基于改进粒子群算法的大数据配电网故障选线分析方法技术

本发明专利技术公开了一种基于改进粒子群算法的大数据配电网故障选线分析方法，该方法对传统粒子群算法进行改进，不仅对SVM模型参数寻优速度更快且不易陷入局部最优点，并结合五次谐波法与小波包变化法实现了谐振系统接地故障的高效选线。本发明专利技术不仅实现速率高精确度好，而且不受接地电阻、故障距离等因素影响。

【技术实现步骤摘要】
基于改进粒子群算法的大数据配电网故障选线分析方法
本专利技术属于大数据通信领域，具体涉及基于改进粒子群算法的大数据配电网故障选线分析方法。
技术介绍
随着电网技术的发展与用户对供电质量要求的提高保证供电可靠性成为重中之重，而对配电系统线路故障进行快速准确的选线成为研究的热点。中性点谐振接地的配网系统发生单相接地故障时，由于零序电流微弱且方向不定、接地故障形式复杂多变等原因，中性点谐振接地系统成功率往往不够高。普通选线方式往往不适用于中性点谐振接地故障系统，如采用基于故障稳态特征的选线方法，但由于消弧线圈的电流补偿的不定向性，零序电流幅值法、零序电流比相法、零序无功功率方向法等不适用于谐振接地系统，而因为单一的谐波法因受负荷中的谐波源干扰也难以达到满意的效果所以谐波法同样不适用。有学者用小波分析等数学方法对故障零序电流的暂态特征进行提取，根据故障线路与健全线路小波分解系数的极性关系实现故障选线，随后又有学者发现小波包变化等更适用于谐振接地系统。但这些选线方式的选线效率都不够高，并且正确性不能保证。智能选线方法可有效提高正确率，但传统智能选线方法如神经网络、D-S证据理论、模糊理论等复杂度过高选线所需时间过长。有学者提出采用PSO-SVM故障选线方法，既能保证准确率又比其他的方式时间需要时间短。但SVM中重要一环为核函数，核函数参数若选择不当，选线精度随之降低，而传统粒子群算法容易陷入局部最优解不能达到足最优的选线结果。
技术实现思路
本专利技术的目的在于提供一种基于改进粒子群算法的大数据配电网故障选线分析方法，以克服现有技术存在的问题，本专利技术对于谐振系统故障选线具有良好结果，选线速度高，精确度好，并且不需要考虑接地电阻等其他因素的影响，具有良好的性能。为达到上述目的，本专利技术采用如下技术方案：基于改进粒子群算法的大数据配电网故障选线分析方法，包括以下步骤：步骤A、利用信号采集系统从故障时刻采集配电网谐振接地系统每条线路零序电流，采用小波包变换及五次谐波法进行处理，得到各个分量的特征值和训练样本、测试样本；步骤B、利用非线性映射将训练样本数据空间映射到高维特征空间，在高维特征空间中构造最优分类超平面，将其转化为二次规划问题计算粒子适应度值；步骤C、利用粒子群算法进行寻优产生局部最优解，在粒子迭代过程中采用锦标赛选择法进行交叉选择产生一组新粒子；步骤D、根据参数改进策略式分别对粒子群算法的粒子参数惯性权重、加速度因子进行更新，并分别更新粒子速度与位置；步骤E、将最优参数训练测试集输入到SVM模型进行故障选线。进一步地，步骤A具体包括：步骤A1、对配电网谐振接地系统中各线路零序电流信号经db5小波包4层分解，得到暂态能量故障特征为X1＝εk/εp，其中，εk为线路k在能量集中频带的能量，εp为所有线路在各自能量集中频带的能量总和；步骤A2、利用零序电流幅值进行故障选线，采用FFT变换对线路零序电流进行傅里叶变换，提取基波分量特征值为X2＝I1k/I1P，其中，I1k为线路k的零序电流基波分量，I1P为所有线路的零序电流基波分量之和；步骤A3、利用FFT从零序电流中提取五次谐波分量作为故障特征，五次谐波分量特征值为X3＝ε5k/ε5p，将其作为样本数据，其中，I5k为线路k的五次谐波分量幅值，I1P为所有线路的五次谐波分量幅值和。