配电网内部过电压类型识别方法与流程

本发明涉及一种配电网内部过电压类型识别方法。

背景技术：

中低压配电网通常指35kv及以下电压等级的电力网络，其分布范围广，结构复杂，与用户紧密联系。据统计，电力系统中大约70％的过电压发生于配电网，由此引发的过电压与过电流是影响配电网安全稳定运行的主要因素。因过电压导致的绝缘损坏经常引发各类短路故障，对电力系统的正常运行造成严重影响。因此，研究如何提取内部过电压信号特征量并进行识别分类，对保证电网的安全运行具有实际应用价值。

技术实现要素：

本发明提供了一种配电网内部过电压类型识别方法，其克服了背景技术中所述的现有技术的不足。

本发明解决其技术问题所采用的技术方案是：

配电网内部过电压类型识别方法，它包括如下步骤：

步骤s1：当检测到零序电压出现突变时，采集突变前一个周波和突变后五个周波共六周波的a、b、c三相电压信号；

步骤s2：对步骤s1获取的a、b、c三相电压采样数据分别进行双树复小波变换获得时频矩阵；

步骤s3：利用奇异值分解法分别对a、b、c三相电压对应的时频矩阵进行降维处理，得到每相的奇异值特征量，并将三相信号的奇异值特征量按a相、b相、c相的顺序首尾相接，得到一维特征向量；

步骤s4：将步骤s3所得的一维特征向量输入训练过的深度信念网络中，获得识别结果。

一实施例之中：所述步骤s1中的零序电压突变检测过程如下：

对零序电压信号进行db4小波分解，将分解得到的d3细节系数进行单支重构，当单支重构信号中某采样点的模极大值大等于设定值，判定为电压信号出现突变。

一实施例之中：所述步骤s2中的利用双树复小波变换得到时频矩阵的过程如下：

将每相电压信号进行双树复小波分解，得到细节系数和相似系数，分别对每个系数进行单支重构，并组成时频矩阵。

一实施例之中：所述步骤s3中利用奇异值分解法对时频矩阵进行降维的过程如下：

分别对步骤s2所得的a、b、c三相对应的三个时频矩阵进行奇异值分解，得到矩阵表达式为a＝uλv^t，式中a为m×n的矩阵，um×m、vn×n为两个正交矩阵，λm×n为对角阵，将λm×n对角线上的元素转为一维行向量；分别对s2所得的三个时频矩阵进行奇异值分解得到三个一维的奇异值特征量，并将奇异值特征量按a相、b相、c相的顺序首尾相接，得到一维特征向量，作为待识别的特征量。

一实施例之中：所述步骤s4中利用深度信念网络对过电压进行分类识别的过程包括如下步骤：

步骤s41：用二进制数设置样本的输出期望值；

步骤s42：采用最大最小值法作为归一化方法，把所有数据转化为[-1,1]之间的数，表达式为式中，xi为特征量，xmin、xmax分别为待归一化数据中的最大值和最小值；

步骤s43：利用单变量寻优方法确定深度信念网络的最佳参数：深度信念网络隐含层数为3层，神经元个数为60，受限玻尔兹曼机学习率为0.04，隐含层和输出层偏置初始化为0，可视单元的偏置用log(pi/(1-pi))表示，pi表示训练样本中第i个特征处于激活状态所占的比率；

步骤s44：设置分类器的最大训练次数为2000次，最小梯度设为10-7，将s3所得特征向量输入训练好的深度信念网络中，得出分类结果。

一实施例之中：所述过电压类型包括分频谐振、单相金属性接地、基频谐振、切除电容器组、切除空载线路、间歇性弧光接地、高频谐振共七类过电压类型。

一实施例之中：所述样本的输出期望值分别设为：分频谐振：0000001；单相金属性接地：0000010；基频谐振：0000100；切除电容器组：0001000；切除空载线路：0010000；间歇性弧光接地：0100000；高频谐振：1000000。

一实施例之中：所述设定值为0.1。

本技术方案与背景技术相比，它具有如下优点：

1、本发明利用双树复小波变换构造过电压信号的时频矩阵，具有较好的抗频率混叠特性，可完备地描述过电压信号在各个频带中的时频特点，包含了表征信号本质特征的时频信息。

2、本发明利用奇异值分解对双树复小波变换所得的时频矩阵进一步降维处理，减少特征量维度，有效减少了运算量，提高识别算法的速度。

3、本发明所用的深度信念网络有较强的学习能力，较稳定的结构，能够较准确地识别发明能够较准确地识别单相金属性接地、高频谐振、基频谐振、分频谐振、间歇性弧光接地、切除空载线路和切除电容器组七类配电网内部过电压类型。

4、本发明的配电网内部过电压类型识别方法在噪声干扰的工况下，仍具有较高的过电压类型识别正确率，适应能力较强。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1为本实施例所述的配电网内部过电压类型识别流程图。

