一种小电流接地故障的快速选线方法

1.本发明涉及电力故障处理技术领域，具体涉及一种小电流接地故障的快速选线方法。


背景技术：

2.配电网作为与用户相连直接分配电能的网络，它的安全性和可靠性对国民经济的生产和发展起着至关重要的作用。目前，小电流接地系统为配电网的主要接地方式，小电流接地系统的故障选线一直是电力系统中非常困难的问题。在站端加装小电流接地系统故障选线装置，利用暂态时期的信号特征进行选线，保证配电网供电的可靠性。但存在暂态过程持续时间短，故障信号提取困难等问题。多种故障特征进行融合选线的方法，可以克服单一选线方式的不足。在获得故障时系统的数据特征后，以往的数据优化算法如bp神经网络，支持向量机等均存在迭代速度慢，容易陷入局部最优等问题，导致选线的精确度不高和选线速度较慢。正确率低的选线结果和选线速度过慢会导致系统长时间维持在带故障状态下，单相接地时产生的接地电流会在接地点形成电弧，如果不及时清除，可能会烧毁设备，进而造成经济损失甚至带来安全事故，因此需要迫切提高选线的准确性和快速性。


技术实现要素：

3.针对现有技术中存在的问题，本发明提供一种小电流接地故障的快速选线方法，其目的在于：解决现有技术中，单相接地故障选线存在选线准确率不高、选线速度慢的问题。
4.本发明采用的技术方案如下：
5.一种小电流接地故障的快速选线方法，包括以下步骤：
6.步骤1：当小电流接地系统发生故障后，利用故障采集装置记录各种不同情况故障后的电气信息量。提取各线路零序电流与母线零序电压信号步骤为：当小电流接地系统发生故障后，利用故障采集装置记录各种不同情况故障后的电气信息量，包括各支路馈线稳态时的零序电流信号，以及暂态时的零序电流信号和母线零序电压信号。
7.步骤2：获取零序电流与零序电压信号后，应进行信号处理提取线路稳态、暂态故障特征。
8.步骤3：对提取的零序电流稳态分量进行快速傅里叶变换,获取稳态时第j条线路的五次谐波分量幅值i
j250hz
。将每条线路的五次谐波分量幅值与所有线路的五次谐波分量幅值之和的比值作为故障特征量f1。
[0009][0010]
式(1)中，i
j,250hz
为线路j的五次谐波分量幅值，为所有线路五次谐波分
量幅值之和。
[0011]
暂态时的零序电压与零序电流分量相乘后再积分，特征量放大，有利于区分故障线路和正常线路的特征值差异，其计算公式如下：
[0012][0013]
式(2)中，v(t)为t时刻的零序电压，i(t)为t时刻的零序有功电流，t表示积分周期，取为故障后的一个周波。
[0014]
进一步的，将该故障特征数据归一化处理方法如下：假设第j条线路的暂态零序有功功率积分分量为pj，将该值与所有线路的积分分量之和的比值作为故障特征量f2，则计算公式为：
[0015][0016]
式(3)中，pj为线路j的暂态零序有功功率积分值，为所有线路的暂态零序有功功率积分值之和。
[0017]
基于vmd获取线路能量，在分解个数k为2的情况下，对提取的线路暂态零序电流信号进行vmd分解，经过vmd分解后求线路能量。并将该线路能量值与所有线路能量值和的比值作为故障特征值f3。
[0018]
进一步的，基于vmd获取线路能量，对提取的暂态零序电流信号进行vmd分解，在分解个数k为2的情况下，将零序电流进行分解为两个imf函数后，记为d
1(t)
，d
2(t)
，第j个imf分量的频带能量为：
[0019][0020]
式(4)中,k为采样点数，n为采样数据长度，j＝1，2；将两个imf分量的频带能量相加，即得到该条线路(出线l)对应的能量值。
[0021]
将两个imf分量的频带能量相加，即得到该条线路(出线l)对应的能量值：
[0022]el
＝e1+e
2 (5)
[0023]
进一步的，将线路l的能量值与所有线路能量值之和的比值作为能量比重值,作为线路故障时的第三个故障特征量f3：
[0024][0025]
式(6)中，e
l
为线路l的能量值，为所有线路的能量值之和。
[0026]
步骤4：根据优化后的bp神经网络对故障特征量f1，f2，f3处理并进行选线。
[0027]
