CN113376480A - 配电网接地故障选线方法 - Google Patents
配电网接地故障选线方法 Download PDFInfo
- Publication number
- CN113376480A CN113376480A CN202110809373.3A CN202110809373A CN113376480A CN 113376480 A CN113376480 A CN 113376480A CN 202110809373 A CN202110809373 A CN 202110809373A CN 113376480 A CN113376480 A CN 113376480A
- Authority
- CN
- China
- Prior art keywords
- fault
- line
- harmonic
- measure
- function
- 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
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
- G01R31/081—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
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G01R31/58—Testing of lines, cables or conductors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公布了配电网接地故障选线方法。该方法分别采用5次谐波法、有功分量法和暂态能量法从零序电流信号中提取5次谐波分量、有功分量、暂态能量作为故障特征,并定义其故障测度,然后将这些故障测度作为模型的输入,利用故障稳态与暂态信息对接地故障不同的判别能力,并借助遗传算法强大的宏观搜索能力和良好的全局优化性能,训练时,先用遗传算法对神经网络的权值进行寻找,将搜索范围缩小后,再利用LM改进的BP网络相结合,进而形成一种基于遗传算法的改进LM—BP算法模型的四层神经网络来进行精确求解,以达到全局寻找的目的,还可以避免陷入局部极小,使得选线模型达到较高的精度,以提高选线的稳定性和准确性。
Description
技术领域
本发明属于配电网故障判别技术领域,特别是涉及一种配电网接地故障选线方法。
背景技术
配电系统运行中最常见的故障形式是单相接地故障。中性点非有效接地的小电流接地系统发生单相接地故障后,由于故障点与中性点之间只能构成一个高阻抗电流回路,使得系统的接地点电流很小,信号难以捕捉,从而造成故障线路很难被发现。然而小电流接地系统发生单相接地时,系统的线电压依然三相对称,为避免生产的突然断线,无需立即跳闸,电力部门规定此情况下的系统仍可持续运行1-2个小时。此时,健全相电压升高至正常时的倍,若长时间带故障运行,系统过电压可能对电力设备造成损害,甚至使故障发展为多点接地短路,影响系统的安全运行。通常采用拉路法来确定单相接地故障线路后人工巡线査找故障点,即使安装有小电流接地选线装置的变电站,由于装置的可靠性较差,运行人员对选线结果不完全相信,大部分时间依然采用人工拉路的方法来识别故障线路。这样就造成了健全线路不必要的短时停电,同时选岀故障线路后人工巡线査找故障点的工作量也非常繁重,不利于故障的快速清除,增加了停电时间,降低了供电可靠性。
当接地发生在相电压相位为零时暂态过程将非常不明显特别是当故障接地电阻较高时,暂态故障特征几乎看不到,从而会造成不能正确选线。而稳态线方法又常常因为忽略了故障特征丰富的暂态信息而造成选线准确率不高。,
发明内容
本发明要解决的技术问题是提供一种配电网接地故障选线方法,该方法是选取故障时零序电流的小波能量,五次谐波、线路的有功功率三个特征量作为故障选线的输入参数,并定义了各自的故障测度函数,然后将这些故障程度作为模型输入,利用故障稳态与暂态信息对接地故障不同的判别能力,借助遗传算法,提高选线的稳定性和准确性。
为了解决现有技术存在的问题,本发明采用的技术方案是:
配电网接地故障选线方法,包括以下步骤:
(一)获取五次谐波的故障测度函数、小波能量的故障测度函数和有功功率的故障测度函数:
分别利用快速傅里叶变换和小波包变换从线路K零序电流信号和母线零序电压信号中提取稳态特征分量和暂态特征分量,暂态特征分量进行信号小波包分解,稳态特征分量分别进行信号谐波分解和信号有功分量分解;对频区能量特征进行提取,得到小波能量的故障测度函数,对五波谐波特征进行提取,得到五次谐波故障测度函数,对有功功率特征进行提取,得到有功功率故障测度函数;
