CN117630569A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117630569A CN117630569A CN202311617447.9A CN202311617447A CN117630569A CN 117630569 A CN117630569 A CN 117630569A CN 202311617447 A CN202311617447 A CN 202311617447A CN 117630569 A CN117630569 A CN 117630569A
- Authority
- CN
- China
- Prior art keywords
- current
- fault
- line
- phase
- neural 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000010187 selection method Methods 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000001052 transient effect Effects 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000001629 suppression Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000001939 inductive effect Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000007246 mechanism 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
- 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
Classifications
-
- 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
- Locating Faults (AREA)
Abstract
本发明涉及配电网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GRU神经网络的小电流单相接地故障多判据融合选线方法。包括对零序电流的测量、用傅里叶变换和小波包分解对故障信号的稳态特征和暂态特征进行分解得到基波分量、5次谐波分量、小波能量分量,训练GRU神经网络模型,将以上分量作为输入,进行故障选线。本发明设计中,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。
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,涉及一种配电网中基于GRU神经网络的小电流单相接地故障多判据融合的选线方法。
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、5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GRU神经网络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GRU神经网络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,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、5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GRU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GRU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,对零序电流信号的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/>
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IL补偿了电容电流削弱了电容电流幅值,减少了接地电流If的幅值;此时的接地电流If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与电感电流暂态直流分量之和,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、5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,非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:
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,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E∑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,GRU预测模型中的zt和rt分别表示更新门和重置门;更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多;重置门用于控制前一状态有多少信息被写入到当前的候选集上,重置门越小,前一状态的信息被写入的越少:
式中,xt、yt为t时刻的输入、输出量,即将某一时刻发生的一种故障工况下各线路的特征分量值作为输入,将选出的故障线路作为输出;σ为sigmoid激活函数,tach为双曲正切激活函数;zt、rt分别为更新门和重置门,输出结果是向量,由于两个门神经元均采用sigmoid作为激活函数,所以输出向量的每个元素均在0~1之间,用于控制各维度流过阀门的信息量;
ht-1为上一个时刻的隐藏状态量,即为上一种故障工况下的各线路状态量;ht为t时刻的隐藏状态量,表示当前时刻故障工况下的各线路状态量;为t时刻的候选隐藏状态量,称作记忆门神经元,其输出结果仍为向量,且与重置门和输入门神经元的输出向量维度等同;wz、wr、wh和wo为对应量权重参数,在训练过程中学习得到;
GRU神经网络在结构上引进了“更新门”和“重置门”的门控机制。相比于LSTM神经网络,GRU模型的内部结构简单、参数数量更少,计算效率更高、因此训练速度更快,能够降低过拟合的风险。能有效避免循环神经网络中难以克服的梯度消失问题。
作为本技术方案的进一步改进,所述S4中,所述GRU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、运用滑动平均算法,设置滑动平均权重(last的权重),用smoothed[-1]参与下一步的加权和计算;
S4.3、依次迭代计算损失收敛,调整权重,得出最优参数,并将最优参数输入到GRU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GRU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5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)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GRU神经网络模型,输入以上获得的测试样本集训练网络,获取GRU神经网络的最优参数;
S5.5、最后,对于优化好的神经网络,输入测试样本,测试神经网络的选线正确率,验证本算法的效果。
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选用了三种分量作为融合判据,再利用GRU神经网络参量少计算训练效率高的特点,有效降低了故障线路误判的概率,加快了检测速度。
与现有技术相比,本发明的有益效果:
1.该基于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GRU神经网络的小电流单相接地故障多判据融合选线方法中,将GRU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GRU神经网络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GRU神经网络一般模型示意图;
图5为本发明中示例性的GRU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GRU神经网络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,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/>
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IL补偿了电容电流削弱了电容电流幅值,减少了接地电流If的幅值;此时的接地电流If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与电感电流暂态直流分量之和,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、5次谐波特征分量;
本步骤中,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,非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:
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,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。
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E∑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GRU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;
本步骤中,GRU预测模型如图4所示,图中的zt和rt分别表示更新门和重置门;更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多;重置门用于控制前一状态有多少信息被写入到当前的候选集上,重置门越小,前一状态的信息被写入的越少:
式中,xt、yt为t时刻的输入、输出量,即将某一时刻发生的一种故障工况下各线路的特征分量值作为输入,将选出的故障线路作为输出;σ为sigmoid激活函数,tach为双曲正切激活函数;zt、rt分别为更新门和重置门,输出结果是向量,由于两个门神经元均采用sigmoid作为激活函数,所以输出向量的每个元素均在0~1之间,用于控制各维度流过阀门的信息量;
ht-1为上一个时刻的隐藏状态量,即为上一种故障工况下的各线路状态量;ht为t时刻的隐藏状态量,表示当前时刻故障工况下的各线路状态量;为t时刻的候选隐藏状态量,称作记忆门神经元,其输出结果仍为向量,且与重置门和输入门神经元的输出向量维度等同;Wz、Wr、Wh和Wo为对应量权重参数,在训练过程中学习得到。
GRU神经网络在结构上引进了“更新门”和“重置门”的门控机制。相比于LSTM神经网络,GRU模型的内部结构简单、参数数量更少,计算效率更高、因此训练速度更快,能够降低过拟合的风险。能有效避免循环神经网络中难以克服的梯度消失问题。
进一步地,GRU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、运用滑动平均算法,设置滑动平均权重(last的权重),用smoothed[-1]参与下一步的加权和计算;
S4.3、依次迭代计算损失收敛,调整权重,得出最优参数,并将最优参数输入到GRU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GRU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;
本步骤中,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如图6,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5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GRU神经网络模型,输入以上获得的测试样本集训练网络,获取GRU神经网络的最优参数;
S5.5、最后,对于优化好的神经网络,输入测试样本,测试神经网络的选线正确率,验证本算法的效果。
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选用了三种分量作为融合判据,再利用GRU神经网络参量少计算训练效率高的特点,有效降低了故障线路误判的概率,加快了检测速度。
此外,本方案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频分量和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GRU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,GRU选线结果见图8-图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GRU神经网络的方式,避免了一次只能判一种故障的不便。
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GRU神经网络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、5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GRU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GRU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GRU神经网络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,对零序电流信号的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/>
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IL补偿了电容电流削弱了电容电流幅值,减少了接地电流If的幅值;此时的接地电流If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与电感电流暂态直流分量之和,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GRU神经网络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、5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;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,非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:
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。
4.根据权利要求3所述的基于GRU神经网络的小电流单相接地故障多判据融合选线方法,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E∑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:
5.根据权利要求4所述的基于GRU神经网络的小电流单相接地故障多判据融合选线方法,其特征在于,所述S4中,GRU预测模型中的zt和rt分别表示更新门和重置门;更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多;重置门用于控制前一状态有多少信息被写入到当前的候选集上,重置门越小,前一状态的信息被写入的越少:
式中,xt、yt为t时刻的输入、输出量,即将某一时刻发生的一种故障工况下各线路的特征分量值作为输入,将选出的故障线路作为输出;σ为sigmoid激活函数,tach为双曲正切激活函数;zt、rt分别为更新门和重置门,输出结果是向量,由于两个门神经元均采用sigmoid作为激活函数,所以输出向量的每个元素均在0~1之间,用于控制各维度流过阀门的信息量;
ht-1为上一个时刻的隐藏状态量,即为上一种故障工况下的各线路状态量;ht为t时刻的隐藏状态量,表示当前时刻故障工况下的各线路状态量;为t时刻的候选隐藏状态量,称作记忆门神经元,其输出结果仍为向量,且与重置门和输入门神经元的输出向量维度等同;Wz、Wr、Wh和Wo为对应量权重参数,在训练过程中学习得到。
6.根据权利要求5所述的基于GRU神经网络的小电流单相接地故障多判据融合选线方法,其特征在于,所述S4中,所述GRU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、运用滑动平均算法,设置滑动平均权重,用smoothed[1]参与下一步的加权和计算;
S4.3、依次迭代计算损失收敛,调整权重,得出最优参数,并将最优参数输入到GRU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S4.2S4.3的过程;数据反归一化,训练结束,停止。
7.根据权利要求6所述的基于GRU神经网络的小电流单相接地故障多判据融合选线方法,其特征在于,所述S5中,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,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5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GRU神经网络模型,输入以上获得的测试样本集训练网络,获取GRU神经网络的最优参数;
S5.5、最后,对于优化好的神经网络,输入测试样本,测试神经网络的选线正确率,验证本算法的效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617447.9A CN117630569A (zh) | 2023-11-30 | 2023-11-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617447.9A CN117630569A (zh) | 2023-11-30 | 2023-11-30 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117630569A true CN117630569A (zh) | 2024-03-01 |
Family
ID=90033385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311617447.9A Pending CN117630569A (zh) | 2023-11-30 | 2023-11-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117630569A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892250A (zh) * | 2024-03-18 | 2024-04-16 | 青岛鼎信通讯股份有限公司 | 基于故障特征和bp神经网络的单相接地故障定位方法 |
-
2023
- 2023-11-30 CN CN202311617447.9A patent/CN117630569A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892250A (zh) * | 2024-03-18 | 2024-04-16 | 青岛鼎信通讯股份有限公司 | 基于故障特征和bp神经网络的单相接地故障定位方法 |
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 | |
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 | |
Ayyagari | Artificial neural network based fault location for transmission lines | |
CN110596530B (zh) | 一种小电流接地故障选线方法 | |
CN103728535A (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
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 | |
CN113625103B (zh) | 小电流接地系统单相接地故障的选线方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN111308272A (zh) | 一种小电流接地故障区段定位方法 | |
CN114966312A (zh) | 基于迁移卷积神经网络的配电网故障检测定位方法和系统 | |
CN104599193A (zh) | 一种基于规则库的配电网单相接地故障定位方法 | |
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 | |
CN115587329A (zh) | 基于卷积神经网络提取特征的配电网故障分类方法及系统 | |
Narasimhulu et al. | LWT based ANN with ant lion optimizer for detection and classification of high impedance faults in distribution system | |
Coban et al. | Artificial neural network based fault location on 230 kv transmission line using voltage and current signals | |
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 | |
Nagam et al. | Gaussian process regression based fault location in DC microgrid | |
Kou et al. | Transmission line fault identification based on BP neural network | |
CN112557808A (zh) | 一种配电网单相接地故障定位方法 | |
Sahel et al. | Wavelet energy moment and neural networks based particle swarm optimisation for transmission line protection | |
Wuming et al. | Analog circuit fault diagnosis based on RBF neural network optimized by PSO algorithm | |
Li et al. | Artificial intelligence for real-time topology identification in power distribution systems | |
CN115291039A (zh) | 一种谐振接地系统单相接地故障选线方法 | |
CN115078904A (zh) | 一种基于改进深度神经网络的故障选线方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |