一种谐振接地系统单相接地故障选线方法

摘要

本发明涉及一种谐振接地系统单相接地故障选线方法，包括：采集谐振接地系统发生故障后的故障数据，基于故障数据生成串行故障数据SFD；对零序暂态电流数据进行归一化处理，基于处理后的零序暂态电流数据构建含SFD层的SFD‑DBN故障选线模型；基于蜘蛛猴优化算法MSO获取SFD‑DBN故障选线模型中隐含层节点数的最优参数，通过最优参数获得优化后的SFD‑DBN故障选线模型，基于优化后的SFD‑DBN故障选线模型建立谐振接地系统单相接地故障选线模型，基于谐振接地系统单相接地故障选线模型进行故障选线。本发明所提方法具有较高的选线精度和鲁棒性。

权利要求

1.一种谐振接地系统单相接地故障选线方法，其特征在于，包括：

采集谐振接地系统发生故障后的故障数据，基于所述故障数据生成串行故障数据SFD，其中所述故障数据包括：发生单相接地故障的绝对时间信息数据、对应故障发生后半个周波内的零序暂态电流数据；

对所述零序暂态电流数据进行归一化处理，基于处理后的所述零序暂态电流数据构建SFD‑DBN故障选线模型；

基于蜘蛛猴优化算法MSO获取所述SFD‑DBN故障选线模型中隐含层节点数的最优参数，通过所述最优参数获得优化后的SFD‑DBN故障选线模型，基于所述优化后的SFD‑DBN故障选线模型建立谐振接地系统单相接地故障选线模型，基于所述谐振接地系统单相接地故障选线模型进行故障选线。

2.根据权利要求1所述的谐振接地系统单相接地故障选线方法，其特征在于，生成所述串行故障数据SFD，包括：利用故障录波器采集故障发生后各馈线的半个周波的故障数据，根据串行故障数据生成方法生成所述串行故障数据SFD。

3.根据权利要求2所述的谐振接地系统单相接地故障选线方法，其特征在于，所述串行故障数据生成方法包括：确定所述谐振接地系统中的馈线数量，并对所述馈线进行编号排序，采集所述馈线发生单相接地故障后半个周波内的零序暂态电流值，然后基于馈线编号依次排列，生成串行故障数据SFD。

4.根据权利要求1所述的谐振接地系统单相接地故障选线方法，其特征在于，对所述零序暂态电流数据进行归一化处理，包括：通过min‑max标准化方法对所述零序暂态电流数据进行归一化处理。

5.根据权利要求1所述的谐振接地系统单相接地故障选线方法，其特征在于，构建所述SFD‑DBN故障选线模型，包括：构建SFD构建层、特征提取层和输出层，其中，所述SFD构建层由SFD生成方法构造而成，所述特征提取层由若干个受限波尔兹曼机堆叠而成，所述输出层模型采用极限学习机进行构建。

6.根据权利要求1所述的谐振接地系统单相接地故障选线方法，其特征在于，获取所述SFD‑DBN故障选线模型中隐含层节点数的最优参数，包括，确定所述蜘蛛猴优化算法MSO的适应度函数，基于所述适应度函数获取所述SFD‑DBN故障选线模型中隐含层节点数的最优参数；其中，所述适应度函数为：其中，fit为平均选线错误率，K为数据多折交叉验证的次数， 为第i次交叉验证对应的选线正确率，TP表示对正常线路判断正确的样本数量，FP表示对正常线路判断错误的样本数量，TN表示对故障线路判断正确的样本数量，FN表示对故障线路判断错误的样本数量，ACC表示选线的正确率。

7.根据权利要求6所述的谐振接地系统单相接地故障选线方法，其特征在于，获得所述优化后的SFD‑DBN故障选线模型，包括：基于所述SFD‑DBN故障选线模型中隐含层节点数的最优参数，以及训练数据，通过对比散度算法、非监督贪婪算法逐层进行训练，获得隐藏层的输出值、各层之间的权值和各层的偏置值，构建所述SFD‑DBN故障选线模型；

通过贪婪选择选取全局领导者以及本地领导者，若不满足终止条件，则更新所述全局领导者和所述本地领导者的位置，若满足终止条件，则输出所述SFD‑DBN故障选线模型各隐藏层最优节点数，得到所述优化后的SFD‑DBN故障选线模型。

8.根据权利要求1所述的谐振接地系统单相接地故障选线方法，其特征在于，所述进行故障选线，包括：采集所述谐振接地系统发生单相接地故障时，确定故障时刻为TS，采集故障发生后半个工频周期内各馈线的零序暂态电流X；

