CN109344918B - 基于改进粒子群算法的大数据配电网故障选线分析方法 - Google Patents

Abstract

本发明公开了一种基于改进粒子群算法的大数据配电网故障选线分析方法，该方法对传统粒子群算法进行改进，不仅对SVM模型参数寻优速度更快且不易陷入局部最优点，并结合五次谐波法与小波包变化法实现了谐振系统接地故障的高效选线。本发明不仅实现速率高精确度好，而且不受接地电阻、故障距离等因素影响。

Description

基于改进粒子群算法的大数据配电网故障选线分析方法

技术领域

本发明属于大数据通信领域，具体涉及基于改进粒子群算法的大数据配电网故障选线分析方法。

背景技术

随着电网技术的发展与用户对供电质量要求的提高保证供电可靠性成为重中之重，而对配电系统线路故障进行快速准确的选线成为研究的热点。中性点谐振接地的配网系统发生单相接地故障时，由于零序电流微弱且方向不定、接地故障形式复杂多变等原因，中性点谐振接地系统成功率往往不够高。普通选线方式往往不适用于中性点谐振接地故障系统，如采用基于故障稳态特征的选线方法，但由于消弧线圈的电流补偿的不定向性，零序电流幅值法、零序电流比相法、零序无功功率方向法等不适用于谐振接地系统，而因为单一的谐波法因受负荷中的谐波源干扰也难以达到满意的效果所以谐波法同样不适用。有学者用小波分析等数学方法对故障零序电流的暂态特征进行提取，根据故障线路与健全线路小波分解系数的极性关系实现故障选线，随后又有学者发现小波包变化等更适用于谐振接地系统。但这些选线方式的选线效率都不够高，并且正确性不能保证。

智能选线方法可有效提高正确率，但传统智能选线方法如神经网络、D-S证据理论、模糊理论等复杂度过高选线所需时间过长。有学者提出采用PSO-SVM故障选线方法，既能保证准确率又比其他的方式时间需要时间短。但SVM中重要一环为核函数，核函数参数若选择不当，选线精度随之降低，而传统粒子群算法容易陷入局部最优解不能达到足最优的选线结果。

发明内容

本发明的目的在于提供一种基于改进粒子群算法的大数据配电网故障选线分析方法，以克服现有技术存在的问题，本发明对于谐振系统故障选线具有良好结果，选线速度高，精确度好，并且不需要考虑接地电阻等其他因素的影响，具有良好的性能。

为达到上述目的，本发明采用如下技术方案：

基于改进粒子群算法的大数据配电网故障选线分析方法，包括以下步骤：

步骤A、利用信号采集系统从故障时刻采集配电网谐振接地系统每条线路零序电流，采用小波包变换及五次谐波法进行处理，得到各个分量的特征值和训练样本、测试样本；

步骤B、利用非线性映射将训练样本数据空间映射到高维特征空间，在高维特征空间中构造最优分类超平面，将其转化为二次规划问题计算粒子适应度值；

步骤C、利用粒子群算法进行寻优产生局部最优解，在粒子迭代过程中采用锦标赛选择法进行交叉选择产生一组新粒子；

步骤D、根据参数改进策略式分别对粒子群算法的粒子参数惯性权重、加速度因子进行更新，并分别更新粒子速度与位置；

步骤E、将最优参数训练测试集输入到SVM模型进行故障选线。

进一步地，步骤A具体包括：

步骤A1、对配电网谐振接地系统中各线路零序电流信号经db5小波包4层分解，得到暂态能量故障特征为X₁＝ε_k/ε_p，其中，ε_k为线路k在能量集中频带的能量，ε_p为所有线路在各自能量集中频带的能量总和；

步骤A2、利用零序电流幅值进行故障选线，采用FFT变换对线路零序电流进行傅里叶变换，提取基波分量特征值为X₂＝I_1k/I_1P，其中，I_1k为线路k的零序电流基波分量，I_1P为所有线路的零序电流基波分量之和；

步骤A3、利用FFT从零序电流中提取五次谐波分量作为故障特征，五次谐波分量特征值为X₃＝ε_5k/ε_5p，将其作为样本数据，其中，I_5k为线路k的五次谐波分量幅值，I_1P为所有线路的五次谐波分量幅值和。

进一步地，步骤B具体包括(根据最优超平面计算粒子适应度值，B3和B4指的是对于非线性问题，SVM要引入核函数的概念，B2是将B1转化为二次规划问题，而B4是将非线性支持向量机构造最优超平面转化为二次规划问题，进而转化为对偶二次规划问题)：

步骤B1、假设有训练样本集{(x₁,y₁),(x₂,y₂),...,(x_l,y_l)}，x∈Rⁿ,y∈{+1,-1},i＝1,2,...,l，n为样本空间的维数，运用非线性映射

将输入样本数据空间映射到高维特征空间，在高维特征空间中构造最优分类超平面：

步骤B2、将构建最优超平面转化为下面的二次规划问题：

其中，ω表示权值矢量，b表示阈值，C表示对错误的惩罚参数，且C＞0，ζ_i为松弛项，分类间隔为2/||ω||，要使2/||ω||最大即为使||ω||²/2最小，l为支持向量的个数，a为拉格朗日乘子；

步骤B3、选择SVM算法的发展中RBF核函数，其最优分类面的决策函数如下式所示，“其”指的是步骤B1中得到的最优分类超平面，它的决策函数为下面的式子：

其中，ω^*，b^*和

分别为ω，b和α_i的偏置，α_i拉格朗日乘子；

步骤B4、根据步骤B2和B3，同样，非线性支持向量机构造最优超平面也能够转化为二次规划问题，进而转化为其对偶二次规划问题：

其中，其中，L(α)表示最优超平面，K(x_i,x_j)为RBF核函数，j＝1,2,...,l，y_iα_i表示权值。

进一步地，步骤C具体包括：

步骤C1、使用RBF核函数的SVM模型中惩罚参数C与核函数参数σ，采用粒子群算法对参数进行寻优；

步骤C2、采用锦标赛选择法进行交叉选择产生一组新粒子，每次迭代后将选择适应度值最优的前m个粒子进入下次迭代，m为偶数，剩余粒子执行交叉选择操作，将交叉后生成的子代与父代结合在一起，选择适应度值最好的一半进入下次迭代，得到的个体构成新的粒子群。

进一步地，步骤D具体包括：

步骤D1、改进惯性权重：在寻优前期利于遍历全部取值区间，在寻优后期利于算法收敛，更新过程为

其中，w_start，w_end分别为初始惯性权重与终止惯性权重；r₃为闭区间[0,1]内的均匀分布随机数；

步骤D2、改进加速因子，c₁,c₂为加速度因子，分别表示粒子的个体认知因子与社会认知因子，代表了粒子的学习能力，改进的加速度因子分别为

步骤D3、通过适应度函数计算出粒子群算法在寻优过程中的适应度值，并进行比较来不断更新个体极值与群体极值，速度与位置的更新过程为：

v_k,e(t+1)＝w(t)v_k,e(t)+c₁(t)·r₁(t)(p_k,e(t)-x_k,e(t))

+c₂(t)·r₂(t)(p_g,e(t)-x_g,e(t))

x_k,e(t+1)＝x_k,e(t)+v_k,e(t+1)

其中，t为当前迭代次数；t_max为最大迭代次数；v_k,e为第k个粒子第e维的粒子速度，且k＝1,2,...,l，x_k,e为第k个粒子第e维的粒子位置；p_k,e第k个粒子第e维的个体最优位置；p_g,e为第e维的群体最优位置，下标g表示核函数中要优化的参数，即σ；r₁、r₂分别表示闭区间[0,1]内两个相互独立的均匀分布随机数。

