CN114062832A - 一种配电网短路故障类型的识别方法及系统 - Google Patents
一种配电网短路故障类型的识别方法及系统 Download PDFInfo
- Publication number
- CN114062832A CN114062832A CN202111017118.1A CN202111017118A CN114062832A CN 114062832 A CN114062832 A CN 114062832A CN 202111017118 A CN202111017118 A CN 202111017118A CN 114062832 A CN114062832 A CN 114062832A
- Authority
- CN
- China
- Prior art keywords
- fault
- phase
- power distribution
- short
- distribution 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
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
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
本申请公开了一种配电网短路故障类型的识别方法及系统,针对中性点非有效接地系统故障,利用线路故障后产生的丰富的暂态电气量,选取其中的三相故障电流分量和零序电压信号,采用其统计量作为故障特征量,所构造的特征向量能够充分刻画不同故障类型的特征,克服传统方法中稳态电气量难以适用于配电网复杂多变的故障工况等问题。并且应用BP神经网络,训练故障类型识别模型,避免依靠经验的硬阈值设定。本申请的方案能实现对高过渡电阻时故障的类型识别,识别的准确性高,适应性好。解决了现有技术识别准确性低、适应性差的技术问题。
Description
技术领域
本申请涉及电力技术领域,尤其涉及一种配电网短路故障类型识别方法及系统。
背景技术
在输电网中,由于输电线路故障后影响范围大,且保护的动作需要选相信息,故涉及输电系统的故障类型快速识别方案颇多。然而在配电网中,故障选线、故障定位的方案较多,而故障类型识别的方案较少,原因是配电网故障分类和输电网有所不同,无法参照输电网中的选相方法。此外,随着配电网的建设和发展,分布式电源在配电网中渗透率不断提高,其对故障特征也产生了一定的影响。因此,对现有配电网存在的多种故障类型进行快速识别具有重要的研究意义。
现有配电网故障类型识别方法分为基于稳态量的方法和基于暂态量的方法,其中,基于稳态量的方法包括:利用稳态故障电流的相位信息实现中性点不接地系统的三种单相接地故障类型的判定;以及利用电流序分量的相角关系构造隶属度函数,继而建立模糊规则,通过模糊推理实现故障类型识别,然而基于稳态量的方法,只能实现中性点不接地系统的三种单相接地故障类型的判定,无法识别其他类型的故障,且只适用于中性点直接接地系统,不能将其应用于所有中性点非有效接地系统中,导致该故障类型识别方法适应性较差。基于暂态量的方法包括:利用平稳小波变换对变电所内故障电流电压信号进行预处理,提取频带能量,通过与既定硬阈值之间的比较得出故障相别,然而,硬阈值的设定需要依靠专家经验,易受不同系统不同设置的影响,导致该故障类型识别方法准确性低。
发明内容
本申请提供了一种配电网短路故障类型的识别方法及系统,用于解决现有技术识别准确性低、适应性差的技术问题。
有鉴于此,本申请第一方面提供了一种配电网短路故障类型的识别方法,所述方法包括:
S1、获取变压器出口侧的三相电流和母线三相电压,并将所述三相电流转换为三相电流故障分量,将所述母线三相电压转换为母线零序电压量;
S2、通过小波变换提取所述三相电流故障分量在预置频率范围的多个电流分量,对所述母线零序电压量进行快速傅里叶变换得到第一信号;
S3、从多个所述电流分量选取若干个类型识别特征量,将所述第一信号中第一分量的幅值设为第一特征量,根据若干个所述类型识别特征量和所述第一特征量构建不同故障类型的特征向量;
S4、将所述特征向量设为BP神经网络的输入,故障类型设为BP神经网络的输出,对BP神经网络进行训练,得到故障类型识别模型;
S5、当发生短路故障时,执行步骤S1-S3构建所述特征向量,并将所述特征向量输入到所述故障类型识别模型,输出故障类型。
可选地,所述通过小波变换提取所述三相电流故障分量在预置频率范围的多个电流分量,具体包括:
选取二次样条小波作为母小波对所述三相电流故障分量分别进行小波变换,从而对所述三相电流进行3层小波分解,以及重构第2层、第3层小波细节系数,得到在预置频率范围的多个电流分量。
其中,
smax=max(sp),p=a,b,c
式中,n为一个工频周期的采样点数;为三相电流故障分量经小波分解和重构后的信号,p为相别a,b,c,E(x)为变量x的数学期望;ρa,b,ρa,c,ρb,c为每两相之间的相关系数,为每相的标幺化标准差。
