CN108120903A - 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 - Google Patents
一种基于脉冲神经膜系统的小电流单相接地故障选线方法 Download PDFInfo
- Publication number
- CN108120903A CN108120903A CN201810108797.5A CN201810108797A CN108120903A CN 108120903 A CN108120903 A CN 108120903A CN 201810108797 A CN201810108797 A CN 201810108797A CN 108120903 A CN108120903 A CN 108120903A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- fault
- line
- line selection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 23
- 210000005036 nerve Anatomy 0.000 title abstract 3
- 230000001052 transient effect Effects 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 210000002569 neuron Anatomy 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 13
- 210000002364 input neuron Anatomy 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
一种基于脉冲神经膜系统的小电流单相接地故障选线方法，包括：提取故障时刻配电网各线路的零序特征，包括稳态和暂态特征，并建立线路的故障测度函数；基于信息增益度和粗糙集理论，得到选线判据的权重和选线决策规则；通过脉冲神经膜系统模糊推理得到融合后的故障测度，确定故障线路。本发明充分利用了故障信息，将采集的稳态零序电流幅值、稳态零序电流相角、零序无功功率幅值、零序导纳幅值、暂态零序电流能量值、暂态零序电流有效值作为选线判据，利用脉冲神经膜系统进行模糊推理得到最大的故障测度，能够准确地得到选线结果，克服了单一选线判据无法适应复杂故障工况的缺点，提高小电流故障选线精度，保障电力系统安全可靠供电。
Description
技术领域
本发明涉及电力系统配电网故障诊断技术领域，特别是一种基于脉冲神经膜系统的小电流单相接地故障选线方法。
背景技术
我国电力系统普遍采用的中性点运行方式有三种：中性点直接接地、中性点不接地、中性点经消弧线圈接地。中性点不接地和中性点经消弧线圈接地方式，又称为小电流接地系统。我国35kV以下的配电网中性点运行方式多采用小电流接地运行方式。依据相关电力部门统计，在该运行方式下单相接地故障约占配电网总故障的70％～80％。
小电流接地方式由于系统中性点和接地点之间不形成回路，当发生单相接地故障时，流过故障点电流仅为电网对地电容中通过的电流，其值很小，瞬时故障一般可自动熄弧；且非故障相电压升高不大，三相线电压仍保持对称，不影响系统对负荷连续供电，故可带故障连续供电1～2h，因此提高了系统的供电可靠性。但由于系统非故障相对地电压升高,系统绝缘薄弱点很可能被击穿，容易损坏电气设备；当发生间歇性弧光接地时,由于电弧的反复熄灭和重燃，使得对地电容中的能量不能释放，从而产生弧光过电压,使得系统绝缘受到很大威胁,可能使故障扩大为相间短路。为了避免危险性发生，这就要求操作人员尽快找到故障线路,并切除故障，以保证系统安全稳定运行。因此，研究有效的选线技术和选线装置对配电网安全可靠地运行和实现变电站综合自动化有着重要的意义。
小电流接地系统单相接地故障选线是关系到电网稳定安全运行的重要问题；归纳起来，现有的选线方法主要可分为主动式和被动式。主动式主要是注入信号法，而被动式又可分为三类：稳态信号的选线方法、暂态信号的选线方法和信息融合的选线方法。基于稳态信号的选线方法是我国目前研究较成熟的一类方法。这类方法主要包括零序电流幅值比较法、零序电流方向法、谐波法、零序电流有功分量法、负序电流法、零序导纳法等；由于小电流接地系统发生故障时稳态电流幅值小，且容易受电弧、电流互感器不平衡电流和接地电阻的影响，所以基于稳态信号的选线方法多数选线灵敏度低、易受消弧线圈的影响，导致选线效果并不好，为克服稳态选线方法的一些缺点，很多基于暂态信号的选线方法相继提出，主要包括首半波法、暂态零序能量法等，虽然暂态选线方法可以在一定程度上弥补稳态选线方法的不足，但当小电流接地系统发生高阻抗接地故障时，故障信号中包含的暂态信号很少，导致暂态选线方法灵敏度降低甚至失效。基于信息融合的选线方法主要是将多种选线方法进行智能融合，比单一的选线方法具有更高的准确性，更能适应复杂的故障情况。
小电流接地系统单相接地故障选线问题始终仍是电力系统一个动态性的难题。本发明依据此，充分利用故障信息，将多种选线判据智能融合，利用适合解决动态性问题的脉冲神经膜系统模糊推理，得到最后的选线结果，为小电流故障选线提供了一种新方法。
发明内容
本发明的目的是提供一种基于脉冲神经膜系统的小电流单相接地故障选线方法，以解决目前单一选线方法准确度不高的缺点，提高小电流故障选线精度，从而保障电力系统安全可靠供电。
实现本发明目的的技术方案如下：
一种基于脉冲神经膜系统的小电流单相接地故障选线方法，包括
步骤1：获取配电网各馈线监测点的母线零序电压以及零序电流历史数据，得到各样本选线判据稳态零序电流幅值a、稳态零序电流相角b、零序无功功率幅值c、零序导纳幅值d、暂态零序电流能量值e、暂态零序电流有效值f的值，建立各选线判据的故障测度函数，并确定第n个样本第p个选线判据的故障测度值yn(p)，其中p＝1，2，…，6，分别对应上述选线判据；n＝1，2，…，N，N为样本总数；样本分为故障线路与非故障线路，即X＝{Xi}，i＝1，2；第i类样本数为|Xi|，|X|＝N；
步骤2：建立决策表，如下：
| 样本 | a | b | c | d | e | f | X |
| 1 | y1(1) | y1(2) | y1(3) | y1(4) | y1(5) | y1(6) | Xi |
| 2 | y2(1) | y2(2) | y2(3) | y2(4) | y2(5) | y2(6) | Xi |
| 3 | y3(1) | y3(2) | y3(3) | y3(4) | y3(5) | y3(6) | Xi |
| 4 | y4(1) | y4(2) | y4(3) | y4(4) | y4(5) | y4(6) | Xi |
| 5 | y5(1) | y5(2) | y5(3) | y5(4) | y5(5) | y5(6) | Xi |
| 6 | y6(1) | y6(2) | y6(3) | y6(4) | y6(5) | y6(6) | Xi |
| … | … | … | … | … | … | … | … |
| N | yN(1) | yN(2) | yN(3) | yN(4) | yN(5) | yN(6) | Xi |
步骤3：利用上述决策表，引入粗糙集理论对决策表进行属性约简，得到选线的决策规则，包括
3.1决策属性为线路是否故障，即X＝{X1,X2}；条件属性为选线判据稳态零序电流幅值a、稳态零序电流相角b、零序无功功率幅值c、零序导纳幅值d、暂态零序电流能量值e、暂态零序电流有效值f；
3.2将样本数据({y1(1),y1(2),…,y1(6)},{y2(1),y2(2),…,y2(6)},…,{yN(1),yN(2),…,yN(6)})进行离散化处理：当yn(p)∈[0，0.3)时编码为0，即判断馈线为非故障线路；yn(p)∈[0.3，0.7]时编码为1，即不能判断馈线是否故障；yn(p)∈(0.7，1]时编码为2，即判断馈线为故障线路；
3.3决策表属性约简，即利用粗糙集中知识简化方法对决策表进行约简，消除其中不必要的条件属性；
采用基于可辨识矩阵的算法实现上述知识简化，具体为：
定义一个N阶的对称矩阵M(S)，其l行t列处元素为[zlt]n×n，
其中，Y为上述决策表的条件属性集，即Y＝{a,b,c,d,e,f}，l,t＝1,2,…,n，nl表示第l行样本数据，f(n,k)表示样本n在属性k上的值；
3.4决策表最简化，即消除重复的规则得到最后的选线规则，
选线的决策规则为由可辨识矩阵M(S)导出的可辨识函数，其定义为：
式中，Vzlt是所有zlt中各项的析取；
步骤4：利用上述离散化编码后的样本数据，对于任一选线判据，引入信息增益度，得到各选线判据的权重：
ΔQp＝M(X)-B(X,P)
P(Xi)＝|Xi|/|X|
其中，ΔQp为第p个选线判据的权重，P(Xi)为样本数据为Xi的概率，M(X)为X的不确定信息程度，B(X,P)为分类信息熵，j＝1，2，3，分别对应选线判据样本数据离散化编码的0，1，2表示的三个性质；步骤5：利用脉冲神经膜系统对步骤3.4的选线规则进行知识表达，将六种选线判据a、b、c、d、e、f的故障测度值分别作为脉冲神经膜系统的输入，并通过模糊推理得到经步骤3约简后得到的融合的选线规则的各馈线故障测度：
一个度为m，m≥1的模糊推理实数脉冲神经膜系统形式化定义为：
Π＝(O,σ1,…,σm,in,out)
其中，O＝{a}为但字母集合，a表示一个脉冲；σ1,…,σm表示系统Π中的m个神经元，包括输入神经元、规则神经元和输出神经元；神经元σi＝(αi,τi,ri)，其中，αi,τi∈[0,1]，αi为σi的脉冲值，τi为σi的真值；ri为σi的点火规则，各馈线六种选线判据的列向量(yn(1),yn(2),…,yn(6))为输入神经元的初始值；表示神经元之间的连接关系；in和out分别表示输入和输出神经元集合；
模糊产生式规则具体如下：
1)简单规则：θk＝θj*ci；其中置信度ci为各选线判据ΔQp的值；
2)与规则：θk＝min(θ1,…,θk-1)*ci；
3)或规则：θk＝max(θ1,…,θk-1)*ci；
其中，θ1,…,θk-1,θk分别为各神经元的真值；
利用2)、3)中的与、或规则对步骤3.4中的选线规则进行知识表达，并进行模糊推理；
脉冲神经膜系统的模糊推理算法如下：
1)按如下公式计算并更新规则神经元模糊真值向量δg：
2)按如下公式计算并更新命题神经元模糊真值向量θg：
其中，D1,D2,D3,E为反映神经元之间连接关系的矩阵，C为表示各模糊产生式规则的确定性因子的矩阵，θg为融合后各馈线的故障测度值，通过比较其大小从而确定故障线路；
步骤6：获取配电网各馈线监测点的母线零序电压信息数据，当零序电压幅值大于启动电压时，启动故障选线；
步骤7：获取各馈线实时的零序电流信息数据，结合零序电压信息数据得到各馈线六种选线判据a、b、c、d、e、f的实时故障测度值，即(yn(1),yn(2),…,yn(6))，将其作为步骤5知识表达的故障选线模型的输入，即为输入神经元的初始值，经模糊推理后得到n条馈线融合的故障测度值，即(θg1,θg2,…,θgn)；步骤8：比较上述θg1,θg2,…,θgn的大小，并确定与最大θg对应的线路为配电网单相接地故障线路。
