CN109613402A - 基于小波变换和神经网络的配电网高阻接地故障检测方法 - Google Patents

基于小波变换和神经网络的配电网高阻接地故障检测方法 Download PDF

Info

Publication number
CN109613402A
CN109613402A CN201910114060.9A CN201910114060A CN109613402A CN 109613402 A CN109613402 A CN 109613402A CN 201910114060 A CN201910114060 A CN 201910114060A CN 109613402 A CN109613402 A CN 109613402A
Authority
CN
China
Prior art keywords
neural network
neuron
distribution network
power distribution
detection method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910114060.9A
Other languages
English (en)
Other versions
CN109613402B (zh
Inventor
苏文聪
朱星宇
金涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201910114060.9A priority Critical patent/CN109613402B/zh
Publication of CN109613402A publication Critical patent/CN109613402A/zh
Application granted granted Critical
Publication of CN109613402B publication Critical patent/CN109613402B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
  • Locating Faults (AREA)

Abstract

本发明涉及一种基于小波变换和神经网络的配电网高阻接地故障检测方法，当配电网发生高阻接地故障时，故障电流很小，且常常伴有电弧，普通的零序电流保护难以检测。本发明运用演化的神经网络对传统的检测方法进行改进。演化的神经网络是一种基于动态连接结构的智能系统，能够通过增量学习调整其拓扑结构以融入新信息。本发明利用离散小波变换处理故障信号，将故障信号输入演化的神经网络中，以此检测配电网的高阻接地故障。

Description

基于小波变换和神经网络的配电网高阻接地故障检测方法
技术领域
本发明涉及配电网接地故障检测，具体涉及一种基于小波变换和神经网络的配电网高阻接地故障检测方法。
背景技术
高阻接地故障(HIF)是指电力线路通过道路、土壤、树枝或者水泥建筑物等导电介质所发生的接地故障，可能发生在各个电压等级中，影响配电网正常运行。由于非金属导电介质的高阻抗特性，当配电网发生高阻接地故障时，故障电流很小，且常常伴有电弧，普通的零序电流保护难以检测。小电流接地系统尤其是谐振接地系统的高阻接地故障当中，弧光接地故障占很大的一部分。由于空气游离的缘故，弧光接地的接地阻抗变化很大，使现有保护反复启动、恢复，可能会导致相邻线路、设备的保护越级跳闸，还会引起全系统过电压，进而损坏电气设备，使事故扩大，降低了电网的供电可靠性。线路长时间带故障运行可能使故障点温度过高，从而引发火灾，造成电气设备的永久损坏，并且接地点周围跨步电压可达到几千伏，严重威胁着电力系统稳定运行和人身安全。有效地检测高阻抗接地故障能为接下来的选线和定位提供判据，所以配电网的高阻接地故障检测十分重要。
发明内容
有鉴于此，本发明的目的在于提供一种基于小波变换和神经网络的配电网高阻接地故障检测方法，能有效的检测到配电网高阻接地故障。
为实现上述目的，本发明采用如下技术方案：
一种基于小波变换和神经网络的配电网高阻接地故障检测方法，包括以下步骤：
步骤S1:采集待检测配电网线电流信号；
步骤S2:采用db4小波作为母小波，对线电流信号进行离散小波变换，并获得重构波形；
步骤S3:设置演化的神经网络参数；
步骤S4:将重构波形作为演化的神经网络的输入量，计算输入量与演化层第k个神经元之间的曼哈顿距离、第k个神经元的活化程度以及输出量与预期值的误差；
步骤S5:若第k个神经元的活化程度小于预设阈值或输出量与预期值的误差超过预设阈值，将一个新的神经元放置在(k+1)个位置，否则更新权值；
步骤S6:计算第o个神经元与第p个神经元之间的曼哈顿距离和
步骤S7:若和均小于阈值Dthr，则将这两个神经元进行聚合；
步骤S8:重复步骤S4-S7，直至所有输入量均处理完毕，得到演化的神经网络输出结果，并根据输出判断待检测配电网是否存在高阻接地故障。
进一步的，所述离散小波变换采样频率10kHz，采样时间0.5s。
进一步的，所述演化的神经网络参数包括神经元活化水平阈值 Athr、误差阈值Ethr、两个神经元的曼哈顿距离阈值Dthr、学习率α1和α2。
进一步的，所述步骤S4参数计算具体为：
第j个输入量Ij与演化层第k个神经元之间的曼哈顿距离为
第k个神经元的活化程度Ak＝1-Djk，Wik为权值；
输出量O1与预期值的误差
进一步的，所述步骤S5具体为：若Ak小于Athr或E1超过Ethr，将一个新的神经元放置在(k+1)个位置，否则更新权值 Wik(t+1)＝Wik(t)+α1(Ii(t+1)-Wik(t))和Wk1(t+1)＝Wk1(t)+α2(AkE1)。
进一步的，所述和具体为：
其中Wio、Wip、Wo1和Wp1为权值。
本发明与现有技术相比具有以下有益效果：
1、本发明演化的神经网络没有固定的拓扑结构，在进行数据处理之后能够在线演化为新的结构。
2、本发明演化的神经网络能够通过增量训练而快速学习，具有良好的概括能力以及将网络模型重组为不断变化的环境的能力，其中结构和参数同时适应。
3、本发明演化的神经网络通过在线添加和删除神经元、调整神经元的连接权的方式避免灾难性遗忘的发生，增加了配电网高阻接地故障的检测可靠性和效率。
附图说明
图1是本发明方法流程图；
图2是本发明实施例中演化的神经网络的结构示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于小波变换和神经网络的配电网高阻接地故障检测方法，包括以下步骤：
步骤S1:采集待检测配电网线电流信号；
步骤S2:采用db4小波作为母小波，对线电流信号进行离散小波变换，并获得重构波形；
步骤S3:设置演化的神经网络参数；
步骤S4:将重构波形作为演化的神经网络的输入量，计算输入量与演化层第k个神经元之间的曼哈顿距离、第k个神经元的活化程度以及输出量与预期值的误差；
步骤S5:若第k个神经元的活化程度小于预设阈值或输出量与预期值的误差超过预设阈值，将一个新的神经元放置在(k+1)个位置，否则更新权值；
步骤S6:计算第o个神经元与第p个神经元之间的曼哈顿距离和
步骤S7:若和均小于阈值Dthr，则将这两个神经元进行聚合；
步骤S8:重复步骤S4-S7，直至所有输入量均处理完毕，得到演化的神经网络输出结果，并根据输出判断待检测配电网是否存在高阻接地故障。
在本实施例中，所述离散小波变换采样频率10kHz，采样时间 0.5s。
在本实施例中，所述演化的神经网络参数包括神经元活化水平阈值Athr、误差阈值Ethr、两个神经元的曼哈顿距离阈值Dthr、学习率α1和α2。
进一步的，所述步骤S4参数计算具体为：
第j个输入量Ij与演化层第k个神经元之间的曼哈顿距离为
第k个神经元的活化程度Ak＝1-Djk，Wik为权值；
输出量O1与预期值的误差
在本实施例中，所述步骤S5具体为：若Ak小于Athr或E1超过Ethr，将一个新的神经元放置在(k+1)个位置，否则更新权值 Wik(t+1)＝Wik(t)+α1(Ii(t+1)-Wik(t))和Wk1(t+1)＝Wk1(t)+α2(AkE1)。
在本实施例中，所述和具体为：
其中Wio、Wip、Wo1和Wp1为权值。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种基于小波变换和神经网络的配电网高阻接地故障检测方法，其特征在于，包括以下步骤：
步骤S1:采集待检测配电网线电流信号；
步骤S2:采用db4小波作为母小波，对线电流信号进行离散小波变换，并获得重构波形；
步骤S3:设置演化的神经网络参数；
步骤S4:将重构波形作为演化的神经网络的输入量，计算输入量与演化层第k个神经元之间的曼哈顿距离、第k个神经元的活化程度以及输出量与预期值的误差；
步骤S5:若第k个神经元的活化程度小于预设阈值或输出量与预期值的误差超过预设阈值，将一个新的神经元放置在(k+1)个位置，否则更新权值；
步骤S6:计算第o个神经元与第p个神经元之间的曼哈顿距离和
步骤S7:若和均小于阈值Dthr，则将这两个神经元进行聚合；
步骤S8:重复步骤S4-S7，直至所有输入量均处理完毕，得到演化的神经网络输出结果，并根据输出判断待检测配电网是否存在高阻接地故障。
2.根据权利要求1基于小波变换和神经网络的配电网高阻接地故障检测方法，其特征在于：所述离散小波变换采样频率10kHz，采样时间0.5s。
3.根据权利要求1所述的基于小波变换和神经网络的配电网高阻接地故障检测方法，其特征在于：所述演化的神经网络参数包括神经元活化水平阈值Athr、误差阈值Ethr、两个神经元的曼哈顿距离阈值Dthr、学习率α1和α2。
4.根据权利要求3所述的基于小波变换和神经网络的配电网高阻接地故障检测方法，其特征在于：所述步骤S4参数计算具体为：
第j个输入量Ij与演化层第k个神经元之间的曼哈顿距离为
第k个神经元的活化程度Ak＝1-Djk,Wik为权值；
输出量O1与预期值的误差
5.根据权利要求4所述的基于小波变换和神经网络的配电网高阻接地故障检测方法，其特征在于：所述步骤S5具体为：若Ak小于Athr或E1超过Ethr，将一个新的神经元放置在(k+1)个位置，否则更新权值Wik(t+1)＝Wik(t)+α1(Ii(t+1)-Wik(t))和Wk1(t+1)＝Wk1(t)+α2(AkE1)。
6.根据权利要求4所述的基于小波变换和神经网络的配电网高阻接地故障检测方法，其特征在于：所述和具体为：
其中Wio、Wip、Wo1和Wp1为权值。
CN201910114060.9A 2019-02-14 2019-02-14 基于小波变换和神经网络的配电网高阻接地故障检测方法 Expired - Fee Related CN109613402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910114060.9A CN109613402B (zh) 2019-02-14 2019-02-14 基于小波变换和神经网络的配电网高阻接地故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910114060.9A CN109613402B (zh) 2019-02-14 2019-02-14 基于小波变换和神经网络的配电网高阻接地故障检测方法

