CN105223466A - 一种利用模极大值比的特高压直流输电线路单端测距方法 - Google Patents

Abstract

本发明涉及一种利用模极大值比的特高压直流输电线路单端测距方法，属于高压直流输电系统继电保护技术领域。本发明包括步骤：采集故障后正、负极线路的故障电压u⁺、u^-，对不同过渡电阻和故障距离下的故障电压进行解耦变换得到u₁、u₀，对u₁、u₀进行4个尺度下的小波分解得到线模、零模分量的首波头幅值，计算同尺度下的线模与零模分量的首波头模极大值比并将其作为神经网络输入量，用该输入样本集和输出样本集(仿真中设置的故障距离)对神经网络进行训练，训练完成后用测试样本得到故障测距结果。本发明的方法经仿真表明，该基于模量首波头模极大值比的特高压直流输电线路神经网络单端测距方法精度较高。

Description

一种利用模极大值比的特高压直流输电线路单端测距方法

技术领域

本发明涉及一种利用模极大值比的特高压直流输电线路单端测距方法，属于高压直流输电系统继电保护技术领域。

背景技术

目前特高压直流输电线路故障后的测距主要依赖于行波故障定位技术。行波故障定位分为单端法和双端法，双端行波测距由于需要两端数据通信设备以及要求双端同步采样而很难实现，相比于双端行波测距，单端行波测距因其具有成本低、实时性强等优势而成为故障测距领域的重要研究方向。传统单端行波测距的关键在于第二个反射波性质的准确识别，受过渡电阻电弧特性以及系统运行方式等因素的影响，在某些情况下正确识别第二个发射波性质存在一定的困难，因此传统单端行波测距在实际应用中可靠性并不高。因此有必要研究具有更高可靠性和精确性的高压直流输电线路单端故障测距新方法。

发明内容

本发明需要解决的问题是：本发明提供了一种利用模极大值比的特高压直流输电线路单端测距方法，以用于解决行波故障定位方法中的双端法测量不方便及单端法在实际应用中可靠性不高的问题，以及测距结果易受过渡电阻影响、测距精度不够高的问题；以及其它行波数据处理方法所得到的测距结果对误差的收敛较慢且拟合程度低造成的数据处理响应慢和准确度低的问题。

本发明的技术方案是：一种利用模极大值比的特高压直流输电线路单端测距方法的具体步骤如下：

A、特高压直流输电线路发生接地故障后，正极线路与负极线路上位于整流侧的数据采集装置分别采集故障后5ms时窗内的故障电压u⁺、u^-；

B、针对不同的过渡电阻和不同的故障距离分别对正极线路与负极线路上采集到的故障电压u⁺、u^-进行解耦变换，得到独立的暂态电压线模分量u₁与零模分量u₀；

C、分别对u₁、u₀进行小波分解，得到第1、2、3、4尺度下的暂态电压线模分量首波头幅值U₁₁、U₂₁、U₃₁、U₄₁和暂态电压零模分量首波头幅值U₁₀、U₂₀、U₃₀、U₄₀；

D、计算同一小波分解尺度下的暂态电压线模分量与零模分量首波头模极大值比 神经网络的输入矢量为[k₁、k₂、k₃、k₄]；

E、将步骤D中得到的输入矢量作为神经网络的输入样本集，故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；

F、当故障测距神经网络模型形成以后，将测试样本输入训练后的故障测距神经网络模型，得到故障测距结果。

所述步骤B中过渡电阻取值为0-300Ω，其中过渡电阻的步长为10Ω。

所述步骤C中对故障数据进行小波分解变换时，所用小波基为db6。

所述步骤E中故障测距的神经网络采用BP神经网络模型，其中输入层神经元数目为4，隐含层神经元数目为28；该网络具有一个隐含层，采用S型传递函数tansig，输出层采用纯线性传递函数purelin。

