基於模糊推理脈衝神經膜系統的輸電線路故障選相方法與流程
2023-05-17 07:01:06
本發明屬於電網調度與故障分析領域,涉及一種基於模糊推理實數脈衝神經膜系統的輸電線路故障選相方法。
背景技術:
隨著電網規模的不斷擴大,如何高效穩定地輸送電能是保證電網安全、穩定運行的重要環節。影響電能輸送的因素很多,其中,輸電線路故障是其重要因素之一。如何快速、準確地對輸電線路進行故障選相是快速恢復電網供電、保證電網安全運行的重要前提。
目前,傳統的輸電線路故障選相主要分為兩個階段:故障信息特徵提取和故障信息特徵識別。在第一階段,故障信息特徵提取方法主要分為兩類,一類是基於工頻穩態量的提取方法,這類方法的性能容易受故障電阻、故障距離、故障初始角等因素影響;另一類是基於故障暫態量的提取方法,由於暫態量包含了豐富的故障特徵信息,並且不易受故障電阻、故障距離、故障初始角的影響,因此提取故障信息特徵具有很高的識別度和精度。對於第二階段,故障信息特徵識別方法主要集中於推理法和分類器法,如模糊推理、人工神經網絡。但是,無論是模糊推理還是人工神經網絡,其推理過程都是一個黑箱操作,不容易被人理解。因此,研究快速準確的輸電線路故障選相方法對保障電能傳輸安全性與經濟性具有重要的實際意義。
技術實現要素:
本發明的目的在於克服上述現有技術的不足,提供一種基於模糊推理實數脈衝神經膜系統的輸電線路故障選相方法。首先利用小波變換具有良好的時頻特性,提取電流故障分量的特徵信息。在此基礎上,利用模糊推理實數脈衝神經膜系統進行故障特徵識別。本發明的突出優勢是利用模糊推理脈衝神經膜系統解決輸電線路故障選相的第二階段。該方法在選相過程中依據模糊推理實數脈衝神經膜系統的推理算法進行推理,表達清晰,計算簡便,且在複雜的故障條件下,本方法都能獲得正確選相結果。
為解決上述技術問題,本發明的採用的技術方案為:
基於模糊推理脈衝神經膜系統的輸電線路故障選相方法,其特徵在於,包括以下步驟:
a.獲取電流故障分量信息:
取故障後1/4周期內的三相電流與故障發生前15ms至20ms內的三相電流差值作為三相電流故障分量,並同時計算零序電流故障分量;
b.提取電流故障分量信號小波特徵:
採用db3小波對三相電流及零序電流故障分量進行8層分解,對第8層小波係數矩陣進行奇異值分解,得到係數矩陣的奇異值,並計算歸一化值,將得到的歸一化值作為電流故障分量信號小波特徵值;
c.建立故障選相模糊推理實數脈衝神經膜系統:
根據電流故障分量信號小波特徵值,建立故障選相模糊產生式規則集;
d.對建立的故障選相模糊推理實數脈衝神經膜系統進行推理:
採用模糊推理實數脈衝神經膜系統的模糊推理算法對故障選相膜系統進行推理,獲取故障類型的模糊可信度;模糊推理實數脈衝神經膜系統模糊推理算法的具體步驟為:
(1)設定初始狀態:令推理步驟g=0,設定判定依據01=(0,0,...,0)T。依據各神經元中包含的脈衝值設定命題神經元和規則神經元向量初始值,兩個向量分別表示為θ0=(θ10,θ20,...,θs0)T和δ0=(δ10,δ20,...,δt0),其中s代表命題神經元個數,n代表規則神經元個數;
(2)令推理步驟g=g+1;
(3)命題神經元點火。命題神經元點火後,規則神經元矩陣中各元素的值將依據公式進行更新;
(4)當δg≠01,規則神經元點火,命題神經元矩陣中各元素的值將依據公式進行更新,並返回到步驟(2);否則,結束推理並輸出結果。
其中,各參數向量(矩陣)含義及其乘法算子的定義如下:
θ=(θ1,θ2,...,θs)T,其中θi(1≤i≤s),表示第i個命題神經元包含的脈衝值,其值由0和1之間的實數表示。若一個命題神經元中沒有包含任何脈衝,則該命題神經元的脈衝值表示為0,命題神經元及其脈衝值傳遞規則如圖3所示;
δ=(δ1,δ2,...,δt)T,其中δj(1≤j≤t),表示第j個規則神經元包含的脈衝值,其值同樣由0和1之間的實數表示。若一個規則神經元中沒有包含任何脈衝,則該規則神經元的脈衝值表示為0;
C=diag(c1,c2,...,ct),其中cj表示第j個規則神經元(第j條模糊產生式規則)的置信度,其值由0和1之間的實數表示;
為突觸矩陣,表示命題神經元到「與」規則神經元的有向連接關係。如果從命題神經元δi到「與」規則神經元δj存在突觸,則dij=1,否則dij=0;
為突觸矩陣,表示「與」規則神經元到命題神經元的有向連接關係。如果從「與」規則神經元δj到命題神經元δi存在突觸,則eji=1,否則eji=0;
其中j=1,...,t;
其中j=1,...,t,算子「∧」為取最小值;
其中j=1,...,t,算子「∨」為取最大值;
e.確定故障選相結果:
根據模糊推理得到的各疑似故障類型的模糊可信度進行判定,選擇模糊可信度最大的命題神經元所對應故障類型為最後選相結果。
進一步的,步驟c中所述故障選相模糊產生式規則集包括:
規則1:If零序特徵值高,then接地故障;
規則2:If零序特徵值低,then相間故障;
規則3:If A相特徵值高、B相特徵值低、C相特徵值低且接地故障,then故障類型為A相接地故障;
規則4:If A相特徵值低、B相特徵值高、C相特徵值低且接地故障,then故障類型為B相接地故障;
規則5:If A相特徵值低、B相特徵值低、C相特徵值高且接地故障,then故障類型為C相接地故障;
規則6:If A相特徵值高、B相特徵值高、C相特徵值低且接地故障,then故障類型為AB兩相接地故障;
規則7:If A相特徵值低、B相特徵值高、C相特徵值高且接地故障,then故障類型為BC兩相接地故障;
規則8:If A相特徵值高、B相特徵值低、C相特徵值高且接地故障,then故障類型為CA兩相接地故障;
規則9:If A相特徵值高、B相特徵值高、C相特徵值低且相間故障,then故障類型為AB相間短路故障;
規則10:If A相特徵值低、B相特徵值高、C相特徵值高且相間故障,then故障類型為BC相間短路故障;
規則11:If A相特徵值高、B相特徵值低、C相特徵值高且相間故障,then故障類型為CA相間短路故障;
規則12:If A相特徵值高、B相特徵值高、C相特徵值高且相間故障,then故障類型為ABC三相短路故障。
本發明的有益效果為:(1)本發明將小波變換與模糊推理實數脈衝神經膜系統進行有機結合,實現準確的輸電線路故障選相;(2)故障選相正確性高,本發明依據10種短路故障類型與故障特徵值之間的關係建立模糊產生式規則,並賦予其一定可信度,使得推理過程更合理,更符合實際情況;(3)方法實現簡單,本發明首先通過小波變換提取電流故障分量的故障特徵值,然後把故障特徵值作為故障選相模糊推理實數脈衝神經膜系統的輸入,採用模糊推理算法進行推理,推理過程中主要進行矩陣運算,具有較好的並行處理能力,選相過程清晰簡單,易於維護;(4)對複雜故障情況適應性好,本發明在疊加原理的基礎上採用小波變換分析電流故障分量的故障特徵,從而在高故障電阻,遠故障距離的情況下,本方法都能獲得正確的選相結果。
附圖說明
圖1為本發明方法的流程圖;
圖2為本發明方法的模糊隸屬度函數;
圖3為本發明命題神經元:(a)傳統形式;(b)簡寫形式;
圖4為本發明規則神經元:(i)「一般」類型:(a)傳統形式;(b)簡寫形式
(ii)「」類型:(a)傳統形式;(b)簡寫形式
圖5為本發明基於模糊推理實數脈衝神經膜系統的故障選相模型;
圖6為本發明雙端供電輸電線路示意圖。
具體實施方式
下面結合附圖和實施例,詳細描述本發明的技術方案:
實施例
這裡以圖6所示的雙端供電輸電線路短路故障為例對本發明方法進行詳細闡述。實施例分為具有代表性的單相接地故障,兩相接地故障,兩相相間短路故障以及三相短路故障四種情況進行。情況一:輸電線路A相接地故障,故障初始角為0°,故障電阻為200Ω,故障距離為200km;情況二:AB兩相接地故障,故障初始角為0°,故障電阻為200Ω,故障距離為200km;情況三:AB相間短路故障,故障初始角為30°,故障電阻為200Ω,故障距離為200km;情況四:ABC三相短路故障,故障初始角為30°,故障電阻為200Ω,故障距離為200km;
情況一:輸電線路A相接地故障。故障選相的具體過程如下:
步驟1:取故障後1/4周期內的三相電流與故障前15ms至20ms內的三相電流差值作為三相電流故障分量,並同時計算零序電流故障分量;
步驟2:利用db3小波對故障分量進行分析,尺度為8,對第8層小波係數矩陣進行奇異值分解,得到三相及零序電流故障分量奇異值分別為10.5269,2.1463,1.8363和3.7628,並將這些奇異值歸一化,結果分別為1,0.2039,0.1744和0.3574;
步驟3:將歸一化值模糊化,採用模糊推理實數脈衝神經膜系統的模糊推理算法對故障分類模型進行模糊推理,獲取每種故障類型的故障可信度。具體步驟為:
1.設定初始狀態。設定推理步驟g=0。設定判定依據01=(0,0,...,0)T。模糊推理實數脈衝神經膜系統初始狀態為:θ0=[1,0,1,0,0.013,0.987,0,1,0,0,0,0,0,0,0,0,0,0,0,0],δ0=[0,0,0,0,0,0,0,0,0,0,0,0],C=[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95];
2.令推理步驟g增加1,即g=1;
3.命題神經元點火。命題神經元點火後,規則神經元矩陣中各元素的值將依據公式進行更新,即δ1=[1,0,0,0,0,0,0,0,0,0,0,0];4.規則神經元點火。規則神經元點火,命題神經元矩陣中各元素的值將依據公式進行更新,即
θ1=[0,0,1,0,0.013,0.987,0,1,0.95,0,0,0,0,0,0,0,0,0,0,0];
5.返回執行第2步。推理步驟g=2。δ2=[0,0,0.95,0,0,0,0,0,0,0,0,0],θ1=[0,0,0,0,0,0,0,0,0,0,0.9025,0,0,0,0,0,0,0,0,0];
6.返回執行第2步。推理步驟g=3。δ3=[0,0,0,0,0,0,0,0,0,0,0,0],滿足終止條件,結束推理。
步驟4:確定故障選相結果。
根據疑似故障類型的模糊可信度確定故障類型,並輸出選相結果,具體過程為:
根據模糊推理得到的各疑似故障類型的模糊可信度進行判定,選擇模糊可信度最大的命題神經元所對應的故障類型為最後選相結果。由於命題神經元11是模糊可信度最大的命題神經元,因此判定故障類型為A相接地故障。
情況二:輸電線路AB兩相接地故障。故障分類的具體過程如下:
步驟1:取故障後1/4周期內的三相電流與故障前15ms至20ms內的三相電流採樣值數列差作為故障分量;
步驟2:利用db3小波對故障分量進行分析,尺度為8,對第8層小波係數矩陣進行奇異值分解,得到三相及零序電流故障分量奇異值分別為23.6354,19.3165,2.1259和3.2944,並將這些奇異值歸一化,結果分別為1,0.8173,0.0899和0.1394;
步驟3:將歸一化值模糊化,採用模糊推理脈衝神經膜系統的模糊推理算法對故障分類模型進行反向模糊推理,獲取每種故障類型的故障可信度。具體步驟為:
1.設定初始狀態。設定推理步驟g=0。設定判定依據01=(0,0,...,0)T。模糊推理實數脈衝神經膜系統初始狀態為:
θ0=[1,0,1,0,1,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0]
δ0=[0,0,0,0,0,0,0,0,0,0,0,0]
C=[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95];
2.令推理步驟g增加1,即g=1;
3.命題神經元點火。命題神經元點火後,規則神經元矩陣中各元素的值將依據公式進行更新,即δ1=[1,0,0,0,0,0,0,0,0,0,0,0];
4.規則神經元點火。規則神經元點火,命題神經元矩陣中各元素的值將依據公式進行更新,即
θ1=[0,0,1,0,1,0,0,1,0.95,0,0,0,0,0,0,0,0,0,0,0];
5.返回執行第2步。推理步驟g=2。δ2=[0,0,0,0,0,0.95,0,0,0,0,0,0],θ2=[0,,0,0,0,0,0,0,0,0,0,0,0,0,0.9025,0,0,0,0,0,0];
6.返回執行第2步。推理步驟g=3。δ3=[0,0,0,0,0,0,0,0,0,0,0,0],滿足終止條件,結束推理。
步驟4:確定故障選相結果。
根據疑似故障類型的模糊可信度確定故障類型,並輸出選相結果,具體過程為:
根據模糊推理得到的各疑似故障類型的模糊可信度進行判定,選擇模糊可信度最大的命題神經元所對應的故障類型為最後選相結果。由於命題神經元14是模糊可信度最大的命題神經元,因此判定故障類型為AB兩相接地故障。
情況三:輸電線路AB相間短路故障。故障分類的具體過程如下:
步驟1:取故障後1/4周期內的三相電流與故障前15ms至20ms內的三相電流採樣值數列差作為故障分量;
步驟2:利用db3小波對故障分量進行分析,尺度為8,對第8層小波係數矩陣進行奇異值分解,得到三相及零序電流故障分量奇異值分別為15.3014,13.7617,1.5847和4.5792e-13,並將這些奇異值歸一化,結果分別為1,0.8994,0.1036和0.2993e-13;
步驟3:將歸一化值模糊化,採用模糊推理脈衝神經膜系統的模糊推理算法對故障分類模型進行反向模糊推理,獲取每種故障類型的故障可信度。具體步驟為:
1.設定初始狀態。設定推理步驟g=0。設定判定依據01=(0,0,...,0)T。模糊推理實數脈衝神經膜系統初始狀態為:
θ0=[0,1,1,0,1,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0],
δ0=[0,0,0,0,0,0,0,0,0,0,0,0],
C=[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95];
2.令推理步驟g增加1,即g=1;
3.命題神經元點火。命題神經元點火後,規則神經元矩陣中各元素的值將依據公式進行更新,即δ1=[0,1,0,0,0,0,0,0,0,0,0,0],
4.規則神經元點火。規則神經元點火,命題神經元矩陣中各元素的值將依據公式進行更新,即θ1=[0,0,1,0,1,0,0,1,0,0.95,0,0,0,0,0,0,0,0,0,0];
5.返回執行第2步。推理步驟g=2。δ2=[0,0,0,0,0,0,0,0,0,0,0,0.95],θ2=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0.9025,0,0,0];
6.返回執行第2步。推理步驟g=3。δ3=[0,0,0,0,0,0,0,0,0,0,0,0],滿足終止條件,結束推理。
步驟4:確定故障選相結果。
根據疑似故障類型的模糊可信度確定故障類型,並輸出選相結果,具體過程為:
根據模糊推理得到的各疑似故障類型的模糊可信度進行判定,選擇模糊可信度最大的命題神經元所對應的故障類型為最後選相結果。由於命題神經元17是模糊可信度最大的命題神經元,因此判定故障類型為AB相間短路故障。
情況四:輸電線路ABC三相短路故障。故障分類的具體過程如下:
步驟1:取故障後1/4周期內的三相電流與故障前15ms至20ms內的三相電流採樣值數列差作為故障分量;
步驟2:利用db3小波對故障分量進行分析,尺度為8,對第8層小波係數矩陣進行奇異值分解,得到三相及零序電流故障分量奇異值分別為24.1292,36.7854,48.0947和7.5930e-13,並將這些奇異值歸一化,結果分別為0.5017,0.7649,1和1.5796e-14;
步驟3:將歸一化值模糊化,採用模糊推理脈衝神經膜系統的模糊推理算法對故障分類模型進行反向模糊推理,獲取每種故障類型的故障可信度。具體步驟為:
1.設定初始狀態。設定推理步驟g=0。設定判定依據01=(0,0,...,0)T。模糊推理實數脈衝神經膜系統初始狀態為:
θ0=[0,1,1,0,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0],
δ0=[0,0,0,0,0,0,0,0,0,0,0,0],
C=[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95];
2.令推理步驟g增加1,即g=1;
3.命題神經元點火。命題神經元點火後,規則神經元矩陣中各元素的值將依據公式進行更新,即δ1=[0,1,0,0,0,0,0,0,0,0,0,0],
4.規則神經元點火。規則神經元點火,命題神經元矩陣中各元素的值將依據公式進行更新,即
θ1=[0,0,1,0,1,0,1,0,0,0.95,0,0,0,0,0,0,0,0,0,0];
5.返回執行第2步。推理步驟g=2。δ2=[0,0,0,0,0,0,0,0,0.95,0,0,0],θ2=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0.9025];
6.返回執行第2步。推理步驟g=3。δ3=[0,0,0,0,0,0,0,0,0,0,0,0],滿足終止條件,結束推理。
步驟4:確定故障選相結果。
根據疑似故障類型的模糊可信度確定故障類型,並輸出選相結果,具體過程為:
根據模糊推理得到的各疑似故障類型的模糊可信度進行判定,選擇模糊可信度最大的命題神經元所對應的故障類型為最後選相結果。由於命題神經元20是模糊可信度最大的命題神經元,因此判定故障類型為ABC三相短路故障。
通過實施例中四種情況選相結果可知,本發明方法故障選相過程採用模糊推理實數脈衝神經膜系統,過程清晰簡單,易於理解,且在不同故障初始角、高故障電阻、遠故障距離等情況下,本方法仍然能獲得正確的故障選相結果。