CN112710920A - 一种基于bp神经网络的配电网故障区段定位方法 - Google Patents

一种基于bp神经网络的配电网故障区段定位方法 Download PDF

Info

Publication number
CN112710920A
CN112710920A CN202011295024.6A CN202011295024A CN112710920A CN 112710920 A CN112710920 A CN 112710920A CN 202011295024 A CN202011295024 A CN 202011295024A CN 112710920 A CN112710920 A CN 112710920A
Authority
CN
China
Prior art keywords
fault
sequence
zero
sequence current
network
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.)
Pending
Application number
CN202011295024.6A
Other languages
English (en)
Inventor
徐彬
汤耀景
赵寿生
高策
龚列谦
吴旭光
曹望舒
陈坚
郭子黎
马驹
潘齐旺
王坤烨
闻君
黄勃
马劲东
赖圣聪
叶明康
唐金锐
漆婉滢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
Wenzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
Wenzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Zhejiang Electric Power Co Ltd, Wenzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011295024.6A priority Critical patent/CN112710920A/zh
Publication of CN112710920A publication Critical patent/CN112710920A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01R31/088—Aspects of digital computing

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Locating Faults (AREA)

Abstract

本发明公开了一种基于BP神经网络的配电网故障区段定位方法，首先根据配电网中安装的零序电流采集设备，获取单相接地故障时刻后1/2个周波内的暂态零序电流采样数据；将不同故障区段下测得的该线路沿线暂态零序电流进行小波分析求得对应的模极大值；取一定数量的不同故障区段下求得的暂态零序电流模极大值输入BP网络进行训练，得到模极大值与故障区段的关系；将实际故障的一组暂态零序电流数据进行小波变换求得模极大值，读入已训练好的BP参数进行测试，即可得出故障区段定位结果。该方法能避免分支线路带来的影响，且不受电缆架空混合线路影响。