本发明的有益效果在于，充分利用了故障信息，将采集的稳态零序电流幅值、稳态零序电流相角、零序无功功率幅值、零序导纳幅值、暂态零序电流能量值、暂态零序电流有效值等数据，分别作为选线判据，利用脉冲神经膜系统进行模糊推理得到最大的故障测度，能够准确地得到选线结果，克服了单一选线判据无法适应复杂故障工况的缺点，提高小电流故障选线精度，保障电力系统安全可靠供电。
附图说明
图1为基于脉冲神经膜系统的小电流故障选线流程图。
图2为模糊实数脉冲神经膜系统的故障选线推理模型。
具体实施方式
下面结合附图和具体实施方式对本发明进行进一步的详细说明。
如图1所示，具体步骤如下：
步骤1：获取配电网各馈线监测点的母线零序电压以及零序电流相关历史数据，进而得到各样本选线判据稳态零序电流幅值(a)、稳态零序电流相角(b)、零序无功功率幅值(c)、零序导纳幅值(d)、暂态零序电流能量值(e)、暂态零序电流有效值(f)的值，建立各选线判据的故障测度函数，并确定第n个样本第p个选线判据的故障测度值yn(p)，其中p＝1，2，…，6，n＝1，2，…，N，N为配电网样本总数，样本分为故障线路与非故障线路，即X＝{Xi}，i＝1，2，第i类样本数为|Xi|，样本总数为|X|＝N。
步骤2：将上述历史数据建立一个决策表，如下：
表一样本数据决策表
步骤3：利用上述建立的决策表，并引入粗糙集理论，对决策表进行属性约简，得到选线的决策规则，具体步骤如下：
1)设计决策表。决策属性表述为线路是否故障，即X＝{X1,X2}，条件属性为上述稳态零序电流幅值a、稳态零序电流相角b、零序无功功率幅值c、零序导纳幅值d、暂态零序电流能量值e、暂态零序电流有效值f六种选线判据。
2)样本数据1,2,3,…,N的输入。每一个样本为决策表里面的一行，即为一条决策规则；将样本的信息数据({y1(1),y1(2),…,y1(6)},{y2(1),y2(2),…,y2(6)},…,{yN(1),yN(2),…,yN(6)})进行离散化处理，当yn(p)∈[0.3，0.7]时编码为1，即不能判断馈线是否故障；yn(p)∈(0.7，1]时编码为2，即判断馈线为故障线路；。
3)决策表属性约简。利用粗糙集中的知识的简化方法对所述的决策表进行约简，消除其中不必要的条件属性,其知识简化方法具体表述如下：
定义一个N阶的对称矩阵M(S)，其l行t列处元素为[zlt]n×n，
其中，Y为上述决策表的条件属性集，即Y＝{a,b,c,d,e,f}，l,t＝1,2,…,n，nl表示第l行样本数据，f(n,k)表示样本n在属性k上的值；
4)决策表最简化，即消除重复的规则得到最后的选线规则。选线的决策规则为由可辨识矩阵M(S)导出的可辨识函数，其定义为：
式中，∨zlt是所有zlt中各项的析取；
步骤4:利用上述离散化编码后的决策表，对于任一选线判据，引入信息增益度，得到各选线判据的权重：
ΔQp＝M(X)-B(X,P)
P(Xi)＝|Xi|/|X|
其中，ΔQp为第p个选线判据的权重，P(Xi)为样本数据为Xi的概率，M(X)为X的不确定信息程度，B(X,P)为分类信息熵，j＝1，2，3，分别对应着选线判据样本数据离散化编码的0，1，2表示的三个性质。
步骤5：利用脉冲神经膜系统对步骤3中4)的决策规则进行知识表达，将各馈线的六种选线判据a、b、c、d、e、f的故障测度值分别作为脉冲神经膜系统的输入，并通过模糊推理得到经步骤3的决策规则融合后的各馈线故障测度:
一个度为m(m≥1)的模糊推理实数脉冲神经膜系统形式化定义为:
Π＝(O,σ1,…,σm,in,out)
其中，
O＝{a}为但字母集合，a表示一个脉冲；
σ1,…,σm表示系统Π中的m个神经元，包括输入神经元、规则神经元和输出神经元，神经元σi＝(αi,τi,ri)，
其中，αi,τi∈[0,1]，αi为σi的脉冲值，τi为σi的真值；ri为σi的点火规则，各馈线六种选线判据的列向量(yn(1),yn(2),…,yn(6))为输入神经元的初始值。
表示神经元之间的连接关系；
in和out分别表示输入和输出神经元集合。
模糊产生式规则具体如下：
1)简单规则：θk＝θj*ci；
其中置信度ci为步骤4中各选线判据ΔQp的值。
2)与规则：θk＝min(θ1,…,θk-1)*ci；
3)或规则：θk＝max(θ1,…,θk-1)*ci。
其中，θ1,…,θk-1,θk分别为各神经元的真值，ci为置信度。
利用2)3)中的与或规则对步骤3中的4)进行知识表达，并进行模糊推理。
脉冲神经膜系统的模糊推理算法描述如下：
1)按如下公式计算并更新规则神经元模糊真值向量δg
2)按如下公式计算并更新命题神经元模糊真值向量θg
其中，D1,D2,D3,E为反映神经元之间连接关系的矩阵，C为表示各模糊产生式规则的确定性因子的矩阵，θg为融合后各馈线的故障测度值，通过比较其大小从而确定故障线路。
步骤6：获取配电网各馈线监测点的母线零序电压信息数据，当零序电压幅值大于启动电压时，则启动故障选线；否则，继续采集信息。
步骤7：获取各馈线实时的零序电流信息数据，结合零序电压信息数据得到各馈线六种选线判据a、b、c、d、e、f的实时故障测度值，即(yn(1),yn(2),…,yn(6))，将其输入至上述建立的故障选线模型，得到n条馈线融合的故障测度值，即(θg1,θg2,…,θgn)。
步骤8：比较上述θg1,θg2,…,θgn的大小，并确定与最大θg对应的线路为配电网单相接地故障线路。
上述基于脉冲神经膜系统的小电流单相接地故障选线方法，其中使用小波分解计算暂态零序电流能量值为：
其中，i为小波分解层数，ωi(k)为线路k第i尺度下的模极大值。
上述基于脉冲神经膜系统的小电流单相接地故障选线方法，其中暂态零序电流有效值为：
其中，为故障后一个周期里馈线暂态零序电流幅值。
实施例：
