CN1896756A - 基于人工神经网络模型的电缆故障在线测距方法 - Google Patents

Abstract

本发明涉及一种基于人工神经网络模型的电缆故障在线测距方法，用于电力电缆故障位置的确定。该方法是将从电缆两端电流互感器和电压互感器来的三相电流模拟信号、零序电流模拟信号和三相电压模拟信号、零序电压模拟信号接入低通滤波电路，将经其处理后的电流、电压模拟信号送入锁频锁相采样模块，从锁频锁相采样模块中输出的电流、电压数字信号用于故障启动模块进行故障启动，用于电缆ANN模型训练模块进行电缆ANN模型训练，用于电缆故障测距计算模块进行电缆故障测距计算，从而较准确的确定电力电缆故障点的位置。

Description

基于人工神经网络模型的电缆故障在线测距方法

                        技术领域

本发明涉及电缆故障测距方法，特别是一种基于人工神经网络模型的电缆故障在线测距方法，用于电力电缆故障位置的确定。

                        技术背景

国内外现有的电力***故障定位(也称故障测距)方法主要可划分为两大类：行波法和阻抗法。这两大类依据数据来源角度的不同，又都包括单端法和双端法。

行波故障测距法的原理是根据行波到达母线后反射到故障点，再由故障点反射到达母线的时间差，或是根据行波初始波头到达两侧母线的时间差进行测距的一种算法。

其中单端行波法是基于单端信息量的一种测距方法，单端行波测距的关键是准确求出行波第一次到达测量端与其从故障点反射回到测量端的时间差，并包括故障行波分量的提取。常用的行波单端故障测距算法有求导数法、相关法、匹配滤波器法和主频率法。由于行波在特征阻抗变化处的折反射情况比较复杂(如行波到达故障点后会发生反射也会通过故障点折射到对侧母线上去)，非故障线路不是“无限长”，由测量点折射过去的行波分量经一定时间后，又会从测量点折射回故障线路等，使行波分析和利用单端行波精确故障测距有较大困难。所以现在研究的较多的是双端行波法。双端行波法的关键是准确纪录下电流或电压行波到达线路两端的时间，误差在数个μs以内，以保证故障测距误差在数百米以内。但是它需要专用的同步时间单元。

在实际输电线路中，由于线路结构变化、换位方法不同、输电线沿线大地电阻率的不均匀、线路参数随频率的变化、行波色散等问题，使得故障产生行波的特点不能被充分利用，行波分析和研究比较困难，并且对装置的要求很高。

阻抗故障测距法是通过求解从故障点到测量点的线路阻抗值来估计故障阻抗点距离的一种方法。在建立输电线路故障阻抗测距模型时，通常把故障距离作为一个电路参数考虑进去，通过求解电路方程，求出阻抗距离。

阻抗法的原理基于输电线路为均匀线的假设，即假设故障回路阻抗或电抗与测量点到故障点的距离成正比。故障时，测量装置由启动元件启动，测得故障时的电压和电流等参数，进而计算出故障回路的阻抗。由于线路长度与阻抗成正比，因此可以求出由装置安装处到故障点的距离。

故障阻抗的计算可以使用线路两端的信息进行，也可以仅利用一端测量信息进行近似处理。单端量测距算法只用到线路一侧的电压、电流测量值，在理论上无法克服过渡电阻的影响，并且需要在测距算法中做一定的假设，所以在很多情况下其测量精度难以保证。双端量测距算法还不能完全消除下列因素对测距精度的影响：线路模型、线路参数不平衡、线路参数不准确、负荷电流、同步测量精度和基波分量提取精度。

