【基于BP神經(jīng)網(wǎng)絡(luò)的輸電線路單相接地故障性質(zhì)識別方法研究】16000字（論文）

III --III摘要傳統(tǒng)的重合閘裝置的工作方式被設(shè)計為：故障發(fā)生之后，經(jīng)過一個預(yù)先設(shè)置的固定延時，自動重合。但是，如果性能系統(tǒng)不能自動消除故障（這通常意味著它的自動恢復(fù)性質(zhì)為永久性），重復(fù)的損失可能會對性能系統(tǒng)產(chǎn)生副作用，并可能損壞性能系統(tǒng)。自適應(yīng)重電路裝置能在錯誤的動作發(fā)生前，通過不同方法檢測出故障的自動恢復(fù)性質(zhì)，避免了輸入的盲目性，在出現(xiàn)永久性故障時不會動作。自適應(yīng)重合閘最重要的技術(shù)是識別故障的自動恢復(fù)性質(zhì)，因此放在輸電線路單相接地故障這一情形之中研究最為重要。首先，在發(fā)生輸電線路單相接地故障的電力系統(tǒng)中，對電弧以及故障相端電壓的特性進(jìn)行分析。運用ATP軟件，對輸電線路不同自動恢復(fù)性質(zhì)的故障，進(jìn)行電壓特性的仿真分析。并提出了基于樣本熵和局部均值分解這兩種理論的，提取故障特征的方法。并把提取到的故障特征，輸入BP神經(jīng)網(wǎng)絡(luò)，用以識別故障。這實現(xiàn)了運用BP神經(jīng)網(wǎng)絡(luò)識別輸電線路單相接地故障的自動恢復(fù)性質(zhì)。因為不同自動恢復(fù)性質(zhì)的故障，故障相端電壓波形有所不同，且卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)中的卷積核，可以提取、識別圖像特征。因而搭建一個卷積神經(jīng)網(wǎng)絡(luò)，用于識別單相接地故障的自動恢復(fù)性質(zhì)。將故障電壓波形圖像制作成灰度圖，輸入網(wǎng)絡(luò)以減少故障特征的提取環(huán)節(jié)。最后，測試了一款集成了本文研究的兩種識別方法的軟件，可用于類似識別。另有用戶可以自主選擇用于識別的識別方法、樣本庫更新、重新訓(xùn)練并保存網(wǎng)絡(luò)等功能。研究結(jié)果表明，前文提及的兩種識別方法，均能達(dá)到98%的的識別準(zhǔn)確率。識別方法的選擇影響識別的準(zhǔn)確率，以及識別所用時間，密切相關(guān)于應(yīng)用現(xiàn)場的計算機配置。測試的識別軟件可以靈活運用兩種識別方法。關(guān)鍵詞：故障識別方法；局部均值分解；樣本熵；BP神經(jīng)網(wǎng)絡(luò)；卷積神經(jīng)網(wǎng)絡(luò)目錄TOC\o"1-2"\h\u摘要 緒論輸電線路單相接地故障的電氣參數(shù)，現(xiàn)階段根據(jù)時間變化劃分為，一次電弧放電階段、二次電弧放電階段、恢復(fù)電壓階段。不同自動恢復(fù)性質(zhì)的故障在不同的時間階段，故障電弧表現(xiàn)出的電氣參數(shù)有所差異。這是故障識別得以進(jìn)行的重要理論依據(jù)。圖1-1瞬時性單相接地故障過程中的故障相電壓幅值變化情況這樣的裝置如能應(yīng)用，將進(jìn)一步提升供電系統(tǒng)的可靠性與安全性。而區(qū)分的關(guān)鍵就在于故障性質(zhì)。一個較為合適的思路是通過故障電弧的差異，來區(qū)別不同類型的故障。電弧分為出現(xiàn)故障到斷路器動作之間階段的一次電弧、斷路器斷開到電弧熄滅之間階段的二次電弧[1]。一次電弧由出現(xiàn)故障的供電系統(tǒng)提供燃燒電源，電壓較高，可以檢測其幅值或者高頻分量，以識別故障性質(zhì)。但是相關(guān)研究比較稀少，因為模型建構(gòu)難度很大，而且暫態(tài)與穩(wěn)態(tài)相互重疊，識別難度較大。二次電弧由故障相與非故障項之間的耦合電壓提供燃燒電源。在瞬時性故障中，電弧電壓高于重燃電壓的情況下反復(fù)熄滅、重燃。但在永久性故障中，故障點往往有著牢固的接地點，可以通過快速釋放電壓，大大縮短電弧的持續(xù)時間與弧長。每當(dāng)輸電線路發(fā)生單項接地故障，為了應(yīng)用技術(shù)先進(jìn)的自適應(yīng)重合閘，對故障性質(zhì)的快速識別是十分必要的。本文主要的論述內(nèi)容，是提出一種提取單相接地故障特征量的方法，并且對兩種單相接地故障性質(zhì)的識別方法進(jìn)行研究。主要內(nèi)容為：在單相接地故障發(fā)生時，本文從理論上分析了電弧和故障相端電壓的特性。搭建750kV輸電線路的模型，及其故障電弧的模型。仿真模擬輸電線路單相接地故障，在不同故障位置和過渡電阻時的情況[4]。結(jié)合LMD方法和SE理論，構(gòu)造了一種提取不同自動恢復(fù)性質(zhì)的故障相電位差信號特征的方法，并在這個過程中重點分析單相輸電線路故障中對地過渡電壓分量的差異?；诒粡V泛研究的誤差反向傳播算法，構(gòu)建用于識別輸電線路單相接地故障自動恢復(fù)性質(zhì)的誤差反向傳播神經(jīng)網(wǎng)絡(luò)，輸入提取出來的故障信號LMD-SE特征量，進(jìn)行故障性質(zhì)的識別。對CNN理論進(jìn)行分析并搭建一套CNN網(wǎng)絡(luò)，處理故障電壓信號并輸入，實現(xiàn)輸電線路單相接地故障性質(zhì)的識別。以現(xiàn)場計算機硬件水平為依據(jù)，在不同的計算機水平上對兩種故障自動恢復(fù)性質(zhì)識別方法的性能進(jìn)行了檢驗，并結(jié)合本文提出的兩種識別方法設(shè)計一款軟件，用于識別輸電線路單相接地故障的自動恢復(fù)性質(zhì)。2輸電線路單相接地故障電氣特性分析2.1弧光放電特征分析沒有可靠的接地點的故障一般為瞬時性，電弧會多次重復(fù)熄滅與點燃的過程，其故障相電壓受到劇烈擾動[7]；永久性故障是有效接地，故障電流能夠在短時間內(nèi)對地釋放，弧光放電隨之迅速結(jié)束。輸電線路單相接地故障發(fā)生的時刻到為線路配備的保護(hù)裝置動作前這段時間，系統(tǒng)電源、工作線路、與故障點存在電氣聯(lián)系的地面這三者之間連接為故障回路，輸電系統(tǒng)作為一種電氣連接，始終存在于故障點處。由于一次電弧由輸電系統(tǒng)不間斷地支持燃燒，因此，故障一次電弧的電壓幅度會很大，弧長也比較穩(wěn)定。這樣的算式可以表示一次電弧具有的動態(tài)特性： ?gp?t式(2-1)中，Tp、Gp、gp分別代表時間常數(shù)，以及一次電弧的穩(wěn)態(tài)電導(dǎo)常量、動態(tài)電導(dǎo)變量。其中，一次電弧穩(wěn)態(tài)電導(dǎo)常量Gp，是一定路程的一次電弧Gp=iVplp 相關(guān)實驗表明，一次電弧的伏安特性曲線類似于磁滯特性曲線。