基于極限學習機的多信息融合區段定位方法
【專利摘要】一種基于極限學習機的多信息融合區段定位方法，故障發生后，終端對實時測得的零序暫態電流運用暫態能量法、小波法、首半波法提取特征向量上傳給主站，輸入到經訓練后得到權重參數的極限學習機網絡中，主站啟動多信息融合定位算法并輸出區段定位結果。由于安裝在線路多個位置的終端能夠實時檢測到暫態零序電流信號，使基于暫態信息的區段定位方法能夠應用于實際工程中。該方法受接地位置、接地時刻、接地過渡電阻等因素的影響較小，利用極限學習機智能融合，對故障后零序電流暫態信息進行綜合分析，融合各種算法以達到互補的效果。既消除單一定位方法的固有缺陷，又可以充分利用暫態零序電流特征，準確確定故障區段，終端間距越小，定位越準確。
【專利說明】基于極限學習機的多信息融合區段定位方法
【技術領域】
[0001]本申請屬于電力系統自動化【技術領域】，是一種配電網單相接地故障的區段定位方法，適用于3?60kV中性點非有效接地電網，能夠在單相接地故障發生時，準確定位故障區段。
【背景技術】
[0002]小電流接地系統發生單相接地故障后需要盡快選出故障線路，經過幾十年的發展，選線問題已經得到了很好的解決，技術成熟，現有裝置可靠性高。選出故障線路后，需要進一步找出故障點所在的區段，也就是區段定位問題。
[0003]利用暫態量定位相比傳統穩態分量，故障特征明顯，且可以有效克服消弧線圈的影響。因此利用暫態量的定位方法優于穩態量。隨著終端硬件平臺的工作能力不斷強大，對暫態過程的采樣與分析已成為可能。
[0004]極限學習機(ELM)是近幾年提出的一種新型單隱層前饋神經網絡算法。具有與神經網絡相同的全局逼近性質，但其網絡輸出權值和隱層神經元偏移量是隨機生成的，只需要設置隱含層節點數，由最小二乘法得出輸出權重即可產生唯一最優解。ELM相比傳統神經網絡算法，具有訓練誤差小、泛化性能強、訓練速度快等優點，目前尚未應用到小電流接地系統區段定位的研究中。
[0005]現有定位方法通常利用單一的故障信息進行定位，實際運行時準確性低，難以滿足現場需求。目前現場有三種方法進行自動定位，第一種方法是從PT注入高頻信號，沿線路檢測該信號確定故障位置，但是由于線路分布電容對高頻信號形成通路，因此在經電阻接地時定位不準確。第二種方法是利用故障指示器的方法，由于故障指示器只能測量相電流，不能測量零序電流，所以對于短路故障效果較好，但是對于單相接地故障定位準確率很低。第三種方法是安裝內置CT的智能開關，雖然該方法可以測量零序電流，但是市場上運行的終端和主站算法簡單，僅僅判斷穩態零序電流是否超過定值，對于中性點經消弧線圈接地系統定位正確率很低。
【發明內容】
[0006]本申請的目的是克服現有技術的不足，提出一種基于極限學習機的多信息融合區段定位方法。該方法充分利用故障后暫態零序電流特征，故障發生后，終端對實時測得的零序暫態電流運用暫態能量法、小波法、首半波法提取特征向量上傳給主站，輸入到經訓練后得到權重參數的極限學習機網絡中，主站啟動多信息融合定位算法并輸出區段定位結果。本申請適用于中性點不接地系統和中性點經消弧線圈接地系統，適用于金屬性接地、經高阻接地、經過渡電阻接地等多種故障情況。
[0007]本申請的技術方案如下。
[0008]一種基于極限學習機的多信息融合區段定位方法，其特征在于:線路故障發生后，安裝在線路上的終端對實時測得的暫態零序電流運用暫態能量法、小波法、首半波法提取特征向量上傳給主站，輸入到經訓練后得到權重參數的極限學習機網絡對故障進行定位，輸出線路的故障區段定位結果。
