一种量子模糊分解图神经网络的临时接地线定位检测方法

1.本发明属于电力系统与人工智能领域，涉及量子模糊分解图神经网络，适用于电力系统临时接地线的定位检测。


背景技术：

2.挂接地线是配电网改造、检修工作汇总必不可少的一环。必须在检修工作完成后和恢复送电之前把原来人为设置的接地线拆除。近年来，中国电网一直重视加强电力工作者的素质教育和技术培训，并不断完善管理和组织制度，在一定程度上降低了输电线路带地线合闸事故的发生频率，但是仍然无法杜绝此类事故的发生。电网的发展亟需一种技术来解决此类事件，从而保障电力系统的安全运行以及电力工作者的人身安全。现有技术的临时接地线定位检测方法，如以串联谐振放大电路和发射天线构成的接地检测装置，此方法是在配电网异常运行的情况下检测并分析故障信号，从而实现对接地故障的排查，缺点在于大部分接地故障的发生均会导致配电线路跳闸，在线路停电状态下采取上述方法无法检测到有价值的故障脉冲信号。
3.通常采用阻抗测距法来确定临时接地线挂接点的距离后人工巡查拆除接地线，即使在采用高精度的电信号采集芯片，由于长距离输电线路的无法避免的阻抗波动，以及线路中残留的余波影响，无法精确定位接地位置，运行人员大部分时间依然耗费在人工寻找接地线挂接点的过程中，不利于接地线的快速拆除，这样也造成了线路长时间停电带来的人力和财力的损失，降低了电网运行质量。
4.因此，提出一种量子模糊分解图神经网络的临时接地线定位检测方法，来解决人为寻找接地线耗时长的问题。


技术实现要素：

5.本发明提出一种量子模糊分解图神经网络的临时接地线定位检测方法，由临时接地线定位检测装置执行：
6.临时接地线定位装置采用“12v可充电电池”经过升压和降压后分别为“spwm信号产生模块”和“arm芯片”供电，“spwm信号产生模块”由型号为pss10s92e6-ag的ipm芯片组成，“arm芯片”的型号为arm920t；
7.为在待测线路形成足够强的电流信号，树莓派产生pwm信号控制“spwm信号产生模块”产生三相正弦信号，通过“lcl型滤波”和“限流电阻”后输出特定频率的200hz三相正弦信号，输出信号实时反馈于“树莓派”用于调整pwm信号，避免了待测线路中残留余波的影响，具备抗干扰的能力，所采用“树莓派”的型号为3b+；
8.临时接地线定位检测装置对待测线路上的电压信号和电流信号进行测量，将待测线路中的电压信号和电流信号通过“隔离变压器”和“抗混叠滤波”后转换成弱电压信号弱电流信号，再经过“信号放大电路”进行调理放大，最终输入“adc模数转换器”，得到采样信号并传输至“树莓派”，“信号放大电路”采用集成差分运放ina129，“adc模数转换器”采用
ad7606芯片，ad7606芯片与“树莓派”方便地结合以实现信号的精确采集；
[0009]“树莓派”对采样信号进行数字信号处理后将数据传输至“arm芯片”，“arm芯片”内量子模糊分解图神经网络方法根据数据精确计算接地线所处位置，并将接地线所处位置最终输出到显示屏上。
[0010]
量子模糊分解图神经网络方法将深度图神经网络、模糊逻辑、量子计算和经验模态分解进行结合，用于计算配电线路中临时接地线的位置，具备接地线定位精确度高和耗时少的优点；在使用过程中步骤为：
[0011]
步骤s1-1：对待测线路节点进行编号，i表示第i个节点，i≤n，n为待测线路节点总数；
[0012]
步骤s1-2：选取待测线路任意一个节点处挂接地线，并记录挂接地线处节点的序号ie；
[0013]
步骤s1-3：“spwm信号产生模块”产生200hz三相正弦信号并输入至待测线路，在待测线路各节点处对电压信号进行测量，经过adc模数转换后获得采样信号，记在待测线路第i个节点处第j相电压的采样信号为y
i,j
(t)，j＝1表示a相电压，j＝2表示b相电压，j＝3表示c相电压，t＝0.0001,0.0002,
…
,1s，即每个信号周期内采样50个点；
[0014]
步骤s1-2：对采样信号y
i,j
(t)执行n1次分解，直到得到符合希尔伯特条件的信号即第一个模态函数波谱分量v
i,j,1
(t)；第k次分解过程具体包括：
[0015]
采用三次样条法求解出采样信号y