所述神经网络采用自适应学习速度算法，学习率为0.01，最大训练次数取为10000，收敛精度设置为10^-5。

本发明的原理是：

目前，特高压直流输电线路多采用双极模式运行，两极之间存在耦合，利用式(1)进行解耦得到独立的电压模量分量。

$\left[\begin{array}{c}{u}_1\\ u_0\end{array}\right]=s^{-1}\left[\begin{array}{c}{u}^{+}\\ u^{-}\end{array}\right]---\left(1\right)$

其中： $s=\frac{\sqrt{2}}{2}\left[\begin{array}{cc}1& 1\\ -1& 1\end{array}\right]---\left(2\right)$

式(1)中，u₁、u₀分别表示整流侧或逆变侧的电压线模分量、零模分量；u⁺、u^-分别表示该侧的正极线电压、负极线电压。

特高压直流输电线路发生接地故障时，来自于故障点的电压行波模量分量到达整流侧或逆变侧时，整流侧或者逆变侧检测装置处检测到的电压线模分量和零模分量会发生突变，突变的幅值A即为波头各频率分量幅值的叠加，即：

式(3)中，γ_i为各频率分量对应的特征算子，f_i(t)为各频率分量的初始幅值，x为故障距离。由式(3)可知，随着故障距离的增大，检测装置处检测到的电压线模分量和零模分量突变的幅值会减小，图1(a)、(b)分别表示在0.3s时刻线路上不同位置处发生金属性接地故障时，整流侧检测装置处检测到到的暂态电压线模分量和零模分量波形图。分析图1(a)、(b)可知，当线路上发生接地故障时，整流侧检测装置处检测到的暂态电压线模分量和零模分量的突变幅值随着故障距离的增大在减小，但是暂态电压零模分量随故障距离增大而减小的幅度到大于暂态电压线模分量，这是由于线路对零模行波的衰减作用更强。故障信号小波变换的模极大值与信号的突变点一一对应，其大小表示突变点的变化强度，下面分别对不同故障距离下整流侧检测装置处检测到到的暂态电压线模分量和零模分量进行小波变换，以便对暂态电压各模量分量的突变强度进行量化分析。

金属性接地故障下不同故障距离时，整流侧检测到的暂态电压各模量分量的小波变换第一尺度内模极大值的大小如表1所示，对采样频率为f_s的离散信号进行多尺度小波变换，则第j尺度对应的是在频带[f_s/2^j+1,f_s/2^j]的信号。

表1暂态电压各模量分量的小波变换模极大值

故障距离(km)	线模首波头模极大值	零模首波头模极大值	首波头模极大值比
				150	214.99	49.63	4.33
750	127.38	12.22	10.42
				1350	88.08	5.24	16.82

分析表1可知，暂态电压线模首波头模极大值和零模首波头模极大值随故障距离的增大而减小，但是零模首波头模极大值减小的幅度更大，因此线模首波头模极大值与零模首波头模极大值的比值随故障距离的增大而增大。

图2(a)、(b)分别表示故障距离为400km时，不同过渡电阻下整流侧检测装置处检测到到的暂态电压线模分量和零模分量波形图。如图2(a)、(b)所示，随着过渡电阻的增大，暂态电压线模分量和零模分量突变点处突变幅值在减小，但是线模分量和零模分量随过渡电阻增大减小的幅度相同。对不同过渡电阻下的暂态电压各模量分量进行小波变换，第一尺度内其模极大值如表2所示：

表2暂态电压各模量分量的小波变换模极大值

过渡电阻(Ω)	线模首波头模极大值	零模首波头模极大值	首波头模极大值比
				0	199.12	30.82	6.46
50	151.79	23.49	6.46
				200	88.67	13.72	6.46