在電弧電流介于1.4×103A~2.4×104A之間，電弧電壓Vp的平均梯度大約為1500V/m，其余的技術(shù)參數(shù)都是常量，這包括時間常數(shù)Tp與一次電弧的電弧長度lp。時間常數(shù)TpTp=α?iplp 式(2-3)中，α是一個比例系數(shù)，近似于2.85×105；ip是一次電弧的電流峰值輸電線路安裝的保護(hù)裝置動作之后，進(jìn)入二次電弧放電階段，此時系統(tǒng)電源和故障相失去了直接電氣聯(lián)系。支持弧光放電繼續(xù)燃燒的電源，從輸電系統(tǒng)對地相電壓改為，變?yōu)槭欠癜l(fā)生故障的相之間的耦合線電壓，故而從電壓幅值來看，二次電弧小于一次電弧，但是仍然高于電弧的重燃電壓，因而會出現(xiàn)二次電弧反復(fù)熄滅、點燃的現(xiàn)象，直至電壓降得足夠低[8]。同時，二次電弧的弧長也會隨時間推移增長，這樣，電弧的重燃電壓也會不斷增高。直至電弧的重燃電壓高于故障點的電位差，二次電弧才會完全熄滅。若故障是永久性，由于是有效接地，耦合電壓迅速釋放，所以二次電弧放電階段可以忽略。二次電弧與一次電弧差異很大，且隨時間變化的動態(tài)特性更為復(fù)雜。電弧電流極大值Is、電弧時變電導(dǎo)量gs、電弧比例常系數(shù)β、電弧穩(wěn)態(tài)電導(dǎo)量Gs、電弧電位梯度量Vs、電弧時間常量Ts、電弧持續(xù)時段ts、動態(tài)電弧弧長Ls、電弧電流絕對值量i等?gs?t=Gs-gsTsGs=iVsLs(trTs=βIs1.4Ls(tr) Vs=75Is-0.4V/cm 二次電弧的熄滅或者重燃的狀態(tài)取決于弧道的能量平衡狀態(tài)。若電弧消散時損失的能量少于電弧弧道導(dǎo)入的能量，則電弧的燃燒狀態(tài)可以保持；若電弧消散時損失的能量多于電弧弧道導(dǎo)入的能量，電弧才會熄滅[9]。二次電弧的重燃電壓也是隨時間動態(tài)變化的。動態(tài)電位梯度νr(tr)νt(tr)=h[5+1620Thtr-Te=0(tVr=νrtr×Ls(上面的三個式子中，Vr代表二次電弧的重燃電壓、Ls(tr)二次電弧的長度一般是一個隨時間增加的動態(tài)值。其拉長的速度、方向等要素取決于風(fēng)這樣的環(huán)境因素，以及電弧處離子與周圍空氣的對流。對二次電弧進(jìn)行高速攝影，通過采集的實驗數(shù)據(jù)擬合風(fēng)速在0~1m/s范圍內(nèi)，(2-11)為列出的電弧弧長與時間長度兩者的關(guān)系表達(dá)式。Ls(tr)L0=1(2.2故障相電壓特性分析輸電線路在兩端并聯(lián)電抗器的作用是：抵消線路上的容性無功功率、補償電路的潛供電流、抑制系統(tǒng)網(wǎng)絡(luò)的工頻過電壓以及縮短電弧的熄弧時間。下面列出線路拓?fù)鋱D，其中的中性點小電抗器采用星形接法。C0為對地電容，Cm為相間電容。輸電線路發(fā)生瞬時性單相接地故障的時候，故障相端電壓包含兩部分耦合電壓，分別由電容和電磁因素引起。圖2-1雙端均附帶星形接法并聯(lián)電抗器的輸電線路故障示意為了方便運算，可以將如上圖所示的星形接法改為環(huán)形接法，如圖所示。其中L0i是對地等效電感、Lmi是相間等效電感、i表示線路并聯(lián)電抗器組的數(shù)目。輸電線路發(fā)生瞬時性單相接地故障的時候，故障相端電壓包含兩部分耦合電壓，分別由電容和電磁因素引起。圖2-2電抗器轉(zhuǎn)換為環(huán)形接法時的輸電線路故障示意對電感做等效變換，其中Lmi是相間等效電感，L0i是相對地等效電感，i表示線路上并聯(lián)的電抗器組數(shù)目。Lmi=LiLni(3Lni+圖2-3電容因素造成的耦合電壓計算等效電路根據(jù)等效電路計算故障斷開相的電容因素造成的耦合電壓：Uy=(UB+UC)jXjX0=j高壓輸電線路故障相的故障信號之中，電容因素造成的耦合電壓也想關(guān)于并聯(lián)電抗器的補償度。一般而言，采用欠補償，也就是補償電抗器補償?shù)碾姼兄敌∮谌缟嫌嬎愕贸龅腢y。若是采用全補償?shù)难a償方式，X電磁因素造成的耦合電壓，主要相關(guān)于輸電線路長度，單位長度故障線路上的電磁因素造成的耦合電壓的計算方法為：Ux=IB+I式中(2-15)，I0為零序電流；Zm為單位長度線路的互感阻抗；Z0、Z1分別為單位長度線路的零序阻抗與正序阻抗。因此總長度為UxL=Ux?l 輸電線路發(fā)生瞬時性單相接地故障的時候，故障相端電壓有效接地，此時故障相端電壓幅值與故障位置、過渡電阻RF的大小以及非故障相的負(fù)荷電流等因素相關(guān)[11]。當(dāng)過渡電阻RF為零，即線路發(fā)生近乎短路的金屬性接地，此時故障相對地電容中儲存的能量因不斷放電迅速衰減至零。因而可認(rèn)為，金屬性接地的永久性故障，電容耦合電壓為零，不必納入考慮，只考慮電磁耦合電壓。故障發(fā)生位置也會對故障相端電壓產(chǎn)生影響[12]。當(dāng)過渡電阻RF不為零，此時故障相電容對地不會放電。這種情況下，分析故障相端電壓就要同時計入電容和電磁兩種因素造成的耦合電壓。對于長度為l的輸電線路，故障發(fā)生位置點與線路首端重合閘裝置的距離為s，線路首端電壓可以表示為：EQ\*jc2\*hps10\o\ad(\s\up9(?),U)xm=x?s (2-17)線路末端電壓可表示為：EQ\*jc2\*hps10\o\ad(\s\up9(?),U)xn=-EQ\*jc2\*hps10\o\ad(\s\up9(?),U)x?(l-s) (2-18)圖2-4電容因素造成的耦合電壓在附帶過渡電阻時的計算等效電路根據(jù)等效電路，在有過渡電阻RF時，對故障斷開相的電容因素造成的耦合電壓UUyR=IB+IC?其中，k=UyIB+IC=X0在非金屬性的永久性單相接地故障之中，電磁因素造成的耦合電壓同時受到：過渡電阻RF由線路故障相首末端電壓表達(dá)式可以看出，當(dāng)發(fā)生的故障為金屬性接地的永久性故障的時候，故障發(fā)生位置、電磁因素造成的耦合電壓這兩個因素都會對影響到故障相端電壓。當(dāng)過渡電阻RF不為零，故障相電容不再對地放電，這種情況下分析故障相電壓特征時，就要同時考慮電容因素和電磁因素造成的耦合電壓。根據(jù)上述非金屬性的永久性單相接地故障發(fā)生時，電容因素造成的耦合電壓計算公式(2-19)與(2-20)可知，過渡電阻RF與電容耦合電壓在數(shù)值上呈正相關(guān)。在非金屬性的永久性單相接地故障中，過渡電阻RF和故障發(fā)生位置兩個因素同時影響電磁因素造成的耦合電壓。工程中，對并聯(lián)在輸電線路上的電抗器一般采用全補償?shù)男问剑藭r線路中的導(dǎo)納近似為0，分析電磁因素造成的耦合電壓的影響因素時，只需考慮過渡電阻RF。