CN117892117B - 一种配电网输电线路故障定位方法及系统 - Google Patents
一种配电网输电线路故障定位方法及系统 Download PDFInfo
- Publication number
- CN117892117B CN117892117B CN202410281580.XA CN202410281580A CN117892117B CN 117892117 B CN117892117 B CN 117892117B CN 202410281580 A CN202410281580 A CN 202410281580A CN 117892117 B CN117892117 B CN 117892117B
- Authority
- CN
- China
- Prior art keywords
- traveling wave
- wave transient
- network
- transmission line
- training
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000009826 distribution Methods 0.000 title claims abstract description 26
- 230000001052 transient effect Effects 0.000 claims abstract description 116
- 239000010410 layer Substances 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 44
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 9
- 239000011229 interlayer Substances 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 32
- 238000004458 analytical method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 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
- 230000010355 oscillation Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Abstract
本发明公开一种配电网输电线路故障定位方法及系统,涉及输电线路监测技术领域,该方法包括:获取输电线路两端测量点的行波暂态信号;利用离散小波变换对行波暂态信号进行多尺度小波分解,计算获取行波暂态信号的模极大值和行波暂态能量;数据预处理;将预处理后的模极大值和行波暂态能量输入至基于改进BP神经网络的测距模型中,输出最终的故障测距结果;其中,所述测距模型的训练过程包括:基于随机修正网络层间均方误差和网络层权值的改进评价函数,对BP神经网络进行迭代训练,直至满足设定要求。本发明提取行波暂态信号的模极大值和行波暂态能量为故障特征,输入至基于改进BP神经网络的测距模型中,提高输出故障定位结果的精确性。
Description
技术领域
本发明涉及输电线路监测技术领域,尤其涉及一种配电网输电线路故障定位方法及系统。
背景技术
近输电线路负责承担电能输送和分配任务,是配电网的重要组成部分,其安全可靠运行与否对整个电网的安全稳定具有十分重要的意义。配电网输电线路可划分为架空输电线路和电缆线路,在正常运行中,输电线路可能因环境、机械和电气因素的影响而导致绝缘劣化,进而导致被击穿,产生短路接地、断线等故障。准确识别与定位输电线路故障,对及时发现瞬时性故障、避免瞬时性故障发展为永久性故障、加快故障处置、缩短抢修时间、保障电能输送等具有重要作用。
目前,定位输电线路故障主要采用行波测距法和非行波测距法。其中,行波测距法不受线路参数、系统参数以及故障类型的影响,仍具有较高的测距精度,其通过测量故障点和测量点暂态行波的传输时间进行故障测距。行波测距法又可分为双端行波测距和单端行波测距,双端行波测距虽然能够可靠识别故障初始行波,但其到达时刻的可靠获得依赖双侧通讯和时钟同步;单端行波测距不受异地时间同步和通讯限制,但其依赖行波波头检测的准确性,若波头检测失败,则将导致无法进行行波测距。
随着近年来人工智能技术的快速发展,智能算法如人工神经网络具有强大的学习能力,被广泛应用于各技术领域中。现有技术中已提出,将人工神经网络与传统的行波测距法相融合,利用模型的拟合能力构建行波特征与故障位置的映射关系,以此实现故障定位。但是这一融合智能机器学习的方法,其最终实现的定位精度较差。一方面,模型的定位精度受提取输入信号特征的影响,目前通常仅以故障行波模极大值作为故障特征,该故障特征提取不充分、不全面,导致模型定位不精确;另一方面,输电线路上故障发生位置具有一定的随机性,现有神经网络算法在面对随机性问题时往往存在网络过拟合等现象,导致模型最终输出的定位结果不准确。