Description

一种基于BP神经网络的配电网故障区段定位方法
技术领域
本发明涉及一种基于BP神经网络的配电网故障区段定位方法。
背景技术
现有非有效接地配电网单相接地故障区段定位方法按照其利用信息的不同，大致可分为2类：一是基于外加注入信号的故障区段定位方法；二是利用单相接地故障时的电气量变化特征进行故障区段定位，其又可分为基于故障稳态分量的故障区段定位法、基于故障暂态分量的故障区段定位法和综合定位方法。现场中压配电线路结构复杂，对于电缆和架空线路的混合线路中，交界位置前后零序电流会出现较大变化；另外，在有分支处的线路节点处，分支点前和分支点后采集到的零序电流特征也会出现较大的变化，会在一定程度上影响到传统区段定位方法的正确性。BP(Back Propagation)网络具有很强的自适应性和自学习性，是目前应用最为广泛的神经网络学习算法。理论证明,对任何复杂的对象,采用3层BP网络时,只要适当地选择神经元的数目,就可以任意地对研究对象进行分类识别，可以考虑将BP网络应用于故障区段定位。
发明内容
本发明的目的在于提供一种基于BP神经网络的配电网故障区段定位方法，可用于正确确定配电网单相接地的故障区段，以克服背景技术中存在的问题。
为了解决上述技术问题，本发明是通过以下技术方案实现的：一种基于BP神经网络的配电网故障区段定位方法，包括以下步骤：
步骤1：利用含n条馈线的配电网中安装的零序电流采集设备，获取单相接地故障时刻后1/2个周波内的暂态零序电流数据，取电流数据采样频率为10kHz，则每个零序电流序列的电流采样数NS为100；第i条馈线安装有gi个零序电流采集终端，整个配电网共有
Figure BDA0002785144120000021
个采集终端；据此，形成故障暂态零序电流序列，第i条馈线中的第j个故障零序电流序列用i0(i,j)表示；
步骤2：给第i条馈线的gi个零序电流采集终端进行编号，最靠近母线处的编号为1，最靠近负荷终端的编号为gi；从母线往负荷终端方向依次编号，首先给主干线路的采集终端依次编号，为1、2、……、gk；然后给分支线路上的采集终端依次编号，假设第i条馈线有p条分支线路，则其分支线路上的故障指示器依次编号为gk+1、gk+2、……、gi；
步骤3：以馈线i为例进行馈线i上的故障区段定位，分别将发生故障时馈线i上沿线测得的故障零序电流i0(i,1),i0(i,2),i0(i,3),……,i0(i,gi)进行小波变换并检测其模极大值；根据小波变换定义有：
Figure BDA0002785144120000022
由上式可知:f(t)经Ψ(t)小波变换后,变成f(t)与光滑函数卷积后求的一阶导数；因此,小波变换的局部极大值即局部模极大值点就对应信号的突变点；改变故障发生的区段，运用同样方法得到一组不同故障区段时的模极大值；
步骤4：采用一个3层前馈BP网络，选择适当的神经元数目进行分类识别的训练；根据馈线i上电流采集终端的个数确定BP网络输入量的个数，将所求得的不同故障区段时的模极大值作为BP网络的输入量，隐含层经过多次训练后,取6个神经元可达到目的；隐含层的传递函数为Sigmoid型可微函数f(x)＝1/(1+exp(-x))；输出层为1个神经元，输出表示故障区段定位的结果；
将一定数量的不同故障区段下求得的暂态零序电流模极大值输入BP网络进行训练，得到模极大值与故障区段的关系；
步骤5：将实际故障的一组暂态零序电流数据进行小波变换求得模极大值，读入已训练好的BP参数进行测试，即可得出故障区段定位结果。
与现有技术相比，本发明的优点是：利用小波变换模极大值检测理论分析暂态零序电流,并用BP神经网络实现模极大值与故障区段间的映射。可克服分支点前后、电缆架空连接点前后电流特征突变造成传统区段定位误判的问题，准确性高，适应性强。
附图说明
图1为本发明一种基于BP神经网络的配电网故障区段定位方法的流程图；
图2为某典型小电流接地的配电网(黑色点代表采样点)。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
参阅图1、图2为本发明一种基于BP神经网络的配电网故障区段定位方法的实施例，一种基于BP神经网络的配电网故障区段定位方法，包括以下步骤：
步骤1、利用含n条馈线的配电网中安装的零序电流采集设备(暂态录波型故障指示器或配电自动化终端设备)，获取单相接地故障时刻后1/2个周波内的暂态零序电流数据，取电流数据采样频率为10kHz，则每个零序电流序列的电流采样数NS为100。第i条馈线安装有gi个零序电流采集终端，整个配电网共有
Figure BDA0002785144120000031
个采集终端。据此，形成故障暂态零序电流序列，第i条馈线中的第j个故障零序电流序列用i0(i,j)表示。
步骤2、给第i条馈线的gi个零序电流采集终端进行编号，最靠近母线处的编号为1，最靠近负荷终端的编号为gi。从母线往负荷终端方向依次编号，首先给主干线路的采集终端依次编号，为1、2、……、gk。然后给分支线路上的采集终端依次编号，假设第i条馈线有p条分支线路，则其分支线路上的故障指示器依次编号为gk+1、gk+2、……、gi。
步骤3、以馈线i为例进行馈线i上的故障区段定位。分别将发生故障时馈线i上沿线测得的故障零序电流i0(i,1),i0(i,2),i0(i,3),……,i0(i,gi)进行小波变换并检测其模极大值。根据小波变换定义有：
Figure BDA0002785144120000041
由上式可知:f(t)经Ψ(t)小波变换后,变成f(t)与光滑函数卷积后求的一阶导数。因此,小波变换的局部极大值即局部模极大值点就对应信号的突变点。理论证明,小电流接地系统单相接地故障绝大多数发生在相电压的峰值附近。其能量主要集中在300～1500Hz，选用Dabuechies5(Db5)小波进行分析,小波分解级数为6级,可以识别的最大频率为1562.5Hz,能够满足检测要求。
改变故障发生的区段，运用同样方法得到一组不同故障区段时的模极大值。
步骤4、采用一个3层前馈BP网络，选择适当的神经元数目进行分类识别的训练。根据馈线i上电流采集终端的个数确定BP网络输入量的个数，将所求得的不同故障区段时的模极大值作为BP网络的输入量，隐含层经过多次训练后,取6个神经元可达到目的。隐含层的传递函数为Sigmoid型可微函数f(x)＝1/(1+exp(-x))。输出层为1个神经元，输出表示故障区段定位的结果。
将一定数量的不同故障区段下求得的暂态零序电流模极大值输入BP网络进行训练，得到模极大值与故障区段的关系。
步骤5、将实际故障的一组暂态零序电流数据进行小波变换求得模极大值，读入已训练好的BP参数进行测试，即可得出故障区段定位结果。
首先根据配电网中安装的零序电流采集设备(暂态录波型故障指示器或配电自动化终端设备)，获取单相接地故障时刻后1/2个周波内的暂态零序电流采样数据；将不同故障区段下测得的该线路沿线暂态零序电流进行小波分析求得对应的模极大值；取一定数量的不同故障区段下求得的暂态零序电流模极大值输入BP网络进行训练，得到模极大值与故障区段的关系；将实际故障的一组暂态零序电流数据进行小波变换求得模极大值，读入已训练好的BP参数进行测试，即可得出故障区段定位结果。该方法能避免分支线路带来的影响，且不受电缆架空混合线路影响。
以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。