采用MATLAB/Simulink搭建的配电网算例进行仿真分析，配电网系统参数为：额定功率为250MVA，电压110kV/35kV，线路长度分别为10km,15km,20km,28km,35km,50km，故障位置在线路1的5％处，其过渡电阻为0.2Ω。
仿真运算结果如下：
表二各个线路的故障测定值
离散化后各个线路的故障测度值
经处理以及脉冲神经膜系统推理后的结果
由上述推理可知，融合后线路1的故障测度值最大，即判定为故障线路。
经大量实验仿真分析，当融合推理后线路故障测度大于0.45时，该线路为故障线路。
通过前面的分析，本发明基于脉冲神经膜系统的小电流单相接地故障选线方法能够快速诊断出故障线路，克服了单一选线方法选线准确性不高的缺点，能够提高配电网小电流接地系统的供电可靠性。
Claims (1)
1.一种基于脉冲神经膜系统的小电流单相接地故障选线方法，其特征在于，包括
步骤1：获取配电网各馈线监测点的母线零序电压以及零序电流历史数据，得到各样本选线判据稳态零序电流幅值a、稳态零序电流相角b、零序无功功率幅值c、零序导纳幅值d、暂态零序电流能量值e、暂态零序电流有效值f的值，建立各选线判据的故障测度函数，并确定第n个样本第p个选线判据的故障测度值yn(p)，其中p＝1，2，…，6，分别对应上述选线判据；n＝1，2，…，N，N为样本总数；样本分为故障线路与非故障线路，即X＝{Xi}，i＝1，2；第i类样本数为|Xi|，|X|＝N；
步骤2：建立决策表，如下：
步骤3：利用上述决策表，引入粗糙集理论对决策表进行属性约简，得到选线的决策规则，包括
3.1决策属性为线路是否故障，即X＝{X1,X2}；条件属性为选线判据稳态零序电流幅值a、稳态零序电流相角b、零序无功功率幅值c、零序导纳幅值d、暂态零序电流能量值e、暂态零序电流有效值f；
3.2将样本数据({y1(1),y1(2),…,y1(6)},{y2(1),y2(2),…,y2(6)},…,{yN(1),yN(2),…,yN(6)})进行离散化处理：当yn(p)∈[0，0.3)时编码为0，即判断馈线为非故障线路；yn(p)∈[0.3，0.7]时编码为1，即不能判断馈线是否故障；yn(p)∈(0.7，1]时编码为2，即判断馈线为故障线路；
3.3决策表属性约简，即利用粗糙集中知识简化方法对决策表进行约简，消除其中不必要的条件属性；采用基于可辨识矩阵的算法实现上述知识简化，具体为：
定义一个N阶的对称矩阵M(S)，其l行t列处元素为[zlt]n×n，
其中，Y为上述决策表的条件属性集，即Y＝{a,b,c,d,e,f}，l,t＝1,2,…,n，nl表示第l行样本数据，f(n,k)表示样本n在属性k上的值；
3.4决策表最简化，即消除重复的规则得到最后的选线规则，
选线的决策规则为由可辨识矩阵M(S)导出的可辨识函数，其定义为：
式中，∨zlt是所有zlt中各项的析取；
步骤4：利用上述离散化编码后的样本数据，对于任一选线判据，引入信息增益度，得到各选线判据的权重：
ΔQp＝M(X)-B(X,P)
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</munderover>
<mo>&lsqb;</mo>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<mo>&lsqb;</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>P</mi>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mi>P</mi>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
P(Xi)＝|Xi|/|X|
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mi>P</mi>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<mo>&lsqb;</mo>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>P</mi>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>P</mi>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中，ΔQp为第p个选线判据的权重，P(Xi)为样本数据为Xi的概率，M(X)为X的不确定信息程度，B(X,P)为分类信息熵，j＝1，2，3，分别对应选线判据样本数据离散化编码的0，1，2表示的三个性质；
步骤5：利用脉冲神经膜系统对步骤3.4的选线规则进行知识表达，将六种选线判据a、b、c、d、e、f的故障测度值分别作为脉冲神经膜系统的输入，并通过模糊推理得到经步骤3约简后得到的融合的选线规则的各馈线故障测度：
一个度为m，m≥1的模糊推理实数脉冲神经膜系统形式化定义为：
Π＝(0,σ1,…,σm,in,out)
其中，O＝{a}为但字母集合，a表示一个脉冲；σ1,…,σm表示系统Π中的m个神经元，包括输入神经元、规则神经元和输出神经元；神经元σi＝(αi,τi,ri)，其中，αi,τi∈[0,1]，αi为σi的脉冲值，τi为σi的真值；ri为σi的点火规则，各馈线六种选线判据的列向量(yn(1),yn(2),…,yn(6))为输入神经元的初始值；表示神经元之间的连接关系；in和out分别表示输入和输出神经元集合；
模糊产生式规则具体如下：
1)简单规则：θk＝θj*ci；其中置信度ci为各选线判据ΔQp的值；
2)与规则：θk＝min(θ1,…,θk-1)*ci；
3)或规则：θk＝max(θ1,…,θk-1)*ci；
其中，θ1,…,θk-1,θk分别为各神经元的真值；
利用2)、3)中的与、或规则对步骤3.4中的选线规则进行知识表达，并进行模糊推理；
脉冲神经膜系统的模糊推理算法如下：
1)按如下公式计算并更新规则神经元模糊真值向量δg：
<mrow>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>g</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>D</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
<mo>&CircleTimes;</mo>
<msub>
<mi>&theta;</mi>
<mi>g</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>D</mi>
<mn>2</mn>
<mi>T</mi>
</msubsup>
<mo>&CirclePlus;</mo>
<msub>
<mi>&theta;</mi>
<mi>g</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>D</mi>
<mn>3</mn>
<mi>T</mi>
</msubsup>
<mo>&Theta;</mo>
<msub>
<mi>&theta;</mi>
<mi>g</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
2)按如下公式计算并更新命题神经元模糊真值向量θg：
其中，D1,D2,D3,E为反映神经元之间连接关系的矩阵，C为表示各模糊产生式规则的确定性因子的矩阵，θg为融合后各馈线的故障测度值，通过比较其大小从而确定故障线路；
步骤6：获取配电网各馈线监测点的母线零序电压信息数据，当零序电压幅值大于启动电压时，启动故障选线；
步骤7：获取各馈线实时的零序电流信息数据，结合零序电压信息数据得到各馈线六种选线判据a、b、c、d、e、f的实时故障测度值，即(yn(1),yn(2),…,yn(6))，将其作为步骤5知识表达的故障选线模型的输入，即为输入神经元的初始值，经模糊推理后得到n条馈线融合的故障测度值，即(θg1,θg2,…,θgn)；
步骤8：比较上述θg1,θg2,…,θgn的大小，并确定与最大θg对应的线路为配电网单相接地故障线路。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810108797.5A CN108120903B (zh) | 2018-02-05 | 2018-02-05 | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810108797.5A CN108120903B (zh) | 2018-02-05 | 2018-02-05 | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108120903A true CN108120903A (zh) | 2018-06-05 |
| CN108120903B CN108120903B (zh) | 2019-05-31 |
Family
ID=62233715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810108797.5A Expired - Fee Related CN108120903B (zh) | 2018-02-05 | 2018-02-05 | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108120903B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488154A (zh) * | 2019-08-28 | 2019-11-22 | 国网四川省电力公司成都供电公司 | 一种用于调度主站端的小电流接地选线方法 |
| CN110907757A (zh) * | 2019-12-06 | 2020-03-24 | 国网天津市电力公司电力科学研究院 | 基于电突触传递的snp系统含分布式电源配电网故障定位方法 |
| CN110988606A (zh) * | 2020-01-02 | 2020-04-10 | 河南理工大学 | 基于锐化处理的小电流接地故障选线方法 |
| CN111650476A (zh) * | 2020-07-06 | 2020-09-11 | 国网江苏省电力有限公司沛县供电分公司 | 基于采样值法的配电网单相电弧性接地故障选线方法 |
| CN112255574A (zh) * | 2020-11-26 | 2021-01-22 | 国家电网有限公司 | 暂态量与中电阻融合的小电流接地选线跳闸方法及系统 |
| CN112613613A (zh) * | 2020-12-01 | 2021-04-06 | 西华大学 | 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 |
| CN112731054A (zh) * | 2020-12-19 | 2021-04-30 | 国网河南省电力公司电力科学研究院 | 基于零序残压抑制的配电网单相接地故障选线方法 |
| CN112964967A (zh) * | 2021-03-19 | 2021-06-15 | 云南电网有限责任公司昆明供电局 | 一种配电网转供电单相接地故障线路的选线方法 |
