CN104198881B - 一种基于单端行波波头相对极性和时差的ann故障测距方法 - Google Patents

Abstract

本发明涉及一种基于单端行波波头相对极性和时差的ANN故障测距方法，属于电力系统故障测距技术领域。本发明所述方法为高压输电线路发生单相接地故障时，量测端母线为多出线接线形式存在反射波的不确定性，利用人工神经的非线性函数逼近拟合能力，顺序选取量测端构造电流行波中初始行波，以及后续的3个以上行波波头与初始行波波头的时差和相对极性作为ANN样本属性，训练并建立ANN故障测距模型，实现单端行波测距。大量仿真表明本发明测距结果准确可靠。

Description

一种基于单端行波波头相对极性和时差的ANN故障测距方法

技术领域

本发明涉及一种基于单端行波波头相对极性和时差的ANN故障测距方法，属于电力系统保护和测距技术领域。

背景技术

高压输电线路是电力系统的命脉，它担负着传输电能的重要任务，又是故障的常发部位。因输电线路故障停止供电，不仅影响生产，亦危及电力系统的安全、稳定运行。准确地进行故障定位，可以节约巡线的人力和物力，减轻劳动强度，并能使故障处理及早进行，保证迅速恢复供电，降低因停电造成的综合经济损失。

输电线路的故障测距是一个非常复杂的问题,受到过渡电阻、故障前负荷电流、对端系统阻抗等诸多因素的影响，使得传统的测距方法存在这样或那样的缺陷和不足。现有测距方法有阻抗法、行波法和故障分析法。行波法测距的可靠性和测量的精度较高，在理论上不受线路类型、故障电阻及量测系统的影响，但是在实际中则受到许多工程因素的制约。

人工神经网络(ANN)是近年来兴起的一种新方法，利用人工神经网络的模式识别能力和非线性拟合能力，将各种故障模式下的故障电气量输入神经网络进行训练，训练成功的神经网络就可以实现故障测距，它不依赖数学模型，而且具有很强的容错能力。

发明内容

本发明要解决的技术问题是提出一种基于单端行波波头相对极性和时差的ANN故障测距方法，采用BP神经网络实现故障线路测距。

本发明的技术方案是：一种基于单端行波波头相对极性和时差的ANN故障测距方法，其特征在于：当交流输电线路发生单相接地故障时，量测端母线为多出线接线形式时，故障初始行波的后续波头无法辨识，利用人工神经的非线性函数逼近拟合能力，顺序选取量测端构造电流行波中初始行波、以及后续的3个以上的行波波头与初始行波波头的时差和相对极性作为ANN样本属性，训练并建立ANN故障测距模型，实现单端行波测距。

具体步骤为：

(1)当高压输电线路距离量测端M点的x_f处发生单相接地故障时，采用分布参数模型，选取L_k1(量测端M的出线)作为参考线路，用故障线路故障电流减去健全线路故障相电流，得到构造电流行波，即，i_mn-i_k1；

(2)利用PSCAD仿真得到训练样本，训练样本组织如下：

①沿线路全程设置故障点，故障距离变化步长为1km；

②故障过渡电阻分别取0Ω、30Ω、90Ω；

③故障初相角分别取30°、90°；

(3)将仿真得到故障数据样本，量测端M故障相构造电流行波进行小波变换，顺序选取初始行波后的3个以上行波波头与初始行波波头的时差和相对极性作为ANN样本属性P，则P＝[△t₁△t₂△t₃p₁p₂p₃]，其中，△t₁△t₂△t₃表示时差，p₁p₂p₃表示相对于初始行波的极性；

(4)构建故障测距的ANN模型，并将得到的故障数据作为训练样本，输入ANN模型中进行训练；

(5)将故障数据输入训练好的ANN测距网络模型即可得到故障距离。

本发明的原理是：高压输电线路发生单相接地故障时，量测端母线为多出线接线形式存在反射波的不确定性，故障初始行波的后续波头可能为故障点反射波、对端母线反射波，亦可能为量测端母线上健全线路末端反射波、对端母线上健全线路末端反射波，造成了故障点反射波的辨识较为困难。利用人工神经的非线性函数逼近拟合能力，顺序选取量测端构造电流行波中初始行波后的3个波头与初始行波波头的时差和相对极性作为ANN样本属性，训练并建立ANN故障测距模型，实现单端行波测距，不依赖行波波头的辨识。