进一步的，用鲸鱼算法优化bp神经网络前，先对鲸鱼算法本身进行优化，增强鲸鱼算法的全局搜索多样性，包括混沌映射和惯性权重优化，其优化步骤如下：
[0028]
采用cubic map混沌运算作为混沌映射来改善系统的初始种群方式，cubic map混
沌映射的表达式为：
[0029][0030]
式(7)中,ρ为控制参数，设其为1；yk为第k次迭代后的鲸鱼种群序列，其次引入惯性权重公式来均衡鲸鱼算法的全局搜索能力以及后期的局部搜索能力，其中惯性权重公式为：
[0031]
ω(t)＝ω
min
+(ω
max-ω
min
)
×m×
exp(-t/m) (8)
[0032]
式(8)中，ω(t)为迭代t次后的惯性权重值，m为调整系数，ω
min
和ω
max
分别为初始最小和最大权值，m为最大迭代次数。
[0033]
进一步的，利用优化后的鲸鱼算法(c-i-woa)优化bp神经网络，通过优化鲸鱼算法去优化bp神经网络的初始权值和阈值(c-i-woa-bp)，使得bp神经具有最优的初始权值和阈值，可以解决bp神经网络容易陷入局部最优的问题,进而将上述获取的故障特征量的部分作为训练样本数据输入到优化后的bp神经网络进行训练，训练获得最优c-i-woa-bp神经网络模型。将需要测试的线路特征状态送入已优化的c-i-woa-bp神经网络模型，判断是否发生小电流接地。
[0034]
综上所述，本发明的有益效果如下：
[0035]
本发明的c-i-woa-bp神经网络模型能够克服以往单一的bp神经网络存在的不足和限制，其优化后的算法能够解决bp神经网络容易陷入局部最优和迭代速度慢的问题；在小电流接地系统发生故障后，可以用于提高故障选线的准确率和选线速度。
附图说明
[0036]
本发明将通过例子并参照附图的方式说明，其中：
[0037]
图1为本发明的方法流程示意图；
[0038]
图示：1-线路发生接地故障、2-提取各线路零序电流与母线零序电压信号、3-稳态暂态故障特征提取、4-fft获取线路五次谐波幅值、5-获取暂态零序有功功率积分量、6-基于vmd获取线路能量、7-数据归一化处理获取样本集、8-训练集、9-混沌映射方程、10-非线性自适应权重、11-优化woa算法的初始种群和惯性权重(c-i-woa)、12-c-i-woa优化bp神经网络、13-训练获得最优c-i-woa-bp神经网络模型、14-测试集、15-对训练后的模型进行测试、16-判断是否发生小电流接地。
具体实施方式
[0039]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0040]
在本技术实施例的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该
发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0041]
下面结合图1对本发明作详细说明。
[0042]
实施例：
[0043]
本发明一种小电流接地故障的快速选线方法是这样实现的：
[0044]
如图1所示，其中图中1为线路发生接地故障，2为提取各线路零序电流与母线零序电压信号：当监测到配电网发生接地故障后，应第一时间利用采集装置采集各条线路的零序电流信号以及母线的零序电压信号。
[0045]
3为稳态暂态故障特征提取：采集到零序电流和零序电压信号后，应对这些信号进行处理，获得线路的特征值输入，其中获取的特征输入有三个，分别为线路的五次谐波幅值比值、暂态零序有功功率积分量比值、基于vmd的线路能量比值，同时线路的特征值输出设置为0或1，其中输出0表示该线路为正常线路，1表示该线路为故障线路，以便后续选线。
[0046]
4为fft获取线路五次谐波幅值：利用采集装置采集故障后各个线路零序电流稳态信号，对各个信号进行fft变换，获得五次谐波幅值，同时将每条线路的五次谐波分量幅值与所有线路的五次谐波分量幅值之和的比值作为第一个故障特征量f1：
[0047][0048]
式(1)中，i
j,250hz
为线路j的五次谐波分量幅值，为所有线路五次谐波分量幅值之和。
[0049]
5为获取暂态零序有功功率积分量：当用采集装置提取到各条线路的暂态零序电流和母线的零序电压后，将每条线路的零序电流与母线零序电压相乘再积分，即:
[0050][0051]
式(2)中，v(t)为t时刻的零序电压，i(t)为t时刻的零序有功电流，t表示积分周期，取为故障后的一个周波。
[0052]
以此来获得故障后每条线路的暂态零序有功功率积分值，并将每条线路的暂态零序有功功率积分值与所有线路的暂态零序有功功率积分值之和的比值作为第二个故障特征量f2：
[0053][0054]
式(3)中，pj为线路j的暂态零序有功功率积分值，为所有线路的暂态零序有功功率积分值之和。
[0055]
6为基于vmd获取线路能量：将零序电流进行分解为两个imf函数后，记为d
1(t)
，d2(t)
，第j个imf分量的频带能量为：
[0056][0057]
式(4)中k为采样点数，n为采样数据长度，j＝1，2。将两个imf分量的频带能量相加，得到该条线路(出线l)对应的能量值：
[0058]el
＝e1+e
2 (5)
[0059]
将线路l的能量值与所有线路能量值之和的比值作为能量比重值,以此来作为线路故障时的第三个故障特征量f3：
[0060][0061]
式(6)中，e
l
为线路l的能量值，为所有线路的能量值之和。
[0062]
7为数据归一化处理获取样本集：上述方法获得数据特征后，由于各个数据特征之间的差异化，因此需要对数据进行归一化处理，归一化的基准均为各条线路的对应特征值之和。
[0063]
8为训练集：将数据集归一化后，归一化后的数据集应划分一部分为训练集，训练集数据量占所有数据的80％，用于后续神经网络的训练，以此来训练获得最优模型进行选线。
[0064]
9为混沌映射方程：本发明采用改进鲸鱼算法优化bp神经网络的初始权值和阈值，用混沌变量来产生一大批的具有多样性的混沌初始种群，然后从中选取适应度值较好的种群作为鲸鱼算法初始种群，以此来提高搜索效率，在混沌映射公式上，选择cubic map混沌运算公式来改善鲸鱼算法的初始种群。cubic map混沌映射的表达式为：
[0065][0066]
式(7)中,ρ为控制参数，设其为1；yk为第k次迭代后的鲸鱼种群序列，
[0067]
10为非线性惯性自适应权重：对于鲸鱼算法，惯性权重对收敛速度和全局寻优能力都有很大影响。其次引入惯性权重公式来均衡鲸鱼算法的全局搜索能力以及后期的局部搜索能力，其中惯性权重公式为：
[0068]
ω(t)＝ω
min
+(ω
max-ω
min
)
×m×
exp(-t/m) (8)
[0069]
式(8)中，ω(t)为迭代t次后的惯性权重值，m为调整系数，ω
min
和ω
max
分别为初始最小和最大权值，m为最大迭代次数，由公式(8)可知，迭代的前期随着迭代次数t保持在较小值，自适应权值ω保持在较高值，可以增加算法的全局搜索能力；随着后期t的增加，ω逐渐减小，此时可以提高算法的局部寻优能力。
[0070]
11为优化woa算法的初始种群和惯性权重(c-i-woa)：利用混沌映射方程和惯性权重优化woa算法的初始种群和惯性权重，得到优化后的鲸鱼算法(c-i-woa).
[0071]
12为c-i-woa优化bp神经网络:利用优化后的鲸鱼算法(c-i-woa)优化bp神经网络的初始权值和阈值，形成c-i-woa-bp模型，加快神经网络的训练精度和训练速度。
[0072]
13为获得最优c-i-woa-bp神经网络模型：将样本中的训练集输入到c-i-woa-bp神经网络进行训练，通过神经网络的训练收敛得到最优的网络模型。
[0073]
14为测试集：将归一化后的数据集划分为训练集和测试集，其中训练集已用于前面神经网络的训练，剩下的部分数据特征作为测试集。
[0074]
15为对训练后的模型进行测试：将测试集输入到前面训练获得的最优c-i-woa-bp神经网络模型进行测试，评估前面优化的网络模型的可靠性。
[0075]
16为判断是否发生小电流接地：将需要测试的线路特征状态送入已优化的c-i-woa-bp神经网络模型，判断是否发生小电流接地。
[0076]
以上所述实施例仅表达了本技术的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。

