小电流接地系统单相故障选线方法
【技术领域】
[0001] 本发明涉及一种故障选线方法，尤其是一种小电流接地系统单相故障选线方法， 属于电力系统故障选线定位的技术领域。
【背景技术】
[0002] 随着居民生活水平的不断提高，电力工业作为我国支柱性产业的重要性不断凸 显，主要体现在保障了国家的安全和社会的发展。目前，小电流接地系统已经广泛应用于国 内外的众多电力研究中，因此，越来越多的科技工作者不断探索研究小电流接地系统的故 障检测，并把其作为首要课题之一。
[0003] 当中性点接地方式选择小电流接地时，系统运行过程中经常出现单相接地故障。 在系统运行时，由于单相接地故障产生的故障电流很小，对人的身体、电力设备以及通信的 危害比较小，与此同时，三相的线电压保持稳定不变，不会对负荷的供电产生影响。因此，供 电系统可以在发生接地故障时继续运行(但不能超过2小时），这样就不会因为突然断电影 响到用户的正常工作和生活。社会的发展提高了对供电系统的可靠性的要求，这使得小电 流接地方式的有了越来越广的应用价值。
【发明内容】
[0004] 本发明的目的是克服现有技术中存在的不足，提供一种小电流接地系统单相故障 选线方法，其操作方便，能快速有效判断电网是否发生接地故障，并在确定接地故障后判断 接地故障的线路，从而为及时故障排除提供依据，安全可靠。
[0005] 按照本发明提供的技术方案，一种小电流接地系统单相故障选线方法，所述单相 故障选线方法包括如下步骤：
[0006] 步骤1、建立具有k条馈线的小电流接地系统的仿真模型，设置不同线路发生单相 接地故障，测量每次接地故障下各馈线的零序电流，以获得训练样本；
[0007] 步骤2、选取每次单相接地故障下，第i条馈线零序电流F的故障前1/4个周波和故 障后3/4个周波，并使用dblO小波进行5层小波包分解，设F (5,s)(m)为第5层小波包分解的第s 个子频带下系数，8 = 1，2丄，31，每个子频带下有!11个系数，则第1条馈线的零序电流小波能 量Ei为：
[0009]步骤3、根据上述得到的各馈线的零序电流小波能量，建立样本集X，则得到样本集 X为
[0011]其中，Xnj = Enj，Enj为第η次测量第j条馈线的零序电流小波能量；
[0012]步骤4、对上述样本集X进行归一化，以得到归一化样本集X'则所述归一化样本集 X*为
[0014]其中，max{Xni}为样本集X中第η行中最大的元素；
[0015]步骤5、建立Spiking神经网络并将上述归一化样本集X*中的元素转换成相应的脉 冲发射时间，其中，将最大值1对应的神经元对应为首先发射脉冲，并记该脉冲发射时间为 0ms;而最小值0对应的神经元对应为最后发射脉冲，并记该脉冲发射时间为T maxms;
[0016]步骤6、Spiking神经网络的输入层、输出层相对应的神经元个数均与馈线总数k相 一致;确定上述输入层、输出层之间的延迟时间A T，并根据所述延迟时间ΔΤ，用Φ0标记输 出层中的故障线路，并用Φ1标记输出层中的健全线路；
[0017]步骤7、将上述由归一化样本集X#得到的若干脉冲发射时间代入Spiking神经网 络，并利用SpikeProp方法对Spiking神经网络进行训练，并修正相应的连接权值；
[0018]步骤8、根据上述修正后连接权值，得到所需的选线Spiking神经网络;采集小电流 单相接地故障下的故障数据，且将采集的故障数据输入值选线Spiking神经网络中，选线 Spiking神经网络输出层中输出Φ0标记的线路即确定为故障线路。
[0019]所述步骤5中，采用Time-to-first-Spike方法将归一化样本集X*内的元素转换成 相应的脉冲时间数据，所述转换过程为：
[0021 ]其中，Λζ为归一化样本集浐内的元素，TmaxS最大脉冲发射时间，T为将归一化样本 集浐相应的元素转换得到的脉冲发射时间。
[0022] 所述步骤5中，采用SRM神经元模型构建Spiking神经网络。
[0023] 本发明的优点:利用建立的小电流接地系统的仿真模型获取故障时各馈线的零序 电流信息，并进行小波分解得到其小波能量，且能根据得到的小波能量建立样本集，对样本 集归一化后得到归一化样本集X'采用SRM神经元模型初步构建Spiking神经网络，采用 SpikeProp方法计算输入层Η内的神经元和隐含层I内的神经元以及隐含层I内的神经元和 输出层J内的神经元之间各突触子的权值，进行连接权值修正后得到选线Spiking神经网 络，故障数据输入选线Spiking神经网络，输出层中输出Φ0标记的线路即确定为故障线路， 操作方便，能快速有效判断电网是否发生接地故障，并在确定接地故障后判断接地故障的 线路，从而为及时故障排除提供依据，安全可靠。
【附图说明】
[0024]图1为本发明的流程图。
[0025]图2为本发明的SRM神经元模型示意图。
[0026]图3为本发明三层前向Spiking神经网络的示意图。
【具体实施方式】
[0027]下面结合具体附图和实施例对本发明作进一步说明。
[0028] 如图1所示:为了能快速有效判断电网是否发生接地故障，并在确定接地故障后判 断接地故障的线路，从而为及时故障排除提供依据，本发明单相故障选线方法包括如下步 骤：
[0029] 步骤1、建立具有k条馈线的小电流接地系统的仿真模型，设置不同线路发生单相 接地故障，测量每次接地故障下各馈线的零序电流，以获得训练样本；
[0030] 本发明通过常规的技术手段建立小电流接地系统的仿真模型，建立仿真模型的过 程为本技术领域人员所熟知，仿真模型中馈线的数量k可以根据需要进行选择确定，具体为 本技术领域人员所熟知，此处不再赘述。在建立小电流接地故障的仿真模型后，通过设置不 同线路发生单相接地故障，从而能够测量每次接地故障下各馈线的零序电流，即上述得到 各馈线的零序电流即为训练样本。
[0031] 步骤2、选取每次单相接地故障下，第i条馈线零序电流F的故障前1/4个周波和故 障后3/4个周波，并使用dblO小波进行5层小波包分解，设F( 5,s)(m)为第5层小波包分解的第s 个子频带下系数，8 = 1，2丄，31，每个子频带下有!11个系数，则第1条馈线的零序电流小波能 量Ei为：
[0033]本发明实施例中，利用dblO小波进行5层小波包分解的过程为本技术领域人员所 熟知，具体不再赘述。
[0034]步骤3、根据上述得到的各馈线的零序电流小波能量，建立样本集X，则得到样本集 X为
[0036] 其中，Xnj = Enj，Enj为第η次测量第j条馈线的零序电流小波能量；
[0037] 本发明实施例中，η为测量的次数，即步骤1中获取训练样本的次数，具体的测量次 数η可以根据需要进行选择确定。
[0038]步骤4、对上述样本集X进行归一化，以得到归一化样本集X'则所述归一化样本集 X*为
[0040]其中，maX{Xni}为样本集X中第η行中最大的元素；
[0041 ] 本发明实施例中，样本集X中的元素 XII经归一化后得到^，max{xni}为样本集X中 第η行中最大的元素，如max{Xll}为样本集X中第一行所有元素中的最大值，其余类推，具体 不再 列举。
[0042]步骤5、建立Spiking神经网络并将上述归一化样本集X*中的元素转换成相应的脉 冲发射时间，其中，将最大值1对应的神经元对应为首先发射脉冲，并记该脉冲发射时间为 0ms;而最小值0对应的神经元对应为最后发射脉冲，并记该脉冲发射时间为T maxms;
[0043]本发明实施例中，采用SRM神经元模型构建Spiking神经网络。采用!^!!^-!:。-€;^81：-5口11^方法将归一化样本集)( ：1：内的元素转换成相应的脉冲时间数据，所述转换过程 为：
[0045]其中，4为归一化样本集浐内的元素，TmaxS最大脉冲发射时间，T为将归一化样本 集浐相应的元素转换得到的脉冲发射时间。
[0046]具体地，Spiking神经网络中的SRM神经元模型采用精确的脉冲发射时间编码方法 进行信息的传递和计算，因此能够更加接近的描述真实生物神经系统中的神经元。
[0047] 与传统的BP-ΑΝΝ相似，Spiking神经网