[0009]一種基于極限學習機的多信息融合區段定位方法，其特征在于，所述方法包括以下步驟:
[0010](I)安裝在線路多個位置的終端實時檢測安裝位置處的暫態零序電流；
[0011](2)當任一終端檢測的零序電壓幅值超過預設的啟動值后，所有終端立刻準確捕捉零序電壓超過啟動值前I個周期和超過啟動值后2個周期的暫態零序電流信號；
[0012](3)各終端運用暫態能量法、小波法、首半波法對3個周期的暫態零序電流信號進行分析計算，分別提取出各算法的零序電流特征數據，并將其上傳給主站；
[0013](4)主站接收到各終端傳來的各算法的暫態零序電流信號后，根據提取的零序電流特征數據確定極限學習機網絡結構和參數；
[0014](5)訓練極限學習機(ELM)網絡，選各條線路發生金屬性接地、經高阻接地、在B相電壓相角為0°、30°、45°、60°、90°時分別發生過渡電阻為200 Ω、400 Ω、2000 Ω、4000 Ω的間歇性弧光接地后通過步驟(3)得到的各算法暫態零序電流特征數據作為極限學習機(ELM)的訓練樣本的輸入向量Xi, i=l，2，".Ν，Ν為輸入樣本數，訓練樣本的輸出向量為yj; j=l, 2，…m，m表示區段數，y」為O或1，0表示非故障區段，I表示故障區段；訓練完成后，保存輸出權重;
[0015](6)將現場實際故障特征數據作為實際輸入樣本用訓練后的極限學習機(ELM)網絡進行定位，網絡的輸出結果即為現場實際故障的區段定位結果。
[0016]本發明還進一步優選以下技術方案:
[0017]在步驟(4)中確定極限學習機網絡結構和參數包括以下內容:
[0018]①確定輸入輸出層節點數
[0019]極限學習機網絡輸入層節點數P就是η個終端檢測到的上述3類特征數據，即輸入層節點數Ρ=3η ；
[0020]極限學習機網絡訓練樣本的輸出向量為m個區段的定位結果yj;其中，j=l，2，…m，y」為O或I ;
[0021]②確定隱含層節點數
[0022]隱含層節點數根據以下經驗公式確定:
[0023]
【權利要求】
1.一種基于極限學習機的多信息融合區段定位方法，其特征在于:線路故障發生后，安裝在線路上的終端對實時測得的暫態零序電流運用暫態能量法、小波法、首半波法提取特征向量上傳給主站，輸入到經訓練后得到權重參數的極限學習機網絡對故障進行定位，輸出線路的故障區段定位結果。
2.一種基于極限學習機的多信息融合區段定位方法，其特征在于，所述方法包括以下步驟: (O安裝在線路多個位置的終端實時檢測安裝位置處的暫態零序電流； (2)當任一終端檢測的零序電壓幅值超過預設的啟動值后，所有終端立刻準確捕捉零序電壓超過啟動值前I個周期和超過啟動值后2個周期的暫態零序電流信號； (3)各終端運用暫態能量法、小波法、首半波法對3個周期的暫態零序電流信號進行分析計算，分別提取出各算法的零序電流特征數據，并將其上傳給主站； (4)主站接收到各終端傳來的各算法的暫態零序電 流信號后，根據提取的零序電流特征數據確定極限學習機網絡結構和參數； (5)訓練極限學習機(ELM)網絡，選各條線路發生金屬性接地、經高阻接地、在B相電壓相角為O。、30°、45°、60°、90°時分別發生過渡電阻為200 Ω、400 Ω、2000 Ω、4000 Ω的間歇性弧光接地后通過步驟(3)得到的各算法暫態零序電流特征數據作為極限學習機(ELM)的訓練樣本的輸入向量Xi，i=l，2，…N，N為輸入樣本數，訓練樣本的輸出向量為yj;j=l, 2，…m，m表示區段數，&為O或1，0表示非故障區段，I表示故障區段；訓練完成后，保存輸出權重β i ; (6)將現場實際故障特征數據作為實際輸入樣本用訓練后的極限學習機(ELM)網絡進行定位，網絡的輸出結果即為現場實際故障的區段定位結果。