                        发明内容

本发明的目的是提供一种基于人工神经网络模型的电缆故障在线测距方法，进行电力电缆的故障测距，以较准确地确定电力电缆的故障点位置。

本发明所述基于人工神经网络模型的电缆故障在线测距方法是：

将从电缆两端电流互感器和电压互感器来的三相电流模拟信号i_An(i_Bn，i_Cn)、零序电流模拟信号i_0n和三相电压模拟信号v_An(v_Bn，v_Cn)、零序电压模拟信号v_0n接入低通滤波电路，经低通滤波电路处理后的电流、电压模拟信号送入锁频锁相采样模块，从锁频锁相采样模块中输出的电流、电压数字信号i’_An(i’_Bn，i’_Cn)、i’_0n、v’_An(v’_Bn，v’_Cn)、v’_0n用于故障启动模块、电缆ANN(人工神经网络)模型训练模块和电缆故障测距计算模块。

故障启动模块由短路故障预启动模块、单相接地预启动模块、短路故障确认模块、单相接地确认模块和接地线路判断模块组成，将锁频锁相采样模块中输出的电流数字信号i’_An(i’_Bn，i’_Cn)接入短路故障预启动模块的自适应正弦滤波器，进行短路故障预启动；将锁频锁相采样模块出来的零序电压数字信号v’_0n接入单相接地预启动模块的自适应正弦滤波器，进行单相接地故障预启动。

若短路故障预启动模块输出短路故障预启动信号，将锁频锁相采样模块输出的电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)接入短路故障确认模块的正弦逼近处理器，进行短路故障确认，确认后输出短路故障确认信号。

若单相接地预启动模块输出单相接地故障预启动信号，将锁频锁相采样模块输出的三相电压和零序电压数字信号v’_An(v’_Bn，v’_Cn)、v’_0n接入单相接地确认模块的正弦逼近处理器，进行单相接地故障确认，确认后输出单相接地故障确认信号，将锁频锁相采样模块输出的零序电压和零序电流数字信号v’_0n、i’_0n接入接地线路判断模块的正弦逼近处理器，进行接地线路判断，输出接地线路判断信号。

故障启动模块输出短路故障确认信号或接地线路判断信号后，将锁频锁相采样模块输出的电缆两端的电压、电流数字信号v’_A1(v’_B1，v’_C1)、i’_A1(i’_B1，i’_C1)和v’_A2(v’_B2，v’_C2)、i’_A2(i’_B2，i’_C2)接入六个电缆ANN(人工神经网络)模型，进行电缆故障点位置的确定。

若故障启动模块未输出短路故障预启动信号和/或单相接地故障预启动信号时，将锁频锁相采样模块输出的电缆两端的电压、电流数字信号v’_A1(v’_B1，v’_C1)、i’_A1(i’_B1，i’_C1)和v’_A2(v’_B2，v’_C2)、i’_A2(i’_B2，i’_C2)接入六个电缆ANN(人工神经网络)模型，进行电缆ANN模型训练。

所述的自适应正弦滤波器由一个与电流数字信号i’_An(i’_Bn，i’_Cn)相同频率的正弦信号逼近电流数字信号i’_An(i’_Bn，i’_Cn)构成，其数学表达为：

       y(t)＝Acos(ωt)+Bsin(ωt)

       e(t)＝y(t)-i(t)

为了调节修正参数A和B，进行下列修正算法：

A′＝A-μe(t)cos(ωt)

B′＝B-μe(t)sin(ωt)

式中A′、B′是自适应正弦滤波器参数的修正值，μ(μ＞0)是算法收敛因子。

短路故障预启动方法是：电流数字信号i’_An(i’_Bn，i’_Cn)与滤波器正弦信号之间的误差e由自适应正弦滤波器输出，并将误差e与误差定值e_set1进行比较，若e＞e_set1，且误差和∑|e(j)|大于误差定值e_set2，则输出短路故障预启动信号，反之则进入单相接地预启动模块。

单相接地故障预启动方法是：零序电压数字信号v’_0n与滤波器正弦信号之间的误差e₀由自适应正弦滤波器输出，并将误差e₀与误差定值e_set3进行比较，若e₀＞e_set3，且误差和∑|e₀(j)|大于误差定值e_set4，则输出单相接地预启动信号，反之则进入电缆ANN(人工神经网络)模型训练。