分析表2可知，由于暂态电压线模分量和零模分量突变点处突变幅值随过渡电阻增大减小的幅度相同，不同过渡电阻下暂态电压线模分量和零模分量首波头模极大值比相同。图3表示不同过渡电阻下，暂态电压线模分量和零模分量首波头模极大值比与故障距离之间的关系图。分析图3可知，随着故障距离的增大，模量首波头模极大值比非线性增大。不同过渡电阻下，当故障距离相同时，线路端检测装置处检测到的模量首波头模极大值比相同，即线路端检测装置检测到的模量首波头模极大值比只与故障距离有关，与故障电阻无关。因此，对于特定的高压直流输电系统，线路端检测装置处检测到的模量首波头模极大值比与故障距离之间有确定的非线性关系，如果能对两者之间的关系进行拟合，即可利用测量到的模量首波头模极大值比计算出故障距离。人工神经网络具有很强的非线性逼近拟合能力，故可利用神经网络去拟合模量首波头模极大值比与故障距离之间的非线性关系，进而实现故障测距。对于故障测距神经网络模型而言，如果只选取单个频带内的模量首波头模极大值比作为输入特征量，则测距结果易受干扰因素的影响，因此宜选取多个频带内的模量首波头模极大值比作为输入特征量测距网络模型的输入特征量。本文在训练神经网络时，输入特征量选取的是各模量经过小波分解后得到的第1、2、3、4尺度内的模量首波头模极大值比。

由上述分析可知，特高压直流输电线路发生故障时，暂态电压线模分量和零模分量首波头模极大值比与故障距离之间呈现非线性关系，而且此关系与故障强度无关。神经网络具有很强的非线性函数逼近拟合能力，故可采用神经网络对这种非线性关系进行泛化分析，从而实现对故障位置进行测算。目前，在人工神经网络的应用实际中，绝大部分的神经网络模型都采用BP网络及其变化形式，本专利采用的是BP网络模型。

本发明的有益效果是：

1、该测距方法无需识别第二个反射波头的性质，仅利用单端故障电压行波首波头幅值信息即可实现故障测距，克服了传统单端行波测距法因第二个反射波头不能有效识别而可靠性不高的缺点；

2、通过仿真发现，该测距方法的测距精度不受过渡电阻的影响，测得的结果误差基本保持在2km以内。可见该方法的测距精度较高，而且耐受过渡电阻能力强。

3、该测距方法采用了神经网络来拟合模极大值比和故障距离之间的非线性关系，经多次训练，对误差的收敛速度较快，能很好地拟合出两者之间的关系，以达到精确测距的目的。

附图说明

图1为不同位置处发生金属性接地故障时，整流侧检测装置处检测到到的暂态电压线模分量和零模分量波形图；其中(a)表示线模分量，(b)表示零模分量，图中横坐标表示时间，单位为s；纵坐标表示电压幅值，单位为kV；

图2为故障距离为400km时，不同过渡电阻下整流侧检测装置处检测到到的暂态电压线模分量和零模分量波形图，其中(a)表示线模分量，(b)表示零模分量；图中横坐标表示时间，单位为s；纵坐标表示电压幅值，单位为kV；

图3为不同过渡电阻下，暂态电压线模分量和零模分量首波头模极大值比与故障距离之间的关系曲线，图中纵坐标表示暂态电压线模分量和零模分量首波头模极大值比，横坐标表示故障距离，横坐标单位为km；

图4为故障测距神经网络模型；图4中：k₁、k₂、k₃、k₄为神经网路的输入，分别为小波分解后第1、2、3、4尺度下暂态电压线模分量和零模分量首波头模极大值比；y表示神经网络实际输出的故障距离；O表示神经网络期望输出的故障距离；ω_ml表示输入层的第m个神经元到隐含层的第l个神经元之间的连接权值，ω_l表示隐含层第l个神经元到输出层神经元之间的权值，∑表示BP神经网络的误差反传环节；

图5为本发明的故障测距神经网络训练特性图；图中虚线表示期望输出，实线表示训练实际输出；横坐标表示训练步数，纵坐标表示训练精度，即神经网络期望输出与实际输出之间的均方误差，单位为km。

图6为本发明的流程图。

具体实施方式

实施例1：如图1-5所示，一种利用模极大值比的特高压直流输电线路单端测距方法的具体步骤如下：

A、特高压直流输电线路发生接地故障后，正极线路与负极线路上位于整流侧的数据采集装置分别采集故障后5ms时窗内的故障电压u⁺、u^-；

B、针对不同的过渡电阻和不同的故障距离分别对正极线路与负极线路上采集到的故障电压u⁺、u^-进行解耦变换，得到独立的暂态电压线模分量u₁与零模分量u₀；

C、分别对u₁、u₀进行小波分解，得到第1、2、3、4尺度下的暂态电压线模分量首波头幅值U₁₁、U₂₁、U₃₁、U₄₁和暂态电压零模分量首波头幅值U₁₀、U₂₀、U₃₀、U₄₀；为了得到第1、2、3、4尺度下的相关值，因此小波变换的分解层数要大于4，此处进行实验时选取的小波分解层数为6；

D、计算同一小波分解尺度下的暂态电压线模分量与零模分量首波头模极大值比 神经网络的输入矢量为[k₁、k₂、k₃、k₄]；

E、将步骤D中得到的输入矢量作为神经网络的输入样本集，故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；

F、当故障测距神经网络模型形成以后，将测试样本输入训练后的故障测距神经网络模型，得到故障测距结果。

实施例2：如图1-5所示，一种利用模极大值比的特高压直流输电线路单端测距方法的具体步骤如下：

A、特高压直流输电线路发生接地故障后，正极线路与负极线路上位于整流侧的数据采集装置分别采集故障后5ms时窗内的故障电压u⁺、u^-；

B、针对不同的过渡电阻和不同的故障距离分别对正极线路与负极线路上采集到的故障电压u⁺、u^-进行解耦变换，得到独立的暂态电压线模分量u₁与零模分量u₀；

C、分别对u₁、u₀进行小波分解，得到第1、2、3、4尺度下的暂态电压线模分量首波头幅值U₁₁、U₂₁、U₃₁、U₄₁和暂态电压零模分量首波头幅值U₁₀、U₂₀、U₃₀、U₄₀；为了得到第1、2、3、4尺度下的相关值，因此小波变换的分解层数要大于4，此处进行实验时选取的小波分解层数为6；

D、计算同一小波分解尺度下的暂态电压线模分量与零模分量首波头模极大值比 神经网络的输入矢量为[k₁、k₂、k₃、k₄]；

E、将步骤D中得到的输入矢量作为神经网络的输入样本集，故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；

F、当故障测距神经网络模型形成以后，将测试样本输入训练后的故障测距神经网络模型，得到故障测距结果。

所述步骤B中过渡电阻取值为0-300Ω，其中过渡电阻的步长为10Ω。

实施例3：如图1-5所示，一种利用模极大值比的特高压直流输电线路单端测距方法的具体步骤如下：

A、特高压直流输电线路发生接地故障后，正极线路与负极线路上位于整流侧的数据采集装置分别采集故障后5ms时窗内的故障电压u⁺、u^-；

B、针对不同的过渡电阻和不同的故障距离分别对正极线路与负极线路上采集到的故障电压u⁺、u^-进行解耦变换，得到独立的暂态电压线模分量u₁与零模分量u₀；

C、分别对u₁、u₀进行小波分解，得到第1、2、3、4尺度下的暂态电压线模分量首波头幅值U₁₁、U₂₁、U₃₁、U₄₁和暂态电压零模分量首波头幅值U₁₀、U₂₀、U₃₀、U₄₀；为了得到第1、2、3、4尺度下的相关值，因此小波变换的分解层数要大于4，此处进行实验时选取的小波分解层数为6；

D、计算同一小波分解尺度下的暂态电压线模分量与零模分量首波头模极大值比 神经网络的输入矢量为[k₁、k₂、k₃、k₄]；

E、将步骤D中得到的输入矢量作为神经网络的输入样本集，故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；