技术特征：
1.一种小电流接地故障的快速选线方法，其特征在于，包括以下步骤：步骤1：当小电流接地系统发生故障后，利用故障采集装置记录各种不同情况每条线路故障后的电气信息量；步骤2：基于步骤1获取每条线路的零序电流与零序电压信号后，进行信号处理，提取稳态、暂态故障特征；步骤3：利用fft变换提取每条线路的五次谐波分量幅值，并将其与所有线路的五次谐波分量幅值之和的比值作为故障特征量f1；求取暂态零序有功功率积分分量，即暂态时的零序电压与零序电流分量相乘后再积分；将该值与所有线路的积分分量之和的比值作为故障特征量f2；对提取的暂态零序电流信号进行vmd分解，在分解个数k为2的条件下，将第i条线路暂态零序电流信号经过vmd分解，求取第i条线路能量占所有线路能量和的能量比重，得到故障特征量f3；将故障特征量f1、f2、f3进行归一化处理获取样本数据集；步骤4：优化c-i-woa-bp神经网络模型参数并利用步骤3中获取到的样本数据集进行训练，得到优化后的c-i-woa-bp神经网络模型,将需要测试的线路特征状态送入已优化的c-i-woa-bp神经网络模型,判断是否发生小电流接地。2.根据权利1所述的一种小电流接地故障的快速选线方法，其特征在于，所述步骤1具体为：采集装置记录各种不同情况故障后的电气信息量，包括各支路馈线稳态时的零序电流信号，以及暂态时的零序电流信号和母线零序电压信号。3.根据权利1所述的一种小电流接地故障的快速选线方法，其特征在于，所述步骤3中故障特征量f1的具体获取过程为：利用采集装置采集故障后每条线路的零序电流稳态信号，对各个信号进行fft变换，获得五次谐波幅值，同时将每条线路的五次谐波分量幅值与所有线路的五次谐波分量幅值之和的比值作为故障特征量f1。4.根据权利1或3所述的一种小电流接地故障的快速选线方法，其特征在于，所述故障特征量f1的具体数学表达式为：式(1)中，i
j,250hz
为线路j的五次谐波分量幅值，为所有线路五次谐波分量幅值之和。5.根据权利1所述的一种小电流接地故障的快速选线方法，其特征在于，所述步骤3中故障特征量f2的具体获取过程为：当用采集装置提取到各条线路的暂态零序电流和母线的零序电压后，将每条线路的零序电流与零序电压相乘再积分得到线路的暂态零序有功功率积分值；将每条线路的暂态零序有功功率积分值与所有线路的暂态零序有功功率积分值之和的比值作为故障特征量f2。6.根据权利1或5所述的一种小电流接地故障的快速选线方法，其特征在于，所述将每条线路的零序有功电流与零序电压相乘再积分的具体数学表达式为：
式(2)中，v(t)为t时刻的零序电压，i(t)为t时刻的零序有功电流，t表示积分周期，取为故障后的一个周波。7.根据权利1或5所述的一种小电流接地故障的快速选线方法，其特征在于，所述故障特征量f2的具体数学表达式为：式(3)中，p
j
为线路j的暂态零序有功功率积分值，为所有线路的暂态零序有功功率积分值之和。8.根据权利1所述的一种小电流接地故障的快速选线方法，其特征在于，所述步骤3中特征量f3的具体获取过程为：对提取的暂态零序电流信号进行vmd分解，在分解个数k为2的情况下，将零序电流进行分解为两个imf函数后，记为d1(t)，d2(t)，第j个imf分量的频带能量为：式(4)中,k为采样点数，n为采样数据长度，j＝1，2；将两个imf分量的频带能量相加，即得到该条线路对应的能量值；e
l
＝e1+e
2 (5)将每条线路的能量值与所有线路能量值之和的比值作为能量比重值,以此来作为线路故障时故障特征量f3。9.根据权利1或8所述的一种小电流接地故障的快速选线方法，其特征在于，所述故障特征量f3的具体数学表达式为：式(6)中，e
l
为线路l的能量值，为所有线路的能量值之和。10.根据权利1所述的一种小电流接地故障的快速选线方法，其特征在于，所述步骤6具体为：首先采用cubic map混沌运算作为混沌映射来改善鲸鱼算法的初始种群方式，cubic map混沌映射的表达式为：式(7)中,ρ为控制参数，设其为1；y
k
为第k次迭代后的鲸鱼种群序列，其次引入惯性权重公式来均衡鲸鱼算法的全局搜索能力以及后期的局部搜索能力，其中惯性权重公式为：ω(t)＝ω
min
+(ω
max-ω
min
)
×
m
×
exp(-t/m) (8)式(8)中，ω(t)为迭代t次后的惯性权重值，m为调整系数，ω
min
和ω
max
分别为初始最小和最大权值，m为最大迭代次数；
由式(8)可以看出，在迭代初期，权重值ω(t)大，加快前期的收敛速度；在迭代后期，权重值ω(t)小，增加后期的搜索精度；利用优化后的鲸鱼算法(c-i-woa)优化bp神经网络，通过优化鲸鱼算法不断去优化bp神经网络的初始权值和阈值，使得bp神经具有最优的初始权值和阈值(c-i-woa-bp)，进而将获取的故障特征值的部分作为训练样本数据输入到优化后的bp神经网络进行训练，训练获得最优c-i-woa-bp神经网络模型；将需要测试的线路特征状态送入已优化的c-i-woa-bp神经网络模型,判断是否发生小电流接地。

技术总结
本发明公开了一种小电流接地故障的快速选线方法，属于电力故障处理技术领域，解决了现有技术中，单相接地故障选线存在的选线准确率不高、选线速度慢的问题。本发明包括以下步骤：步骤1：采集电气信息量；步骤2：进行信号处理，提取稳态、暂态故障特征；步骤3：获取谐波幅值；求取暂态零序有功功率积分分量；基于变分模态分解获取线路能量；将数据进行归一化处理获取样本数据集；步骤4：利用步骤3中获取到的样本数据集进行训练，得到训练后的最佳神经网络模型,将测试样本输入到训练好的模型判断是否发生小电流接地。本发明提升配电网的小电流接地故障评估分析的计算效率，提高小电流接地故障的快速选线效率，提高配电网运行的支撑能力。力。力。


技术研发人员：刘影 陈贵刚 景致远 井石 任彬榭
受保护的技术使用者：电子科技大学
技术研发日：2023.04.12
技术公布日：2023/7/12