正弦逼近处理器由一个与电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)相同频率的正弦信号在一个时域区间逼近电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)构成，在正弦逼近处理器中，u(t)是电压或电流数字输入信号，

y(t)＝A(t)cosωt+B(t)sinωt

A(t)＝A₀+A₁t+A₂t²+…+A_Nt^N

B(t)＝B₀+B₁t+B₂t²+…+B_Nt^N

A₀，A₁，…，A_N和B₀，B₁，…，B_N是函数A(t)、B(t)的参数。

记 $J=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}e{\left(t_i\right)}^2=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(u\left(t_i\right)-y\left(t_i\right))}^2,W^k={\left[\begin{array}{cccccc}{A}_0^k& \·\·\·& A_N^k& B_0^k& \·\·\·& B_N^k\end{array}\right]}^T,$ N为多项式函数的阶数，I为一个区段里的计算点数，k为逼近计算次数。

正弦逼近处理器的修正算法为

$W^{k+1}=W^k-\mathrm{\μ}\frac{\∂J}{\∂W^k}$ μ(μ＞0)是算法收敛因子。

在J＜J_min时，正弦逼近处理器输出逼近后的函数A(t)、B(t)。

短路故障确认方法是：计算 $v_m\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ 和 $i_m\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ 可获得电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)的瞬时幅值v_m、i_m，若电流瞬时幅值i_m的增量i_m(t+Δt)-i_m(t)大于电流定值i_set1，瞬时幅值i_m(t+Δt)大于电流定值i_set2，且电压瞬时幅值v_m的增量v_m(t)-v_m(t+Δt)大于电压定值v_set1，瞬时幅值v_m(t+Δt)小于电压定值v_set2，则输出短路故障确认信号。

单相接地故障确认方法是：计算 $v_{\mathrm{mA}}\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ (v_mB(t)，v_mC(t))和 $v_{m0}\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ 可获得三相电压和零序电压数字信号v’_An(v’_Bn，v’_Cn)、v’_0n的瞬时幅值v_m、v_m0，若零序电压瞬时幅值v_m0的增量v_m0(t+Δt)-v_m0(t)大于零序电压定值v_set4，瞬时幅值v_m0(t+Δt)大于零序电压定值v_set5，且三相电压中的一相电压瞬时幅值v_m(t+Δt)小于电压定值v_set3，则输出单相接地确认信号。

接地线路判断方法是：计算_v(t)＝artgA(t)/B(t))和_i(t)＝artg(A(t)/B(t))可获得零序电压和零序电流数字信号v’_0n、i’_0n的瞬时相位_v(t)、_i(t)，若零序电流的瞬时相位_i(t)超前于零序电压的瞬时相位_v(t)，则输出接地线路判断信号。

电缆故障点位置的确定方法是：对于短路故障，改变电缆长度参数l，使电缆两端的故障相的电缆ANN模型的输出v_l ¹与v_l ²之差最小，此时的电缆长度参数l就是检测点至故障点的距离；对于单相接地，改变电缆长度参数l，使电缆两端的三相电缆ANN(人工神经网络)模型的输出之和，即零序电压v_0l ¹与v_0l ²之差最小，此时的电缆长度参数l就是检测点至故障点的距离。

电缆ANN(人工神经网络)模型训练方法是：每个电缆ANN模型接入一相电压和三相电流，计算输入电压和电流的一阶到n阶导数，并将这些导数也作为电缆ANN模型的输入，电缆ANN模型的输出是电压v_l，电缆ANN模型包含电缆长度参数l，电缆两端的电缆ANN模型的输出v_Al ¹(v_Bl ¹，v_Cl ¹)与v_Al ²(v_Bl ²，v_Cl ²)之差为电缆ANN模型的训练误差e，对不同的电压和电流输入，改变电缆长度参数，调节电缆ANN模型的权系数W_v1、W_iA1、W_iB1、W_iC1，…W_vn、W_iAn、W_iBn、W_iCn，使电缆ANN模型的训练误差e²小于e_set5。

本发明所述的电缆故障在线测距方法，通过构建电缆故障测距物理对象的人工神经网络(ANN)模型，以此替代电缆故障测距的物理对象，电缆故障测距物理对象的ANN模型可在电缆正常运行情况下，通过电缆两端的电流电压同步采样值和其各阶导数来学习训练。由于采用实时采样数据对ANN模型进行不断训练，因此ANN模型包含了故障时刻准确的电缆参数，不受***和电缆参数变化的影响。在电缆故障时，依据实时训练的电缆故障测距物理对象的ANN模型，利用电缆一端的电流、电压采样值计算电缆另一端的电压，调节电缆长度参数，使其计算的电压误差最小，以此获得检测点至故障点的距离，故利用本发明方法对电力电缆的故障进行测距，能够较准确地确定电力电缆的故障点位置。

                   附图说明

现结合附图对本发明作进一步详细说明。

图1为本发明所述基于人工神经网络模型的电缆故障在线测距方法框图；

图2为本发明中故障启动方法示意图；

图3为本发明中短路故障预启动方法示意图；

图4为本发明中单相接地故障预启动方法示意图；

图5为自适应正弦滤波器结构示意图；

图6为本发明中短路故障确认方法示意图；

图7为本发明中单相接地故障确认方法示意图；

图8为本发明中接地线路判断方法示意图；

图9为正弦逼近处理方法示意图；

图10为本发明中电缆ANN模型训练方法示意图；

图11为本发明中电缆ANN模型结构示意图；

图12为本发明中电缆故障测距计算方法示意图；

图13为本发明所述基于人工神经网络模型的电缆故障在线测距方法的结构框图。

                    具体实施方式

如图1至图13所示，该基于人工神经网络模型的电缆故障在线测距方法为：

1、将从电缆两端电流互感器和电压互感器来的三相电流模拟信号i_An(i_Bn，i_Cn)、零序电流模拟信号i_0n和三相电压模拟信号v_An(v_Bn，v_Cn)、零序电压模拟信号v_0n接入低通滤波电路11，经低通滤波电路11处理后的电流、电压模拟信号送入锁频锁相采样模块12，从锁频锁相采样模块12中输出的电流、电压数字信号i’_An(i’_Bn，i’_Cn)、i’_0n、v’_An(v’_Bn，v’_Cn)、v’_0n用于故障启动模块2、电缆ANN(人工神经网络)模型训练模块3和电缆故障测距计算模块4。

2、故障启动模块2由短路故障预启动模块21、单相接地预启动模块22、短路故障确认模块23、单相接地确认模块24和接地线路判断模块25组成。

1)、将从锁频锁相采样模块12出来的电流数字信号i’_An(i’_Bn，i’_Cn)接入短路故障预启动模块21的自适应正弦滤波器51，自适应正弦滤波器51由一个与电流数字信号i’_An(i’_Bn，i’_Cn)相同频率的正弦信号逼近电流数字信号i’_An(i’_Bn，i’_Cn)构成，其数学表达为：

            y(t)＝Acos(ωt)+Bsin(ωt)

             e(t)＝y(t)-i(t)

为了调节修正参数A和B，进行下列修正算法

         A′＝A-μe(t)cos(ωt)

         B′＝B-μe(t)sin(ωt)

式中A′、B′是自适应正弦滤波器51参数的修正值，μ(μ＞0)是算法收敛因子。

电流数字信号i’_An(i’_Bn，i’_Cn)与滤波器正弦信号之间的误差e由自适应正弦滤波器51输出，并将误差e与误差定值e_set1进行比较，若e＞e_set1，且误差和∑|e(j)|大于误差定值e_set2，则输出短路故障预启动信号，反之则进入单相接地预启动模块22。

