基于径向基网络的小电流接地系统多判据故障选线方法技术方案

本发明专利技术公开了一种基于径向基(RBF)网络的小电流接地系统多判据故障选线方法。针对小电流接地系统故障选线，采样不同故障条件下的零序电流信号，提取基波特征分量、5次谐波特征分量、有功分量及暂态分量，输入RBF神经网络，并利用差分进化算法(DE)对RBF网络结构参数进行训练，获取RBF神经网络的最优参数。测试结果显示，经过差分进化算法训练的RBF网络收敛速度快，输出误差小，由此构建的选线模型正确率高，且不受各种故障条件的影响。

Multiple Criteria Fault Line Selection Method for Small Current Grounding System Based on Radial Basis Network

【技术实现步骤摘要】
基于径向基网络的小电流接地系统多判据故障选线方法
本专利技术属于电力系统继电保护领域，尤其涉及一种基于径向基网络的小电流接地系统多判据故障选线方法。
技术介绍
10～66kV供电系统广泛采用小电流接地方式，其中发生的故障70％是单相接地，尤其南方供电系统多雷雨潮湿天气，概率更高。目前自动化水平不高的变电站仍采用人工拉路的方法搜寻故障线路，因此自动快速定位故障线路，对提高供电可靠性尤为重要。小电流接地系统自动选线主要有稳态法和暂态法，稳态法包括谐波分量法、零序电流幅值比较法、方向法等；稳态故障信号弱，导致灵敏度降低，且容易受到间歇性电弧干扰。暂态法主要有暂态能量法、小波法、暂态零模电流方向法、行波法等，相比于稳态法，暂态故障量明显，灵敏度高，因而得到广泛应用。从实际应用情况来看，单一选线法往往正确率不高，一是因为各种电网结构及复杂故障条件下，不同故障分量存在显著差异，二是故障分量的有效部分受电磁干扰以及负荷变化的影响较大，干扰了选线结果。针对上述情况，采用人工智能特别是神经网络综合多种选线方法的复合选线策略逐渐受到重视，然而目前方法大多采用BP神经网络，网络结构与权值随机确定，存在收敛速度慢、局部极小等问题。RBF径向基神经网络是一种局部逼近神经网络，对于局部的输入区域，影响输出的仅少数几个权，学习效率高、逼近精度高且全局最优。理论上网络效率RBF比BP快3到4个数量级。不过RBF也存在待定网络结构参数较多的缺陷，任意构造的RBF神经网络在面对小电流接地不同故障下相差悬殊的故障分量时，有可能达不到预期输出精度。
技术实现思路
针对以上现有技术存在的不足，本专利技术提出一种基于径向基网络的小电流接地系统多判据故障选线方法，以解决现有技术通过RBF对小电流接地系统自动选线存在的预期输出精度不高等技术问题。本专利技术技术方案：一种基于径向基网络的小电流接地系统多判据故障选线方法，它包括：步骤(1)、采样零序短路电流信号，其中稳态分量取故障发生三个周期后的信号，暂态分量取故障前一周期和后一周期共两个周期信号；步骤(2)、利用快速傅氏变换算法，从稳态分量中分别提取基波特征分量、5次谐波特征分量和有功分量；步骤(3)利用db10小波包开展5层小波包分解，提取暂态特征分量，加上步骤(2)提取的三种稳态特征分量，共同构成训练和测试样本集；步骤(4)构建RBF神经网络选线模型，输入训练样本，采用改进差分进化算法训练RBF神经网络，获取RBF神经网络的最优参数；步骤(5)将测试样本集输入优化后的RBF神经网络，实现对小电流接地系统故障的选线。步骤4所述构建RBF神经网络选线模型，输入训练样本，采用改进差分进化算法训练RBF神经网络，获取RBF神经网络的最优参数的方法包括：Step1、将RBF神经网络的初始权值和径向基的中心位置、宽度等作为待优化参数，产生初始化种群；Step2、建立RBF网络参数优化的适应度函数，以网络理想输出与实际输出之间误差平方和形式表示：式中yi(l)和分别为样本1在RBF网络第i个输出节点的实际输出与理想输出，n为样本数；m为样本输出数。Step3、将当前种群向量(待优化参数)代入RBF选线模型，同时输入训练样本，根据网络输出计算适应度函数值，记录对应最小适应度的的网络参数；Step4、判断当前种群最小适应度值是否达到迭代终止准则，若达到要求，则终止训练并返回最优网络参数；Step5、若未达到要求，对种群进行变异、交叉、选择操作，得到新一代种群，接着返回Step3。步骤Step5的实现方法包括：Step5.1，在父代向量基础上，经如下变异操作得到一个扰动向量：Wi，G+1＝Zbest+F·(Zr1，G-Zr2，G)式中，G表示个体代数，i为个体序号，Zr1，G、Zr2，G是任选的父代向量，Zbest是适应度最优的向量，Wi，G+1是新产生的扰动向量；r1，r2是随机数，保证了Wi，G+1与Zi，G的无关，范围在[0，P-1]之间，且i≠r1≠r2；向量之差(Zr1，G-Zr2，G)的倍数F称为缩放比例因子，范围在[0，2]之间；Step5.2，向量Zi，G与扰动量Wi，G+1进行如下交叉操作产生新的向量Vi，G+1：Vi，G+1＝(V0，i，G+1，V1，i，G+1，...，VM-1，i，G+1)其中，式中，j＝0，1，…，M-1，rand是随机数，范围在[0，1]；R(i)是随机整数，范围在[0，M-1]；CR是交叉概率，范围在[0，1]；Step5.3，在Vi，G+1和父代Zi，G之间进行选择操作：分别计算二者适应度，适应度更优的成为下一代个体Zi，G+1，如果Vi，G+1胜出，则再与Zbest进行适应度比较，以完成Zbest的优化更新。本专利技术的有益效果：1、本专利技术改进差分进化算法的种群更新机制，让缩放比例因子F参与种群更新，同时采用自适应交叉概率CR，有效提高了差分进化算法的寻优速度与精度。采用改进的差分进化算法对RBF网络进行训练，RBF径向基函数的中心位置、宽度和输出层连接权重趋向最优，由此构建的选线模型收敛速度快，泛化能力强。2、单相接地时故障与非故障线路上的零序电流差异显著，所以零序电流基波是有效判据，但消弧线圈接地会补偿基波分量，但几乎补偿不了五次谐波，故同时提取基波与五次谐波分量作为故障特征；考虑到广泛采用的消弧线圈并(串)电阻的接地方式会减小上述故障特征，但会在故障线路产生较大的有功分量，因而增加有功分量判据；上述判据均属于稳态法，易受间歇性电弧影响，采用暂态能量法灵敏度高，不受间歇性电弧影响，但过大的过渡电阻会降低电流突变量，需要配合稳态判据避免漏选。总之，故障条件不同，产生的故障特征量数值和规律差别很大，有的明显，有的模糊，若采用单一判据难以适应各种故障条件，本专利技术通过提取三种稳态分量，并结合利用小波分析得到的暂态分量，形成了多判据融合，充分利用丰富的故障特征信息，分别从不同角度反映故障线路与非故障线路的特征差异，因而选线结果对各种故障条件的适应性更强，不受故障位置、故障初始角、过渡电阻及消弧线圈等因素的干扰。解决了现有技术通过RBF对小电流接地系统自动选线存在的预期输出精度不高等技术问题。附图说明图1为本专利技术流程示意图；图2为本专利技术RBF神经网络模型；图3为本专利技术小电流接地系统仿真模型；图4为本专利技术差分进化算法优化RBF与单纯RBF网络训练误差曲线对比图。具体实施方式为了进一步了解本专利技术的内容，下面结合附图并举实例对本专利技术进行详细描述。本专利技术提供一种基于径向基网络的小电流接地系统多判据故障选线方法，如图1所示，本专利技术将改进的差分进化算法和RBF神经网络相结合，利用差分进化算法对待定的RBF网络结构参数进行优化，构建新型优化的RBF网络选线模型，并应用于小电流接地故障选线中。RBF待定网络结构参数较多，关键参数首先是径向基函数的中心位置和宽度，因为径向基函数是隐单元激励函数，而对隐单元输出直接线性加权求和就得到网络输出；其次是输出层连接权重，因为RBF是局部逼近，对于输入的某个局部区域，影响输出的只是个别权重系数。本专利技术采用的单隐层前馈RBF网络结构如图2所示。在小电流接地系统复杂故障条件下，上述网络参数如果随意设置，将严重影响神经网络的逼近能力，进而影响选线正确率。因此优化R本文档来自技高网...

【技术保护点】
1.一种基于径向基网络的小电流接地系统多判据故障选线方法，它包括：步骤(1)、采样零序短路电流信号，其中稳态分量取故障发生三个周期后的信号，暂态分量取故障前一周期和后一周期共两个周期信号；步骤(2)、利用快速傅氏变换算法，从稳态分量中分别提取基波特征分量、5次谐波特征分量和有功分量；步骤(3)利用db10小波包开展5层小波包分解，提取暂态特征分量，加上步骤(2)提取的三种稳态特征分量，共同构成训练和测试样本集；步骤(4)构建RBF神经网络选线模型，输入训练样本，采用改进差分进化算法训练RBF神经网络，获取RBF神经网络的最优参数；步骤(5)将测试样本集输入优化后的RBF神经网络，实现对小电流接地系统故障的选线。

【技术特征摘要】
1.一种基于径向基网络的小电流接地系统多判据故障选线方法，它包括：步骤(1)、采样零序短路电流信号，其中稳态分量取故障发生三个周期后的信号，暂态分量取故障前一周期和后一周期共两个周期信号；步骤(2)、利用快速傅氏变换算法，从稳态分量中分别提取基波特征分量、5次谐波特征分量和有功分量；步骤(3)利用db10小波包开展5层小波包分解，提取暂态特征分量，加上步骤(2)提取的三种稳态特征分量，共同构成训练和测试样本集；步骤(4)构建RBF神经网络选线模型，输入训练样本，采用改进差分进化算法训练RBF神经网络，获取RBF神经网络的最优参数；步骤(5)将测试样本集输入优化后的RBF神经网络，实现对小电流接地系统故障的选线。2.根据权利要求1所述的一种基于径向基网络的小电流接地系统多判据故障选线方法，其特征在于：步骤4所述构建RBF神经网络选线模型，输入训练样本，采用改进差分进化算法训练RBF神经网络，获取RBF神经网络的最优参数的方法包括：Step1、将RBF神经网络的初始权值和径向基的中心位置、宽度等作为待优化参数，产生初始化种群；Step2、建立RBF网络参数优化的适应度函数，以网络理想输出与实际输出之间误差平方和形式表示:式中yi(l)和分别为样本l在RBF网络第i个输出节点的实际输出与理想输出，n为样本数；m为样本输出数。Step3、将当前种群向量(待优化参数)代入RBF选线模型，同时输入训练样本，根据网络输出计算适应度函数值，记录对应最小适应度的的网络参数；S...

【专利技术属性】
技术研发人员：任庭昊，胡兵轩，覃禹铭，陈挺，卢颖，代启璨，田家豪，毛杰，罗继英，郜晓娜，毛建维，蒲桂林，赵月辉，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：贵州,52