图2为一较佳应用实例中，利用atp/emtp仿真软件搭建的10kv配电网模型图。

具体实施方式

本实施例提供一种配电网内部过电压类型识别方法，如图1所示，包括如下步骤：

步骤s1：当检测到零序电压出现突变时，采集突变前一个周波和突变后五个周波共六周波的a、b、c三相电压信号；本步骤具体包括如下步骤：

对零序电压信号进行db4小波分解，将分解得到的d3细节系数进行单支重构，当单支重构信号中某采样点的模极大值大等于设定值，本实施例中该设定值设为0.1，判定为电压信号出现突变，系统立刻采集突变点前一个周波和突变后五个周波共六个周波的a、b、c三相电压信号。

步骤s2：对步骤s1获取的a、b、c三相电压采样数据分别进行双树复小波变换获得时频矩阵。本步骤具体包括如下步骤：

以a相电压为例，将a相电压信号进行双树复小波分解，得到细节系数和相似系数，分别对每个系数进行单支重构，并组成时频矩阵。分别对a、b、c三相电压进行上述运算，得到三个时频矩阵。

步骤s3：利用奇异值分解法分别对a、b、c三相电压对应的时频矩阵进行降维处理，得到每相的奇异值特征量，并将三相信号的奇异值特征量按a相、b相、c相的顺序首尾相接，得到一维特征向量。本步骤具体包括如下步骤：

分别对s2所得的三个时频矩阵进行奇异值分解，得到矩阵表达式为a＝uλv^t，式中a为m×n的矩阵，um×m、vn×n为两个正交矩阵，λm×n为对角阵，将λm×n对角线上的元素转为一维行向量。分别对s2所得的三个时频矩阵进行奇异值分解得到三个一维的奇异值特征量，并将奇异值特征量按a相、b相、c相的顺序首尾相接，得到一维特征向量，作为待识别的特征量。

步骤s4：将s3所得的一维特征向量输入训练过的深度信念网络中，直接获得识别结果。本步骤具体包括如下步骤：

步骤s41：为了计算实际输出和期望输出的差值，用二进制设置样本的输出期望：分频谐振：0000001；单相金属性接地：0000010；基频谐振：0000100；切除电容器组：0001000；切除空载线路：0010000；间歇性弧光接地：0100000；高频谐振：1000000。

步骤s42：为了取消数据间数量级差别，采用最大最小值法作为归一化方法，把所有数据转化为[-1,1]之间的数，表达式为式中，xi为特征量，xmin、xmax分别为待归一化数据中的最大值和最小值。

步骤s43：利用单变量寻优方法确定深度信念网络的最佳参数：深度信念网络隐含层数为3层，神经元个数为60，受限玻尔兹曼机学习率为0.04，隐含层和输出层偏置初始化为0，可视单元的偏置用log(pi/(1-pi))表示，pi表示训练样本中第i个特征处于激活状态所占的比率。

步骤s44：设置分类器的最大训练次数为2000次，最小梯度设为10-7，将s3所得特征向量输入训练好的深度信念网络中，直接得出分类结果。

一较佳应用实例中，如图2所示，利用atp/emtp仿真软件搭建10kv配电网模型用于获取过电压数据，测试结果表明，该方法对不同的故障点、初相角、接地电阻所发生的配电网暂时过电压均能快速准确识别，且在噪声干扰下有较好的适应性，在此基础上进行七种过电压类型的模拟实验，并采集a、b、c三相电压波形。仿真模型中，110kv高压线路用三相电源代替，仿真元件主要包括：电压互感器、系统电源、变压器、线路等。110kv/10kv变压器连接组别为ynd11，一次侧与二次侧的电阻标幺值为0.0019，电感标幺值为0.75，励磁铁芯电阻标幺值为1615.12，励磁铁芯电感标幺值为833.23；10kv/0.4kv变压器连接组别为dyn11，一次侧与二次侧的电阻标幺值为0.00501，电感标幺值为0.0223，励磁铁芯电阻标幺值为869.27，励磁铁芯电感标幺值为142.35；电磁式pt的励磁参数为：电压标幺值为1、1.328、1.501、1.79、1.963，对应的电流标幺值为1、1.733、3.067、7.33、11.93；10kv线路模块选用三相π型等值电路模块，架空线路的正序电阻0.17ω/km，正序电容0.0097μf/km，正序电感1.21mh/km，零序电阻0.23ω/km，零序电容0.008μf/km，零序电感5.478mh/km；电缆线路的正序电阻0.27ω/km，正序电容0.339μf/km，正序电感0.255mh/km，零序电阻2.7ω/km，零序电容0.28μf/km，零序电感1.019mh/km。

通过以下测试结果来检验所提出识别方法的适应性：

表1为无噪声时，样本数据通过本案所述方法进行故障波形识别的效果。在仿真样本数据中加入-10db的高斯白噪声，再进行过电压分类辨识，验证噪声对本文识别方法的影响，识别结果如表2所示，识别准确率高达97.33％，说明了所提方法具有良好的抗噪性能。

表1无噪声时故障波形识别效果

表2噪声干扰下故障波形识别效果

以上所述，仅为本发明较佳实施例而已，故不能依此限定本发明实施的范围，即依本发明专利范围及说明书内容所作的等效变化与修饰，皆应仍属本发明涵盖的范围内。