III --III摘要傳統的重合閘裝置的工作方式被設計為：故障發生之后，經過一個預先設置的固定延時，自動重合。但是，如果性能系統不能自動消除故障（這通常意味著它的自動恢復性質為永久性），重復的損失可能會對性能系統產生副作用，并可能損壞性能系統。自適應重電路裝置能在錯誤的動作發生前，通過不同方法檢測出故障的自動恢復性質，避免了輸入的盲目性，在出現永久性故障時不會動作。自適應重合閘最重要的技術是識別故障的自動恢復性質，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，在發生輸電線路單相接地故障的電力系統中，對電弧以及故障相端電壓的特性進行分析。運用ATP軟件，對輸電線路不同自動恢復性質的故障，進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神經網絡，用以識別故障。這實現了運用BP神經網絡識別輸電線路單相接地故障的自動恢復性質。因為不同自動恢復性質的故障，故障相端電壓波形有所不同，且卷積神經網絡系統中的卷積核，可以提取、識別圖像特征。因而搭建一個卷積神經網絡，用于識別單相接地故障的自動恢復性質。將故障電壓波形圖像制作成灰度圖，輸入網絡以減少故障特征的提取環節。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、重新訓練并保存網絡等功能。研究結果表明，前文提及的兩種識別方法，均能達到98%的的識別準確率。識別方法的選擇影響識別的準確率，以及識別所用時間，密切相關于應用現場的計算機配置。測試的識別軟件可以靈活運用兩種識別方法。關鍵詞：故障識別方法；局部均值分解；樣本熵；BP神經網絡；卷積神經網絡目錄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，現階段根據時間變化劃分為，一次電弧放電階段、二次電弧放電階段、恢復電壓階段。不同自動恢復性質的故障在不同的時間階段，故障電弧表現出的電氣參數有所差異。這是故障識別得以進行的重要理論依據。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用，將進一步提升供電系統的可靠性與安全性。而區分的關鍵就在于故障性質。一個較為合適的思路是通過故障電弧的差異，來區別不同類型的故障。電弧分為出現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]。一次電弧由出現故障的供電系統提供燃燒電源，電壓較高，可以檢測其幅值或者高頻分量，以識別故障性質。但是相關研究比較稀少，因為模型建構難度很大，而且暫態與穩態相互重疊，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時間與弧長。每當輸電線路發生單項接地故障，為了應用技術先進的自適應重合閘，對故障性質的快速識別是十分必要的。本文主要的論述內容，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的識別方法進行研究。主要內容為：在單相接地故障發生時，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]。結合LMD方法和SE理論，構造了一種提取不同自動恢復性質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。基于被廣泛研究的誤差反向傳播算法，構建用于識別輸電線路單相接地故障自動恢復性質的誤差反向傳播神經網絡，輸入提取出來的故障信號LMD-SE特征量，進行故障性質的識別。對CNN理論進行分析并搭建一套CNN網絡，處理故障電壓信號并輸入，實現輸電線路單相接地故障性質的識別。以現場計算機硬件水平為依據，在不同的計算機水平上對兩種故障自動恢復性質識別方法的性能進行了檢驗，并結合本文提出的兩種識別方法設計一款軟件，用于識別輸電線路單相接地故障的自動恢復性質。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對地釋放，弧光放電隨之迅速結束。輸電線路單相接地故障發生的時刻到為線路配備的保護裝置動作前這段時間，系統電源、工作線路、與故障點存在電氣聯系的地面這三者之間連接為故障回路，輸電系統作為一種電氣連接，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，弧長也比較穩定。這樣的算式可以表示一次電弧具有的動態特性： ?gp?t式(2-1)中，Tp、Gp、gp分別代表時間常數，以及一次電弧的穩態電導常量、動態電導變量。其中，一次電弧穩態電導常量Gp，是一定路程的一次電弧Gp=iVplp 相關實驗表明，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，其余的技術參數都是常量，這包括時間常數Tp與一次電弧的電弧長度lp。時間常數TpTp=α?iplp 式(2-3)中，α是一個比例系數，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裝置動作之后，進入二次電弧放電階段，此時系統電源和故障相失去了直接電氣聯系。支持弧光放電繼續燃燒的電源，從輸電系統對地相電壓改為，變為是否發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，因而會出現二次電弧反復熄滅、點燃的現象，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特性更為復雜。電弧電流極大值Is、電弧時變電導量gs、電弧比例常系數β、電弧穩態電導量Gs、電弧電位梯度量Vs、電弧時間常量Ts、電弧持續時段ts、動態電弧弧長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取決于弧道的能量平衡狀態。