專利名稱：利用s變換能量樣本屬性的配電網(wǎng)故障的人工神經(jīng)網(wǎng)絡(luò)選線方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種利用S變換能量樣本屬性的配電網(wǎng)故障的人工神經(jīng)網(wǎng)絡(luò)選線方 法，屬電力系統(tǒng)繼電保護技術(shù)領(lǐng)域。
背景技術(shù)：
配電網(wǎng)量大面廣，擔(dān)負著直接為廣大用戶供電的任務(wù)，其中性點主要采用不接地、 經(jīng)電阻接地以及經(jīng)消弧線圈接地等運行方式。據(jù)統(tǒng)計配電網(wǎng)故障中單相接地故障占到70% 以上。小電流接地系統(tǒng)在發(fā)生單相接地故障時，非故障相對地電壓升高，對電網(wǎng)設(shè)備的絕緣 產(chǎn)生破壞作用；如果發(fā)生間歇性電弧接地，引起弧光過電壓，威脅系統(tǒng)絕緣，進而發(fā)展成相 間或多點接地短路，還會引起全系統(tǒng)過電壓，損壞設(shè)備，破壞系統(tǒng)安全運行，因此應(yīng)準確、快 速找到故障線路并及時予以排除。S變換是由Stockwell等學(xué)者于1996年首次提出的一種時頻可逆分析方法，是小 波變換和短時傅里葉變換的一種組合。S變換具有和頻率相關(guān)的分辨率，其變換結(jié)果可通過 時頻矩陣表達。S變換集中了短時傅里葉變換和小波變換的優(yōu)點，其時窗寬度隨頻率呈反向 變化，即在低頻段的時窗較寬，從而獲得較高的頻率分辨率；而高頻段的時窗較窄，故可獲 得很高的時間分辨率?？梢?，S變換具有良好的時頻分析和特征提取特性。神經(jīng)網(wǎng)絡(luò)是由大量簡單的神經(jīng)元相互連接而成的自適應(yīng)非線性動態(tài)系統(tǒng)。人工神 經(jīng)網(wǎng)絡(luò)的主要特征為大規(guī)模的并行處理和分布式的信息存儲；極強的自學(xué)、聯(lián)想和容錯 能力；良好的自適應(yīng)和自組織性；多輸入、多輸出的非線性系統(tǒng)。由于神經(jīng)網(wǎng)絡(luò)具有以上特 征，本發(fā)明將神經(jīng)網(wǎng)絡(luò)引入配電網(wǎng)故障選線領(lǐng)域，與傳統(tǒng)的選線算法相比，神經(jīng)網(wǎng)絡(luò)可以自 如的和信號處理方法結(jié)合，客觀反映出故障信號與非故障信號的差別，通過訓(xùn)練調(diào)整權(quán)值， 自適應(yīng)的選出故障線路。參考文獻[1]要煥年，曹梅月.電力系統(tǒng)諧振接地[M].北京中國電力出版社，2000.[2]劉守亮，肖先勇，楊洪耕.基于S變換模時頻矩陣相似度的短時電能質(zhì)量擾動 分類[J].電網(wǎng)技術(shù)· 2006，30 (5) 67-71.[3]張德豐等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京機械工業(yè)出版社.2009.[4]SHU Hong-chun,PENG Shi-χ η,ΖΗΑΟ Xing-bing. A New Fault Line Detection Methodfor Hybrid Transmission Lines of Distribution Network[J]. Automation of Electric PowerSystem. 2008,32(11) :61_65.[5]A. F. Imece, D. W. Durbak, H. Elahi, et. al. Modeling guidelines for fast front transients[J]. IEEE Transactions on Power Delivery.1996,11 :493-506.[6]束洪春.電力工程信號處理應(yīng)用[Μ].北京科學(xué)出版社，2009.[7]束洪春，劉娟，王超等.諧振接地電網(wǎng)故障暫態(tài)能量自適應(yīng)選線新方法[J].電 力系統(tǒng)自動化· 2006,30(11) 72-76.
