一种特高压直流输电线路故障智能分类与测距方法技术

一种特高压直流输电线路故障智能分类与测距方法，属电力系统继电保护技术领域。本发明专利技术采用分层分布式神经网络模型，用一个神经网络先对故障数据进行分类，区分故障的类型，而后将分类的数据分别送入不同的神经网络进行故障测距。当直流线路发生故障后，采样频率为１０ｋＨｚ，选取故障后采样序列长度为１００的离散线模电压信号，进行Ｓ变换，变换结果为一５１×１００的复时频矩阵，并对此复矩阵中的各个元素求模，得到线模电压在各频率上的暂态能量分布，选取能谱中前５项作为样本属性，选择传递函数和学习规则，设置合适的神经网络参数构造出ＢＰ网络模型，进行故障分类和故障定位。大量仿真结果表明，本发明专利技术效果良好。

【技术实现步骤摘要】

本专利技术涉及电力系统继电保护
，具体地说是一种利用S变换暂态能量的 特高压直流输电线路故障智能分类与测距方法。
技术介绍
目前国内还没有开展针对特高压直流输电系统的智能故障诊断的研究，国外对特 高压直流输电系统的智能故障诊断系统也寥寥无几，而且离实用化还有一定的距离。现有 的直流线路测距系统大多是利用输电线路行波传播特性的行波法，即通过测量行波在输电 线路上传播的时间来计算故障距离，分为单端法和双端法。虽然行波测距法具有不受电流 互感器饱和、系统振荡以及故障类型等影响的优点，但根据国内外实际运行的相关资料显 示，目前使用的直流线路行波测距法受到以下因素的影响(1)单端法投资较小，但后续反射波易受干扰信号影响、难以识别；双端测距法需 要在线路两端装设测距装置，并需要时间同步(GPS时钟)和通信通道，装置复杂，投资较 大。(2)故障产生的行波信号随机分量大、易受干扰、瞬间即逝、不可重复、难以准确测 量与捕捉。(3)行波受直流线路末端平波电抗器和直流滤波器的影响，近区存在死区。因此以输电线路行波传播特性为基础的直流线路测距易受上述因素的影响，测距 精度较差。直流线路故障类型、故障距离不同时，直流线模电压的能量分布是不同的，据此特 征可用以输电线路故障分类与定位。近年来得到广泛研究的人工神经网络具有良好的鲁棒 性、抗噪能力和容错能力，基于人工神经网络的故障分类与测距方法不易受系统参数变化 的影响。因此使用神经网络进行故障识别和故障定位。
技术实现思路
本专利技术的目的是提供一种基于S变换暂态能量的特高压直流输电线路故障智能 分类与测距方法。本专利技术的基于S变换暂态能量的特高压直流输电线路故障智能分类与测距方法 按以下步骤进行(1)直流线路发生故障后，启动元件立即启动，根据保护安装处测得的两极直流电 压，利用Karenbauer相模变换矩阵求出线模电压U1GO为Ux{k) = (U+(k)-U_(k))lyi2(1)式中，U+(k)为直流输电线路正极直流电压，U_(k)为直流输电线路负极直流电压， k = 1、2、3. ..N, N为采样序列长度；(2)对线模电压信号进行S变换，其采样频率为10kHz，采样序列长度为100，经S 变换得到51 X 100的复矩阵ι N-Iι卜]二丄⑵N k=oS[m,n]^X[n + k]β~2πν'“2β 2πΙαηΙΝ ηφΟ⑶k=0 ι N-IS[m,n\ = — Y^x [k]n=0(4)N k=o式中x[k]为采集到的N个离散的线模电压信号点，k = 0、l、2...N_l，N为采样 序列长度。X[n]为x[k]的傅里叶变换。S[m，η]为复时频矩阵，其列向量表示信号在某一 时刻的幅频特性，其行向量表示信号在某一频率的时域分布；(3)对得到的m行η列的复时频矩阵中的各个元素求模，得到模矩阵，根据下式计算线模电压信号在所选时窗内各频率的能量 100=(5)m=l式中|S[m，n] |为将S矩阵中的各个元素求模后得到的模矩阵，E (η)为某一特定 频率在所选时窗内的能量，η = 1、2、3...N+1，N为时间窗长度；(4)选取第(3)步求出的 Ε(η)的前 5 项 E(1)、E(2)、E(3)、E(4)和 Ε(5)，使用 mapminmax函数对其做归一化处理，将归一化得到的数据作为神经网络的输入向量；其神 经的输入样本1)输电线路全长1000km，取故障距离变化步长为10km，共有100组数据；2)故障电阻0彡Rf彡100 Ω即故障电阻步长为Δ Rf = 10 Ω，共有10组数据；不同故障类型雷击故障，雷击未故障，普通接地故障，共有3组数据；由上面三个 条件组合形成的神经网络的样本数组共3000个；(5)故障分类将第⑷步中的得到的神经网络的样本送入到故障分类的神经网 络中进行训练，并得到故障分类结果。(6)故障测距故障分类后，将第⑷步中的得到的神经网络的样本送入到故障测 距的神经网络中进行训练，并得到故障测距结果。故障分类的神经网络采用BP神经网络模型，网络拓扑结构为5X12X1，第一层为 输入层；第二层为隐含层，节点个数为12，传递函数为tansigmoid;第三层为输出层，传递 函数logsigmoid，训练算法选用自适应学习速度算法，最大训练次数选为10000次，目标函 数误差设定为le_5。故障测距的神经网络采用BP神经网络模型，网络拓扑结构为5X40X 1，第一层为 输入层；第二层为隐含层，节点个数为40，传递函数为transig ；第三层为输出层，传递函数 为trainlm，训练算法选用自适应学习速度算法，最大训练次数选为1000000次，目标函数 误差设定为le_7。以下是本专利技术的设计原理1.直流输电线路测距原理直流线路故障类型不同时，直流线模电压的能量分布是不同的，据此特征可用以 输电线路故障分类与定位。考虑不同的故障接地电阻、故障位置以及雷击引起的暂态过程， 将直流线路线模电压S变换后的暂态能量作为训练样本，选择合适的神经网络参数构造BP网络模型，训练得到的神经网络不但能够进行故障定位，还能判别故障类型，区分出接地故 障、雷击故障和雷击未故障。利用暂态能量特征并结合S变换和人工神经网络的故障智能 分类方法的原理图如附图说明图1所示。2.输电线路的雷击国内外的运行经验表明，90%的故障是由于雷击故障引起的。超高压输电系统的 快速发展，促进了基于行波或暂态量的超高速保护的研究。这些利用故障暂态信号构成的 保护原理不可避免地会受到各种高频信号的干扰。雷击未故障就是一种高频干扰，因此会 对基于行波和暂态量的保护有影响，故正确区分雷击故障、雷击未故障和普通故障，对特高 压输电系统有实际的意义。本专利技术构造的神经网络故障分类器将故障划分为3种类型接地故障、雷击故障 和雷击未故障。3. S变换的基本理论S变换是一种可逆的局部时频分析方法，其基本思想是对连续小波变换和短时傅 里叶变换的发展。信号x(t)的S变换S( τ，f)定义如下S(t, /)= Γ x(t)w(T -1, f) &>2πβ dt(1)J-OO式⑴中l/l J^⑵式(1)和式(2)中，《(τ-t，f)为高斯窗口 ； τ为控制高斯窗口在时间轴t的位 置参数；f为频率；j为虚数单位。 对式(1)右边先作传统的傅里叶变换，再作傅里叶反变换，最后进行变量代换将S 变换转换成信号X(t)的傅里叶变换X(f)的函数，即In1V1_2] S(T, /) = ￡ X(v + /) e2OTV dv(3) 式(3)中，f兴0。这样，S变换就可以利用FFT实现快速计算。由式(3)可以得 到信号x(k)的S变换的离散表示形式S[m，η]为N-I]2πΙ(η/Ν1 N-I ^H = -ZxWeN k=0ΛΜ 8[ιη,η] = ^Χ[η + ^ e2^lr W ηφΟk=0N-I⑷(5)(6)ι iV-13[πι,η] = —Υ^χ [k]η=0N k=o于是对采集到的N个离散信号点X[k](k = 0，l，...，N-l)采用式(3)、(4)进行S 变换，变换结果为一复时频矩阵，记作S矩阵，其行对应采样时间点，列对应频率，相邻行之 间的频率差Af为Af = -(7)N式(7)中，fs为采样频率，本文档来自技高网...

【技术保护点】

【技术特征摘要】
一种特高压直流输电线路故障智能分类与测距方法，其特征在于按以下步骤进行(1)直流线路发生故障后，启动元件立即启动，根据保护安装处测得的两极直流电压，利用Karenbauer相模变换矩阵求出线模电压U1(k)为 <mrow><msub> <mi>U</mi> <mn>1</mn></msub><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>=</mo><mrow> <mo>(</mo> <msub><mi>U</mi><mo>+</mo> </msub> <mrow><mo>(</mo><mi>k</mi><mo>)</mo> </mrow> <mo>-</mo> <msub><mi>U</mi><mo>-</mo> </msub> <mrow><mo>(</mo><mi>k</mi><mo>)</mo> </mrow> <mo>)</mo></mrow><mo>/</mo><msqrt> <mn>2</mn></msqrt><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow>式中，U+(k)为正极直流电压，U (k)为负极直流电压，k＝1、2、3...N，N为采样序列长度；(2)对线模电压信号进行S变换，其采样频率为10kHz，采样序列长度为100，经S变换得到51×100的复矩阵 <mrow><mi>X</mi><mo>[</mo><mi>n</mi><mo>]</mo><mo>=</mo><mfrac> <mn>1</mn> <mi>N</mi></mfrac><munderover> <mi>&Sigma;</mi> <mrow><mi>k</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><mi>x</mi><mo>[</mo><mi>k</mi><mo>]</mo><msup> <mi>e</mi> <mrow><mo>-</mo><mi>j</mi><mn>2</mn><mi>&pi;kn</mi><mo>/</mo><mi>N</mi> </mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo></mrow> </mrow> <mrow><mi>S</mi><mo>[</mo><mi>m</mi><mo>,</mo><mi>n</mi><mo>]</mo><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>k</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><mi>X</mi><mo>[</mo><mi>n</mi><mo>+</mo><mi>k</mi><mo>]</mo><msup> <mi>e</mi> <mrow><mo>-</mo><mn>2</mn><msup> <mi>&pi;</mi> <mn>2</mn></msup><msup> <mi>k</mi> <mn>2</mn></msup><mo>/</mo><msup> <mi>n</mi> <mn>2</mn></msup> &l...

【专利技术属性】
技术研发人员：束洪春，戴月涛，田鑫萃，张广斌，孙士云，白挺伟，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：53