进一步地，步骤E具体包括：

步骤E1、选择出最优参数后，输入故障特征样本数据对SVM进行样本训练，利用训练好的SVM对测试样本进行检验；

步骤E2、对SVM进行故障选线，将输出结果判为两种结果1或-1，1代表非故障线路，-1代表故障线路，根据具体结果即得到选线识别结果。

与现有技术相比，本发明具有以下有益的技术效果：

本发明针对谐振系统故障选线提出一种改进的PSO-SVM智能选线方法，使粒子群不易陷入局部最优点，在步骤C中利用粒子群算法寻优，对加速度因子进行改进，使粒子群粒子在寻优前期具有强大的全局搜索能力不易陷入局部最优解，后期能在最优解附近进行精细搜寻，达到最优解。

SVM分类能力很强，尤其在解决小样本、非线性、多维数的实际问题时具备一定的优势。PSO在解决优化问题时算法简单、易于实现，非常适用于SVM参数的优化。为了提高SVM参数的性能以及SVM模型的准确率，本发明将PSO与SVM相结合，对小电流接地系统进行研究，提出一种基于PSO-SVM的选线新方案。与传统的SVM选线方法进行比较，SVM参数经PSO优化后，其训练速度明显加快，抽取部分数据输入进行SVM训练，再将测试样本输入SVM进行测试，结果表明基于PSO-SVM的选线方法具有较高的准确率，且不受接地电阻、初相角、故障距离的影响，在中性点不接地以及谐振系统中均适用，在智能技术选线领域有相对优势。与普通SVM选线方法及未改进的PSO-SVM方法相比，选线正确率最高。

附图说明

图1本发明实施例的方法流程图；

图2本本发明实施例的配电网线路结构图；

图3本发明实施例的方法中采集样本数据过程流程图；

图4本发明实施例的方法中二次规划问题计算粒子适应度流程图；

图5本发明实施例的方法中根据锦标赛选择法交叉选择产生一组新粒子流程图；

图6本发明实施例的方法中更新粒子群算法的各项粒子参数流程；

图7本发明实施例的方法中SVM模型故障选线流程图。

具体实施方式

下面结合附图和具体实施算例，对本发明做进一步说明：

以浙江省某市区某110kV变电站10kV侧#2段母线及其4回馈线的参数为例，线路结构如图2所示，其中G为110kV理想电源，T为主变压器，R_f为故障点过渡电阻，K、L_m、R分别为消弧线圈成套装置中的控制开关、电感线圈、中值电阻。线路L₁为纯架空线路，长度为l₁＝9.3km；线路L₃为纯电缆线路，长度为l₃＝6.3km；线路L₂,L₄为架空线-电缆混合线路，长度分别为l₂＝5.9km，l₄＝7.1km。架空线与电缆线路馈线参数如表1所示，表中，R₁、L₁、C₁分别为每千米线路上的正序电阻、电感、电容；R₀、L₀、C₀分别为每千米线路上的零序电阻、电感、电容，采样频谱设置为4000Hz。

表1线路馈线参数

馈线类型	R<sub>1</sub>/Ω	L<sub>1</sub>/mH	C<sub>1</sub>/μF	R<sub>0</sub>/Ω	L<sub>0</sub>/mH	C<sub>0</sub>/μF
							架空线	0.178	1.20	0.0099	0.24	5.3537	0.0079
电缆	0.254	0.2337	0.3411	2.68	1.0220	0.2668

整体步骤如图1所示，采集样本数据过程流程图如图3所示，具体步骤如下：

步骤A1，4条线路分别在金属性接地电阻为10Ω、100Ω、150Ω、200Ω，故障点距母线距离为1km、2km、5km处，以及初相角为0°、45°、90°时采集各线路的零序电流信号，将各线路零序电流信号经db5小波包4层分解，提取各线路的暂态能量特征X₁＝ε_k/ε_p；

