一种基于BP神经网络的AT单线供电系统的故障测距方法技术方案

本发明专利技术创造提供了一种基于BP神经网络的AT单线供电系统的故障测距方法，包括：S1、搭建由输入层、隐含层、输出层三个部分组成的BP神经网络；S2、定义BP神经网络的参数；S3、选取SS、AT、SP所内的数据输入BP神经网络，建立输入与输出的映射关系

A fault location method of at single line power supply system based on BP neural network

【技术实现步骤摘要】
一种基于BP神经网络的AT单线供电系统的故障测距方法
本专利技术创造属于电气化牵引铁路
，尤其是涉及一种基于BP神经网络的AT单线供电系统的故障测距方法。
技术介绍
单线AT供电系统，可以不用提高牵引网的绝缘等级，而使供电电压提高一倍，在同一牵引负荷的情况下，接触网与正馈线的电流减小一倍，鉴于这种独特的优势，已经被广泛的推广与应用。但是牵引系统构造比较复杂，由于自耦变压器，维护线PW、放电器等设备的接入，当故障发生时，每次都能高效准确的定位具有一定难度，不免偶然存在偏差甚至是错误；系统发生TR或FR短路故障时，行业内普遍采用吸上电流比法进行测距；现有技术的缺点包括：1、在理论分析时，为了简化模型，进行了一些等效。实际中，在靠近AT所发生故障时，会有大部分电流流到非故障区间，这样根据各所的吸上电流来判断区间可能会判错，导致计算错误；2、由于模型的简化与等效，所以由模型得出的公式在定性研究中有一定参考价值，但在定量计算故障位置时，可能存在偏差，需要进行修正，且修正的规律也尚未有完善理论依据，只能进行尝试。
技术实现思路
有鉴于此，本专利技术创造旨在克服上述现有技术中存在的缺陷，提出一种基于BP神经网络的AT单线供电系统的故障测距方法。为达到上述目的，本专利技术创造的技术方案是这样实现的：一种基于BP神经网络的AT单线供电系统的故障测距方法，包括：S1、搭建由输入层、隐含层、输出层三个部分组成的BP神经网络；S2、定义BP神经网络的参数；S3、选取SS、AT、SP所内的数据输入BP神经网络，建立输入与输出的映射关系Y为故障距离测距结果；S4、利用不同故障位置和故障类型的训练样本对BP神经网络进行训练；S5、BP神经网络训练过程中，以输出层的期望输出与实际输出构造误差函数，通过对权重与阈值进行调整，使误差函数逐渐减小，直到输出的测距结果无限的趋近于正确值时，得到稳定的权重值和阈值并输出；S6、借助Matlab的函数得到BP神经网络的权重值矩阵和阈值矩阵；S7、将未训练过的数据组成输入矩阵，结合权重值矩阵和阈值矩阵，完成故障测距计算。进一步的，所述步骤S1中，输入层包含15个AT单线系统的故障电量输入位；定义隐含层共有k层，每层神经个数为15个；输出层还有一个输出，该输出为输入故障电量对应的故障位置。进一步的，所述步骤S2中，定义BP神经网络函数的具体步骤如下：定义BP神经网络的传递函数为logsig；学习速率为0.06；最大训练次数为10000次；训练函数为trainlm；学习函数为learngdm，训练所达到的误差目标为：1e-30；性能函数采用mse函数。进一步的，所述步骤S3中，建立输入与输出的映射关系的具体方法如下：S31、构建输入层的输入向量：其中，为牵引变电所T线电流、F线电流、吸上电流、T线电压、F线电压；同理为AT所T线电流、F线电流、吸上电流、T线电压、F线电压；为分区所T线电流、F线电流、吸上电流、T线电压、F线电压；S32、隐含层的每一个神经元包括四个参数，分别为输入x、输出y、阈值θ及影响权重w；第k-1层第i个神经元的输出为第k层的第j个神经元输入为阈值为若第i层有n个神经元，则四个参数之间的关系满足：S33、输出层为测距结果，模拟量的数据输入经由各层神经元完成传递，通过激励函数f(x)作用后，求得输出矩阵：进一步的，所述步骤S5中，得到权重值和阈值的具体方法如下：S51、构件误差函数：其中，为对应神经元的期望输出；S52、为减小误差函数，改变神经元之间的权重值：假设第k-1层第i神经元对第k层第j神经的相应权重值的改变量应正比于误差函数最大的减小量，即误差函数对权重值的负导数，二者关系如下：将上述公式与步骤S32中的参数关系公式联立，解出每次权重值与阈值的变化量如下所示：其中，为第K层的算子；S53、当K＝m时，则当K＜m时，则其中Z为第K层神经元个数，l为第K+1层的第l个神经元，m为输出层所在层数；S54、得到算子后，对每一层神经元的权重值与阈值进行调整，各层神经元之间的连接权重值与未调整前关系如下所示：其中t为修正的次数，μ为惯性系数。进一步的，所述步骤S6中得到权重值矩阵和阈值矩阵的具体方法如下：借助Matlab中net.iW，net.lW，net.b三个函数得到权重值矩阵与阈值矩阵，并输出权重值矩阵：[W1]15×15，[W2]15×15，[W3]2×15；阈值矩阵：[B1]15×1，[B2]15×1，[B3]2×1。进一步的，所述步骤S7中，故障测距计算方法如下：S71、设置隐含层为两层,训练样本的个数为P，计算第一个隐含层的输出：hiddenoutput1＝logsig(w1·input)+repmat(B1,1,P)；S72、计算第二个隐含层的输出：hiddenoutput2＝logsig(w2·hiddenoutput1)+repmat(B2,1,P)；S73、计算神经网络的输出：output＝logsig(w3·hiddenoutput2)+repmat(B3,1,P)；S74、将神经网络输出output借助Matlab的postmnmx函数完成反归一化，得到预测的故障距离。相对于现有技术，本专利技术创造具有以下优势：本专利技术创造提供了一种基于BP神经网络来对AT单线供电系统故障进行定位的方法，此方法适用于系统不同位置，不同类型的故障定位，解决了AT变电所附近容易判错区间的问题，同时避免了因为模型简化与等效而导致测距偏差或测距错误的问题。本专利技术创造能够为AT单线的测距提供新的思路；BP神经网络在搭建成功后，能进行自主的进行训练与学习，短路数据积累的越多，故障定位的时间越短，准确度也会越高；此方法为大数据的处理也提供了一种思路，能让大量的短路数据得到更加科学的应用。附图说明构成本专利技术创造的一部分的附图用来提供对本专利技术创造的进一步理解，本专利技术创造的示意性实施例及其说明用于解释本专利技术创造，并不构成对本专利技术创造的不当限定。在附图中：图1为本专利技术创造实施例所述基于BP神经网络的AT单线供电系统的故障测距方法流程图；图2为本专利技术创造实施例所述AT单线供电系统模型的结构示意图；图3为本专利技术创造实施例所述的误差的平方和随着代数变化的曲线图；图4为本专利技术创造实施例所述的输入与输出的映射关系示意图。具体实施方式需要说明的是，在不冲突的情况下，本专利技术创造中的实施例及实施例中的特征可以相互组合。在本专利技术创造的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的AT单线供电系统的故障测距方法，其特征在于，包括：/nS1、搭建由输入层、隐含层、输出层三个部分组成的BP神经网络；/nS2、定义BP神经网络的参数；/nS3、选取SS、AT、SP所内的数据输入BP神经网络，建立输入与输出的映射关系