i,j,k-1
(t)极大值包络线l
max,i,j,k
(t)和极小值包络线l
min,i,j,k
(t)；当k＝1时，y
i,j,k-1
(t)＝y
i,j
(t)；
[0016]
计算包络线均值：
[0017][0018]
将y
i,j,k-1
(t)减去包络线均值h
i,j,k
(t)，得到中间信号y
i,j,k
(t)，即
[0019]yi,j,k
(t)＝y
i,j,k-1
(t)-h
i,j,k
(t)，t＝0.0001,0.0002,
…
,1s
ꢀꢀꢀꢀ
(2)
[0020]
步骤s1-3:将y
i,j
(t)减去第一个模态函数波谱分量v
i,j,1
(t)，得到无高频分量d
i,j,1
(t)，即
[0021]di,j,1
(t)＝y
i,j
(t)-v
i,j,1
(t)，t＝0.0001,0.0002,
…
,1s
ꢀꢀꢀꢀ
(3)
[0022]
步骤s1-4:对d
i,j,1
(t)依照步骤s1-2中分解过程经过n2次分解，直到模态函数波谱分量的绝对值比预设值ε小才结束分解，因此最终得到采样信号y
i,j
(t)的n2个模态函数波谱分量
[0023]
步骤s2-1：提取电压采样信号y
i,j
(t)的各模态函数波谱分量v
i,j,k
(t)的电压峰值u
m,i,j,k
以及第一个电压峰值所对应的时刻t
m,i,j,k
；
[0024]
步骤s2-1：，获得表征待测线路所有节点电压的矩阵v，即：
[0025][0026]
式中，u
m,i,j,k
为待测线路第i个节点处第j相电压采样信号的第k个模态函数波谱分量的电压峰值，u
m,1,1,1
为待测线路第1个节点处第1相电压采样信号的第1个模态函数波谱分量的电压峰值，u
m,1,1,2
为待测线路第1个节点处第1相电压采样信号的第2个模态函数波谱分量的电压峰值，u
m,1,j,k
为待测线路第1个节点处第j相电压采样信号的第k个模态函数波谱分量的电压峰值，为待测线路第1个节点处第3相电压采样信号的第n
2-1个模态函数波谱分量的电压峰值，为待测线路第1个节点处第3相电压采样信号的第n2个模态函数波谱分量的电压峰值，u
m,i,1,1
为待测线路第i个节点处第1相电压采样信号的第1个模态函数波谱分量的电压峰值，u
m,i,1,2
为待测线路第i个节点处第1相电压采样信号的第2个模态函数波谱分量的电压峰值，为待测线路第i个节点处第3相电压采样信号的第n
2-1个模态函数波谱分量的电压峰值，为待测线路第i个节点处第3相电压采样信号的第n2个模态函数波谱分量的电压峰值，u
m,n,1,1
为待测线路第n个节点处第1相电压采样信号的第1个模态函数波谱分量的电压峰值，u
m,n,1,2
为待测线路第n个节点处第1相电压采样信号的第2个模态函数波谱分量的电压峰值，u
m,n,j,k
为待测线路第n个节点处第j相电压采样信号的第k个模态函数波谱分量的电压峰值，为待测线路第n个节点处第3相电压采样信号的第n
2-1个模态函数波谱分量的电压峰值，为待测线路第n个节点处第3相电压采样信号的第n2个模态函数波谱分量的电压峰值；
[0027]
步骤s2-2：遍历待测线路所有节点及其二维连接关系，得到待测线路拓扑矩阵a，即：
[0028][0029]
当节点i1和节点i2之间存在直接支路时，
[0030]
当节点i1和节点i2之间不存在直接支路时，式中，a
1,1
为第1行第1列元素，a
1,2
为第1行第2列元素，为第1行第3列元素，a
1,n
为第1行第，a
2,1
，a
2,2
为第2行第2列元素，为第2行第i2列元素，a
2,n
为第2行第n列元素，为第i1行第1列元素，为第i1行第2列元素，为第i1行第i2列元素，为第i1行第n列元素，a
n,1
为第n行第1列元素，a
n,2
为第n
行第2列元素，a
n,3
为第n行第3列元素，a
n,n
为第n行第n列元素；
[0031]
步骤s2-3:重复进行nr次采样，进而建立故障图训练集；训练集由拓扑矩阵a、nr个待测线路节点电压矩阵v和nr个挂接地线处节点序号ie组成；拓扑矩阵a和nr个待测线路节点电压矩阵v作为深度图神经网络的输入；nr个挂接地线处节点序号ie作为深度图神经网络的输出；训练深度图神经网络模型；
