一种基于BP神经网络的配电线路接地故障辨识方法与流程

一种基于bp神经网络的配电线路接地故障辨识方法
技术领域
1.本发明涉及电网的配电线路接地故障识别技术领域，特别涉及一种基于bp神经网络的配电线路接地故障辨识方法。


背景技术：

2.电网领域中，配电线路的运行环境较为复杂恶劣，易受到树障、漂浮物等外物影响而发生接地故障。且由于配电线路绝缘等级较低，因此绝缘子、避雷器等设备容易受到设备质量、环境污秽影响，发生接地故障的风险进一步增大。现有的配电网接地方式多为不接地或者经消弧线圈接地，导致发生单相接地时，变电站选线装置的灵敏度不足，导致选线准确率不高，不仅会造成正常线路的非必要跳闸，还会导致配电线路带接地故障运行，若产生电弧，则容易引起故障扩大至相间短路，甚至带来了涉电公共安全隐患，严重威胁人身安全。


技术实现要素：

3.本发明的目的是提供一种基于bp神经网络的配电线路接地故障辨识方法，可以解决现有技术中接地故障检测不准确带来的问题。
4.本发明的目的是通过以下技术方案实现的：
5.基于bp神经网络的配电线路接地故障辨识方法，包括以下步骤：
6.步骤s1、获取某配电线路的正常运行和发生接地故障时的波形数据作为样本数据，计算得到每个波形数据的辨识特征值；
7.步骤s2、构建bp神经网络，使用训练样本对bp神经网络进行训练，使用测试样本对bp神经网络进行检验；
8.步骤s3、获取实际运行中的配电线路的波形数据，计算波形数据的识别特征值并输入bp神经网络，利用bp神经网络进行正向传递计算，得到是否发生接地故障的结果。
9.进一步的，所述步骤s2包括：
10.步骤s201、使用第i个训练样本对bp神经网络进行正向传递计算；
11.步骤s202、计算误差e；
12.步骤s203、采用梯度下降法，对bp神经网络进行误差反向传播，修正权值ω
ij
和阈值为bj，使得误差e(ω,b)降低；
13.步骤s204、重复步骤s201至s203，直至所有的训练样本都训练完。
14.步骤s205、将测试样本输入bp神经网络，计算测试样本的误差e，判断测试样本误差e是否低于设定的误差阈值，若不满足要求，则开启新一轮的样本训练，直至测试样本误差e低于误差阈值，训练结束。
15.进一步的，所述步骤s2还包括：设定一个训练次数阈值，当训练次数大于设定的训练次数阈值，结束bp神经网络的训练。
16.进一步的，所述正向传递计算的计算公式为：
17.其中：
18.f为激励函数，ω
ij
表示bp神经网络节点i和节点j之间的权值；bj表示节点j的阈值；xj表示节点j的输出值；m表示节点i的神经元个数。
19.进一步的，所述误差e的计算公式为：
20.其中：
21.dj表示bp神经网络输出层的所有结果，yj为训练样本的期望输出，n表示输出层数据结果个数。
22.进一步的，所述激励函数采用sigmoid函数或者线性函数。
23.本发明的基于bp神经网络的配电线路接地故障辨识方法，使用bp神经网络可以针对性的对某条配电线路进行接地故障识别。因为bp神经网络的判断逻辑依赖于训练样本，只需要使用该条配电线路所采集的样本作为训练样本进行训练，即可适应该条配电线路的运行特征，有针对性的对该条配电线路进行接地故障识别，识别准确率高。
24.bp神经网络聚焦于输入量和输出量的关系，其中神经元的权参数均由学习训练样本得来，不需要人为设定，简单易操作。且bp神经网络还能进行后续的维护更新，只需要采集新的样本对其进行训练，即可保证bp神经网络可以适应最新的运行工况。
25.bp神经网络具有泛化能力，在保证对已训练过的场景进行正确判断的同时，只要场景特征相似，对于其他未经训练过的场景，也能够进行正确判断。
附图说明
26.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
27.图1为本发明的基于bp神经网络的配电线路接地故障辨识方法的流程图；
28.图2为本发明的bp神经网络的训练过程示意图。
具体实施方式
29.下面结合附图对本公开实施例进行详细描述。
30.以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
31.本发明提供了一种基于误差反向传播(bp,back propagation)神经网络的配电线
路接地故障辨识方法，bp神经网络因其具有自学习、自适应和泛化能力，只需要给出一定量的训练样本，bp神经网络就能自学习出其中的规律，并将这些规律记忆到神经元中，以供下次计算时使用。并且，bp神经网络在保证对所需类别的对象进行正确判断的同时，还拥有能够对其他未经训练过的对象进行正确判断的能力。本方法通过将配电线路接地故障的辨识特征值作为输入量，以是否发生接地故障为输出量，构建大量的正常、故障样本，对bp神经网络进行训练，得到具有辨识接地故障功能的bp神经网络，再使用此bp神经网络，对配电线路实时计算得到的接地故障辨识特征值进行计算，从而判断配电线路是否发生接地故障。
32.具体的，本发明的基于bp神经网络的配电线路接地故障辨识方法，如图1所示，包括以下步骤：
33.步骤s1、获取某配电线路的正常运行和发生接地故障时的波形数据作为样本数据，计算得到每个波形数据的辨识特征值。
34.波形数据包括二次电压波形和电流波形。要训练bp神经网络，首先要获取大量的该配电线路的正常运行和发生接地故障的二次电压、电流波形作为训练样本，从中提取一定比例的样本作为测试样本。
35.进一步的，可以通过小波变换、傅里叶变换、时域计算等方式得到相关辨识特征值。辨识特征值需要能区分配电线路正常运行和发生接地故障两种运行状态。对于不同运行工况的特征值，需打上是否发生接地故障的标签，作为训练样本的期望输出，以便对bp神经网络进行有监督的训练。
36.步骤s2、构建bp神经网络，使用训练样本对bp神经网络进行训练，使用测试样本对bp神经网络进行检验。
37.将样本数据分为训练样本和测试样本，构建bp神经网络结构，确定输入层、中间层、输出层神经元个数，并初始化权值参数，然后开始用训练样本进行正向传递，得到误差后，进行误差反向传播，更新神经元权值和阈值，当所有样本训练过一遍后，采用测试样本检验效果，正向传递计算后，得到测试样本误差e，判断测试样本误差e是否低于设定阈值，若低于阈值，则训练结束，若高于阈值，则判断是否达到设定的训练次数阈值，若已达到，则训练结束，防止bp神经网络训练发散化造成训练无法终止的情况，若未达到，则开始新一轮的样本训练。
38.具体地，步骤s2的训练过程如图2所示，包括：
39.步骤s201、使用第i个训练样本对bp神经网络进行正向传递计算。
40.假设bp神经网络节点i和节点j之间的权值为ω
ij
，m表示节点i的神经元个数。节点j的阈值为bj，每个节点的输出值为xj，每个节点的输出是由上一层所有节点的输出、其本身与上一层所有节点的权值和其本身的阈值还有激励函数决定，即：
[0041][0042]
其中f为激励函数，一般采用s型函数(如sigmoid函数)或者线性函数。上式是bp神经网络正向传递的计算过程。
[0043]
步骤s202、计算误差e。
[0044]
假设输出层的所有结果为dj，则误差函数为：
[0045][0046]
其中yj为训练样本的期望输出，n表示输出层数据结果个数。
[0047]
步骤s203、采用梯度下降法，对bp神经网络进行误差反向传播，修正权值ω
ij
和阈值为bj，使得误差e(ω,b)降低。
[0048]
步骤s204、重复步骤s201至s203，直至所有的训练样本都训练完。
[0049]
步骤s205、将测试样本输入bp神经网络，计算测试样本的误差e，判断测试样本误差e是否低于设定的误差阈值，若不满足要求，则开启新一轮的样本训练，直至测试样本误差e低于误差阈值，训练结束。
[0050]
优选的，为防止bp神经网络训练发散化造成训练无法终止的情况，本发明设定一个训练次数阈值，当训练次数大于设定的训练次数阈值，结束bp神经网络的训练。
[0051]
步骤s3、获取实际运行中的配电线路的波形数据，计算波形数据的识别特征值并输入bp神经网络，利用bp神经网络进行正向传递计算，得到是否发生接地故障的结果。
[0052]
使用训练完毕的bp神经网络作为配电线路是否发生接地故障的判断工具，只需要计算配电线路当前的接地故障辨识特征值，此特征值的计算方法应与训练样本所采用的特征值保持一致，将其作为bp神经网络的输入量进行正向传递计算，即可判断是否发生接地故障。
[0053]
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。