若電弧消散時損失的能量少于電弧弧道導入的能量，則電弧的燃燒狀態可以保持；若電弧消散時損失的能量多于電弧弧道導入的能量，電弧才會熄滅[9]。二次電弧的重燃電壓也是隨時間動態變化的。動態電位梯度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值。其拉長的速度、方向等要素取決于風這樣的環境因素，以及電弧處離子與周圍空氣的對流。對二次電弧進行高速攝影，通過采集的實驗數據擬合風速在0~1m/s范圍內，(2-11)為列出的電弧弧長與時間長度兩者的關系表達式。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、抑制系統網絡的工頻過電壓以及縮短電弧的熄弧時間。下面列出線路拓撲圖，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表示線路并聯電抗器組的數目。輸電線路發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電抗器轉換為環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表示線路上并聯的電抗器組數目。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于并聯電抗器的補償度。一般而言，采用欠補償，也就是補償電抗器補償的電感值小于如上計算得出的Uy。若是采用全補償的補償方式，X電磁因素造成的耦合電壓，主要相關于輸電線路長度，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荷電流等因素相關[11]。當過渡電阻RF為零，即線路發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。故障發生位置也會對故障相端電壓產生影響[12]。當過渡電阻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式可以看出，當發生的故障為金屬性接地的永久性故障的時候，故障發生位置、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。根據上述非金屬性的永久性單相接地故障發生時，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值上呈正相關。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，對并聯在輸電線路上的電抗器一般采用全補償的形式，此時線路中的導納近似為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，故障發生位置與線路首端重合閘裝置的距離為s，則設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，可知當故障發生在線路中點時，即此時a=0.5，故障點兩端的電路參數相等，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；當線路首端（m端）發生故障的時候，a=0，Uxm與RF在數值上呈正相關；當線路末端（n端）發生故障的時候，電磁耦合電壓受過渡電阻和發生故障位置兩個因素影響。輸電線路的并聯電抗器在工程上一般采用全補償的方式，因此線路中導納接近于零，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，過渡電阻在數值上與電磁耦合電壓在數值上呈正相關。當故障點靠近線路首端，則恰恰相反，過渡電阻在數值上與電磁耦合電壓在數值上呈正相關。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以及電力網絡暫態特性的各種情況，且具有能夠兼容多種軟件的強大拓撲功能。ATP的特點即在于，功能全、仿真貼合度高等特點，在可以轉化為電路求解的一切技術問題的計算中，諸如電力系統過電壓分析、絕緣配合、繼電保護模擬、諧波和電能質量研究、高壓直流和柔性交流輸電系統的模擬之中得到廣泛應用[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內的LCC模塊可以非常真實地對電纜與架空線路進行模擬，同時考慮集膚效應、頻率相關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，從而建立諸多數學模型。輸出自系統模型的量值，即可作為變量輸入TACS控制系統，反之亦然。因而，對系統中各種輸入與輸出量值的控制得以實現。MODELS是一種用于分析時變系統的編程語言，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置必須正確，可以根據科學技術經驗人為設置，或者由計算程序利用穩態向量求解法自行確定[14]。一次電弧時變電導的計算，可以通過在MODELS控制模塊中對電弧的數學模型的編程來完成。用電導值作為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MODELS模塊程序的編寫，以及TAC模塊的邏輯控制構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模型如拓撲圖所示，搭建一條750KV的超高壓輸電線路模型。輸電線路的參數為：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，并且構建仿真模型。再設置故障數據：故障發生于50ms時刻，兩端斷路器在100ms時刻完成保護跳閘動作。發生瞬時性故障的時候，由于電弧反復重燃，設為持續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律，只需要用到一個MODELS模塊。