[0032]
深度图神经网络采用3层卷积层和1层全连接层组成；
[0033]
卷积层的输出如下式所示：
[0034][0035]a′
＝a+i
ꢀꢀꢀꢀ
(7)
[0036]
式中，h
l
和a为第l层卷积层的输入；h
l+1
为第l层卷积层的输出；当l＝1时，h
l
为待测线路节点电压矩阵v；i为大小为n
×
n的单位矩阵；a
′
是a加上单位矩阵后的邻接矩阵；d
′
为度矩阵；w
l
为第l层卷积层需要训练的维度为3n2×
3n2的参数矩阵；σ为卷积核函数；
[0037]
度矩阵d
′
是一个对角矩阵，其主对角线元素为矩阵a
′
中每行元素的和，即：
[0038][0039]
式中，a
ij
′
为邻接矩阵a
′
的第i行第j列元素；
[0040]
全连接层的输出如下式所示：
[0041]yfc
＝σ(w
fc
x
fc
b)
ꢀꢀꢀꢀ
(9)
[0042]
式中，x
fc
为全连接层的输入，即第3层卷积层的输出h4；y
fc
为全连接层的输出；w
fc
为全连接层需要训练的参数矩阵，维度为1
×
n；b为预先设定好的权重矩阵，维度为3n2×
1；
[0043]
步骤s3-1：根据步骤s1和s2中的方法，对待测线路进行nc次采样，获得nc个待测线路节点电压矩阵v
t
，利用训练好的深度图神经网络预测出待测线路挂接地线处节点，待生成所有预测结果后，统计各个节点作为预测结果的次数，ni为第i个节点作为预测结果的次数；
[0044]
步骤s3-2：计算第i个节点存在接地线的概率水平ai，即：
[0045][0046]
获得接地置信水平矩阵t
ft
，即表征线路各节点存在接地线的概率水平：
[0047]
t
ft
＝(a1,a2,
…
,ai,
…
,an)
t
ꢀꢀꢀꢀ
(11)
[0048]
式中，(a1,a2,
…
,ai,
…
,an)
t
表示向量(a1,a2,
…
,ai,
…
,an)的转置；
[0049]
步骤s4-1：选择量子比特数nq以满足条件将待测线路节点接地置信水平矩阵t
ft
量子态编码后得到位数为n1的量子态初始向量，即
[0050][0051]
式中，|i〉是十进制表示的基态，ρ是归一化常数；
[0052]
步骤s4-2：将量子态初始向量输入至模拟的接地定位量子线路：
[0053]
模拟的接地定位量子线路旨在获得维度为n
×
1的量子态接地范围矩阵r
ft
；模拟的接地定位量子线路由量子门y门、z门和测量装置m1,m2,
…
,m
n-1
,mn组成，y门和z门的矩阵形
式分别为：
[0054][0055][0056]
式中，θ为预先设定好的量子旋转角；
[0057]
测量装置m1,m2,
…
,m
n-1
,mn在z轴方向上对纠缠后的量子态进行量测，得到量子基态|i》的概率pi，即：
[0058][0059]
式中，y
+
(θ)和z
+
(θ)分别为y(θ)和z(θ)的酉矩阵；为量子态初始向量的反方向初始向量；《i|为|i〉的反方向量子基态；
[0060]
获得量子态接地范围矩阵r
ft
，即：
[0061][0062]
步骤s5-1：对pi进行模糊化：
[0063]
根据模糊子集{ss，s，m，b，bb}对pi进行描述，ss表示接地可能性很小，s表示接地可能性小，m表示接地可能性为中等水平，b表示接地可能性大，bb表示接地可能性很大；
[0064]
计算pi隶属于ss的隶属度μ
ss
(pi)：
[0065][0066]
计算pi隶属于s的隶属度μs(pi)：
[0067][0068]
计算pi隶属于m的隶属度μm(pi)：
[0069][0070]
计算pi隶属于b的隶属度μb(pi)：
[0071][0072]
计算pi隶属于bb的隶属度μ
bb
(pi)：
[0073][0074]
步骤s5-2：确定第i个节点接地定位相关性系数ki：
[0075]ki
＝0.5μ
ss
(pi)+0.75μs(pi)+μm(pi)+1.25μb(pi)+1.5μ
bb
(pi) i＝1,2,3,
…
,n；
ꢀꢀꢀꢀ
(22)
[0076]
步骤s6-1：提取量子态接地范围矩阵的最大似然节点i
p
