算法优化的基于神经网络故障定位误差对比图；

图3是本发明实施时配电网单相接地故障的Simulink仿真模型。

图中附图标记的含义：

1、10kV电源模块，2、电路测量模块，3、输电线路模块，4、输电线路模块，5、负载模块，6、故障类型模块，7、仿真参数设置模块。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

本方法的基本思想是：在分析单相接地故障暂态电气量的特征基础上，利用小波变换模极大值的信号奇异性检测进行特征提取；然后构建故障定位的优化神经网络模型，以遗传算法良好的全局寻优能力为基础，根据神经网络良好的非线性拟合能力，建立起故障特征和故障点位置之间的映射，实现故障定位，算法流程如图1所示，通过遗传算法优化得到BP神经网络的初始连接权值和阀值；随后，结合样本数据，通过适应度计算、选择操作、交叉操作和变异操作获得最佳神经元初始值和阀值；最后通过计算信号的前向（从输入到输出的方向）传播误差，并通过误差的反向（从输出到输入的方向）传播，更新BP神经网络各神经元的权值和阈值，最终得到优化的BP神经网络模型。

参照图1所示，本发明基于神经网络的配电网小电流单相接地故障定位方法，采用如下步骤：

(1)在变电站主变低压10kV侧或低压10kV母线开始的适当位置安装馈线终端装置(FTU,Feeder Terminal Unit)，定为参考测量点；

(2)通过FTU采集训练样本数据，即母线的零序电流和零序电压，对其分别进行小波模极大值的奇异性检测：

M∈Z，其中，W₂ ^M+1f(t₀)表示信号f(t)在t₀处的尺度为M+1的二进小波变换，W₂ ^Mf(t₀)表示信号f(t)在t₀处的尺度为M的二进小波变换，类似的，W₂ ^M+1f(t₀)表示信号f(t)在t₀处的尺度为M+1的二进小波变换，α为lipischitz指数，其大小表示剧烈程度，极性表示突变方向；得到故障信号的模极大值的实部和虚部；对这些数据归一化作为输入训练样本，实际故障距离作为输出训练样本；

(3)使用遗传算法优化BP神经网络的初始连接权值和阀值，开始构建适合于10kV中性点不接地系统的单相接地故障定位的优化神经网络模型；该模型分为三层：输入层、隐含层和输出层；输入层为故障信号小波变换的模极大值，输出层包含单一神经元，其值反映相对于参考测量点的故障点位置；

(4)从优化的BP神经网路输出层开始逐层计算各层神经元的输出误差：

$E_p=\frac{1}{2}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{(T_k-o_k)}^2,$

其中，o_k为输出层第k个节点的输出，T_k为教师信号，L为输出层节点总数；然后根据误差梯度下降法来调节各层的权值和阈值；输出层权值调整公式：

${\mathrm{\Δw}}_{\mathrm{ki}}=\mathrm{\η}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(T_k^p-o_k^p).{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right).y_i,$

输出层阀值调整公式：

${\mathrm{\Δa}}_k=\mathrm{\η}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(T_k^p-o_k^p).{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right).y_i,$

其中，net_k为输出层第k个节点的输入，y_i为隐含层第i个节点的输出，ψ'(x)表示对输出层的激励函数求导，o_k为输出层第k个节点的输出，T_k为教师信号，L为输出层节点总数，P为隐含层节点总数，η为学习率，Δw_ki为输出层权值的修正量，Δa_k为输出层阈值的修正量。隐含层权值调整公式：

${\mathrm{\Δw}}_{\mathrm{ki}}=\mathrm{\η}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(T_k^p-o_k^p).{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right).w_{\mathrm{ki}}.{\mathrm{\φ}}^{\′}\left({\mathrm{net}}_i\right).x_i,$

隐含层阀值调整公式：

${\mathrm{\Δ\θ}}_i=\mathrm{\η}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(T_k^p-o_k^p).{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right).w_{\mathrm{ki}}.{\mathrm{\φ}}^{\′}\left({\mathrm{net}}_i\right),$

