一种配电网单相接地故障选线方法及系统专利检索-人工神经网络人工智能专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

一种配电网单相接地故障选线方法及系统

阅读：350发布：2021-03-01

IPRDB可以提供一种配电网单相接地故障选线方法及系统专利检索，专利查询，专利分析的服务。并且本发明提供一种配电网单相接地故障选线方法及系统，包括：采用小波包分别对各线路的暂态零序电流进行频带宽度的分解，基于所述线路的各频带计算所述线路的故障表征值；基于各线路的故障表征值构造故障特征向量和人工神经网络模型，获得融合故障特征向量；根据所述融合故障特征向量选取故障线路。本发明提供的技术方案利用小波包分解得到全频带的故障信息，并将全频带故障信息分析和人工神经网络相结合，解决小波选线存在的能量集中频带不同引起误判的问题，提高故障选线的准确性和可靠性。，下面是一种配电网单相接地故障选线方法及系统专利的具体信息内容。

权利要求

1.一种配电网单相接地故障选线方法，其特征在于，包括：采用小波包分别对各线路的暂态零序电流进行频带宽度的分解，基于所述线路的各频带计算所述线路的故障表征值；

基于各线路的故障表征值构造故障特征向量和人工神经网络模型，获得融合故障特征向量；

根据所述融合故障特征向量选取故障线路。

2.如权利要求1所述的方法，其特征在于，所述采用小波包对暂态零序电流进行频带宽度的分解，并计算各线路的故障表征值，包括：获取各线路故障前和故障后的暂态零序电流；

基于每条线路采用小波包对暂态零序电流进行频带宽度的分解，并计算各频带零序暂态信号对应的能量；

根据得到的所述能量，计算各线路在各频带下故障权重因子，将所述故障权重因子作为故障表征值。

3.如权利要求2所述的方法，其特征在于，所述各频带零序暂态信号对应的能量按下式计算：式中，Ek为各频带零序暂态信号对应的信号能量；为第(j,k)子频带的小波包分解系数；n为各频带内的采样点；j为小波包分解的层数；k为小波包分解后第j层的节点号。

4.如权利要求2所述的方法，其特征在于，所述故障表征值包括：线路在低频带、五次谐波所在频带和综合全频带上的故障权重因子。

5.如权利要求4所述的方法，其特征在于，

所述线路Li在低频带和五次谐波所在频带上的故障权重因子按下式计算：其中，ki,(j,k)为线路Li在低频带、五次谐波所在频带上的故障权重因子；N为线路总数；j为小波包分解的层数；k为小波包分解后第j层的节点号；Ei,(j,k)为线路Li在(j,k)子频带上的能量；E(j,k)为所有线路在(j,k)子频带上的能量总和。

所述线路Li在综合全频带上的故障权重因子按下式计算：其中，ki为线路Li在综合全频带上的故障权重因子；Ci为线路Li在所有子频带中故障权重因子最大的子频带个数；N为线路总数；C为子频带总个数。

6.如权利要求1所述的方法，其特征在于，所述根据各线路的故障表征值构造故障特征向量，包括故障特征向量按下式进行构造：Z＝[k1,(j,0)，… kN,(j,0)，k1,(j,1)，… kN,(j,1)，k1，… kN]式中，j为小波包分解的层数；N为线路总数。

7.如权利要求1所述的方法，其特征在于，所述根据所述融合故障特征向量选取故障线路，包括：选择融合故障特征向量中综合故障权重因子最大的线路作为路障线路。

8.一种基于配电网单相接地故障选线系统，其特征在于，包括：故障表征值计算模块、融合故障特征向量计算模块和选取模块；

故障表征值计算模块，采用小波包分别对各线路的暂态零序电流进行频带宽度的分解，基于所述线路的各频带计算所述线路的故障表征值；

融合故障特征向量计算模块，基于各线路的故障表征值构造故障特征向量和人工神经网络模型，获得融合故障特征向量；

选取模块，根据所述融合故障特征向量选取故障线路。

9.如权利要求8所述的系统，其特征在于，所述第一获取模块包括：获取单元、第一计算单元和第二计算单元；

获取单元：用于获取各线路故障前和故障后的暂态零序电流；

第一计算单元：用于采用小波包分解各线路暂态零序电流并计算各频带零序暂态信号对应的能量；

第二计算单元：用于根据所得到的信号能量，计算各线路在各频带下故障权重因子，将所述故障权重因子作为故障表征值。

10.如权利要求8所述的系统，其特征在于，所述第一计算单元按下式计算各频带零序暂态信号对应的能量：式中，Ek为各频带零序暂态信号对应的信号能量；为第(j,k)子频带的小波包分解系数；n为各频带内的采样点；j为小波包分解的层数；k为小波包分解后第j层的节点号。

11.如权利要求8所述的系统，其特征在于，所述第二计算单元包括：第一权重因子计算子单元，用于按下式计算线路在低频带和五次谐波所在频带上的故障权重因子：其中，ki,(j,k)为线路Li在低频带、五次谐波所在频带上的故障权重因子；N为线路总数；j为小波包分解的层数；k为小波包分解后第j层的节点号；Ei,(j,k)为线路Li在(j,k)子频带上的能量；E(j,k)为所有线路在(j,k)子频带上的能量总和；

第二权重因子计算子单元，用于按下式计算线路在综合全频带上的故障权重因子：其中，ki为线路Li在综合全频带上的故障权重因子；Ci为线路Li在所有子频带中故障权重因子最大的子频带个数；N为线路总数；C为子频带总个数。

说明书全文

一种配电网单相接地故障选线方法及系统

技术领域

[0001] 本发明涉及配电网故障处理技术领域，具体涉及一种配电网单相接地故障选线方法及系统。

背景技术

[0002] 中压配电网大多为小电流接地系统，其故障类型中，单相接地故障发生概率高达80％。单相接地故障发生后需尽快采取处理措施，否则可能扩大成相间短路故障，导致跳闸停电事故。

[0003] 配电网经消弧线圈接地系统的接地故障稳态电流幅值较小，故障信息量不明显，且间歇性电弧出现的频率较高，很难及时准确的检测出故障线路。对于此类接地系统，五次谐波法是目前比较常用的基于故障稳态特征的选线方法，但故障电流中五次谐波含量较小(小于故障电流10％)且受负荷侧谐波源和过渡电阻影响较大，所以误判的概率较大。故障暂态信号则不同，其故障特征信息丰富，幅值较稳态信号要大得多，且消弧线圈对故障暂态信号不起作用，利于选线。

[0004] 小波包在刻画暂态非平稳零序电流信号的时频特征上具有独特优势，就目前提出的小波选线方法来看，大多是基于小波包的多分辨率分频特性，首先选取暂态零序电流能量最为集中的频带作为特征频带，然后以该频带下的小波包系数作为故障线路判别的基础，通过比较其系数的大小或极性的不同判别出故障线路。但在某些故障情况下，例如故障时电压初相角在峰值附近且故障接地电阻较小的情况，各线路的特征频带不同，能量较集中的频带也不止一个，线路的暂态故障特征主要体现在这几个能量较集中的频带上，或者健全线路在其特征频带上的能量大于故障线路，健全线路的模极大值大于故障线路，如果仅仅依靠各线路在其特征频带上的故障特征信息进行选线，就不能有效的利用该线路的暂态故障特征，无法克服故障过渡电阻、故障发生时刻的影响，可能会出现误判的情况，降低了选线的可靠性。

发明内容

[0005] 本发明针对接地故障选线误判问题，提供了一种能够减少选线误判，提高选线可靠性的方法。

[0006] 本发明的目的是采用下述技术方案实现的：

[0007] 一种配电网单相接地故障选线方法，包括以下步骤：

[0008] 采用小波包分别对各线路的暂态零序电流进行频带宽度的分解，基于所述线路的各频带计算所述线路的故障表征值；

[0009] 基于各线路的故障表征值构造故障特征向量和人工神经网络模型，获得融合故障特征向量；

[0010] 根据所述融合故障特征向量选取故障线路。

[0011] 优选地，所述采用小波包对暂态零序电流进行频带宽度的分解，并计算各线路的故障表征值，包括：

[0012] 获取各线路故障前和故障后的暂态零序电流；

[0013] 基于每条线路采用小波包对暂态零序电流进行频带宽度的分解，并计算各频带零序暂态信号对应的能量；

[0014] 根据得到的所述能量，计算各线路在各频带下故障权重因子，将所述故障权重因子作为故障表征值。

[0015] 优选地，所述各频带零序暂态信号对应的能量按下式计算：

[0016]

[0017] 式中，Ek为各频带零序暂态信号对应的信号能量；为第(j,k)子频带的小波包分解系数；n为各频带内的采样点；j为小波包分解的层数；k为小波包分解后第j层的节点号。

[0018] 优选地，所述故障表征值包括：线路在低频带、五次谐波所在频带和综合全频带上的故障权重因子。

[0019] 优选地，所述线路Li在低频带和五次谐波所在频带上的故障权重因子按下式计算：

[0020]

[0021] 其中，ki,(j,k)为线路Li在低频带、五次谐波所在频带上的故障权重因子；N为线路总数；j为小波包分解的层数；k为小波包分解后第j层的节点号；Ei,(j,k)为线路Li在(j,k)子频带上的能量；E(j,k)为所有线路在(j,k)子频带上的能量总和；

[0022] 所述线路Li在综合全频带上的故障权重因子按下式计算：

[0023]

[0024] 其中，ki为线路Li在综合全频带上的故障权重因子；Ci为线路Li在所有子频带中故障权重因子最大的子频带个数；N为线路总数；C为子频带总个数。

[0025] 优选地，根据各线路的故障表征值构造故障特征向量，包括：

[0026] 故障特征向量按下式进行构造：

[0027] Z＝[k1，(j，0)，…kN，(j，0)，k1，(j，1)，…kN，(j，1)，k1，…kN][0028] 式中，j为小波包分解层数；N为线路总数。

[0029] 优选地，所述根据所述融合故障特征向量选取故障线路，包括：

[0030] 选择融合故障特征向量中综合故障权重因子最大的线路作为路障线路。

[0031] 一种基于配电网单相接地故障选线系统，包括：故障表征值计算模块、融合故障特征向量计算模块和选取模块；

[0032] 故障表征值计算模块，采用小波包分别对各线路的暂态零序电流进行频带宽度的分解，基于所述线路的各频带计算所述线路的故障表征值；

[0033] 融合故障特征向量计算模块，基于各线路的故障表征值构造故障特征向量和人工神经网络模型，获得融合故障特征向量；

[0034] 选取模块，根据所述融合故障特征向量选取故障线路。

[0035] 优选地，所述故障表征值计算模块包括：获取单元、第一计算单元和第二计算单元；

[0036] 获取单元：用于获取各线路故障前和故障后的暂态零序电流；

[0037] 第一计算单元：用于采用小波包分解各线路暂态零序电流并计算各频带零序暂态信号对应的能量；

[0038] 第二计算单元：用于根据所得到的信号能量，计算各线路在各频带下故障权重因子，将所述故障权重因子作为故障表征值。

[0039] 优选地，所述第一计算单元按下式计算各频带零序暂态信号对应的能量：

[0040]

[0041] 式中，Ek为各频带零序暂态信号对应的信号能量；为第(j，k)子频带的小波包分解系数；n为各频带内的采样点；j为小波包分解的层数；k为小波包分解后第j层的节点号。

[0042] 优选地，所述第二计算单元包括：第一权重因子计算子单元，用于按下式计算线路Li在低频带和五次谐波所在频带上的故障权重因子：

[0043]

[0044] 其中，ki，(j，k)为线路Li在低频带、五次谐波所在频带上的故障权重因子；N为线路总数；j为小波包分解的层数；k为小波包分解后第j层的节点号；Ei，(j，k)为线路Li在(j，k)子频带上的能量；E(j，k)为所有线路在(j，k)子频带上的能量总和；

[0045] 第二权重因子计算子单元，用于按下式计算线路Li在综合全频带上的故障权重因子：

[0046]

[0047] 其中，ki为线路Li在综合全频带上的故障权重因子；Ci为线路Li在所有子频带中故障权重因子最大的子频带个数；N为线路总数；C为子频带总个数。

[0048] 与最接近的已有技术比，本发明提供的技术方案具有以下有益效果：

[0049] 本发明提供的技术方案，将故障表征值输入到神经网络进行智能融合选线，将全频带分析和人工神经网络相结合，综合利用了全频带的故障信息，能够克服故障过渡电阻、故障发生时刻的影响，准确可靠的选出故障线路。

[0050] 本发明提供的技术方案，将各线路在低频带、五次谐波所在频带和综合全频带上的故障权重因子作为故障特征值，提取各线路的全频带信息，解决了小波选线存在的能量集中频带不同引起误判的问题，提高故障选线的准确性和可靠性。

附图说明

[0051] 图1是本发明的配电网单相接地故障选线方法的流程图；

[0052] 图2是本发明的10kV配电网系统仿真模型；

[0053] 图3是本发明的小波包分解结果的能量分布图；

[0054] 图4是本发明的各子频带的故障权重因子分布图；

[0055] 图5是本发明的神经网络图；

[0056] 图6是本发明的配电网单相接地故障选线系统的结构示意图。

具体实施方式

[0057] 为了更好地理解本发明，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它实施例，都属于本发明保护的范围。

[0058] 实施例一、

[0059] BP(Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。BP神经网络在机器学习中应用比较广泛，比如函数逼近，模式识别，分类，数据压缩，数据挖掘等领域，是目前应用较广的人工神经网络。

[0060] 本发明实施例一提供的配电网单相接地故障选线方法，如图1所示，包括下述步骤：

[0061] 步骤1，采用小波包分别对各线路的暂态零序电流进行频带宽度的分解，基于所述线路的各频带计算所述线路的故障表征值；

[0062] 步骤2，基于各线路的故障表征值构造故障特征向量和人工神经网络模型，获得融合故障特征向量；

[0063] 步骤3，根据所述融合故障特征向量选取故障线路。

[0064] 步骤1采用小波包对暂态零序电流进行频带宽度的分解，并计算各线路的故障表征值，包括：

[0065] 获取各线路故障前和故障后的暂态零序电流；

[0066] 基于每条线路采用小波包对暂态零序电流进行频带宽度的分解，并计算各频带零序暂态信号对应的能量；

[0067] 根据得到的所述能量，计算各线路在各频带下故障权重因子，将所述故障权重因子作为故障表征值。

[0068] 具体地，各频带零序暂态信号对应的能量按下式计算：

[0069]

[0070] 式中，Ek为各频带零序暂态信号对应的信号能量；为第(j,k)子频带的小波包分解系数；n为各频带内的采样点；j为小波包分解的层数；k为小波包分解后第j层的节点号。

[0071] 对于4层分解，共16个子频带，n为采样点，以变量的形式表示，若采样频率为4kHz，1周波0.02s，采样2个周波数据，即160个点，此时，n＝1,2,3,...,160；k＝0,1,2,...,2j-1。

[0072] 具体地，故障表征值包括：线路在低频带、五次谐波所在频带和综合全频带上的故障权重因子。

[0073] 线路Li在低频带和五次谐波所在频带上的故障权重因子按下式计算：

[0074]

[0075] 其中，ki，(j，k)为线路Li在低频带、五次谐波所在频带上的故障权重因子；N为线路总数；j为小波包分解的层数；k为小波包分解后第j层的节点号；Ei，(j，k)为线路Li在(j，k)子频带上的能量；E(j，k)为所有线路在(j，k)子频带上的能量总和；

[0076] 线路Li在综合全频带上的故障权重因子按下式计算：

[0077]

[0078] 其中，ki为线路Li在综合全频带上的故障权重因子；Ci为线路Li在所有子频带中故障权重因子最大的子频带个数；N为线路总数；C为子频带总个数。

[0079] 步骤2根据各线路的故障表征值构造故障特征向量，包括：

[0080] 故障特征向量按下式进行构造：

[0081] Z＝[k1，(j，0)，…kN，(j，0)，k1，(j，1)，…kN，(j，1)，k1，…kN][0082] 式中，j为小波包分解层数；N为线路总数。步骤3根据所述融合故障特征向量选取故障线路，包括：选择融合故障特征向量中综合故障权重因子最大的线路作为路障线路。

[0083] 实施例二、

[0084] 下面以10kV配电网系统为例对本发明实施例一提供的技术方案做进一步具体说明；

[0085] 本发明使用MATLAB仿真软件搭建10kV配电网系统的接地故障模型，如图2所示。系统具有4条主馈线，线路长度分别为L1＝4km，L2＝15km，L3＝20km，L4＝12km。

[0086] 步骤1，采用小波包分别对各线路的暂态零序电流进行频带宽度的分解，基于所述线路的各频带计算所述线路的故障表征值；

[0087] 接地故障模型采用如下线路参数：电阻的正序分量和零序分量分别为0.125Ω/km和0.23Ω/km，电感的正序分量和零序分量分别为1.21mH/km和5.478mH/km，电容的正序分量和零序分量分别为9.7nF/km和8.0nF/km，系统采用补偿度为p＝10％的过补偿方式，则计算可得消弧线圈的电感L＝1/[3w2(1+p)C]＝7.6836H。

[0088] 小波包分析能将将频带进行多层次划分，对多分辨率分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应的选择相应频带，使之与信号频谱相匹配，从而提高时频分辨率。选用db10小波包进行分析，采样频率取为4kHz，即有效频率为2kHz，选线频带宽度定为125Hz，即分解层数为4层，暂态信号分解为24＝16个子频带，其中(4，0)代表0～125Hz，(4，1)代表125～250Hz频带，即五次谐波所在频带，以此类推，(4，15)代表1875～2000Hz频带。

[0089] 利用建立的接地故障模型，分别对4条线路在故障相电压初相角为10°、45°、80°，故障位置为线路距离母线的30％、60％、90％长度处，过渡电阻为0Ω、20Ω、500Ω、1000Ω、3000Ω、5000Ω时的不同故障情况做单相接地试验，共得到4×3×3×6＝216个训练样本。

[0090] 线路L2经200Ω过渡电阻接地，故障时相电压初相角为90°，故障点距离母线30％长度处。记录各线路故障前0.5个周波和故障后1.5个周波的零序电流，小波包分解各线路暂态零序电流，分别计算4条线路的暂态零序电流信号在各子频带上的能量，如图3所示。可知，线路L1～L4能量最为集中的特征频带分别为(4，11)、(4，4)、(4，0)、(4，0)，即4条线路的特征频带不同。从图3还注意到，各线路能量较集中的频带不止一个。以线路L3为例，线路L3在(4，4)、(4，15)和特征频带(4，0)上均有较高的能量，即线路L3的暂态零序电流的故障特征主要体现在(4，4)、(4，15)和(4，0)上，此时如果只是利用特征频带(4，0)上的故障信息进行选线就会出现选线失效的问题。

[0091] 利用公式

[0092]

[0093] 计算线路L1～L4在16个子频带上的故障权重因子，如图4所示，其中，N为线路总数，j为小波包分解的层数，Ei，(j，k)为线路Li在(j，k)子频带上的能量，E(j，k)为所有线路在(j，k)子频带上的能量总和。

[0094] 通过计算可知，在11个子频带上满足线路L2的故障权重因子最大。

[0095] 计算线路L1～L4的故障权重因子，得到各线路的故障表征值，如表1所示。

[0096] 在线路L3和L4的特征频带(4,0)，线路L3的故障权重因子最大，由图4可知，在线路L2的特征频带(4,4)，线路L2的故障权重因子最大，此时若仅依靠特征频带进行选线，则线路L2和L3均可能为故障线路，选线失效。

[0097] 表1 各线路的故障权重因子

[0098]故障权重因子 L1 L2 L3 L4
ki,(4,0) 0.0695 0.3291 0.3425 0.2588
ki,(4,1) 0.0616 0.4401 0.2895 0..2089
ki 0.0625 0.6250 0.1250 0.1875

[0099] 步骤2，基于各线路的故障表征值构造故障特征向量和人工神经网络模型，获得融合故障特征向量；

[0100] 依据故障选线方法，得到故障特征向量Z＝[0.0695，0.3291，0.3425，0.2588，0.0616，0.4401，0.2895，0.2089，0.0625，0.6250，0.1250，0.1875]。

[0101] 神经网络的输入为训练样本的故障特征向量Z，目标输出为0，1构成的融合故障特征向量T，其中，0表示非故障线路，1表示故障线路，神经网络图如图5所示。该网络的输入层节点数为12个，分别对应4条线路在低频带(4,0)、五次谐波所在频带(4,1)和综合全频带上的3×4＝12个故障权重因子；输出层节点数为4个，对应4条线路的综合故障权重因子。对取值范围内的隐含层节点数逐一多次测试后，最终选取使网络性能最优的隐含层节点数10个。

[0102]

[0103] 式中，ni和no分别为神经元输入节点和输出节点的个数。

[0104] 采用BP算法对216个训练样本进行神经网络训练，隐含层各节点的激活函数采用双曲正切S型传递函数，输出层各节点的激活函数则采用线性传递函数，样本允许误差为0.01，经458步完成模型的训练。

[0105] 将故障特征向量Z＝[0.0695，0.3291，0.3425，0.2588，0.0616，0.4401，0.2895，0.2089，0.0625，0.6250，0.1250，0.1875]输入到训练好的神经网络模型进行智能融合，输出融合故障特征向量T＝[0.073，1.011，0.046，0.071]。

[0106] 步骤3，根据所述融合故障特征向量选取故障线路。

[0107] 根据据融合故障特征向量T＝[0.073，1.011，0.046，0.071]可以看出，线路L2的综合故障权重因子最大，因此可以判断线路L2为故障线路，选线结果与实际故障情况相同，选线正确。

[0108] 分别对4条线路在故障相电压初相角为0°、60°、90°，故障位置为线路距离母线的10％、50％、80％长度处，过渡电阻为200Ω、800Ω、2000Ω、4000Ω时的不同故障情况做单相接地试验，共得4×3×3×4＝144个样本，用这144个样本作为测试样本对神经网络选线模型进行测试。本发明的部分测试结果，见表2。其中，d表示故障点到母线的线路长度，R表示过渡电阻的大小，表示故障时零序电压的初相角大小。

[0109] 表2 故障选线结果

[0110]

[0111] 上述事实说明，本发明提供的一种配电单相接地故障选线方法能解决小波选线存在的能量集中频带不同导致选线困难或失效的问题，故障选线准确、可靠。

[0112] 实施例三、

[0113] 基于相同的发明构思，本发明还提出一种配电网单相接地故障选线系统，所述系统，如图6所示，包括：故障表征值计算模块、融合故障特征向量计算模块和选取模块；

[0114] 故障表征值计算模块，采用小波包分别对各线路的暂态零序电流进行频带宽度的分解，基于所述线路的各频带计算所述线路的故障表征值；

[0115] 融合故障特征向量计算模块，基于各线路的故障表征值构造故障特征向量和人工神经网络模型，获得融合故障特征向量；

[0116] 选取模块，根据所述融合故障特征向量选取故障线路。

[0117] 故障表征值计算模块包括：获取单元、第一计算单元和第二计算单元；

[0118] 获取单元：用于获取各线路故障前和故障后的暂态零序电流；

[0119] 第一计算单元：用于采用小波包分解各线路暂态零序电流并计算各频带零序暂态信号对应的能量；

[0120] 第二计算单元：用于根据所得到的信号能量，计算各线路在各频带下故障权重因子，将所述故障权重因子作为故障表征值。

[0121] 第一计算单元按下式计算各频带零序暂态信号对应的能量：

[0122]

[0123] 式中，Ek为各频带零序暂态信号对应的信号能量；为第(j，k)子频带的小波包分解系数；n为各频带内的采样点；j为小波包分解的层数；k为小波包分解后第j层的节点号。

[0124] 第二计算单元包括：第一权重因子计算子单元，用于按下式计算线路Li在低频带和五次谐波所在频带上的故障权重因子：

[0125]

[0126] 其中，ki，(j，k)为线路Li在低频带、五次谐波所在频带上的故障权重因子；N为线路总数；j为小波包分解的层数；k为小波包分解后第j层的节点号；Ei，(j，k)为线路Li在(j，k)子频带上的能量；E(j，k)为所有线路在(j，k)子频带上的能量总和；

[0127] 第二权重因子计算子单元，用于按下式计算线路Li在综合全频带上的故障权重因子：

[0128]

[0129] 其中，ki为线路Li在综合全频带上的故障权重因子；Ci为线路Li在所有子频带中故障权重因子最大的子频带个数；N为线路总数；C为子频带总个数。

[0130] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

[0131] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0132] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0133] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0134] 以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

标题	发布/更新时间	阅读量
人工神经网络运算电路-专利编号CN107862380A	2020-05-13	1118
人工神经网络-专利编号CN103927583B	2020-05-11	853
人工神经网络-专利编号CN1846218A	2020-05-13	916
人工神经网络-专利编号CN103927583A	2020-05-12	140
人工神经网络-专利编号CN110892423A	2020-05-11	1040
一种人工神经网络算法-专利编号CN106372724A	2020-05-13	943
人工神经网络-专利编号CN109564633A	2020-05-12	250
人工神经网络-专利编号CN109416760A	2020-05-12	433
人工神经网络-专利编号CN110121723A	2020-05-11	510
人工神经网络-专利编号CN110309905A	2020-05-11	526

一种配电网单相接地故障选线方法及系统

一种配电网单相接地故障选线方法及系统

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式