(二)GA-LM改进BP选线模型的构建:
将计算出来的暂态分量故障程度值、5次谐波故障程度值、有功分量故障程度值作为BP神经网络的输入矢量;执行遗传算法的步骤训练神经网络得到网络的初始权值和阈值;
(三)基于遗传算法对BP神经网络的初始权值和阈值进行优化:训练时,先用遗传算法对神经网络的权值进行寻找,将搜索范围缩小后,再利用LM改进的BP网络进行精确求解,选线结果即是神经网络的输出,输出结果为1表示线路发生故障,为-1表示非故障线路。
进一步地,所述五次谐波的故障测度函数的获取包括以下步骤:
发生单相接地故障时,过渡电阻呈现的非线性使得故障点处产生了非正弦电流,分解为一个基波和许多谐波,根据谐波在整个系统内的分布和保护的要求,选用五次谐波分量;设I05(K)为第K条线路零序电流的五次谐波分量,I05为所有线路零序电流五次谐波分量的总和;
当一条线路的I05(K)的方向与其它剩余支路同向时,构建同向时五次谐波的相对故障测度函数,其中令I05(K)/I05=x1,y1为同向时五次谐波的相对故障测度:
当I05(K)的方向与其它线路的方向不相同时,构建方向不同时五次谐波的相对故障测度函数,其中令I05(K)/I05=x1,y2为方向不同时五次谐波的相对故障测度;
当I05(K)在线路K的零序电流基波I01(K)中占的比重越大,利用该方法判断的可信度越高,因此五次谐波可确定故障测度函数为:其中:令I05(K)/I01(K)=x2,I01(K)是线路K的零序电流基波,y3为五次谐波的可确定故障测度函数值:
进一步地,所述小波能量的故障测度函数的获取包括以下步骤:
设e∑(K)为线路K在线路各特征频段的总能量,e∑(K)’为所有线路在各自特征频段的总能量;当线路K与其它大多数线路的小波包分解结果极性相同时,小波能量的相对故障测度函数为:其中令e∑(K)/e∑(K)’=x3,y4为极性相同时小波能量的相对故障测度:
当线路K与其它大多数线路的小波包分解结果极性相反时,小波能量的相对故障测度函数为:其中令e∑(K)/e∑(K)’=z3,y5为极性相反时小波能量的相对故障测度:
由于e∑(K)/e∑(K)’的值越大,该方法的可信度越高,可确定故障测度越接近1,因此,小波能量的可确定故障测度函数为,其中令e∑(K)/e∑(K)’=x3,y6为小波能量的可确定故障测度:
进一步地,所述有功功率的故障测度函数的获取包括以下步骤:
设P∑为所有线路零序有功功率的总和,P(K)为第K条线路的零序有功功率,Q(K)为第K条线路的零序无功功率;当线路的P(K)与其它线路的P(K)方向相同时,构建有功功率的相对故障测度函数如下:其中令P(K)/PΣ=x4,y7为同向时有功功率的相对故障测度,n为线路的条数;
当线路K的P(K)与其它多数线路的P(K)方向不一致时,构建有功功率的相对故障测度函数,其中令P(K)/P∑=x4,y8为方向不一致时有功功率的相对故障测度,n为线路的条数;
当线路K的零序有功功率P(K)在视在功率(P(K)+Q(K))中占的比重越大,用该方法准确判断的可靠性越高,则可确定故障测度越接近于1,因此,构建有功功率的可确定故障测度函数如式所示:其中(P(K)+Q(K))为视在功率,x5=P(K)/(P(K)+Q(K)),y9为有功功率的可确定故障测度;
进一步地,所述基于遗传算法对BP神经网络的初始权值和阈值进行优化,包括以下步骤:
a.设置种群数目和优化目标,将种群规模设定30;
b.种群中个体由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值组成,对这些权值、阈值采取matlab软件进行实数编码;
c.各种群中个体适应度值的计算:
对种群中所有个体进行适应度值计算,其计算公式为:
式中:n为网络输出节点数;yi为BP神经网络第i个节点的期望输出;oi为第i个节点的实际输出;k为系数;
d.执行遗传操作;
e.产生子代并计算适应度值;
f.用BP算法进行预测训练,
g.检测是否达到优化目标,如果达不到优化目标,则返回执行遗传操作;
h.如果达到优化目标,则获得最佳神经元初始权值和阈值;
i.训练BP网络使其达到所需的精度;
j.结束。
所述的遗传操作包括选择操作、交叉操作和变异操作。
进一步地,所述择操作是根据种群中个体的适应度值决定能够进入下一代群体的个体,本发明选择轮盘赌法,每个个体选择概率pi为:
式中:Ji为第i个个体;fi为个体i的适应度值;k为系数;N为种群个体数目,J指常数。
所述交叉操作是将交叉概率设为0.3,交叉操作方法采用实数交叉法,第k个染色体ak和第l个染色体在j位的交叉操作公式为:
式中:akj为第k个染色体在j位的交叉操作;aij第l个染色体在j位的交叉操作;b为[0,1]之间的随机数。
进一步地,所述变异操作是将变异概率设为0.1,选取第i个个体的第j个基因aij进行变异操作,公式为:
本发明所具有的优点及有益效果是:
本发明把神经网络的信息融合技术应用于故障选线上,既结合故障后短暂的暂态故障特征又结合故障后的稳态故障信息进行融合选线,并且只基于单一故障信息的选线方法往往会出现选线误判。为了提高选线的精度和速度,分别采用5次谐波法、有功分量法和暂态能量法,从零序电流信号中提取5次谐波分量、有功分量、暂态能量作为故障特征,并定义其故障测度,然后将这些故障测度作为模型的输入,利用故障稳态与暂态信息对接地故障不同的判别能力,并借助遗传算法强大的宏观搜索能力和良好的全局优化性能,训练时,先用遗传算法对神经网络的权值进行寻找,将搜索范围缩小后,再利用LM改进的BP网络来进行精确求解,以达到全局寻找的目的,还可以避免陷入局部极小,使得选线模型达到较高的精度,以提高选线的稳定性和准确性。
附图说明
下面结合附图对本发明作进一步详述:
图1为BP神经网络结构图;
图2为基于遗传算法对BP神经网络的初始权值和阈值进行优化流程图;
图3为本发明配电网接地故障选线方法流程图;
图4为BP神经网络选线模型输出结果;
图5为GA-LM改进的BP选线模型输出结果
具体实施方式
基于BP神经网络进行融合选线时,无法将未经处理的原始数据作为网络的输入,只能简单地按照各选线算法得出故障线路,这将导致数据误差太大、收敛性能下降等问题。为此,需将不同选线算法判据信息根据自身含有的特征信息大小来得出该线路的故障测度程度,然后通过BP神经网络做出综合决策判断选出故障线路。为了对各故障信息特征量进行归一化处理,本发明引入故障测度函数的概念,并定义了3种选线方法的故障程度函数。
故障测度是用来描述一条线路在某判据下具有的疑似故障线路的特征明显程度的度量,其值越大表明越可能是故障线路。本发明将故障程度值的范围规定为[-1,1]之间的实数。线路的故障程度值越接近1,表示这条线路越可能是故障线路;反之,为非故障线路。假设配电网中共有m条支路,共有n种选线方法,那么当第K线路(K=1,2,...,m),使用第q(q=1,2,...,n)种方法来进行选线的成功概率为:
xp(K)=xm(K)·xan(K) (1)
xm称为相对故障测度函数,代表某一条线路的故障测度与其它线路的故障测度相比较后的值。xan称为可确定故障测度函数,代表此线路故障特征的明显程度。
如图3所示,本发明配电网接地故障选线方法,包括以下步骤:
(一)获取五次谐波的故障测度函数、小波能量的故障测度函数和有功功率的故障测度函数:
首先分别利用快速傅里叶变换和小波包变换从线路K零序电流信号和母线零序电压信号中提取稳态特征分量和暂态特征分量,暂态特征分量进行信号小波包分解,稳态特征分量分别进行信号谐波分解和信号有功分量分解;对频区能量特征进行提取,得到小波能量的故障测度函数,对五波谐波特征进行提取,得到五次谐波故障测度函数,对有功功率特征进行提取,得到有功功率故障测度函数;
(二)GA-LM改进BP选线模型的构建:
BP神经网络是一种被广泛应用的多层前向型网络,其信号正向传播,训练误差反向传递,通过样本数据的训练,不断修正网络权值和阈值使误差函数沿负梯度方向下降,逼近期望输出。本发明针对LM改进的BP神经网络模型选用3-7-5-1四层神经网络,输入层为一层,输入节点为3个(x1,x2,x3),即将计算出来的暂态分量故障程度值、5次谐波故障程度值、有功分量故障程度值作为BP神经网络的输入矢量;隐含层按两层布置,第一层7个神经单元,第二层5个神经单元;输出节点为1个y1,通过输出[-1,1]之间的实数来反映线路故障情况(即y1输出接近1时为故障线路,输出接近-1时为非故障线路,接近0时则无法判断)。执行遗传算法的步骤训练神经网络得到网络的初始权值和阈值。
本发明构建的BP神经网络结构图如图1所示。wij、wjk和wjk是各层之间传递的权值,bh为隐含层各神经元的阈值。BP神经网络存在着一些问题:学习速率固定,面对复杂问题网络收敛速率低下,训练时间很长;权值可能会收敛于某个局部极小值而不能顾及全局;训练过程中有可能进入误差平坦区使得权值调整缓慢等。为了解决上述问题,本发明采用全局搜索能力较强的遗传算法进行全局最优空间搜索,然后在采用改进的BP神经网络进行局部精细化寻优。