Claims (1)

1.一种基于BP神经网络的配电网故障区段定位方法，其特征在于：包括以下步骤：
步骤1：利用含n条馈线的配电网中安装的零序电流采集设备，获取单相接地故障时刻后1/2个周波内的暂态零序电流数据，取电流数据采样频率为10kHz，则每个零序电流序列的电流采样数NS为100；第i条馈线安装有gi个零序电流采集终端，整个配电网共有
Figure FDA0002785144110000011
个采集终端；据此，形成故障暂态零序电流序列，第i条馈线中的第j个故障零序电流序列用i0(i,j)表示；
步骤2：给第i条馈线的gi个零序电流采集终端进行编号，最靠近母线处的编号为1，最靠近负荷终端的编号为gi；从母线往负荷终端方向依次编号，首先给主干线路的采集终端依次编号，为1、2、……、gk；然后给分支线路上的采集终端依次编号，假设第i条馈线有p条分支线路，则其分支线路上的故障指示器依次编号为gk+1、gk+2、……、gi；
步骤3：以馈线i为例进行馈线i上的故障区段定位，分别将发生故障时馈线i上沿线测得的故障零序电流i0(i,1),i0(i,2),i0(i,3),……,i0(i,gi)进行小波变换并检测其模极大值；根据小波变换定义有：
Figure FDA0002785144110000012
由上式可知:f(t)经Ψ(t)小波变换后,变成f(t)与光滑函数卷积后求的一阶导数；因此,小波变换的局部极大值即局部模极大值点就对应信号的突变点；改变故障发生的区段，运用同样方法得到一组不同故障区段时的模极大值；
步骤4：采用一个3层前馈BP网络，选择适当的神经元数目进行分类识别的训练；根据馈线i上电流采集终端的个数确定BP网络输入量的个数，将所求得的不同故障区段时的模极大值作为BP网络的输入量，隐含层经过多次训练后,取6个神经元可达到目的；隐含层的传递函数为Sigmoid型可微函数f(x)＝1/(1+exp(-x))；输出层为1个神经元，输出表示故障区段定位的结果；
将一定数量的不同故障区段下求得的暂态零序电流模极大值输入BP网络进行训练，得到模极大值与故障区段的关系；
步骤5：将实际故障的一组暂态零序电流数据进行小波变换求得模极大值，读入已训练好的BP参数进行测试，即可得出故障区段定位结果。
CN202011295024.6A 2020-11-18 2020-11-18 一种基于bp神经网络的配电网故障区段定位方法 Pending CN112710920A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011295024.6A CN112710920A (zh) 2020-11-18 2020-11-18 一种基于bp神经网络的配电网故障区段定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011295024.6A CN112710920A (zh) 2020-11-18 2020-11-18 一种基于bp神经网络的配电网故障区段定位方法

