CN103163430A - 一种利用复小波和ann结合的谐振接地***故障选线方法 - Google Patents

一种利用复小波和ann结合的谐振接地***故障选线方法 Download PDF

Info

Publication number
CN103163430A
CN103163430A CN2013101071086A CN201310107108A CN103163430A CN 103163430 A CN103163430 A CN 103163430A CN 2013101071086 A CN2013101071086 A CN 2013101071086A CN 201310107108 A CN201310107108 A CN 201310107108A CN 103163430 A CN103163430 A CN 103163430A
Authority
CN
China
Prior art keywords
feeder line
fault
neural network
line selection
energy
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
Application number
CN2013101071086A
Other languages
English (en)
Inventor
束洪春
高利
段锐敏
朱梦梦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN2013101071086A priority Critical patent/CN103163430A/zh
Publication of CN103163430A publication Critical patent/CN103163430A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Locating Faults (AREA)

Abstract

本发明是一种利用复小波和ANN结合的谐振接地***故障选线方法。属电力***继电保护技术领域。本发明为：当母线零序电压瞬时值越限时，故障选线装置立即启动并录波，获取各条馈线零序暂态电流；利用复小波对各馈线故障后5ms时窗零序暂态电流进行变换分解，并进行频带划分，根据能量和最大原则选取所有馈线能量和最大的频带为特征频带，选取特征频带内各馈线的能量和特征频带中心频率对应的相位作为训练样本集，确定输入层、输出层和隐含层的节点数，选择传递函数和学习规则，并设置合适的神经网络参数，训练得到故障选线网络，自适应地选出故障线路，大量仿真表明本发明选线准确可靠。

Description

一种利用复小波和ANN结合的谐振接地***故障选线方法
技术领域
本发明涉及电力***继电保护技术领域，具体地说是一种利用复小波和ANN结合的谐振接地***故障选线新方法。
背景技术
配电网覆盖面广，且直接面对用户为其提供用电服务。根据统计单相接地故障约占配电网故障的80%。配电网谐振接地***即为中性点经消弧线圈接地***，属小电流接地***。小电流接地***单相接地故障会影响非故障相对地电压致其升高，电压升高会对电网设备的绝缘产生破坏；特别是间歇性电弧接地，会引起弧光过电压，该电压通过破坏***绝缘进而发展成相间或多点接地短路，引起***过电压，从而损坏设备，破坏***安全运行，因此必须准确、快速找到故障线路并及时对故障进行排除。中性点经消弧线圈接地***发生单相接地故障时，若应用工频稳态量群体比幅比相法进行选线，由于受消弧线圈补偿作用的影响，接地电流微弱，可能会导致选线错误。而故障后故障暂态电流幅值远大于稳态电流，且不受消弧线圈影响，因此利用暂态量的选线方法比利用稳态量的选线方法更具优势。但无论是利用稳态量还是暂态量选线，都存在有些故障特征比较明显，而有些故障特征则比较模糊，干扰因素对某些故障特征影响较大，对某些故障特征影响较小等问题，因此利用单一的选线判据也会出现误选情况。
复小波为一系列母小波为复数的基函数，其小波变换参数也为复数，由此可同时得到信号幅值信息和相位信息。常用的复小波系列有复高斯、复 Shannon、复Morlet和复频率B样条小波。复高斯小波具有非正交、非双正交、非紧支和不可完全重构的性质。复小波最大的优势在于它能提取信号的相位信息。
ANN人工神经网络是一种自适应非线性动态***，他由大量简单的神经元相互连接而成。人工神经网络的主要特征是：大规模的信息并行处理能力和分布式的信息存储功能，极强的自学、联想、容错能力和良好的自适应性、自组织性，是多输入和多输出的非线性***。
发明内容
本发明的目的是提出一种利用复小波和ANN结合的谐振接地***故障选线方法，克服现有谐振接地***故障选线方法的不足。
本发明利用复小波和ANN结合的谐振接地***故障选线方法，按如下步骤进行：
（1）当母线零序电压瞬时值越限时，即                                                >
Figure 341900DEST_PATH_IMAGE002
时，故障选线装置立即启动并录波，获取各条馈线零序暂态电流，记录下故障后5ms时窗所有馈线零序暂态电流；其中，为母线额定电压，
Figure 660065DEST_PATH_IMAGE004
=0.15；
（2）对各零序暂态电流进行20阶复高斯小波变换，分解层数为256层；选取分解尺度为4-203层的分解结果，按照20个尺度一个频带进行划分，得到各馈线10个频带的能量；根据能量和最大原则，选取10个频带中所有馈线能量和最大的频带作为特征频带；求取特征频带内各馈线的能量
Figure 18366DEST_PATH_IMAGE005
，提取各馈线特征频带中心频率对应的相位；
（3）设计BP神经网络，BP神经网络分为三层，拓扑结构为×
Figure 542068DEST_PATH_IMAGE006
×
Figure 467299DEST_PATH_IMAGE007
；其中，第一层为输入层含
Figure 127825DEST_PATH_IMAGE006
个节点，将通过复小波变换求得的各馈线的能量
Figure 189322DEST_PATH_IMAGE005
和各馈线特征频带中心频率对应的相位
Figure 411356DEST_PATH_IMAGE008
作为样本属性；第二层为隐含层含
Figure 823882DEST_PATH_IMAGE006
个节点，采用logsig函数即对数sigmoid传递函数；第三层为输出层含
Figure 789564DEST_PATH_IMAGE007
个节点，采用purelin函数即纯线性传递函数；m为谐振接地***馈线数量，；
（4）进行ANN(Artificial Neural Network)训练，模拟仿真如下故障特征：在每条馈线的1/3l、1/2l、2/3l处和母线处分别选取故障点，故障过渡电阻分别选取为电弧炉负荷和恒定过渡电阻20Ω、100Ω、500Ω，故障初始相角分别取0°、30°、60°、90°，负荷分别选取为恒定功率负荷和电弧炉负荷；按步骤（1）、（2）所述方法，分别提取故障暂态量
Figure 98503DEST_PATH_IMAGE005
和
Figure 434544DEST_PATH_IMAGE008
作为样本集，经归一化处理后输入BP神经网络中进行训练，得到符合要求的故障选线网络，误差性能目标为1
Figure 655DEST_PATH_IMAGE010
；
（5）将待选配电网的故障暂态量和样本属性输入神经网络，对神经网络的输出结果进行反归一化处理，得到1×
Figure 925382DEST_PATH_IMAGE007
的故障选线网络输出矩阵
Figure 295184DEST_PATH_IMAGE013
[
Figure 123463DEST_PATH_IMAGE014
，，
Figure 965571DEST_PATH_IMAGE016
，…，
Figure 76747DEST_PATH_IMAGE017
，
Figure 87428DEST_PATH_IMAGE018
]；其中，
Figure 993067DEST_PATH_IMAGE019
为谐振接地***馈线数量；
（6）根据故障选线网络输出矩阵Y进行故障选线：当
Figure 89199DEST_PATH_IMAGE020
≈1，其它值约等于0时，判定第
Figure 2013101071086100002DEST_PATH_IMAGE021
条馈线发生故障，
Figure 738487DEST_PATH_IMAGE021
为馈线编号；当
Figure 39893DEST_PATH_IMAGE018
≈1，其它值约等于0时，判定母线发生故障；
Figure 116433DEST_PATH_IMAGE019
为谐振接地***馈线数量。
本发明的原理是：
一、特征量的提取
1、当配电网母线零序电压瞬时值越限时，即
Figure 637544DEST_PATH_IMAGE001
>
Figure 824943DEST_PATH_IMAGE002
时，故障选线装置立即启动并录波，获取各条馈线零序暂态电流，记录下故障后5ms时窗所有馈线零序暂态电流；其中，
Figure 810217DEST_PATH_IMAGE003
为母线额定电压，
Figure 556193DEST_PATH_IMAGE004
=0.15；
2、暂态特征量的选定：由于各馈线的暂态分量在特征频带内的幅值（或能量）分布和相位分布都与故障馈线的暂态分量的分布特征存在着映射关系，为了减少干扰信号的影响，依据能量和最大原则选取所有馈线能量和最大的频带为特征频带；为了增强选线的可靠性，同时选取特征频带内各馈线的能量和特征频带中心频率对应的相位作为选线的特征量。
3、复小波变换：复小波最大的优势在于它能同时提取信号的幅值信息和相位信息，这是因为复小波为一系列母小波为复数的基函数，其小波变换参数也为复数，由此可同时得到信号幅值信息和相位信息。常用的复小波系列有复高斯、复 Shannon、复Morlet和复频率B样条小波。
连续复小波的变换为：
                       （1）
Figure 618007DEST_PATH_IMAGE023
                      （2）
式中，S为小波变换的尺度伸缩参数，u为时间偏移参数，t为时间，C为常数。
复小波变换的简单信息分别包括实部（RWT）、虚部（IWT）、幅值（MWT）和相位（PHWT），幅值和相位定义为：
Figure 457787DEST_PATH_IMAGE024
                     （3）
Figure 876130DEST_PATH_IMAGE025
                       （4）
连续小波分解层数与频率的对应关系：
Figure 106255DEST_PATH_IMAGE026
                                （5）
其中，a是分解层数，△是采样间隔；F c为小波中心频率，单位Hz；F a与分解层数对应的伪频率，单位Hz。此处采用20阶复高斯小波。
4、特征量计算：针对图1所示的模型，对故障后5ms时窗所有馈线零序暂态电流进行20阶复高斯小波变换，分解层数为256层，选取分解尺度为4-203层的分解结果，按照20个尺度一个频带进行划分，得到各馈线10个频带的能量。
根据能量和最大原则，选取10个频带中所有馈线能量和最大的频带作为特征频带。求取特征频带内各馈线的能量
Figure 963352DEST_PATH_IMAGE005
，提取各馈线特征频带中心频率对应的相位
Figure 93857DEST_PATH_IMAGE008
，其中
Figure 745418DEST_PATH_IMAGE027
为谐振接地***馈线数量。
二、选线功能的实现
1、神经网络：神经网络是由大量简单的神经元相互连接而成的自适应非线性动态***。人工神经网络的主要特征是：大规模的并行处理和分布式的信息存储；极强的自学、联想和容错能力；良好的自适应和自组织性；多输入、多输出的非线性***。
2、BP神经网络的设计：针对图1所示的***和选定的特征量设计BP神经网络，共分为三层，拓扑结构为
Figure 728418DEST_PATH_IMAGE006
×
Figure 123627DEST_PATH_IMAGE006
×
Figure 610103DEST_PATH_IMAGE007
，其中第一层为输入层含个节点，将通过复小波变换求得的各馈线的能量
Figure 902861DEST_PATH_IMAGE005
和特征频带中心频率对应的相位
Figure 537980DEST_PATH_IMAGE008
作为样本属性。第二层为隐含层含
Figure 941279DEST_PATH_IMAGE006
个节点，采用logsig函数即对数sigmoid传递函数；第三层为输出层含7个节点，采用purelin函数即纯线性传递函数。
3、ANN(Artificial Neural Network)训练：设定如下故障特征：在每条馈线的1/3l、1/2l、2/3l处和母线处分别选取故障点；故障过渡电阻分别选取为电弧炉负荷和恒定过渡电阻（20Ω，100Ω，500Ω）；故障初始相角分别取0°，30°，60°，90°；负荷分别选取为恒定功率负荷和电弧炉负荷，按A、B方法分别提取故障暂态量
Figure 137905DEST_PATH_IMAGE011
和
Figure 892235DEST_PATH_IMAGE012
作为样本集，经归一化处理后输入BP神经网络中进行训练，得到符合要求的故障选线网络，误差性能目标为1
Figure 566930DEST_PATH_IMAGE010
。
4、选线判据：将待选配电网的故障暂态量
Figure 90315DEST_PATH_IMAGE005
和样本属性输入神经网络，神经网络的输出结果经反归一化处理后得到故障线路。
本故障选线网络的输出量为1×
Figure 433888DEST_PATH_IMAGE007
的矩阵：
Figure 410810DEST_PATH_IMAGE013
[
Figure 991964DEST_PATH_IMAGE014
，
Figure 327130DEST_PATH_IMAGE015
，
Figure 993735DEST_PATH_IMAGE016
，…，
Figure 72549DEST_PATH_IMAGE017
，
Figure 508210DEST_PATH_IMAGE018
]；当
Figure 14277DEST_PATH_IMAGE020
≈1，其它值约等于0时，判定第
Figure 627834DEST_PATH_IMAGE021
条馈线发生故障，
Figure 448022DEST_PATH_IMAGE021
为馈线编号。当
Figure 800506DEST_PATH_IMAGE018
≈1，其它值约等于0时，判定母线发生故障。
本发明与现有技术相比具有如下优点：
1、本方法克服了使用单一选线判据造成选线错误的问题；
2、该方法使用的复小波变换能一次性提取零序电流的幅值和相位，简化了计算过程；
3、该方法将特征频带内的特征量作为选线判据，减少了干扰信号的影响；将馈线暂态能量和特征频带中心频率对应的相位同时作为ANN训练样本集增加了选线的可靠性。
4、该方法ANN（人工神经网络）训练时综合考虑了故障角、过渡电阻和负载特性等影响，因此选线效果不受上述因素影响，准确可靠，属智能选线方法。
随着配电网的改造升级，电缆得到大量使用，致使配网分布电容增大，导致接地容性电流超过运行规程的规定，要求中性点必须经消弧线圈接地。本发明适用于由线-缆混合线路组成的谐振接地***。
附图说明
图1为本发明谐振接地***单相接地故障仿真模型；
图2为本发明实施例1所有馈线各个频带下的能量；
图3为本发明实施例1征频带内各馈线的能量；
图4为本发明实施例1各馈线特征频带中心频率对应相位；
图5为本发明实施例1神经网络结构。
具体实施方式
以下结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1所示110kV/35kV谐振接地***单相接地故障仿真模型，它有6条馈线，Z字型变压器中性点通过消弧线圈串联电阻接地。架空馈线
Figure 680738DEST_PATH_IMAGE028
=15km、
Figure 554890DEST_PATH_IMAGE029
=18km、=30km，线–缆混合馈线
Figure 323443DEST_PATH_IMAGE031
=17km，其架空馈线12km、电缆5km，电缆馈线
Figure 171314DEST_PATH_IMAGE032
=6km、
Figure 34227DEST_PATH_IMAGE033
=8km。其中，架空馈线为JS1杆型，LGJ－70型导线，档距80m，电缆馈线为YJV23-35/95型电缆。该电网中的G为无限大电源；T为主变压器，变比为110 kV /35kV，联结组别为
Figure 694754DEST_PATH_IMAGE034
/d11；是Z字形变压器；L为消弧线圈；R为消弧线圈的阻尼电阻。馈线采用架空线路、架空线—电缆混合线路和电缆线路三种线路。
假设馈线
Figure 243864DEST_PATH_IMAGE028
距离母线5km处发生单相接地故障，故障时刻为0.023ms，过渡电阻为20Ω，采样频率为10kHz。按照前述方法，选取故障后5ms时窗各馈线的零序电流数据进行复小波变换，求得所有馈线各个频带下的能量和如图2所示。对应频带为2.75~0.478kHz，对应频带为0.458~0.256kHz，其他频带可依次类推。由图2知频带
Figure 475759DEST_PATH_IMAGE037
对应能量和最大，根据能量和最大原则选定该频带为该故障条件下的特征频带。计算特征频带
Figure 931011DEST_PATH_IMAGE037
内各馈线的能量
Figure 267052DEST_PATH_IMAGE011
及各馈线特征频带中心频率对应相位
Figure 770846DEST_PATH_IMAGE012
，如图3、图4所示。故障馈线和健全馈线在特征频带
Figure 806935DEST_PATH_IMAGE037
下的能量和特征频带中心频率对应的相位存在明显的差异。以上通过特例说明了运用复小波变换提取特征频带下各馈线的能量和特征频带中心频率对应的相位作为特征量进行选线准确有效。
将向量P=[
Figure 370772DEST_PATH_IMAGE038
，
Figure 757891DEST_PATH_IMAGE039
，，
Figure 392189DEST_PATH_IMAGE041
，，
Figure 673446DEST_PATH_IMAGE043
，
Figure 784621DEST_PATH_IMAGE044
，，
Figure 199477DEST_PATH_IMAGE046
，，，
Figure 747767DEST_PATH_IMAGE049
]样本属性作为输入层构建BP神经网络，含12个节点；网络的隐含层采用logsig函数即对数sigmoid传递函数，含12个节点；输出层采用purelin函数即纯线性传递函数，含7个节点。神经网络结构图如图5所示。设定如下多种故障特征：在每条馈线的1/3l、1/2l、2/3l处和母线处分别选取故障点；故障过渡电阻分别选取为电弧炉负荷和恒定过渡电阻（20Ω，100Ω，500Ω）；故障初始相角分别取0°，30°，60°，90°；负荷分别选取为恒定功率负荷和电弧炉负荷，并分别提取故障暂态量
Figure 886624DEST_PATH_IMAGE011
和
Figure 407735DEST_PATH_IMAGE012
作为样本集，经归一化处理后输入BP神经网络中进行训练，得到符合要求的故障选线神经网络，误差性能目标设为1
Figure 657451DEST_PATH_IMAGE010
，神经网络输出向量为
Figure 78943DEST_PATH_IMAGE013
[
Figure 388702DEST_PATH_IMAGE014
，
Figure 397109DEST_PATH_IMAGE015
，
Figure 388199DEST_PATH_IMAGE016
，…，
Figure 227979DEST_PATH_IMAGE050
]。神经网络的输出结果经反归一化处理后得到故障线路。选线判据为，当
Figure 646322DEST_PATH_IMAGE020
≈1，其它值约等于0时，判定第条馈线发生故障，
Figure 232079DEST_PATH_IMAGE021
为馈线编号。当
Figure 926365DEST_PATH_IMAGE050
≈1，其它值约等于0时，判定母线发生故障。
现假设馈线
Figure 515609DEST_PATH_IMAGE028
发生单相接地故障，且故障距离母线距离分别为2km、6 km、14 km，对应的过渡电阻和故障初始相角分别为150Ω、500Ω、100Ω和0°、15°、55°。对各故障条件下的零序暂态电流进行20阶复高斯小波变换，分解层数为256层；选取分解尺度为4-203层的分解结果，按照20个尺度一个频带进行划分，得到各馈线10个频带的能量；根据能量和最大原则，选取10个频带中所有馈线能量和最大的频带作为特征频带；求取特征频带内各馈线的能量
Figure 560926DEST_PATH_IMAGE005
，提取各馈线特征频带中心频率对应的相位
Figure 893818DEST_PATH_IMAGE008
。将求得的故障暂态量
Figure 442611DEST_PATH_IMAGE011
和
Figure 468336DEST_PATH_IMAGE012
样本属性输入上述训练得到的故障选线神经网络中，求得的神经网络输出向量[
Figure 104908DEST_PATH_IMAGE014
，
Figure 711470DEST_PATH_IMAGE015
，
Figure 970413DEST_PATH_IMAGE016
，…，
Figure 396847DEST_PATH_IMAGE050
]的结果如表1所示。由表1可知
Figure 399438DEST_PATH_IMAGE014
≈1，其它值约等于0，由此判断馈线
Figure 860506DEST_PATH_IMAGE028
发生故障，判断结果与假设一致，选线正确。
表1 馈线
Figure 24771DEST_PATH_IMAGE028
发生故障时的选线结果
实施例2： 对于如图1所示的谐振接地***，假设馈线发生单相接地故障，且故障距离母线距离分别为2km、5 km、9.5km，对应的过渡电阻和故障初始相角分别为50Ω、250Ω、300Ω和25°、40°、75°。对各故障条件下的零序暂态电流进行20阶复高斯小波变换，分解层数为256层；选取分解尺度为4-203层的分解结果，按照20个尺度一个频带进行划分，得到各馈线10个频带的能量；根据能量和最大原则，选取10个频带中所有馈线能量和最大的频带作为特征频带；求取特征频带内各馈线的能量
Figure 558892DEST_PATH_IMAGE005
，提取各馈线特征频带中心频率对应的相位
Figure 97321DEST_PATH_IMAGE008
。将求得的故障暂态量
Figure 560664DEST_PATH_IMAGE011
和
Figure 842740DEST_PATH_IMAGE012
样本属性输入实施例1训练得到的故障选线神经网络中，求得的神经网络输出向量
Figure 340718DEST_PATH_IMAGE013
[
Figure 283004DEST_PATH_IMAGE014
，
Figure 499221DEST_PATH_IMAGE015
，
Figure 319410DEST_PATH_IMAGE016
，…，
Figure 671894DEST_PATH_IMAGE050
]的结果如表2所示。由表2可知
Figure 286546DEST_PATH_IMAGE052
≈1，其它值约等于0，由此判断馈线
Figure 662164DEST_PATH_IMAGE031
发生故障，判断结果与假设一致，选线正确。
表2 馈线
Figure 348360DEST_PATH_IMAGE031
发生故障时的选线结果
Figure 991569DEST_PATH_IMAGE053
实施例3：对于如图1所示的谐振接地***，假设母线发生单相接地故障，且故障的过渡电阻和对应的故障初始相角分别为100Ω、200Ω、500Ω和15°、35°、75°。对各故障条件下的零序暂态电流进行20阶复高斯小波变换，分解层数为256层；选取分解尺度为4-203层的分解结果，按照20个尺度一个频带进行划分，得到各馈线10个频带的能量；根据能量和最大原则，选取10个频带中所有馈线能量和最大的频带作为特征频带；求取特征频带内各馈线的能量
Figure 105018DEST_PATH_IMAGE005
，提取各馈线特征频带中心频率对应的相位
Figure 967932DEST_PATH_IMAGE008
。将求得的故障暂态量
Figure 129923DEST_PATH_IMAGE011
和
Figure 456999DEST_PATH_IMAGE012
样本属性输入实施例1训练得到的故障选线神经网络，求得的神经网络输出向量
Figure 679033DEST_PATH_IMAGE013
[
Figure 262199DEST_PATH_IMAGE014
，
Figure 290198DEST_PATH_IMAGE015
，
Figure 409463DEST_PATH_IMAGE016
，…，
Figure 864715DEST_PATH_IMAGE050
]的结果如表3所示。由表3可知
Figure 702221DEST_PATH_IMAGE050
≈1，其它值约等于0，由此判断母线发生故障，判断结果与假设一致，选线正确。
表3 母线发生故障时的选线结果
Figure 268332DEST_PATH_IMAGE054
上面结合附图对本发明的实施方式进行了说明，但本发明并不限于上述实施方式，在本领域技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (1)

1.一种利用复小波和ANN结合的谐振接地***故障选线方法，其特征在于按下列过程实现：
（1）当母线零序电压瞬时值越限时，即                                                
Figure 141376DEST_PATH_IMAGE001
>
Figure 798753DEST_PATH_IMAGE002
时，故障选线装置立即启动并录波，获取各条馈线零序暂态电流，记录下故障后5ms时窗所有馈线零序暂态电流；其中，
Figure 108512DEST_PATH_IMAGE003
为母线额定电压，
Figure 615454DEST_PATH_IMAGE004
=0.15；
（2）对各零序暂态电流进行20阶复高斯小波变换，分解层数为256层；选取分解尺度为4-203层的分解结果，按照20个尺度一个频带进行划分，得到各馈线10个频带的能量；根据能量和最大原则，选取10个频带中所有馈线能量和最大的频带作为特征频带；求取特征频带内各馈线的能量
Figure 606544DEST_PATH_IMAGE005
，提取各馈线特征频带中心频率对应的相位；
（3）设计BP神经网络，BP神经网络分为三层，拓扑结构为
Figure 864667DEST_PATH_IMAGE007
×
Figure 360371DEST_PATH_IMAGE007
×
Figure 951889DEST_PATH_IMAGE008
；其中，第一层为输入层含
Figure 82394DEST_PATH_IMAGE007
个节点，将通过复小波变换求得的各馈线的能量
Figure 999534DEST_PATH_IMAGE005
和各馈线特征频带中心频率对应的相位作为样本属性；第二层为隐含层含个节点，采用logsig函数即对数sigmoid传递函数；第三层为输出层含
Figure 864219DEST_PATH_IMAGE008
个节点，采用purelin函数即纯线性传递函数；m为谐振接地***馈线数量，
Figure 624365DEST_PATH_IMAGE009
；
（4）进行ANN训练，模拟仿真如下故障特征：在每条馈线的1/3l、1/2l、2/3l处和母线处分别选取故障点，故障过渡电阻分别选取为电弧炉负荷和恒定过渡电阻20Ω、100Ω、500Ω，故障初始相角分别取0°、30°、60°、90°，负荷分别选取为恒定功率负荷和电弧炉负荷；按步骤（1）、（2）所述方法，分别提取故障暂态量
Figure 891398DEST_PATH_IMAGE005
和
Figure 526516DEST_PATH_IMAGE006
作为样本集，经归一化处理后输入BP神经网络中进行训练，得到符合要求的故障选线网络，误差性能目标为1；
（5）将待选配电网的故障暂态量
Figure 126442DEST_PATH_IMAGE011
和样本属性输入神经网络，神经网络的输出结果经反归一化处理后得到故障线路，故障选线网络的输出量为1×
Figure 555466DEST_PATH_IMAGE008
的矩阵，[，
Figure 124223DEST_PATH_IMAGE015
，
Figure 399346DEST_PATH_IMAGE016
，…，
Figure 980500DEST_PATH_IMAGE017
，
Figure 253350DEST_PATH_IMAGE018
]；其中，
Figure 982271DEST_PATH_IMAGE019
为谐振接地***馈线数量；
（6）根据步骤（5）得到的故障选线网络的输出量矩阵，进行故障选线；当
Figure 998769DEST_PATH_IMAGE020
≈1，其它值约等于0时，判定第
Figure 2013101071086100001DEST_PATH_IMAGE021
条馈线发生故障，
Figure 870648DEST_PATH_IMAGE021
为馈线编号；当
Figure 642295DEST_PATH_IMAGE018
≈1，其它值约等于0时，判定母线发生故障；为谐振接地***馈线数量。
CN2013101071086A 2013-03-29 2013-03-29 一种利用复小波和ann结合的谐振接地***故障选线方法 Pending CN103163430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013101071086A CN103163430A (zh) 2013-03-29 2013-03-29 一种利用复小波和ann结合的谐振接地***故障选线方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013101071086A CN103163430A (zh) 2013-03-29 2013-03-29 一种利用复小波和ann结合的谐振接地***故障选线方法

Publications (1)

Publication Number Publication Date
CN103163430A true CN103163430A (zh) 2013-06-19

Family

ID=48586682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013101071086A Pending CN103163430A (zh) 2013-03-29 2013-03-29 一种利用复小波和ann结合的谐振接地***故障选线方法

Country Status (1)

Country Link
CN (1) CN103163430A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103424668A (zh) * 2013-08-05 2013-12-04 昆明理工大学 一种利用馈线零序电流主成分分析和证据理论融合的弧光接地故障连续选线方法
CN103454559A (zh) * 2013-09-02 2013-12-18 国家电网公司 一种配电网单相接地故障区段定位方法及定位装置
CN103631985A (zh) * 2013-09-02 2014-03-12 国家电网公司 电弧炉分段线性的仿真阻抗模型
CN104569684A (zh) * 2015-01-14 2015-04-29 上海和伍新材料科技有限公司 一种基于电弧光谱信号的故障电弧检测方法
CN104865499A (zh) * 2015-05-11 2015-08-26 昆明理工大学 一种特高压直流输电线路区内外故障识别方法
CN106443334A (zh) * 2016-09-18 2017-02-22 昆明理工大学 一种基于零序电流差分极性比较的配电网故障选线方法
CN108279364A (zh) * 2018-01-30 2018-07-13 福州大学 基于卷积神经网络的配电网单相接地故障选线方法
CN108663600A (zh) * 2018-05-09 2018-10-16 广东工业大学 一种基于输电网的故障诊断方法、装置及存储介质
CN109061397A (zh) * 2018-10-11 2018-12-21 南方电网科学研究院有限责任公司 一种线路故障区域识别方法
CN112240965A (zh) * 2019-07-17 2021-01-19 南京南瑞继保工程技术有限公司 一种基于深度学习算法的接地选线装置及方法
CN113866572A (zh) * 2021-09-06 2021-12-31 西安理工大学 多电力电子装置接入条件下的直流故障电弧检测及定位方法
CN114814468A (zh) * 2022-06-20 2022-07-29 南京工程学院 考虑高比例dg接入的配电网单相接地故障智能选线方法
CN115291039A (zh) * 2022-08-09 2022-11-04 贵州大学 一种谐振接地***单相接地故障选线方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101162838A (zh) * 2007-11-29 2008-04-16 昆明理工大学 一种利用小波包分解和相关分析的小电流接地***故障选线方法
CN101545943A (zh) * 2009-05-05 2009-09-30 昆明理工大学 利用小波能量相对熵的配电网缆－线混合线路故障选线方法
CN101924354A (zh) * 2010-04-19 2010-12-22 昆明理工大学 利用s变换能量样本属性的配电网故障的人工神经网络选线方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101162838A (zh) * 2007-11-29 2008-04-16 昆明理工大学 一种利用小波包分解和相关分析的小电流接地***故障选线方法
CN101545943A (zh) * 2009-05-05 2009-09-30 昆明理工大学 利用小波能量相对熵的配电网缆－线混合线路故障选线方法
CN101924354A (zh) * 2010-04-19 2010-12-22 昆明理工大学 利用s变换能量样本属性的配电网故障的人工神经网络选线方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
束洪春等: "基于零序电流小波变换系数均方根值的故障选线ANN方法", 《电力科学与技术学报》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103424668B (zh) * 2013-08-05 2016-02-24 昆明理工大学 一种利用馈线零序电流主成分分析和证据理论融合的弧光接地故障连续选线方法
CN103424668A (zh) * 2013-08-05 2013-12-04 昆明理工大学 一种利用馈线零序电流主成分分析和证据理论融合的弧光接地故障连续选线方法
CN103454559A (zh) * 2013-09-02 2013-12-18 国家电网公司 一种配电网单相接地故障区段定位方法及定位装置
CN103631985A (zh) * 2013-09-02 2014-03-12 国家电网公司 电弧炉分段线性的仿真阻抗模型
CN103454559B (zh) * 2013-09-02 2015-10-28 国家电网公司 一种配电网单相接地故障区段定位方法及定位装置
CN104569684A (zh) * 2015-01-14 2015-04-29 上海和伍新材料科技有限公司 一种基于电弧光谱信号的故障电弧检测方法
CN104569684B (zh) * 2015-01-14 2017-08-25 上海和伍复合材料有限公司 一种基于电弧光谱信号的故障电弧检测方法
CN104865499A (zh) * 2015-05-11 2015-08-26 昆明理工大学 一种特高压直流输电线路区内外故障识别方法
CN106443334B (zh) * 2016-09-18 2019-04-09 昆明理工大学 一种基于零序电流差分极性比较的配电网故障选线方法
CN106443334A (zh) * 2016-09-18 2017-02-22 昆明理工大学 一种基于零序电流差分极性比较的配电网故障选线方法
CN108279364A (zh) * 2018-01-30 2018-07-13 福州大学 基于卷积神经网络的配电网单相接地故障选线方法
CN108279364B (zh) * 2018-01-30 2020-01-14 福州大学 基于卷积神经网络的配电网单相接地故障选线方法
CN108663600A (zh) * 2018-05-09 2018-10-16 广东工业大学 一种基于输电网的故障诊断方法、装置及存储介质
CN108663600B (zh) * 2018-05-09 2020-11-10 广东工业大学 一种基于输电网的故障诊断方法、装置及存储介质
CN109061397A (zh) * 2018-10-11 2018-12-21 南方电网科学研究院有限责任公司 一种线路故障区域识别方法
CN109061397B (zh) * 2018-10-11 2020-07-28 南方电网科学研究院有限责任公司 一种线路故障区域识别方法
CN112240965A (zh) * 2019-07-17 2021-01-19 南京南瑞继保工程技术有限公司 一种基于深度学习算法的接地选线装置及方法
CN113866572A (zh) * 2021-09-06 2021-12-31 西安理工大学 多电力电子装置接入条件下的直流故障电弧检测及定位方法
CN113866572B (zh) * 2021-09-06 2024-05-28 西安理工大学 多电力电子装置接入条件下的直流故障电弧检测及定位方法
CN114814468A (zh) * 2022-06-20 2022-07-29 南京工程学院 考虑高比例dg接入的配电网单相接地故障智能选线方法
CN114814468B (zh) * 2022-06-20 2022-09-20 南京工程学院 考虑高比例dg接入的配电网单相接地故障智能选线方法
CN115291039A (zh) * 2022-08-09 2022-11-04 贵州大学 一种谐振接地***单相接地故障选线方法

Similar Documents

Publication Publication Date Title
CN103163430A (zh) 一种利用复小波和ann结合的谐振接地***故障选线方法
Yang et al. New ANN method for multi-terminal HVDC protection relaying
CN103424669B (zh) 一种利用故障馈线零序电流矩阵主成分分析第一主成分的选线方法
CN103018627B (zh) 非有效接地***故障类型自适应接地选线方法
CN103424668B (zh) 一种利用馈线零序电流主成分分析和证据理论融合的弧光接地故障连续选线方法
CN103267927B (zh) 一种利用工频分量小波系数直线拟合检测的小电流接地***故障选线方法
CN103474981B (zh) 一种基于零序电流多阶差分变换方向的配网单相接地保护方法
CN103217622B (zh) 基于多端电压行波的配电网故障选线方法
CN103474980B (zh) 一种基于暂态功率方向的配电网单相接地保护方法
Abu-Elanien et al. A non-communication based protection algorithm for multi-terminal HVDC grids
CN103257304A (zh) 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法
CN103474974B (zh) 一种基于零序电流突变量直线拟合方向的配网单相接地保护方法
CN101964515B (zh) 特高压直流输电线路线模电压s变换的边界元件方法
CN101924354B (zh) 利用s变换能量样本属性的配电网故障的人工神经网络选线方法
CN105759167A (zh) 一种基于小波神经网络的配电网单相短路选线方法
CN110783896B (zh) 一种基于弱故障主被动联合检测的配网单相接地保护方法
Azeroual et al. Fault location and detection techniques in power distribution systems with distributed generation: Kenitra City (Morocco) as a case study
CN102135591A (zh) 谐振接地电网单相接地故障db小波暂态量选线方法
CN102928731A (zh) 一种利用零序电流全量Hough变换的配电网故障选线方法
CN104614638A (zh) 小电流***接地选线方法
CN103163417A (zh) 一种基于短时窗高低频暂态能量比值的虚幻接地识别方法
CN103293448B (zh) 基于半周波能量比的单相接地故障与虚幻接地识别方法
Khalili et al. A fault location and detection technique for STATCOM compensated transmission lines using game theory
Lee et al. New fault detection method for low voltage DC microgrid with renewable energy sources
CN103323728B (zh) 基于全周波能量比的单相接地故障与虚幻接地识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130619