发明内容
为解决上述现有技术的不足,本发明提供了一种配电网输电线路故障定位方法及系统,获取输电线路两端测量点的行波暂态信号,提取行波暂态信号的模极大值和行波暂态能量为故障特征,以保障提取故障特征的全面性;将故障特征输入至基于改进BP神经网络的测距模型中,输出更精确的故障定位结果;其中网络训练过程中,通过改进网络评价函数来解决BP网络过拟合问题,进一步保障模型测距的精度。
第一方面,本发明提供了一种配电网输电线路故障定位方法。
一种配电网输电线路故障定位方法,包括:
获取输电线路两端测量点的行波暂态信号;所述行波暂态信号为行波暂态电压信号或行波暂态电流信号;
利用离散小波变换对行波暂态信号进行多尺度小波分解,计算获取行波暂态信号的模极大值和行波暂态能量;
对计算获取的模极大值和行波暂态能量进行预处理;
将预处理后的模极大值和行波暂态能量输入至基于改进BP神经网络的测距模型中,输出最终的故障测距结果;其中,所述测距模型的训练过程包括:基于随机修正网络层间均方误差和网络层权值的改进评价函数,对BP神经网络进行迭代训练,直至满足设定要求。
进一步的技术方案,通过判定获取模极大值,包括:
在当前分解尺度下,若存在一点(/>,/>)使得/>,则(/>,/>)为局部模极大值点;
若在任一分解尺度内均存在|(/>)|≤|(/>)|,则(/>,/>)为小波变换系数的模极大值点;
其中,表示与频率有关小波函数的尺度因子,对尺度因子进行幂数级离散化,即令/>=/>,/>>0,/>;/>表示与时间有关的位移因子,/>表示原始行波信号,/>表示小波基。
进一步的技术方案,利用离散小波变换提取行波暂态信号的高频分量,结合设定的故障检测时间,计算得到行波暂态能量。
进一步的技术方案,所述预处理包括数据归一化处理。
进一步的技术方案,所述BP神经网络的训练过程包括:
获取标注故障发生点距离输电线路两端测量点距离的行波暂态信号,提取行波暂态信号的模极大值和行波暂态能量,构建训练样本;
构建BP神经网络,初始化网络的连接权值;
将训练样本输入至BP神经网络中,通过sigmoid函数分别计算各网络层的输出,并分别计算各网络层的反馈误差;
基于网络层的输出和反馈误差,通过改进的评价函数进行评估,若满足设定要求,则完成训练;反之,若不满足,则更新改进的评价函数和权值,再次迭代训练。
进一步的技术方案,所述满足设定要求为基于改进的评价函数计算的评估值小于设定值,或当前迭代次数大于等于预设的最大迭代次数。
第二方面,本发明提供了一种配电网输电线路故障定位系统。
一种配电网输电线路故障定位系统,包括:
数据获取模块,用于获取输电线路两端测量点的行波暂态信号;所述行波暂态信号为行波暂态电压信号或行波暂态电流信号;
特征提取模块,用于利用离散小波变换对行波暂态信号进行多尺度小波分解,计算获取行波暂态信号的模极大值和行波暂态能量;
数据预处理模块,用于对计算获取的模极大值和行波暂态能量进行预处理;
故障定位模块,用于将预处理后的模极大值和行波暂态能量输入至基于改进BP神经网络的测距模型中,输出最终的故障测距结果;其中,所述测距模型的训练过程包括:基于随机修正网络层间均方误差和网络层权值的改进评价函数,对BP神经网络进行迭代训练,直至满足设定要求。
以上一个或多个技术方案存在以下有益效果:
1、本发明提供了一种配电网输电线路故障定位方法及系统,获取输电线路两端测量点的行波暂态信号,提取行波暂态信号的模极大值和行波暂态能量为故障特征,将故障特征输入至基于改进BP神经网络的测距模型中,输出更精确的故障定位结果,实现故障测距精度的提高。
2、本发明利用离散小波变换提取行波暂态信号的模极大值和行波暂态能量,以此作为故障特征,避免仅以故障行波模极大值这一单一故障特征进行测距分析时故障特征提取不全面,进而导致最终测距精度差的问题;还考虑了故障行波的传播规律,即行波信号随时间逐渐衰减,在模极大值的基础上,结合所需测距时间确定的行波暂态能量,从信号能量的角度上提取特征,避免所有特征过于依赖时间准确性的问题。
3、本发明考虑到输电线路上故障发生位置具有一定的随机性,而现有BP神经网络算法在面对随机性问题时往往存在网络过拟合的现象,因此,采用随机因子随机修正网络层间均方差和网络权值,改进BP神经网络的评价函数,以此解决网络过拟合问题,提高网络模型输出结果的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例所述配电网输电线路故障定位方法的流程图;
图2为故障行波波形示意图;
图3为本发明实施例中离散小波变换分解结构示意图;
图4为本发明实施例中BP神经网络训练的流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,仅是为了描述具体实施方式,旨在对本发明提供进一步的说明,并非意图限制根据本发明的示例性实施方式。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
对于输电线路故障,在故障附加网络故障激励源的作用下,行波由故障点向两端母线传播,并在波阻抗不连续处发生折反射。这一故障行波的传播规律决定了输电线路故障时母线端电流初始行波及其后续的波形形态,如图2所示,横坐标为时间,纵坐标为电流标幺值。即,输电线路上故障行波暂态信号是一个非平稳突变信号,且该信号随时间振荡衰减。
基于上述故障行波暂态信号的特性,本实施例提出了一种配电网输电线路故障定位方法,如图1所示,包括以下步骤:
步骤S1、获取输电线路两端测量点的行波暂态信号;所述行波暂态信号为行波暂态电压信号或行波暂态电流信号;
步骤S2、利用离散小波变换对行波暂态信号进行多尺度小波分解,计算获取行波暂态信号的模极大值和行波暂态能量;
步骤S3、对计算获取的模极大值和行波暂态能量进行预处理;
步骤S4、将预处理后的模极大值和行波暂态能量输入至基于改进BP神经网络的测距模型中,输出最终的故障测距结果;其中,所述测距模型的训练过程包括:基于随机修正网络层间均方误差和网络层权值的改进评价函数,对BP神经网络进行迭代训练,直至满足设定要求。
通过下述内容对本实施例所提出的配电网输电线路故障定位方法进行更详细的介绍。
步骤S1中,获取输电线路两端测量点的行波暂态信号。具体的,在输电线路在发生故障时,利用互感器或行波传感器等采集输电线路两端测量点的电压电流信号,进而获取行波暂态信号,该行波暂态信号为行波暂态电压信号或行波暂态电流信号。
步骤S2中,利用离散小波变换对行波暂态信号进行多尺度小波分解,计算获取行波暂态信号的模极大值和行波暂态能量。
首先,考虑到测量点获取的行波信号高频分量会随着时间衰减,而小波变换能够将频域和时域结合起来,其具备时频分析能力,可以处理非平稳信号和突变信号,因此,采用离散小波变换对行波暂态信号进行多尺度小波分解。在小波分解后,采集某一分解尺度下的模极大值数据来作为行波特征向量,本实施例通过判定获取模极大值,该判定方法为:
在当前分解尺度下,若存在一点(/>,/>)使得/>,则(/>,/>)为局部模极大值点;
若在任一分解尺度内均存在|(/>)|≤|(/>)|,则(/>,/>)为小波变换系数的模极大值点;
其中,表示与频率有关小波函数的尺度因子,对尺度因子进行幂数级离散化,即令/>=/>,/>>0,/>;/>表示与时间有关的位移因子,/>表示原始行波信号,/>表示所采用的小波变换的小波基。
其次,利用离散小波变换提取行波暂态信号的高频分量,结合设定的故障检测时间,计算得到行波暂态能量。
具体的,对于任意空间,离散小波变换公式为:/>;上式中,/>表示原始行波信号,/>表示小波基。
第j层细节系数和近似系数为:
;
;
上式中,为第j层细节系数,对应高频信号:/>为第j层近似系数,对应低频信号:h、l分别为高通滤波器和低通滤波器。离散小波变换的分解如图3所示。
在此基础上,增加高频分段的差异,计算得到的电压或电流暂态能量,为:;
上式中,为积分时间,本实施例中,根据不同故障检测时间需求,将电压暂态能量/>或电流暂态能量/>的积分时间设置为0.5ms。
将上述提取的行波暂态信号的模极大值和行波暂态能量作为故障特征,该故障特征所蕴含的信息更全面,能够有效提高后续测距模型的定位精度。
步骤S3中,对计算获取的模极大值和行波暂态能量进行预处理,该预处理包括数据归一化处理。具体的,由于故障特征包含模极大值、电流暂态能量或电压暂态能量,差异性较大,训练数据的值差异也较大,因此,为了提高网络训练及预测的精度,最大化故障特征,将样本数据归一化处理,公式为:;
上式中,表示原始数据,/>表示归一化后的数据,min、max为最小值、最大值函数。
步骤S4中,将预处理后的模极大值和行波暂态能量输入至基于改进BP神经网络的测距模型中,输出最终的故障测距结果。
首先,步骤S4.1、搭建并训练BP神经网络,以得到训练完成的测距模型。具体的,BP网络模型的拓扑结构通常由输入层、中间层(又称为隐藏层)和输出层这三层神经网络组成,网络的信息流分为正流通和负反馈,在初始运算时,信息按照传统的依次设置的输入层、隐含层、输出层流向顺序;若输出值与期望值存在误差,则开始负反馈传播,将误差信号沿原来的神经元返回,并修改各层神经元的权值,如此反复迭代,直到误差消失或者在允许范围内。本实施例中BP神经网络的训练过程如图4所示,包括:
步骤S4.1.1、获取标注故障发生点距离输电线路两端测量点距离的行波暂态信号,通过上述步骤S2和步骤S3,提取行波暂态信号的模极大值和行波暂态能量,构建训练样本,进而构建得到训练样本集。