2)、将从锁频锁相采样模块12出来的零序电压数字信号v’_0n接入单相接地预启动模块22的自适应正弦滤波器51，零序电压数字信号v’_0n与滤波器正弦信号之间的误差e₀由自适应正弦滤波器51输出，并将误差e₀与误差定值e_set3进行比较，若e₀＞e_set3，且误差和∑|e₀(j)|大于误差定值e_set4，则输出单相接地故障预启动信号，反之则进入电缆ANN模型训练3。

3)、输出短路故障预启动信号后，将从锁频锁相采样模块12输出的电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)接入短路故障确认模块23的正弦逼近处理器52，正弦逼近处理器52由一个与电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)相同频率的正弦信号在一个时域区间逼近电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)构成，在正弦逼近处理器52中，u(t)是电压或电流数字输入信号，

y(t)＝A(t)cosωt+B(t)sinωt

A(t)＝A₀+A₁t+A₂t²+…+A_Nt^N

B(t)＝B₀+B₁t+B₂t²+…+B_Nt^N

A₀，A₁，…，A_N和B₀，B₁，…，B_N是函数A(t)、B(t)的参数。

记 $J=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}e{\left(t_i\right)}^2=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(u\left(t_i\right)-y\left(t_i\right))}^2,W^k={\left[\begin{array}{cccccc}{A}_0^k& \·\·\·& A_N^k& B_0^k& \·\·\·& B_N^k\end{array}\right]}^T,$ N为多项式函数的阶数，I为一个区段里的计算点数，k为逼近计算次数。

正弦逼近处理器52的修正算法为

$W^{k+1}=W^k-\mathrm{\μ}\frac{\∂J}{\∂W^k}$ μ(μ＞0)是算法收敛因子。

在J＜J_mm时，正弦逼近处理器52输出逼近后的函数A(t)、B(t)，计算 $v_m\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ 和 $i_m\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ 可获得电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)的瞬时幅值v_m、i_m，若电流瞬时幅值i_m的增量i_m(t+Δt)-i_m(t)大于电流定值i_set1，瞬时幅值i_m(t+Δt)大于电流定值i_set2，且电压瞬时幅值v_m的增量v_m(t)-v_m(t+Δt)大于电压定值v_set1，瞬时幅值v_m(t+Δt)小于电压定值v_set2，则输出短路故障确认信号，进行短路故障的测距计算。

4)、输出单相接地故障预启动信号后，将从锁频锁相采样模块12输出的三相电压和零序电压数字信号v’_An(v’_Bn，v’_Cn)、v’_0n接入单相接地确认模块24的正弦逼近处理器52，计算 $v_{\mathrm{mA}}\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ (v_mB(t)，v_mC(t))和 $v_{m0}\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ 可获得三相电压和零序电压数字信号v’_An(v’_Bn，v’_Cn)、v’_0n的瞬时幅值v_m、v_m0，若零序电压瞬时幅值v_m0的增量v_m0(t+Δt)-v_m0(t)大于零序电压定值v_set4，瞬时幅值v_m0(t+Δt)大于零序电压定值v_set5，且三相电压中的一相电压瞬时幅值v_m(t+Δt)小于电压定值v_set3，则输出单相接地故障确认信号。

5)、输出单相接地确认信号后，从锁频锁相采样模块12输出的零序电压和零序电流数字信号v’_0n、i’_0n接入接地线路判断模块25的正弦逼近处理器52，计算_v(t)＝artg(A(t)/B(t))和_i(t)＝artg(A(t)/B(t))可获得零序电压和零序电流数字信号v’_0n、i’_0n的瞬时相位_v(t)、_i(t)，若零序电流的瞬时相位_i(t)超前于零序电压的瞬时相位_v(t)，则输出接地线路判断信号，进行单相接地故障的测距计算。

