本發(fā)明屬于電網(wǎng)調(diào)度與故障分析領(lǐng)域,涉及一種基于模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的輸電線路故障選相方法。
背景技術(shù):
隨著電網(wǎng)規(guī)模的不斷擴(kuò)大,如何高效穩(wěn)定地輸送電能是保證電網(wǎng)安全、穩(wěn)定運(yùn)行的重要環(huán)節(jié)。影響電能輸送的因素很多,其中,輸電線路故障是其重要因素之一。如何快速、準(zhǔn)確地對(duì)輸電線路進(jìn)行故障選相是快速恢復(fù)電網(wǎng)供電、保證電網(wǎng)安全運(yùn)行的重要前提。
目前,傳統(tǒng)的輸電線路故障選相主要分為兩個(gè)階段:故障信息特征提取和故障信息特征識(shí)別。在第一階段,故障信息特征提取方法主要分為兩類,一類是基于工頻穩(wěn)態(tài)量的提取方法,這類方法的性能容易受故障電阻、故障距離、故障初始角等因素影響;另一類是基于故障暫態(tài)量的提取方法,由于暫態(tài)量包含了豐富的故障特征信息,并且不易受故障電阻、故障距離、故障初始角的影響,因此提取故障信息特征具有很高的識(shí)別度和精度。對(duì)于第二階段,故障信息特征識(shí)別方法主要集中于推理法和分類器法,如模糊推理、人工神經(jīng)網(wǎng)絡(luò)。但是,無(wú)論是模糊推理還是人工神經(jīng)網(wǎng)絡(luò),其推理過(guò)程都是一個(gè)黑箱操作,不容易被人理解。因此,研究快速準(zhǔn)確的輸電線路故障選相方法對(duì)保障電能傳輸安全性與經(jīng)濟(jì)性具有重要的實(shí)際意義。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足,提供一種基于模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的輸電線路故障選相方法。首先利用小波變換具有良好的時(shí)頻特性,提取電流故障分量的特征信息。在此基礎(chǔ)上,利用模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)進(jìn)行故障特征識(shí)別。本發(fā)明的突出優(yōu)勢(shì)是利用模糊推理脈沖神經(jīng)膜系統(tǒng)解決輸電線路故障選相的第二階段。該方法在選相過(guò)程中依據(jù)模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的推理算法進(jìn)行推理,表達(dá)清晰,計(jì)算簡(jiǎn)便,且在復(fù)雜的故障條件下,本方法都能獲得正確選相結(jié)果。
為解決上述技術(shù)問(wèn)題,本發(fā)明的采用的技術(shù)方案為:
基于模糊推理脈沖神經(jīng)膜系統(tǒng)的輸電線路故障選相方法,其特征在于,包括以下步驟:
a.獲取電流故障分量信息:
取故障后1/4周期內(nèi)的三相電流與故障發(fā)生前15ms至20ms內(nèi)的三相電流差值作為三相電流故障分量,并同時(shí)計(jì)算零序電流故障分量;
b.提取電流故障分量信號(hào)小波特征:
采用db3小波對(duì)三相電流及零序電流故障分量進(jìn)行8層分解,對(duì)第8層小波系數(shù)矩陣進(jìn)行奇異值分解,得到系數(shù)矩陣的奇異值,并計(jì)算歸一化值,將得到的歸一化值作為電流故障分量信號(hào)小波特征值;
c.建立故障選相模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng):
根據(jù)電流故障分量信號(hào)小波特征值,建立故障選相模糊產(chǎn)生式規(guī)則集;
d.對(duì)建立的故障選相模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)進(jìn)行推理:
采用模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的模糊推理算法對(duì)故障選相膜系統(tǒng)進(jìn)行推理,獲取故障類型的模糊可信度;模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)模糊推理算法的具體步驟為:
(1)設(shè)定初始狀態(tài):令推理步驟g=0,設(shè)定判定依據(jù)01=(0,0,...,0)T。依據(jù)各神經(jīng)元中包含的脈沖值設(shè)定命題神經(jīng)元和規(guī)則神經(jīng)元向量初始值,兩個(gè)向量分別表示為θ0=(θ10,θ20,...,θs0)T和δ0=(δ10,δ20,...,δt0),其中s代表命題神經(jīng)元個(gè)數(shù),n代表規(guī)則神經(jīng)元個(gè)數(shù);
(2)令推理步驟g=g+1;
(3)命題神經(jīng)元點(diǎn)火。命題神經(jīng)元點(diǎn)火后,規(guī)則神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新;
(4)當(dāng)δg≠01,規(guī)則神經(jīng)元點(diǎn)火,命題神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新,并返回到步驟(2);否則,結(jié)束推理并輸出結(jié)果。
其中,各參數(shù)向量(矩陣)含義及其乘法算子的定義如下:
θ=(θ1,θ2,...,θs)T,其中θi(1≤i≤s),表示第i個(gè)命題神經(jīng)元包含的脈沖值,其值由0和1之間的實(shí)數(shù)表示。若一個(gè)命題神經(jīng)元中沒有包含任何脈沖,則該命題神經(jīng)元的脈沖值表示為0,命題神經(jīng)元及其脈沖值傳遞規(guī)則如圖3所示;
δ=(δ1,δ2,...,δt)T,其中δj(1≤j≤t),表示第j個(gè)規(guī)則神經(jīng)元包含的脈沖值,其值同樣由0和1之間的實(shí)數(shù)表示。若一個(gè)規(guī)則神經(jīng)元中沒有包含任何脈沖,則該規(guī)則神經(jīng)元的脈沖值表示為0;
C=diag(c1,c2,...,ct),其中cj表示第j個(gè)規(guī)則神經(jīng)元(第j條模糊產(chǎn)生式規(guī)則)的置信度,其值由0和1之間的實(shí)數(shù)表示;
為突觸矩陣,表示命題神經(jīng)元到“與”規(guī)則神經(jīng)元的有向連接關(guān)系。如果從命題神經(jīng)元δi到“與”規(guī)則神經(jīng)元δj存在突觸,則dij=1,否則dij=0;
為突觸矩陣,表示“與”規(guī)則神經(jīng)元到命題神經(jīng)元的有向連接關(guān)系。如果從“與”規(guī)則神經(jīng)元δj到命題神經(jīng)元δi存在突觸,則eji=1,否則eji=0;
其中j=1,...,t;
其中j=1,...,t,算子“∧”為取最小值;
其中j=1,...,t,算子“∨”為取最大值;
e.確定故障選相結(jié)果:
根據(jù)模糊推理得到的各疑似故障類型的模糊可信度進(jìn)行判定,選擇模糊可信度最大的命題神經(jīng)元所對(duì)應(yīng)故障類型為最后選相結(jié)果。
進(jìn)一步的,步驟c中所述故障選相模糊產(chǎn)生式規(guī)則集包括:
規(guī)則1:If零序特征值高,then接地故障;
規(guī)則2:If零序特征值低,then相間故障;
規(guī)則3:If A相特征值高、B相特征值低、C相特征值低且接地故障,then故障類型為A相接地故障;
規(guī)則4:If A相特征值低、B相特征值高、C相特征值低且接地故障,then故障類型為B相接地故障;
規(guī)則5:If A相特征值低、B相特征值低、C相特征值高且接地故障,then故障類型為C相接地故障;
規(guī)則6:If A相特征值高、B相特征值高、C相特征值低且接地故障,then故障類型為AB兩相接地故障;
規(guī)則7:If A相特征值低、B相特征值高、C相特征值高且接地故障,then故障類型為BC兩相接地故障;
規(guī)則8:If A相特征值高、B相特征值低、C相特征值高且接地故障,then故障類型為CA兩相接地故障;
規(guī)則9:If A相特征值高、B相特征值高、C相特征值低且相間故障,then故障類型為AB相間短路故障;
規(guī)則10:If A相特征值低、B相特征值高、C相特征值高且相間故障,then故障類型為BC相間短路故障;
規(guī)則11:If A相特征值高、B相特征值低、C相特征值高且相間故障,then故障類型為CA相間短路故障;
規(guī)則12:If A相特征值高、B相特征值高、C相特征值高且相間故障,then故障類型為ABC三相短路故障。
本發(fā)明的有益效果為:(1)本發(fā)明將小波變換與模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)進(jìn)行有機(jī)結(jié)合,實(shí)現(xiàn)準(zhǔn)確的輸電線路故障選相;(2)故障選相正確性高,本發(fā)明依據(jù)10種短路故障類型與故障特征值之間的關(guān)系建立模糊產(chǎn)生式規(guī)則,并賦予其一定可信度,使得推理過(guò)程更合理,更符合實(shí)際情況;(3)方法實(shí)現(xiàn)簡(jiǎn)單,本發(fā)明首先通過(guò)小波變換提取電流故障分量的故障特征值,然后把故障特征值作為故障選相模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的輸入,采用模糊推理算法進(jìn)行推理,推理過(guò)程中主要進(jìn)行矩陣運(yùn)算,具有較好的并行處理能力,選相過(guò)程清晰簡(jiǎn)單,易于維護(hù);(4)對(duì)復(fù)雜故障情況適應(yīng)性好,本發(fā)明在疊加原理的基礎(chǔ)上采用小波變換分析電流故障分量的故障特征,從而在高故障電阻,遠(yuǎn)故障距離的情況下,本方法都能獲得正確的選相結(jié)果。
附圖說(shuō)明
圖1為本發(fā)明方法的流程圖;
圖2為本發(fā)明方法的模糊隸屬度函數(shù);
圖3為本發(fā)明命題神經(jīng)元:(a)傳統(tǒng)形式;(b)簡(jiǎn)寫形式;
圖4為本發(fā)明規(guī)則神經(jīng)元:(i)“一般”類型:(a)傳統(tǒng)形式;(b)簡(jiǎn)寫形式
(ii)“”類型:(a)傳統(tǒng)形式;(b)簡(jiǎn)寫形式
圖5為本發(fā)明基于模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的故障選相模型;
圖6為本發(fā)明雙端供電輸電線路示意圖。
具體實(shí)施方式
下面結(jié)合附圖和實(shí)施例,詳細(xì)描述本發(fā)明的技術(shù)方案:
實(shí)施例
這里以圖6所示的雙端供電輸電線路短路故障為例對(duì)本發(fā)明方法進(jìn)行詳細(xì)闡述。實(shí)施例分為具有代表性的單相接地故障,兩相接地故障,兩相相間短路故障以及三相短路故障四種情況進(jìn)行。情況一:輸電線路A相接地故障,故障初始角為0°,故障電阻為200Ω,故障距離為200km;情況二:AB兩相接地故障,故障初始角為0°,故障電阻為200Ω,故障距離為200km;情況三:AB相間短路故障,故障初始角為30°,故障電阻為200Ω,故障距離為200km;情況四:ABC三相短路故障,故障初始角為30°,故障電阻為200Ω,故障距離為200km;
情況一:輸電線路A相接地故障。故障選相的具體過(guò)程如下:
步驟1:取故障后1/4周期內(nèi)的三相電流與故障前15ms至20ms內(nèi)的三相電流差值作為三相電流故障分量,并同時(shí)計(jì)算零序電流故障分量;
步驟2:利用db3小波對(duì)故障分量進(jìn)行分析,尺度為8,對(duì)第8層小波系數(shù)矩陣進(jìn)行奇異值分解,得到三相及零序電流故障分量奇異值分別為10.5269,2.1463,1.8363和3.7628,并將這些奇異值歸一化,結(jié)果分別為1,0.2039,0.1744和0.3574;
步驟3:將歸一化值模糊化,采用模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的模糊推理算法對(duì)故障分類模型進(jìn)行模糊推理,獲取每種故障類型的故障可信度。具體步驟為:
1.設(shè)定初始狀態(tài)。設(shè)定推理步驟g=0。設(shè)定判定依據(jù)01=(0,0,...,0)T。模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)初始狀態(tài)為:θ0=[1,0,1,0,0.013,0.987,0,1,0,0,0,0,0,0,0,0,0,0,0,0],δ0=[0,0,0,0,0,0,0,0,0,0,0,0],C=[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95];
2.令推理步驟g增加1,即g=1;
3.命題神經(jīng)元點(diǎn)火。命題神經(jīng)元點(diǎn)火后,規(guī)則神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新,即δ1=[1,0,0,0,0,0,0,0,0,0,0,0];4.規(guī)則神經(jīng)元點(diǎn)火。規(guī)則神經(jīng)元點(diǎn)火,命題神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新,即
θ1=[0,0,1,0,0.013,0.987,0,1,0.95,0,0,0,0,0,0,0,0,0,0,0];
5.返回執(zhí)行第2步。推理步驟g=2。δ2=[0,0,0.95,0,0,0,0,0,0,0,0,0],θ1=[0,0,0,0,0,0,0,0,0,0,0.9025,0,0,0,0,0,0,0,0,0];
6.返回執(zhí)行第2步。推理步驟g=3。δ3=[0,0,0,0,0,0,0,0,0,0,0,0],滿足終止條件,結(jié)束推理。
步驟4:確定故障選相結(jié)果。
根據(jù)疑似故障類型的模糊可信度確定故障類型,并輸出選相結(jié)果,具體過(guò)程為:
根據(jù)模糊推理得到的各疑似故障類型的模糊可信度進(jìn)行判定,選擇模糊可信度最大的命題神經(jīng)元所對(duì)應(yīng)的故障類型為最后選相結(jié)果。由于命題神經(jīng)元11是模糊可信度最大的命題神經(jīng)元,因此判定故障類型為A相接地故障。
情況二:輸電線路AB兩相接地故障。故障分類的具體過(guò)程如下:
步驟1:取故障后1/4周期內(nèi)的三相電流與故障前15ms至20ms內(nèi)的三相電流采樣值數(shù)列差作為故障分量;
步驟2:利用db3小波對(duì)故障分量進(jìn)行分析,尺度為8,對(duì)第8層小波系數(shù)矩陣進(jìn)行奇異值分解,得到三相及零序電流故障分量奇異值分別為23.6354,19.3165,2.1259和3.2944,并將這些奇異值歸一化,結(jié)果分別為1,0.8173,0.0899和0.1394;
步驟3:將歸一化值模糊化,采用模糊推理脈沖神經(jīng)膜系統(tǒng)的模糊推理算法對(duì)故障分類模型進(jìn)行反向模糊推理,獲取每種故障類型的故障可信度。具體步驟為:
1.設(shè)定初始狀態(tài)。設(shè)定推理步驟g=0。設(shè)定判定依據(jù)01=(0,0,...,0)T。模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)初始狀態(tài)為:
θ0=[1,0,1,0,1,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0]
δ0=[0,0,0,0,0,0,0,0,0,0,0,0]
C=[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95];
2.令推理步驟g增加1,即g=1;
3.命題神經(jīng)元點(diǎn)火。命題神經(jīng)元點(diǎn)火后,規(guī)則神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新,即δ1=[1,0,0,0,0,0,0,0,0,0,0,0];
4.規(guī)則神經(jīng)元點(diǎn)火。規(guī)則神經(jīng)元點(diǎn)火,命題神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新,即
θ1=[0,0,1,0,1,0,0,1,0.95,0,0,0,0,0,0,0,0,0,0,0];
5.返回執(zhí)行第2步。推理步驟g=2。δ2=[0,0,0,0,0,0.95,0,0,0,0,0,0],θ2=[0,,0,0,0,0,0,0,0,0,0,0,0,0,0.9025,0,0,0,0,0,0];
6.返回執(zhí)行第2步。推理步驟g=3。δ3=[0,0,0,0,0,0,0,0,0,0,0,0],滿足終止條件,結(jié)束推理。
步驟4:確定故障選相結(jié)果。
根據(jù)疑似故障類型的模糊可信度確定故障類型,并輸出選相結(jié)果,具體過(guò)程為:
根據(jù)模糊推理得到的各疑似故障類型的模糊可信度進(jìn)行判定,選擇模糊可信度最大的命題神經(jīng)元所對(duì)應(yīng)的故障類型為最后選相結(jié)果。由于命題神經(jīng)元14是模糊可信度最大的命題神經(jīng)元,因此判定故障類型為AB兩相接地故障。
情況三:輸電線路AB相間短路故障。故障分類的具體過(guò)程如下:
步驟1:取故障后1/4周期內(nèi)的三相電流與故障前15ms至20ms內(nèi)的三相電流采樣值數(shù)列差作為故障分量;
步驟2:利用db3小波對(duì)故障分量進(jìn)行分析,尺度為8,對(duì)第8層小波系數(shù)矩陣進(jìn)行奇異值分解,得到三相及零序電流故障分量奇異值分別為15.3014,13.7617,1.5847和4.5792e-13,并將這些奇異值歸一化,結(jié)果分別為1,0.8994,0.1036和0.2993e-13;
步驟3:將歸一化值模糊化,采用模糊推理脈沖神經(jīng)膜系統(tǒng)的模糊推理算法對(duì)故障分類模型進(jìn)行反向模糊推理,獲取每種故障類型的故障可信度。具體步驟為:
1.設(shè)定初始狀態(tài)。設(shè)定推理步驟g=0。設(shè)定判定依據(jù)01=(0,0,...,0)T。模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)初始狀態(tài)為:
θ0=[0,1,1,0,1,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0],
δ0=[0,0,0,0,0,0,0,0,0,0,0,0],
C=[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95];
2.令推理步驟g增加1,即g=1;
3.命題神經(jīng)元點(diǎn)火。命題神經(jīng)元點(diǎn)火后,規(guī)則神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新,即δ1=[0,1,0,0,0,0,0,0,0,0,0,0],
4.規(guī)則神經(jīng)元點(diǎn)火。規(guī)則神經(jīng)元點(diǎn)火,命題神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新,即θ1=[0,0,1,0,1,0,0,1,0,0.95,0,0,0,0,0,0,0,0,0,0];
5.返回執(zhí)行第2步。推理步驟g=2。δ2=[0,0,0,0,0,0,0,0,0,0,0,0.95],θ2=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0.9025,0,0,0];
6.返回執(zhí)行第2步。推理步驟g=3。δ3=[0,0,0,0,0,0,0,0,0,0,0,0],滿足終止條件,結(jié)束推理。
步驟4:確定故障選相結(jié)果。
根據(jù)疑似故障類型的模糊可信度確定故障類型,并輸出選相結(jié)果,具體過(guò)程為:
根據(jù)模糊推理得到的各疑似故障類型的模糊可信度進(jìn)行判定,選擇模糊可信度最大的命題神經(jīng)元所對(duì)應(yīng)的故障類型為最后選相結(jié)果。由于命題神經(jīng)元17是模糊可信度最大的命題神經(jīng)元,因此判定故障類型為AB相間短路故障。
情況四:輸電線路ABC三相短路故障。故障分類的具體過(guò)程如下:
步驟1:取故障后1/4周期內(nèi)的三相電流與故障前15ms至20ms內(nèi)的三相電流采樣值數(shù)列差作為故障分量;
步驟2:利用db3小波對(duì)故障分量進(jìn)行分析,尺度為8,對(duì)第8層小波系數(shù)矩陣進(jìn)行奇異值分解,得到三相及零序電流故障分量奇異值分別為24.1292,36.7854,48.0947和7.5930e-13,并將這些奇異值歸一化,結(jié)果分別為0.5017,0.7649,1和1.5796e-14;
步驟3:將歸一化值模糊化,采用模糊推理脈沖神經(jīng)膜系統(tǒng)的模糊推理算法對(duì)故障分類模型進(jìn)行反向模糊推理,獲取每種故障類型的故障可信度。具體步驟為:
1.設(shè)定初始狀態(tài)。設(shè)定推理步驟g=0。設(shè)定判定依據(jù)01=(0,0,...,0)T。模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)初始狀態(tài)為:
θ0=[0,1,1,0,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0],
δ0=[0,0,0,0,0,0,0,0,0,0,0,0],
C=[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95];
2.令推理步驟g增加1,即g=1;
3.命題神經(jīng)元點(diǎn)火。命題神經(jīng)元點(diǎn)火后,規(guī)則神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新,即δ1=[0,1,0,0,0,0,0,0,0,0,0,0],
4.規(guī)則神經(jīng)元點(diǎn)火。規(guī)則神經(jīng)元點(diǎn)火,命題神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新,即
θ1=[0,0,1,0,1,0,1,0,0,0.95,0,0,0,0,0,0,0,0,0,0];
5.返回執(zhí)行第2步。推理步驟g=2。δ2=[0,0,0,0,0,0,0,0,0.95,0,0,0],θ2=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0.9025];
6.返回執(zhí)行第2步。推理步驟g=3。δ3=[0,0,0,0,0,0,0,0,0,0,0,0],滿足終止條件,結(jié)束推理。
步驟4:確定故障選相結(jié)果。
根據(jù)疑似故障類型的模糊可信度確定故障類型,并輸出選相結(jié)果,具體過(guò)程為:
根據(jù)模糊推理得到的各疑似故障類型的模糊可信度進(jìn)行判定,選擇模糊可信度最大的命題神經(jīng)元所對(duì)應(yīng)的故障類型為最后選相結(jié)果。由于命題神經(jīng)元20是模糊可信度最大的命題神經(jīng)元,因此判定故障類型為ABC三相短路故障。
通過(guò)實(shí)施例中四種情況選相結(jié)果可知,本發(fā)明方法故障選相過(guò)程采用模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng),過(guò)程清晰簡(jiǎn)單,易于理解,且在不同故障初始角、高故障電阻、遠(yuǎn)故障距離等情況下,本方法仍然能獲得正確的故障選相結(jié)果。