Publications (1)

Publication Number Publication Date
CN112710920A true CN112710920A (zh) 2021-04-27

Family

ID=75543209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011295024.6A Pending CN112710920A (zh) 2020-11-18 2020-11-18 一种基于bp神经网络的配电网故障区段定位方法

Country Status (1)

Country Link
CN (1) CN112710920A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892117A (zh) * 2024-03-13 2024-04-16 国网山东省电力公司邹城市供电公司 一种配电网输电线路故障定位方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454559A (zh) * 2013-09-02 2013-12-18 国家电网公司 一种配电网单相接地故障区段定位方法及定位装置
CN103884966A (zh) * 2014-04-15 2014-06-25 河海大学常州校区 基于神经网络的配电网小电流单相接地故障定位方法
CN105759167A (zh) * 2016-01-28 2016-07-13 江苏省电力公司南京供电公司 一种基于小波神经网络的配电网单相短路选线方法
CN111579933A (zh) * 2020-06-03 2020-08-25 武汉理工大学 一种基于Hausdroff算法的配电网故障区段定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454559A (zh) * 2013-09-02 2013-12-18 国家电网公司 一种配电网单相接地故障区段定位方法及定位装置
CN103884966A (zh) * 2014-04-15 2014-06-25 河海大学常州校区 基于神经网络的配电网小电流单相接地故障定位方法
CN105759167A (zh) * 2016-01-28 2016-07-13 江苏省电力公司南京供电公司 一种基于小波神经网络的配电网单相短路选线方法
CN111579933A (zh) * 2020-06-03 2020-08-25 武汉理工大学 一种基于Hausdroff算法的配电网故障区段定位方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892117A (zh) * 2024-03-13 2024-04-16 国网山东省电力公司邹城市供电公司 一种配电网输电线路故障定位方法及系统

Similar Documents

Publication Publication Date Title
Jiao et al. A new method to improve fault location accuracy in transmission line based on fuzzy multi-sensor data fusion
CN106990324B (zh) 一种配电网接地故障检测定位方法
CN106330095B (zh) 一种大型光伏电站汇集系统故障定位方法
Jain et al. Fault classification of double circuit transmission line using artificial neural network
Prasad et al. Importance of artificial neural networks for location of faults in transmission systems: A survey
Dashtdar et al. Fault location in the transmission network using artificial neural network
CN106600452B (zh) 基于时间分析矩阵及聚类分析的配电网行波故障定位方法
CN111579933A (zh) 一种基于Hausdroff算法的配电网故障区段定位方法
CN110118912B (zh) 一种基于灰色关联分析的经消弧线圈装置接地配电网单相接地故障选线方法
CN114417677B (zh) 一种开关类设备操作强电磁骚扰特性分析方法
CN114384374A (zh) 基于边缘计算ftu与故障指示器的故障研判方法及装置
Awalin et al. Recent developments in fault location methods for distribution networks
CN112710920A (zh) 一种基于bp神经网络的配电网故障区段定位方法
CN115128395A (zh) 一种电压暂降源定位方法和装置
CN106646138B (zh) 基于多采样频率小波特征能量折算的配电网接地故障定位方法
CN112801135B (zh) 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备
CN113610119A (zh) 基于卷积神经网络识别输电线路发展性故障的方法
Ngaopitakkul et al. Identification of fault locations in underground distribution system using discrete wavelet transform
Kale et al. Detection and classification of faults on parallel transmission lines using wavelet transform and neural network
Lin et al. Fault location for three-ended ring-topology power system using minimum GPS-based measurements and CVT/CT sensing
CN109375057B (zh) 一种基于电流二阶差分的配电网单相接地故障选线方法
CN114169118A (zh) 考虑分布式电源出力相关性的配电网拓扑结构辨识方法
CN113805012A (zh) 适用于中性点经小电阻接地电缆配电网故障区段辨识方法
CN112162216A (zh) 一种结合μPMU量测数据的电网故障辨识方法
CN111337791A (zh) 一种基于梯度提升树算法的配电网单相接地故障选线方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210427