一种基于离散小波变换的配电故障快速定位方法技术

本发明专利技术公开了一种基于离散小波变换的配电故障快速定位方法，将离散小波变换(DWT)和BP神经网络(BPNN)结合在配电系统故障定位中，根据DWT细节系数计算的小波能量谱熵和每单位能量可以有效地反映故障特征。此外，由于DWT分解，噪声将被滤除，小波熵(EPU)作为训练的BPNN模型输入可以快速准确地找到故障位置，具有高灵敏度、高可靠性的效果。

A fast location method of distribution fault based on DWT

【技术实现步骤摘要】
一种基于离散小波变换的配电故障快速定位方法
本专利技术涉及配电故障定位
，更具体地说它涉及一种基于离散小波变换的配电故障快速定位方法。
技术介绍
配电网是“发、变、输、配”四大环节中的最后一环，在电力系统中占有十分重要的地位，电网的工作情况对消费者供电的可靠性和电能质量有着很大的影响。由于配电网分支多，结构复杂，供电半径下等，关于配电网的故障诊断一直是电力系统继电保护领域的一个难点。而现有的诊断方法阻抗法通过故障时测点电压与电流计算故障线路阻抗，以此求取故障距离，但易受过渡电阻、线路分支等因素影响，易出现伪故障点；行波法通过测量电压、电流行波到故障点间的传播时间确定故障距离，由于配电网结构复杂分支众多，需要在多个位置安装设备，且难以精确同步获取多端行波信号，导致投资大，定位精度不高都不适合与配电网的故障快速定位。
技术实现思路
针对现有技术存在的不足，本专利技术在于提供一种基于离散小波变换的配电故障快速定位方法，具有高灵敏度、高可靠性，能快速准确地找到故障位置的效果。为实现上述目的，本专利技术提供了如下技术方案：一种基于离散小波变换的配电故障快速定位方法，包括一下步骤：步骤一，获取包含三相线电流和零序电流信号的配电网络故障信息，作为输入信号；步骤二，通过离散小波变换对故障信息进行特征提取，并计算小波熵；(一)故障信息分析，通过低通滤波器获得故障信息的低频信号g[n]，通过高通滤波器获得故障信息的高频信号h[n]，并利用降采样滤波器分别对低频信号和高频信号进行升/降采样处理，利用MRA分解重构方法进行小波分析，MRA尺度函数的表达式和相应的离散小波函数由下式给出：原始信号序列x(n)可以表示为所有分量的总和，对于两个级别的分解，表示为：x(n)＝c1D1(n)+c2A2(n)＝c1D1(n)+c2D2(n)+c2A2(n)其中D1和D2分别是分量分解等级的第一和第二细节，A1和A2是近似于分量的第一和第二分解层，cj是第j个细节或近似分量分解等级的系数；(二)计算小波熵，对于正交小波变换，变换后的每个尺度的能量Ej(n)可以直接从其小波系数的平方获得，第j个信号小波能量谱的总和是Ej，得到相对小波能量如下：定义小波能谱熵为：WEEj＝-∑Pjklog2Pjk单位的小波熵计算公式如下：其中p为分配网络的相,pjk为第j个信号小波能量谱的相对小波能量；步骤三，将离散小波分析信号和计算所得到的小波熵作为输入信息训练BPNN模型，并定位配电网中故障发生的区段和位置；(一)确定配电网网络的具体特征和网络中故障可能发生的场景，简化“BPNN模型的可学习性”引出隐含层神经元的大小；(二)设置1-2个隐含成，第一隐层用8个激活函数作为双曲正切的神经元,第二隐层用4个激活函数作为S型的神经元,输出层用2个线性激活函数的神经元；(三)BPNN模型输出层采用2个线性激活函数的神经元，其中一个测量故障的距离,另一个用于测量过渡电阻在BP神经网络训练时,通过调整BP神经网络的连接权值,使输出层两个神经元分别逼近故障距离的期望值和过渡电阻的期望值,将过渡电阻的影响存储在神经网络的权值中。(四)训练BPNN模型，利用BPNN模型反向传播的误差信息不断调整隐含层的权重和偏置，使输出值逼近故障信息的期望值，准确定位配电网中故障发生的区段和位置。进一步的，所述配电故障故障类型包括单相接地、两相短路、两相短路接地和三相短路。进一步的，所述步骤三种对BP神经网络的训练算法还可以是变尺度法的BFGS法、共轭梯度法等。综上所述，本专利技术具有以下有益效果：1.根据小波变化(DWT)细节系数计算的小波能量谱熵和每单位能量可以有效地反映故障特征，具有更高的灵敏度和可靠性；2.由于小波变换(DWT)分解，把信号分解成不同尺度和位移的小波之和，能有效滤除噪声；3.使用EPU作为训练的BPNN模型输入可以快速准确地找到故障位置；4.简化BPNN模型隐含层神经元的大小，提高了BPNN模型的准确性。附图说明图1是本专利技术配电网故障定位模型框架示意图；图2是本专利技术离散小波分解过程示意图；图3是本专利技术神经网络示意图；图4是本专利技术两级小波变换过程示意图；图5是本专利技术A相接地短路故障的测量信号；图6是本专利技术BPNN用于故障区段定位的模型结构图；图7是本专利技术IEEE34节点系统的拓扑结构示意图。具体实施方式以下结合附图对本专利技术作进一步详细说明。本实施例公开了一种基于离散小波变换的配电故障快速定位方法，如图1所示，利用离散小波变换对测量所得到的故障信息进行特征提取，并计算故障信号分解后的小波熵；再利用离散小波分析信号和计算的所得到的小波熵作为故障定位模型的输入，快速决策配电网中故障发生的区段和位置。小电流接地系统单相接地时,故障电流和故障电压暂态过程中包含有丰富的故障信息,它比稳态故障信号大几倍,它克服了傅里叶变换不能对信号同时进行时频局部化分析的缺点,因此利用暂态故障信号来实现故障识别,具有更高的灵敏度和可靠性,可以对信号进行精确分析,特别是对暂态突变信号或微弱信号的变化比较敏感,能可靠地提取出故障特征。如图2所示，小波变换把信号分解成不同尺度和位移的小波之和,利用合适的小波基对暂态故障电流进行小波变换后容易看出故障线路上暂态故障电流幅值大于非故障线路零序电流的幅值,而其相位也与非故障线路的相位相反,因此可利用它进行故障选线和故障定位。如图3所示，BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层的权重和偏置；其中常用的激活函数有阀值函数、sigmoid函数和双曲正切函数，神经元的输出为：如图4所示，小波变换将非平稳信号分解为时域和频域，获取更多的细节信息。离散小波变换遵循一定的离散扩展模式，这种离散扩展模式由选择膨胀因子为2的幂决定。MRA尺度函数的表达式和相应的离散小波函数由下式给出：原始信号序列x(n)可以表示为所有分量的总和。对于两个级别的分解，表示为：x(n)＝c1D1(n)+c2A2(n)＝c1D1(n)+c2D2(n)+c2A2(n)其中D1和D2分别是分量分解等级的第一和第二细节，A1和A2是近似于分量的第一和第二分解层，cj是第j个细节或近似分量分解等级的系数。对于正交小波变换，变换后的每个尺度的能量可以直接从其小波系数的平方获得。是j-scale和k-time的信号x(t)的小波能量谱。在第j个标度处，时刻是k＝1,2,3，...，N，其中N是第j个标度中的时刻(系数)的数量。第j个信号小波能量谱的总和是相本文档来自技高网...

【技术保护点】
1.一种基于离散小波变换的配电故障快速定位方法，其特征在于,包括一下步骤：/n步骤一，获取包含三相线电流和零序电流信号的配电网络故障信息，作为输入信号；/n步骤二，通过离散小波变换对故障信息进行特征提取，并计算小波熵；/n(一)故障信息分析，通过低通滤波器获得故障信息的低频信号g[n]，通过高通滤波器获得故障信息的高频信号h[n]，并利用降采样滤波器分别对低频信号和高频信号进行升/降采样处理，利用MRA分解重构方法进行小波分析，MRA尺度函数的表达式

【技术特征摘要】
1.一种基于离散小波变换的配电故障快速定位方法，其特征在于,包括一下步骤：
步骤一，获取包含三相线电流和零序电流信号的配电网络故障信息，作为输入信号；
步骤二，通过离散小波变换对故障信息进行特征提取，并计算小波熵；
(一)故障信息分析，通过低通滤波器获得故障信息的低频信号g[n]，通过高通滤波器获得故障信息的高频信号h[n]，并利用降采样滤波器分别对低频信号和高频信号进行升/降采样处理，利用MRA分解重构方法进行小波分析，MRA尺度函数的表达式和相应的离散小波函数由下式给出：






原始信号序列x(n)可以表示为所有分量的总和，对于两个级别的分解，表示为：
x(n)＝c1D1(n)+c2A2(n)＝c1D1(n)+c2D2(n)+c2A2(n)
其中D1和D2分别是分量分解等级的第一和第二细节，A1和A2是近似于分量的第一和第二分解层，cj是第j个细节或近似分量分解等级的系数；
(二)计算小波熵，
对于正交小波变换，变换后的每个尺度的能量Ej(n)可以直接从其小波系数的平方获得，第j个信号小波能量谱的总和是Ej，得到相对小波能量如下：



定义小波能谱熵为：
WEEj＝-∑Pjklog2Pjk
单位的小波熵计算公式如下：



...

【专利技术属性】
技术研发人员：黄文思，董朝武，陈婧，廖华东，陈建军，廖应霞，高红均，刘友波，
申请(专利权)人：国网信通亿力科技有限责任公司，国网信息通信产业集团有限公司，国网江苏省电力有限公司，国家电网有限公司，
类型：发明
国别省市：福建;35