Publications (2)

Publication Number Publication Date
CN109613402A true CN109613402A (zh) 2019-04-12
CN109613402B CN109613402B (zh) 2020-11-27

Family

ID=66019693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910114060.9A Expired - Fee Related CN109613402B (zh) 2019-02-14 2019-02-14 基于小波变换和神经网络的配电网高阻接地故障检测方法

Country Status (1)

Country Link
CN (1) CN109613402B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129161A (zh) * 2019-12-31 2021-07-16 国网山东省电力公司威海供电公司 基于小波分解和神经网络的架空配电系统中动物故障分析方法
CN113325269A (zh) * 2021-05-28 2021-08-31 西安交通大学 一种配网高阻故障监测方法、系统、设备及存储介质
CN114089218A (zh) * 2021-10-19 2022-02-25 广东电网有限责任公司东莞供电局 一种配电网高阻接地故障识别方法、装置、终端及介质
CN115494350A (zh) * 2022-11-21 2022-12-20 昆明理工大学 一种交流输电线路雷击故障识别方法及系统
CN118091270A (zh) * 2023-12-07 2024-05-28 国网湖北省电力有限公司宜昌供电公司 配电自动化馈线终端单元高阻抗故障检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005091458A1 (en) * 2004-03-16 2005-09-29 Abb Technology Ag Digital signal processor implementation of high impedance fault algorithms
CN101975910A (zh) * 2010-09-07 2011-02-16 昆明理工大学 一种特高压直流输电线路故障智能分类与测距方法
CN102611140A (zh) * 2012-03-23 2012-07-25 合肥工业大学 基于小波变换与神经网络的并网逆变器孤岛检测方法
TW201303319A (zh) * 2011-07-06 2013-01-16 Univ Nat Taiwan 高壓輸配電網路之故障偵測、辨識與定位之方法及系統
CN103257304A (zh) * 2013-04-10 2013-08-21 昆明理工大学 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法
CN103729687A (zh) * 2013-12-18 2014-04-16 国网山西省电力公司晋中供电公司 基于小波变换和神经网络的电价预测方法
CN103728535A (zh) * 2013-10-28 2014-04-16 昆明理工大学 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法
CN103884966A (zh) * 2014-04-15 2014-06-25 河海大学常州校区 基于神经网络的配电网小电流单相接地故障定位方法
CN105759167A (zh) * 2016-01-28 2016-07-13 江苏省电力公司南京供电公司 一种基于小波神经网络的配电网单相短路选线方法
CN108279364A (zh) * 2018-01-30 2018-07-13 福州大学 基于卷积神经网络的配电网单相接地故障选线方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005091458A1 (en) * 2004-03-16 2005-09-29 Abb Technology Ag Digital signal processor implementation of high impedance fault algorithms
CN101975910A (zh) * 2010-09-07 2011-02-16 昆明理工大学 一种特高压直流输电线路故障智能分类与测距方法
TW201303319A (zh) * 2011-07-06 2013-01-16 Univ Nat Taiwan 高壓輸配電網路之故障偵測、辨識與定位之方法及系統
CN102611140A (zh) * 2012-03-23 2012-07-25 合肥工业大学 基于小波变换与神经网络的并网逆变器孤岛检测方法
CN103257304A (zh) * 2013-04-10 2013-08-21 昆明理工大学 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法
CN103728535A (zh) * 2013-10-28 2014-04-16 昆明理工大学 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法
CN103729687A (zh) * 2013-12-18 2014-04-16 国网山西省电力公司晋中供电公司 基于小波变换和神经网络的电价预测方法
CN103884966A (zh) * 2014-04-15 2014-06-25 河海大学常州校区 基于神经网络的配电网小电流单相接地故障定位方法
CN105759167A (zh) * 2016-01-28 2016-07-13 江苏省电力公司南京供电公司 一种基于小波神经网络的配电网单相短路选线方法
CN108279364A (zh) * 2018-01-30 2018-07-13 福州大学 基于卷积神经网络的配电网单相接地故障选线方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
VASILIOS P.ANDROVITSANEASA等: "Wavelet neural network methodology for ground resistance forecasting", 《ELECTRIC POWER SYSTEMS RESEARCH》 *
刘冻: "基于小波神经网络的输电线路故障类型识别", 《科技信息》 *
刘炳南等: "基于KNN的配电网高阻接地故障识别", 《电气技术》 *
叶倩: "配电网高阻故障检测方法研究", 《大科技》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129161A (zh) * 2019-12-31 2021-07-16 国网山东省电力公司威海供电公司 基于小波分解和神经网络的架空配电系统中动物故障分析方法
CN113129161B (zh) * 2019-12-31 2025-11-28 国网山东省电力公司威海供电公司 基于小波分解和神经网络的架空配电系统中动物故障分析方法
CN113325269A (zh) * 2021-05-28 2021-08-31 西安交通大学 一种配网高阻故障监测方法、系统、设备及存储介质
CN114089218A (zh) * 2021-10-19 2022-02-25 广东电网有限责任公司东莞供电局 一种配电网高阻接地故障识别方法、装置、终端及介质
CN115494350A (zh) * 2022-11-21 2022-12-20 昆明理工大学 一种交流输电线路雷击故障识别方法及系统
CN115494350B (zh) * 2022-11-21 2023-03-24 昆明理工大学 一种交流输电线路雷击故障识别方法及系统
CN118091270A (zh) * 2023-12-07 2024-05-28 国网湖北省电力有限公司宜昌供电公司 配电自动化馈线终端单元高阻抗故障检测方法

