基于原子稀疏分解與極限學(xué)習(xí)機(jī)的配電網(wǎng)故障選線方法
【專利摘要】本發(fā)明涉及一種基于原子稀疏分解與極限學(xué)習(xí)機(jī)相結(jié)合的故障投票選線方法。首先，采用原子稀疏分解算法將不同類型故障后各分支線路首個(gè)2T的零序電流進(jìn)行分解，選取前4個(gè)原子分別組成主分量原子樣本庫(kù)，基波原子樣本庫(kù)，暫態(tài)特征原子樣本庫(kù)1，暫態(tài)特征原子樣本庫(kù)2；然后，采用信息熵與統(tǒng)計(jì)理論，對(duì)各原子樣本庫(kù)進(jìn)行計(jì)算，得到各原子樣本庫(kù)的信息熵測(cè)度值；其次，分別構(gòu)建4個(gè)ELM網(wǎng)絡(luò)對(duì)各原子樣本庫(kù)中的樣本進(jìn)行訓(xùn)練與測(cè)試，得出各ELM網(wǎng)絡(luò)輸出判別的準(zhǔn)確率；最后，結(jié)合ELM網(wǎng)絡(luò)輸出判別與選線可信度進(jìn)行故障投票，進(jìn)而通過(guò)選票的數(shù)值大小比較實(shí)現(xiàn)故障選線。仿真實(shí)驗(yàn)表明，所提方法選線準(zhǔn)確率可達(dá)100％，且不受故障距離，接地電阻值的影響，并且具有極強(qiáng)的抗噪聲干擾能力。
【專利說(shuō)明】基于原子稀疏分解與極限學(xué)習(xí)機(jī)的配電網(wǎng)故障選線方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于原子稀疏分解與極限學(xué)習(xí)機(jī)的配電網(wǎng)故障選線方法，屬電力 系統(tǒng)故障選線【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 故障選線的研究重點(diǎn)是配電網(wǎng)發(fā)生單相接地故障時(shí)故障線路的識(shí)別判斷，此時(shí)故 障電流微弱，經(jīng)消弧線圈接地方式下更是如此。對(duì)于該系統(tǒng)而言，故障選線是一種利用微弱 信號(hào)做出辨識(shí)的技術(shù)，僅利用傳統(tǒng)的電流幅值大小與相位相反等信息的常規(guī)方法難以取得 令人滿意的結(jié)果。
[0003] 近年來(lái)，眾多學(xué)者開(kāi)始將現(xiàn)代信號(hào)處理技術(shù)應(yīng)用于配電網(wǎng)的故障選線中，涌現(xiàn)出 大量的故障選線方法，概括起來(lái)主要采用小波變換、S變換、數(shù)學(xué)形態(tài)學(xué)、希爾伯特-黃變化 (HHT)、普羅尼（Prony)算法、Hough變換等信號(hào)處理工具提取信號(hào)，然后采用人工神經(jīng)網(wǎng) 絡(luò)、支持向量機(jī)、貝葉斯分類法等建立選線判據(jù)。
[0004] 小波變換可對(duì)獲得的零序電流進(jìn)行分解，通過(guò)計(jì)算小波模極大值確定故障電流行 波波頭的到達(dá)時(shí)刻，進(jìn)而在此時(shí)刻比較各饋線的幅值與極性實(shí)現(xiàn)故障選線。利用S變換后 電氣量在各頻率點(diǎn)的模值和相角信息，通過(guò)模值比較，找出了特征頻率點(diǎn)；通過(guò)相角比較， 制定出選線投票機(jī)制。實(shí)驗(yàn)表明，在選出故障饋線的同時(shí)，給出了選線信心度?；跀?shù)學(xué)形 態(tài)學(xué)的暫態(tài)選線方法包括兩方面：一方面，利用組合形態(tài)濾波器對(duì)選線數(shù)據(jù)進(jìn)行濾波預(yù)處 理，最大限度地去除噪聲對(duì)選線的影響；另一方面，利用形態(tài)學(xué)算子對(duì)去噪后的信息進(jìn)行暫 態(tài)突變檢測(cè)以確定故障線路。通過(guò)HHT計(jì)算故障暫態(tài)時(shí)的瞬時(shí)功率，進(jìn)而通過(guò)瞬時(shí)功率實(shí) 現(xiàn)故障方向的有效判別，該方法在較低采樣率下充分利用了暫態(tài)分量的高頻信息，具有很 好的借鑒意義。Prony方法嘗試將零序電流信號(hào)分段，以確保零序電流信號(hào)在各子段上具有 較好的持續(xù)性和較小的突變性，然后再將Prony分別應(yīng)用于這些子段，再依據(jù)能量最大原 則遴選出表征故障特征信息的暫態(tài)主導(dǎo)分量，進(jìn)而求得各線路相對(duì)于其他線路的暫態(tài)主導(dǎo) 分量相對(duì)熵，最后采用初步投票與k值校驗(yàn)的選線機(jī)制對(duì)Prony相對(duì)熵?cái)?shù)值進(jìn)行了投票，選 出了故障線路。將各饋線零序電流進(jìn)行Hough變換，構(gòu)造出零序電流起始階段整體變化趨 勢(shì)的"整體"突變方向夾角，通過(guò)判別方向夾角的不同，進(jìn)而也可實(shí)現(xiàn)故障選線。
[0005] 總之，采用以上信號(hào)處理方法對(duì)故障信號(hào)進(jìn)行處理，較好地提取出了蘊(yùn)含豐富特 征信息的故障特征量，為準(zhǔn)確選線奠定了基礎(chǔ)，但同時(shí)也應(yīng)看到，現(xiàn)有特征提取方法存在以 下3點(diǎn)不足：
[0006] (1)試圖用有限的基函數(shù)去表征廣泛多變的電力故障信號(hào)，特征提取過(guò)程不具自 適應(yīng)性，導(dǎo)致出現(xiàn)了無(wú)法解釋的分解項(xiàng)，對(duì)后續(xù)的故障分析和識(shí)別非常不利。
[0007] (2)現(xiàn)有信號(hào)處理方法在建立故障信號(hào)數(shù)學(xué)模型時(shí)，均假定故障信號(hào)中各特征分 量持續(xù)存在，而實(shí)際故障信號(hào)中各特征分量并非具有這一特點(diǎn)，顯然這一假定是不合適的。
[0008] (3)現(xiàn)有信號(hào)處理方法在"大數(shù)據(jù)"時(shí)代對(duì)于故障特征數(shù)據(jù)的有效存儲(chǔ)方面能力不 足。隨著配網(wǎng)數(shù)字化和信息化進(jìn)程的加快以及各類自動(dòng)裝置的安裝，在系統(tǒng)發(fā)生故障時(shí)，將 有大量的報(bào)警數(shù)據(jù)在短時(shí)間內(nèi)上報(bào)主/子站，如故障錄波數(shù)據(jù)、保護(hù)裝置報(bào)警、斷路器/開(kāi) 關(guān)跳閘數(shù)據(jù)等。這些數(shù)據(jù)量龐大，蘊(yùn)含故障信息豐富，反映故障特征全面，若能將該類故障 數(shù)據(jù)進(jìn)行有效的存儲(chǔ)，必將對(duì)配網(wǎng)故障選線與診斷提供重要的數(shù)據(jù)支撐。
[0009] 因此，如何在現(xiàn)有技術(shù)的基礎(chǔ)上，盡可能的存儲(chǔ)更多的故障數(shù)據(jù)顯得尤為重要，信 號(hào)的稀疏表征就是解決該問(wèn)題的一條有效途徑。
[0010] 另外，在故障選線判據(jù)研究領(lǐng)域，眾多學(xué)者在神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯分類 法等方面進(jìn)行了積極的探索，取得了可喜的成果。
[0011] 利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時(shí)，可采用粗神經(jīng)元和模糊神經(jīng)元代替普通神經(jīng)元， 有效提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，并減少網(wǎng)絡(luò)的訓(xùn)練樣本，提高故障分類的正確率。通過(guò)研究 發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)具有簡(jiǎn)單的結(jié)構(gòu)和很強(qiáng)的問(wèn)題求解能力，且可較好地處理噪聲數(shù)據(jù)，但還需 在局部最優(yōu)問(wèn)題、收斂性、訓(xùn)練時(shí)間、可靠性等方面做進(jìn)一步的研究。
[0012] 利用支持向量機(jī)（Support Vector Machine，SVM)進(jìn)行選線時(shí)，可將各條饋線零序 電荷與電壓相關(guān)系數(shù)作為選線特征輸入量，通過(guò)結(jié)合支持小樣本分類的SVM分類算法，建 立起基于暫態(tài)零序Q-U特征的配電網(wǎng)故障選線流程。通過(guò)進(jìn)一步的探討可知，支持向量機(jī) 在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中具有明顯優(yōu)勢(shì)，但識(shí)別能力易受自身參數(shù)的 影響。
[0013] 采用貝葉斯網(wǎng)絡(luò)進(jìn)行故障選線，在針對(duì)故障診斷的不完備信息情況時(shí)，采用證據(jù) 的不確定性推理和比較異常事件數(shù)2種方法，在應(yīng)用比較異常事件數(shù)方法時(shí)，為解決大量 信息缺失時(shí)出現(xiàn)的組合爆炸問(wèn)題，可對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行了分層，進(jìn)而利用已有的繼電保護(hù) 信息推斷缺失信息狀態(tài)、刪除不重要的缺失信息等規(guī)則，可明顯減少計(jì)算量。
[0014] 通過(guò)分析可知，對(duì)于故障選線判據(jù)而言，單一的選線判據(jù)往往不能覆蓋所有接地 工況，很難完全適應(yīng)各種電網(wǎng)結(jié)構(gòu)與復(fù)雜的故障工況要求。因此，綜合利用多種故障穩(wěn)態(tài)、 暫態(tài)信息，將多種選線方法進(jìn)行融合來(lái)構(gòu)造綜合選線方法是一種行之有效的思路。
[0015] 綜上所述，現(xiàn)有的故障選線方法在特征提取、選線判據(jù)方面存在這樣或那樣的問(wèn) 題，很難適用各種電網(wǎng)結(jié)構(gòu)和復(fù)雜接地工況要求。因此，對(duì)于配電網(wǎng)的故障選線問(wèn)題，還需 進(jìn)一步的研究。


【發(fā)明內(nèi)容】

[0016] 本發(fā)明提出一種基于原子稀疏分解與極限學(xué)習(xí)機(jī)的配電網(wǎng)故障選線方法，其特征 在于，首先，采用原子稀疏分解算法將不同類型故障后各分支線路首個(gè)2T的零序電流進(jìn)行 分解，選取前4個(gè)原子分別組成主分量原子樣本庫(kù)，基波原子樣本庫(kù)，暫態(tài)特征原子樣本庫(kù) 1，暫態(tài)特征原子樣本庫(kù)2;然后，采用信息熵與統(tǒng)計(jì)理論，對(duì)各原子樣本庫(kù)進(jìn)行計(jì)算，得到 各原子樣本庫(kù)的信息熵測(cè)度值；其次，分別構(gòu)建4個(gè)ELM網(wǎng)絡(luò)對(duì)各原子樣本庫(kù)中的樣本進(jìn)行 訓(xùn)練與測(cè)試，得出各ELM網(wǎng)絡(luò)輸出判別的準(zhǔn)確率；最后，結(jié)合ELM網(wǎng)絡(luò)輸出判別與選線可信 度進(jìn)行故障投票，進(jìn)而通過(guò)選票的數(shù)值大小比較實(shí)現(xiàn)故障選線。
[0017] 本發(fā)明所述的基于原子稀疏分解與極限學(xué)習(xí)機(jī)的配電網(wǎng)故障選線方法，該方法的 具體步驟為：
[0018] 步驟1當(dāng)發(fā)生單相接地故障后，采集各分支線路故障后2個(gè)工頻周期的零序電流 信號(hào)；
[0019] 步驟2利用原子稀疏分解算法對(duì)采集的各分支線路零序電流信號(hào)分別進(jìn)行分解， 提取出前4個(gè)原子，按照迭代次數(shù)的先后順序，分別稱為：原子1，原子2,原子3,原子4 ;將 原子1定義為主分量原子，原子2定義為基波原子，原子3定義為暫態(tài)分量原子1，原子4定 義為暫態(tài)分量原子2 ;據(jù)此，將原子1的集合定義為主分量原子樣本庫(kù)Α1Ν (η)，原子2的集 合定義為基波原子樣本庫(kù)Α2 Ν(η)，原子3的集合定義為暫態(tài)分量原子樣本庫(kù)1，表示為Α3 Ν(η)，原子4的集合定義為暫態(tài)分量原子樣本庫(kù)2,表示為Α4 ν(η)，其中Ν為各樣本庫(kù)中樣本 的數(shù)量，Ν為自然數(shù)，η為采樣點(diǎn)數(shù)，η =1，2，…!!!；
[0020] 步驟3利用信息熵與統(tǒng)計(jì)理論，計(jì)算步驟2中各原子樣本庫(kù)的信息熵測(cè)度值，具體 步驟如下：
[0021] 步驟3. 1首先，計(jì)算各原子樣本庫(kù)與原子樣本庫(kù)之和的比值，其中，原子樣本庫(kù)之 和指的是主分量原子樣本庫(kù)，基波原子樣本庫(kù)，暫態(tài)分量原子樣本庫(kù)1，暫態(tài)分量原子樣本 庫(kù)2的和，具體計(jì)算如下：
[0022]

【權(quán)利要求】
1. 一種基于原子稀疏分解與極限學(xué)習(xí)機(jī)的配電網(wǎng)故障選線方法，其特征在于，首先，采 用原子稀疏分解算法將不同類型故障后各分支線路首個(gè)2T的零序電流進(jìn)行分解，選取前4 個(gè)原子分別組成主分量原子樣本庫(kù)，基波原子樣本庫(kù)，暫態(tài)特征原子樣本庫(kù)1，暫態(tài)特征原 子樣本庫(kù)2 ;然后，采用信息熵與統(tǒng)計(jì)理論，對(duì)各原子樣本庫(kù)進(jìn)行計(jì)算，得到各原子樣本庫(kù) 的信息熵測(cè)度值；其次，分別構(gòu)建4個(gè)ELM網(wǎng)絡(luò)對(duì)各原子樣本庫(kù)中的樣本進(jìn)行訓(xùn)練與測(cè)試， 得出各ELM網(wǎng)絡(luò)輸出判別的準(zhǔn)確率；最后，結(jié)合ELM網(wǎng)絡(luò)輸出判別與選線可信度進(jìn)行故障投 票，進(jìn)而通過(guò)選票的數(shù)值大小比較實(shí)現(xiàn)故障選線。
2. 根據(jù)權(quán)利要求1所述的基于原子稀疏分解與極限學(xué)習(xí)機(jī)的配電網(wǎng)故障選線方法，該 方法的具體步驟為： 步驟1當(dāng)發(fā)生單相接地故障后，采集各分支線路故障后2個(gè)工頻周期的零序電流信 號(hào)； 步驟2利用原子稀疏分解算法對(duì)采集的各分支線路零序電流信號(hào)分別進(jìn)行分解，提取 出前4個(gè)原子，按照迭代次數(shù)的先后順序，分別稱為：原子1，原子2,原子3,原子4 ;將原子 1定義為主分量原子，原子2定義為基波原子，原子3定義為暫態(tài)分量原子1，原子4定義為 暫態(tài)分量原子2 ;據(jù)此，將原子1的集合定義為主分量原子樣本庫(kù)Α1Ν (η)，原子2的集合定 義為基波原子樣本庫(kù)Α2 Ν (η)，原子3的集合定義為暫態(tài)分量原子樣本庫(kù)1，表示為Α3 Ν (η)， 原子4的集合定義為暫態(tài)分量原子樣本庫(kù)2,表示為Α4 Ν(η)，其中Ν為各樣本庫(kù)中樣本的數(shù) 量，Ν為自然數(shù)，η為采樣點(diǎn)數(shù)，η=1，2，…m; 步驟3利用信息熵與統(tǒng)計(jì)理論，計(jì)算步驟2中各原子樣本庫(kù)的信息熵測(cè)度值，具體步驟 如下： 步驟3. 1首先，計(jì)算各原子樣本庫(kù)與原子樣本庫(kù)之和的比值，其中，原子樣本庫(kù)之和指 的是主分量原子樣本庫(kù)，基波原子樣本庫(kù)，暫態(tài)分量原子樣本庫(kù)1，暫態(tài)分量原子樣本庫(kù)2 的和，具體計(jì)算如下： A. N(n) Λη)= 4-- Σ〇) 其中，i為自然數(shù)，i = 1，2,3,4 ; 然后，計(jì)算各原子樣本庫(kù)中樣本的信息熵值，具體計(jì)算如下： Hi_N = _ΣΛ_Ν(η)滅 η 其中，分別為主分量原子樣本庫(kù)，基波原子樣本庫(kù)，暫態(tài)分量原子樣本 庫(kù)1，暫態(tài)分量原子樣本庫(kù)2的信息熵值； 步驟3. 2分別選擇主分量原子樣本庫(kù)，基波原子樣本庫(kù)，暫態(tài)分量原子樣本庫(kù)1，暫態(tài) 分量原子樣本庫(kù)2的最大熵值，分別表示為Hlmax，H2max，H3max，H 4max ;再比較該4個(gè)數(shù)值，找出 最大值并記為Hmax，Hmax即為4個(gè)原子樣本庫(kù)中最大的信息熵值； 步驟3. 3分別對(duì)各原子樣本庫(kù)信息熵值H1N，H2 N，H3 N，H4 N進(jìn)行如下運(yùn)算： E π 2E ~-3-N F -Ha-n 1 max n max ^ max ^ max 然后，分別統(tǒng)計(jì)E1N，E2N，E3N，E4N中小于 μ的樣本數(shù)量l1，l2，l3，l4，其中， μ=0.01; 步驟3. 4將lp 12,13,14分別與各原子樣本庫(kù)中的樣本總數(shù)進(jìn)行相除，計(jì)算出各原子樣 本庫(kù)的信息熵測(cè)度值(^，c 2, c3, c4，具體計(jì)算如下： /， /9 l-I IΛ C, - ， Cj - ， C-, - ， cA -- 1 N 2 N 3 N 4 N 步驟4根據(jù)獲得的主分量原子，基波原子，暫態(tài)分量原子1，暫態(tài)分量原子2分別訓(xùn)練 ELMp ELM2, ELM3, ELM4網(wǎng)絡(luò)，得出4個(gè)ELM網(wǎng)絡(luò)的準(zhǔn)確率數(shù)值，進(jìn)而建立起故障選線ELM模 型，ELM網(wǎng)絡(luò)的訓(xùn)練過(guò)程分為以下2步： 步驟4. 1將輸入/輸出訓(xùn)練樣本進(jìn)行規(guī)格化處理，使其限定在[0,1]內(nèi)，隨機(jī)給定輸入 神經(jīng)元與第τ個(gè)隱含層神經(jīng)元之間的輸入權(quán)值ωτ = [ωτ，ω2τ，ω3τ，ω4τ]τ和隱含層 閾值，其中，τ為隱含層神經(jīng)元編號(hào)； 步驟4. 2依據(jù)摩爾彭羅斯（Moore Penrose，MP)廣義逆矩陣?yán)碚?，以解析方式?jì)算出具 有最小二乘解的網(wǎng)絡(luò)輸出權(quán)值β τ = [ωτ1，…，β τ12]Τ，獲得訓(xùn)練好的ELM網(wǎng)絡(luò)，由此得 出各樣本原子與線路故障條件之間的非線性映射關(guān)系；進(jìn)而，得出ELMp ELM2, ELM3, ELM4網(wǎng) 絡(luò)的準(zhǔn)確率數(shù)值； 步驟5計(jì)算各原子樣本庫(kù)的故障選線可信度，具體計(jì)算如下： 原子樣本庫(kù)選線可信度=原子樣本庫(kù)信息熵測(cè)度XELM網(wǎng)絡(luò)準(zhǔn)確率 其中，故障選線可信度是定義在[〇，-0上的實(shí)變量，用來(lái)綜合度量各原子樣本庫(kù)樣本 的確定性程度以及經(jīng)ELM訓(xùn)練后的準(zhǔn)確率；原子樣本庫(kù)的選線可信度越大，表明該原子樣 本庫(kù)在進(jìn)行投票時(shí)所占權(quán)重越大； 步驟6將各原子樣本庫(kù)中未參與步驟4訓(xùn)練的其余原子樣本，輸入到訓(xùn)練好的ELM網(wǎng) 絡(luò)，給出故障線路初步判別結(jié)果，進(jìn)而采用故障投票機(jī)制得出最終故障選線結(jié)果；基于選線 可信度的故障投票機(jī)制，具體步驟為： 步驟6. 1首先，假定各線路均為健全線路，也即假定沒(méi)有發(fā)生故障； 步驟6. 2當(dāng)ELM網(wǎng)絡(luò)輸出判別某線路為健全線路時(shí)，在該原子樣本庫(kù)選線可信度數(shù)值 的基礎(chǔ)上乘以"1"，也即與步驟6. 1的假定相符合，投票表示"同意";反之，當(dāng)ELM網(wǎng)絡(luò)輸出 判別某線路為故障線路時(shí)，乘以"-1"，也即與步驟6. 1的假定相背離，投票表示"反對(duì)"； 步驟6. 3當(dāng)原子樣本分別經(jīng)ELM判斷完成后，將投"同意"與"反對(duì)"票數(shù)進(jìn)行數(shù)值大 小比較，當(dāng)"同意"的票數(shù)數(shù)值大于"反對(duì)"票數(shù)值時(shí)，判定該線路為健全線路，反之，判定該 線路為故障線路。
【文檔編號(hào)】G01R31/08GK104297635SQ201410563269
【公開(kāi)日】2015年1月21日 申請(qǐng)日期:2014年10月14日 優(yōu)先權(quán)日:2014年10月14日
【發(fā)明者】王曉衛(wèi), 李玉東, 韋延方, 張濤, 張玉均, 侯雅曉, 魏向向, 高杰 申請(qǐng)人:河南理工大學(xué)