[发明专利]一种利用S变换频谱特性的辐射网故障智能测距方法

摘要

本发明是一种利用S变换频谱特性的辐射网故障智能测距方法。本发明为：当多分支辐射网发生故障，启动元件立即启动，根据保护安装处测得的各线路三相电流，利用卡拉克变换，求出零序电流。依据故障线路零序电流的极性与健全线路相反的原理选出故障线路，选取采样序列长度为200点的故障线路零序电流信号，进行S变换，变换结果为101×200的时频复矩阵，并对此复矩阵中的各个元素求模。根据得到的模矩阵，提取出各频段的能量作为分层分布式神经网络的输入向量，训练神经网络得到辐射网故障测距模型，实现多分支辐射网的故障测距。大量仿真结果表明，本发明测距准确。

主权项

1.一种利用S变换频谱特性的辐射网故障智能测距方法，其特征在于按以下步骤进行：（1）多分支辐射网发生单相接地故障后，母线零序电压高于额定相电压15%时，启动元件立即启动；根据保护安装处测得的各线路三相电流，利用克拉克变换矩阵，求得各线路的零序电流：i_j0= i_jA+ i_jB+ i_jC      j=1,2,……6                        (1)式中：i_j0为线路j的零序电流；i_jA、i_jB和i_jC分别为线路j的A、B、C的三相电流；    （2）利用故障线路在故障初瞬与健全线路极性相反的原理选出故障线路；（3）对故障线路的零序电流进行S变换，其采样频率为100kHz，采样序列长度为200点，经S变换得到101×200的复矩阵： (2)n≠0             (3)n=0               (4)式中：为采集到的N个离散的零序电流信号点，=0、1、2….N-1，N为采样序列长度；为的傅里叶变换；为复时频矩阵，其列对应采样时间点，行对应频率点；（4） 对得到的n+1行m列的复时频矩阵中的各个元素求模，得到模矩阵，其列向量表示信号在某一时刻的幅频特性，其行向量表示信号在某一频率下的时域特征；（5）取每10个频率点为一个频段，根据下面的公式求整个时间窗内所有频段的能量和：E₁=(5)E₂=(6)                                   …E₉=(7)式中：为将S矩阵中的各个元素求模后得到的模矩阵；E₁为5500Hz~10kHz频段的能量总和，E₂为10500Hz~15kHz频段的能量总和，…，E₉为45500Hz~50kHz频段的能量总和，=1、2、3….N，N为时间窗长度；（6）数据预处理及神经网络输入样本的确定：利用下面的公式计算各频段上的能量比值：                          k₁= E₁/ E₉                                          (8)                          k₂= E₂/ E₈                                          (9)                         k₃= E₃/ E₇                                        (10)                         k₄= E₄/ E₆                           (11)神经网络的输入样本为：1) 沿线路各分支选取故障点，故障距离变化步长为200m；2) 故障电阻：0≤R_f≤500Ω 且故障电阻步长为：ΔR_f =20Ω；    （7）故障选段模型的确定：故障选段模型采用BP神经网络，第一层为故障选段模型，故障选段神经网络的输入向量为（6）步中得到的结果[k₁  k₂  k₃  k₄]，对应的输出向量如下：      线路AB段故障：[1 0 0 0 0]；      线路BC段故障：[0 1 0 0 0]；      线路CD段故障：[0 0 1 0 0]；      线路BE段故障：[0 0 0 1 0]；      线路CF段故障：[0 0 0 0 1]；（8）故障测距模型的确定：BP神经网络的第二层为分布式的故障测距模型，由五个相互独立的基本子测距神经网络模型所组成，分别来完成AB段故障、BC段故障、CD段故障、BE段故障和CF段故障情况下的测距功能，它们的输入向量是由第一层的故障编码输入调出相应故障区段预处理后的数据，即由各自对应的电气量组成，输出为反映基本故障距离的量；（9）由步骤（7）、（8）建立分层分布式多分支辐射网故障测距模型，将故障电气量输入模型，可准确得到故障距离。