一种基于离散小波变换的配电故障快速定位方法与流程

本发明涉及配电故障定位
技术领域：
，更具体地说它涉及一种基于离散小波变换的配电故障快速定位方法。
背景技术：
：配电网是“发、变、输、配”四大环节中的最后一环，在电力系统中占有十分重要的地位，电网的工作情况对消费者供电的可靠性和电能质量有着很大的影响。由于配电网分支多，结构复杂，供电半径下等，关于配电网的故障诊断一直是电力系统继电保护领域的一个难点。而现有的诊断方法阻抗法通过故障时测点电压与电流计算故障线路阻抗，以此求取故障距离，但易受过渡电阻、线路分支等因素影响，易出现伪故障点；行波法通过测量电压、电流行波到故障点间的传播时间确定故障距离，由于配电网结构复杂分支众多，需要在多个位置安装设备，且难以精确同步获取多端行波信号，导致投资大，定位精度不高都不适合与配电网的故障快速定位。技术实现要素：针对现有技术存在的不足，本发明在于提供一种基于离散小波变换的配电故障快速定位方法，具有高灵敏度、高可靠性，能快速准确地找到故障位置的效果。为实现上述目的，本发明提供了如下技术方案：一种基于离散小波变换的配电故障快速定位方法，包括一下步骤：步骤一，获取包含三相线电流和零序电流信号的配电网络故障信息，作为输入信号；步骤二，通过离散小波变换对故障信息进行特征提取，并计算小波熵；(一)故障信息分析，通过低通滤波器获得故障信息的低频信号g[n]，通过高通滤波器获得故障信息的高频信号h[n]，并利用降采样滤波器分别对低频信号和高频信号进行升/降采样处理，利用mra分解重构方法进行小波分析，mra尺度函数的表达式和相应的离散小波函数由下式给出：原始信号序列x(n)可以表示为所有分量的总和，对于两个级别的分解，表示为：x(n)＝c1d1(n)+c2a2(n)＝c1d1(n)+c2d2(n)+c2a2(n)其中d1和d2分别是分量分解等级的第一和第二细节，a1和a2是近似于分量的第一和第二分解层，cj是第j个细节或近似分量分解等级的系数；(二)计算小波熵，对于正交小波变换，变换后的每个尺度的能量ej(n)可以直接从其小波系数的平方获得，第j个信号小波能量谱的总和是ej，得到相对小波能量如下：定义小波能谱熵为：weej＝-∑pjklog2pjk单位的小波熵计算公式如下：其中p为分配网络的相,pjk为第j个信号小波能量谱的相对小波能量；步骤三，将离散小波分析信号和计算所得到的小波熵作为输入信息训练bpnn模型，并定位配电网中故障发生的区段和位置；(一)确定配电网网络的具体特征和网络中故障可能发生的场景，简化“bpnn模型的可学习性”引出隐含层神经元的大小；(二)设置1-2个隐含成，第一隐层用8个激活函数作为双曲正切的神经元,第二隐层用4个激活函数作为s型的神经元,输出层用2个线性激活函数的神经元；(三)bpnn模型输出层采用2个线性激活函数的神经元，其中一个测量故障的距离,另一个用于测量过渡电阻在bp神经网络训练时,通过调整bp神经网络的连接权值,使输出层两个神经元分别逼近故障距离的期望值和过渡电阻的期望值,将过渡电阻的影响存储在神经网络的权值中。(四)训练bpnn模型，利用bpnn模型反向传播的误差信息不断调整隐含层的权重和偏置，使输出值逼近故障信息的期望值，准确定位配电网中故障发生的区段和位置。进一步的，所述配电故障故障类型包括单相接地、两相短路、两相短路接地和三相短路。进一步的，所述步骤三种对bp神经网络的训练算法还可以是变尺度法的bfgs法、共轭梯度法等。综上所述，本发明具有以下有益效果：1.根据小波变化(dwt)细节系数计算的小波能量谱熵和每单位能量可以有效地反映故障特征，具有更高的灵敏度和可靠性；2.由于小波变换(dwt)分解，把信号分解成不同尺度和位移的小波之和，能有效滤除噪声；3.使用epu作为训练的bpnn模型输入可以快速准确地找到故障位置；4.简化bpnn模型隐含层神经元的大小，提高了bpnn模型的准确性。附图说明图1是本发明配电网故障定位模型框架示意图；图2是本发明离散小波分解过程示意图；图3是本发明神经网络示意图；图4是本发明两级小波变换过程示意图；图5是本发明a相接地短路故障的测量信号；图6是本发明bpnn用于故障区段定位的模型结构图；图7是本发明ieee34节点系统的拓扑结构示意图。具体实施方式以下结合附图对本发明作进一步详细说明。本实施例公开了一种基于离散小波变换的配电故障快速定位方法，如图1所示，利用离散小波变换对测量所得到的故障信息进行特征提取，并计算故障信号分解后的小波熵；再利用离散小波分析信号和计算的所得到的小波熵作为故障定位模型的输入，快速决策配电网中故障发生的区段和位置。小电流接地系统单相接地时,故障电流和故障电压暂态过程中包含有丰富的故障信息,它比稳态故障信号大几倍,它克服了傅里叶变换不能对信号同时进行时频局部化分析的缺点,因此利用暂态故障信号来实现故障识别,具有更高的灵敏度和可靠性,可以对信号进行精确分析,特别是对暂态突变信号或微弱信号的变化比较敏感,能可靠地提取出故障特征。