一种铁路电力线路故障定位装置及其方法

1.本发明涉及铁路电力线路技术领域，尤其涉及一种铁路电力线路故障定位装置及其方法。


背景技术：

2.铁路电力线路由于运行环境复杂、自然灾害频繁、以及线缆本身材质质量、老化等因素影响,经常会发生故障。一旦发生故障,通信信号设备的供电可靠性大大降低，给铁路运输带来很大安全隐患。传统的电力线路故障查找的方法，均只能先判断故障区段,不仅故障点判断不准确，故障处理效率很低,已不能满足铁路运行需求；费时、费力，尤其是在山区和雨、雪、雾、大风等气象条件不好的情况下，查找时间需要更长，工人的劳动强度更大，效率也更低，明显不能满足铁路运行需求。因此迫切需要一套设计思想成熟、性能可靠的电力线路故障查找的方法，降低人员的劳动强度，保证铁路设备供电系统安全可靠运行。


技术实现要素：

3.本发明的目的是为了解决现有技术中存在故障点判断不准确，故障处理效率低，查找时间需要更长，工人的劳动强度大的缺点，而提出的一种铁路电力线路故障定位装置及其方法。
4.为了解决上述问题，本发明采用了如下技术方案：
5.一种铁路电力线路故障定位方法，步骤如下：
6.构建行波监测、采集、传输一体化系统；
7.故障选线，分别向故障线路和正常线路发射一个行波信号；
8.获取故障特征波对应的时刻，根据行波测距定位原理，计算故障点的距离；
9.通过训练好的神经网络来判断故障区段。
10.优选地，所述步骤1的具体如下：在主站以及配电线路中设置多个采集点,每个均采集点设置有行波采集传感器,所有采集点均通过通讯网络与主站连接,行波监测器采集每一个采集点的行波信号,并将采集到的行波信号上传到主站的监测采集系统,由主站收集各采集点采集的行波信号,筛选各采集点行波信息,形成记录。
11.优选地，所述步骤2的具体如下：当线路发生故障后，主站的监测采集系统分别向故障线路和正常线路发射一个行波信号，行波信号遇到波阻抗不连续点(线路的节点、端点和故障点)就会发生反射和折射，在线路检测端采集反射回的信号,利用行波信号在波阻抗不连续点产生的第一个反射波来进行故障定位；
12.所述监测采集系统内还包括有测量控制单元，首先，由测量控制单元判断线路故障，确定故障类型，如果确定故障相发生单相接地故障后向信号注入单元发出指令，信号注入单元在接到测量控制单元指令后向电压互感器中的故障相发出高频探测信号，由于接地故障点处波阻抗不连续，高频信号将发生反射，所以电压互感器能够检测出相应的反射信号，测量控制单元根据反射信号返回到定位系统的时间就可以确定故障点到监测装置的距
离；
13.所述行波信号注入形式如下：
[0014][0015]
该信号的持续时间t，频带宽度b，中心频率f0表示为：
[0016][0017][0018][0019]
可见：参数a决定了注入信号的持续时间，参数a和b共同决定该信号的频带宽度，信号的角频率w决定了其中心频率，t表示信号的中心时刻。
[0020]
优选地，所述步骤3的具体如下：通过比较故障线路和正常线路波形,使故障线路波形和正常线路波形相减，对波形差信号进行小波包分解和重构，分为多个频带，在选定的分频带上分别找到波形差的第一个畸变点,其对应的就是故障点的特征波时刻；
[0021]
所述小波包分解和重构计算模型如下：
[0022]
其二尺度关系为：
[0023][0024]
式中：h0k、h1k分别是多分辨率分析的滤波器系数
[0025]
定义递推关系：
[0026][0027]
根据行波信号在检测点与故障点之间往返一次的时间和行波的波速来确定故障点的距离，其计算公式如下：
[0028][0029]
式中，l是距离，v是波速；t为特征波间隔时间。
[0030]
优选地，所述步骤4的具体如下：用预定的数据样本对神经网络进行训练使其具有识别节点特征波能量变化的能力，最后形成基于神经网络模式识别功能的故障诊断系统来判断故障区段，再通过算法所得参数坐标，从而确定故障断点位置。
[0031]
一种铁路电力线路故障定位装置，包括：
[0032]
行波传感单元：构建行波监测、采集、传输一体化系统；