3.根據權利要求2所述的基于極限學習機的多信息融合區段定位方法，其特征在于: 在步驟(3)中各終端利用暫態能量法提取的特征數據為暫態能量數值比，暫態能量法為提取故障發生后一個周期內零序電壓以及暫態零序電流取乘積求和，即: 8 = Συο.^(I)
η 其中S表示各終端的暫態能量值，η表示一個周期內采樣數； 定義第i個終端的暫態能量值Si與所有終端暫態能量絕對值總和Ss的比SiZSz為暫態能量數值比，其中，暫態能量值Si含極性，即其值有正負之分。
4.根據權利要求2所述的基于極限學習機的多信息融合區段定位方法，其特征在于: 在步驟(3)中各終端利用小波法提取的特征數據為小波幅值比，對故障線路上各終端暫態零序電流信號根據mallet算法將頻率二分為高頻細節分量和低頻近似分量，提取250-500HZ的高頻細節分量進行重構，定義250-500HZ頻帶總能量為: =Eki0(^)J2(2)
η 式中:ε i為第i終端250-500HZ頻帶總能量，ω,) (η)為第(1，k)子頻帶下單節點重構后的重構系數，小波包分解后共有k個子頻帶數，I表示k個子頻帶數中第I個子頻帶，η表示250-500ΗΖ范圍內頻帶總數； 定義第i終端250-500ΗΖ頻帶總能量ε i與所有終端在該頻帶下總能量總和ε Σ的比ε J ε Σ為小波幅值比。
5.根據權利要求2所述的基于極限學習機的多信息融合區段定位方法，其特征在于: 在步驟(3)中各終端利用首半波法提取的特征數據為首半波幅值比，取故障發生后前半個周期的零序電流信號，采樣頻率為4kHZ，將第i終端提取的首半波幅值Ii與所有終端首半波幅值的絕對值總和I Σ的比IiA [定義為首半波幅值比。
6.根據權利要求2或3或4或5所述的基于極限學習機的多信息融合區段定位方法，其特征在于: 在步驟(4)中確定極限學習機網絡結構和參數包括以下內容: ①確定輸入輸出層節點數 極限學習機網絡輸入層節點數P就是η個終端檢測到的上述3類特征數據，即輸入層節點數Ρ=3η ； 極限學習機網絡訓練樣本的輸出向量為m個區段的定位結果yj;其中，j=l，2，…m，yj為O或I ; ②確定隱含層節點數 隱含層節點數根據以下經驗公式確定:
7.根據權利要求2-6任一項權利要求所述的基于極限學習機的多信息融合區段定位方法，其特征在于: 在步驟(5)中訓練ELM網絡包括以下步驟: ①給定數據集Z={ Cxi, tj)Xi e Rn, tj e Rm，i=l，2，…N，j=l，2，…m}作為訓練輸入樣本，將各終端在各種接地故障下的暫態零序電流特征數據讀入訓練樣本的輸入向量Xi, tj為訓練樣本實際輸出值； ②設定初始隱含層節點數L和訓練輸入樣本數量N，極限學習機算法通過訓練輸入樣本訓練單隱層前饋神經網絡，確定網絡的權重參數，實際樣本選取現場實際故障；③隨機選擇輸入連接權值％和隱含層節點偏移值bi;選擇激活函數為sigmoid函數:
IΦ) = -~—⑷
I + e ④計算隱含層節點輸出矩陣H，按照公式:
【文檔編號】G01R31/08GK103941156SQ201410152641
【公開日】2014年7月23日 申請日期:2014年4月16日 優先權日:2014年4月16日
【發明者】齊鄭, 張慧汐, 饒志, 李志 , 李硯, 蔡志偉 申請人:華北電力大學, 北京丹華昊博電力科技有限公司
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
