本发明专利技术公开了一种基于核极限学习机的10kV配网故障模式识别方法，所述方法包括如下步骤：(1)采集监测点的电压、电流波形数据；(2)故障发生后，提取故障点前一周波和故障后两周波的波形数据，并将上述数据经Hilbert变换后，得到相应的特征分量，构造特征向量；(3)上述特征向量输入KELM分类器识别配电网故障类型。相应地，本发明专利技术还提供了一种基于核极限学习机的10kV配网故障模式识别系统，本发明专利技术作为电力工作人员的决策依据，对于及时发现和排除安全隐患，避免线路发生更大危害具有重要意义；同时本发明专利技术提出的配电线路在线故障识别与诊断方案也可服务于正在大力发展的配电自动化系统，提高配电系统供电可靠性。提高配电系统供电可靠性。提高配电系统供电可靠性。
【技术实现步骤摘要】
一种基于核极限学习机的10kV配网故障模式识别方法及系统
[0001]本专利技术涉及故障识别
，尤其涉及一种基于核极限学习机的10kV配网故障模式识别方法及系统。
技术介绍
[0002]目前，配电网故障检测和故障诊断的研究主要偏重于离线故障检测与诊断，通过某种手段或者方法检测、辨识和定位故障，功能相对单一，对于一些瞬时性故障和故障特征不明显的高阻故障等，而这些故障发生后，故障电流较小，电压降小，不影响线路的正常运行，从而加大了这些故障检测的难度。
技术实现思路
[0003]为了解决上述问题，本申请的目的在于一种基于核极限学习机的10kV配网故障模式识别方法及系统。
[0004]为实现本专利技术的目的，本专利技术提供的一种基于核极限学习机的10kV配网故障模式识别方法，
[0005]所述方法包括如下步骤：
[0006](1)采集监测点的电压、电流波形数据；
[0007](2)故障发生后，提取故障点前一周波和故障后两周波的波形数据，并将上述数据经Hilbert变换后，得到相应的特征分量，构造特征向量；
[0008](3)上述特征向量输入KELM分类器识别配电网故障类型。
[0009]进一步地，
[0010]所述的电压、电流波形数据包括零序电压、零序电流、三相电压、三相电流的波形数据。
[0011]进一步地，
[0012]所述的监测点为10kV线路的重要节点。
[0013]进一步地，
[0014]在KELM分类器识别配电网故障类型之前，还包括利用样本库中训练样本数据，完成KELM分类器的训练的步骤。
[0015]进一步地，
[0016]经过KELM分类器识别配电网故障类型包括：单相接地、两相短路接地、两相短路以及三相短路。
[0017]相应地，本专利技术还提供了一种基于核极限学习机的10kV配网故障模式识别系统，
[0018]所述系统包括：电压监测模块、电流监测模块、通信模块以及样本数据存储模块、特征向量提取模块、分类器模块、输出模块；
[0019]所述电压监测模块用于采集监测点的电压波形数据；
[0020]所述电流监测模块用于采集监测点的电流波形数据；
[0021]所述特征向量提取模块用于故障发生后，提取故障点前一周波和故障后两周波的波形数据，并将上述数据经Hilbert变换后，得到相应的特征分量，构造特征向量；
[0022]所述样本数据存储模块用于存储训练样本数据的样本库；
[0023]所述分类器模块为KELM分类器，其用于对上述特征向量进行故障类型识别；
[0024]所述输出模块用于输出分类器模块的识别结果；
[0025]所述通信模块用于传输数据。
[0026]进一步地，
[0027]所述的电压、电流波形数据包括零序电压、零序电流、三相电压、三相电流的波形数据。
[0028]进一步地，
[0029]所述的监测点为10kV线路的重要节点。
[0030]进一步地，
[0031]在KELM分类器识别配电网故障类型之前，KELM分类器利用样本库中训练样本数据，完成训练。
[0032]进一步地，
[0033]所述输出模块输出的配电网故障类型包括：单相接地、两相短路接地、两相短路以及三相短路。
[0034]与现有技术相比，本专利技术的有益效果为，本专利技术提出的配电线路在线故障识别与诊断方案作为电力工作人员的决策依据，对于及时发现和排除安全隐患，提高故障处理水平，避免线路发生更大危害具有重要意义；同时本专利技术提出的配电线路在线故障识别与诊断方案也可服务于正在大力发展的配电自动化系统，提高配电系统供电可靠性。
附图说明
[0035]图1所示为本申请的核极限学习机的网络结构结构示意图。
[0036]图2所示为本申请的基于核极限学习机的10kV配网故障模式识别方法流程图；
[0037]图3所示为本申请中10kV线路故障示意图；
[0038]图4所示为本申请中基于核极限学习机的10kV配网故障模式识别系统结构图。
具体实施方式
[0039]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0040]为使本专利技术实现的技术手段更容易理解，下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分。
[0041]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0042]需要说明的是，在本申请的描述中，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述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申请的限制。
[0043]此外，还需要说明的是，在本申请的描述中，除非另有明确的规定和限定，术语“安装”等应做广义理解，例如，可以是固定安装，也可以是可拆卸安装。
[0044]对于本领域技术人员而言，可根据具体情况理解上述术语在本申请中的具体含义。
[0045]如图1-图2所示，本专利技术提供的一种基于核极限学习机的10kV配网故障模式识别方法，
[0046]所述方法包括如下步骤：
[0047](1)在10kV线路重要节点，设置监测模块，通过监测模块采集监测点的电压、电流波形数据；
[0048](2)故障发生后，以故障寻址器确定故障位置后，提取故障点前一周波和故障后两周波的波形数据，并将上述数据经Hilbert变换后，得到相应的特征分量，构造特征向量；
[0049](3)上述特征向量输入KELM分类器识别配电网故障类型。
[0050]其中，
[0051]所述的电压、电流波形数据包括零序电压、零序电流、三相电压、三相电流的波形数据。
[0052]其中，
[0053]在KELM分类器识别配电网故障类型之前，还包括利用样本库中训练样本数据，完成KELM分类器的训练的步骤，通过通信模块传递样本库中训练样本数据。
[0054]其中，
[0055]经过KELM分类器识别配电网故障类型包括：单相接地、两相短路接地、两相短路以及三相短路等几种。
[0056]与上述方法相对应地，本专利技术还提供了一种基于核极限学习机的10kV配网故障模式识别系统，
[0057]所述系统包括：电压监测模块、电流监测模块、通信模块以及样本数据存储模块、特征向量提取模块、分类器模块、输出模块；
[0058]所述电压监测模块用于采集监测点的电压波形数据；
[0059]所述电流监本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于核极限学习机的10kV配网故障模式识别方法，其特征在于，所述方法包括如下步骤：(1)采集监测点的电压、电流波形数据；(2)故障发生后，提取故障点前一周波和故障后两周波的波形数据，并将上述数据经Hilbert变换后，得到相应的特征分量，构造特征向量；(3)上述特征向量输入KELM分类器识别配电网故障类型。2.根据权利要求1所述的一种基于核极限学习机的10kV配网故障模式识别方法，其特征在于，所述的电压、电流波形数据包括零序电压、零序电流、三相电压、三相电流的波形数据。3.根据权利要求1所述的一种基于核极限学习机的10kV配网故障模式识别方法，其特征在于，所述的监测点为10kV线路的重要节点。4.根据权利要求1所述的一种基于核极限学习机的10kV配网故障模式识别方法，其特征在于，在KELM分类器识别配电网故障类型之前，还包括利用样本库中训练样本数据，完成KELM分类器的训练的步骤。5.根据权利要求1所述的一种基于核极限学习机的10kV配网故障模式识别方法，其特征在于，经过KELM分类器识别配电网故障类型包括：单相接地、两相短路接地、两相短路以及三相短路。6.一种基于核极限学习机的10kV配网故障模式识别系统，其特征在于，所述系统包括：电压监测模块、电流监测模块、通信模块以及样本数据存储模块、特征向量提取...
【专利技术属性】
技术研发人员：高佳程，张鑫，赵健，王毓玉，许占科，梁少栋，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。