Also Published As

Publication number Publication date
CN109613402B (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN109613402A (zh) 基于小波变换和神经网络的配电网高阻接地故障检测方法
CN110082640B (zh) 一种基于长短时记忆网络的配网单相接地故障辨识方法
CN108120903B (zh) 一种基于脉冲神经膜系统的小电流单相接地故障选线方法
Hubana et al. Approach for identification and classification of HIFs in medium voltage distribution networks
CN106990324B (zh) 一种配电网接地故障检测定位方法
CN104730423A (zh) 光伏并网发电系统的孤岛效应检测方法
CN103941156A (zh) 基于极限学习机的多信息融合区段定位方法
Li et al. Physics-informed learning for high impedance faults detection
CN113962097A (zh) 变电站雷电过电压仿真分析方法、装置、终端及介质
CN106970302B (zh) 基于集成经验模式分解的配电网高阻故障定位和模拟方法
CN111308263A (zh) 一种配电网高阻接地故障检测方法
CN112710923B (zh) 基于故障后稳态信息的数据驱动单相接地故障选线方法
CN102879704B (zh) 一种高压输电线高阻接地故障多参数数据融合检测方法
Hasabe et al. Detection and classification of faults on 220 KV transmission line using wavelet transform and neural network
CN112557808A (zh) 一种配电网单相接地故障定位方法
CN112130027A (zh) 基于直流动态时间弯曲距离的主动配电网故障定位方法
CN113852044A (zh) 一种双突变量的电流分离漏电保护方法
Dodge et al. A deep learning based lightning location system
CN114910744B (zh) 基于s变换和自适应平均奇异熵的高阻接地故障检测方法
Geethanjali Combined wavelet transfoms and neural network (WNN) based fault detection and classification in transmission lines
CN119830079A (zh) 基于深度迁移学习的低压配电网单相接地故障选线方法
Cheong et al. A novel fault location technique based on current signals only for thyristor controlled series compensated transmission lines using wavelet analysis and self organising map neural networks
García et al. Detection of high impedance faults in overhead multi grounded networks
CN113804978B (zh) 一种基于故障指示器的雷击波形识别方法
Asbery et al. Electric transmission system fault identification using modular artificial neural networks for single transmission lines

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201127

Termination date: 20220214

CF01 Termination of patent right due to non-payment of annual fee