可选地,所述将所述第一信号中第一分量的幅值设为第一特征量,具体包括:将所述第一信号中50Hz分量的幅值设为第一特征量。
可选地,所述步骤S4,具体包括:
S41、初始化BP神经网络的参数,将若干所述特征向量作为训练样本集;
S42、从所述训练样本集选取一个训练样本进行正向传播和反向传播计算,并更新BP神经网络的权值和阈值;
S43、重复步骤S42,直至满足预置迭代次数,得到所述故障类型识别模型。
可选地,所述预置频率范围为:625Hz~2.5kHz。
本申请第二方面提供一种配电网短路故障类型的识别系统,所述系统包括:
获取单元,用于获取变压器出口侧的三相电流和母线三相电压,并将所述三相电流转换为三相电流故障分量,将所述母线三相电压转换为母线零序电压量;
提取单元,用于通过小波变换提取所述三相电流故障分量在预置频率范围的多个电流分量,对所述母线零序电压量进行快速傅里叶变换得到第一信号;
构建单元,用于从多个所述电流分量选取若干个类型识别特征量,将所述第一信号中第一分量的幅值设为第一特征量,根据若干个所述类型识别特征量和所述第一特征量构建不同故障类型的特征向量;
训练单元,用于将所述特征向量设为BP神经网络的输入,故障类型设为 BP神经网络的输出,对BP神经网络进行训练,得到故障类型识别模型;
识别单元,用于当发生短路故障时,触发所述获取单元构建所述特征向量,并将所述特征向量输入到所述故障类型识别模型,输出故障类型。
可选地,所述提取单元,具体用于:
选取二次样条小波作为母小波对所述三相电流故障分量分别进行小波变换,从而对所述三相电流进行3层小波分解,以及重构第2层、第3层小波细节系数,得到在预置频率范围的多个电流分量;
对所述母线零序电压量进行快速傅里叶变换得到第一信号。
可选地,所述训练单元,具体用于:
S41、初始化BP神经网络的参数,将若干所述特征向量作为训练样本集;
S42、从所述训练样本集选取一个训练样本进行正向传播和反向传播计算,并更新BP神经网络的权值和阈值;
S43、重复步骤S42,直至满足预置迭代次数,得到所述故障类型识别模型。
可选地,所述预置频率范围为:625Hz~2.5kHz。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种配电网短路故障类型的识别方法,包括:S1、获取变压器出口侧的三相电流和母线三相电压,并将三相电流转换为三相电流故障分量,将母线三相电压转换为母线零序电压量;S2、通过小波变换提取三相电流故障分量在预置频率范围的多个电流分量,对母线零序电压量进行快速傅里叶变换得到第一信号;S3、从多个电流分量选取若干个类型识别特征量,将第一信号中第一分量的幅值设为第一特征量,根据若干个类型识别特征量和第一特征量构建不同故障类型的特征向量;S4、将特征向量设为BP神经网络的输入,故障类型设为BP神经网络的输出,对BP神经网络进行训练,得到故障类型识别模型;S5、当发生短路故障时,执行步骤S1-S3构建特征向量,并将特征向量输入到故障类型识别模型,输出故障类型。
本申请的配电网短路故障类型的识别方法,针对中性点非有效接地系统故障,利用线路故障后产生的丰富的暂态电气量,选取其中的三相故障电流分量和零序电压信号,采用其统计量作为故障特征量,所构造的特征向量能够充分刻画不同故障类型的特征,克服传统方法中稳态电气量难以适用于配电网复杂多变的故障工况等问题。并且应用BP神经网络,训练故障类型识别模型,避免依靠经验的硬阈值设定。本申请的方案能实现对高过渡电阻时故障的类型识别,识别的准确性高,适应性好。解决了现有技术识别准确性低、适应性差的技术问题。
附图说明
图1为本申请实施例中提供的一种配电网短路故障类型的识别方法实施例一的流程示意图;
图2为本申请实施例中提供的一种配电网短路故障类型的识别方法实施例二的流程示意图;
图3为本申请实施例中提供的一种配电网短路故障类型的识别系统实施例的结构示意图;
图4为变电所内可测得变压器出口侧的三相电流和母线三相电压的示意图;
图5为三相原始电流和经过样条小波提取的信号的示意图;
图6和图7为各种特征量的变化示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,本申请实施例一提供的一种配电网短路故障类型的识别方法,包括:
步骤101、获取变压器出口侧的三相电流和母线三相电压,并将三相电流转换为三相电流故障分量,将母线三相电压转换为母线零序电压量。
需要说明的是,如图4所述,图4为变电所内可测得变压器出口侧的三相电流和母线三相电压。变电所内母线三相电压经计算后得到母线零序电压量u0(t),如式(1),本实施例中以后未加特别说明的零序电压均指该零序电压量。变压器二次侧三相电流经计算后得到故障后的三相电流故障分量如式(2)。up(t)和ip(t)分别为故障后第一个工频周期内的电压和三相电流,p=a, b,c,T为工频周期。
