[发明专利]基于极限学习机的多信息融合区段定位方法

说明书

技术领域

本申请属于电力系统自动化技术领域，是一种配电网单相接地故障的区段定位方法，适用于3～60kV中性点非有效接地电网，能够在单相接地故障发生时，准确定位故障区段。

背景技术

小电流接地系统发生单相接地故障后需要尽快选出故障线路，经过几十年的发展，选线问题已经得到了很好的解决，技术成熟，现有装置可靠性高。选出故障线路后，需要进一步找出故障点所在的区段，也就是区段定位问题。

利用暂态量定位相比传统稳态分量，故障特征明显，且可以有效克服消弧线圈的影响。因此利用暂态量的定位方法优于稳态量。随着终端硬件平台的工作能力不断强大，对暂态过程的采样与分析已成为可能。

极限学习机（ELM）是近几年提出的一种新型单隐层前馈神经网络算法。具有与神经网络相同的全局逼近性质，但其网络输出权值和隐层神经元偏移量是随机生成的，只需要设置隐含层节点数，由最小二乘法得出输出权重即可产生唯一最优解。ELM相比传统神经网络算法，具有训练误差小、泛化性能强、训练速度快等优点，目前尚未应用到小电流接地系统区段定位的研究中。

现有定位方法通常利用单一的故障信息进行定位，实际运行时准确性低，难以满足现场需求。目前现场有三种方法进行自动定位，第一种方法是从PT注入高频信号，沿线路检测该信号确定故障位置，但是由于线路分布电容对高频信号形成通路，因此在经电阻接地时定位不准确。第二种方法是利用故障指示器的方法，由于故障指示器只能测量相电流，不能测量零序电流，所以对于短路故障效果较好，但是对于单相接地故障定位准确率很低。第三种方法是安装内置CT的智能开关，虽然该方法可以测量零序电流，但是市场上运行的终端和主站算法简单，仅仅判断稳态零序电流是否超过定值，对于中性点经消弧线圈接地系统定位正确率很低。

发明内容

本申请的目的是克服现有技术的不足，提出一种基于极限学习机的多信息融合区段定位方法。该方法充分利用故障后暂态零序电流特征，故障发生后，终端对实时测得的零序暂态电流运用暂态能量法、小波法、首半波法提取特征向量上传给主站，输入到经训练后得到权重参数的极限学习机网络中，主站启动多信息融合定位算法并输出区段定位结果。本申请适用于中性点不接地系统和中性点经消弧线圈接地系统，适用于金属性接地、经高阻接地、经过渡电阻接地等多种故障情况。

本申请的技术方案如下。

一种基于极限学习机的多信息融合区段定位方法，其特征在于：线路故障发生后，安装在线路上的终端对实时测得的暂态零序电流运用暂态能量法、小波法、首半波法提取特征向量上传给主站，输入到经训练后得到权重参数的极限学习机网络对故障进行定位，输出线路的故障区段定位结果。

一种基于极限学习机的多信息融合区段定位方法，其特征在于，所述方法包括以下步骤：

（1）安装在线路多个位置的终端实时检测安装位置处的暂态零序电流；

（2）当任一终端检测的零序电压幅值超过预设的启动值后，所有终端立刻准确捕捉零序电压超过启动值前1个周期和超过启动值后2个周期的暂态零序电流信号；

（3）各终端运用暂态能量法、小波法、首半波法对3个周期的暂态零序电流信号进行分析计算，分别提取出各算法的零序电流特征数据，并将其上传给主站；

（4）主站接收到各终端传来的各算法的暂态零序电流信号后，根据提取的零序电流特征数据确定极限学习机网络结构和参数；

（5）训练极限学习机（ELM）网络，选各条线路发生金属性接地、经高阻接地、在B相电压相角为0°、30°、45°、60°、90°时分别发生过渡电阻为200Ω、400Ω、2000Ω、4000Ω的间歇性弧光接地后通过步骤（3）得到的各算法暂态零序电流特征数据作为极限学习机(ELM)的训练样本的输入向量x_i，i=1,2,…N，N为输入样本数，训练样本的输出向量为y_j，j=1,2，…m，m表示区段数，y_j为0或1，0表示非故障区段，1表示故障区段；训练完成后，保存输出权重β_i；

（6）将现场实际故障特征数据作为实际输入样本用训练后的极限学习机（ELM）网络进行定位，网络的输出结果即为现场实际故障的区段定位结果。

本发明还进一步优选以下技术方案：

在步骤（4）中确定极限学习机网络结构和参数包括以下内容：

①确定输入输出层节点数

极限学习机网络输入层节点数p就是n个终端检测到的上述3类特征数据，即输入层节点数p=3n；