步骤S4.1.2、构建BP神经网络,初始化网络的连接权值。本实施例中,构建BP神经网络,网络结构采用输入层、隐藏层和输出层三层神经网络,其中隐藏层为3层。初始化输入层与隐藏层、隐藏层与输出层之间的权值W、V,初始化隐藏层的阈值R,隐藏层中激活函数采用sigmoid函数,为:;
则,第i个隐藏层神经元的输入为:/> =/>;其中,/>表示输入的预处理后的数据;
第i个隐藏层神经元的输出为: =/>;
输出层的输出为:/>;
输出层的输出为预测的测距距离,即定位结果。
步骤S4.1.3、将训练样本输入至BP神经网络中,通过上述sigmoid函数分别计算各网络层的输出,并分别计算各网络层的反馈误差,该反馈误差是指输出值与期望值之间存在的误差。
步骤S4.1.4、基于网络层的输出和反馈误差,通过改进的评价函数进行评估,若满足设定要求,则完成训练;反之,若不满足,则更新改进的评价函数和权值,再次迭代训练。
本实施例中,考虑到BP神经网络在面对随机性问题分析时存在明显不足,而且尤其是评价函数的选取对网络性能影响较大,可能造成网络过拟合现象,导致BP网络模型的输出结果不准确。为此,本实施例在训练BP神经网络的过程中,改进了评价函数,对网络层间均方误差和网络层权值进行随机修正,以此构建新的评价函数,该评价函数为:;其中,/>表示随机修正参数,mse表示网络层间均方差,msw表示网络层权值,其计算公式为:
;
;
上式中,表示第p个样本数据的期望值,/>表示第p个样本数据的预测值,表示BP网络可调神经元的权值个数,/>表示小于1的随机数,/>表示当前网络层神经元权值。
进一步的,通过上述改进的评价函数进行评估,若满足设定要求,即基于改进的评价函数计算的评估值小于设定值,或当前迭代次数大于等于预设的最大迭代次数,此时则完成迭代训练;反之,则更新改进的评价函数和权值,即通过随机改进来改进评价函数,将其作为下一迭代的评估标准,同时更新该网络权值,此处可采用现有的遗传算法、灰狼优化算法、粒子群优化算法等算法进行权值的优化更新,在更新完成后再次重新计算各层的输出和误差,进行迭代训练。其中,上述最大迭代次数实际上相当于最大训练周期,当完成规定次数的训练,误差反向传播和网络权值及偏置修改后停止训练,不论是否达到训练目标;设置该最大迭代次数是为了防止训练时间过长,及时终止无法收敛的训练。
通过多次迭代后,相较于传统的BP网络,改进后的BP网络具有更小的权值和偏置,且比传统网络的响应更趋干平滑,极大减少过度拟合。
通过上述方案,本实施例基于提取的行波暂态信号的模极大值和行波暂态能量,将这所提取的故障特征数据输入至基于改进BP神经网络的测距模型中,输出更精确的故障定位结果,实现故障测距精度的有效提高。
实施例二
本实施例提供了一种配电网输电线路故障定位系统,包括:
数据获取模块,用于获取输电线路两端测量点的行波暂态信号;所述行波暂态信号为行波暂态电压信号或行波暂态电流信号;
特征提取模块,用于利用离散小波变换对行波暂态信号进行多尺度小波分解,计算获取行波暂态信号的模极大值和行波暂态能量;
数据预处理模块,用于对计算获取的模极大值和行波暂态能量进行预处理;
故障定位模块,用于将预处理后的模极大值和行波暂态能量输入至基于改进BP神经网络的测距模型中,输出最终的故障测距结果;其中,所述测距模型的训练过程包括:基于随机修正网络层间均方误差和网络层权值的改进评价函数,对BP神经网络进行迭代训练,直至满足设定要求。
以上实施例二中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例,虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种配电网输电线路故障定位方法,其特征是,包括:
获取输电线路两端测量点的行波暂态信号;所述行波暂态信号为行波暂态电压信号或行波暂态电流信号;
利用离散小波变换对行波暂态信号进行多尺度小波分解,计算获取行波暂态信号的模极大值和行波暂态能量;
通过判定获取模极大值,包括:
在当前分解尺度下,若存在一点(/>,/>)使得/>,则(/>,/>)为局部模极大值点;
若在任一分解尺度内均存在|(/>)|≤|(/>)|,则(/>,/>)为小波变换系数的模极大值点;
其中,表示与频率有关小波函数的尺度因子,对尺度因子进行幂数级离散化,即令/>=,/>>0,/>;/>表示与时间有关的位移因子,/>表示原始行波信号,/>表示小波基;
利用离散小波变换提取行波暂态信号的高频分量,结合设定的故障检测时间,计算得到行波暂态能量;
对计算获取的模极大值和行波暂态能量进行预处理;
将预处理后的模极大值和行波暂态能量输入至基于改进BP神经网络的测距模型中,输出最终的故障测距结果;其中,所述测距模型的训练过程包括:基于随机修正网络层间均方误差和网络层权值的改进评价函数,对BP神经网络进行迭代训练,直至满足设定要求;