，为pi最大值所对应的待测线路节点，即：
[0077][0078]
步骤s6-2：按照步骤s1中的方法，在最大似然节点i
p
所连所有直接支路上对电流信号依次进行采样，并得到采样电流各谐波分量的峰值i
m,g,j,k
和第一个峰值所对应的时刻t
g,j,k
，g表示最大似然节点所连的第g条支路，g≤n3，n3为最大似然节点i
p
所连直接支路的条数；
[0079]
步骤s6-3：计算第g条直接支路上接地线位置距最大似然节点i
p
的距离，即：
[0080][0081]
式中，和分别为最大似然节点i
p
处的第j相电压采样信号的第k个模态函数波谱分量的电压峰值和第一个峰值对应的时间；
[0082]
步骤s6-4：输出最大似然节点i
p
和共n3个直接支路上接地线位置距最大似然节点i
p
的距离的距离即待测线路中挂接地线位置的n3种结果。
[0083]
本发明相对于现有技术具有如下的优点及效果：
[0084]
(1)本发明设计了临时接地线定位检测装置，向待测线路输入200hz三相正弦信号之后在各节点进行信号采样，避免了待测线路残留的余波的影响，具备抗干扰的性能。
[0085]
(2)本发明在深度图神经网络的预测结果基础上，利用模糊逻辑进行非线性的相关性计算，实现了线性分析与非线性分析的优势互补，提高了接地线定位检测的精确性。
[0086]
(3)本发明采用了量子计算对待测线路全部节点接地概率水平进行了全局计算，加速了线路临时接地线定位检测的过程，减少寻找接地线的耗时，优化了配电网改造与检修的工作。
附图说明
[0087]
图1是本发明方法的临时接地线定位检测装置硬件框架图。
[0088]
图2是本发明方法的量子模糊分解图神经网络方法流程图。
[0089]
图3是本发明方法的模拟的接地定位量子线路的示意图。
具体实施方式
[0090]
本发明提出的一种量子模糊分解图神经网络的临时接地线定位检测方法，结合附图详细说明如下：
[0091]
图1是本发明方法的临时接地线定位检测装置硬件框架图。
[0092]
该检测装置采用“12v可充电电池”经过升压和降压后分别为“spwm信号产生模块”和“arm芯片”供电，“spwm信号产生模块”由型号为pss10s92e6-ag的ipm芯片组成，“arm芯片”的型号为arm920t；
[0093]
为在待测线路形成足够强的电流信号，树莓派产生pwm信号控制“spwm信号产生模块”产生三相正弦信号，通过“lcl型滤波”和“限流电阻”后输出特定频率的200hz三相正弦信号，输出信号实时反馈于“树莓派”用于调整pwm信号，避免了待测线路中残留余波的影响，具备抗干扰的能力，所采用“树莓派”的型号为3b+；
[0094]
装置对待测线路上的电压信号和电流信号进行测量，将待测线路中的电压信号和电流信号通过“隔离变压器”和“抗混叠滤波”后转换成弱电压信号弱电流信号，再经过“信号放大电路”进行调理放大，最终输入“adc模数转换器”，得到采样信号并传输至“树莓派”，“信号放大电路”采用集成差分运放ina129，“adc模数转换器”采用ad7606芯片，ad7606芯片与“树莓派”方便地结合以实现信号的精确采集；
[0095]“树莓派”对采样信号进行数字信号处理后将数据传输至“arm芯片”，“arm芯片”内量子模糊分解图神经网络方法根据数据精确计算接地线所处位置，并将接地线所处位置最终输出到显示屏上。
[0096]
图2是本发明方法的量子模糊分解图神经网络方法流程图。
[0097]
以下是本发明方法的量子模糊分解图神经网络方法的具体步骤：
[0098]
s1：输入200hz三相正弦信号至待测线路，进行信号采样，并对采样信号进行经验模态分解；
[0099]
s2：建立故障图训练集，训练深度图神经网络；
[0100]
s3：利用深度图神经网络预测，获得线路节点接地置信水平矩阵；
[0101]
s4：经过模拟的接地定位量子传输线路进而构建量子态接地范围矩阵；
[0102]
s5：进行模糊化处理，计算相关性系数；
[0103]
s6：计算接地线所处线路位置。
[0104]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。