CN116482571A - 一种基于cnn的小电流单相接地故障多判据融合选线方法 - Google Patents
一种基于cnn的小电流单相接地故障多判据融合选线方法 Download PDFInfo
- Publication number
- CN116482571A CN116482571A CN202310520955.9A CN202310520955A CN116482571A CN 116482571 A CN116482571 A CN 116482571A CN 202310520955 A CN202310520955 A CN 202310520955A CN 116482571 A CN116482571 A CN 116482571A
- Authority
- CN
- China
- Prior art keywords
- current
- fault
- phase
- line
- component
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 76
- 230000001052 transient effect Effects 0.000 claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 230000001629 suppression Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000001939 inductive effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 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
- G01R31/50—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及小电流单相接地故障选线技术领域,具体地说,涉及一种基于CNN的小电流单相接地故障多判据融合选线方法。包括:对每条线路的零序电流信号进行测量提取其稳态分量和暂态分量;利用傅里叶变换算法,从稳态分量中提取基波、五次谐波特征分量;利用“coif4”小波,对暂态分量进行3层小波包分解,提取小波能量特征分量;建立卷积神经网络程序模型,并对其参数进行训练优化;多判据融合选线方法。本发明设计选用了三种分量作为融合判据,再用CNN卷积神经网络分析数据,不仅能自动挖掘小电流系统接地故障的特征,免去了人工提取与选择特征向量的过程;还能够提高故障检测的准确性,实现了配电网自主高效高检测精度的故障选线。
Description
技术领域
本发明涉及小电流单相接地故障选线技术领域,具体地说,涉及一种基于CNN的小电流单相接地故障多判据融合选线方法。
背景技术
在我国,小电流接地系统广泛应用于配电网,以确保向电力用户持续供电。由于单相接地故障在小电流接地系统总的故障当中占的比率超过80%,快速选择故障线路并且切除故障则显得非常重要,故障选线问题需要从根本上予以解决。因此,研究准确度高、可靠性强的自动选线技术,快速准确定位单相接地故障线路,及时排除故障,对提高供电可靠性和电网自动化水平具有十分重要的现实意义。
传统的故障选线方法有信号注入法、零序电流群体比幅比相法、五次谐波法、首半波法、暂态能量法,以及基于人工智能的选线法。其中,信号注入法是指人为从故障相向系统注入一个特殊电流信号,通过跟踪该电流信号,进行故障选线;零序电流群体比幅比相法是利用稳态零序电流大小与相位在故障线路与正常线路中都存在差异进行选线;五次谐波法是基于故障线路和正常线路的五次谐波电流变化特征进行故障选线;首半波法是比较故障线路零序暂态电流最大值与正常线路零序暂态电流值,同时比较两者的首半波方向相反进行故障选线;暂态能量法根据零序能量函数的大小和方向对故障线路进行选线。
由于接地故障特性多变,传统方法中这些由单一判据进行选线的方法不可避免地存在误判概率较高、检测灵敏度不高的问题,故障选线的可靠性得不到保证。因此,获得多种不同故障特征进行故障选线的融合方法随之产生。例如有将暂态首半波选线方法与7次谐波选线方法相结合,采用小波变换的奇异性检测理论、零序电流群体比幅比相原理及能量法融合,采用零序电流群体比幅比相、零序暂态方向法、五次谐波法,降低了因单一判据而导致误判的概率。
鉴于此,针对上述提出的单一判据选线误判概率较高,检测灵敏度不高的问题,我们提出了一种基于CNN的小电流单相接地故障多判据融合选线方法。
发明内容
本发明的目的在于提供一种基于CNN的小电流单相接地故障多判据融合选线方法,以解决上述背景技术中提出的问题。
为实现上述技术问题的解决,本发明的目的在于,提供了一种基于CNN的小电流单相接地故障多判据融合选线方法,包括如下步骤:
S1、对每条线路的零序电流信号进行测量提取其稳态分量和暂态分量;
S2、利用傅里叶变换算法,从稳态分量中提取基波、五次谐波特征分量;
S3、利用“coif4”小波,对暂态分量进行3层小波包分解,提取小波能量特征分量;
S4、建立卷积神经网络程序模型,并对其参数进行训练优化,以适应故障选线最优解;
S5、多判据融合选线方法:将三种故障特征分量数据作为输入量,写入优化后的卷积神经网络模型中,迭代计算,获得最优解,并将预测结果与实际数据做比对,比较其误差。
作为本技术方案的进一步改进,所述S1中,对零序电流信号进行测量提取其稳态分量和暂态分量的理论分析如下:
当线路Lf的A相发生接地故障,系统的各电气参数不再平衡:A相接地处电压降为0,B、C两相对地相电压幅值均升高倍,产生零序电压/>
则非故障线路Li的零序电流为:
故障线路Lf的零序电流为:
式中,为线路Li的A、B、C三相对地电容电流,/>为线路Lf的A、B、C三相对地电容电流,j为常量参数,ω为电网角频率,C0i为非故障线路的每一相对地电容,U0为中性点的位移电压,大小与故障前的相电压相等;
实际中,受消弧线圈感性分量的影响,系统产生感性电流补偿了电容电流/>削弱了电容电流幅值,减少了接地电流幅值;此时的接地电流/>为:
由此得出,发生接地故障时产生零序电压和零序电流,且故障接地线路中的零序电流与正常运行时流向相反,幅值最大,在故障相产生接地电流;
在分析其暂态信号时,通常将模型等效为电路图,则由基尔霍夫定律KCL可得如下两个回路公式:
式中,iC为电容电流暂态自由振荡分量,iL为电感电流暂态直流分量;R0为零序回路中电阻的总和,具体包括电源电阻分量、线路电阻分量、接地电阻和弧道电阻;L0为电源及线路在零序回路中的等值电感,C为电网的三相对地电容,Um为零序电源的电压幅值,大小等于故障前相电压的幅值;RL为消弧线圈的有功损耗电阻,L为消弧线圈的电感分量,t为时间,θ为三相向量夹角;
通过计算,可以得到故障接地电流的暂态分量ift是:
式中,ICm为电容电流的幅值;ILm为电感电流的幅值;ωf为暂态自振角频率;τC为自振衰减系数;τL为电感回路时间常数;
暂态分量为电容电流暂态自由振荡分量iC与电感电流暂态直流分量iL之和,由于iC和iL在频率上互不相同,两个参量叠加后无法抵消,所以iC和iL的相加促使暂态分量幅值的增大,接地电流也增大,故障特征更加明显,有利于故障特征的分析和提取。
作为本技术方案的进一步改进,所述S2中,提取基波、五次谐波特征分量具体提取过程和推导过程如下:
利用傅里叶变换可以将任何周期性的畸变波形分解成一个基频分量和许多个不同谐波频率的正弦波,其中,谐波频率是基频的整倍数,再通过频谱分析基波和各次谐波的幅值相位来描述波形畸变水平。
在实际中,小电流接地系统中存在的非线性负载是谐波的主要来源,使系统中产生畸变电流,其中以奇数次谐波含量较大。由于三次谐波电流会在变压器三角形一侧形成环流,含量很小可忽略,因此一般选择含量较大的五次谐波作为检测数据。
系统正常运行时,各条线路各相对地电容电流中的五次谐波分量为:
式中,IAi(5)、IBi(5)、ICi(5)为正常电网系统中线路的A、B、C三相对地电容电流的五次谐波分量,UA(5)、UB(5)、UC(5)为正常电网系统中线路的A、B、C三相对地电压的五次谐波分量;
当系统发生单相接地故障时,设A相发生接地故障,则故障线路的各相五次谐波电容电流为:
式中,I′A(5)、I′B(5)、I′C(5)为故障电网系统中线路的A、B、C三相对地电容电流的五次谐波分量,UB(5)、UC(5)为故障电网系统中线路的B、C两相对地电压的五次谐波分量;
非故障线路的零序电流中五次谐波分量为:
式中,为非故障电网系统中线路的A、B、C三相零序电流的五次谐波分量;
故障线路的零序五次谐波电流为:
式中,I′Af(5)、I′Bf(5)、I′Cf(5)为故障电网系统中线路的A、B、C三相零序电流的五次谐波分量;
由以上分析可知,故障相五次谐波变化量大于非故障线路五次谐波电流的变化量。但由于接地线路的零序电流相位和幅值会随着消弧线圈补偿度不同而改变,用稳态零序电流的选线法易受系统影响。