【技术特征摘要】
1.一种基于BP神经网络的AT单线供电系统的故障测距方法，其特征在于，包括：
S1、搭建由输入层、隐含层、输出层三个部分组成的BP神经网络；
S2、定义BP神经网络的参数；
S3、选取SS、AT、SP所内的数据输入BP神经网络，建立输入与输出的映射关系Y为故障距离测距结果；
S4、利用不同故障位置和故障类型的训练样本对BP神经网络进行训练；
S5、BP神经网络训练过程中，以输出层的期望输出与实际输出构造误差函数，通过对权重与阈值进行调整，使误差函数逐渐减小，直到输出的测距结果无限的趋近于正确值时，得到稳定的权重值和阈值并输出；
S6、借助Matlab的函数得到BP神经网络的权重值矩阵和阈值矩阵；
S7、将未训练过的数据组成输入矩阵，结合权重值矩阵和阈值矩阵，完成故障测距计算。


2.根据权利要求1所述的一种基于BP神经网络的AT单线供电系统的故障测距方法，其特征在于：所述步骤S1中，输入层包含15个AT单线系统的故障电量输入位；定义隐含层共有k层，每层神经个数为15个；输出层还有一个输出，该输出为输入故障电量对应的故障位置。


3.根据权利要求1所述的一种基于BP神经网络的AT单线供电系统的故障测距方法，其特征在于，所述步骤S2中，定义BP神经网络函数的具体步骤如下：定义BP神经网络的传递函数为logsig；学习速率为0.06；最大训练次数为10000次；训练函数为trainlm；学习函数为learngdm，训练所达到的误差目标为：1e-30；性能函数采用mse函数。


4.根据权利要求1所述的一种基于BP神经网络的AT单线供电系统的故障测距方法，其特征在于，所述步骤S3中，建立输入与输出的映射关系的具体方法如下：
S31、构建输入层的输入向量：



其中，为牵引变电所T线电流、F线电流、吸上电流、T线电压、F线电压；同理为AT所T线电流、F线电流、吸上电流、T线电压、F线电压；为分区所T线电流、F线电流、吸上电流、T线电压、F线电压；
S32、隐含层的每一个神经元包括四个参数，分别为输入x、输出y、阈值θ及影响权重w；第k-1层第i个神经元的输出为第k层的第j个神经元输入为阈值为若第i层有n个神经元，则四个参数之间的关系满足：



S33、输出层为测距结果，模拟量的数据输入经由各层神经元完成传递，通过激励函数f(x)作用后，求得输出矩阵：...

【专利技术属性】
技术研发人员：尹建斌，闫雪松，邢志杰，
申请(专利权)人：天津凯发电气股份有限公司，
类型：发明
国别省市：天津;12