[0033]
信号注入单元：线路发生故障后，分别向故障线路和正常线路发射一个行波信号；
[0034]
距离定位单元：首先获取故障特征波对应的时刻，根据行波测距定位原理，计算故
障点的距离；
[0035]
区段判断单元：通过训练好的神经网络来判断故障区段。
[0036]
优选地，在主站以及配电线路中设置多个采集点,每个均采集点设置有行波采集传感器,所有采集点均通过通讯网络与主站连接,行波监测器采集每一个采集点的行波信号,并将采集到的行波信号上传到主站的监测采集系统,由主站收集各采集点采集的行波信号,筛选各采集点行波信息,形成记录。
[0037]
优选地，当线路发生故障后，分别向故障线路和正常线路发射一个行波信号，行波信号遇到波阻抗不连续点(线路的节点、端点和故障点)就会发生反射和折射，在线路检测端采集反射回的信号,利用行波信号在波阻抗不连续点产生的第一个反射波来进行故障定位；
[0038]
监测采集系统内还包括有测量控制单元，首先，由测量控制单元判断线路故障，确定故障类型，如果确定故障相发生单相接地故障后向信号注入单元发出指令，信号注入单元在接到测量控制单元指令后向电压互感器中的故障相发出高频探测信号，由于接地故障点处波阻抗不连续，高频信号将发生反射，所以电压互感器能够检测出相应的反射信号，测量控制单元根据反射信号返回到定位系统的时间就可以确定故障点到监测装置的距离；
[0039]
所述行波信号注入形式如下：
[0040][0041]
该信号的持续时间t，频带宽度b，中心频率f0表示为：
[0042][0043][0044][0045]
可见：参数a决定了注入信号的持续时间，参数a和b共同决定该信号的频带宽度，信号的角频率w决定了其中心频率，t表示信号的中心时刻。
[0046]
优选地，通过比较故障线路和正常线路波形,使故障线路波形和正常线路波形相减，对波形差信号进行小波包分解和重构，分为多个频带，在选定的分频带上分别找到波形差的第一个畸变点,其对应的就是故障点的特征波时刻；
[0047]
所述小波包分解和重构计算模型如下：
[0048]
其二尺度关系为：
[0049][0050]
式中：h0k、h1k分别是多分辨率分析的滤波器系数
[0051]
定义递推关系：
[0052][0053]
然后根据行波信号在检测点与故障点之间往返一次的时间和行波的波速来确定故障点的距离，其计算公式如下：
[0054][0055]
式中，l是距离，v是波速；t为特征波间隔时间。
[0056]
优选地，用预定的数据样本对神经网络进行训练使其具有识别节点特征波能量变化的能力，最后形成基于神经网络模式识别功能的故障诊断系统来判断故障区段，再通过算法所得参数坐标，从而确定故障断点位置；
[0057]
所述神经网络是一种模仿大量神经元进行分布式并行信息处理的网络模型，其包含输入层、隐含层和输出层；
[0058]
假设输入层第i个神经元的输入变量为net；
[0059][0060]
式中，θ为第i个神经元的阈值，对应输出为：
[0061]ai
＝f(neti)
[0062]
式中f表示隐含层的激发函数，通常选用连续可导的sigmoid函数：
[0063][0064]
当映射函数值在正负区间时，采用对称的than函数作为激发函数：
[0065][0066]
在神经网络中，非线性特征学习主要由隐含层和输出层来完成，一般令:
[0067]ai
＝xi[0068]
则隐含层第j个神经元的输入net；
[0069][0070]
式中，w、θ分别为隐层的权重和第j个神经元的阈值，对应输出为a：
[0071]aj
＝f(neti)
[0072]
则输出层第k个神经元的输入net：
[0073][0074]
式中，w、θ分别为输出层的权重和第k个神经元的阈值，而输出层输出y：
[0075]
yk＝f(net
k)
[0076]
相比现有技术，本发明的有益效果为：
[0077]
1、本发明在线路发生故障后，通过主站的监测采集系统分别向故障线路和正常线
路发射一个行波信号，行波信号遇到波阻抗不连续点(线路的节点、端点和故障点)就会发生反射和折射，在线路检测端采集反射回的信号,利用行波信号在波阻抗不连续点产生的第一个反射波来进行故障定位，通过行波到达的时间就可以实现故障点位置的精确计算,完成整个电网故障定位，降低了查找所需的时间，提高了故障处理的效率。
[0078]
2、本发明通过比较故障线路和正常线路波形,使故障线路波形和正常线路波形相减，对波形差信号进行小波包分解和重构，分为多个频带，在选定的分频带上分别找到波形差的第一个畸变点,其对应的就是故障点的特征波时刻，根据行波信号在检测点与故障点之间往返一次的时间和行波的波速来确定故障点的距离，通过用预定的数据样本对神经网络进行训练使其具有识别节点特征波能量变化的能力，最后形成基于神经网络模式识别功能的故障诊断系统来判断故障区段，再通过算法所得参数坐标，从而确定故障断点位置，使得对故障点位置的判定更加准确，极大的降低了人工寻找所花费的时间。
附图说明
[0079]
图1为本发明提出的一种铁路电力线路故障定位方法的流程图；
[0080]
图2为本发明提出的一种铁路电力线路故障定位方法的故障判定流程图；
[0081]
图3为本发明提出的一种铁路电力线路故障定位方法的故障行波传输路径图；
[0082]
图4为本发明提出的一种铁路电力线路故障定位方法的通讯连接示意图；
[0083]
图5为本发明提出的一种铁路电力线路故障定位方法的采集点布置示意图；
[0084]
图6为本发明提出的一种铁路电力线路故障定位装置的框架结构图。
具体实施方式
[0085]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0086]
参照图1-5，一种铁路电力线路故障定位方法，步骤如下：
[0087]
在主站以及配电线路中设置多个采集点,每个均采集点设置有行波采集传感器,所有采集点均通过通讯网络与主站连接,行波监测器采集每一个采集点的行波信号,并将采集到的行波信号上传到主站的监测采集系统,由主站收集各采集点采集的行波信号,筛选各采集点行波信息,形成记录。
[0088]
当线路发生故障后，主站的监测采集系统分别向故障线路和正常线路发射一个行波信号，行波信号遇到波阻抗不连续点(线路的节点、端点和故障点)就会发生反射和折射，在线路检测端采集反射回的信号,利用行波信号在波阻抗不连续点产生的第一个反射波来进行故障定位；
[0089]
监测采集系统内还包括有测量控制单元，首先，由测量控制单元判断线路故障，确定故障类型，如果确定故障相发生单相接地故障后向信号注入单元发出指令，信号注入单元在接到测量控制单元指令后向电压互感器中的故障相发出高频探测信号，由于接地故障点处波阻抗不连续，高频信号将发生反射，所以电压互感器能够检测出相应的反射信号，测量控制单元根据反射信号返回到定位系统的时间就可以确定故障点到监测装置的距离；
[0090]
行波信号注入形式如下：
[0091][0092]
该信号的持续时间t，频带宽度b，中心频率f0表示为：
[0093][0094][0095][0096]
可见：参数a决定了注入信号的持续时间，参数a和b共同决定该信号的频带宽度，信号的角频率w决定了其中心频率，t表示信号的中心时刻。
[0097]
通过比较故障线路和正常线路波形,使故障线路波形和正常线路波形相减，对波形差信号进行小波包分解和重构，分为多个频带，在选定的分频带上分别找到波形差的第一个畸变点,其对应的就是故障点的特征波时刻；
[0098]
小波包分解和重构计算模型如下：
[0099]
其二尺度关系为：
[0100][0101]
式中：h0k、h1k分别是多分辨率分析的滤波器系数
[0102]
定义递推关系：
[0103][0104]
根据行波信号在检测点与故障点之间往返一次的时间和行波的波速来确定故障点的距离，其计算公式如下：
[0105][0106]
式中，l是距离，v是波速；t为特征波间隔时间。
[0107]
用预定的数据样本对神经网络进行训练使其具有识别节点特征波能量变化的能力，最后形成基于神经网络模式识别功能的故障诊断系统来判断故障区段。
[0108]
参照图2-6，一种铁路电力线路故障定位装置，包括：
[0109]
行波传感单元：构建行波监测、采集、传输一体化系统；
[0110]
信号注入单元：线路发生故障后，分别向故障线路和正常线路发射一个行波信号；
[0111]
距离定位单元：首先获取故障特征波对应的时刻，根据行波测距定位原理，计算故障点的距离；
[0112]
区段判断单元：通过训练好的神经网络来判断故障区段。
[0113]
其中，在主站以及配电线路中设置多个采集点,每个均采集点设置有行波采集传感器,所有采集点均通过通讯网络与主站连接,行波监测器采集每一个采集点的行波信号,并将采集到的行波信号上传到主站的监测采集系统,由主站收集各采集点采集的行波信号,筛选各采集点行波信息,形成记录。
[0114]
其中，当线路发生故障后，分别向故障线路和正常线路发射一个行波信号，行波信号遇到波阻抗不连续点(线路的节点、端点和故障点)就会发生反射和折射，在线路检测端采集反射回的信号,利用行波信号在波阻抗不连续点产生的第一个反射波来进行故障定位；
[0115]
监测采集系统内还包括有测量控制单元，首先，由测量控制单元判断线路故障，确定故障类型，如果确定故障相发生单相接地故障后向信号注入单元发出指令，信号注入单元在接到测量控制单元指令后向电压互感器中的故障相发出高频探测信号，由于接地故障点处波阻抗不连续，高频信号将发生反射，所以电压互感器能够检测出相应的反射信号，测量控制单元根据反射信号返回到定位系统的时间就可以确定故障点到监测装置的距离；
[0116]
行波信号注入形式如下：
[0117][0118]
该信号的持续时间t，频带宽度b，中心频率f0表示为：
[0119][0120][0121][0122]
可见：参数a决定了注入信号的持续时间，参数a和b共同决定该信号的频带宽度，信号的角频率w决定了其中心频率，t表示信号的中心时刻。
[0123]
其中，通过比较故障线路和正常线路波形,使故障线路波形和正常线路波形相减，对波形差信号进行小波包分解和重构，分为多个频带，在选定的分频带上分别找到波形差的第一个畸变点,其对应的就是故障点的特征波时刻；
[0124]
小波包分解和重构计算模型如下：
[0125]
其二尺度关系为：
[0126][0127]
式中：h0k、h1k分别是多分辨率分析的滤波器系数
[0128]
定义递推关系：
[0129][0130]
然后根据行波信号在检测点与故障点之间往返一次的时间和行波的波速来确定故障点的距离，其计算公式如下：
[0131][0132]
式中，l是距离，v是波速；t为特征波间隔时间。
[0133]
其中，用预定的数据样本对神经网络进行训练使其具有识别节点特征波能量变化的能力，最后形成基于神经网络模式识别功能的故障诊断系统来判断故障区段；
[0134]
所述神经网络是一种模仿大量神经元进行分布式并行信息处理的网络模型，其包含输入层、隐含层和输出层；
[0135]
假设输入层第i个神经元的输入变量为net；
[0136][0137]
式中，θ为第i个神经元的阈值，对应输出为：
[0138]ai
＝f(neti)
[0139]
式中f表示隐含层的激发函数，通常选用连续可导的sigmoid函数：
[0140][0141]
当映射函数值在正负区间时，采用对称的than函数作为激发函数：
[0142][0143]
在神经网络中，非线性特征学习主要由隐含层和输出层来完成，一般令:
[0144]ai
＝xi[0145]
则隐含层第j个神经元的输入net；
[0146][0147]
式中，w、θ分别为隐层的权重和第j个神经元的阈值，对应输出为a：
[0148]aj
＝f(neti)
[0149]
则输出层第k个神经元的输入net：
[0150][0151]
式中，w、θ分别为输出层的权重和第k个神经元的阈值，而输出层输出y：
[0152]
yk＝f(net
k)
[0153]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。