對于長度為l的輸電線路，故障發(fā)生位置與線路首端重合閘裝置的距離為s，則設(shè)a=sl，圖2-5電磁因素造成的耦合電壓在附帶過渡電阻時的計算等效電路根據(jù)等效電路圖在有過渡電阻RF時，計算斷開故障相電磁因素造成的耦合電壓UUxm=UxL[Xm1=2XC0根據(jù)斷開故障相電磁因素造成的耦合電壓Uxm的計算公式，可知當(dāng)故障發(fā)生在線路中點時，即此時a=0.5，故障點兩端的電路參數(shù)相等，兩端流過的電流幅值相等、方向相反，流過過渡電阻的電流為0，這種情況下，過渡電阻大小不會影響線路兩端的電壓，即Uxm=UxL2；當(dāng)線路首端（m端）發(fā)生故障的時候，a=0，Uxm與RF在數(shù)值上呈正相關(guān)；當(dāng)線路末端（n端）發(fā)生故障的時候，電磁耦合電壓受過渡電阻和發(fā)生故障位置兩個因素影響。輸電線路的并聯(lián)電抗器在工程上一般采用全補償?shù)姆绞?，因此線路中導(dǎo)納接近于零，分析電磁耦合電壓時只需考慮過渡電阻的影響。當(dāng)故障點靠近線路首端，情況與電筒耦合電壓相同，過渡電阻在數(shù)值上與電磁耦合電壓在數(shù)值上呈正相關(guān)。當(dāng)故障點靠近線路首端，則恰恰相反，過渡電阻在數(shù)值上與電磁耦合電壓在數(shù)值上呈正相關(guān)。2.3故障模型的搭建與仿真本文采用ATP-EMTP搭建與仿真故障電弧模型和輸電線路模型。ATP能夠有效模擬電力系統(tǒng)以及電力網(wǎng)絡(luò)暫態(tài)特性的各種情況，且具有能夠兼容多種軟件的強大拓?fù)涔δ?。ATP的特點即在于，功能全、仿真貼合度高等特點，在可以轉(zhuǎn)化為電路求解的一切技術(shù)問題的計算中，諸如電力系統(tǒng)過電壓分析、絕緣配合、繼電保護(hù)模擬、諧波和電能質(zhì)量研究、高壓直流和柔性交流輸電系統(tǒng)的模擬之中得到廣泛應(yīng)用[13]。在ATP-Draw界面搭建本文提到的輸電線路故障模型。ATP-Draw是ATP中專用于處理圖像的程序。在支持多重窗口的同時提供多種編輯工具給用戶。ATP-Draw內(nèi)的LCC模塊可以非常真實地對電纜與架空線路進(jìn)行模擬，同時考慮集膚效應(yīng)、頻率相關(guān)特性以及線路換位操作。另有MODELS與TACS兩個模塊用于搭建故障電弧模型。TACS模塊控制能力強大，可以提供子程序接口給各種控制模塊，從而建立諸多數(shù)學(xué)模型。輸出自系統(tǒng)模型的量值，即可作為變量輸入TACS控制系統(tǒng)，反之亦然。因而，對系統(tǒng)中各種輸入與輸出量值的控制得以實現(xiàn)。MODELS是一種用于分析時變系統(tǒng)的編程語言，靈活性強大，用戶的任意定義控制元件和電路元件的需求均能得到滿足，元件起始狀態(tài)的建立以及運行過程均能得到清洗描述。對于ATP軟件的使用有非常重要的一點，那就是初始條件的設(shè)置必須正確，可以根據(jù)科學(xué)技術(shù)經(jīng)驗人為設(shè)置，或者由計算程序利用穩(wěn)態(tài)向量求解法自行確定[14]。一次電弧時變電導(dǎo)的計算，可以通過在MODELS控制模塊中對電弧的數(shù)學(xué)模型的編程來完成。用電導(dǎo)值作為TYPE91型TACS可控電阻模塊的輸入對時變的電弧等效電阻進(jìn)行模擬[15]。圖2-6一次電弧的ATP-EMPT模型與一次電弧相同，根據(jù)MODELS模塊程序的編寫，以及TAC模塊的邏輯控制構(gòu)造斷路器跳開之后的二次電弧模型。圖2-7二次電弧的ATP-EMPT模型如拓?fù)鋱D所示，搭建一條750KV的超高壓輸電線路模型。輸電線路的參數(shù)為：R1=26.63mΩ/km、R0=0.1572Ω/km、L1=0.9056mH/km、L0=1.9455mH/km、C1=0.01327μF/km、C0=0.01006μF/km、Zm=(150+j180)Ω、Zn=(150+j300)Ω、Z1m=(10+j3000)Ω、Z1n=(1+j300)Ω、Z2m=(20+j6000)Ω、Z2n=0Ω。圖2-8輸電線路模型1）運用這樣的ATP-EMPT仿真軟件，模擬輸電線路單項瞬時性接地故障，并且構(gòu)建仿真模型。再設(shè)置故障數(shù)據(jù)：故障發(fā)生于50ms時刻，兩端斷路器在100ms時刻完成保護(hù)跳閘動作。發(fā)生瞬時性故障的時候，由于電弧反復(fù)重燃，設(shè)為持續(xù)10個工頻周期(也就是0.2秒)，則電弧熄滅時間為300ms時刻，重合閘時間為800ms時刻。以A相為故障相，選取不同過渡電阻的阻值和不同的故障點進(jìn)行仿真。運用ATP/EMTP軟件仿真對輸電線路的單相接地永久性故障。圖2-9瞬時性單相接地短路故障模型2）運用這樣的ATP-EMPT仿真軟件，模擬輸電線路單項永久性接地故障，并且構(gòu)建仿真模型。圖2-10永久性單相接地短路故障模型可以從圖中看出，相比于瞬時性故障，仿真模擬永久性故障電弧變化規(guī)律，只需要用到一個MODELS模塊。所有仿真均設(shè)置故障相為A相，故障發(fā)生于50ms時刻，100ms時刻兩端斷路器完成動作。并且選取不同的過渡電阻與故障發(fā)生點的組合分別進(jìn)行仿真。分析仿真結(jié)果，設(shè)置不同的故障發(fā)生位置與過渡電阻值的組合，分別仿真瞬時性和永久性兩種故障。（1）線路首端與末端分別發(fā)生瞬時性的、接地電阻為50Ω的非金屬性瞬時單相接地故障與無視接地電阻的金屬性瞬時單相接地故障。左：故障相端電壓波形右：二次電弧放電階段電壓波形圖2-11輸電線路末端發(fā)生接地電阻為50Ω的瞬時非金屬性單相接地故障電壓波形左：故障相端電壓波形右：二次電弧放電階段電壓波形圖2-12輸電線路末端發(fā)生無視接地電阻的瞬時金屬性單相接地故障電壓波形左：故障相端電壓波形右：二次電弧放電階段電壓波形圖2-13輸電線路首端發(fā)生接地電阻為50Ω的瞬時非金屬性單相接地故障電壓波形左：故障相端電壓波形右：二次電弧放電階段電壓波形圖2-14輸電線路首端發(fā)生無視接地電阻的瞬時金屬性單相接地故障電壓波形（2）線路首端與末端分別發(fā)生永久性的、接地電阻為50Ω的非金屬性單相接地故障與無視接地電阻的金屬性單相接地故障。左：故障相端電壓波形右：二次電弧放電階段電壓波形圖2-15輸電線路末端發(fā)生接地電阻為50Ω的永久非金屬性單相接地故障電壓波形左：故障相端電壓波形右：二次電弧放電階段電壓波形圖2-16輸電線路末端發(fā)生無視接地電阻的永久金屬性單相接地故障電壓波形左：故障相端電壓波形右：二次電弧放電階段電壓波形圖2-17輸電線路首端發(fā)生接地電阻為50Ω的瞬時非金屬性單相接地故障電壓波形左：故障相端電壓波形右：二次電弧放電階段電壓波形圖2-18輸電線路首端發(fā)生無視接地電阻的瞬時金屬性單相接地故障電壓波形按照二次電弧的定義來看，0.1s~0.3s之間為二次電弧放電階段，由于電弧反復(fù)重燃產(chǎn)生大量高頻分量，故障相端電壓發(fā)生明顯畸變；0.3s~0.8s為恢復(fù)電壓階段，故障相端電壓出現(xiàn)拍頻現(xiàn)象。