[8]張帆，潘貞存，張慧芬等.基于零序電流暫態(tài)極大值的小電流接地選線新判據(jù) [J].電力系統(tǒng)自動化.2006，30 (4) =45-48.[9]戴劍鋒，張艷霞.基于多頻率分析的自適應(yīng)配電網(wǎng)故障選線研究[J].中國電 機工程學(xué)報· 2003，23 (5) =44-47.[10]占勇，程浩忠，丁屹峰等.基于S變換的電能質(zhì)量擾動支持向量機分類識別 [J].中國電機工程學(xué)報.2005，25 (4) 51-56.[11]束洪春.配電網(wǎng)絡(luò)故障選線[M].北京機械工業(yè)出版社，2008.[12]胡昌華，張軍波，夏軍等.基于MATLAB的系統(tǒng)分析與設(shè)計[M].西安西安電 子科技大學(xué)出版社，1999.[13]吳湘淇.信號、系統(tǒng)與信號處理[M].北京電子工業(yè)出版社.2000.

發(fā)明內(nèi)容
本發(fā)明的目的是克服現(xiàn)有配電網(wǎng)故障選線方法的不足，提出了一種利用S變換能 量樣本屬性的配電網(wǎng)故障的人工神經(jīng)網(wǎng)絡(luò)選線方法。本發(fā)明是按以下方法實現(xiàn)的一、配電網(wǎng)故障暫態(tài)仿真分析隨著城市配電網(wǎng)的改造、建設(shè)，電纜線的使用量大大增加，分布電容增大，導(dǎo)致接 地容性電流大大超過運行規(guī)程規(guī)定，中性點必須經(jīng)消弧線圈接地。由此，建立含有纜_線混 合線路的諧振接地系統(tǒng)模型如圖1所示。諧振接地系統(tǒng)發(fā)生單相接地故障時，接地電流的暫態(tài)量比穩(wěn)態(tài)量大很多倍，故障 電壓和故障電流暫態(tài)過程持續(xù)的時間很短，卻含有豐富的暫態(tài)特征量。流過故障點的暫態(tài) 接地電流是由故障對地電容的放電電流、非故障相對地電容的充電電流和消弧線圈的暫態(tài) 電感電流疊加而成。電容電流具有周期性的衰減振蕩特性，架空線路的自由振蕩頻率一般 為300 1500Hz。電纜線路的電感遠較架空線路小，而對地耦合電容大很多倍，故電容電流 暫態(tài)過程的振蕩頻率很高，持續(xù)時間短，其自由振蕩頻率一般為1500 3000Hz。本發(fā)明采 用14位A/D以IOkHz采樣頻率記錄故障波形。該系統(tǒng)在過補償10%，過渡電阻20Ω，故障 合閘角90°時，故障線路L1和健全線路L2、L3的零序電流如圖2所示。接地電流的暫態(tài)量等于電容電流的暫態(tài)自由分量與電感電流的暫態(tài)直流分量之 和，兩者幅值不僅不能相互抵消，還能疊加，暫態(tài)電流幅值將更大。當(dāng)故障發(fā)生在相電壓接 近于最大值瞬間時，暫態(tài)電容電流比暫態(tài)電感電流大很多，暫態(tài)頻率也很高。所以在故障的 初始，電感電流與電容電流是不能相互補償?shù)模鋾簯B(tài)接地電流的特性主要是由暫態(tài)電容 電流的特性所決定。二、S變換能量樣本屬性的提取BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，輸出 量為0到1之間的連續(xù)量，它可以實現(xiàn)從輸入到輸出的任意非線性映射，其算法的流程如圖 6。本發(fā)明采用S變換能量樣本屬性作為BP神經(jīng)網(wǎng)絡(luò)的輸入樣本，這里先介紹一下配電網(wǎng) S變換能量樣本屬性的提取。1.S變換的基本理論S變換是一種可逆的局部時頻分析方法，其思想是對連續(xù)小波變換和短時傅里葉
4
變換的發(fā)展。信號x(t)的S變換s( τ，f)定義如下S(Jj) = Γ x(i)w(T-/,/)e-jW' At( 1)
J-οο式⑴中具 J^H(2)式(1)和式(2)中，w( τ _t，f)為高斯窗口 ； τ為控制高斯窗口在時間軸t的位 置參數(shù)；f為頻率；j為虛數(shù)單位。對式(1)右邊先作傳統(tǒng)的傅里葉變換，再作傅里葉反變換，最后進行變量代換將S 變換轉(zhuǎn)換成信號x(t)的傅里葉變換X(f)的函數(shù)，即外，/)=Γ x{v + f)亡下 y dv(3)