F、当故障测距神经网络模型形成以后，将测试样本输入训练后的故障测距神经网络模型，得到故障测距结果。

所述步骤B中过渡电阻取值为0-300Ω，其中过渡电阻的步长为10Ω。

所述步骤C中对故障数据进行小波分解变换时，所用小波基为db6。

实施例4：如图1-5所示，一种利用模极大值比的特高压直流输电线路单端测距方法的具体步骤如下：

A、特高压直流输电线路发生接地故障后，正极线路与负极线路上位于整流侧的数据采集装置分别采集故障后5ms时窗内的故障电压u⁺、u^-；

B、针对不同的过渡电阻和不同的故障距离分别对正极线路与负极线路上采集到的故障电压u⁺、u^-进行解耦变换，得到独立的暂态电压线模分量u₁与零模分量u₀；

C、分别对u₁、u₀进行小波分解，得到第1、2、3、4尺度下的暂态电压线模分量首波头幅值U₁₁、U₂₁、U₃₁、U₄₁和暂态电压零模分量首波头幅值U₁₀、U₂₀、U₃₀、U₄₀；为了得到第1、2、3、4尺度下的相关值，因此小波变换的分解层数要大于4，此处进行实验时选取的小波分解层数为6；

D、计算同一小波分解尺度下的暂态电压线模分量与零模分量首波头模极大值比 神经网络的输入矢量为[k₁、k₂、k₃、k₄]；

E、将步骤D中得到的输入矢量作为神经网络的输入样本集，故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；

F、当故障测距神经网络模型形成以后，将测试样本输入训练后的故障测距神经网络模型，得到故障测距结果。

所述步骤B中过渡电阻取值为0-300Ω，其中过渡电阻的步长为10Ω。

所述步骤C中对故障数据进行小波分解变换时，所用小波基为db6。

所述步骤E中故障测距的神经网络采用BP神经网络模型，其中输入层神经元数目为4，隐含层神经元数目为28；该网络具有一个隐含层，采用S型传递函数tansig，输出层采用纯线性传递函数purelin。

实施例5：如图1-5所示，一种利用模极大值比的特高压直流输电线路单端测距方法的具体步骤如下：

A、特高压直流输电线路发生接地故障后，正极线路与负极线路上位于整流侧的数据采集装置分别采集故障后5ms时窗内的故障电压u⁺、u^-；

B、针对不同的过渡电阻和不同的故障距离分别对正极线路与负极线路上采集到的故障电压u⁺、u^-进行解耦变换，得到独立的暂态电压线模分量u₁与零模分量u₀；

C、分别对u₁、u₀进行小波分解，得到第1、2、3、4尺度下的暂态电压线模分量首波头幅值U₁₁、U₂₁、U₃₁、U₄₁和暂态电压零模分量首波头幅值U₁₀、U₂₀、U₃₀、U₄₀；为了得到第1、2、3、4尺度下的相关值，因此小波变换的分解层数要大于4，此处进行实验时选取的小波分解层数为6；

D、计算同一小波分解尺度下的暂态电压线模分量与零模分量首波头模极大值比 神经网络的输入矢量为[k₁、k₂、k₃、k₄]；

E、将步骤D中得到的输入矢量作为神经网络的输入样本集，故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；

F、当故障测距神经网络模型形成以后，将测试样本输入训练后的故障测距神经网络模型，得到故障测距结果。

所述步骤B中过渡电阻取值为0-300Ω，其中过渡电阻的步长为10Ω。

所述步骤C中对故障数据进行小波分解变换时，所用小波基为db6。

所述步骤E中故障测距的神经网络采用BP神经网络模型，其中输入层神经元数目为4，隐含层神经元数目为28；该网络具有一个隐含层，采用S型传递函数tansig，输出层采用纯线性传递函数purelin。

所述神经网络采用自适应学习速度算法，学习率为0.01，最大训练次数取为10000，收敛精度设置为10^-5。

实施例6：如图1-5所示，一种利用模极大值比的特高压直流输电线路单端测距方法的具体步骤如下：

A、特高压直流输电线路发生接地故障后，正极线路与负极线路上位于整流侧的数据采集装置分别采集故障后5ms时窗内的故障电压u⁺、u^-；

B、针对不同的过渡电阻和不同的故障距离分别对正极线路与负极线路上采集到的故障电压u⁺、u^-进行解耦变换，得到独立的暂态电压线模分量u₁与零模分量u₀；

C、分别对u₁、u₀进行小波分解，得到第1、2、3、4尺度下的暂态电压线模分量首波头幅值U₁₁、U₂₁、U₃₁、U₄₁和暂态电压零模分量首波头幅值U₁₀、U₂₀、U₃₀、U₄₀；为了得到第1、2、3、4尺度下的相关值，因此小波变换的分解层数要大于4，此处进行实验时选取的小波分解层数为6；

D、计算同一小波分解尺度下的暂态电压线模分量与零模分量首波头模极大值比 神经网络的输入矢量为[k₁、k₂、k₃、k₄]；

E、将步骤D中得到的输入矢量作为神经网络的输入样本集，故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；

F、当故障测距神经网络模型形成以后，将测试样本输入训练后的故障测距神经网络模型，得到故障测距结果。

所述步骤B中过渡电阻取值为0-300Ω，其中过渡电阻的步长为10Ω。

所述步骤C中对故障数据进行小波分解变换时，所用小波基为db6。

所述步骤E中故障测距的神经网络采用BP神经网络模型，其中输入层神经元数目为4，隐含层神经元数目为28；该网络具有一个隐含层，采用S型传递函数tansig，输出层采用纯线性传递函数purelin。

所述神经网络采用自适应学习速度算法，学习率为0.01，最大训练次数取为10000，收敛精度设置为10^-5。

用得到的故障测距神经网络模型对训练集以外的故障距离进行测试，得到不同条件下的测距结果如表3所示：

表3测距结果

分析表3中所示仿真结果可知，不同过渡电阻下不同故障距离处，利用故障测距ANN模型(人工神经网络(ArtificialNeuralNetwork，即ANN)模型)测得的结果误差基本保持在2km以内，而且随着过渡电阻的变化，测距精度不受影响，可见本专利提出的利用模极大值比的特高压直流输电线路单端测距方法精度较高，而且耐受过渡电阻能力强。

实施例7：如图1-5所示，一种利用模极大值比的特高压直流输电线路单端测距方法的具体步骤如下：

A、特高压直流输电线路发生接地故障后，正极线路与负极线路上位于整流侧的数据采集装置分别采集故障后5ms时窗内的故障电压u⁺、u^-；

B、针对不同的过渡电阻和不同的故障距离分别对正极线路与负极线路上采集到的故障电压u⁺、u^-进行解耦变换，得到独立的暂态电压线模分量u₁与零模分量u₀；

C、分别对u₁、u₀进行小波分解，得到第1、2、3、4尺度下的暂态电压线模分量首波头幅值U₁₁、U₂₁、U₃₁、U₄₁和暂态电压零模分量首波头幅值U₁₀、U₂₀、U₃₀、U₄₀；为了得到第1、2、3、4尺度下的相关值，因此小波变换的分解层数要大于4，此处进行实验时选取的小波分解层数为6；

D、计算同一小波分解尺度下的暂态电压线模分量与零模分量首波头模极大值比 神经网络的输入矢量为[k₁、k₂、k₃、k₄]；

E、将步骤D中得到的输入矢量作为神经网络的输入样本集，故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；

F、当故障测距神经网络模型形成以后，将测试样本输入训练后的故障测距神经网络模型，得到故障测距结果。

所述步骤B中过渡电阻取值为0-300Ω，其中过渡电阻的步长为10Ω。

所述步骤C中对故障数据进行小波分解变换时，所用小波基为db6。

所述步骤E中故障测距的神经网络采用BP神经网络模型，其中输入层神经元数目为4，隐含层神经元数目为28；该网络具有一个隐含层，采用S型传递函数tansig，输出层采用纯线性传递函数purelin。

