专利名称：一种利用复小波和ann结合的谐振接地系统故障选线方法
技术领域：
本发明涉及电力系统继电保护技术领域，具体地说是一种利用复小波和ANN结合的谐振接地系统故障选线新方法。
背景技术：
配电网覆盖面广，且直接面对用户为其提供用电服务。根据统计单相接地故障约占配电网故障的80%。配电网谐振接地系统即为中性点经消弧线圈接地系统，属小电流接地系统。小电流接地系统单相接地故障会影响非故障相对地电压致其升高，电压升高会对电网设备的绝缘产生破坏；特别是间歇性电弧接地，会引起弧光过电压，该电压通过破坏系统绝缘进而发展成相间或多点接地短路，引起系统过电压，从而损坏设备，破坏系统安全运行，因此必须准确、快速找到故障线路并及时对故障进行排除。中性点经消弧线圈接地系统发生单相接地故障时，若应用工频稳态量群体比幅比相法进行选线，由于受消弧线圈补偿作用的影响，接地电流微弱，可能会导致选线错误。而故障后故障暂态电流幅值远大于稳态电流，且不受消弧线圈影响，因此利用暂态量的选线方法比利用稳态量的选线方法更具优势。但无论是利用稳态量还是暂态量选线，都存在有些故障特征比较明显，而有些故障特征则比较模糊，干扰因素对某些故障特征影响较大，对某些故障特征影响较小等问题，因此利用单一的选线判据也会出现误选情况。复小波为一系列母小波为复数的基函数,其小波变换参数也为复数，由此可同时得到信号幅值信息和相位信息。常用的复小波系列有复高斯、复Shannon、复Morlet和复频率B样条小波。复高斯小波具有非正交、非双正交、非紧支和不可完全重构的性质。复小波最大的优势在于它能提取信号的相位信息。ANN人工神经网络是一种自适应非线性动态系统，他由大量简单的神经元相互连接而成。人工神经网络的主要特征是:大规模的信息并行处理能力和分布式的信息存储功能，极强的自学、联想、容错能力和良好的自适应性、自组织性，是多输入和多输出的非线性系统。

发明内容
本发明的目的是提出一种利用复小波和ANN结合的谐振接地系统故障选线方法，克服现有谐振接地系统故障选线方法的不足。本发明利用复小波和ANN结合的谐振接地系统故障选线方法，按如下步骤进行:
(1)当母线零序电压瞬时值越限时，即K > Al时，故障选线装置立即启动并录波，
获取各条馈线零序暂态电流，记录下故障后5ms时窗所有馈线零序暂态电流；其中，K为母线额定电压，K, =0.15 ；
(2)对各零序暂态电流进行20阶复高斯小波变换，分解层数为256层；选取分解尺度为4-203层的分解结果，按照20个尺度一个频带进行划分，得到各馈线10个频带的能量；根据能量和最大原则，选取10个频带中所有馈线能量和最大的频带作为特征频带；求取特征频带内各馈线的能量馬i，提取各馈线特征频带中心频率对应的相位；
(3)设计BP神经网络，BP神经网络分为三层，拓扑结构为2 X 2m X m + 〗)；其中，第一层为输入层含个节点，将通过复小波变换求得的各馈线的能量I和各馈线特征频带中心频率对应的相位見作为样本属性；第二层为隐含层含u个节点，采用1gsig函数即对数sigmoid传递函数；第三层为输出层含(@+1)个节点,采用purelin函数即纯线性传递函数; 为谐振接地系统馈线数量， = 12，3Λ ;
(4)进行ANN(ArtificialNeural Network)训练,模拟仿真如下故障特征:在每条馈线的1/31、1/21、2/31处和母线处分别选取故障点，故障过渡电阻分别选取为电弧炉负荷和恒定过渡电阻20Ω、100Ω、500Ω，故障初始相角分别取0°、30°、60°、90°，负荷分别
选取为恒定功率负荷和电弧炉负荷；按步骤(I)、(2)所述方法，分别提取故障暂态量￡ 和^作为样本集，经归一化处理后输入BP神经网络中进行训练，得到符合要求的故障选线网络，误差性能目标为I ;
(5)将待选配电网的故障暂态量馬和式样本属性输入神经网络，对神经网络的输出结果进行反归一化处理，得到IX ( + I)的故障选线网络输出矩阵7= [Λ,Λ,Λ，...，Κ’ y_ I ;其中，《 = 1,2，3Λ为谐振接地系统馈线数量；
(6)根据故障选线网络输出矩阵7进行故障选线:当乃 1，其它值约等于O时，判定第1条馈线发生故障t力馈线编号；当乃s+1) ^ 1，其它值约等于O时，判定母线发生故障；
m = 12,3Λ为谐振接地系统馈线数量。本发明的原理是:
一、特征量的提取
1、当配电网母线零序电压瞬时值越限时，即>GA时，故障选线装置立即启动并录波，获取各条馈线零序暂态电流，记录下故障后5ms时窗所有馈线零序暂态电流；其中，U,为母线额定电压，K, =0.15 ；
2、暂态特征量的选定:由于各馈线的暂态分量在特征频带内的幅值(或能量)分布和相位分布都与故障馈线的暂态分量的分布特征存在着映射关系，为了减少干扰信号的影响，依据能量和最大原则选取所有馈线能量和最大的频带为特征频带；为了增强选线的可靠性，同时选取特征频带内各馈线的能量和特征频带中心频率对应的相位作为选线的特征量。3、复小波变换:复小波最大的优势在于它能同时提取信号的幅值信息和相位信息，这是因为复小波为一系列母小波为复数的基函数，其小波变换参数也为复数，由此可同时得到信号幅值信息和相位信息。常用的复小波系列有复高斯、复Shannon、复Morlet和复频率B样条小波。
连续复小波的变换为:
权利要求
1.一种利用复小波和ANN结合的谐振接地系统故障选线方法，其特征在于按下列过程实现: (1)当母线零序电压瞬时值越限时，即士(0> A/Λ时，故障选线装置立即启动并录波，获取各条馈线零序暂态电流，记录下故障后5ms时窗所有馈线零序暂态电流；其中，K为母线额定电压，K, =0.15 ； (2)对各零序暂态电流进行20阶复高斯小波变换，分解层数为256层；选取分解尺度为4-203层的分解结果，按照20个尺度一个频带进行划分，得到各馈线10个频带的能量；根据能量和最大原则，选取10个频带中所有馈线能量和最大的频带作为特征频带；求取特征频带内各馈线的能量見，提取各馈线特征频带中心频率对应的相位4 ； (3)设计BP神经网络，BP神经网络分为三层，拓扑结构为 X 2m X +1);其中，第一层为输入层含个节点，将通过复小波变换求得的各馈线的能量仏和各馈线特征频带中心频率对应的相位4作为样本属性；第二层为隐含层含2 个节点，采用1gsig函数即对数sigmoid传递函数；第三层为输出层含+ 个节点,采用purelin函数即纯线性传递函数; 为谐振接地系统馈线数量， = 12，3Λ ; (4)进行ANN训练，模拟仿真如下故障特征:在每条馈线的1/31、1/21、2/31处和母线处分别选取故障点，故障过渡电阻分别选取为电弧炉负荷和恒定过渡电阻20Ω、100Ω、·500 Ω，故障初始相角分别取0°、30°、60°、90°，负荷分别选取为恒定功率负荷和电弧炉负荷；按步骤(I)、(2)所述方法，分别提取故障暂态量毛和&作为样本集，经归一化处理后输入BP神经网络中进行训练，得到符合要求的故障选线网络，误差性能目标为I (5)将待选配电网的故障暂态量良和式样本属性输入神经网络，神经网络的输出结果经反归一化处理后得到故障线路，故障选线网络的输出量为IX ( + I)的矩阵，；T= [h,J2, y-1，, ym , ];其中，《 = 2,3Λ为谐振接地系统馈线数量； (6)根据步骤(5)得到的故障选线网络的输出量矩阵，进行故障选线；当 ^ 1，其它值约等于ο时，判定第,条馈线发生故障，i为馈线编号；当)>+1> 1，其它值约等于ο时，判定母线发生故障；《 = 为谐振接地系统馈线数量。
全文摘要
本发明是一种利用复小波和ANN结合的谐振接地系统故障选线方法。属电力系统继电保护技术领域。本发明为当母线零序电压瞬时值越限时，故障选线装置立即启动并录波，获取各条馈线零序暂态电流；利用复小波对各馈线故障后5ms时窗零序暂态电流进行变换分解，并进行频带划分，根据能量和最大原则选取所有馈线能量和最大的频带为特征频带，选取特征频带内各馈线的能量和特征频带中心频率对应的相位作为训练样本集，确定输入层、输出层和隐含层的节点数，选择传递函数和学习规则，并设置合适的神经网络参数，训练得到故障选线网络，自适应地选出故障线路，大量仿真表明本发明选线准确可靠。
文档编号G01R31/08GK103163430SQ201310107108
公开日2013年6月19日 申请日期2013年3月29日 优先权日2013年3月29日
发明者束洪春, 高利, 段锐敏, 朱梦梦 申请人:昆明理工大学