其中，net_i为隐含层第i个节点的输入，x_j表示输入层第j个节点的输入，φ'(x)表示对隐含层的激励函数求导，w_ki为输出层第k个节点到隐含层第i个节点之间的权值，net_k为输出层第k个节点的输入，ψ'(x)表示对输出层的激励函数求导，T_k为教师信号，ψ'(x)表示对输出层的激励函数求导，η为学习率，L为输出层节点总数，P为隐含层节点总数，Δw_ij为隐含层权值的修正量，Δθ_i为隐含层阈值的修正量。使修改后的网络的最终输出能接近期望值，即系统对P个训练样本的总误差准则函数满足要求：

$E=\frac{1}{2}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{({T_k}^p-{o_k}^p)}^2;$

其中，o_k为输出层第k个节点的输出，T_k为教师信号，L为输出层节点总数，P为隐含层节点总数，E为系统对P个训练样本的总误差。

经遗传算法优化的BP神经网络模型构建完毕；

(5)优化完毕的BP神经网络模型可对该FTU装置上报的配电网实际运行的故障信号进行分析，得出故障点位置。

Simulink仿真模型中各模块参数设置如下：电源模块中三相电源为Y型连接，中性点不接地，A相相位为0°。测量模块可以模拟FTU装置采集母线中的零序电压和零序电流，设置该模块测量线路电流和对地电压值。输电线路模块3和4中设置线路正序阻抗z1＝(0.17+j0.38)Ω/km，正序容纳为3.045μs/km，零序阻抗为0.23+j1.72Ω/km，零序容纳为1.884μs/km。模块3和4的线路长度分别设置为1km和8km，2km和7km，3km和6km，4km和5km，5km和4km，6km和3km，7km和2km，8km和1km及9km和0km，一共9组线路长度。对应9组线路长度，分别设置故障类型模块为A相接地短路故障，故障电阻50Ω；仿真参数设置模块中采样频率设置为0.1MHz。仿真得到9种小电流单相接地故障的母线零序电流和零序电压，转换成.mat文件，放进MATLAB里面的工作空间，进行Morlet复小波变换。由此可以得到故障信号的模极大值的虚部和实部。利用公式：

对输入训练样本进行奇异性检测。对输入训练样本归一化，并将实际故障距离作为输出训练样本。

修改故障类型模块中故障电阻为500Ω，其他各模块参数设置不变，重复上述仿真步骤。修改电源模块A相相位为45°，故障类型模块中故障电阻为50Ω，其他各模块参数设置不变，重复上述仿真步骤。训练样本采集完成。

调用Matlab软件中遗传算法工具箱和神经网络工具箱里的相关函数，使用遗传算法优化包含训练样本的神经网络，通过适应度计算，选择操作，交叉操作和变异操作，当满足优化条件后，得到神经元初始权值和阀值，并进行实数编码。

神经网络各层的权值和阀值决定了该神经网络对故障定位精度的准确性。由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值。

通过公式：

$\begin{array}{c}\mathrm{\Δ}{w}_{\mathrm{ki}}=\mathrm{\η}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(T_k^p-o_k^p).{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right).y_i\\ \mathrm{\Δ}{a}_k=\mathrm{\η}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{p}{\mathrm{\Σ}}}(T_k^p-o_k^p).{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right)\end{array}$

调整输出层权值和阀值；

通过公式：

$\begin{array}{c}\mathrm{\Δ}{w}_{\mathrm{ij}}=\mathrm{\η}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(T_k^p-o_k^p).{\mathrm{\ψ}}^{\′}\left({\mathrm{net}}_k\right).w_{\mathrm{ki}}.{\mathrm{\φ}}^{\′}\left({\mathrm{net}}_i\right).x_j,\\ \mathrm{\Δ}{\mathrm{\θ}}_i=\mathrm{\η}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}(T_k^p-o_k^p).{\mathrm{\Ψ}}^{\′}\left({\mathrm{net}}_k\right).w_{\mathrm{ki}}.{\mathrm{\φ}}^{\′}\left({\mathrm{net}}_i\right),\end{array}$

调整隐含层权值和阀值；

使修改后的网络的最终输出能接近期望值。该期望值通过公式：

$E=\frac{1}{2}\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{({T_k}^p-{o_k}^p)}^2;$