| CN113159113A (zh) * | 2021-03-09 | 2021-07-23 | 西华大学 | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 |
| CN113484685A (zh) * | 2021-07-16 | 2021-10-08 | 西华大学 | 一种基于时序组织型p系统的电网故障诊断方法 |
| CN113625118A (zh) * | 2021-08-17 | 2021-11-09 | 广西电网有限责任公司 | 基于优化脉冲神经膜系统的单相接地故障选线方法 |
| CN115078920A (zh) * | 2022-08-22 | 2022-09-20 | 国网江苏省电力有限公司南京供电分公司 | 多信息融合的有源配电网单相接地故障选线方法与系统 |
| CN116068333A (zh) * | 2022-12-28 | 2023-05-05 | 安徽正广电电力技术有限公司 | 基于模糊理论的多判据融合故障选线装置及选线方法 |
| CN116626443A (zh) * | 2023-06-06 | 2023-08-22 | 国网江苏省电力有限公司宿迁供电分公司 | 一种多判据融合的配电网小电流接地故障选线方法及装置 |
| CN116643123A (zh) * | 2023-06-06 | 2023-08-25 | 国网江苏省电力有限公司宿迁供电分公司 | 基于现场故障数据集的小电流接地选线优化方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101188354A (zh) * | 2007-11-30 | 2008-05-28 | 昆明理工大学 | 小电流接地系统故障选线的测后模拟方法 |
| CN102831477A (zh) * | 2012-09-13 | 2012-12-19 | 西华大学 | 一种自适应模糊脉冲神经膜系统及推理算法和学习算法 |
| CN103336222A (zh) * | 2013-06-06 | 2013-10-02 | 西南交通大学 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
| US20140032138A1 (en) * | 2012-07-24 | 2014-01-30 | Binod Shrestha | Apparatus and method for out-of-step protection using the analysis of trajectories of electrical measurements in state plane |
| CN104977499A (zh) * | 2015-07-23 | 2015-10-14 | 中国电力科学研究院 | 一种小电流接地系统单相接地故障选线方法 |
| CN106447031A (zh) * | 2016-09-27 | 2017-02-22 | 西华大学 | 一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置 |
| CN106483425A (zh) * | 2016-09-27 | 2017-03-08 | 西华大学 | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 |
| CN106771846A (zh) * | 2016-11-08 | 2017-05-31 | 西华大学 | 基于模糊推理脉冲神经膜系统的输电线路故障选相方法 |
-
2018
- 2018-02-05 CN CN201810108797.5A patent/CN108120903B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101188354A (zh) * | 2007-11-30 | 2008-05-28 | 昆明理工大学 | 小电流接地系统故障选线的测后模拟方法 |
| US20140032138A1 (en) * | 2012-07-24 | 2014-01-30 | Binod Shrestha | Apparatus and method for out-of-step protection using the analysis of trajectories of electrical measurements in state plane |
| CN102831477A (zh) * | 2012-09-13 | 2012-12-19 | 西华大学 | 一种自适应模糊脉冲神经膜系统及推理算法和学习算法 |
| CN103336222A (zh) * | 2013-06-06 | 2013-10-02 | 西南交通大学 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
| CN104977499A (zh) * | 2015-07-23 | 2015-10-14 | 中国电力科学研究院 | 一种小电流接地系统单相接地故障选线方法 |
| CN106447031A (zh) * | 2016-09-27 | 2017-02-22 | 西华大学 | 一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置 |