作为本技术方案的进一步改进,所述S3中,利用“coif4”小波,对暂态分量进行3层小波包分解,提取小波能量特征分量的过程如下:
将暂态零序电流在不同频带上进行分解,对于小波包分解后的各尺度信号,信号经第m层分解后的小波包系数S(m,0),S(m,1),...,S(m,2m-1)所对应的能量Em是:
Em=‖S(m,j)‖2 (10)
信号小波包总的能量EΣ公式为:
式中,m是小波包分解的层数,j是第m层的第j频带;
取第m层除工频(m,0)频段以外频段最大的能量值作为线路的能量特征,则第i条线路的能量为:
作为本技术方案的进一步改进,所述S4中,卷积神经网络包括输入层、卷积层、池化层、全连接层、Softmax层和输出层;信号经过不同的卷积层和池化层得到映射变化,在全连接层和Softmax层中将提取的特征进行分类,最后输出新的表达;具体为:
式中,为第j层的输出和输入,yk是第k个输出,yg是输出层第g个值,/>为卷积核,wk、wg是权值,bz、bk、bg是偏置。
作为本技术方案的进一步改进,所述S4中,CNN卷积神经网络优化训练的流程主要步骤如下:
S4.1、输入采集到的样本数据,将数据归一化处理,划分数据集,将训练集升级为三维张量;
S4.2、设置过滤器、卷积核大小、卷积步长,使用ReLu作为激活函数,设置池化窗口大小,设置一次训练所抓取的数据样本数量和迭代次数;
S4.3、依次迭代计算方差,调整权重,得出最优参数,并将最优参数输入到卷积神经网络模型中;
S4.4、将下一组故障工况参数作为新的输入,重复步骤S4.2-S4.3的过程;数据反归一化,训练结束,停止。
作为本技术方案的进一步改进,所述S5中,基于卷积神经网络的小电流单相接地故障多判据融合选线方法,具体包括:
S5.1、在发生单相接地故障时,采集零序电流数据,利用傅里叶变换算法,提取零序电流稳态信号中的基波和五次谐波分量,通过加权平均,计算获得以下特征分量:I(1)=[I(1)1,I(1)2,...,I(1)n]、I(5)=[I(5)1,I(5)2,...,I(5)n],其中,以故障线路的基波和五次谐波分量最大:I(1/5)f=max(I(1/5)1,I(1/5)2,...,I(1/5)n);
S5.2、利用3层小波包分解暂态信号,以小波能量形式提取以下暂态特征分量:E=[E1,E2,...,En],其中,以故障线路的小波能量最大:Ef=max(E1,E2,...,En);
S5.3、取n条线路的3种分量I(1)、I(5)、E作为某一故障工况的特征输入量x1,有:x1=[I(1)1,I(1)2,...,I(1)n,I(5)1,I(5)2,...,I(5)n,E1,E2,...,En],则对于多种故障工况,得到输入量综合数据:xinput=[x1,x2,x3,......],由此得到训练和测试样本集;
S5.4、搭建CNN模型,输入以上获得的训练集训练网络,获取CNN的最优参数;对于优化好的神经网络,输入样本测试选线正确率,验证算法效果。
与现有技术相比,本发明的有益效果:
1.该基于CNN的小电流单相接地故障多判据融合选线方法中,将稳态分量、暂态分量故障特征相融合,解决了故障选线误判概率高的问题;
2.该基于CNN的小电流单相接地故障多判据融合选线方法中,将卷积神经网络运用到故障选线中,解决了选线效率低的问题;
3.该基于CNN的小电流单相接地故障多判据融合选线方法中,不仅能自动挖掘小电流系统接地故障的特征,免去了人工提取与选择特征向量的过程;还能够提高故障检测的准确性,实现了配电网自主高效高检测精度的故障选线。
附图说明
图1为本发明中示例性的整体方法流程图;
图2为本发明中示例性的稳态分析原理示意图;
图3为本发明中示例性的暂态分析原理示意图;
图4为本发明中示例性的CNN一般模型示意图;
图5为本发明中示例性的CNN神经网络训练流程图;
图6为本发明中示例性的故障选线流程图;
图7为本发明中示例性的故障选线仿真验证图;
图8为本发明中示例性的仿真验证结果图之一;
图9为本发明中示例性的仿真验证结果图之二;
图10为本发明中示例性的仿真验证结果图之三。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例1
如图1-图6所示,本实施例提供了一种基于CNN的小电流单相接地故障多判据融合选线方法,包括如下步骤。
S1、对每条线路的零序电流信号进行测量提取其稳态分量和暂态分量;
本步骤中,对零序电流信号进行测量提取其稳态分量和暂态分量的理论分析如下:
见图2,当线路Lf的A相发生接地故障,系统的各电气参数不再平衡:A相接地处电压降为0,B、C两相对地相电压幅值均升高倍,产生零序电压/>
则非故障线路Li的零序电流为:
故障线路Lf的零序电流为:
式中,为线路Li的A、B、C三相对地电容电流,/>为线路Lf的A、B、C三相对地电容电流,j为常量参数,ω为电网角频率,C0i为非故障线路的每一相对地电容,U0为中性点的位移电压,大小与故障前的相电压相等;
实际中,受消弧线圈感性分量的影响,系统产生感性电流补偿了电容电流/>削弱了电容电流幅值,减少了接地电流幅值;此时的接地电流/>为:
由此得出,发生接地故障时产生零序电压和零序电流,且故障接地线路中的零序电流与正常运行时流向相反,幅值最大,在故障相产生接地电流;
在分析其暂态信号时,通常将模型等效为电路图,如图3,则由基尔霍夫定律KCL可得如下两个回路公式:
式中,iC为电容电流暂态自由振荡分量,iL为电感电流暂态直流分量;R0为零序回路中电阻的总和,具体包括电源电阻分量、线路电阻分量、接地电阻和弧道电阻;L0为电源及线路在零序回路中的等值电感,C为电网的三相对地电容,Um为零序电源的电压幅值,大小等于故障前相电压的幅值;RL为消弧线圈的有功损耗电阻,L为消弧线圈的电感分量,t为时间,θ为三相向量夹角;
通过计算,可以得到故障接地电流的暂态分量ift是:
式中,ICm为电容电流的幅值;ILm为电感电流的幅值;ωf为暂态自振角频率;τC为自振衰减系数;τL为电感回路时间常数;
暂态分量为电容电流暂态自由振荡分量iC与电感电流暂态直流分量iL之和,由于iC和iL在频率上互不相同,两个参量叠加后无法抵消,所以iC和iL的相加促使暂态分量幅值的增大,接地电流也增大,故障特征更加明显,有利于故障特征的分析和提取。
S2、利用傅里叶变换算法,从稳态分量中提取基波、五次谐波特征分量;
本步骤中,提取基波、五次谐波特征分量具体提取过程和推导过程如下:
利用傅里叶变换可以将任何周期性的畸变波形分解成一个基频分量和许多个不同谐波频率的正弦波,其中,谐波频率是基频的整倍数,再通过频谱分析基波和各次谐波的幅值相位来描述波形畸变水平;
在实际中,小电流接地系统中存在的非线性负载是谐波的主要来源,使系统中产生畸变电流,其中以奇数次谐波含量较大;由于三次谐波电流会在变压器三角形一侧形成环流,含量很小可忽略,因此一般选择含量较大的五次谐波作为检测数据;
系统正常运行时,各条线路各相对地电容电流中的五次谐波分量为:
式中,IAi(5)、IBi(5)、ICi(5)为正常电网系统中线路的A、B、C三相对地电容电流的五次谐波分量,UA(5)、UB(5)、UC(5)为正常电网系统中线路的A、B、C三相对地电压的五次谐波分量;
当系统发生单相接地故障时,设A相发生接地故障,则故障线路的各相五次谐波电容电流为:
″′
式中,IA(5)、IB(5)、IC(5)为故障电网系统中线路的A、B、C三相对地电容电流的五次谐波分量,UB(5)、UC(5)为故障电网系统中线路的B、C两相对地电压的五次谐波分量;
非故障线路的零序电流中五次谐波分量为:
式中,为非故障电网系统中线路的A、B、C三相零序电流的五次谐波分量;
故障线路的零序五次谐波电流为(其中故障相的电流为电感电流与电容电流的和,且故障前与故障后方向相反):
式中,I′Af(5)、I′Bf(5)、I′Cf(5)为故障电网系统中线路的A、B、C三相零序电流的五次谐波分量;
由以上分析可知,故障相五次谐波变化量大于非故障线路五次谐波电流的变化量。但由于接地线路的零序电流相位和幅值会随着消弧线圈补偿度不同而改变,用稳态零序电流的选线法易受系统影响。
S3、利用“coif4”小波,对暂态分量进行3层小波包分解,提取小波能量特征分量;
将暂态零序电流在不同频带上进行分解,对于小波包分解后的各尺度信号,信号经第m层分解后的小波包系数S(m,0),S(m,1),...,S(m,2m-1)所对应的能量Em是:
Em=‖S(m,j)‖2 (10)
信号小波包总的能量EΣ公式为:
式中,m是小波包分解的层数,j是第m层的第j频带;
取第m层除工频(m,0)频段以外频段最大的能量值作为线路的能量特征,则第i条线路的能量为:
S4、建立卷积神经网络程序模型,并对其参数进行训练优化,以适应故障选线最优解;
卷积神经网络(convolutional neural networks,CNN)是一种前馈神经网络,具有所需参数少、参数共享、稀疏交互的优点,能有效降低过拟合;进行小电流系统的故障选线时,CNN可以只凭借几十个采样数据就能提取出强辨识度的特征;
卷积神经网络架构如图4所示,包括输入层、卷积层、池化层、全连接层、Softmax层和输出层;信号经过不同的卷积层和池化层得到映射变化,在全连接层和Softmax层中将提取的特征进行分类,最后输出新的表达;具体为:
式中,为第j层的输出和输入,yk是第k个输出,yg是输出层第g个值,/>为卷积核,wk、wg是权值,bz、bk、bg是偏置。
本步骤中,CNN卷积神经网络优化训练的流程见图5主要步骤如下:
S4.1、输入采集到的样本数据,将数据归一化处理,划分数据集,将训练集升级为三维张量;
S4.2、设置过滤器、卷积核大小、卷积步长,使用ReLu作为激活函数,设置池化窗口大小,设置一次训练所抓取的数据样本数量和迭代次数;
S4.3、依次迭代计算方差,调整权重,得出最优参数,并将最优参数输入到卷积神经网络模型中;
S4.4、将下一组故障工况参数作为新的输入,重复步骤S4.2-S4.3的过程;数据反归一化,训练结束,停止。
S5、多判据融合选线方法:将三种故障特征分量数据作为输入量,写入优化后的卷积神经网络模型中,迭代计算,获得最优解,并将预测结果与实际数据做比对,比较其误差;主要过程如图6所示,具体包括:
S5.1、在发生单相接地故障时,采集零序电流数据,利用傅里叶变换算法,提取零序电流稳态信号中的基波和五次谐波分量,通过加权平均,计算获得以下特征分量:I(1)=[I(1)1,I(1)2,...,I(1)n]、I(5)=[I(5)1,I(5)2,...,I(5)n],其中,以故障线路的基波和五次谐波分量最大:I(1/5)f=max(I(1/5)1,I(1/5)2,...,I(1/5)n);
S5.2、利用3层小波包分解暂态信号,以小波能量形式提取以下暂态特征分量:E=[E1,E2,...,En],其中,以故障线路的小波能量最大:Ef=max(E1,E2,...,En);
S5.3、取n条线路的3种分量I(1)、I(5)、E作为某一故障工况的特征输入量x1,有:x1=[I(1)1,I(1)2,...,I(1)n,I(5)1,I(5)2,...,I(5)n,E1,E2,...,En],则对于多种故障工况,得到输入量综合数据:xinput=[x1,x2,x3,......],由此得到训练和测试样本集;
S5.4、搭建CNN模型,输入以上获得的训练集训练网络,获取CNN的最优参数;对于优化好的神经网络,输入样本测试选线正确率,验证算法效果。
此外,本实施例的整体方法流程简化为:首先,对小电流接地系统发生单相接地故障时的零序电流进行测量提取;接着使用傅里叶变换和小波包分解对测量提取的信号分别进行稳态分量和暂态分量的分解,得到稳态零序电流的基波、5次谐波分量信号以及暂态零序电流的小波能量分量,再通过加权平均等一系列操作,将其转化为数字量;然后,搭建卷积神经网络模型并优化训练;最后进行故障选线。为了便于研究,基于matlab/simulink仿真软件上进行了验证,模型见图7;结果见图8-10。
具体地,本方案利用基于稳态信号与暂态信号的故障选线相结合的方法,既保留了传统故障选线的优势又解决了由单一判据带来误判概率较高的问题,在此基础上利用卷积神经网络的方式,能自动挖掘小电流系统接地故障的特征,免去了人工提取与选择特征向量的过程,实现了配电网自主高效高检测精度的故障选线。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤的过程可以通过硬件来完成,也可以通过程序来指令相关的硬件完成。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于CNN的小电流单相接地故障多判据融合选线方法,其特征在于,包括如下步骤:
S1、对每条线路的零序电流信号进行测量提取其稳态分量和暂态分量;
S2、利用傅里叶变换算法,从稳态分量中提取基波、五次谐波特征分量;
S3、利用“coif4”小波,对暂态分量进行3层小波包分解,提取小波能量特征分量;
S4、建立卷积神经网络程序模型,并对其参数进行训练优化,以适应故障选线最优解;
S5、多判据融合选线方法:将三种故障特征分量数据作为输入量,写入优化后的卷积神经网络模型中,迭代计算,获得最优解,并将预测结果与实际数据做比对,比较其误差。
2.根据权利要求1所述的基于CNN的小电流单相接地故障多判据融合选线方法,其特征在于,所述S1中,对零序电流信号进行测量提取其稳态分量和暂态分量的理论分析如下:
当线路Lf的A相发生接地故障,系统的各电气参数不再平衡:A相接地处电压降为0,B、C两相对地相电压幅值均升高倍,产生零序电压/>
则非故障线路Li的零序电流为:
故障线路Lf的零序电流为:
式中,为线路Li的A、B、C三相对地电容电流,/>为线路Lf的A、B、C三相对地电容电流,j为常量参数,ω为电网角频率,C0i为非故障线路的每一相对地电容,U0为中性点的位移电压,大小与故障前的相电压相等;
实际中,受消弧线圈感性分量的影响,系统产生感性电流补偿了电容电流/>削弱了电容电流幅值,减少了接地电流幅值;此时的接地电流/>为:
由此得出,发生接地故障时产生零序电压和零序电流,且故障接地线路中的零序电流与正常运行时流向相反,幅值最大,在故障相产生接地电流;
在分析其暂态信号时,通常将模型等效为电路图,则由基尔霍夫定律KCL可得如下两个回路公式:
式中,iC为电容电流暂态自由振荡分量,iL为电感电流暂态直流分量;R0为零序回路中电阻的总和,具体包括电源电阻分量、线路电阻分量、接地电阻和弧道电阻;L0为电源及线路在零序回路中的等值电感,C为电网的三相对地电容,Um为零序电源的电压幅值,大小等于故障前相电压的幅值;RL为消弧线圈的有功损耗电阻,L为消弧线圈的电感分量,t为时间,θ为三相向量夹角;
通过计算,可以得到故障接地电流的暂态分量ift是:
式中,ICm为电容电流的幅值;ILm为电感电流的幅值;ωf为暂态自振角频率;τC为自振衰减系数;τL为电感回路时间常数;
暂态分量为电容电流暂态自由振荡分量iC与电感电流暂态直流分量iL之和,由于iC和iL在频率上互不相同,两个参量叠加后无法抵消,所以iC和iL的相加促使暂态分量幅值的增大,接地电流也增大,故障特征更加明显,有利于故障特征的分析和提取。
3.根据权利要求2所述的基于CNN的小电流单相接地故障多判据融合选线方法,其特征在于,所述S2中,提取基波、五次谐波特征分量具体提取过程和推导过程如下:
系统正常运行时,各条线路各相对地电容电流中的五次谐波分量为:
式中,IAi(5)、IBi(5)、ICi(5)为正常电网系统中线路的A、B、C三相对地电容电流的五次谐波分量,UA(5)、UB(5)、UC(5)为正常电网系统中线路的A、B、C三相对地电压的五次谐波分量;
当系统发生单相接地故障时,设A相发生接地故障,则故障线路的各相五次谐波电容电流为:
式中,I′A(5)、I′B(5)、I′C(5)为故障电网系统中线路的A、B、C三相对地电容电流的五次谐波分量,UB(5)、UC(5)为故障电网系统中线路的B、C两相对地电压的五次谐波分量;
非故障线路的零序电流中五次谐波分量为:
式中,为非故障电网系统中线路的A、B、C三相零序电流的五次谐波分量;
故障线路的零序五次谐波电流为:
″′
式中,IAf(5)、IBf(5)、ICf(5)为故障电网系统中线路的A、B、C三相零序电流的五次谐波分量;
由以上分析可知,故障相五次谐波变化量大于非故障线路五次谐波电流的变化量。
4.根据权利要求1所述的基于CNN的小电流单相接地故障多判据融合选线方法,其特征在于,所述S3中,利用“coif4”小波,对暂态分量进行3层小波包分解,提取小波能量特征分量的过程如下:
将暂态零序电流在不同频带上进行分解,对于小波包分解后的各尺度信号,信号经第m层分解后的小波包系数S(m,0),S(m,1),...,S(m,2m-1)所对应的能量Em是:
Em=‖S(m,j)‖2 (10)
信号小波包总的能量EΣ公式为:
式中,m是小波包分解的层数,j是第m层的第j频带;
取第m层除工频(m,0)频段以外频段最大的能量值作为线路的能量特征,则第i条线路的能量为:Ei=max(Em,1,Em,2,...,Em,2m-1)。
5.根据权利要求1所述的基于CNN的小电流单相接地故障多判据融合选线方法,其特征在于,所述S4中,卷积神经网络包括输入层、卷积层、池化层、全连接层、Softmax层和输出层;信号经过不同的卷积层和池化层得到映射变化,在全连接层和Softmax层中将提取的特征进行分类,最后输出新的表达;具体为:
式中,为第j层的输出和输入,yk是第k个输出,yg是输出层第g个值,/>为卷积核,wk、wg是权值,bz、bk、bg是偏置。
6.根据权利要求5所述的基于CNN的小电流单相接地故障多判据融合选线方法,其特征在于,所述S4中,CNN卷积神经网络优化训练的流程主要步骤如下:
S4.1、输入采集到的样本数据,将数据归一化处理,划分数据集,将训练集升级为三维张量;
S4.2、设置过滤器、卷积核大小、卷积步长,使用ReLu作为激活函数,设置池化窗口大小,设置一次训练所抓取的数据样本数量和迭代次数;
S4.3、依次迭代计算方差,调整权重,得出最优参数,并将最优参数输入到卷积神经网络模型中;
S4.4、将下一组故障工况参数作为新的输入,重复步骤S4.2-S4.3的过程;数据反归一化,训练结束,停止。
7.根据权利要求1所述的基于CNN的小电流单相接地故障多判据融合选线方法,其特征在于,所述S5中,基于卷积神经网络的小电流单相接地故障多判据融合选线方法,具体包括:
S5.1、在发生单相接地故障时,采集零序电流数据,利用傅里叶变换算法,提取零序电流稳态信号中的基波和五次谐波分量,通过加权平均,计算获得以下特征分量:I(1)=[I(1)1,I(1)2,...,I(1)n]、I(5)=[I(5)1,I(5)2,...,I(5)n],其中,以故障线路的基波和五次谐波分量最大:I(1/5)f=max(I(1/5)1,I(1/5)2,...,I(1/5)n);
S5.2、利用3层小波包分解暂态信号,以小波能量形式提取以下暂态特征分量:E=[E1,E2,...,En],其中,以故障线路的小波能量最大:Ef=max(E1,E2,...,En);
S5.3、取n条线路的3种分量I(1)、I(5)、E作为某一故障工况的特征输入量x1,有:x1=[I(1)1,I(1)2,...,I(1)n,I(5)1,I(5)2,...,I(5)n,E1,E2,...,En]则对于多种故障工况,得到输入量综合数据:xinput=[x1,x2,x3,......],由此得到训练和测试样本集;
S5.4、搭建CNN模型,输入以上获得的训练集训练网络,获取CNN的最优参数;对于优化好的神经网络,输入样本测试选线正确率,验证算法效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310520955.9A CN116482571A (zh) | 2023-05-10 | 2023-05-10 | 一种基于cnn的小电流单相接地故障多判据融合选线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310520955.9A CN116482571A (zh) | 2023-05-10 | 2023-05-10 | 一种基于cnn的小电流单相接地故障多判据融合选线方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116482571A true CN116482571A (zh) | 2023-07-25 |
Family
ID=87213808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310520955.9A Pending CN116482571A (zh) | 2023-05-10 | 2023-05-10 | 一种基于cnn的小电流单相接地故障多判据融合选线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482571A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110797A (zh) * | 2023-10-23 | 2023-11-24 | 武汉格蓝若智能技术股份有限公司 | 一种基于多判据的配电网单相接地故障定位方法及装置 |
-
2023
- 2023-05-10 CN CN202310520955.9A patent/CN116482571A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110797A (zh) * | 2023-10-23 | 2023-11-24 | 武汉格蓝若智能技术股份有限公司 | 一种基于多判据的配电网单相接地故障定位方法及装置 |
CN117110797B (zh) * | 2023-10-23 | 2024-01-12 | 武汉格蓝若智能技术股份有限公司 | 一种基于多判据的配电网单相接地故障定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113219300B (zh) | 一种基于相电流暂态稳态的配电网单相接地故障感知方法 | |
Deng et al. | Fault location in loop distribution network using SVM technology | |
Michalik et al. | New ANN-based algorithms for detecting HIFs in multigrounded MV networks | |
AU2020101683A4 (en) | Fault detection, location, and prediction within an electricity power transmission and distribution networks | |
Ayyagari | Artificial neural network based fault location for transmission lines | |
Tavoosi et al. | A hybrid approach for fault location in power distributed networks: Impedance-based and machine learning technique | |
CN111308272B (zh) | 一种小电流接地故障区段定位方法 | |
CN110596530B (zh) | 一种小电流接地故障选线方法 | |
Rathore et al. | Wavelet-alienation based protection scheme for multi-terminal transmission line | |
CN103941163A (zh) | 利用模糊k均值聚类的谐振接地系统故障选线方法 | |
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 | |
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 | |
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 | |
Li et al. | A single-phase-to-ground fault location method based on convolutional deep belief network | |
CN113625103A (zh) | 小电流接地系统单相接地故障的选线方法 | |
Li et al. | A fault pattern and convolutional neural network based single-phase earth fault identification method for distribution network | |
CN110646703A (zh) | 一种配电网单相接地故障选线方法及系统 | |
CN117289081A (zh) | 一种谐振接地系统高阻故障区段定位方法及系统 | |
CN112130027A (zh) | 基于直流动态时间弯曲距离的主动配电网故障定位方法 | |
Shaaban et al. | Wavelet signal energy with RBFNN and GRNN for fault classification in transmission line with series compensator | |
Eberl et al. | Comparison of artificial neural networks and conventional algorithms in ground fault distance computation | |
CN116754886A (zh) | 基于相电流分析的配电网单相接地故障判定方法及装置 | |
CN112363009B (zh) | 一种用于同塔线路接地故障的单端故障测距方法及系统 | |
Hongchun et al. | A fault location method of traveling wave for distribution network with only two-phase current transformer using artificial neutral network | |
CN114062832A (zh) | 一种配电网短路故障类型的识别方法及系统 |
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 |