进一步地，步骤B具体包括(根据最优超平面计算粒子适应度值，B3和B4指的是对于非线性问题，SVM要引入核函数的概念，B2是将B1转化为二次规划问题，而B4是将非线性支持向量机构造最优超平面转化为二次规划问题，进而转化为对偶二次规划问题)：步骤B1、假设有训练样本集{(x1,y1),(x2,y2),...,(xl,yl)}，x∈Rn,y∈{+1,-1},i＝1,2,...,l，n为样本空间的维数，运用非线性映射将输入样本数据空间映射到高维特征空间，在高维特征空间中构造最优分类超平面：步骤B2、将构建最优超平面转化为下面的二次规划问题：其中，ω表示权值矢量，b表示阈值，C表示对错误的惩罚参数，且C＞0，ζi为松弛项，分类间隔为2/||ω||，要使2/||ω||最大即为使||ω||2/2最小，l为支持向量的个数，a为拉格朗日乘子；步骤B3、选择SVM算法的发展中RBF核函数，其最优分类面的决策函数如下式所示，“其”指的是步骤B1中得到的最优分类超平面，它的决策函数为下面的式子：其中，ω*，b*和分别为ω，b和αi的偏置，αi拉格朗日乘子；步骤B4、根据步骤B2和B3，同样，非线性支持向量机构造最优超平面也能够转化为二次规划问题，进而转化为其对偶二次规划问题：其中，其中，L(α)表示最优超平面，K(xi,xj)为RBF核函数，j＝1,2,...,l，yiαi表示权值。进一步地，步骤C具体包括：步骤C1、使用RBF核函数的SVM模型中惩罚参数C与核函数参数σ，采用粒子群算法对参数进行寻优；步骤C2、采用锦标赛选择法进行交叉选择产生一组新粒子，每次迭代后将选择适应度值最优的前m个粒子进入下次迭代，m为偶数，剩余粒子执行交叉选择操作，将交叉后生成的子代与父代结合在一起，选择适应度值最好的一半进入下次迭代，得到的个体构成新的粒子群。进一步地，步骤D具体包括：步骤D1、改进惯性权重：在寻优前期利于遍历全部取值区间，在寻优后期利于算法收敛，更新过程为其中，wstart，wend分别为初始惯性权重与终止惯性权重；r3为闭区间[0,1]内的均匀分布随机数；步骤D2、改进加速因子，c1,c2为加速度因子，分别表示粒子的个体认知因子与社会认知因子，代表了粒子的学习能力，改进的加速度因子分别为步骤D3、通过适应度函数计算出粒子群算法在寻优过程中的适应度值，并进行比较来不断更新个体极值与群体极值，速度与位置的更新过程为：vk,e(t+1)＝w(t)vk,e(t)+c1(t)·r1(t)(pk,e(t)-xk,e(t))+c2(t)·r2(t)(pg,e(t)-xg,e(t))xk,e(t+1)＝xk,e(t)+vk,e(t+1)其中，t为当前迭代次数；tmax为最大迭代次数；vk,e为第k个粒子第e维的粒子速度，且k＝1,2,...,l，xk,e为第k个粒子第e维的粒子位置；pk,e第k个粒子第e维的个体最优位置；pg,e为第e维的群体最优位置，下标g表示核函数中要优化的参数，即σ；r1、r2分别表示闭区间[0,1]内两个相互独立的均匀分布随机数。进一步地，步骤E具体包括：步骤E1、选择出最优参数后，输入故障特征样本数据对SVM进行样本训练，利用训练好的SVM对测试样本进行检验；步骤E2、对SVM进行故障选线，将输出结果判为两种结果1或-1，1代表非故障线路，-1代表故障线路，根据具体结果即得到选线识别结果。与现有技术相比，本专利技术具有以下有益的技术效果：本专利技术针对谐振系统故障选线提出一种改进的PSO-SVM智能选线方法，使粒子群不易陷入局部最优点，在步骤C中利用粒子群算法寻优，对加速度因子进行改进，使粒子群粒子在寻优前期具有强大的全局搜索能力不易陷入局部最优解，后期能在最优解附近进行精细搜寻，达到最优解。SVM分类能力很强，尤其在解决小样本、非线性、多维数的实际问题时具备一定的优势。PSO在解决优化问题时算法简单、易本文档来自技高网...

【技术保护点】
1.基于改进粒子群算法的大数据配电网故障选线分析方法，其特征在于，包括以下步骤：步骤A、利用信号采集系统从故障时刻采集配电网谐振接地系统每条线路零序电流，采用小波包变换及五次谐波法进行处理，得到各个分量的特征值和训练样本、测试样本；步骤B、利用非线性映射将训练样本数据空间映射到高维特征空间，在高维特征空间中构造最优分类超平面，将其转化为二次规划问题计算粒子适应度值；步骤C、利用粒子群算法进行寻优产生局部最优解，在粒子迭代过程中采用锦标赛选择法进行交叉选择产生一组新粒子；步骤D、根据参数改进策略式分别对粒子群算法的粒子参数惯性权重、加速度因子进行更新，并分别更新粒子速度与位置；步骤E、将最优参数训练测试集输入到SVM模型进行故障选线。

【技术特征摘要】
1.基于改进粒子群算法的大数据配电网故障选线分析方法，其特征在于，包括以下步骤：步骤A、利用信号采集系统从故障时刻采集配电网谐振接地系统每条线路零序电流，采用小波包变换及五次谐波法进行处理，得到各个分量的特征值和训练样本、测试样本；步骤B、利用非线性映射将训练样本数据空间映射到高维特征空间，在高维特征空间中构造最优分类超平面，将其转化为二次规划问题计算粒子适应度值；步骤C、利用粒子群算法进行寻优产生局部最优解，在粒子迭代过程中采用锦标赛选择法进行交叉选择产生一组新粒子；步骤D、根据参数改进策略式分别对粒子群算法的粒子参数惯性权重、加速度因子进行更新，并分别更新粒子速度与位置；步骤E、将最优参数训练测试集输入到SVM模型进行故障选线。2.根据权利要求1所述的基于改进粒子群算法的大数据配电网故障选线分析方法，其特征在于，步骤A具体包括：步骤A1、对配电网谐振接地系统中各线路零序电流信号经db5小波包4层分解，得到暂态能量故障特征为X1＝εk/εp，其中，εk为线路k在能量集中频带的能量，εp为所有线路在各自能量集中频带的能量总和；步骤A2、利用零序电流幅值进行故障选线，采用FFT变换对线路零序电流进行傅里叶变换，提取基波分量特征值为X2＝I1k/I1P，其中，I1k为线路k的零序电流基波分量，I1P为所有线路的零序电流基波分量之和；步骤A3、利用FFT从零序电流中提取五次谐波分量作为故障特征，五次谐波分量特征值为X3＝ε5k/ε5p，将其作为样本数据，其中，I5k为线路k的五次谐波分量幅值，I1P为所有线路的五次谐波分量幅值和。3.根据权利要求2所述的基于改进粒子群算法的大数据配电网故障选线分析方法，其特征在于，步骤B具体包括：步骤B1、假设有训练样本集{(x1,y1),(x2,y2),...,(xl,yl)}，x∈Rn,y∈{+1,-1},i＝1,2,...,l，n为样本空间的维数，运用非线性映射将输入样本数据空间映射到高维特征空间，在高维特征空间中构造最优分类超平面：步骤B2、将构建最优超平面转化为下面的二次规划问题：其中，ω表示权值矢量，b表示阈值，C表示对错误的惩罚参数，且C＞0，ζi为松弛项，分类间隔为2/||ω||，要使2/||ω||最大即为使||ω||2/2最小，l为支持向量的个数，a为拉格朗日乘子；步骤B3、选择SVM算法中的RBF核函数，其最优分类面的决策函数为：其中，ω*，b*和分别为ω，b和αi的偏置；步骤B4...

【专利技术属性】
技术研发人员：门强，蔺庚立，李睿，郭海涛，徐迪，严海波，白晓斌，张俊，马林，张翀，郑乾，
申请(专利权)人：国网陕西省电力公司宝鸡供电公司，保定市睿为电气科技有限公司，国家电网有限公司，
类型：发明
国别省市：陕西,61