一种基于自组织竞争型神经网络的接地故障类型识别方法，属于电力系统继电保护领域。其特征在于：包括如下步骤：步骤a，采集故障后的零序电流并求得工频分量；步骤b，获取零序电流工频分量幅值变化趋势函数；步骤c，提取特征参数；步骤d，未发生非稳定接地的接地故障，执行步骤e；步骤e，构建基于自组织竞争型的神经网络；步骤f，由基于自组织竞争型的神经网络判断配电网中发生树线放电故障还是其他类型的稳定接地的接地故障，并进行输出。在本基于自组织竞争型神经网络的接地故障类型识别方法中，利用竞争型神经网络对配电网中接地故障的类型进行识别，特别是准确的对树线放电故障进行了识别，填补了本领域的空白。填补了本领域的空白。填补了本领域的空白。
【技术实现步骤摘要】
一种基于自组织竞争型神经网络的接地故障类型识别方法
[0001]一种基于自组织竞争型神经网络的接地故障类型识别方法，属于电力系统继电保护领域。
技术介绍
[0002]中压配电网的高阻接地故障占单相接地故障总数的5％～10％，其中一部分为架空线路经树木接地的树线放电故障。树线放电故障的电气特征量微弱，往往无法达到保护装置启动的门槛值，该类故障的长期存在会有引发山林火灾的风险，严重威胁人民群众的生命财产安全。
[0003]现阶段，中压配电网接地故障类型识别方法主要利用小波变换等算法提取接地故障零序信息量的时频域特征作为特征数据，或者直接将接地故障零序信息量波形作为特征数据，将特征数据输入到支持向量机或者神经网络中，实现接地故障的类型识别。现有的中压配电网接地故障识别方法数据预处理的手段过于复杂，利用机器学习智能算法存在模糊边界与不确定性，并且没有可靠、准确的树线放电故障检测方法，无法识别树线放电故障是否发生，存在这一研究领域的空白。
技术实现思路
[0004]本专利技术要解决的技术问题是：克服现有技术的不足，提供一种利用竞争型神经网络对配电网中接地故障的类型进行识别，特别是准确的对树线放电故障进行了识别的基于自组织竞争型神经网络的接地故障类型识别方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：该基于自组织竞争型神经网络的接地故障类型识别方法，其特征在于：包括如下步骤：
[0006]步骤a，配电线路中发生接地故障后，采集故障后的零序电流信号，并计算故障后的零序电流信号的工频分量；
[0007]步骤b，根据故障后零序电流信号的工频分量，获取零序电流信号工频分量幅值变化的趋势函数；
[0008]步骤c，通过曲线拟合手段提取零序电流信号幅值变化趋势函数的特征参数；
[0009]步骤d，判断配电网中发生的接地故障类型是否为非稳定接地的接地故障，如果配电网中发生的接地故障类型是非稳定接地的接地故障，则判定结束；如果配电网中发生的接地故障类型不是非稳定接地的接地故障，执行步骤e；
[0010]步骤e，构建基于自组织竞争型的神经网络；
[0011]步骤f，由基于自组织竞争型的神经网络判断配电网中发生树线放电故障还是其他类型的稳定接地的接地故障，并进行输出。
[0012]优选的，在执行所述的步骤e时，包括如下步骤：
[0013]步骤e
‑
1，获取零序电流幅值变化趋势函数特征参数的符号矩阵与欧氏距离矩阵；
[0014]步骤e
‑
2，计算竞争层元素的状态；
[0015]计算竞争层神经元j的状态S
j
：
[0016]其中，inputsum
i
为输入层数据的第i个元素；
[0017]步骤e
‑
3，求解获胜的神经元，获胜的神经元代表输入样本的分类模式竞争层中加权值最大的神经元获胜，输出为：
[0018][0019]步骤e
‑
4，计算获胜神经元的权值修正，对于所有的输入层神经元i，有：
[0020][0021]其中，α为学习系数，一般取0＜α＜＜1；μ为输出为1的神经元个数，即
[0022]步骤e
‑
5，计算输出为1的神经元对应输入层数据与所有输入层数据的欧氏距离，寻求相类似的数据；
[0023]步骤e
‑
6，判断是否满足收敛条件，如果满足收敛条件，执行步骤e
‑
7，如果不满足收敛条件，返回步骤e
‑
2。
[0024]步骤e
‑
7，返回所述步骤f。
[0025]优选的，在所述的步骤e
‑
5中，所述相类似的数据的计算公式为：
[0026][0027]其中inputsum
output＝1
i为输出为1的神经元对应输入层数据的第i个元素，inputsumi为所有输入层数据与之对应的第i个元素，当ED(inputsum
output＝1
inputsum)小于预设门槛值时认为两组数据相类似。
[0028]优选的，在执行所述的步骤d时，根据步骤b中获取的零序电流信号工频分量幅值变化的趋势函数和步骤c中拟合得到的趋势函数的差异，获取两个信号的均方差值，若两个信号的均方差值小于设定的门槛值时，表示配电网中发生的接地故障类型为非稳定接地的接地故障；当两个信号的均方差值大于等于设定的门槛值时，表示配电网中发生的接地故障类型为稳定接地的接地故障。
[0029]优选的，在所述的步骤b中，零序电流信号工频分量幅值变化的趋势函数Amp_i0(k)为：
[0030][0031]其中：A1表示指数分量的幅值，A2表示指数分量的衰减/增益系数，A3表示恒定直流分量的幅值。
[0032]优选的，所述的两个信号的均方差值MSE(Amp_i0(k)，y
(3)
)为：
[0033][0034]其中，n为零序电流信号的数据长度，W
i
为均方根差值的权重，Amp_i0(k)为零序电流信号工频分量幅值变化的趋势函数，y
(3)
为趋势函数的差异。
[0035]优选的，在执行步骤c时，包括如下步骤：
[0036]步骤c
‑
1，以三次多项式拟合Amp_i0(k)并提取其特征参数，幅值变化趋势函数Amp_i0(k)的拟合公式为：
[0037]y
(3)
＝B3x3+B2x2+B1x+B0[0038]其中，B3～B0为拟合参数；
[0039]步骤c
‑
2，对零序电流信号工频分量幅值变化的趋势函数进行泰勒展开，并忽略泰勒展开式的高次项，得到：
[0040][0041]其中：A1表示指数分量的幅值，A2表示指数分量的衰减/增益系数，A3表示恒定直流分量的幅值；
[0042]利用三次拟合Amp_i0(k)，提取其特征参数，其中三次拟合参数与Amp_i0(k)泰勒展开式参数的对应关系为：
[0043][0044]其中：A1表示指数分量的幅值，A2表示指数分量的衰减/增益系数，A3表示恒定直流分量的幅值；B3～B0为拟合参数。
[0045]与现有技术相比，本专利技术所具有的有益效果是：
[0046]在本基于自组织竞争型神经网络的接地故障类型识别方法中，利用竞争型神经网络对配电网中接地故障的类型进行识别，特别是准确的对树线放电故障进行了识别，填补了本领域的空白，及时、准确地识别中压配电网树线放电故障、间歇性接地故障以及其他类型接地故障的发生。
[0047]在本基于自组织竞争型神经网络的接地故障类型识别方法中，针对间歇性接地故障零序电流幅值变化趋势近似为方波信号，频率分量复杂，难以利用曲线拟合方式完全拟合，其他故障信号可以完全拟合的特性，利用间歇性接地故障与不同接地故障零序电流的幅值变化趋势与拟合后本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于自组织竞争型神经网络的接地故障类型识别方法，其特征在于：包括如下步骤：步骤a，配电线路中发生接地故障后，采集故障后的零序电流信号，并计算故障后的零序电流信号的工频分量；步骤b，根据故障后零序电流信号的工频分量，获取零序电流信号工频分量幅值变化的趋势函数；步骤c，通过曲线拟合手段提取零序电流信号幅值变化趋势函数的特征参数；步骤d，判断配电网中发生的接地故障类型是否为非稳定接地的接地故障，如果配电网中发生的接地故障类型是非稳定接地的接地故障，则判定结束；如果配电网中发生的接地故障类型不是非稳定接地的接地故障，执行步骤e；步骤e，构建基于自组织竞争型的神经网络；步骤f，由基于自组织竞争型的神经网络判断配电网中发生树线放电故障还是其他类型的稳定接地的接地故障，并进行输出。2.根据权利要求1所述的基于自组织竞争型神经网络的接地故障类型识别方法，其特征在于：在执行所述的步骤e时，包括如下步骤：步骤e
‑
1，获取零序电流幅值变化趋势函数特征参数的符号矩阵与欧氏距离矩阵；步骤e
‑
2，计算竞争层元素的状态；计算竞争层神经元j的状态S
j
：其中，inputsum
i
为输入层数据的第i个元素；步骤e
‑
3，求解获胜的神经元，获胜的神经元代表输入样本的分类模式竞争层中加权值最大的神经元获胜，输出为：步骤e
‑
4，计算获胜神经元的权值修正，对于所有的输入层神经元i，有：其中，α为学习系数，一般取0＜α＜＜1；μ为输出为1的神经元个数，即步骤e
‑
5，计算输出为1的神经元对应输入层数据与所有输入层数据的欧氏距离，寻求相类似的数据；步骤e
‑
6，判断是否满足收敛条件，如果满足收敛条件，执行步骤e
‑
7，如果不满足收敛条件，返回步骤e
‑
2。步骤e
‑
7，返回所述步骤f。3.根据权利要求2所述的基于自组织竞争型神经网络的接地故障类型识别方法，其特征在于：在所述的步骤e
‑
5中，所述相类似的数据的计算公式为：
其中inputsum
output＝1
i为输出为1的神经元对应输入层数据的第i个元...
【专利技术属性】
技术研发人员：徐丙垠，王鹏玮，陈恒，梁栋，孙中玉，
申请(专利权)人：山东科汇电力自动化股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。