步骤A2，利用零序电流幅值进行故障选线，采用FFT变换对线路零序电流进行傅里叶变换，提取基波分量特征值为X₂＝I_1k/I_1P；

步骤A3，利用FFT从零序电流中提取五次谐波分量作为故障特征，五次谐波分量特征值为X₃＝ε_5k/ε_5p，将其作为样本数据；

根据二次规划问题计算粒子适应度流程如图4所示，具体步骤如下：

步骤B1，从原始数据中抽取100组形成训练样本，50组作为测试样本，训练样本集为{x_i,y_i}，i＝1,2,...,n，y∈{+1,-1}，运用非线性映射

将输入样本数据空间映射到高维特征空间，在高维特征空间中构造最优分类超平面；

步骤B2，将构建的最优超平面转化为二次规划问题；

步骤B3，选择SVM算法的发展中的RBF核函数，确定σ参数，进行参数优化；

步骤B4，根据步骤B2和B3，非线性支持向量机构造最优超平面转化为二次规划问题，进而转化为其对偶二次规划问题

根据锦标赛选择法交叉选择产生一组新粒子流程如图5所示，具体步骤如下：

步骤C1，使用RBF核函数的SVM模型中惩罚参数C与核函数参数，采用简单高效的粒子群算法对参数进行寻优；

步骤C2，为增大粒子的搜索范围，每次迭代后将选择适应度值最优的前m(m为偶数)个粒子进入下次迭代，剩余粒子执行交叉选择操作，将交叉后生成的子代与父代结合在一起，比较适应度值，选择适应度值最好的一半进入下次迭代，得到的个体构成新的粒子群；

更新粒子群算法的各项粒子参数流程如图6所示，具体步骤如下：

步骤D1，改进惯性权重，在寻优前期利于遍历全部取值区间；

步骤D2，改进加速度因子，c₁,c₂为加速度因子，分别表示粒子的个体认知因子与社会认知因子，代表了粒子的学习能力，改进的加速度因子分别为

步骤D3，通过适应度函数计算出粒子群算法在寻优过程中的适应度值，并进行比较来不断更新个体极值与群体极值；

最优参数训练测试集输入到SVM模型进行故障选线流程如图7所示，具体步骤如下：

E1，选择出最优参数后，输入故障特征样本数据对SVM进行样本训练，利用训练好的SVM对测试样本进行检验。

E2，对SVM进行故障选线，模型输入为3维，输出为1或-1，“1”代表非故障线路，“-1”代表故障线路。故障选线结果如表2所示。由表2可以看出，改进PSO-SVM选线正确率最高，但选线运行时间略高于传统PSO-SVM算法选线运行时间，原因是对于传统PSO算法的改进中参考了遗传算法中的交叉选择操作，增加了复杂性，但增加了粒子跳出局部最优点的可能性。同时可以看出，虽然改进PSO-SVM运行时间略长于传统PSO算法，但低于传统SVM算法，仍在可接受范围内，并且改进PSO-SVM算法选线准确率最高综上所述，改进PSO-SVM对于谐振系统的故障选线性能最优。

表2不同选线方式性能比较

选线方法	C	σ	运行时间	准确率
					传统SVM	10.7782	0.0563	0.9203	0.8767
传统PSO-SVM	13.4659	0.9436	0.5838	0.9204
					改进PSO-SVM	17.6597	0.1433	0.6468	0.9589

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (1)

1.基于改进粒子群算法的大数据配电网故障选线分析方法，其特征在于，包括以下步骤：

步骤A、利用信号采集系统从故障时刻采集配电网谐振接地系统每条线路零序电流，采用小波包变换及五次谐波法进行处理，得到各个分量的特征值和训练样本、测试样本；

具体包括：

步骤A1、对配电网谐振接地系统中各线路零序电流信号经db5小波包4层分解，得到暂态能量故障特征为X₁＝ε_k/ε_p，其中，ε_k为线路k在能量集中频带的能量，ε_p为所有线路在各自能量集中频带的能量总和；

步骤A2、利用零序电流幅值进行故障选线，采用FFT变换对线路零序电流进行傅里叶变换，提取基波分量特征值为X₂＝I_1k/I_1P，其中，I_1k为线路k的零序电流基波分量，I_1P为所有线路的零序电流基波分量之和；

步骤A3、利用FFT从零序电流中提取五次谐波分量作为故障特征，五次谐波分量特征值为X₃＝ε_5k/ε_5p，将其作为样本数据，其中，I_5k为线路k的五次谐波分量幅值，I_1P为所有线路的五次谐波分量幅值和；