来衡量。至此，神经网络模型构建成功。针对该配电网模型，小电流单相接地故障定位测试结果如表1所示。图2展示了经遗传算法优化和未经遗传算法优化的神经网络对故障定位误差的影响。

表1各个标准下的测试结果和相对误差

本实施例与现有的小电流单相接地故障定位方法相比，定位相对误差小，不超过百分之三，并且不受故障点位置、故障点电阻、相角影响。图2展示了经遗传算法优化和未经遗传算法优化的神经网络对故障定位误差的影响。

综上，本发明基本不受故障点位置、故障点电阻、相角影响，对线状10kV配电网小电流单相接地故障定位精度高，并且不需要在原有配电网中加入大量监测设备，而是通过10kV母线上的FTU，采集母线零序电流与零序电压，可以避免成本增大的问题。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (6)

1.基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，包括：

步骤一：在变电站主变低压10kV侧或低压10kV母线开始的适当位置安装FTU，将馈线终端装置所在位置定为参考测量点；

步骤二：通过FTU采集训练样本数据，对训练样本数据进行小波模极大值的奇异性检测，得到故障信号的模极大值；对所述训练样本数据进行归一化处理后作为输入训练样本，实际故障距离作为输出训练样本；

步骤三：使用遗传算法优化BP神经网络的初始连接权值和阀值，构建适合于10kV中性点不接地系统的单相接地故障定位的优化BP神经网络模型；所述优化BP神经网络模型分为三层：输入层、隐含层和输出层；输入层为故障信号小波变换的模极大值；输出层包含单一神经元，输出层的值反映相对于参考测量点的故障点位置；

步骤四：从优化的BP神经网路输出层开始逐层计算各层神经元的输出误差Ep，完成构建经遗传算法优化的BP神经网络模型；

步骤五：优化完毕的BP神经网络模型对FTU装置上报的配电网实际运行的故障信号进行分析，得出故障点位置。

2.根据权利要求1所述的基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，所述训练样本数据包括母线的零序电流和零序电压。

3.根据权利要求2所述的基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，小波模极大值的奇异性检测：M∈Z，其中，W₂ ^Mf(t₀)表示信号f(t)在t₀处的尺度为M的二进小波变换，α为lipischitz指数，其大小表示剧烈程度，极性表示突变方向。

4.根据权利要求3所述的基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，所述步骤是包括：

步骤4a：从优化的BP神经网路输出层开始逐层计算各层神经元的输出误差E_p，其中，o_k为输出层第k个节点的输出，T_k为教师信号，L为输出层节点总数；

步骤4b：根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值，由此经遗传算法优化的BP神经网络模型构建完毕。

5.根据权利要求4所述的基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，根据误差梯度下降法来调节各层的权值和阈值的具体步骤包括：

通过输出层权值调整公式：

以及输出层阀值调整公式：

调整输出层权值和阀值；其中，net_k为输出层第k个节点的输入，yi为隐含层第i个节点的输出，ψ'(x)表示对输出层的激励函数求导，o_k为输出层第k个节点的输出，T_k为教师信号，L为输出层节点总数，P为隐含层节点总数，η为学习率，Δw_ki为输出层权值的修正量，Δa_k为输出层阈值的修正量；

通过隐含层权值调整公式：

以及隐含层阀值调整公式：调整隐含层权值和阀值；其中，net_i为隐含层第i个节点的输入，xj表示输入层第j个节点的输入，φ'(x)表示对隐含层的激励函数求导，w_ki为输出层第k个节点到隐含层第i个节点之间的权值，net_k为输出层第k个节点的输入，ψ'(x)表示对输出层的激励函数求导，T_k为教师信号，ψ'(x)表示对输出层的激励函数求导，η为学习率，L为输出层节点总数，P为隐含层节点总数，Δw_ij为隐含层权值的修正量，Δθ_i为隐含层阈值的修正量。

6.根据权利要求5所述的基于神经网络的配电网小电流单相接地故障定位方法，其特征在于，所述期望值通过公式

其中，o_k为输出层第k个节点的输出，T_k为教师信号，L为输出层节点总数，P为隐含层节点总数，E为系统对P个训练样本的总误差。

Images