所述神经网络采用自适应学习速度算法，学习率为0.01，最大训练次数取为10000，收敛精度设置为10^-5。

本实施例仿真时采样率fs＝200kHz。为了增强故障测距神经网络模型的泛化能力，选取小波分解后第1、2、3、4尺度下暂态电压线模分量和零模分量首波头模极大值比作为测距网络的输入样本集，故障距离作为输出样本集，对神经网络进行训练，形成故障测距神经网络模型。故障测距神经网络模型形成以后，将反映故障位置的特征数据输入训练后的网络模型即可实现故障测距。其中训练神经网络的输入样本集可通过以下方法获得：

(1)取故障后5ms时窗内的单端暂态电压信号作为故障信号，对其进行解耦变换得到独立的暂态电压线模分量和零模分量。分别对线模分量和零模分量进行小波变换(为了得到第1、2、3、4尺度下的相关值，因此小波变换的分解层数要大于4，此处进行实验时选取的小波分解层数为6)，求得第1、2、3、4尺度内的模量首波头模极大值比k₁、k₂、k₃、k₄，训练样本的输入矢量为[k₁、k₂、k₃、k₄]。

(2)线路全长为1418km。故障点从距离整流侧测距装置处5km起开始设置直至距离整流侧测距装置处1415km结束，故障距离变化步长取10km。

(3)过渡电阻为0-300Ω，步长为10Ω。

经过上述步骤，生成的故障测距神经网络模型如图4所示。

该网络具有一个隐含层，输入层神经元数目为4，对应的是第1、2、3、4尺度内模量首波头模极大值比k₁、k₂、k₃、k₄。ω_ml表示输入层的第m个神经元到隐含层的第l个神经元之间的连接权值，ω_l表示隐含层第l个神经元到输出层神经元之间的权值。∑表示BP神经网络的误差反传环节。

训练收敛曲线如图5所示，可见经过427次训练后，神经网络的误差收敛至预期要求，该神经网络收敛速度较快。

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 (5)

1.一种利用模极大值比的特高压直流输电线路单端测距方法，其特征在于：所述利用模极大值比的特高压直流输电线路单端测距方法的具体步骤如下：

A、特高压直流输电线路发生接地故障后，正极线路与负极线路上位于整流侧的数据采集装置分别采集故障后5ms时窗内的故障电压u⁺、u^-；

B、针对不同的过渡电阻和不同的故障距离分别对正极线路与负极线路上采集到的故障电压u⁺、u^-进行解耦变换，得到独立的暂态电压线模分量u₁与零模分量u₀；

C、分别对u₁、u₀进行小波分解，得到第1、2、3、4尺度下的暂态电压线模分量首波头幅值U₁₁、U₂₁、U₃₁、U₄₁和暂态电压零模分量首波头幅值U₁₀、U₂₀、U₃₀、U₄₀；

D、计算同一小波分解尺度下的暂态电压线模分量与零模分量首波头模极大值比 神经网络的输入矢量为[k₁、k₂、k₃、k₄]；

E、将步骤D中得到的输入矢量作为神经网络的输入样本集，故障距离作为输出样本集，神经网络进行训练，生成故障测距神经网络模型；

F、当故障测距神经网络模型形成以后，将测试样本输入训练后的故障测距神经网络模型，得到故障测距结果。

2.根据权利要求1所述的利用模极大值比的特高压直流输电线路单端测距方法，其特征在于：所述步骤B中过渡电阻取值为0-300Ω，其中过渡电阻的步长为10Ω。

3.根据权利要求1所述的利用模极大值比的特高压直流输电线路单端测距方法，其特征在于：所述步骤C中对故障数据进行小波分解变换时，所用小波基为db6。

4.根据权利要求1所述的利用模极大值比的特高压直流输电线路单端测距方法，其特征在于：所述步骤E中故障测距的神经网络采用BP神经网络模型，其中输入层神经元数目为4，隐含层神经元数目为28；该网络具有一个隐含层，采用S型传递函数tansig，输出层采用纯线性传递函数purelin。

5.根据权利要求1所述的利用模极大值比的特高压直流输电线路单端测距方法，其特征在于：所述神经网络采用自适应学习速度算法，学习率为0.01，最大训练次数取为10000，收敛精度设置为10^-5。