步骤B、利用非线性映射将训练样本数据空间映射到高维特征空间，在高维特征空间中构造最优分类超平面，将其转化为二次规划问题计算粒子适应度值；

具体包括：

步骤B1、假设有训练样本集{(x₁,y₁),(x₂,y₂),...,(x_l,y_l)}，x∈Rⁿ,y∈{+1,-1},i＝1,2,...,l，n为样本空间的维数，运用非线性映射

将输入样本数据空间映射到高维特征空间，在高维特征空间中构造最优分类超平面：

步骤B2、将构建最优超平面转化为下面的二次规划问题：

其中，ω表示权值矢量，b表示阈值，C表示对错误的惩罚参数，且C＞0，ζ_i为松弛项，分类间隔为2/||ω||，要使2/||ω||最大即为使||ω|²/2最小，l为支持向量的个数，a为拉格朗日乘子；

步骤B3、选择SVM算法中的RBF核函数，其最优分类面的决策函数为：

其中，ω^*，b^*和

分别为ω，b和α_i的偏置；

步骤B4、根据步骤B2和B3，同样，非线性支持向量机构造最优超平面也能够转化为二次规划问题，进而转化为其对偶二次规划问题：

其中，其中，L(α)表示最优超平面，K(x_i,x_j)为RBF核函数，j＝1,2,...,l，y_iα_i表示权值；

步骤C、利用粒子群算法进行寻优产生局部最优解，在粒子迭代过程中采用锦标赛选择法进行交叉选择产生一组新粒子；

步骤C具体包括：

步骤C1、使用RBF核函数的SVM模型中惩罚参数C与核函数参数σ，采用粒子群算法对参数进行寻优；

步骤C2、采用锦标赛选择法进行交叉选择产生一组新粒子，每次迭代后将选择适应度值最优的前m个粒子进入下次迭代，m为偶数，剩余粒子执行交叉选择操作，将交叉后生成的子代与父代结合在一起，选择适应度值最好的一半进入下次迭代，得到的个体构成新的粒子群；

步骤D、根据参数改进策略式分别对粒子群算法的粒子参数惯性权重、加速度因子进行更新，并分别更新粒子速度与位置；

步骤D具体包括：

步骤D1、改进惯性权重：在寻优前期利于遍历全部取值区间，在寻优后期利于算法收敛，更新过程为

其中，w_start，w_end分别为初始惯性权重与终止惯性权重；r₃为闭区间[0,1]内的均匀分布随机数；

步骤D2、改进加速因子，c₁,c₂为加速度因子，分别表示粒子的个体认知因子与社会认知因子，代表了粒子的学习能力，改进的加速度因子分别为

步骤D3、通过适应度函数计算出粒子群算法在寻优过程中的适应度值，并进行比较来不断更新个体极值与群体极值，速度与位置的更新过程为：

v_k,e(t+1)＝w(t)v_k,e(t)+c₁(t)·r₁(t)(p_k,e(t)-x_k,e(t))+c₂(t)·r₂(t)(p_g,e(t)-x_g,e(t))

x_k,e(t+1)＝x_k,e(t)+v_k,e(t+1)

其中，t为当前迭代次数；t_max为最大迭代次数；v_k,e为第k个粒子第e维的粒子速度，且k＝1,2,...,l，x_k,e为第k个粒子第e维的粒子位置；p_k,e第k个粒子第e维的个体最优位置；p_g,e为第e维的群体最优位置；r₁、r₂分别表示闭区间[0,1]内两个相互独立的均匀分布随机数；

步骤E、将最优参数训练测试集输入到SVM模型进行故障选线；

步骤E具体包括：

步骤E1、选择出最优参数后，输入故障特征样本数据对SVM进行样本训练，利用训练好的SVM对测试样本进行检验；

步骤E2、对SVM进行故障选线，将输出结果判为两种结果1或-1，1代表非故障线路，-1代表故障线路，根据具体结果即得到选线识别结果。

Images