3、在故障启动模块2没有输出短路故障预启动信号或没有输出单相接地故障预启动信号时，将从锁频锁相采样模块12输出的电缆两端的电压、电流数字信号v’_A1(v’_B1，v’_C1)、i’_A1(i’_B1，i’_C1)和v’_A2(v’_B2，v’_C2)、i’_A2(i’_B2，i’_C2)接入六个电缆ANN模型6，每个电缆ANN模型6接入一相电压和三相电流，计算输入电压和电流的一阶到n阶导数，并将这些导数也作为电缆ANN模型6的输入，电缆ANN模型6的输出是电压v_l，电缆ANN模型6包含电缆长度参数l，电缆两端的电缆ANN模型6的输出v_Al ¹(v_Bl ¹，v_Cl ¹)与v_Al ²(v_Bl ²，v_Cl ²)之差为电缆ANN模型的训练误差e。对不同的电压和电流输入，改变电缆长度参数，调节电缆ANN模型6的权系数W_v1、W_iA1、W_iB1、W_iC1，…W_vn、W_iAn、W_iBn、W_iCn，使电缆ANN模型的训练误差e²小于e_set5，电缆ANN模型6就训练完毕。

4、故障启动模块2输出短路故障确认信号或输出接地线路判断信号后，从锁频锁相采样模块12输出的电缆两端的电压、电流数字信号v’_A1(v’_B1，v’_C1)、i’_A1(i’_B1，i’_C1)和v’_A2(v’_B2，v’_C2)、i’_A2(i’_B2，i’_C2)接入六个电缆ANN模型6。对于短路故障，改变电缆长度参数l，使电缆两端的故障相的电缆ANN模型6的输出v_l ¹与v_l ²之差最小，此时的电缆长度参数l就是故障点的距离。对于单相接地，改变电缆长度参数l，使电缆两端的三相电缆ANN模型6的输出之和，即零序电压v_0l ¹与v_0l ²之差最小，此时的电缆长度参数l就是故障点的距离。

Claims (9)

1、一种基于人工神经网络模型的电缆故障在线测距方法，其特征在于：

a、将从电缆两端电流互感器和电压互感器来的三相电流模拟信号i_An(i_Bn，i_Cn)、零序电流模拟信号i_0n和三相电压模拟信号v_An(v_Bn，v_Cn)、零序电压模拟信号v_0n接入低通滤波电路(11)，经低通滤波电路(11)处理后的电流、电压模拟信号送入锁频锁相采样模块(12)，从锁频锁相采样模块(12)中输出的电流、电压数字信号i’_An(i’_Bn，i’_Cn)、i’_0n、v’_An(v’_Bn，v’_Cn)、v’_0n用于故障启动模块(2)、电缆ANN(人工神经网络)模型训练模块(3)和电缆故障测距计算模块(4)；

b、故障启动模块(2)由短路故障预启动模块(21)、单相接地预启动模块(22)、短路故障确认模块(23)、单相接地确认模块(24)和接地线路判断模块(25)组成，将锁频锁相采样模块(12)中输出的电流数字信号i’_An(i’_Bn，i’_Cn)接入短路故障预启动模块(21)的自适应正弦滤波器(51)，进行短路故障预启动；将锁频锁相采样模块(12)出来的零序电压数字信号v’_0n接入单相接地预启动模块(22)的自适应正弦滤波器(51)，进行单相接地故障预启动；

c、若短路故障预启动模块(21)输出短路故障预启动信号，将锁频锁相采样模块(12)输出的电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)接入短路故障确认模块(23)的正弦逼近处理器(52)，进行短路故障确认，确认后输出短路故障确认信号；

d、若单相接地预启动模块(22)输出单相接地故障预启动信号，将锁频锁相采样模块(12)输出的三相电压和零序电压数字信号v’_An(v’_Bn，v’_Cn)、v’_0n接入单相接地确认模块(24)的正弦逼近处理器(52)，进行单相接地故障确认，确认后输出单相接地故障确认信号，将锁频锁相采样模块(12)输出的零序电压和零序电流数字信号v’_0n、i’_0n接入接地线路判断模块(25)的正弦逼近处理器(52)，进行接地线路判断，输出接地线路判断信号；