| CN106483425A (zh) * | 2016-09-27 | 2017-03-08 | 西华大学 | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 |
| CN106771846A (zh) * | 2016-11-08 | 2017-05-31 | 西华大学 | 基于模糊推理脉冲神经膜系统的输电线路故障选相方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄康: "基于模糊推理脉冲神经膜系统的电网故障诊断方法", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488154A (zh) * | 2019-08-28 | 2019-11-22 | 国网四川省电力公司成都供电公司 | 一种用于调度主站端的小电流接地选线方法 |
| CN110907757A (zh) * | 2019-12-06 | 2020-03-24 | 国网天津市电力公司电力科学研究院 | 基于电突触传递的snp系统含分布式电源配电网故障定位方法 |
| CN110988606B (zh) * | 2020-01-02 | 2022-02-11 | 河南理工大学 | 基于锐化处理的小电流接地故障选线方法 |
| CN110988606A (zh) * | 2020-01-02 | 2020-04-10 | 河南理工大学 | 基于锐化处理的小电流接地故障选线方法 |
| CN111650476A (zh) * | 2020-07-06 | 2020-09-11 | 国网江苏省电力有限公司沛县供电分公司 | 基于采样值法的配电网单相电弧性接地故障选线方法 |
| CN112255574A (zh) * | 2020-11-26 | 2021-01-22 | 国家电网有限公司 | 暂态量与中电阻融合的小电流接地选线跳闸方法及系统 |
| CN112255574B (zh) * | 2020-11-26 | 2023-07-25 | 国家电网有限公司 | 暂态量与中电阻融合的小电流接地选线跳闸方法及系统 |
| CN112613613A (zh) * | 2020-12-01 | 2021-04-06 | 西华大学 | 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 |
| CN112613613B (zh) * | 2020-12-01 | 2024-03-05 | 深圳泓越企业管理咨询有限公司 | 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 |
| CN112731054A (zh) * | 2020-12-19 | 2021-04-30 | 国网河南省电力公司电力科学研究院 | 基于零序残压抑制的配电网单相接地故障选线方法 |
| CN113159113A (zh) * | 2021-03-09 | 2021-07-23 | 西华大学 | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 |
| CN112964967A (zh) * | 2021-03-19 | 2021-06-15 | 云南电网有限责任公司昆明供电局 | 一种配电网转供电单相接地故障线路的选线方法 |
| CN112964967B (zh) * | 2021-03-19 | 2023-02-07 | 云南电网有限责任公司昆明供电局 | 一种配电网转供电单相接地故障线路的选线方法 |
| CN113484685A (zh) * | 2021-07-16 | 2021-10-08 | 西华大学 | 一种基于时序组织型p系统的电网故障诊断方法 |
| CN113484685B (zh) * | 2021-07-16 | 2023-08-18 | 西华大学 | 一种基于时序组织型p系统的电网故障诊断方法 |
| CN113625118B (zh) * | 2021-08-17 | 2023-10-24 | 广西电网有限责任公司 | 基于优化脉冲神经膜系统的单相接地故障选线方法 |
| CN113625118A (zh) * | 2021-08-17 | 2021-11-09 | 广西电网有限责任公司 | 基于优化脉冲神经膜系统的单相接地故障选线方法 |
| CN115078920A (zh) * | 2022-08-22 | 2022-09-20 | 国网江苏省电力有限公司南京供电分公司 | 多信息融合的有源配电网单相接地故障选线方法与系统 |
| CN116068333A (zh) * | 2022-12-28 | 2023-05-05 | 安徽正广电电力技术有限公司 | 基于模糊理论的多判据融合故障选线装置及选线方法 |
| CN116068333B (zh) * | 2022-12-28 | 2023-11-07 | 安徽正广电电力技术有限公司 | 基于模糊理论的多判据融合故障选线装置及选线方法 |
| CN116643123A (zh) * | 2023-06-06 | 2023-08-25 | 国网江苏省电力有限公司宿迁供电分公司 | 基于现场故障数据集的小电流接地选线优化方法及装置 |
| CN116626443A (zh) * | 2023-06-06 | 2023-08-22 | 国网江苏省电力有限公司宿迁供电分公司 | 一种多判据融合的配电网小电流接地故障选线方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108120903B (zh) | 2019-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108120903B (zh) | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 | |
| Kong et al. | Fault detection and location method for mesh-type DC microgrid using pearson correlation coefficient | |
| CN102508076B (zh) | 一种基于多智能体系统和小波分析的故障诊断装置及方法 | |
| CN103728535B (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
| CN102570392A (zh) | 基于改进概率神经网络的变压器励磁涌流鉴别方法 | |
| CN104716646B (zh) | 一种基于注入电流的节点耦合度分析方法 | |
| CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
| Wan et al. | A rapid diagnosis technology of short circuit fault in DC microgrid | |
| Acácio et al. | Evaluation of the impact of different neural network structure and data input on fault detection | |
| CN103825270B (zh) | 一种配电网三相状态估计雅可比矩阵常数化的处理方法 | |
| CN116054224A (zh) | 一种多馈入直流输电系统换相失败快速评估方法 | |
| Elbaset et al. | Fault detection and classification in transmission lines using ANFIS | |
| Zhengyi et al. | A lstm line selection method of single-phase ground fault based on big-data platform | |
| CN113315100A (zh) | 一种基于卷积神经网络的微电网保护方法与系统 | |
| Chen et al. | Construction of Distribution Network Fault Detection Model Based on Artificial Intelligence Algorithm | |
| CN110212500B (zh) | Twbs-hvdc直流短路故障电流计算方法 | |
| Su et al. | A fault-line detection method in non-effective grounding system based on bidirectional long-short term memory network | |
| Liao et al. | Identification of Fault Line Selection and Section for Single-Phase Ground Fault in Small Current Grounding System | |
| Ekka et al. | Fault identification using fuzzy in renewable energy interfaced IEEE 13 bus system | |
| Torres et al. | New method based on wavelet transform and ANN for multiterminal HVDC system protection | |
| Ding et al. | Research on power grid fault diagnosis method based on PMU data and convolutional neural network | |
| Li et al. | Machine Learning-based Fault Diagnosis for Distribution Networks with Distributed Renewable Energy Resources | |
| Liu et al. | Single-phase Grounding Fault Line Selection Method Based on the Difference of Electric Energy Information Between the Distribution End and the Load End | |
| Liu et al. | A data-driven harmonic modeling method for electric vehicle charging stations | |
| Wang et al. | Fault diagnosis method for hybrid HVDC transmission system based on stacked sparse auto-encoder |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190531 Termination date: 20210205 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |