[发明专利]一种基于B样条双稳态去噪的配电网故障选线方法

说明书

本发明涉及一种基于B样条双稳态去噪的配电网故障选线方法，该方法包括如下步骤：(1)求取优化的B样条双稳态系统势函数及4阶龙格‑库塔算法的计算步长；(2)获取配电网各线路故障后1个工频周期的零序电流作为暂态零序电流；(3)将各线路的暂态零序电流导入B样条双稳态系统势函数并采用4阶龙格‑库塔算法求解得到各线路的特征暂态零序电流；(4)对各线路的特征暂态零序电流进行互相关系数计算并获得各线路的特征极性参数；(5)将特征极性参数最小的线路确定为故障线路。与现有技术相比，本发明可在强噪声背景下的微弱信号中实现准确选线。

技术领域

本发明涉及一种配电网故障选线方法，尤其是涉及一种基于B样条双稳态去噪的配电网故障选线方法。

背景技术

目前，故障选线方法主要利用小波变换、S变换、Prony算法、Hough变换等信号处理工具提取信号，然后，采用人工神经网络、支持向量机等建立选线判据。

小波变换具有良好的时域、频域局部化特性，能提取暂态信号在不同尺度的特征，但小波变换易受噪声影响。此外，不同的小波基函数将导致不同的暂态特征提取结果。S变换可确定出零序电流的主导特征频率，并通过比较主导特征频率上各馈线零序电流的S变换能量，以实现故障选线。Prony分段拟合故障T/4周期内的暂态零序电流信号，不仅有效避开电流互感器磁密饱和对采集信号的影响，而且在一定程度上提高了Prony整体拟合精度。Hough变换在参数空间不超过2维的情况下，有优异的表现，但若参数空间增大，其计算量急剧上升，同时耗费巨大的存储空间，耗时也随之猛增。

人工神经网络具有对周围环境自学习、自适应功能，可用于处理带噪声的、不完整的数据集，但存在局部最优，训练时间较长，可靠性有限等问题。支持向量机在解决小样本、非线性及高维模式识别问题中具有优势，但识别能力易受自身参数的影响。因此，对于故障选线，特别是强噪声背景下的微弱信号故障选线，还需进一步研究。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于B样条双稳态去噪的配电网故障选线方法。

本发明的目的可以通过以下技术方案来实现：

一种基于B样条双稳态去噪的配电网故障选线方法，该方法包括如下步骤：

(1)求取优化的B样条双稳态系统势函数及4阶龙格-库塔算法的计算步长；

(2)获取配电网各线路故障后1个工频周期的零序电流作为暂态零序电流；

(3)将各线路的暂态零序电流导入B样条双稳态系统势函数并采用4阶龙格-库塔算法求解得到各线路的特征暂态零序电流；

(4)对各线路的特征暂态零序电流进行互相关系数计算并获得各线路的特征极性参数；

(5)将特征极性参数最小的线路确定为故障线路。

所述的B样条双稳态系统势函数包括三种模式下的B样条双稳态系统势函数，分别为强故障模式、中等故障模式和弱故障模式，步骤(1)中求取每种故障模式下的优化的B样条双稳态系统势函数及4阶龙格-库塔算法的计算步长。

强故障模式：该模式下暂态零序电流的峰值大于等于50A，中等故障模式：该模式下暂态零序电流的峰值大于10A且小于50A，弱故障模式：该模式下暂态零序电流的峰值大于0A且小于等于10A。

所述的B样条双稳态系统势函数为：

a_G和b_G为G故障模式下的势函数参数，s(t)+Γ(t)为导入的暂态零序电流，x_G(t)为G故障模式下待求解的特征零序电流，t为采样时刻，G＝q、m、w，G＝q时表示强故障模式，G＝m时表示中等故障模式，G＝w时表示弱故障模式。