*

对所述零序暂态电流X进行归一化处理，得到X '；

*

对所述X*'输入到所述谐振接地系统单相接地故障选线模型中，即y＝f(X ')，根据y值确定故障馈线。

说明书

一种谐振接地系统单相接地故障选线方法

技术领域

[0001] 本发明涉及谐振接地系统单相接地故障和深度学习技术领域，特别是涉及一种谐振接地系统单相接地故障选线方法。

背景技术

[0002] 谐振接地系统是一个或多个中性点通过具有感抗的器件接地的系统。这些器件在单相对地短路时能大体上补偿线路的容性效应。当谐振接地系统发生单相接地故障时，按照规程允许继续运行约1～2小时，但随着运行时间的推移，可能会发生两点或多点接地短路故障，严重影响电力系统的供电可靠性。因此，快速可靠的故障检测已成为现代配电网的基本要求。针对谐振接地系统故障情况复杂，且故障电流易受电弧、噪声等因素的影响，快速准确的故障选线对配电网长期可靠稳定运行具有重要意义。

[0003] 目前，国内外针对单相接地故障检测提出了多种选线方法，主要包括三类：1)基于稳态信号的选线方法，2)基于暂态信号的选线方法，3)基于信息融合技术的选线方法。由于受复杂故障情况、电磁干扰、线路类型等因素的影响，前两种方法具有一定的局限性。基于信息融合技术的选线方法多使用的方法包括傅里叶变换、连续小波变换、HTT变换和S变换等信号处理方法，通过该类方法对故障暂态电流录波数据进行时域、频域、能量域和时频域分析得到相应的特征矩阵或图像特征，利用得到的特征进行故障选线；然而这些方法需要人为确定以及同一方法在不同的场景下适用性不同，会导致选线结果存在人为误差，往往会导致选线精度下降，且存在计算量大等的问题。

[0004] 提取故障的有效特征是单相故障选线的核心问题，故障特征的提取直接影响了故障检测的鲁棒性。此外，提取故障的有效特征很大程度上依赖于数据本身的可辨识度和特征提取方法的有效性。深度置信神经网络(Deep Belief Network，DBN)能够学习到输入与输出之间复杂的非线性函数映射关系，所以能够有效的提取隐藏在原始信号中的本质故障特征。目前，已有学者将DBN应用到电力系统暂态稳定评估，轴承故障诊断，负荷预测等问题上，并获得了较好的效果，但将DBN应用到故障选线的相关研究还很少。

[0005] 因此，通过对深度置信神经网络和故障暂态电流波形的研究，本发明提出了一种谐振接地系统单相接地故障选线方法。

发明内容

[0006] 本发明的目的是提出一种谐振接地系统单相接地故障选线方法，以解决上述现有技术中存在的问题。

[0007] 为实现上述目的，本发明提供了如下方案：

[0008] 一种谐振接地系统单相接地故障选线方法，包括：

[0009] 采集谐振接地系统发生故障后的故障数据，基于所述故障数据生成串行故障数据SFD，其中所述故障数据包括：发生单相接地故障的绝对时间信息数据、对应故障发生后半个周波内的零序暂态电流数据；

[0010] 对所述零序暂态电流数据进行归一化处理，基于处理后的所述零序暂态电流数据构建SFD‑DBN故障选线模型；

[0011] 基于蜘蛛猴优化算法MSO获取所述SFD‑DBN故障选线模型中隐含层节点数的最优参数，通过所述最优参数获得优化后的SFD‑DBN故障选线模型，基于所述优化后的SFD‑DBN故障选线模型建立谐振接地系统单相接地故障选线模型，基于所述谐振接地系统单相接地故障选线模型进行故障选线。

[0012] 优选地，生成所述串行故障数据SFD，包括：

[0013] 利用故障录波器采集故障发生后各馈线的半个周波的故障数据，根据串行故障数据生成方法生成所述串行故障数据SFD。

[0014] 优选地，所述串行故障数据生成方法包括：

[0015] 确定所述谐振接地系统中的馈线数量，并对所述馈线进行编号排序，采集所述馈线发生单相接地故障后半个周波内的暂态零序电流值，然后基于馈线编号依次排列，生成串行故障数据SFD。

[0016] 优选地，对所述零序暂态电流进行归一化处理，包括：

[0017] 通过min‑max标准化方法对所述零序暂态电流数据进行归一化处理。

[0018] 优选地，构建所述SFD‑DBN故障选线模型，包括：

[0019] 构建SFD构建层、特征提取层和输出层，其中，所述SFD构建层由SFD生成方法构造而成，所述特征提取层由若干个受限波尔兹曼机堆叠而成，所述输出层模型采用极限学习机进行构建。

[0020] 优选地，获取所述SFD‑DBN故障选线模型中隐含层节点数的最优参数，包括，确定所述蜘蛛猴优化算法MSO的适应度函数，基于所述适应度函数获取所述SFD‑DBN故障选线模型中隐含层节点数的最优参数；其中，所述适应度函数为：

[0021]

[0022]

[0023] 其中，fit为平均选线错误率，K为数据多折交叉验证的次数，ACCi为第i次交叉验证对应的选线正确率，TP表示对正常线路判断正确的样本数量，FP表示对正常线路判断错误的样本数量，TN表示对故障线路判断正确的样本数量，FN表示对故障线路判断错误的样本数量，ACC表示选线的正确率。

[0024] 优选地，获得所述优化后的SFD‑DBN故障选线模型，包括：

[0025] 基于所述SFD‑DBN故障选线模型中隐含层节点数的最优参数，以及训练数据，通过对比散度算法、非监督贪婪算法逐层进行训练，获得隐藏层的输出值、各层之间的权值和各层的偏置值，构建所述SFD‑DBN故障选线模型；

[0026] 通过贪婪选择选取全局领导者以及本地领导者，若不满足终止条件，则更新所述全局领导者和所述本地领导者的位置，若满足终止条件，则输出所述SFD‑DBN故障选线模型各隐藏层最优节点数，得到所述优化后的SFD‑DBN故障选线模型。

[0027] 优选地，所述进行故障选线，包括：

[0028] 采集所述谐振接地系统发生单相接地故障时，确定故障时刻为TS，采集故障发生后半个工频周期内各馈线的零序暂态电流X；

[0029] 对所述零序暂态电流X进行归一化处理，得到X*'；

[0030] 对所述X*'输入到SFD‑DBN选线模型中，即y＝f(X*')，根据y值确定故障馈线。

[0031] 本发明的有益效果为：

[0032] (1)本发明的SFD生成方法，对各馈线进行编号排序，采集各馈线发生单相接地故障后半个周波内的暂态零序电流值，然后根据馈线编号依次排列生成SFD，增强故障特征的可辨识度，无需进行小波变换、S变换，具有计算量小的优点；

[0033] (2)本发明采用蜘蛛猴算法对SFD‑DBN网络结构进行优化，提高了SFD‑DBN网络的选线精度；

[0034] (3)本发明中所采用的SFD‑DBN可以表达高度变化的函数，自适应地提取多个特征中存在的潜在规律，并具有更好的泛化能力；

[0035] (4)本发明所提方法具有较高的选线精度和鲁棒性。

附图说明

[0036] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0037] 图1为本发明实施例的一种谐振接地系统单相接地故障选线方法流程图；

[0038] 图2为本发明实施例的串行故障数据(SFD)生成方法示意图；

[0039] 图3为本发明实施例中适用于故障选线的SFD‑DBN示意图；

[0040] 图4为本发明实施例中的小电流接地系统仿真模型示意图；

[0041] 图5为本发明实施例中的原始SFD经t‑SNE降维可视化示意图；

[0042] 图6为本发明实施例中的叠加10dB的SFD经t‑SNE降维可视化示意图；

[0043] 图7为本发明实施例中的故障选线测试结果示意图。

具体实施方式

[0044] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0045] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0046] 如图1所示，本发明实施例提供一种谐振接地系统单相接地故障选线方法，包括：

[0047] S1、串行故障数据生成方法：根据采集到的谐振接地系统发生单相接地故障后的故障数据生成SFD；其中所述故障数据包括：发生单相接地故障的绝对时间信息、对应故障发生后半个周波内的零序暂态电流；

[0048] S2、对上述零序暂态电流数据进行归一化处理；

[0049] S3、搭建含SFD层的SFD‑DBN选线模型；

[0050] S4、确定蜘蛛猴优化算法(MSO)的适应度函数，并利用蜘蛛猴优化算法获取SFD‑DBN各隐含层节点数的最优参数；

[0051] S5、对蜘蛛猴优化的SFD‑DBN进行训练，建立谐振接地系统单相接地故障选线模型；

[0052] S6、进行故障选线。

[0053] S1中串行故障数据生成方法如下：设谐振接地系统中共有k条馈线，首先对各馈线进行编号排序，采集各馈线发生单相接地故障后半个周波内的暂态零序电流值，然后根据馈线编号依次排列生成SFD，SFD生成方法如图2所示。

[0054] 图2中，ifm(n)(m＝1，2，···，k；n＝1，2，···，N)表示第m条馈线故障发生后半个周波内零序电流的第n个采样点，N表示馈线发生单相接地故障后半个周波内零序电流的采样点总个数。

[0055] S2中的归一化方法采用min‑max标准化方法。

[0056] S3中搭建SFD‑DBN的过程包括(如图3)：SFD构建层、特征提取层和输出层的搭建，其中SFD构建层由SFD生成方法构造而成，特征提取层由多个受限波尔兹曼机堆叠而成，输出层模型采用极限学习机。

[0057] S4、确定蜘蛛猴优化算法(MSO)的适应度函数，并利用蜘蛛猴优化算法获取SFD‑DBN各隐含层节点数的最优参数；

[0058] 确定蜘蛛猴优化算法的适应度函数和SFD‑DBN各隐含层节点数的取值范围为[10，100]，其中适应度函数为：

[0059]

[0060]

[0061] 式(1)‑(2)中，fit为平均选线错误率，K为数据多折交叉验证的次数， 为第i次交叉验证对应的选线正确率，TP表示对正常线路判断正确的样本数量，FP表示对正常线路判断错误的样本数量，TN表示对故障线路判断正确的样本数量，FN表示对故障线路判断错误的样本数量,ACC表示选线正确率。

[0062] 如图4为小电流接地系统仿真模型示意图；图5为原始SFD经t‑SNE降维可视化示意图；图6为叠加10dB的SFD经t‑SNE降维可视化示意图；

[0063] S5、对蜘蛛猴优化的SFD‑DBN进行训练，建立谐振接地系统单相接地故障选线模型；

[0064] S51、蜘蛛猴优化算法参数初始化

[0065] 设置最大迭代次数、种群数量、本地领导者限制次数、全局领导者限制次数、扰动率和初始化种群。

[0066] SMij＝SMminj+U(0,1)×(SMmaxj‑SMminj)  (3)

[0067] 其中，SMi(i＝1,2,…,N)是一个3维向量，表示第i只猴子，每只猴子代表被优化问题的一个潜在解。SMminj和SMmaxj是第j维的边界，U(0,1)是[0,1]上的随机数。

[0068] S52、计算每个蜘蛛猴个体的适应度值,计算适应度函数具体过程包括：

[0069] 根据训练数据和SFD‑DBN各隐含层初始节点数，采用对比散度算法，通过非监督贪婪算法逐层进行训练，获得隐藏层的输出值、各层之间的权值和各层的偏置值；

[0070] 采样谐振接地系统发生故障后的各馈线的零序暂态电流数据作为样本集，可以根据一定的比例(例如:(8:2))将样本集随机划分为训练数据和测试数据。

[0071] 训练过程中，前一个RBM的输出层即隐藏层作为后一个RBM的输入层即可视层，则RBM的能量函数表示为：

[0072]

[0073] 其中，θ＝{ω＝(ωij)n×m,a＝(ai)1×n,b＝(bi)1×m}表示RBM的各类参数，vi和ai分别为第i个可见单元的状态和偏置；hj和bj分别为第j个隐藏单元的状态和偏置；ωij为第i个可见单元以及第j个隐藏单元二者之间的连接权重；n和m分别为可见单元vi和隐藏单元hj的数目。

[0074] 可视层和隐藏层之间的调节概率分布分别为：

[0075]

[0076]

[0077] 其中，

[0078]

[0079] RBM的训练步骤为：

[0080] a.输入一个数据样本x0，设置学习率ε，每层RBM迭代次数N；

[0081] b.随机初始化θ＝{ω＝(ωij)n×m,a＝(ai)1×n,b＝(bi)1×m}；

[0082] c.令v1＝x0，根据式(5)计算P(h1j＝1|v1)，得到隐含层h1；

[0083] d.将h1到代入式(6),计算P(v2i＝1|h1)，得到可视层v2；

[0084] e.计算P(h2j＝1|v1)，得到h2；

[0085] f.更新RBM参数θ；

[0086] Δw＝ε(P(h1＝1|v1)v1T‑P(h2＝1|v2)v2T)  (8)

[0087] Δa＝ε(v1‑v2)  (9)

[0088] Δb＝ε(P(h1＝1|v1)‑P(h2＝1|v2))  (10)

[0089] θ＝{w+Δw,a+Δa,b+Δb}  (11)

[0090] g.若未收敛，且迭代次数小于N,则重复步骤c‑f,直到结束；最终得到隐藏层的输出值、各层之间的权值和各层的偏置值；

[0091] h.将最后一个隐藏层的输出值作为极限学习机的隐含层输出矩阵H1,采用有标签数据，对隐含层输出矩阵H1加入正则化因子λ形成新的隐含层输出矩阵H，如式(12)所示；根据式(13)求取ELM的输出权值矩阵

[0092]

[0093] β＝H‑1T  (13)

[0094] 其中，H‑1为隐含层输出矩阵的广义Moore‑Penrose逆矩阵，T为输出矩阵。

[0095] 数据标签y形式如下表1：

[0096] 表1

[0097]

[0098] i.获得SFD‑DBN选线模型y＝f(X),

[0099] j.根据公式(1)、(2)计算适应度值；

[0100] S53、通过贪婪选择选取全局领导者以及本地领导者；

[0101] S54、当终止条件不满足时，执行以下步骤：

[0102] a.为找到最优解，利用式(14)产生新的位置。

[0103] SMnewij＝SMij+U(0,1)×(LLkj‑SMij)+U(‑1,1)×(SMrj‑SMij)  (14)[0104] 其中，SMij是第i个蜘蛛猴的第j维，LLkj代表第k组局部领导者的第j维，SMrj是从第,1)r组中随机选择的蜘蛛猴的第j维，且r≠j，U(‑1 是范围(‑1,1)内均匀分布的随机数。

[0105] b.在旧位置和新位置之间应用贪婪选择，返回S52计算适应度值，根据适应度值选择较好的位置。

[0106] c.根据式(15)，计算所有小组成员的被选择概率。

[0107]

[0108] 其中，fiti表示第i个蜘蛛猴的适应度值，max‑fit表示小组内个体最大适应度值；将新位置与旧位置的适应度值进行比较，留下适应度高的位置；

[0109] d.利用式(16)，为probi选中的所有小组成员更新位置。

[0110] SMnewij＝SMij+U(0,1)×(GLkj‑SMij)+U(‑1,1)×(SMrj‑SMij)  (16)[0111] 其中，GLj表示全局领导者的第j维分量，j∈{1,2···,D},且j随机选取。

[0112] e.对所有小组进行贪婪选择，更新本地领导者和全局领导者的位置。

[0113] f.如果任何本地领导者没有在指定次数后更新它的位置，则通过本地领导者决策阶段重新引导该组所有成员进行觅食。

[0114] g.如果全局领导者没有在指定次数后更新其位置，若此时未达到最大组数MG，则全局领导者将种群分成更小的组；否则，全局领导者将所有的组融合成一个组。

[0115] S55、当终止条件满足时，输出SFD‑DBN各隐藏层最优节点数；

[0116] S56、得到优化训练后的SFD‑DBN故障选线模型。

[0117] S6、进行故障选线(如图7)过程为：

[0118] S61、采集谐振接地系统发生单相接地故障时，设故障时刻为TS，采集故障发生后半个工频周期内各馈线的零序暂态电流

[0119]

[0120] S62、对X进行min‑max标准化方法归一化，得到X*'；

[0121] S63、对X*'输入到SFD‑DBN选线模型中，即y＝f(X*')，根据y值确定故障馈线。

[0122] 实施例2

[0123] 为了验证本发明方法的技术效果，本实施例通过仿真实验来进行进一步验证。

[0124] 实验一

[0125] 该实验对比BP、SVM、CNN和本发明所采用的SFD‑DBN,其中前两种方法采用串行故障数据作为训练和测试样本，CNN采用零序电流时序数据生成1D‑CNN时序样本矩阵进行训练和测试。不同选线方法的选线精度结果如表2所示。

[0126] 表2

[0127]

[0128] 实验二

[0129] 由于实际测量的暂态零序电流易受噪声的干扰，可能会削弱故障馈线与健全馈线间的差异程度，从而降低选线正确率。为验证本文所提方法的抗干扰能力，在测试样本中叠加不同噪声强度的高斯白噪声，形成噪声干扰数据集，该实验对比BP、SVM、CNN和本发明所采用的SFD‑DBN，不同方法测试的选线正确率如表3所示。

[0130] 表3

[0131]

[0132] 以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。