在训练BP神经网络的过程中,改进了评价函数,对网络层间均方误差和网络层权值进行随机修正,以此构建新的评价函数,该评价函数为:;其中,表示随机修正参数,mse表示网络层间均方差,msw表示网络层权值,其计算公式为:
;
;
上式中,表示第p个样本数据的期望值,/>表示第p个样本数据的预测值,/>表示BP网络可调神经元的权值个数,/>表示小于1的随机数,/>表示当前网络层神经元权值;
通过改进的评价函数进行评估,若满足设定要求,即基于改进的评价函数计算的评估值小于设定值,或当前迭代次数大于等于预设的最大迭代次数,此时则完成迭代训练,反之,则更新改进的评价函数和权值,进行迭代训练。
2.如权利要求1所述的配电网输电线路故障定位方法,其特征是,所述预处理包括数据归一化处理。
3.如权利要求1所述的配电网输电线路故障定位方法,其特征是,所述BP神经网络的训练过程包括:
获取标注故障发生点距离输电线路两端测量点距离的行波暂态信号,提取行波暂态信号的模极大值和行波暂态能量,构建训练样本;
构建BP神经网络,初始化网络的连接权值;
将训练样本输入至BP神经网络中,通过sigmoid函数分别计算各网络层的输出,并分别计算各网络层的反馈误差;
基于网络层的输出和反馈误差,通过改进的评价函数进行评估,若满足设定要求,则完成训练;反之,若不满足,则更新改进的评价函数和权值,再次迭代训练。
4.如权利要求1所述的配电网输电线路故障定位方法,其特征是,所述满足设定要求为基于改进的评价函数计算的评估值小于设定值,或当前迭代次数大于等于预设的最大迭代次数。
5.一种基于如权利要求1-4任一项所述方法的配电网输电线路故障定位系统,其特征是,包括:
数据获取模块,用于获取输电线路两端测量点的行波暂态信号;所述行波暂态信号为行波暂态电压信号或行波暂态电流信号;
特征提取模块,用于利用离散小波变换对行波暂态信号进行多尺度小波分解,计算获取行波暂态信号的模极大值和行波暂态能量;
数据预处理模块,用于对计算获取的模极大值和行波暂态能量进行预处理;
故障定位模块,用于将预处理后的模极大值和行波暂态能量输入至基于改进BP神经网络的测距模型中,输出最终的故障测距结果;其中,所述测距模型的训练过程包括:基于随机修正网络层间均方误差和网络层权值的改进评价函数,对BP神经网络进行迭代训练,直至满足设定要求。
6.如权利要求5所述的配电网输电线路故障定位系统,其特征是,通过判定获取模极大值,包括:
在当前分解尺度下,若存在一点(/>,/>)使得/>,则(/>,/>)为局部模极大值点;
若在任一分解尺度内均存在|(/>)|≤|(/>)|,则(/>,/>)为小波变换系数的模极大值点;
其中,表示与频率有关小波函数的尺度因子,对尺度因子进行幂数级离散化,即令/>=,/>>0,/>;/>表示与时间有关的位移因子,/>表示原始行波信号,/>表示小波基。
7.如权利要求5所述的配电网输电线路故障定位系统,其特征是,利用离散小波变换提取行波暂态信号的高频分量,结合设定的故障检测时间,计算得到行波暂态能量。
8.如权利要求5所述的配电网输电线路故障定位系统,其特征是,所述BP神经网络的训练过程包括:
获取标注故障发生点距离输电线路两端测量点距离的行波暂态信号,提取行波暂态信号的模极大值和行波暂态能量,构建训练样本;
构建BP神经网络,初始化网络的连接权值;
将训练样本输入至BP神经网络中,通过sigmoid函数分别计算各网络层的输出,并分别计算各网络层的反馈误差;
基于网络层的输出和反馈误差,通过改进的评价函数进行评估,若满足设定要求,则完成训练;反之,若不满足,则更新改进的评价函数和权值,再次迭代训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281580.XA CN117892117B (zh) | 2024-03-13 | 一种配电网输电线路故障定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281580.XA CN117892117B (zh) | 2024-03-13 | 一种配电网输电线路故障定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117892117A CN117892117A (zh) | 2024-04-16 |
CN117892117B true CN117892117B (zh) | 2024-05-31 |
Family
ID=
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923139A (zh) * | 2010-04-19 | 2010-12-22 | 昆明理工大学 | 一种输电线路单端行波故障测距智能方法 |
CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 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 |
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 |
CN105223466A (zh) * | 2015-09-24 | 2016-01-06 | 昆明理工大学 | 一种利用模极大值比的特高压直流输电线路单端测距方法 |
CN105738764A (zh) * | 2016-02-22 | 2016-07-06 | 国家电网公司 | 基于暂态信息全频带的配电网故障区段定位方法 |
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 |
CN109492792A (zh) * | 2018-09-28 | 2019-03-19 | 昆明理工大学 | 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法 |
CN112444704A (zh) * | 2019-08-28 | 2021-03-05 | 国网青海省电力公司海北供电公司 | 一种配电网行波故障定位方法及装置 |
CN112557808A (zh) * | 2020-11-05 | 2021-03-26 | 山东电工电气集团新能科技有限公司 | 一种配电网单相接地故障定位方法 |
CN112700390A (zh) * | 2021-01-14 | 2021-04-23 | 汕头大学 | 一种基于机器学习的白内障oct图像修复方法及系统 |
CN112710920A (zh) * | 2020-11-18 | 2021-04-27 | 国网浙江省电力有限公司温州供电公司 | 一种基于bp神经网络的配电网故障区段定位方法 |
CN112862147A (zh) * | 2020-11-19 | 2021-05-28 | 河南汇祥通信设备有限公司 | 基于bp神经网络的综合管廊运维风险评价模型及方法 |
CN115238860A (zh) * | 2022-06-22 | 2022-10-25 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
CN115933608A (zh) * | 2022-12-23 | 2023-04-07 | 华北电力大学 | 一种控制器模块的智能bit故障诊断方法 |
WO2023216383A1 (zh) * | 2022-05-13 | 2023-11-16 | 苏州大学 | 基于复值神经网络的复值时序信号预测方法 |
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923139A (zh) * | 2010-04-19 | 2010-12-22 | 昆明理工大学 | 一种输电线路单端行波故障测距智能方法 |
CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 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 |
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 |
CN105223466A (zh) * | 2015-09-24 | 2016-01-06 | 昆明理工大学 | 一种利用模极大值比的特高压直流输电线路单端测距方法 |
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 |
CN105738764A (zh) * | 2016-02-22 | 2016-07-06 | 国家电网公司 | 基于暂态信息全频带的配电网故障区段定位方法 |
CN109492792A (zh) * | 2018-09-28 | 2019-03-19 | 昆明理工大学 | 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法 |
CN112444704A (zh) * | 2019-08-28 | 2021-03-05 | 国网青海省电力公司海北供电公司 | 一种配电网行波故障定位方法及装置 |
CN112557808A (zh) * | 2020-11-05 | 2021-03-26 | 山东电工电气集团新能科技有限公司 | 一种配电网单相接地故障定位方法 |
CN112710920A (zh) * | 2020-11-18 | 2021-04-27 | 国网浙江省电力有限公司温州供电公司 | 一种基于bp神经网络的配电网故障区段定位方法 |
