[發(fā)明專利]基于原子稀疏分解與極限學(xué)習(xí)機的配電網(wǎng)故障選線方法

有效

• 申請?zhí)枺?/td>: 201410563269.0
• 申請日: 2014-10-14
• 公開（公告）號: CN104297635B
• 公開（公告）日: 2017-10-31
• 發(fā)明（設(shè)計）人: 王曉衛(wèi);李玉東;韋延方;張濤;張玉均;侯雅曉;魏向向;高杰
• 申請（專利權(quán)）人: 河南理工大學(xué)
• 主分類號: G01R31/08
• 分類號: G01R31/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于原子稀疏分解與極限學(xué)習(xí)機的配電網(wǎng)故障選線方法，其特征在于，首先，采用原子稀疏分解算法將不同類型故障后各分支線路首個2T的零序電流進行分解，選取前4個原子分別組成主分量原子樣本庫，基波原子樣本庫，暫態(tài)特征原子樣本庫1，暫態(tài)特征原子樣本庫2；然后，采用信息熵與統(tǒng)計理論，對各原子樣本庫進行計算，得到各原子樣本庫的信息熵測度值；其次，分別構(gòu)建4個ELM網(wǎng)絡(luò)對各原子樣本庫中的樣本進行訓(xùn)練與測試，得出各ELM網(wǎng)絡(luò)輸出判別的準(zhǔn)確率；最后，結(jié)合ELM網(wǎng)絡(luò)輸出判別與選線可信度進行故障投票，進而通過選票的數(shù)值大小比較實現(xiàn)故障選線。

2.根據(jù)權(quán)利要求1所述的基于原子稀疏分解與極限學(xué)習(xí)機的配電網(wǎng)故障選線方法，該方法的具體步驟為：

步驟1當(dāng)發(fā)生單相接地故障后，采集各分支線路故障后2個工頻周期的零序電流信號；

步驟2利用原子稀疏分解算法對采集的各分支線路零序電流信號分別進行分解，提取出前4個原子，按照迭代次數(shù)的先后順序，分別稱為：原子1，原子2，原子3，原子4；將原子1定義為主分量原子，原子2定義為基波原子，原子3定義為暫態(tài)分量原子1，原子4定義為暫態(tài)分量原子2；據(jù)此，將原子1的集合定義為主分量原子樣本庫A_{1_N}(n)，原子2的集合定義為基波原子樣本庫A_{2_N}(n)，原子3的集合定義為暫態(tài)分量原子樣本庫1，表示為A_{3_N}(n)，原子4的集合定義為暫態(tài)分量原子樣本庫2，表示為A_{4_N}(n)，其中N為各樣本庫中樣本的數(shù)量，N為自然數(shù)，n為采樣點數(shù)，n＝1，2，…m；

步驟3利用信息熵與統(tǒng)計理論，計算步驟2中各原子樣本庫的信息熵測度值，具體步驟如下：

步驟3.1首先，計算各原子樣本庫與原子樣本庫之和的比值，其中，原子樣本庫之和指的是主分量原子樣本庫，基波原子樣本庫，暫態(tài)分量原子樣本庫1，暫態(tài)分量原子樣本庫2的和，具體計算如下：

Ri_N(n)=Ai_N(n)Σi=14Ai_N(n)]]>

其中，i為自然數(shù)，i＝l，2，3，4；

然后，計算各原子樣本庫中樣本的信息熵值，具體計算如下：

Hi_N=-ΣnRi_N(n)lnRi_N(n)]]>

其中，H_{1_N}，H_{2_N}，H_{3_N}，H_{4_N}分別為主分量原子樣本庫，基波原子樣本庫，暫態(tài)分量原子樣本庫1，暫態(tài)分量原子樣本庫2的信息熵值；

步驟3.2分別選擇主分量原子樣本庫，基波原子樣本庫，暫態(tài)分量原子樣本庫1，暫態(tài)分量原子樣本庫2的最大熵值，分別表示為H_1max，H_2max，H_3max，H_4max；再比較該4個數(shù)值，找出最大值并記為H_max，H_max即為4個原子樣本庫中最大的信息熵值；

步驟3.3分別對各原子樣本庫信息熵值H_{1_N}，H_{2_N}，H_{3_N}，H_{4_N}進行如下運算：

E1_N=H1_NHmax,E2_N=H2_NHmax,E3_N=H3_NHmax,E4_N=H4_NHmax]]>

然后，分別統(tǒng)計E_{1_N}，E_{2_N}，E_{3_N}，E_{4_N}中小于μ的樣本數(shù)量l₁，l₂，l₃，l₄，其中，μ＝0.01；

步驟3.4將l₁，l₂，l₃，l₄分別與各原子樣本庫中的樣本總數(shù)進行相除，計算出各原子樣本庫的信息熵測度值c₁，c₂，c₃，c₄，具體計算如下：

c1=l1N,c2=l2N,c3=l3N,c4=l4N]]>

步驟4根據(jù)獲得的主分量原子，基波原子，暫態(tài)分量原子1，暫態(tài)分量原子2分別訓(xùn)練ELM₁，ELM₂，ELM₃，ELM₄網(wǎng)絡(luò)，得出4個ELM網(wǎng)絡(luò)的準(zhǔn)確率數(shù)值，進而建立起故障選線ELM模型，ELM網(wǎng)絡(luò)的訓(xùn)練過程分為以下2步：

步驟4.1將輸入/輸出訓(xùn)練樣本進行規(guī)格化處理，使其限定在[0，1]內(nèi)，隨機給定輸入神經(jīng)元與第τ個隱含層神經(jīng)元之間的輸入權(quán)值ω_τ＝[ω_1τ，ω_2τ，ω_3τ，ω_4τ]^T和隱含層閾值，其中，τ為隱含層神經(jīng)元編號；

步驟4.2依據(jù)摩爾彭羅斯(Moore Penrose，MP)廣義逆矩陣?yán)碚摚越馕龇绞接嬎愠鼍哂凶钚《私獾木W(wǎng)絡(luò)輸出權(quán)值β_τ＝[ω_τ1，…，β_τ12]^T，獲得訓(xùn)練好的ELM網(wǎng)絡(luò)，由此得出各樣本原子與線路故障條件之間的非線性映射關(guān)系；進而，得出ELM₁，ELM₂，ELM₃，ELM₄網(wǎng)絡(luò)的準(zhǔn)確率數(shù)值；

步驟5計算各原子樣本庫的故障選線可信度，具體計算如下：

原子樣本庫選線可信度＝原子樣本庫信息熵測度×ELM網(wǎng)絡(luò)準(zhǔn)確率

其中，故障選線可信度是定義在[0，∞)上的實變量，用來綜合度量各原子樣本庫樣本的確定性程度以及經(jīng)ELM訓(xùn)練后的準(zhǔn)確率；原子樣本庫的選線可信度越大，表明該原子樣本庫在進行投票時所占權(quán)重越大；

步驟6將各原子樣本庫中未參與步驟4訓(xùn)練的其余原子樣本，輸入到訓(xùn)練好的ELM網(wǎng)絡(luò)，給出故障線路初步判別結(jié)果，進而采用故障投票機制得出最終故障選線結(jié)果；基于選線可信度的故障投票機制，具體步驟為：

步驟6.1首先，假定各線路均為健全線路，也即假定沒有發(fā)生故障；

步驟6.2當(dāng)ELM網(wǎng)絡(luò)輸出判別某線路為健全線路時，在該原子樣本庫選線可信度數(shù)值的基礎(chǔ)上乘以“1”，也即與步驟6.1的假定相符合，投票表示“同意”；反之，當(dāng)ELM網(wǎng)絡(luò)輸出判別某線路為故障線路時，乘以“-1”，也即與步驟6.1的假定相背離，投票表示“反對”；

步驟6.3當(dāng)原子樣本分別經(jīng)ELM判斷完成后，將投“同意”與“反對”票數(shù)進行數(shù)值大小比較，當(dāng)“同意”的票數(shù)數(shù)值大于“反對”票數(shù)值時，判定該線路為健全線路，反之，判定該線路為故障線路。