[發明專利]基于原子稀疏分解與極限學習機的配電網故障選線方法

有效

• 申請號: 201410563269.0
• 申請日: 2014-10-14
• 公開（公告）號: CN104297635B
• 公開（公告）日: 2017-10-31
• 發明（設計）人: 王曉衛;李玉東;韋延方;張濤;張玉均;侯雅曉;魏向向;高杰
• 申請（專利權）人: 河南理工大學
• 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

技術領域

本發明涉及一種基于原子稀疏分解與極限學習機的配電網故障選線方法，屬電力系統故障選線技術領域。

背景技術

故障選線的研究重點是配電網發生單相接地故障時故障線路的識別判斷，此時故障電流微弱，經消弧線圈接地方式下更是如此。對于該系統而言，故障選線是一種利用微弱信號做出辨識的技術，僅利用傳統的電流幅值大小與相位相反等信息的常規方法難以取得令人滿意的結果。

近年來，眾多學者開始將現代信號處理技術應用于配電網的故障選線中，涌現出大量的故障選線方法，概括起來主要采用小波變換、S變換、數學形態學、希爾伯特-黃變化(HHT)、普羅尼(Prony)算法、Hough變換等信號處理工具提取信號，然后采用人工神經網絡、支持向量機、貝葉斯分類法等建立選線判據。

小波變換可對獲得的零序電流進行分解，通過計算小波模極大值確定故障電流行波波頭的到達時刻，進而在此時刻比較各饋線的幅值與極性實現故障選線。利用S變換后電氣量在各頻率點的模值和相角信息，通過模值比較，找出了特征頻率點；通過相角比較，制定出選線投票機制。實驗表明，在選出故障饋線的同時，給出了選線信心度。基于數學形態學的暫態選線方法包括兩方面：一方面，利用組合形態濾波器對選線數據進行濾波預處理，最大限度地去除噪聲對選線的影響；另一方面，利用形態學算子對去噪后的信息進行暫態突變檢測以確定故障線路。通過HHT計算故障暫態時的瞬時功率，進而通過瞬時功率實現故障方向的有效判別，該方法在較低采樣率下充分利用了暫態分量的高頻信息，具有很好的借鑒意義。Prony方法嘗試將零序電流信號分段，以確保零序電流信號在各子段上具有較好的持續性和較小的突變性，然后再將Prony分別應用于這些子段，再依據能量最大原則遴選出表征故障特征信息的暫態主導分量，進而求得各線路相對于其他線路的暫態主導分量相對熵，最后采用初步投票與k值校驗的選線機制對Prony相對熵數值進行了投票，選出了故障線路。將各饋線零序電流進行Hough變換，構造出零序電流起始階段整體變化趨勢的“整體”突變方向夾角，通過判別方向夾角的不同，進而也可實現故障選線。

總之，采用以上信號處理方法對故障信號進行處理，較好地提取出了蘊含豐富特征信息的故障特征量，為準確選線奠定了基礎，但同時也應看到，現有特征提取方法存在以下3點不足：

(1)試圖用有限的基函數去表征廣泛多變的電力故障信號，特征提取過程不具自適應性，導致出現了無法解釋的分解項，對后續的故障分析和識別非常不利。

(2)現有信號處理方法在建立故障信號數學模型時，均假定故障信號中各特征分量持續存在，而實際故障信號中各特征分量并非具有這一特點，顯然這一假定是不合適的。

(3)現有信號處理方法在“大數據”時代對于故障特征數據的有效存儲方面能力不足。隨著配網數字化和信息化進程的加快以及各類自動裝置的安裝，在系統發生故障時，將有大量的報警數據在短時間內上報主/子站，如故障錄波數據、保護裝置報警、斷路器/開關跳閘數據等。這些數據量龐大，蘊含故障信息豐富，反映故障特征全面，若能將該類故障數據進行有效的存儲，必將對配網故障選線與診斷提供重要的數據支撐。

因此，如何在現有技術的基礎上，盡可能的存儲更多的故障數據顯得尤為重要，信號的稀疏表征就是解決該問題的一條有效途徑。

另外，在故障選線判據研究領域，眾多學者在神經網絡、支持向量機、貝葉斯分類法等方面進行了積極的探索，取得了可喜的成果。

利用神經網絡進行故障診斷時，可采用粗神經元和模糊神經元代替普通神經元，有效提高神經網絡的訓練速度，并減少網絡的訓練樣本，提高故障分類的正確率。通過研究發現，神經網絡具有簡單的結構和很強的問題求解能力，且可較好地處理噪聲數據，但還需在局部最優問題、收斂性、訓練時間、可靠性等方面做進一步的研究。

利用支持向量機(Support Vector Machine，SVM)進行選線時，可將各條饋線零序電荷與電壓相關系數作為選線特征輸入量，通過結合支持小樣本分類的SVM分類算法，建立起基于暫態零序Q-U特征的配電網故障選線流程。通過進一步的探討可知，支持向量機在解決小樣本、非線性及高維模式識別問題中具有明顯優勢，但識別能力易受自身參數的影響。

采用貝葉斯網絡進行故障選線，在針對故障診斷的不完備信息情況時，采用證據的不確定性推理和比較異常事件數2種方法，在應用比較異常事件數方法時，為解決大量信息缺失時出現的組合爆炸問題，可對貝葉斯網絡進行了分層，進而利用已有的繼電保護信息推斷缺失信息狀態、刪除不重要的缺失信息等規則，可明顯減少計算量。