J-QC式(3)，f興O。這樣，S變換就可以利用FFT實現(xiàn)快速計算。由式(3)可以得到信 號X(k)的S變換的離散表示形式S[m，η]為
=+ e-沾2 '“2 WnηφΟ= —η=0
(4)
(5)
k=0 m^tm
^ A=O
^-βπΙσιΙΝ
(6) 于是對采集到的N個離散信號點X[k](k = 0，l，...，N-l)采用式(4)、(5)進行S 變換，變換結(jié)果為一復(fù)時頻矩陣，記作S矩陣，其行對應(yīng)采樣時間點，列對應(yīng)頻率，相鄰行之 間的頻率差Δ ·為
/—N
7
-
V
L=(8)
式(7)，fs為采樣頻率，N為采樣點數(shù)第η列對應(yīng)的頻率fn為2. S變換能量樣本屬性的提取定義線路的零序能量函數(shù)為Wt{t)= ^{τχχ^ τ —1,2,…,6
(9)
其中WJt)為故障后第i條線路的零序能量函數(shù)，Utl(T)為母線零序電壓，τ)
為第i條線路的零序電流。那么對圖1所示配電網(wǎng)，故障后j個周期的暫態(tài)能量Wi為
4
TW1 = u0(T)i0l(T)dT /=1,2,··-,6
Λ (10)因各線路的電壓均為母線零序電壓，略去電壓對各線路的能量分析不影響，那么 聯(lián)合公式(4)、(5)和公式(10)可得到頻率fm處的暫態(tài)能量Wi m如下
5
利用S變換對圖2所示各線路零序電流故障后i周期的采樣數(shù)據(jù)進行分析，根據(jù)S
4
變換頻率分辨率定義，得到兩相鄰頻率的頻率間隔為 配電網(wǎng)中電纜線路和架空線路差異較大，加上配電網(wǎng)負荷復(fù)雜以及環(huán)境等因素影 響，各條線路的暫態(tài)電流能量集中的頻率存在不一致的現(xiàn)象。理論研究和仿真分析表明，在 某些故障情況下，暫態(tài)電流的能量會集中出現(xiàn)在幾個頻率點處。圖1所示系統(tǒng)線路L4在故障合閘角20°時發(fā)生高阻接地(過渡電阻200Ω)，利
用S變換對各線路故障后i周期的零序電流進行分析，得到各線路在各個頻率點處的能量
4
樣本集如圖3所示。由圖3可見，線路L2、L4、L5、L6能量最集中的頻率為& = OHz,即衰減 直流分量和直流分量，而線路Lp L3能量最集中的頻率分別為3600Hz和3000Hz。同時，故 障線路L4的暫態(tài)能量較其它線路大近100倍。依次求取所有線路在各個頻率點處的能量 和，根據(jù)公式(11)，可得各個頻率點處的能量和Wm為 按照公式(13)對圖3所示各線路在各個頻率點處的能量求和。由圖3可見，盡管各條線路的能量集中的頻率不一致，但是，由于故障線路的能量 起著主導(dǎo)作用，所以各線路在各個頻率點處能量和最大值對應(yīng)的頻率與故障線路能量最集 中的頻率一致，這一頻率處故障能量特征最明顯。由此，定義所有線路暫態(tài)能量和最大值對 應(yīng)的頻率為系統(tǒng)的故障特征頻率fk。利用S變換提取特征頻率，因其提取的故障特征頻率與故障線路特征最明顯的頻 率一致，不會出現(xiàn)故障特征不明顯使得故障特征提取不完整的現(xiàn)象，反而更加有利于凸顯 故障線路特征，從理論層面上降低了對健全線路的誤選。同時，相對于以往利用小波包提取 特征頻帶，S變換提取故障零序電流在各個頻率點處的幅值矩陣和時域信息，能有效濾除各 種廣譜噪聲。圖3所示故障情況的故障特征頻率為0Hz。確定故障特征頻率后，由公式(11)可 得特征頻率處各線路的能量樣本集Wi 為 式中，當(dāng)m = k 時，S[m，n] = S[k, η]。圖3所示故障情況下，各線路在故障特征頻率處的能量分布如圖4所示。由圖4 可見，故障線路的暫態(tài)能量遠遠大于各健全線路。由以上分析可知，S變換具有優(yōu)良的分頻特性，能有效剔除故障信號中的穩(wěn)態(tài)分量 和各種噪聲的干擾，使得其提取出來的線路暫態(tài)能量具備了作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸入樣本的 基本條件，在理論上為新的選線算法做了一次大膽突破。因此，本發(fā)明對圖1所示的配電網(wǎng)電磁暫態(tài)模型進行了單相接地故障仿真。本系