e、故障启动模块(2)输出短路故障确认信号或接地线路判断信号后，将锁频锁相采样模块(12)输出的电缆两端的电压、电流数字信号v’_A1(v’_B1 ，v’_C1)、i’_A1(i’_B1，i’_C1)和v’_A2(v’_B2，v’_C2)、i’_A2(i’_B2，i’_C2)接入六个电缆ANN(人工神经网络)模型(6)，进行电缆故障点位置的确定；

f、若故障启动模块(2)未输出短路故障预启动信号或单相接地故障预启动信号时，将锁频锁相采样模块(12)输出的电缆两端的电压、电流数字信号v’_A1(v’_B1，v’_C1)、i’_A1(i’_B1，i’_C1)和v’_A2(v’_B2，v’_C2)、i’_A2(i’_B2，i’_C2)接入六个电缆ANN(人工神经网络)模型(6)，进行电缆ANN模型训练。

2、根据权利要求1所述基于人工神经网络模型的电缆故障在线测距方法，其特征在于：所述的自适应正弦滤波器(51)由一个与电流数字信号i’_An(i’_Bn，i’_Cn)相同频率的正弦信号逼近电流数字信号i’_An(i’_Bn，i’_Cn)构成，其数学表达为：

        y(t)＝Acos(ωt)+Bsin(ωt)

        e(t)＝y(t)-i(t)

为了调节修正参数A和B，进行下列修正算法：

        A＝A-μe(t)cos(ωt)

        B′＝B-μe(t)sin(ωt)

式中A′、B′是自适应正弦滤波器(51)参数的修正值，μ(μ＞0)是算法收敛因子。

3、根据权利要求1所述基于人工神经网络模型的电缆故障在线测距方法，其特征在于：b中所述短路故障预启动方法是，电流数字信号i’_An(i’ _Bn，i’_Cn)与滤波器正弦信号之间的误差e由自适应正弦滤波器(51)输出，并将误差e与误差定值e_set1进行比较，若e＞e_set1，且误差和∑|e(j)|大于误差定值e_set2，则输出短路故障预启动信号，反之则进入单相接地预启动模块(22)。

4、根据权利要求1所述基于人工神经网络模型的电缆故障在线测距方法，其特征在于：b中所述单相接地故障预启动方法是，零序电压数字信号v’_0n与滤波器正弦信号之间的误差e₀由自适应正弦滤波器(51)输出，并将误差e₀与误差定值e_set3进行比较，若e₀＞e_set3且误差和∑|e₀(j)|大于误差定值e_set4，则输出单相接地预启动信号，反之则进入电缆ANN(人工神经网络)模型训练(3)。

5、根据权利要求1所述基于人工神经网络模型的电缆故障在线测距方法，其特征在于：所述的正弦逼近处理器(52)由一个与电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)相同频率的正弦信号在一个时域区间逼近电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)构成，在正弦逼近处理器(52)中，u(t)是电压或电流数字输入信号，

y(t)＝A(t)cosωt+B(t)sinωt

A(t)＝A₀+A₁t+A₂t²+…+A_Nt^N

B(t)＝B₀+B₁t+B₂t²+…+B_Nt^N

A₀，A₁， …，A_N和B₀，B₁，…，B_N是函数A(t)、B(t)的参数。

记 $J=\underset{l=1}{\overset{l}{\mathrm{\Σ}}}e{\left(t_l\right)}^2=\underset{l=1}{\overset{l}{\mathrm{\Σ}}}{(u\left(t_l\right)-y\left(t_l\right))}^2,$ $W^k={\left[\begin{array}{cccccc}{A}_0^k& \·\·\·& A_v^k& B_0^k& \·\·\·& B_v^k\end{array}\right]}^T,$ N为多项式函数的阶数，l为一个区段里的计算点数，k为逼近计算次数。