u0(t)=ua(t)+ub(t)+uc(t) (1)
步骤102、通过小波变换提取三相电流故障分量在预置频率范围的多个电流分量,对母线零序电压量进行快速傅里叶变换得到第一信号。
需要说明的是,小波变换作为一种时频分析工具,具有良好的时频聚焦能力,因此选用小波变换对提取的三相电流故障分量进行处理,提取故障信息最集中频带内的电流分量。
由于电压互感器传变高频的能力较差,对母线零序电压量u0(t)只进行快速傅里叶变换(Fast Fourier Transform,FFT)。FFT是快速计算序列的离散傅里叶变换(DFT)的方法,通过把DFT矩阵分解为稀疏因子之积来快速计算此类变换。
步骤103、从多个电流分量选取若干个类型识别特征量,将第一信号中第一分量的幅值设为第一特征量,根据若干个类型识别特征量和第一特征量构建不同故障类型的特征向量。
需要说明的是,经过小波变换提取的故障相电流明显比非故障相电流的变化要剧烈。考虑到人工智能技术具有从采集数据中挖掘知识的能力,因此可以被用来学习不同故障工况下的特点,实现对故障类型的识别。但i'p是一个周期内的采样信号,共有200个采样点,如果将和同时作为输入,输入数量为600个,过多的输入给神经网络的学习和训练带来极大的困难。因此需要提取若干能有效刻画原有信号特点的类型识别特征量来对故障类型进行合理和有效的识别。同时将经快速傅里叶变换得到第一信号的U0(经快速傅里叶变换后的第一信号中50Hz分量的幅值)设为第一特征量。从而根据上述若干类型识别特征量和U0构建不同故障类型的特征向量。
步骤104、将特征向量设为BP神经网络的输入,故障类型设为BP神经网络的输出,对BP神经网络进行训练,得到故障类型识别模型。
本实施例的BP神经网络的训练过程如下:
(1)初始化网络的突触权值[ω]n×m和阈值矩阵[b]n×1;确定隐含层节点数目 h:
式中,m为输入层节点数目,n为输出层节点数目,a为调节常数,通常在[1,10]之间取值。
(2)以第二步中获取的各故障类型下的特征向量作为训练样本。
(3)取一个训练样本正向传播计算。
[c]n×1=[ω]n×m[x]m×1+[b]n×1
[y]n×1=f([c]n×1) (6)
式中,[x]m×1为输入层节点输出,[y]n×1为输出层节点输出,f为激活函数,通常取S型函数或线性函数。
(4)反向传播计算并更新权值和阈值。
对于输出节点j,d(j)为其期望输出,则节点j的输出产生的误差信号为:
e(j)=d(j)-y(j) (7)
为使函数连续可导,定义节点j的瞬时误差能量E(j):
将所有输出层节点的瞬时误差能量相加,得到网络的总瞬时误差能量En:
BP神经网络通过反复修正权值ω和阈值b使得总瞬时误差能量En最小,使用梯度下降法得到权值ω和阈值b的修正值Δω和Δb:
则更新后的权值ω’和阈值b’为:
ωij'=ωij-Δωij
bj'=bj-Δbj (11)
(5)迭代,用新的样本进行步骤(3)和步骤(4),直至满足停止准则。
步骤105、当发生短路故障时,执行步骤101-103构建特征向量,并将特征向量输入到故障类型识别模型,输出故障类型。
需要说明的是,将训练好的BP神经网络模型(故障类型识别模型)应用于中性点非有效接地系统的故障类型快速识别,应用的具体过程为:故障发生时,从配电网的传输线路中采集信号的实时波形,提取故障特征频带内的暂态信号u0(t)和构造特征向量σ,即重复101、102、103。特征向量作为BP神经网络的输入,输出识别后的故障类型。
本申请的配电网短路故障类型的识别方法,针对中性点非有效接地系统故障,利用线路故障后产生的丰富的暂态电气量,选取其中的三相故障电流分量和零序电压信号,采用其统计量作为故障特征量,所构造的特征向量能够充分刻画不同故障类型的特征,克服传统方法中稳态电气量难以适用于配电网复杂多变的故障工况等问题。并且应用BP神经网络,训练故障类型识别模型,避免依靠经验的硬阈值设定。本申请的方案能实现对高过渡电阻时故障的类型识别,识别的准确性高,适应性好。解决了现有技术识别准确性低、适应性差的技术问题。
以上为本申请实施例一提供的一种配电网短路故障类型的识别方法,以上为本申请实施例二提供的一种配电网短路故障类型的识别方法。
请参阅图2,本申请实施例二提供的一种配电网短路故障类型的识别方法,包括:
步骤201、获取变压器出口侧的三相电流和母线三相电压,并将三相电流转换为三相电流故障分量,将母线三相电压转换为母线零序电压量。
步骤201与实施例一步骤101描述相同,请参见步骤101描述,在此不再赘述。
步骤202、选取二次样条小波作为母小波对三相电流故障分量分别进行小波变换,从而对三相电流进行3层小波分解,以及重构第2层、第3层小波细节系数,得到在预置频率范围的多个电流分量;对母线零序电压量进行快速傅里叶变换得到第一信号。