發(fā)生瞬時性單相接地故障的時候，因為接地電阻值與故障發(fā)生位置不同，故障線路首端電壓在一次電弧放電階段和斷路器斷開后4個周期內(nèi)差異較大，之后受故障發(fā)生位置和過渡電阻值的影響較小。為了避免斷路器斷開時暫態(tài)電壓的影響，采集4個工頻周期（80ms）過后的故障電壓信號作為后續(xù)研究的樣本數(shù)據(jù)。發(fā)生永久性故障的時候，接地電阻值和故障發(fā)生位置對故障相端電壓的影響更為顯著。尤其是在故障線路金屬性接地的時候，故障電流快速釋放，故障線路首端與大地的電位相同(也就是0)電壓因而快速衰減至0。在斷路器做出保護(hù)動作的過程中，故障相端電壓的差異很大。斷路器完全斷開后，故障電壓的幅值幾乎為0，可近似為只含工頻分量[16]。所以為了適用于故障研究，樣本數(shù)據(jù)應(yīng)該采集4個工頻周期過后的故障電壓信號。3基于LMD-SE的輸電線路故障特征提取方法需要適當(dāng)?shù)姆椒?，來提取足以表征故障性質(zhì)的可信特征量。一種思路是局部均值分解方法（LMD），可以自適應(yīng)地處理非線性、非平穩(wěn)信號，可用于時頻分析輸電線路單相接地故障電壓。樣本熵（SE）是另一個思路，只需少量數(shù)據(jù)即可定量分析出來時間序列數(shù)據(jù)的自相似性和復(fù)雜性程度。為了讓系統(tǒng)運行得更加穩(wěn)定，并且擴(kuò)充系統(tǒng)輸送容量、改善線路電壓指標(biāo)，無功補償裝置一般會以串聯(lián)方式安裝在高壓輸電系統(tǒng)之中。依然采用第2章建立的輸電線路單相接地故障模型，仿真不同故障位置、故障性質(zhì)、過渡電阻的單相接地故障。以典型故障接地電阻值為參考(見下表所示)，選取接地故障過渡電阻值。表3-1典型故障接地過渡電阻阻值編號故障原因過渡電阻I樹障76.74ΩII吊車1.10ΩIIV飛行生物0.45ΩIV雷電0.42Ω為了規(guī)避采集的樣本信號受到跳閘瞬間產(chǎn)生的暫態(tài)分量干擾，采用斷路器斷開4個工頻周期后，即180ms~300ms時段的故障相電壓信號。故障點位置分別設(shè)置在線路首端、線路四分之一處、線路中點、線路四分之三處、線路尾端；本文過渡電阻分別從0~100Ω取值，每個實驗重復(fù)5次，每種性質(zhì)的故障各取一遍，總計1010組信號數(shù)據(jù)。運用局部均值分解方法，分解上述得到的故障信號，在線路末端，分別發(fā)生金屬性故障和有過渡電阻的非金屬性故障的分解結(jié)果如圖所示。觀察分解結(jié)果可知，經(jīng)過局部均值分解，故障信號分解出多個乘積函數(shù)分量，且每個分量按照頻率的降序排列排序。即PF1是頻率最高的一組。將分解后獲取的各個PF分量累加，就可以獲取完整的原始信號信息。因此原始信號的特征信息，分散于分解后的各個分量之中。從局部均值分解圖中可以得知，瞬時性故障信號要比永久性故障信號含有更多頻率成分。且瞬時性故障信號的各PF分量之間的頻率特征存在明顯差異，而永久性故障信號的各PF分量之間的頻率特征近乎單一。這與之前章節(jié)分析出的，線路瞬時性故障電壓含有大量高頻諧波分量，線路永久性故障電壓主要為基波分量這樣的特征非常相符。這體現(xiàn)了分解局部均值提取特征信息的準(zhǔn)確。左：無視接地電阻右：接地電阻為100Ω圖3-1瞬時性故障信號的LMD分解結(jié)果左：無視接地電阻右：接地電阻為100Ω圖3-2永久性故障信號的LMD分解結(jié)果根據(jù)局部均值分解的結(jié)果，可以看出故障信號的特征信息，主要集中于3個分量之中，分別記為PF1、PF2、PF3，計算它們的SE值，作為表征故障性質(zhì)的故障信號特征量。為了在驗證SE度量信號的自相似程度抑或復(fù)雜程度時，不依賴數(shù)據(jù)長度，分別選取180ms~260ms和180ms~300ms兩個時間段的數(shù)據(jù)求取SE。表3-2瞬時性故障SE值接地電阻故障位置180ms~260ms180ms~300msPF1PF2PF3PF1PF2PF30Ω首端0.70720.44960.11310.74040.04440.0995中點0.85470.49430.07020.90470.48520.0949末端0.63060.53840.08380.60050.50440.107950Ω首端0.69470.45130.09620.66300.39540.0635中點0.60140.37190.01290.60830.40620.0275末端0.62000.42630.22860.58130.46190.1976100Ω首端0.64510.37000.01430.56910.40990.0183中點0.53180.33200.23330.48450.32780.1732末端0.61150.40380.08450.53160.43980.0750圖3-3不同長度數(shù)據(jù)的PF分量SE將不同時間段測得的兩組相同分量數(shù)據(jù)進(jìn)行對比，可以發(fā)現(xiàn)兩組數(shù)據(jù)的局部均值分解SE十分相近，符合前述的畸變丟失三分之一的數(shù)據(jù)，也不會明顯影響到SE值的計算結(jié)果的結(jié)論。因此，可以選取180ms~260ms時段的數(shù)據(jù)作為樣本，這樣可以減少40ms的采樣時間，在時間上可以讓重合閘盡快動作（在發(fā)生故障為瞬時性的情況下，盡快恢復(fù)可以自動恢復(fù)的故障）。1）逐個地將樣本的三個PF分量SE值進(jìn)行求和，并進(jìn)行故障自動恢復(fù)性質(zhì)識別。兩種自動恢復(fù)性質(zhì)的故障的SE值之和雖然存在差異，但是極端情況下（故障發(fā)生在線路兩端的金屬性接地故障）的區(qū)分度不夠明顯。圖3-4按照SE植和識別故障自動恢復(fù)性質(zhì)2）用樣本的單個PF分量熵值進(jìn)行故障自動恢復(fù)性質(zhì)識別。PF1分量的SE植在故障自動恢復(fù)性質(zhì)不同的情況下，卻幾乎沒有區(qū)分度；PF2分量的SE值在故障自動恢復(fù)性質(zhì)不同的情況下，雖然有一定的區(qū)分度，但也有區(qū)分度下降的極端情況；PF2分量的SE值在故障自動恢復(fù)性質(zhì)不同的情況下，同樣無法清晰區(qū)分兩種自動恢復(fù)性質(zhì)不同的故障。因此，利用單個PF分量SE值，不易表征并區(qū)分單相接地故障的自動恢復(fù)性質(zhì)。圖3-5按照單個PF分量SE值識別故障自動恢復(fù)性質(zhì)3）用樣本的兩個PF分量SE值作為二維圖的縱橫坐標(biāo)，繪制散點圖來識別故障性質(zhì)。如PF1和PF2，雖然可以區(qū)分出故障性質(zhì)，但是極端情況下區(qū)分度趨于下降；PF1和PF3的SE繪制的散點圖，則幾乎不能對兩種性質(zhì)的故障做出區(qū)分；PF2和PF3的SE值繪制的散點圖雖然對不同性質(zhì)的故障做出了區(qū)分，但是一部分情況下區(qū)分不清晰。因此，利用兩個PF分量SE值，是不能完全表征故障性質(zhì)的，不能對故障性質(zhì)做出清晰區(qū)分。在這種情況下，兩種故障性質(zhì)雖然得以區(qū)分，但是極端情況的影響依然存在，而且三維空間中的區(qū)分度難以描述。圖3-6按照兩個PF分量SE植的分布關(guān)系識別故障自動恢復(fù)性質(zhì)4）用樣本的三個PF分量SE值，組成右手空間直角坐標(biāo)系，繪制散點圖，用于識別故障性質(zhì)。利用三個PF分量的SE值的確可以較為明確地區(qū)分兩種故障性質(zhì)，但極端情況的影響依然存在。且三維空間中的區(qū)分度明顯不如二維平面中的那樣便于描述。圖3-7利用三個PF分量的SE值組成右手空間直角坐標(biāo)系并識別故障自動恢復(fù)性質(zhì)也就是說，利用三個PF分量的SE值對兩種故障性質(zhì)的區(qū)分度最好；但是對三個PF分量采用直接求和或者組成三維坐標(biāo)這樣復(fù)雜的處理方式，極端情況對區(qū)分效果的影響仍然無法避免。因此，考慮將前3個PF分量的SE組成特征向量X=[SpEn1，SpEn2，SpEn3]然后利用人工智能算法的自學(xué)習(xí)能力找出兩種故障向量特征的劃分界限，進(jìn)行故障性質(zhì)識別。表3-3不同性質(zhì)故障的LMD-SE特征值4輸電線路單相接地故障性質(zhì)識別方法4.1BP神經(jīng)網(wǎng)絡(luò)的輸電線路單相接地故障性質(zhì)識別方法4.1.1BP神經(jīng)網(wǎng)絡(luò)的原理BP神經(jīng)網(wǎng)絡(luò)的運行流程：（1）神經(jīng)網(wǎng)絡(luò)的初始化。根據(jù)工程需要，選取合適的神經(jīng)網(wǎng)絡(luò)輸入層n、隱藏層m、輸出層l，對各層間的連接權(quán)值wij、wjk及隱藏層，并初始化輸出層的閾值a與b。（2）計算隱藏層輸出結(jié)果。根據(jù)輸入向量X、隱藏層閾值a、以及網(wǎng)絡(luò)權(quán)值wij，計算隱藏層輸出值H。Hj=fi=1nwij上式中，j∈N+。f表示隱藏層的激勵函數(shù)，本文的選擇如式：fx=(1+e-x)-1（3）輸出層導(dǎo)出計算結(jié)果。根據(jù)隱藏層輸出H、輸出層閾值b、網(wǎng)絡(luò)權(quán)值wjk，計算網(wǎng)絡(luò)的輸出值O。Ok=j=1lHj（4）計算誤差。根據(jù)期望輸出Y和實際輸出O計算預(yù)測誤差ek，如式所示。ek=Yk-Ok（5）修正連接權(quán)值。對網(wǎng)絡(luò)的連接權(quán)值，使用網(wǎng)絡(luò)預(yù)測誤差ek，進(jìn)行修正。列出修正運算公式：wij'=Hj=fi=1nwij（6）修正閾值。對隱藏層和輸出層的閾值a、b，使用網(wǎng)絡(luò)預(yù)測誤差ek進(jìn)行修正，方法應(yīng)為：aj=aj+bk=bk+e結(jié)束運算。比較誤差值與誤差閾值的大小，如若已經(jīng)達(dá)到目標(biāo)，則訓(xùn)練完成。否則返回2對網(wǎng)絡(luò)繼續(xù)進(jìn)行訓(xùn)練。開始計算輸出層結(jié)果計算隱藏神經(jīng)元輸入輸出網(wǎng)格初始化開始計算輸出層結(jié)果計算隱藏神經(jīng)元輸入輸出網(wǎng)格初始化是修正閾值連接權(quán)值修正閾值連接權(quán)值誤差大于閾值計算全局誤差誤差大于閾值計算全局誤差結(jié)束結(jié)束否圖4-1神經(jīng)網(wǎng)絡(luò)運行過程的流程示意圖4.1.2設(shè)計BP神經(jīng)網(wǎng)絡(luò)使用BP神經(jīng)網(wǎng)絡(luò)分析問題時，選擇訓(xùn)練樣本，并且生成樣本庫，這是首要的事情。前文分析了故障電壓的特性，提取了故障電壓局部均值分解SE特征量，本章節(jié)選取故障電壓的特征量，作為神經(jīng)網(wǎng)絡(luò)的輸入樣本。BP神經(jīng)網(wǎng)絡(luò)能夠在函數(shù)逼近、模式分類識別、數(shù)據(jù)壓縮等領(lǐng)域得以廣泛應(yīng)用，首要原因是它具有高度自適應(yīng)和自學(xué)習(xí)的能力。對BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，拓?fù)浣Y(jié)構(gòu)和訓(xùn)練參數(shù)的選擇有著決定性的影響。最優(yōu)選擇往往要通過結(jié)合工程實際應(yīng)用并逐步嘗試修正的方法才能實現(xiàn)?，F(xiàn)有階段，隱含層神經(jīng)元數(shù)量按照經(jīng)驗選取。主要有以下兩條：第一條提出于1987年，設(shè)N為輸入層神經(jīng)元數(shù)目，則隱含層應(yīng)該含有(2N+1)個神經(jīng)元；第二條提出于1986年，設(shè)H為隱藏層神經(jīng)元的數(shù)目、T為輸入訓(xùn)練模式數(shù)，則以H=lgT估算相應(yīng)數(shù)據(jù)[26-27]?，F(xiàn)有階段，需要選擇兩個參數(shù)：動量系數(shù)α、訓(xùn)練步長η。主要取決于使用者對神經(jīng)網(wǎng)絡(luò)穩(wěn)定性、訓(xùn)練時間以及學(xué)習(xí)速度的需求。訓(xùn)練步長相關(guān)于網(wǎng)絡(luò)收斂速度，步長越大，收斂速度越快。然而過長的訓(xùn)練步長，會降低網(wǎng)絡(luò)學(xué)習(xí)過程的穩(wěn)定性，一旦步長太短，就會顯著增加迭代次數(shù)，使得網(wǎng)絡(luò)訓(xùn)練時間變長，無法保障網(wǎng)絡(luò)誤差值趨于最小誤差值。所以，為了保證系統(tǒng)的穩(wěn)定性，一般選擇1×10-2~8×10-1。引入訓(xùn)練步長，雖然會加快網(wǎng)絡(luò)收斂速度，但是有可能會使得學(xué)習(xí)過程中，出現(xiàn)振蕩現(xiàn)象。所以為了抑制震蕩，向算法中再引入動量系數(shù)，取值區(qū)間為(0,1)。4.1.3基于BP神經(jīng)網(wǎng)絡(luò)的單相接地故障識別結(jié)果本文的BP神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)：輸入層、隱藏層、輸出層。其中，輸入層神經(jīng)網(wǎng)絡(luò)的節(jié)點數(shù)目為3個，分別為三個乘積函數(shù)分量的SE值；輸出層神經(jīng)網(wǎng)絡(luò)的節(jié)點數(shù)目為1個，表示故障性質(zhì)。用代碼表示故障性質(zhì)，并設(shè)定：向量[1]表示永久性，向量[0]表示瞬時性。依據(jù)上文經(jīng)驗，確定隱含層節(jié)點數(shù)目為2×3+1=7個。訓(xùn)練誤差閾值設(shè)為1×10-3。前面章節(jié)中，通過EMPT高壓交流線路模型仿真實驗、并對故障相電壓波形進(jìn)行LMD和SE計算，一共得到了1010個包含故障有效信息的樣本向量，其中瞬時性故障和永久性故障各505個樣本。隨機從總樣本中選取810個樣本，編成用于訓(xùn)練的樣本集，其余200個樣本再編成一個樣本集，作為對于神經(jīng)網(wǎng)絡(luò)識別性能的測試。由于初始值是隨機產(chǎn)生的，所以每次BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試結(jié)果均有微小差異，所用時間穩(wěn)定在大約500ms，測試集識別準(zhǔn)確率達(dá)到了99%。圖4-2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意及其訓(xùn)練結(jié)果雖然設(shè)定的訓(xùn)練次數(shù)為一千次，訓(xùn)練完成后，誤差精度達(dá)到3.73×10-4。但是在經(jīng)過4次訓(xùn)練，輸出系統(tǒng)就達(dá)到了預(yù)期的目標(biāo)。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，每用訓(xùn)練樣本訓(xùn)練一次，系統(tǒng)會自動向神經(jīng)網(wǎng)絡(luò)輸入驗證樣本數(shù)據(jù)進(jìn)行驗證，在輸入驗證樣本數(shù)據(jù)后可獲取一個輸出誤差。系統(tǒng)根據(jù)設(shè)置的步長數(shù)值，判斷得到的誤差是否還會降低[29]。如果誤差并未出現(xiàn)下降的趨勢，甚至出現(xiàn)上升的趨勢，那么意味著訓(xùn)練樣本數(shù)據(jù)訓(xùn)練的誤差已經(jīng)無法降低，因而訓(xùn)練停止，防止神經(jīng)網(wǎng)絡(luò)陷入過度學(xué)習(xí)。圖4-3BP算法標(biāo)準(zhǔn)差與訓(xùn)練次數(shù)的關(guān)系圖4-4BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練狀態(tài)數(shù)值圖4-4中，Gradient標(biāo)識誤差曲面的梯度，Mu表明了網(wǎng)絡(luò)訓(xùn)練函數(shù)trainlm的性質(zhì)，而ValidationChecks含義非常復(fù)雜。本文使用的MATLAB設(shè)置為ValidationChecks=0。比較神經(jīng)網(wǎng)絡(luò)的輸出值和理論輸出值，可以看出BP神經(jīng)網(wǎng)絡(luò)對輸電線路單相接地故障自動恢復(fù)性質(zhì)的識別結(jié)果非常準(zhǔn)確，也就是說識別輸電線路單相接地故障自動恢復(fù)性質(zhì)的誤差非常小。網(wǎng)絡(luò)的誤差收斂極快，說明由LMD-SE建立的故障特征模型非常簡單，便于快速識別輸電線路單向接地故障的自動恢復(fù)性質(zhì)。在1010組故障信號樣本數(shù)據(jù)中，瞬時性和永久性各提供505組樣本數(shù)據(jù)，并且數(shù)據(jù)根據(jù)來源分別為線路的首端、四分之一處、中間處、四分之三處、末端所五等分。對兩種故障在不同位置的樣本數(shù)據(jù)進(jìn)行訓(xùn)練與測試。神經(jīng)網(wǎng)絡(luò)輸入為不同自動恢復(fù)性質(zhì)故障在不同位置的各101組樣本數(shù)據(jù)，共202組樣本數(shù)據(jù)。隨機選取180組樣本數(shù)據(jù)組成用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集，22組樣本數(shù)據(jù)組成用于測試訓(xùn)練結(jié)果的數(shù)據(jù)集。進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試，并計算誤差結(jié)果。表4-1訓(xùn)練樣本輸出訓(xùn)練樣本BP輸出理論輸出瞬時性故障1.007711.01951.01941.00981.00891.02041.00821.00641.01861.02121.01971.02021.00821.0144永久性故障0.022800.10990.0395-0.0026-0.00180.01380.01190.00200.04480.0353-0.00350.03070.02380.0156表4-2測試樣本輸出測試樣本BP輸出理論輸出瞬時性故障1.017111.00820.98651.01081.00671.02011.01041.00971.01881.01680.99451.02541.03001.0118永久性故障0.044900.00210.00610.01210.02440.10580.0779-0.00770.02620.01970.00220.0263表4-3樣本故障位置不同情況下的訓(xùn)練誤差永久瞬時線路首端線路14線路中點處線路34線路尾端線路首端2.92×10-33.15×10-32.16×10-38.5×10-49×10-4線路147.1×10-42.5×10-45.5×10-48.8×10-37.6×10-4線路中點處6×10-41.21×10-38.3×10-47×10-43.3×10-4線路342.4×10-46.1×10-41.08×10-31.09×10-34.5×10-4線路尾端3.1×10-41.1×10-38.3×10-41.11×10-38.7×10-4結(jié)果顯示：雖然兩種故障在故障位置不同的情況下，訓(xùn)練誤差有所差異，但都滿足誤差精度的要求，對故障的自動恢復(fù)性質(zhì)的識別都足夠準(zhǔn)確。4.2卷積神經(jīng)網(wǎng)絡(luò)的輸電線路單相接地故障性質(zhì)識別方法4.2.2設(shè)計卷積神經(jīng)網(wǎng)絡(luò)第一種是時間——電壓信號歸一化處理。構(gòu)成一個276×2的矩陣，也可以理解為一個276×2像素大小的圖像。第二種是先將時間——電壓信號歸一化處理，再以時間和電壓作為平面直角坐標(biāo)系的兩個坐標(biāo)軸，以電壓幅值為像素點填充，構(gòu)成224×224的一個灰度圖。每組數(shù)據(jù)作為一個灰度圖，輸入卷積神經(jīng)網(wǎng)絡(luò)。圖4-5故障為瞬時性圖4-6故障為永久性對于第一種預(yù)處理方式得到的276×2的像素矩陣，只需要設(shè)計具有1個卷積層的單層網(wǎng)絡(luò)；而對于第二種預(yù)處理方式得到的224×224圖像，可以設(shè)計具有多個卷積層的神經(jīng)網(wǎng)絡(luò)?？紤]到本文的樣本圖像相對簡單，以及卷積神經(jīng)網(wǎng)絡(luò)在圖像處理方面的強大功能，應(yīng)該設(shè)計3層卷積神經(jīng)網(wǎng)絡(luò)。確定網(wǎng)絡(luò)結(jié)構(gòu)之后就要激活函數(shù)。激活函數(shù)是為了增加卷積神經(jīng)網(wǎng)絡(luò)的非線性。否則，卷積神經(jīng)網(wǎng)絡(luò)在沒有激活函數(shù)的情況下相當(dāng)于每層矩陣相乘，每一層輸出都相當(dāng)于上一層輸入的線性函數(shù)，就算很多個隱藏層疊加起來也只是復(fù)雜的矩陣相乘，輸出始終是輸入的線性組合，與沒有隱藏層的效果相同。所以激活函數(shù)也是卷積神經(jīng)網(wǎng)絡(luò)運行過程中的重要一環(huán)。以下列舉兩種可以激活的函數(shù)：(1)tanh激活函數(shù)：fx=tanhx，一個飽和激活函數(shù)。當(dāng)x>1(2)Relu激活函數(shù)：fx=max(0,x)，一個非飽和激活函數(shù)。作為現(xiàn)今大多數(shù)卷積神經(jīng)網(wǎng)絡(luò)激活函數(shù)的選擇，Relu函數(shù)會將小于零的函數(shù)值變?yōu)?。這樣的處理使得網(wǎng)絡(luò)在接受訓(xùn)練后仍然具有適度的稀疏性。圖4-7tanh激活函數(shù)及其導(dǎo)數(shù)圖4-8relu激活函數(shù)及其導(dǎo)數(shù)由于Relu激活函數(shù)在識別率和用時方面都優(yōu)于tanh激活函數(shù)，故本文采用Relu激活函數(shù)。亦可構(gòu)想多層卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計。設(shè)計具有三個卷積層的卷積神經(jīng)網(wǎng)絡(luò)，共有9層結(jié)構(gòu)：1個輸入層，隨后排列了3對卷積層與池化層、1個全連接層、1個輸出層。如表所示：圖4-9不同激活函數(shù)的識別結(jié)果表4-4多層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)層序號類型卷積核池化方式步長1輸入層2卷積層13×313子采樣層12×2極值池化14卷積層23×315子采樣層22×2極值池化16卷積層33×317子采樣層32×2極值池化18全連接層9輸出層3組卷積層與子卷積層中，卷積層對輸入圖像進(jìn)行卷積操作時的卷積步長均為1個像素，池化層均選擇極值池化。第1個卷積層使用采用4個3×3的卷積核，得到4個224×224的卷積結(jié)果，第1個池化層采樣窗口為2×2，輸出4個112×112的池化結(jié)果；第2個卷積層采用8個3×3的卷積核，得到8個112×112的卷積結(jié)果，第2個池化層采樣窗口為2×2，輸出64個56×56的池化結(jié)果；第3個卷積層采用16個3×3的卷積核，得到16個56×56的卷積結(jié)果，第3個池化層的采樣窗口為2×2，輸出128個28×28的池化結(jié)果[36]。全連接層將3組卷積層與池化層輸出的結(jié)果按列展開，形成特征向量，并與輸出層全連接；輸出層輸出類型判別向量。由于網(wǎng)絡(luò)更加復(fù)雜，要求更高的精度以及網(wǎng)絡(luò)收斂速度，因此選擇Relu激活函數(shù)。4.2.3卷積神經(jīng)網(wǎng)絡(luò)的單相接地故障識別結(jié)果本文采用的卷積神經(jīng)網(wǎng)絡(luò)方法可調(diào)的參數(shù)主要是訓(xùn)練的批次、尺寸，以及整個訓(xùn)練的迭代次數(shù)。改變這些參數(shù)，觀察對樣本的故障自動恢復(fù)性質(zhì)識別率和訓(xùn)練時間的影響，作為選擇最優(yōu)結(jié)果的依照。在卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中，采用梯度下降法訓(xùn)練有一個重要參數(shù)，那就是批次尺寸。在訓(xùn)練數(shù)據(jù)集合中，每次抽取相同數(shù)量的樣本進(jìn)行訓(xùn)練，這個數(shù)量值即批次尺寸，最大值可以取到與訓(xùn)練集樣本的總數(shù)相等。批次尺寸的取值會對神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間與故障識別率產(chǎn)生一定影響。圖4-10訓(xùn)練批次尺寸與故障識別率變化關(guān)系圖4-11訓(xùn)練批次尺寸與訓(xùn)練耗用時間變化關(guān)系網(wǎng)絡(luò)進(jìn)行一次全數(shù)據(jù)集的處理，所需要的迭代次數(shù)與批次尺寸取值呈負(fù)相關(guān)。增加批次尺寸的取值，不僅可以減少處理數(shù)據(jù)所需的迭代次數(shù)，同時能夠更準(zhǔn)確地確定梯度下降的方向，讓訓(xùn)練模型更快速地收斂，從而可以節(jié)省大量時間。但是如果批次尺寸取值過大，會導(dǎo)致梯度下降直至陷入局部最小，這會使得數(shù)據(jù)的擬合度降低，最后難以獲得準(zhǔn)確的訓(xùn)練結(jié)果。相反地，批次尺寸取值過小會導(dǎo)致梯度估值的準(zhǔn)確度降低，網(wǎng)絡(luò)收斂速度也會減緩，進(jìn)而增多訓(xùn)練時間。模型對樣本數(shù)據(jù)進(jìn)行一次全覆蓋訓(xùn)練需要時間成本，為了使方法性能更優(yōu)，選擇訓(xùn)練迭代數(shù)為100最佳。實驗中，識別準(zhǔn)確率達(dá)到了90.7%。圖4-12訓(xùn)練次數(shù)與故障識別率的關(guān)系示意圖4-13混淆矩陣之一：單層卷積神經(jīng)網(wǎng)絡(luò)對于多層卷積神經(jīng)網(wǎng)絡(luò)，改變一些參數(shù)例如訓(xùn)練批次，會影響對輸電線路單相接地故障自動恢復(fù)性質(zhì)識別任務(wù)的訓(xùn)練時間，但對故障識別準(zhǔn)確率沒有影響，所以不再討論。模型對樣本數(shù)據(jù)進(jìn)行一次全覆蓋訓(xùn)練需要時間成本。為了使得方法更優(yōu)，迭代次數(shù)選為50最佳。實驗中，識別準(zhǔn)確率達(dá)到了99.6%左右。圖4-14訓(xùn)練過程圖4-15混淆矩陣之二：多層卷積神經(jīng)網(wǎng)絡(luò)4.3輸電線路單相接地故障自動恢復(fù)性質(zhì)識別軟件設(shè)計故障性質(zhì)的識別方法必須在時間上滿足重合閘的要求，但是現(xiàn)在各單位應(yīng)用的計算機硬件配置水平參差不齊。針對這樣的問題，可以將本文的兩種方法在硬件配置分別為高低的兩臺計算機上進(jìn)行測試，設(shè)計一款可以根據(jù)現(xiàn)場計算機硬件配置的不同，讓用戶自行選擇識別方法的輸電線路單相接地故障自動恢復(fù)性質(zhì)的識別軟件。為了便于表述，我們將LMD-SE作為故障特征量、基于BP神經(jīng)網(wǎng)絡(luò)的識別方法簡稱為BP方法，基于CNN的識別方法簡稱CNN方法。在兩臺計算機上進(jìn)行兩種性質(zhì)故障的識別測試。

計算機代號中央處理器主存儲器規(guī)格圖形處理器計算機甲Intel酷睿i5-4210U雙核四線程4.00GBDDR31600MHzNVIDIAGeForce830M計算機乙Intel酷睿i7-8700U六核十二線程16.00GBDDR42133MHzNVIDIAGeForceRTX2060表4-5測試用計算機主要部件配置故障識別方法識別準(zhǔn)確率(%)計算機型號采集(ms)測試(ms)總識別時間(ms)CNN方法99.64甲120600720乙120200320BP方法98.97甲120100220乙12060180表4-6兩種識別方法的識別結(jié)果對比表中可以看出，BP方法對計算機配置要求低，且在兩種電腦上的總識別時間相對來說都很短，但是識別準(zhǔn)確率相對較低；CNN方法對計算機配置要求高，高配置的電腦上才可以較快運行，不過識別準(zhǔn)確率很高。因而，在滿足時間要求的基礎(chǔ)上，如果追求更高的識別準(zhǔn)確率，選擇更為精準(zhǔn)的CNN方法；如果現(xiàn)場計算機配置性能不足，選擇適用范圍更廣的BP方法。本文提出的兩種方法各有其優(yōu)缺點，具體的選擇需要考慮用戶需求與應(yīng)用現(xiàn)場的配置條件等因素。因此，為了增加本文研究的實際應(yīng)用性能，設(shè)計一款可以根據(jù)現(xiàn)場計算機硬件配置，用戶自主選擇識別方法的輸電線路單相接地故障自動恢復(fù)性質(zhì)的識別軟件。用仿真線路得到的樣本集合作為應(yīng)用于現(xiàn)場的原始數(shù)據(jù)庫，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)作為原始網(wǎng)絡(luò)。隨機選取一個樣本，在現(xiàn)場計算機上分別對兩種故障性質(zhì)識別方法進(jìn)行測試，以滿足識別時間要求為約束，選擇合適的識別方法。采集故障電氣量，用選取的方法進(jìn)行識別并輸出識別結(jié)果。每當(dāng)發(fā)生故障，將采集的故障數(shù)據(jù)作為新增添的樣本，用于更新樣本數(shù)據(jù)庫，使用更新的樣本庫對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并保存更新的神經(jīng)網(wǎng)絡(luò)。

應(yīng)用環(huán)境測試分別測試兩種方法分別測試兩種方法CNNCNN滿足時間要求故障性質(zhì)識別更新更新樣本庫采集故障電氣量否更新樣本庫采集故障電氣量更新網(wǎng)絡(luò)用BP用CNN更新網(wǎng)絡(luò)用BP用CNN神經(jīng)網(wǎng)絡(luò)識別神經(jīng)網(wǎng)絡(luò)識別確定方法確定方法識別結(jié)果識別結(jié)果圖4-16功能框圖最后來看輸電線路單相接地故障自動恢復(fù)性質(zhì)識別軟件的應(yīng)用。根據(jù)輸電線路單相接地故障性質(zhì)識別軟件的設(shè)計思路，最終實現(xiàn)的識別軟件應(yīng)用效果：圖4-17軟件初始界面圖4-18環(huán)境測試結(jié)果圖4-19BP神經(jīng)網(wǎng)絡(luò)方法識別結(jié)果圖4-20CNN方法識別結(jié)果圖4-21BP網(wǎng)絡(luò)更新與樣本庫更新結(jié)果圖4-22CNN網(wǎng)絡(luò)更新與樣本庫更新結(jié)果5結(jié)論在工作狀態(tài)下的輸電線路上，單相接地故障突然發(fā)生的時候，為了讓輸電線路自適應(yīng)重合閘的可行性能夠?qū)崿F(xiàn)，識別故障性質(zhì)的過程需要兼具快速、準(zhǔn)確兩大特點。因此本文設(shè)定了兩種方法，均與智能網(wǎng)絡(luò)技術(shù)密切結(jié)合，用于輸電線路單相接地故障性質(zhì)的識別。并取得一定的研究成果，主要為：1）在ATP軟件系統(tǒng)，搭建了模型。在故障電弧模型和750kV輸電線路模型的模擬條件下，仿真模擬了兩種輸電線路單相接地故障處于不同故障位置和過渡電阻時的情況。測試的結(jié)果顯示:斷路器動作使得線路斷開后,故障的電壓鉗位在二次光放電階段的相位中有劇烈的擾動。因此,可選取二次光放電階段的電氣量信號，檢測故障的可自動恢復(fù)性質(zhì);對于差異巨大的過渡電阻和故障發(fā)生位置，故障相端電壓的波形完全不同，因此對采用的識別方法，不同的遷移電阻和故障位置時，有必要考慮適用性。2）基于對輸電線單相接地故障的相位端子電壓特性的分析，和LMD理論和SE理論的精煉，提出了一種基于傳輸線單相接地故障LMD-SE的特征提取方法，以可靠準(zhǔn)確地提取故障二次電弧放電階段的電壓特性。所提取的LMD-SE特征量，可以表示故障可自動恢復(fù)性質(zhì)的故障位置和過渡電阻對所提取的特征有何影響：僅通過設(shè)定用于識別故障性質(zhì)的閾值就可以影響識別精度。為了識別故障的可自動回復(fù)性質(zhì)，需要智能算法。3）對于提取出的故障特征，有必要選擇用于完成故障性質(zhì)鑒定的最終任務(wù)的適當(dāng)方法。出于所提取的故障特征，受到故障位置和過渡電阻的影響，以及復(fù)雜的工作現(xiàn)場環(huán)境，設(shè)計了用于輸電線路單相接地故障性質(zhì)識別的BP神經(jīng)網(wǎng)絡(luò)，用故障信號的LMD-SE特征量作為輸入，識別輸電線路單相接地故障可自動恢復(fù)性質(zhì)。識別結(jié)果顯示:本文設(shè)計的用LMD-SE特征量作為BP神經(jīng)網(wǎng)絡(luò)輸入，實現(xiàn)單相接地故障性質(zhì)自動恢復(fù)性質(zhì)的識別，能夠準(zhǔn)確識別出單相接地瞬時性故障和永久性故障，準(zhǔn)確率達(dá)到99%;由于提取的LMD-SE特征量只有三個，BP神經(jīng)網(wǎng)絡(luò)的誤差收斂速度很快。為了滿足識別的速度要求，文中設(shè)計了單隱藏層的BP神經(jīng)網(wǎng)絡(luò)，以減少整個識別過程的所需要的計算量。4）提取額外特征會附帶故障特征信息的損失。為了排除這個干擾，本文另行提出了一種卷積神經(jīng)網(wǎng)絡(luò)算法，識別單相接地