(三)基于遗传算法对BP神经网络的初始权值和阈值进行优化:训练时,先用遗传算法对神经网络的权值进行寻找,将搜索范围缩小后,再利用LM改进的BP网络进行精确求解。选线结果即是神经网络的输出,输出结果为1表示线路发生故障,为-1表示非故障线路。
所述五次谐波故障测度函数的获取包括以下步骤:
发生单相接地故障时,过渡电阻呈现的非线性使得故障点处产生了非正弦电流,分解为一个基波和许多谐波,根据谐波在整个系统内的分布和保护的要求,选用五次谐波分量;设I05(K)为第K条线路零序电流的五次谐波分量,I05为所有线路零序电流五次谐波分量的总和;
当一条线路的I05(K)的方向与其它剩余支路同向时,I05(K)/I05的值越小,即该线路的零序电流的五次谐波分量在所有线路零序电流五次谐波分量总和中占的比重越小,该线路越可能是非故障线路,此时其相对故障测度将接近于-1;反之,I05(K)/I05的值越大,该线路越有可能是接地故障线路,相对故障测度越接近于0;构建同向时五次谐波的相对故障测度函数(其中令I05(K)/I05=x1,y1为同向时五次谐波的相对故障测度):
当I05(K)的方向与其它线路的方向不相同时,构建方向不同时五次谐波的相对故障测度函数,其中令I05(K)/I05=x1,y2为方向不同时五次谐波的相对故障测度;
当I05(K)在线路K的零序电流基波I01(K)中占的比重越大,利用该方法判断的可信度越高,因此五次谐波可确定故障测度函数为:其中:令I05(K)/I01(K)=x2,I01(K)是线路K的零序电流基波,y3为五次谐波的可确定故障测度函数值:
所述小波能量的故障测度函数的获取包括以下步骤:
配电网发生单相接地故障时,对零序电流的暂态分量进行db小波5层分解,除去剔除工频所在最低频段,能量最大处的频带包含了暂态电容电流的主要特征。
设e∑(k)为线路k在线路各特征频段的总能量,e∑(k)’为所有线路在各自特征频段的总能量;当线路K与其它大多数线路的小波包分解结果极性相同时,e∑(k)/e∑(k)’的值越小,即线路k的e∑(k)在e∑(k)’中占的比重越小越可能是非故障线路,相对故障测度越接近于-1;反之越可能是故障线路,相对故障测度越接近于0;其中令e∑(K)/e∑(K)’=x3,y4为极性相同时小波能量的相对故障测度,极性相同时小波能量的相对故障测度函数为:
当线路K与其它大多数线路的小波包分解结果极性相反时,小波能量的相对故障测度函数为:其中令e∑(K)/e∑(K)’=z3,y5为极性相反时小波能量的相对故障测度:
由于e∑(K)/e∑(K)’的值越大,该方法的可信度越高,可确定故障测度越接近1,因此,小波能量的可确定故障测度函数为,其中令e∑(K)/e∑(K)’=x3,y6为小波能量的可确定故障测度:
所述有功功率的故障测度函数的获取包括以下步骤:
设P∑为所有线路零序有功功率的总和,P(K)为第K条线路的零序有功功率,Q(K)为第K条线路的零序无功功率;当线路的P(K)与其它线路的P(K)方向相同时,线路的P(K)在P∑中占的比重越小越可能是非故障线路,相对故障测度越接近于-1;反之越可能是故障线路,相对故障测度越接近于0,构建有功功率的相对故障测度函数如下:其中令P(K)/PΣ=x4,y7为同向时有功功率的相对故障测度,n为线路的条数,构建同向时有功功率的相对故障测度函数如下:
当线路K的P(K)与其它多数线路的P(K)方向不一致时,构建有功功率的相对故障测度函数,其中令P(K)/P∑=x4,y8为方向不一致时有功功率的相对故障测度,n为线路的条数;
当线路K的零序有功功率P(K)在视在功率(P(K)+Q(K))中占的比重越大,用该方法准确判断的可靠性越高,则可确定故障测度越接近于1,因此,构建有功功率的可确定故障测度函数如式所示:其中(P(K)+Q(K))为视在功率,x5=P(K)/(P(K)+Q(K)),y9为有功功率的可确定故障测度;
如图2所示,所述基于遗传算法对BP神经网络的初始权值和阈值进行优化,包括以下步骤:
a.设置种群数目和优化目标:将种群规模设定30,
b.种群中个体由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值组成,对这些权值、阈值采取matlab软件进行实数编码;
c.各种群中个体适应度值的计算:
对种群中所有个体进行适应度值计算,其计算公式为:
式中:n为网络输出节点数;yi为BP神经网络第i个节点的期望输出;oi为第i个节点的实际输出;k为系数;
d.执行遗传操作;
e.产生子代并计算适应度值;
f.用BP算法进行预测训练,
g.检测是否达到优化目标,如果达不到优化目标,则返回执行遗传操作;
h.如果达到优化目标,则获得最佳神经元初始权值和阈值;
i.训练BP网络使其达到所需的精度;
j.结束。
所述的遗传操作包括选择操作、交叉操作和变异操作。
进一步地,所述择操作是根据种群中个体的适应度值决定能够进入下一代群体的个体,本发明选择轮盘赌法,每个个体选择概率pi为:
式中:Ji为第i个个体;Fi为个体i的适应度值;k为系数;N为种群个体数目,j指常数。
所述交叉操作是将交叉概率设为0.3,交叉操作方法采用实数交叉法,第k个染色体ak和第l个染色体在j位的交叉操作公式为:
式中:akj为第k个染色体在j位的交叉操作;aij第l个染色体在j位的交叉操作;b为[0,1]之间的随机数。
所述变异操作是为了提高局部的随机搜索能力,将变异概率设为0.1,选取第i个个体的第j个基因aij进行变异操作,公式为:
本发明将模型进化迭代数设为100次,当迭代次数达到预设的迭代数时,输出适应度最高的染色体作为待优化的权值与阈值。
实施例1:
本发明选取某变电站录取的真实接地故障波形信息作为样本数据来源,取50个拥有4条线路的配电网接地故障录波图,一共采集到200个零序电流信号,共200个样本数据。通过故障程度函数计算出各自的故障程度值,结果见表1。
表1样本数据表
将200组样本数据导入MATLAB中进行模型验证,将其中160组数据作为训练样本,40组数据作为测试样本。BP神经网络模型与GA-LM改进的BP选线模型训练测试结果分别如图4、图5所示。图中横坐标表示第1组至第40组测试样本,每4组样本为1个组合,对应1个配电网的4条出线;纵坐标是GA-LM改进的BP算法的输出,表示线路的故障程度。
40组测试样本与GA-LM改进的BP以及BP神经网络选线模型的输出结果见表2。
表2测试样本与模型输出
经统计,经典BP神经网络选线模型在测试7、12、15、23、38组样本数据时发生误判,选线精度87.5%。由于BP神经网络初始权值和阈值随机选取,因此陷入了局部极值,前几组数据集中出现误选,随着误差传递调整权值后期选线较为准确。而GA-LM改进的BP选线模型采用遗传算法提供的最优初始权值和阈值,因此,选线精度达到100%。可见,GA-LM改进的BP选线模型的选线精度更加高。
Claims (9)
1.配电网接地故障选线方法,其特征在于包括以下步骤:
(一)获取五次谐波的故障测度函数、小波能量的故障测度函数和有功功率的故障测度函数:
分别利用快速傅里叶变换和小波包变换从线路K零序电流信号和母线零序电压信号中提取稳态特征分量和暂态特征分量,暂态特征分量进行信号小波包分解,稳态特征分量分别进行信号谐波分解和信号有功分量分解;对频区能量特征进行提取,得到小波能量的故障测度函数,对五波谐波特征进行提取,得到五次谐波故障测度函数,对有功功率特征进行提取,得到有功功率故障测度函数;
(二)GA-LM改进BP选线模型的构建:
将计算出来的暂态分量故障程度值、5次谐波故障程度值、有功分量故障程度值作为BP神经网络的输入矢量;执行遗传算法的步骤训练神经网络得到网络的初始权值和阈值;
(三)基于遗传算法对BP神经网络的初始权值和阈值进行优化:训练时,先用遗传算法对神经网络的权值进行寻找,将搜索范围缩小后,再利用LM改进的BP网络进行精确求解,选线结果即是神经网络的输出,输出结果为1表示线路发生故障,为-1表示非故障线路。
2.根据权利要求1所述的配电网接地故障选线方法,其特征在于所述五次谐波的故障测度函数的获取包括以下步骤:
发生单相接地故障时,过渡电阻呈现的非线性使得故障点处产生了非正弦电流,分解为一个基波和许多谐波,根据谐波在整个系统内的分布和保护的要求,选用五次谐波分量;设I05(K)为第K条线路零序电流的五次谐波分量,I05为所有线路零序电流五次谐波分量的总和;
当一条线路的I05(K)的方向与其它剩余支路同向时,构建同向时五次谐波的相对故障测度函数,其中令I05(K)/I05=x1,y1为同向时五次谐波的相对故障测度:
当I05(K)的方向与其它线路的方向不相同时,构建方向不同时五次谐波的相对故障测度函数,其中令I05(K)/I05=x1,y2为方向不同时五次谐波的相对故障测度;
五次谐波可确定故障测度函数为:其中:令I05(K)/I01(K)=x2,I01(K)是线路K的零序电流基波,y3为五次谐波的可确定故障测度函数值:
3.根据权利要求1所述的配电网接地故障选线方法,其特征在于所述小波能量的故障测度函数的获取包括以下步骤:
设e∑(K)为线路K在线路各特征频段的总能量,e∑(K)’为所有线路在各自特征频段的总能量;当线路K与其它大多数线路的小波包分解结果极性相同时,小波能量的相对故障测度函数为:其中令e∑(K)/e∑(K)’=x3,y4为极性相同时小波能量的相对故障测度:
当线路K与其它大多数线路的小波包分解结果极性相反时,小波能量的相对故障测度函数为:其中令e∑(K)/e∑(K)’=x3,y5为极性相反时小波能量的相对故障测度:
小波能量的可确定故障测度函数为:其中令e∑(K)/e∑(K)’=x3,y6为小波能量的可确定故障测度:
4.根据权利要求1所述的配电网接地故障选线方法,其特征在于所述有功功率的故障测度函数的获取包括以下步骤:
设P∑为所有线路零序有功功率的总和,P(K)为第K条线路的零序有功功率,Q(K)为第K条线路的零序无功功率;当线路的P(K)与其它线路的P(K)方向相同时,构建有功功率的相对故障测度函数如下:其中令P(K)/P∑=x4,y7为同向时有功功率的相对故障测度,n为线路的条数;
当线路K的P(K)与其它多数线路的P(K)方向不一致时,构建有功功率的相对故障测度函数,其中令P(K)/P∑=x4,y8为方向不一致时有功功率的相对故障测度,n为线路的条数;
构建有功功率的可确定故障测度函数:其中(P(K)+Q(K))为视在功率,x5=P(K)/(P(K)+Q(k)),y9为有功功率的可确定故障测度;
5.根据权利要求1所述的配电网接地故障选线方法,其特征在于所述基于遗传算法对BP神经网络的初始权值和阈值进行优化,包括以下步骤:
a.设置种群数目和优化目标,将种群规模设定30;
b.种群中个体由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值组成,对这些权值、阈值采取matlab软件进行实数编码;
c.各种群中个体适应度值的计算:
对种群中所有个体进行适应度值计算,其计算公式为:
式中:n为网络输出节点数;yi为BP神经网络第i个节点的期望输出;oi为第i个节点的实际输出;k为系数;
d.执行遗传操作;
e.产生子代并计算适应度值;
f.用BP算法进行预测训练,
g.检测是否达到优化目标,如果达不到优化目标,则返回执行遗传操作;
h.如果达到优化目标,则获得最佳神经元初始权值和阈值;
i.训练BP网络使其达到所需的精度;
j.结束。
6.根据权利要求5所述的配电网接地故障选线方法,其特征在于所述的遗传操作包括选择操作、交叉操作和变异操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110809373.3A CN113376480A (zh) | 2021-07-17 | 2021-07-17 | 配电网接地故障选线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110809373.3A CN113376480A (zh) | 2021-07-17 | 2021-07-17 | 配电网接地故障选线方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113376480A true CN113376480A (zh) | 2021-09-10 |
Family
ID=77582319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110809373.3A Pending CN113376480A (zh) | 2021-07-17 | 2021-07-17 | 配电网接地故障选线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376480A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971517A (zh) * | 2021-10-25 | 2022-01-25 | 中国计量大学 | 一种基于ga-lm-bp神经网络的水质评价方法 |
CN115598563A (zh) * | 2022-09-27 | 2023-01-13 | 湖南科技大学(Cn) | 一种基于粗糙神经网络的配电网单相接地故障诊断方法 |
-
2021