步骤203、从多个电流分量选取若干个类型识别特征量,将第一信号中第一分量的幅值设为第一特征量,根据若干个类型识别特征量和第一特征量构建不同故障类型的特征向量。
对于步骤202-203,需要说明的是:
A:鉴于样条小波在检测信号奇异性上的良好表现,本实施例选择二次样条小波作为母小波,对分别进行小波变换。对电流信号进行3 层小波分解,重构2,3层的小波细节系数。小波分解和重构的低通滤波器系数为分解的高通滤波器系数为 重构的高通滤波器系数为 信号采样频率为10kHz。重构得到的信号频率范围在625Hz~2.5kHz内,该频率范围在较大程度上利用了电磁暂态的频率,同时避免了系统中3~11次谐波的影响。
利用PSCAD/EMTDC仿真软件模拟发生在0.1s的ACG故障,其三相原始电流和经过样条小波提取的信号如图5所示。从图5可以看出,经过小波变换提取的故障相电流明显比非故障相电流的变化要剧烈。考虑到人工智能技术具有从采集数据中挖掘知识的能力,因此可以被用来学习不同故障工况下的特点,实现对故障类型的识别。但i'p是一个周期内的采样信号,共有200 个采样点,如果将和同时作为输入,输入数量为600个,过多的输入给神经网络的学习和训练带来极大的困难。因此需要提取一些能有效刻画原有信号特点的特征量来对故障类型进行合理和有效的识别。
由于统计量能充分表征一个信号的波形和能量,因此考虑用来构造特征量。通过对12个常用统计量的分析和比较,从统计量在不同故障类型下的变化规律以及自身的计算复杂度考虑,选取了其中的六个量ρa,b,ρa,c,ρb,c, 作为类型识别特征量,如式(3)与式(4)。
式中,n为一个工频周期的采样点数,n=200。为三相电流故障分量经小波分解和重构后的信号,p为相别a,b,c,E(x)为变量x的数学期望。ρa,b,ρa,c,ρb,c为每两相之间的相关系数,为每相的标幺化标准差。在ACG 故障中,这六个特征量分别为ρab=0.595,ρac=0.967,ρbc=0.773。同时将经快速傅里叶变换得到第一信号的U0(经快速傅里叶变换后的第一信号中50Hz分量的幅值)设为第一特征量。从而根据上述若干类型识别特征量和U0构建不同故障类型的特征向量。
B:构造第一特征量U0,作为判定是否发生接地故障的依据。
由于电压互感器传变高频的能力较差,对u0(t)只进行快速傅里叶变换 (FastFourier Transform,FFT)。FFT是快速计算序列的离散傅里叶变换(DFT) 的方法,通过把DFT矩阵分解为稀疏因子之积来快速计算此类变换。U0即为 u0(t)经快速傅里叶变换后的信号中50Hz分量的幅值。
C:为了全面地分析所构造的七个特征量在不同故障类型下的变化情况,假定中性点不接地系统发生AG、ABG、AB和ABC/ABCG四种故障,过渡电阻分别为0Ω、50Ω、100Ω、200Ω、500Ω和1000Ω,故障初相角分别为 0°、18°、36°、90°、126°和162°,则每一故障类型有36个不同的故障工况。将故障初相角定义为故障时刻A相电压的相角。对这些故障工况进行仿真,并计算特征量,各个特征量的变化如图6、图7所示。其中,第1~6个点对应0°初相角时,过渡电阻分别为0~1000Ω时的特征量数值;第7~12个点对应18°初相角、过渡电阻分别为0~1000Ω时的特征量数值,以此类推。
从图中6中的(c)和图7可以看出,非接地故障(AB)和对称故障 (ABC/ABCG)时零序电压基频分量U0为零,而图6中的(a)和图6中的(b)中 U0非零,因此可以把AG和ABG故障从AB和ABC/ABCG故障中区分出来,而且发生接地故障时,零序电压基波分量数值很大(达到几kV),非接地故障时数值基本为零。另外,在同一故障初相角时,过渡电阻的增加使零序电压U0逐渐减小。由图6中的(b)和图7可以看出,当线路发生两相故障时,故障两相的相关系数明显大于其他相关系数,而在其他故障时这个规律并不明显,这可以将两相故障判别出来。另外,故障两相的标准差要明显大于非故障相的标准差,据此可确定故障相别。从图6中的(a)可以看出,当发生单相故障时,故障相的标准差明显大于非故障相的标准差。综上,所构造的特征量充分反映出不同故障类型的特点,为实现故障类型快速识别奠定了良好的基础。
步骤204、初始化BP神经网络的参数,将若干特征向量作为训练样本集;
步骤205、从训练样本集选取一个训练样本进行正向传播和反向传播计算,并更新BP神经网络的权值和阈值;
步骤206、重复步骤205,直至满足预置迭代次数,得到故障类型识别模型。
步骤204-206与实施例一的步骤104描述相同,请参见实施例一步骤104 的描述,在此不再赘述。
步骤207、当发生短路故障时,执行步骤201-203构建特征向量,并将特征向量输入到故障类型识别模型,输出故障类型。
步骤207与实施例一的步骤105描述相同,请参见实施例一步骤105的描述,在此不再赘述。
以上为本申请实施例一提供的一种配电网短路故障类型的识别方法,以上为本申请实施例二提供的一种配电网短路故障类型的识别方法。
请参阅图3,本申请实施例提供的一种配电网短路故障类型的识别系统,包括:
获取单元301,用于获取变压器出口侧的三相电流和母线三相电压,并将三相电流转换为三相电流故障分量,将母线三相电压转换为母线零序电压量;
提取单元302,用于通过小波变换提取三相电流故障分量在预置频率范围的多个电流分量,对母线零序电压量进行快速傅里叶变换得到第一信号。
构建单元303,用于从多个电流分量选取若干个类型识别特征量,将第一信号中第一分量的幅值设为第一特征量,根据若干个类型识别特征量和第一特征量构建不同故障类型的特征向量。
训练单元304,用于将特征向量设为BP神经网络的输入,故障类型设为 BP神经网络的输出,对BP神经网络进行训练,得到故障类型识别模型。
识别单元305,用于当发生短路故障时,触发获取单元构建特征向量,并将特征向量输入到故障类型识别模型,输出故障类型。
本申请的配电网短路故障类型的识别系统,针对中性点非有效接地系统故障,利用线路故障后产生的丰富的暂态电气量,选取其中的三相故障电流分量和零序电压信号,采用其统计量作为故障特征量,所构造的特征向量能够充分刻画不同故障类型的特征,克服传统方法中稳态电气量难以适用于配电网复杂多变的故障工况等问题。并且应用BP神经网络,训练故障类型识别模型,避免依靠经验的硬阈值设定。本申请的方案能实现对高过渡电阻时故障的类型识别,识别的准确性高,适应性好。解决了现有技术识别准确性低、适应性差的技术问题。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或 c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种配电网短路故障类型的识别方法,其特征在于,包括:
S1、获取变压器出口侧的三相电流和母线三相电压,并将所述三相电流转换为三相电流故障分量,将所述母线三相电压转换为母线零序电压量;
S2、通过小波变换提取所述三相电流故障分量在预置频率范围的多个电流分量,对所述母线零序电压量进行快速傅里叶变换得到第一信号;
S3、从多个所述电流分量选取若干个类型识别特征量,将所述第一信号中第一分量的幅值设为第一特征量,根据若干个所述类型识别特征量和所述第一特征量构建不同故障类型的特征向量;
S4、将所述特征向量设为BP神经网络的输入,故障类型设为BP神经网络的输出,对BP神经网络进行训练,得到故障类型识别模型;
S5、当发生短路故障时,执行步骤S1-S3构建所述特征向量,并将所述特征向量输入到所述故障类型识别模型,输出故障类型。
2.根据权利要求1所述的配电网短路故障类型的识别方法,其特征在于,所述通过小波变换提取所述三相电流故障分量在预置频率范围的多个电流分量,具体包括:
选取二次样条小波作为母小波对所述三相电流故障分量分别进行小波变换,从而对所述三相电流进行3层小波分解,以及重构第2层、第3层小波细节系数,得到在预置频率范围的多个电流分量。
4.根据权利要求1所述的配电网短路故障类型的识别方法,其特征在于,所述将所述第一信号中第一分量的幅值设为第一特征量,具体包括:将所述第一信号中50Hz分量的幅值设为第一特征量。
5.根据权利要求1所述的配电网短路故障类型的识别方法,其特征在于,所述步骤S4,具体包括:
S41、初始化BP神经网络的参数,将若干所述特征向量作为训练样本集;
S42、从所述训练样本集选取一个训练样本进行正向传播和反向传播计算,并更新BP神经网络的权值和阈值;
S43、重复步骤S42,直至满足预置迭代次数,得到所述故障类型识别模型。
6.根据权利要求1所述的配电网短路故障类型的识别方法,其特征在于,所述预置频率范围为:625Hz~2.5kHz。
7.一种配电网短路故障类型的识别系统,其特征在于,包括:
获取单元,用于获取变压器出口侧的三相电流和母线三相电压,并将所述三相电流转换为三相电流故障分量,将所述母线三相电压转换为母线零序电压量;
提取单元,用于通过小波变换提取所述三相电流故障分量在预置频率范围的多个电流分量,对所述母线零序电压量进行快速傅里叶变换得到第一信号;
构建单元,用于从多个所述电流分量选取若干个类型识别特征量,将所述第一信号中第一分量的幅值设为第一特征量,根据若干个所述类型识别特征量和所述第一特征量构建不同故障类型的特征向量;
训练单元,用于将所述特征向量设为BP神经网络的输入,故障类型设为BP神经网络的输出,对BP神经网络进行训练,得到故障类型识别模型;
识别单元,用于当发生短路故障时,触发所述获取单元构建所述特征向量,并将所述特征向量输入到所述故障类型识别模型,输出故障类型。
8.根据权利要求7所述的配电网短路故障类型的识别系统,其特征在于,所述提取单元,具体用于:
选取二次样条小波作为母小波对所述三相电流故障分量分别进行小波变换,从而对所述三相电流进行3层小波分解,以及重构第2层、第3层小波细节系数,得到在预置频率范围的多个电流分量;
对所述母线零序电压量进行快速傅里叶变换得到第一信号。
9.根据权利要求7所述的配电网短路故障类型的识别系统,其特征在于,所述训练单元,具体用于:
S41、初始化BP神经网络的参数,将若干所述特征向量作为训练样本集;
S42、从所述训练样本集选取一个训练样本进行正向传播和反向传播计算,并更新BP神经网络的权值和阈值;
S43、重复步骤S42,直至满足预置迭代次数,得到所述故障类型识别模型。
10.根据权利要求7所述的配电网短路故障类型的识别系统,其特征在于,所述预置频率范围为:625Hz~2.5kHz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017118.1A CN114062832A (zh) | 2021-08-31 | 2021-08-31 | 一种配电网短路故障类型的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017118.1A CN114062832A (zh) | 2021-08-31 | 2021-08-31 | 一种配电网短路故障类型的识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114062832A true CN114062832A (zh) | 2022-02-18 |
Family
ID=80233662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111017118.1A Pending CN114062832A (zh) | 2021-08-31 | 2021-08-31 | 一种配电网短路故障类型的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114062832A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932484A (zh) * | 2023-02-15 | 2023-04-07 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033498A (zh) * | 2018-06-05 | 2018-12-18 | 西安交通大学 | 基于传递函数特征主成分和神经网络的绕组变形识别方法 |
-
2021
- 2021-08-31 CN CN202111017118.1A patent/CN114062832A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033498A (zh) * | 2018-06-05 | 2018-12-18 | 西安交通大学 | 基于传递函数特征主成分和神经网络的绕组变形识别方法 |
Non-Patent Citations (7)
Title |
---|
张钧等: "一种基于ANFIS的配电网故障分类方法及其适应性分析", 《电力系统保护与控制》 * |
张钧等: "一种基于ANFIS的配电网故障分类方法及其适应性分析", 《电力系统保护与控制》, vol. 39, no. 04, 16 February 2011 (2011-02-16), pages 30 - 36 * |
张钧等: "采用自适应神经模糊推理系统的配电网故障分类方法", 《中国电机工程学报》, vol. 30, no. 25, 5 September 2010 (2010-09-05), pages 89 - 95 * |
李士勇 等: "《智能控制》", 31 December 2011, 哈尔滨工业大学出版社, pages: 220 - 222 * |
林圣等: "基于粗神经网络的输电线路故障分类方法", 《中国电机工程学报》 * |
林圣等: "基于粗神经网络的输电线路故障分类方法", 《中国电机工程学报》, vol. 30, no. 28, 5 October 2010 (2010-10-05), pages 74 - 81 * |
黄宏伟 等: "《城市地铁盾构隧道病害快速检测与工程实践》", vol. 978, 上海科学技术出版社, pages: 197 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932484A (zh) * | 2023-02-15 | 2023-04-07 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
CN115932484B (zh) * | 2023-02-15 | 2023-07-18 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108107324B (zh) | 一种基于深度卷积神经网络的配电网故障定位方法 | |
CN112041693B (zh) | 一种基于混合录波的配电网故障定位系统 | |
Cho et al. | Feature selection and parameters optimization of SVM using particle swarm optimization for fault classification in power distribution systems | |
Rafinia et al. | A new approach to fault location in three-phase underground distribution system using combination of wavelet analysis with ANN and FLS | |
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
Decanini et al. | Robust fault diagnosis in power distribution systems based on fuzzy ARTMAP neural network-aided evidence theory | |
CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及系统 | |
CN110596530A (zh) | 一种小电流接地故障选线方法 | |
CN106203531A (zh) | 一种基于卷积稀疏自动编码器的输电线故障分类方法 | |
Gowrishankar et al. | Transmission line fault detection and classification using discrete wavelet transform and artificial neural network | |
Baumann et al. | Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network | |
CN113625103A (zh) | 小电流接地系统单相接地故障的选线方法 | |
Bhattacharya | Fault detection on a ring-main type power system network using artificial neural network and wavelet entropy method | |
Mahmoud et al. | Review of fuzzy and ANN fault location methods for distribution power system in oil and gas sectors | |
CN114062832A (zh) | 一种配电网短路故障类型的识别方法及系统 | |
CN111896890B (zh) | 基于希尔伯特-黄变换的微电网线路故障诊断方法及系统 | |
Banejad et al. | High impedance fault detection: Discrete wavelet transform and fuzzy function approximation | |
Wang et al. | The cable fault diagnosis for XLPE cable based on 1DCNNs-BiLSTM network | |
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 | |
Aslan et al. | ANN based fault location for medium voltage distribution lines with remote-end source | |
Wang et al. | Transmission line fault diagnosis based on wavelet packet analysis and convolutional neural network | |
CN116482571A (zh) | 一种基于cnn的小电流单相接地故障多判据融合选线方法 | |
Awasthi et al. | Identification of type of a fault in distribution system using shallow neural network with distributed generation | |
CN114186590A (zh) | 一种基于小波和深度学习的配电网单相接地故障识别方法 |
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 |