正弦逼近处理器(52)的修正算法为 $W^{k+1}=W^k-\mathrm{\μ}\frac{\∂J}{\∂W^k}$ μ(μ＞0)是算法收敛因子。在J＜J_mm时，正弦逼近处理器(52)输出逼近后的函数A(t)、B(t)。

6、根据权利要求5所述基于人工神经网络模型的电缆故障在线测距方法，其特征在于：c中短路故障确认方法是，计算 $v_m\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ 和 $i_m\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ 可获得电压、电流数字信号v’_An(v’_Bn，v’_Cn)、i’_An(i’_Bn，i’_Cn)的瞬时幅值v_m、i_m，若电流瞬时幅值i_m的增量i_m(t+Δt)-i_m(t)大于电流定值i_set1，瞬时幅值i_m(t+Δt)大于电流定值i_set2，且电压瞬时幅值v_m的增量v_m(t)-v_m(t+Δt)大于电压定值v_set1，瞬时幅值v_m(t+Δt)小于电压定值v_set2，则输出短路故障确认信号。

7、根据权利要求5所述基于人工神经网络模型的电缆故障在线测距方法，其特征在于：d中单相接地故障确认方法是，计算 $v_{\mathrm{mA}}\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}(v_{\mathrm{mB}}\left(t\right),v_{\mathrm{mC}}\left(t\right))$ 和 $v_{m0}\left(t\right)=\sqrt{A^2\left(t\right)+B^2\left(t\right)}$ 可获得三相电压和零序电压数字信号v’_An(v’_Bn，v’_Cn)、v’_0n的瞬时幅值v_m、v_m0，若零序电压瞬时幅值v_m0的增量v_m0(t+Δt)-v_m0(t)大于零序电压定值v_set4，瞬时幅值v_m0(t+Δt)大于零序电压定值v_set5，且三相电压中的一相电压瞬时幅值v_m(t+Δt)小于电压定值v_set3，则输出单相接地确认信号；接地线路判断方法是，计算_v(t)＝artg(A(t)/B(t))和_l(t)＝artg(A(t)/B(t))可获得零序电压和零序电流数字信号v’_0n、i’_0n的瞬时相位_v(t)、_l(t)，若零序电流的瞬时相位_l(t)超前于零序电压的瞬时相位_v(t)，则输出接地线路判断信号。

8、根据权利要求1所述基于人工神经网络模型的电缆故障在线测距方法，其特征在于：e中电缆故障点位置的确定方法是，对于短路故障，改变电缆长度参数l，使电缆两端的故障相的电缆ANN模型(6)的输出vl1与v_l ²之差最小，此时的电缆长度参数l就是检测点至故障点的距离；对于单相接地，改变电缆长度参数l，使电缆两端的三相电缆ANN(人工神经网络)模型(6)的输出之和，即零序电压v_0l ¹与v_0l ²之差最小，此时的电缆长度参数l就是检测点至故障点的距离。

9、根据权利要求1所述基于人工神经网络模型的电缆故障在线测距方法，其特征在于：f中电缆ANN(人工神经网络)模型训练方法是，每个电缆ANN模型(6)接入一相电压和三相电流，计算输入电压和电流的一阶到n阶导数，并将这些导数也作为电缆ANN模型(6)的输入，电缆ANN模型(6)的输出是电压v_l，电缆ANN模型(6)包含电缆长度参数l，电缆两端的电缆ANN模型(6)的输出v_Al ¹(v_Bl ¹，v_Cl ¹)与v_Al ²(v_Bl ²，v_Cl ²)之差为电缆ANN模型的训练误差e，对不同的电压和电流输入，改变电缆长度参数，调节电缆ANN模型(6)的权系数W_vl、W_iAl、W_iBl、W_iCl，…W_vn、W_iAn、W_iBn、W_iCn，使电缆ANN模型的训练误差e²小于e_set5。

Images