- 2021-07-17 CN CN202110809373.3A patent/CN113376480A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971517A (zh) * | 2021-10-25 | 2022-01-25 | 中国计量大学 | 一种基于ga-lm-bp神经网络的水质评价方法 |
CN115598563A (zh) * | 2022-09-27 | 2023-01-13 | 湖南科技大学(Cn) | 一种基于粗糙神经网络的配电网单相接地故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
Mirshekali et al. | A novel fault location methodology for smart distribution networks | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
CN113376480A (zh) | 配电网接地故障选线方法 | |
CN112114232B (zh) | 基于小波分解和dbn的单极接地故障测距方法 | |
Ayyagari | Artificial neural network based fault location for transmission lines | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
CN112130026B (zh) | 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法 | |
CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
CN113985194A (zh) | 一种基于堆栈自编码器的配电网故障定位方法 | |
CN115980513A (zh) | 基于粒子群算法的配电网单相接地故障判别方法及装置 | |
CN112379213A (zh) | 一种故障检测方法及系统 | |
Tzelepis et al. | Intelligent fault location in MTDC networks by recognizing patterns in hybrid circuit breaker currents during fault clearance process | |
CN110221170B (zh) | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 | |
CN113674106A (zh) | 一种中低压配电网接地故障组合定位方法 | |
Coban et al. | Artificial neural network based fault location on 230 kv transmission line using voltage and current signals | |
CN112710923B (zh) | 基于故障后稳态信息的数据驱动单相接地故障选线方法 | |
CN114386024A (zh) | 基于集成学习的电力内网终端设备异常攻击检测方法 | |
CN113884818A (zh) | 一种基于lstm的配电网故障行波到达时间精确估算方法 | |
CN117630569A (zh) | 一种基于gru神经网络的小电流单相接地故障多判据融合选线方法 | |
Kou et al. | Transmission line fault identification based on BP neural network | |
Kale et al. | Detection and classification of faults on parallel transmission lines using wavelet transform and neural network | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子系统故障诊断方法 | |
CN115313329A (zh) | 一种用于快速行波保护的频带范围选取方法及相关装置 | |
CN115184728A (zh) | 一种交直流混合配电网的故障识别方法 |
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 |