本发明的有益效果是：

(1)本方法采用构造电流行波的相对极性和时差作为训练属性，不受量测端健全线路的影响。

(2)本方法本测距方法仅利用单端电流量，无需与对端进行通讯。

(3)本方法具有较强的鲁棒性，受过渡电阻、故障初始角以及两端系统摆开角的影响较小。

附图说明

图1为本发明高压输电线路结构示意图，其中，架空出线L_k1＝100km、L_k2＝50km、L_k3＝150km，L_k4＝45km；

图2为故障测距的ANN模型图；

图3为BP神经网络收敛曲线图。

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

一种基于单端行波波头相对极性和时差的ANN故障测距方法，其特征在于：当交流输电线路发生单相接地故障时，量测端母线为多出线接线形式时，故障初始行波的后续波头无法辨识，利用人工神经的非线性函数逼近拟合能力，顺序选取量测端构造电流行波中初始行波、以及后续的3个以上的行波波头与初始行波波头的时差和相对极性作为ANN样本属性，训练并建立ANN故障测距模型，实现单端行波测距。

具体步骤为：

(1)当高压输电线路距离量测端M点的x_f处发生单相接地故障时，采用分布参数模型，选取L_k1(量测端M的出线)作为参考线路，用故障线路故障电流减去健全线路故障相电流，得到构造电流行波，即，i_mn-i_k1；

(2)利用PSCAD仿真得到训练样本，训练样本组织如下：

①沿线路全程设置故障点，故障距离变化步长为1km；

②故障过渡电阻分别取0Ω、30Ω、90Ω；

③故障初相角分别取30°、90°；

(3)将仿真得到故障数据样本，量测端M故障相构造电流行波进行小波变换，顺序选取初始行波后的3个以上行波波头与初始行波波头的时差和相对极性作为ANN样本属性P，则P＝[△t₁△t₂△t₃p₁p₂p₃]，其中，△t₁△t₂△t₃表示时差，p₁p₂p₃表示相对于初始行波的极性；

(4)构建故障测距的ANN模型，并将得到的故障数据作为训练样本，输入ANN模型中进行训练；

(5)将故障数据输入训练好的ANN测距网络模型即可得到故障距离。

实施例1：如图1所示500kV交流输电线路单相接地故障仿真模型，实施方案如下：

(1)利用PSCAD仿真得到训练样本，采样率为1MHz，训练样本组织如下：

①在线路MN全长150km内设置故障点，故障距离变化步长为1km；

②故障过渡电阻分别取0Ω、30Ω、90Ω；

③故障初相角分别取30°、90°。

(2)将仿真得到的894种情况，量测端M故障相构造电流行波进行小波变换，顺序选取初保护安装处检测到的始行波后的3个波头与初始行波波头的时差和相对极性作为ANN样本属性P，则P＝[△t1△t2△t3p1p2p3]，其中，△t1△t2△t3表示时差，p1p2p3表示相对初始行波的极性。

(3)选用三层BP神经网络模型，网络拓扑结构为6×18×1，第一层为输入层；第2层隐含层，用试凑法选取网络误差最小是对应的隐含层节点数，确定隐含层节点数为18，传递函数为tansigmoid；第三层为输出层，传递函数为logsigmoid。训练算法选用自适应学习速度算法，学习率为0.03，最大训练次数为10 000次，训练目标误差为10^-6。

(4)构建故障测距的ANN模型，并将得到的894个样本作为训练样本，输入ANN模型中进行训练。

(5)故障距离分别设置为8.5km，38.5km，68.5km，98.5km和128.5km，在不同的过渡电阻下的测距结果如表1所示。

表1不同过渡电阻下的测距结果

实施例2：如图1所示500kV交流输电线路单相接地故障仿真模型，实施方案如下：

1)利用PSCAD仿真得到训练样本，采样率为1MHz，训练样本组织如下：

①在线路MN全长150km内设置故障点，故障距离变化步长为1km；

②故障过渡电阻分别取0Ω、30Ω、90Ω；

③故障初相角分别取30°、90°。

(2)将仿真得到的894种情况，量测端M故障相构造电流行波进行小波变换，顺序选取初保护安装处检测到的始行波后的3个波头与初始行波波头的时差和相对极性作为ANN样本属性P，则P＝[△t1△t2△t3p1p2p3]，其中，△t1△t2△t3表示时差，p1p2p3表示相对初始行波的极性。

(3)选用三层BP神经网络模型，网络拓扑结构为6×18×1，第一层为输入层；第2层隐含层，用试凑法选取网络误差最小是对应的隐含层节点数，确定隐含层节点数为18，传递函数为tansigmoid；第三层为输出层，传递函数为logsigmoid。训练算法选用自适应学习速度算法，学习率为0.03，最大训练次数为10 000次，训练目标误差为10^-6。

(4)构建故障测距的ANN模型，并将得到的894个样本作为训练样本，输入ANN模型中进行训练。

(5)故障距离分别设置为8.5km，38.5km，68.5km，98.5km和128.5km，在不同故障初始角下的测距结果如表2所示。

表2不同故障初始角下的测距结果

实施例3：如图1所示500kV交流输电线路单相接地故障仿真模型，实施方案如下：

1)利用PSCAD仿真得到训练样本，采样率为1MHz，训练样本组织如下：

①在线路MN全长150km内设置故障点，故障距离变化步长为1km；

②故障过渡电阻分别取0Ω、30Ω、90Ω；

③故障初相角分别取30°、90°。

(2)将仿真得到的894种情况，量测端M故障相构造电流行波进行小波变换，顺序选取初保护安装处检测到的始行波后的3个波头与初始行波波头的时差和相对极性作为ANN样本属性P，则P＝[△t1△t2△t3p1p2p3]，其中，△t1△t2△t3表示时差，p1p2p3表示相对初始行波的极性。

(3)选用三层BP神经网络模型，网络拓扑结构为6×18×1，第一层为输入层；第2层隐含层，用试凑法选取网络误差最小是对应的隐含层节点数，确定隐含层节点数为18，传递函数为tansigmoid；第三层为输出层，传递函数为logsigmoid。训练算法选用自适应学习速度算法，学习率为0.03，最大训练次数为10 000次，训练目标误差为10^-6。

(4)构建故障测距的ANN模型，并将得到的894个样本作为训练样本，输入ANN模型中进行训练。

(5)故障距离分别设置为8.5km，38.5km，68.5km，98.5km和128.5km，在不同两端系统摆开角下的测距结果如表3所示。

表3不同两端系统摆开角下的测距结果

实施例4：如图1所示500kV交流输电线路单相接地故障仿真模型，实施方案如下：

1)利用PSCAD仿真得到训练样本，采样率为1MHz，训练样本组织如下：

①在线路MN全长150km内设置故障点，故障距离变化步长为1km；

②故障过渡电阻分别取0Ω、30Ω、90Ω；

③故障初相角分别取30°、90°。

(2)将仿真得到的894种情况，量测端M故障相构造电流行波进行小波变换，顺序选取初保护安装处检测到的始行波后的3个波头与初始行波波头的时差和相对极性作为ANN样本属性P，则P＝[△t1△t2△t3p1p2p3]，其中，△t1△t2△t3表示时差，p1p2p3表示相对初始行波的极性。

(3)选用三层BP神经网络模型，网络拓扑结构为6×18×1，第一层为输入层；第2层隐含层，用试凑法选取网络误差最小是对应的隐含层节点数，确定隐含层节点数为18，传递函数为tansigmoid；第三层为输出层，传递函数为logsigmoid。训练算法选用自适应学习速度算法，学习率为0.03，最大训练次数为10 000次，训练目标误差为10^-6。

(4)构建故障测距的ANN模型，并将得到的894个样本作为训练样本，输入ANN模型中进行训练。

(5)故障距离分别设置为8.5km，38.5km，68.5km，98.5km和128.5km，在不同系统阻抗下的测距结果如表4所示。

表4不同系统阻抗下的测距结果

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (1)

1.一种基于单端行波波头相对极性和时差的ANN故障测距方法，其特征在于：当交流输电线路发生单相接地故障时，利用人工神经的非线性函数逼近拟合能力，顺序选取量测端构造电流行波中初始行波、以及后续的3个以上的行波波头与初始行波波头的时差和相对极性作为ANN样本属性，训练并建立ANN故障测距模型，实现单端行波测距；

具体步骤为：

(1)当高压输电线路距离量测端M点的x_f处发生单相接地故障时，采用分布参数模型，选取L_k1作为参考线路，用故障线路故障电流减去健全线路故障相电流，得到构造电流行波，即，i_mn-i_k1；

(2)利用PSCAD仿真得到训练样本，训练样本组织如下：

①沿线路全程设置故障点，故障距离变化步长为1km；

②故障过渡电阻分别取0Ω、30Ω、90Ω；

③故障初相角分别取30°、90°；

(3)将仿真得到故障数据样本，量测端M故障相构造电流行波进行小波变换，顺序选取初始行波后的3个以上行波波头与初始行波波头的时差和相对极性作为ANN样本属性P，则P＝[△t₁△t₂△t₃p₁p₂p₃]，其中，△t₁△t₂△t₃表示时差，p₁p₂p₃表示相对于初始行波的极性；

(4)构建故障测距的ANN模型，并将得到的故障数据作为训练样本，输入ANN模型中进行训练；

(5)将故障数据输入训练好的ANN测距网络模型即可得到故障距离。