专利名称：一种输电线路故障智能分类和定位方法
技术领域：
本发明属于输电技术领域，尤其涉及一种输电线路故障智能分类和定位方法。
背景技术：
输电线路穿越的地区地质条件、气象条件等自然条件复杂多变，可能引起故障的因素很多，所以电力系统的大部分故障都发生在输电线路上。在故障定位技术出现以前，往往通过人工巡线查找故障点的位置，其所需的时间是电力系统不能接受的。故障定位技术，可以根据线路故障时的特征而迅速准确地定位故障点，及时恢复供电，减少因停电而造成的巨大损失。因此，当输电线路发生故障后，快速、有效、准确地判断故障类型，并进行精确的故障定位是电力系统安全经济生产迫切需要的。目前，常用故障定位方法主要包括阻抗法、行波法、故障分析法和基于先进信号处理技术的新方法等。阻抗法根据不同故障类型条件下，故障回路阻抗或电抗与测量点到故障点的距离成正比的原理，通过计算故障时测量点的阻抗或电抗值除以线路的单位阻抗或电抗值，得到测量点到故障点的距离。该方法虽然具有投资少的优点，但受路径阻抗、线路负荷和电源参数的影响较大。行波法根据行波传输理论实现输电线路的故障测距，但其对同步时钟的要求过高，造价过高；很多学者提出用数学形态学、信号相位检测等技术加以改进，但在实际应用中效果仍不理想。故障分析法利用故障时记录下来的工频电压、电流量，通过分析计算，求出故障点的距离。事实上，在系统运行方式确定和线路参数已知的条件下，输电线路发生故障时，测量点的电压、电流量是故障点距离的函数。因此，可以用故障时记录下来的测量点电压和电流量，通过分析计算得出故障点的位置，但其前提是忽略线路的分布电容和漏电导。随着电力系统规模的日益扩大，为了增大输电线路传输容量和提高系统的稳定性，人工智能技术，如，人工神经网络、进化算法和专家系统等，以及一些新的理论，如小波变换等，也在电力系统各个领域取得了日益广泛的应用。然而，技术自身的缺陷限制了这些故障定位方法的适用范围。
发明内容
针对背景技术中提到的故障定位方法受路径阻抗、线路负荷和电源参数的影响较大的问题，本发明提出了一种输电线路故障智能分类和定位方法。一种输电线路故障智能分类和定位方法，其特征在于，具体步骤包括:步骤1:采集三相电压和电流故障信号，采用离散傅里叶变换DFT提取每一个信号的基频信息，得到对应的基频特征，并对基频特征进行归一化处理，所有信号归一化后的基频特征组成基频特征序列；步骤2:设计支持向量机SVM、自适应神经模糊推理系统ANFIS和RBF神经网络的故障分类器和定位器，并将归一化后的基频特征序列作为样本，分别用支持向量机SVM的分类器和定位器、自适应神经模糊推理系统ANFIS的分类器和定位器和RBF神经网络的分类器和定位器进行分类和定位训练；步骤3:设计故障分类器和定位器智能选择模型，并根据设定的模型评估准则选择最优分类器，从而确定故障类型，完成对故障的定位。步骤I中，采用离散傅里叶变换DFT提取每一个故障信号的基频信息，得到对应的基频特征的过程是:设故障信号的某一相电流/电压信号为X(n)，其离散傅里叶变换DFT为X(m)，根据N点DFT的分析频率表达式:
权利要求
1.一种输电线路故障智能分类和定位方法，其特征在于，具体步骤包括: 步骤1:采集三相电压和电流故障信号，采用离散傅里叶变换DFT提取每一个信号的基频信息，得到对应的基频特征，并对基频特征进行归一化处理，所有信号归一化后的基频特征组成基频特征序列； 步骤2:设计支持向量机SVM、自适应神经模糊推理系统ANFIS和RBF神经网络的故障分类器和定位器，并将归一化后的基频特征序列作为样本，分别用支持向量机SVM的分类器和定位器、自适应神经模糊推理系统ANFIS的分类器和定位器和RBF神经网络的分类器和定位器进行分类和定位训练； 步骤3:设计故障分类器和定位器智能选择模型，并根据设定的模型评估准则选择最优分类器，从而确定故障类型，完成对故障的定位。
2.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述采用离散傅里叶变换DFT提取每一个信号的基频信息，得到对应的基频特征的过程是: 设故障信号的某一相电流/电压信号为X (n)，其离散傅里叶变换DFT为X (m)，根据N点DFT的分析频率表达式
3.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述基频特征进行归一化公式为:
4.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述SVM分类器和定位器的设计的具体步骤包括: 步骤①:设计样本训练时分类器的结果:分别为:单相接地L-G故障，两相接地L-L-G故障，相间L-L故障和三相L-L-L故障； 步骤②:设计定位结果:即故障点和电源端之间的距离占线路总长度的百分比； 步骤③:对分类器和定位器分别设置不同的内核参数；内核参数包括惩罚参数C和函数参数Y ; 步骤④:采用参数寻优方法选择最佳参数对样本进行分类/定位训练，完成分类器和定位器的设计；具体过程为:给定需要设置的参数范围和间隔大小，逐一选取参数并对训练样本中的数据进行训练和内部测试，在用户设定的迭代运算次数下得到其分类正确率和误差，将所有参数组合试验结束后，选取正确率最高的参数组合(C，Y)作为最佳参数； 步骤⑤:故障分类器输出结果用标号1，2，…，10表示，分别对应10种故障类型，定位器输出结果即为故障距离百分比。
5.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述自适应神经模糊推理系统ANFIS分类器和定位器的设计的具体步骤包括: 步骤①:设计样本训练时分类器的结果:分别为:单相接地L-G故障，两相接地L-L-G故障，相间L-L故障和三相L-L-L故障； 步骤②:设计定位结果:即故障点和电源端之间的距离占线路总长度的百分比； 步骤③:设置隶属度函数类型和个数，并通过样本 训练对隶属度函数进行调整，形成规则库； 步骤④:设置学习方法、设定误差和训练次数，对样本进行训练，生成初始分类或定位系统； 步骤⑤:利用测试样本对训练后的系统进行测试，检查是否满足设定的误差要求，若不满足，则重新修改隶属度函数类型和个数并进行训练和测试，直到测试结果满足设定的误差要求为止。
6.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述RBF神经网络分类器和定位器设计的具体步骤包括: RBF神经网络是一种具有三层的前向神经网络，包含输入层、隐含层和输出层； 步骤①:设计样本训练时分类器的结果:分别为:单相接地L-G故障，两相接地L-L-G故障，相间L-L故障和三相L-L-L故障； 步骤②:设计定位结果:即故障点和电源端之间的距离占线路总长度的百分比；步骤③:设计RBF分类器的输入结点对应训练样本的三相电流和电压特征值，输出为A、B、C和G共四个结点，分别表示三相和接地，当其输出为I时表示该项有故障发生；步骤④:设计RBF神经网络系统的初始的隐含层神经元数量等于输入样本数； 步骤⑤:设计RBF定位器有I个输出结点，表示输出故障距离百分比； 步骤⑥:设定扩展速度和网络均方误差对神经网络进行训练； 步骤⑦:将样本数据以特征值数量X样本数矩阵的形式输入RBF神经网络的每个隐含 层神经元的径向基函数
7.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述模型评估准则为: 1)统计每种故障分类器和定位器的平均测试时间和测试误差，确定在不同线路电压等级和线路长度条件下，故障分类精度最高的解决方案； 2)当存在两个或两个以上分类精度相同的方案时，选择模型运行时间最优方案；3)对于故障定位器，在确定故障类型的情况下，确定在不同线路电压等级和线路长度条件下，故障定位精度最高的解决方案，当存在两个或两个以上定位精度相同的方案时，选择模型运行时间最优方案。
8.根据权利要求1所述的一种输电线路故障智能分类和定位方法，其特征在于，所述方法还包括根据故障严重程度指标和故障修复指标，对故障的严重程度和修复难易度进行评估。
9.根据权利要求8所述的一种输电线路故障智能分类和定位方法，其特征在于，所述故障严重程度的评估的方法: 步骤a:建立输电网能量损失率和用户损失率两个子指标Ce和Cu:
10.根据权利要求8所述的一种输电线路故障智能分类和定位方法，其特征在于，所述修复难易度进行评估的方法为: 步骤a:建立定位误差、故障分类精度、模型运行时间、故障线路地理环境和当前天气情况五个子指标，并用隶属度函数统一不同指标的量纲； 定位误差A 1%隶属度函数为:
全文摘要
本发明公开了输电技术领域的一种输电线路故障智能分类和定位方法。其技术方案是，集中了支持向量机SVM、自适应神经模糊推理ANFIS和RBF神经网络三种技术的优势，设计了SVM、ANFIS和RBF神经网络故障分类和定位器，以定位误差、分类精度和模型运行时间为评估指标，按照精度优先，兼顾效率的准则，实现不同故障情况下对最优分类器和定位器的智能选择，达到最优的故障分类和定位效果；同时，设计了故障严重程度和修复指标，用以评估故障的危害程度和修复难易度，在有效提高供电可靠性、减少停电损失的同时，大大降低了维护人员的工作量，提高了工作效率。
文档编号G06F17/30GK103091603SQ20131001339
公开日2013年5月8日 申请日期2013年1月14日 优先权日2013年1月14日
发明者许刚, 马爽, 史巍, 王紫雷, 刘坤 申请人:华北电力大学