如图2所示，小波变换把信号分解成不同尺度和位移的小波之和,利用合适的小波基对暂态故障电流进行小波变换后容易看出故障线路上暂态故障电流幅值大于非故障线路零序电流的幅值,而其相位也与非故障线路的相位相反,因此可利用它进行故障选线和故障定位。如图3所示，bp神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层的权重和偏置；其中常用的激活函数有阀值函数、sigmoid函数和双曲正切函数，神经元的输出为：如图4所示，小波变换将非平稳信号分解为时域和频域，获取更多的细节信息。离散小波变换遵循一定的离散扩展模式，这种离散扩展模式由选择膨胀因子为2的幂决定。mra尺度函数的表达式和相应的离散小波函数由下式给出：原始信号序列x(n)可以表示为所有分量的总和。对于两个级别的分解，表示为：x(n)＝c1d1(n)+c2a2(n)＝c1d1(n)+c2d2(n)+c2a2(n)其中d1和d2分别是分量分解等级的第一和第二细节，a1和a2是近似于分量的第一和第二分解层，cj是第j个细节或近似分量分解等级的系数。对于正交小波变换，变换后的每个尺度的能量可以直接从其小波系数的平方获得。是j-scale和k-time的信号x(t)的小波能量谱。在第j个标度处，时刻是k＝1,2,3，...，n，其中n是第j个标度中的时刻(系数)的数量。第j个信号小波能量谱的总和是相对小波能量如下：定义小波能谱熵为：即单位的小波熵：其中p∈{a,b,c}为分配网络的相。如图5所示，本发明通过pscad/emtdc搭建了ieee-34节点仿真实验系统，将配电网络变电站测量点测量得到的三相零序电流输入到matlab仿真计算平台里，并设置不同的仿真基础参数，每个周期采样128个样本，并使用daubechiesdb4level6对其进行分解，在806-808线段设置单相接地短路下利用不同母小波得到的暂态信号提取结果。db4的高通(g)和低通(h)滤波器有四个系数，这些是：g1＝0.1294,g2＝0.2241,g3＝0.8365,g4＝0.4830h1＝0.4830,h2＝0.8365,h3＝-0.2241,h4＝-0.1294选取5级离散小波分解细节，计算得到小波能谱熵如表1所示：表1806-808线a-g断层的熵指标指标weeaweebweecweei0level-12.53743.74923.81233.5551level-22.09873.10313.13212.7209level-32.69842.59383.00792.7935level-42.74674.4124.41972.8112level-53.73745.19144.52813.5526level-63.16474.57263.93472.7917如图6所示，反向传播神经网络(bpnn)是数学方程的多层前馈神经网络，故障区段定位算法由四个“反向传播bpnn模型组成”，在bpnn的训练期间，每个bpnn从训练数据集获取关于问题的知识，并且存储使用神经元之间的突触权重获得的知识。输入是三相和零序线电流的epu/wee，输出层计算每层神经元的输出误差，然后根据误差梯度减小，并调整每层的权重和阈值，其中δwi是隐含层的第i个节点到点之间的输出层权重校正部分。δα是输出层阈值校正量。δwik是隐含层k的第i个输入层。在配电网络中可能发生四类故障，1.单线对地故障(1ph.g)，2.两相(2ph.)短路，3.两相接地(2ph.g)短路，4.三相短路(3ph.)故障。故障位置被分解为四个回归任务，针对故障定位的bpnn模型分别针对1ph.g，2ph。，2ph.g和3ph，对应于可能在配电网络中发生的四类故障。如图7所示，搭建复合模型，各种仿真波形的三相线电流和零序电流输出到matlab中通过离散小波变化进行信号处理，再将所有故障的训练数据将在pscad/emtdc中进行了电磁瞬态(emt)模拟，训练模拟参数如表2所示：表2bpnn训练和测试参数对于故障定位任务，使用wee/epu输入训练bpnn模型。表3给出了使用未经训练的数据集进行故障定位的方法的性能测试。表4中显示的相对百分比误差仍然在可接受的范围内，具有不同的故障类型，故障电阻和故障起始角。表4-2故障区段定位算法的性能分析表4-2故障定位算法的性能分析在ieee-34节点系统研究表明了小波熵和bp神经网络的应用对于配电系统中的故障定位方法的有效性。以上所述仅为本发明的较佳实施例，并不用于限制本发明，凡在本发明的设计构思之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12