6統(tǒng)有6條出線，故障位置分別在各條線路總長度的20%、40%、60%、80%處；過渡電阻分 別取 20Ω、60Ω、80Ω、100Ω、120Ω、150Ω、200Ω、250Ω ；故障合閘角分別設(shè)為 0°、30°、 45°、60°、90°。設(shè)計20種不同類型的母線故障。由此可得到860組初始訓(xùn)練樣本。對 初始訓(xùn)練樣本進行預(yù)處理，即分別提取各組數(shù)據(jù)中6條線路零序電流的暫態(tài)能量，最終得 到860組訓(xùn)練樣本集。三、故障選線神經(jīng)網(wǎng)絡(luò)的設(shè)計1.輸入層設(shè)計本發(fā)明將S變換能量樣本集作為神經(jīng)網(wǎng)絡(luò)的輸入層信息數(shù)據(jù)。由于故障線路的S 變換能量在各線路中是最大的，通過比較各線路的能量即可實現(xiàn)選線，因此可以把故障時6 條線路的能量樣本集作為輸入層信息。由此可以得到輸入層的節(jié)點數(shù)為6，分別表征6條線 路的能量樣本屬性。2.輸出層設(shè)計輸出量代表系統(tǒng)要實現(xiàn)的目標(biāo)功能，實際上是網(wǎng)絡(luò)訓(xùn)練的期望輸出，分類問題中 的輸出變量多為語言變量。由于配電網(wǎng)選線模型的期望輸出屬于分類問題，輸出變量為語 言變量，分別為“線路1故障”、“線路2故障”、“線路3故障” “線路4故障”、“線路5故障”、 “線路6故障”和“母線故障”七個類別，因此，使用“N中取1”表示法，輸出變量分別表示 為[1,0,0,0,0,0]為線路1發(fā)生單相接地故障；
為線路2發(fā)生單相接地故障；
為線路3發(fā)生單相接地故障；
為線路4發(fā)生單相接地故障；
為線路5發(fā)生單相接地故障；
為線路6發(fā)生單相接地故障；
為母線故障；那么輸出層節(jié)點數(shù)選為6。3.隱含層設(shè)計理論分析已經(jīng)證明，在不限制隱含層節(jié)點的前提條件下，具有單隱含層的BP神經(jīng) 網(wǎng)絡(luò)可以映像所有連續(xù)函數(shù)，因此本發(fā)明設(shè)計的BP網(wǎng)絡(luò)選擇一個隱含層。當(dāng)隱含層個數(shù)確 定以后，還要調(diào)整隱含層節(jié)點數(shù)目Ii1，節(jié)點數(shù)目H1根據(jù)以下確定方法+ 1其中，m為輸出節(jié)點數(shù)，η為輸入節(jié)點數(shù)，α為[1，10]之間的常數(shù)。 鎖定隱含層神經(jīng)元的個數(shù)范圍是[5，14]，根據(jù)樣本數(shù)據(jù)和設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)，運用數(shù)據(jù)挖掘 工具TOKA以及MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進行仿真試驗，最終確定隱含層節(jié)點數(shù)為8個。4.數(shù)據(jù)的輸入和預(yù)處理神經(jīng)元的傳遞函數(shù)反映了神經(jīng)元輸出與其啟動狀態(tài)之間的關(guān)系，本發(fā)明隱含層和 輸出層的傳遞函數(shù)分別為Iogsig函數(shù)，即對數(shù)sigmoid傳遞函數(shù)，以及purelin函數(shù)，即純 線性傳遞函數(shù)。BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的調(diào)節(jié)規(guī)則采用的是誤差反向傳播算法，其具有 收斂速度慢、易陷入局部極小值等缺點。因此，本發(fā)明采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱提供的 trainlm快速學(xué)習(xí)算法，來保證較好的收斂性和穩(wěn)定性。由于神經(jīng)網(wǎng)絡(luò)需要將數(shù)據(jù)劃分為訓(xùn)練樣本和檢驗樣本兩部分，因此，首先輸入已隨機劃分好的660訓(xùn)練樣本的數(shù)據(jù)，即兩個矩陣P和T，P為660X6維訓(xùn)練樣本輸入數(shù)據(jù)矩 陣，T為660X6維訓(xùn)練樣本輸出數(shù)據(jù)矩陣。在數(shù)據(jù)輸入之后，需要對矩陣P進行歸一化的 數(shù)據(jù)預(yù)處理，以方便后續(xù)計算。MATLAB中數(shù)據(jù)預(yù)處理的歸一化命令格式為[pn, ps] = mapminmax (p，0，1)其中，pn為歸一化處理后的輸入樣本數(shù)據(jù)矩陣，其取值范圍是
，ps為歸一化 的規(guī)則。5.故障選線網(wǎng)絡(luò)的生成MATLAB中的BP網(wǎng)絡(luò)生成函數(shù)為newff，其格式為net = newff (minmax(pn), [86]，{' logsig' ' purelin' }，‘ trainlm')minmax (pn)表示輸入矩陣中每維輸入的最小值和最大值之間的范圍；[86]表示 隱含層節(jié)點數(shù)為8，輸出層節(jié)點數(shù)為6; {' Iogsig' ‘ purelin' }表示隱含層的傳遞函數(shù) 為logsig，輸出層的傳遞函數(shù)為purelin ； ‘ trainlm'表示訓(xùn)練函數(shù)為trainlm。四、故障選線神經(jīng)網(wǎng)絡(luò)的訓(xùn)練在神經(jīng)網(wǎng)絡(luò)建立起來以后，在利用該網(wǎng)絡(luò)進行學(xué)習(xí)之前，需要對一些參數(shù)進行定 義，并對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行隨機初始化，以期尋找最優(yōu)隨機權(quán)值和閾值矩陣。BP神 經(jīng)網(wǎng)絡(luò)參數(shù)的設(shè)置如下net.trainParam. epochs = 50000BP神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)為50000次；net. trainParam. goal = Ie-5BP神經(jīng)網(wǎng)絡(luò)誤差性能目標(biāo)為le_5 ；net. trainParam. show = 50BP神經(jīng)網(wǎng)絡(luò)兩次顯示之間的訓(xùn)練次數(shù)為50。參數(shù)設(shè)置之后，將選取的660個輸入變量樣本帶入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。MATLAB中 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練命令為train函數(shù)，命令格式如下net = train (net, pn, tn)五、故障選線結(jié)果輸出對200個檢驗樣本進行歸一化處理，MATLAB中BP神經(jīng)網(wǎng)絡(luò)的歸一化命令格式如 下ppn = mapminmaxapply' ，pp，ps)‘ apply'表示檢驗樣本的歸一化方法與輸入樣本的方法相同。將歸一化之后的檢驗樣本，輸入利用trainlm快速學(xué)習(xí)方法構(gòu)建的神經(jīng)網(wǎng)絡(luò)進行 仿真。MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中仿真函數(shù)為Sim，命令格式如下y = sim(net, ppn)最后對輸出結(jié)果反歸一化，MATLAB中BP神經(jīng)網(wǎng)絡(luò)的反歸一化命令格式如下out = mapminmax (‘ reverse‘ ，y, ts)本系統(tǒng)中，輸出向量為一個1X6的矩陣，矩陣中含有6個0 1之間的分量，由于 系統(tǒng)采用的激活函數(shù)Sigmoid函數(shù)的輸出永遠不可能等于0或者1，同時為了提高系統(tǒng)識別 率，規(guī)定當(dāng)輸出值小于等于0. 2時系統(tǒng)默認該分量值趨近于0，同理當(dāng)輸出值大于等于0. 8
8時系統(tǒng)默認分量值趨近于1。當(dāng)某分量的值趨近于1時，可判斷該分量所對應(yīng)的線路為故障 線路，如果當(dāng)6個分量都趨近于0時，可判斷為母線故障。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點1)、禾Ij用S變換優(yōu)良的分頻功能，剔除了穩(wěn)態(tài)量及其高頻信號對選線結(jié)果的影響；2)、能量樣本屬性提取的是暫態(tài)特征最明顯的頻率點處的能量，最能表征該線路 特點；3)、由此搭建利用S變換能量樣本屬性的配電網(wǎng)故障的人工神經(jīng)網(wǎng)絡(luò)選線系統(tǒng)其 內(nèi)部結(jié)構(gòu)簡單明了，即內(nèi)部運行規(guī)則就是通過正向、逆向傳播，比較故障時各線路的暫態(tài)能 量，通過比較暫態(tài)能量的大小即可判斷出故障線路與非故障線路暫態(tài)能量最大的為故障 線路，其余的為健全線路；4)、經(jīng)過神經(jīng)網(wǎng)絡(luò)訓(xùn)練更精確的調(diào)整了判據(jù)權(quán)值，提高了選線的裕度；5)、采用故障后I周期的能量樣本集，避開了 CT飽和引起的間斷角。
4綜上，本發(fā)明是一種利用S變換提取能量樣本屬性作為神經(jīng)網(wǎng)絡(luò)特征量進行神經(jīng) 網(wǎng)絡(luò)訓(xùn)練，最終實現(xiàn)故障選線的自適應(yīng)選線方法。


圖1為配電網(wǎng)仿真模型。圖中Ic^itl2,…，ic 分別為線路L1, L2,…，L6的零序電 流；τ為變壓器；TZ為Z型變壓器；K、L、R組成消弧線圈。圖2為各線路零序電流。圖中i/A為電流/安；t/s為時間/秒；(a)為Ll零序電 流；(b)為L2零序電流；(c)為L3零序電流。圖3為線路在各個頻率點處的暫態(tài)能量分布。圖中W為能量；m為頻率點；(a)為 健全線路L1的暫態(tài)能量分布；(b)為健全線路L2的暫態(tài)能量分布；(c)健全線路L3的暫態(tài) 能量分布；(d)故障線路L4的暫態(tài)能量分布；(e)為健全線路L5的暫態(tài)能量分布；(f)健全 線路L6的暫態(tài)能量分布。圖4各線路在特征頻率的暫態(tài)能量分布。圖中W為能量；Li為線路類別；(a)L1故 障時的暫態(tài)能量分布；(b)L2故障時的暫態(tài)能量分布。圖5BP神經(jīng)網(wǎng)絡(luò)算法流程圖。圖6神經(jīng)網(wǎng)絡(luò)選線流程圖。圖中UtlU)為母線零序電壓瞬時值，Un表示母線額定 電壓。
具體實施例方式配電網(wǎng)發(fā)生單相接地故障時，利用上述原理可以準確、快速的選出故障線路，具體 實現(xiàn)流程如圖6所示。本發(fā)明的具體實現(xiàn)步驟如下仿真模型如圖1所示，線路L4發(fā)生A相接地故障，故障過渡電阻為200 Ω，故障合 閘角為20°。(1)線路L4S生故障，保護安裝處檢測到母線零序電壓瞬時值U(l(t)，且U(l(t)大 于KuUn，故障選線裝置立即啟動，記錄下故障前后1個周波的各饋線零序電流，其中Ku—般取值為0. 15，Un表示母線額定電壓。(2)利用S變換對各線路故障后+周期的零序電流進行分析，得到各線路在各個頻
率點處的能量樣本集如圖3所示。由圖3可見，線路L2、L4、L5、L6能量最集中的頻率為& = 0Hz，即衰減直流分量和直流分量，而線路‘“能量最集中的頻率分別為3600Hz和3000Hz。 同時，故障線路L4的暫態(tài)能量較其它線路大近100倍。(3)圖3所示故障情況的故障特征頻率為0Hz。確定故障特征頻率后，由公式
可得特征頻率處各線路的能量樣本集。 (4)對各線路的能量樣本集進行歸一化處理，將處理后的數(shù)據(jù)放入訓(xùn)練好的故障 選線網(wǎng)絡(luò)中計算就可以得到估計輸出；(5)對輸出進行反歸一化處理，得到選線結(jié)果為
即為線路L4發(fā)生故障，選線結(jié)果正確。本發(fā)明在研究中，對不同故障情況下的單相接地故障進行選線，仿真結(jié)果如下表 所示。
10
權(quán)利要求
一種利用S變換能量樣本屬性的配電網(wǎng)故障的人工神經(jīng)網(wǎng)絡(luò)選線方法，其特征在于按以下步驟進行1)當(dāng)母線零序電壓瞬時值un(t)大于KuUn，故障選線裝置立即啟動，記錄下故障前后1個周波的各饋線零序電流，其中Ku取值為0.15，Un表示母線額定電壓；2)對線路i零序電流故障后周期的采樣數(shù)據(jù)進行S變換，得到復(fù)矩陣Si[m，n] <mrow><msub> <mi>S</mi> <mi>i</mi></msub><mo>[</mo><mi>m</mi><mo>,</mo><mi>n</mi><mo>]</mo><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>k</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msub> <mi>X</mi> <mi>i</mi></msub><mo>[</mo><mi>n</mi><mo>+</mo><mi>k</mi><mo>]</mo><msup> <mi>e</mi> <mrow><mo>-</mo><mn>2</mn><msup> <mi>&pi;</mi> <mn>2</mn></msup><msup> <mi>k</mi> <mn>2</mn></msup><mo>/</mo><msup> <mi>n</mi> <mn>2</mn></msup> </mrow></msup><msup> <mi>e</mi> <mrow><mi>j</mi><mn>2</mn><mi>&pi;km</mi><mo>/</mo><mi>N</mi> </mrow></msup><mo>,</mo><mi>n</mi><mo>&NotEqual;</mo><mn>0</mn> </mrow> <mrow><msub> <mi>S</mi> <mi>i</mi></msub><mo>[</mo><mi>m</mi><mo>,</mo><mi>n</mi><mo>]</mo><mo>=</mo><mfrac> <mn>1</mn> <mi>N</mi></mfrac><munderover> <mi>&Sigma;</mi> <mrow><mi>k</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msub> <mi>x</mi> <mi>i</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><mo>,</mo><mi>n</mi><mo>=</mo><mn>0</mn> </mrow>上式中 <mrow><msub> <mi>X</mi> <mi>i</mi></msub><mo>[</mo><mi>n</mi><mo>]</mo><mo>=</mo><mfrac> <mn>1</mn> <mi>N</mi></mfrac><munderover> <mi>&Sigma;</mi> <mrow><mi>k</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msub> <mi>x</mi> <mi>i</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><msup> <mi>e</mi> <mrow><mo>-</mo><mi>j</mi><mn>2</mn><mi>&pi;kn</mi><mo>/</mo><mi>N</mi> </mrow></msup> </mrow>線路i零序電流用xi[k]表示，k＝0，1，…，N 1，N為采樣點數(shù)，i＝0，1，…，K，K為配電網(wǎng)線路總數(shù)；3)由下式可得特征頻率處各線路的S變換能量樣本屬性Wi te <mrow><msub> <mi>W</mi> <mrow><mi>i</mi><mo>_</mo><mi>te</mi> </mrow></msub><mo>=</mo><munder> <mi>&Sigma;</mi> <mi>n</mi></munder><msup> <mrow><mo>[</mo><mi>S</mi><mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo></mrow><mo>]</mo> </mrow> <mn>2</mn></msup><mo>,</mo><mi>i</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mn>6</mn> </mrow>式中，當(dāng)m＝k時，S[m，n]＝S[k，n]；4)設(shè)計BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)為三層結(jié)構(gòu)，網(wǎng)絡(luò)拓撲結(jié)構(gòu)為6×8×6，第一層為輸入層，將通過S變換提取的線路能量作為樣本屬性，節(jié)點數(shù)為6；第二層為隱含層，節(jié)點數(shù)為8，采用logsig函數(shù)即對數(shù)sigmoid傳遞函數(shù)；第三層為輸出層，節(jié)點數(shù)為6，采用purelin函數(shù)即純線性傳遞函數(shù)；利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，創(chuàng)建滿足上述條件的BP神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)規(guī)則選用trainlm快速學(xué)習(xí)算法，最大訓(xùn)練次數(shù)50000次，誤差性能目標(biāo)為1e 5，兩次顯示之間的訓(xùn)練次數(shù)為50；5)利用1)、2)、3)的方法仿真得到線路的暫態(tài)能量作為樣本集，經(jīng)歸一化處理后輸入到4)的BP神經(jīng)網(wǎng)絡(luò)中訓(xùn)練得到符合要求的故障選線網(wǎng)絡(luò)；6)將待選配電網(wǎng)的暫態(tài)能量樣本屬性輸入神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果進行反歸一化處理后便可得到故障線路，本故障選線網(wǎng)絡(luò)中，輸出向量為一個1×6的矩陣，矩陣中含有6個0～1之間的分量，當(dāng)某分量的值趨近于1時，可判斷該分量所對應(yīng)的線路為故障線路，當(dāng)6個分量都趨近于0時，可判斷為母線故障。FSA00000086643400011.tif
全文摘要
本發(fā)明為一種利用S變換能量樣本屬性的配電網(wǎng)故障的人工神經(jīng)網(wǎng)絡(luò)選線方法。本發(fā)明為當(dāng)母線零序電壓瞬時值越限時，故障選線裝置立即啟動并錄波，獲取各線路暫態(tài)零序電流；利用S變換快速提取故障零序電流在各種頻率點處的幅值矩陣和時域信息，根據(jù)能量和最大的原則確定特征頻率，將各線路特征頻率的暫態(tài)能量作為訓(xùn)練樣本集，確定輸入層、輸出層以及隱含層的節(jié)點數(shù)，選擇傳遞函數(shù)和學(xué)習(xí)規(guī)則，并設(shè)置合適的神經(jīng)網(wǎng)絡(luò)參數(shù)，訓(xùn)練得到故障選線網(wǎng)絡(luò)，自適應(yīng)地選出故障線路。原理分析和仿真表明，本發(fā)明選線準確、可靠。
文檔編號G05B13/02GK101924354SQ201010149558
公開日2010年12月22日 申請日期2010年4月19日 優(yōu)先權(quán)日2010年4月19日
發(fā)明者彭仕欣, 束洪春, 王旭 申請人:昆明理工大學(xué)