CN112862147A (zh) * | 2020-11-19 | 2021-05-28 | 河南汇祥通信设备有限公司 | 基于bp神经网络的综合管廊运维风险评价模型及方法 |
CN112700390A (zh) * | 2021-01-14 | 2021-04-23 | 汕头大学 | 一种基于机器学习的白内障oct图像修复方法及系统 |
WO2023216383A1 (zh) * | 2022-05-13 | 2023-11-16 | 苏州大学 | 基于复值神经网络的复值时序信号预测方法 |
CN115238860A (zh) * | 2022-06-22 | 2022-10-25 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
CN115933608A (zh) * | 2022-12-23 | 2023-04-07 | 华北电力大学 | 一种控制器模块的智能bit故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于暂态电流小波熵权的输电线路故障选相方法;何正友;陈小勤;罗国敏;钱清泉;;电力系统自动化;20061115(21);全文 * |
基于神经网络的高压输电线路单端测距方法;毛元;张斌;;计算机测量与控制;20151025(10);全文 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3832553A1 (en) | Method for identifying energy of micro-energy device on basis of bp neural network | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
EP3648014A1 (en) | Model training method, data identification method and data identification device | |
Tan et al. | Application of Self-Organizing Feature Map Neural Network Based on K-means Clustering in Network Intrusion Detection. | |
CN110866448A (zh) | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 | |
CN113985194A (zh) | 一种基于堆栈自编码器的配电网故障定位方法 | |
CN113904786A (zh) | 一种基于线路拓扑分析和潮流特性的虚假数据注入攻击辨识方法 | |
CN111310722A (zh) | 一种基于改进神经网络的电力设备图像的故障识别方法 | |
CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
Shang et al. | Transfer learning-based fault location with small datasets in VSC-HVDC | |
CN117892117B (zh) | 一种配电网输电线路故障定位方法及系统 | |
CN116910573A (zh) | 异常诊断模型的训练方法及装置、电子设备和存储介质 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117347916A (zh) | 一种基于参数辨识的绕组结构故障定位方法及装置 | |
CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 | |
CN117192358A (zh) | 基于卷积神经网络的永磁同步电机匝间短路故障诊断方法 | |
CN117892117A (zh) | 一种配电网输电线路故障定位方法及系统 | |
CN112861670B (zh) | 一种输电线路金具检测方法及系统 | |
CN115186722A (zh) | 接触器故障诊断模型构建方法、装置、介质及电子设备 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
CN113361579A (zh) | 一种水下目标探测辨识方法、系统、设备及可读存储介质 | |
CN113516168B (zh) | 基于生成对抗网络的多维电气量连续时间序列生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |