[发明专利]基于小波求和极限学习机SW-ELM的输电线路短路故障分类与定位方法

说明书

基于小波求和极限学习机SW‑ELM的输电线路短路故障分类与定位方法，建立训练测试集，对故障检测和故障诊断算法进行训练；采集并输入三相电流差值的瞬时三相电流的差值；输入权重和偏差随机分配到sigmoid激活函数的节点；输出权值由Moore‑Penrose伪递求出，表示为y₁；如果发现故障，在故障诊断步骤中，输入显示出故障的三相电流差值的一个周期内的离散波形；通过Nguyen‑Widrow方法，向被激活的小波求和函数的节点，输入初始化的权重和偏差；输出的权值由Moore‑Penrose伪递求出，表示为y₂。本发明方法能够适用于多个系统，并且只需要一个步骤就能完成故障分类和定位。以解决传统故障诊断方法训练速度慢，训练过程繁琐等问题。

技术领域

本发明涉及输电线路故障诊断技术领域，具体涉及一种基于小波求和极限学习机SW-ELM的输电线路短路故障分类与定位方法。

背景技术

电力系统拓扑结构和运行的复杂性日益增加，对故障诊断提出了挑战。超过80％的电力系统故障发生在架空输电线路。这就为在单一输电线路上采用更专业的故障诊断方法提供了动力。故障诊断方法的主要目的有两个：

1)、故障分类：识别短路故障类型的能力；

2)、故障定位：准确定位故障发生点的能力。

基于人工智能的故障检测和诊断方法，通常需要预先对故障特征进行提取。在诊断评估过程中，有价值的故障信息往往包含于故障后的暂态电压或电流波形中，当前主流的人工智能故障诊断方法主要基于对这些故障特征的提取。但是，特征提取算法增加了诊断过程的计算负担，同时降低了算法在新系统中应用的泛化能力。

专家系统是将人工智能引入电力系统故障诊断的最早尝试之一。但是传统的专家系统过于依赖庞大的知识库，并且响应时间较长。模糊逻辑是形式化的专家知识，是对主观和不精确信息进行建模的方法之一，其也被应用于输电线路故障诊断中。但是，模糊规则通常需要领域专家手动构建，并且需要较强的鲁棒性以确保规则有效。另一类决策树方法虽然需要提取的特征信息较少，但也很大程度上依赖于预先建立的决策逻辑。

为了减少对先验知识的依赖，机器学习算法已越来越多地应用于故障诊断问题。支持向量机是故障诊断领域中广泛使用的机器学习方法之一，尤其适用于电力系统和其他工程系统的二分类问题。在面对多类分类问题(需要在两类以上进行分类的问题)时，如输电线路故障分类，只能将多类分类问题简化为多个二元分类问题来解决。其局限性也体现于此。

综上，基于现有的故障诊断方法的过于依赖先验知识，算法缺少适应多个系统的灵活性和通用性。如何迅速完成输电线路的故障诊断，同时保证算法具有较高的精确度是一个亟待解决的问题。

发明内容

为了解决上述问题，本发明提出一种基于小波求和极限学习机SW-ELM的输电线路短路故障分类与定位方法，该方法能够适用于多个系统，并且只需要一个步骤就能完成故障分类和定位。以解决传统故障诊断方法训练速度慢，训练过程繁琐等问题。

本发明采取的技术方案为：

基于小波求和极限学习机SW-ELM的输电线路短路故障分类与定位方法，包括以下步骤：

步骤1：建立训练测试集，对故障检测和故障诊断算法进行训练；

步骤2：采集并输入三相电流差值的瞬时三相电流的差值；

步骤3：输入权重和偏差随机分配到sigmoid激活函数的节点；

步骤4：输出权值由Moore-Penrose伪递求出，表示为y₁，并且由此值判断：①若没有检测出故障，则输入下一差值；②若检测出故障，则进入故障诊断步骤；

步骤5：如果发现故障，在故障诊断步骤中，输入显示出故障的三相电流差值的一个周期内的离散波形；