所有仿真均設置故障相為A相，故障發生于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生點的組合分別進行仿真。分析仿真結果，設置不同的故障發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，由于電弧反復重燃產生大量高頻分量，故障相端電壓發生明顯畸變；0.3s~0.8s為恢復電壓階段，故障相端電壓出現拍頻現象。發生瞬時性單相接地故障的時候，因為接地電阻值與故障發生位置不同，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個周期內差異較大，之后受故障發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研究的樣本數據。發生永久性故障的時候，接地電阻值和故障發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，樣本數據應該采集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的方法，來提取足以表征故障性質的可信特征量。一種思路是局部均值分解方法（LMD），可以自適應地處理非線性、非平穩信號，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，只需少量數據即可定量分析出來時間序列數據的自相似性和復雜性程度。為了讓系統運行得更加穩定，并且擴充系統輸送容量、改善線路電壓指標，無功補償裝置一般會以串聯方式安裝在高壓輸電系統之中。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、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為了規避采集的樣本信號受到跳閘瞬間產生的暫態分量干擾，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5次，每種性質的故障各取一遍，總計1010組信號數據。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，分別發生金屬性故障和有過渡電阻的非金屬性故障的分解結果如圖所示。觀察分解結果可知，經過局部均值分解，故障信號分解出多個乘積函數分量，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。這體現了分解局部均值提取特征信息的準確。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分解結果根據局部均值分解的結果，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雜程度時，不依賴數據長度，分別選取180ms~260ms和180ms~300ms兩個時間段的數據求取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不同長度數據的PF分量SE將不同時間段測得的兩組相同分量數據進行對比，可以發現兩組數據的局部均值分解SE十分相近，符合前述的畸變丟失三分之一的數據，也不會明顯影響到SE值的計算結果的結論。因此，可以選取180ms~260ms時段的數據作為樣本，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（在發生故障為瞬時性的情況下，盡快恢復可以自動恢復的故障）。1）逐個地將樣本的三個PF分量SE值進行求和，并進行故障自動恢復性質識別。兩種自動恢復性質的故障的SE值之和雖然存在差異，但是極端情況下（故障發生在線路兩端的金屬性接地故障）的區分度不夠明顯。圖3-4按照SE植和識別故障自動恢復性質2）用樣本的單個PF分量熵值進行故障自動恢復性質識別。PF1分量的SE植在故障自動恢復性質不同的情況下，卻幾乎沒有區分度；PF2分量的SE值在故障自動恢復性質不同的情況下，雖然有一定的區分度，但也有區分度下降的極端情況；PF2分量的SE值在故障自動恢復性質不同的情況下，同樣無法清晰區分兩種自動恢復性質不同的故障。因此，利用單個PF分量SE值，不易表征并區分單相接地故障的自動恢復性質。圖3-5按照單個PF分量SE值識別故障自動恢復性質3）用樣本的兩個PF分量SE值作為二維圖的縱橫坐標，繪制散點圖來識別故障性質。如PF1和PF2，雖然可以區分出故障性質，但是極端情況下區分度趨于下降；PF1和PF3的SE繪制的散點圖，則幾乎不能對兩種性質的故障做出區分；PF2和PF3的SE值繪制的散點圖雖然對不同性質的故障做出了區分，但是一部分情況下區分不清晰。因此，利用兩個PF分量SE值，是不能完全表征故障性質的，不能對故障性質做出清晰區分。在這種情況下，兩種故障性質雖然得以區分，但是極端情況的影響依然存在，而且三維空間中的區分度難以描述。圖3-6按照兩個PF分量SE植的分布關系識別故障自動恢復性質4）用樣本的三個PF分量SE值，組成右手空間直角坐標系，繪制散點圖，用于識別故障性質。利用三個PF分量的SE值的確可以較為明確地區分兩種故障性質，但極端情況的影響依然存在。且三維空間中的區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系并識別故障自動恢復性質也就是說，利用三個PF分量的SE值對兩種故障性質的區分度最好；但是對三個PF分量采用直接求和或者組成三維坐標這樣復雜的處理方式，極端情況對區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習能力找出兩種故障向量特征的劃分界限，進行故障性質識別。表3-3不同性質故障的LMD-SE特征值4輸電線路單相接地故障性質識別方法4.1BP神經網絡的輸電線路單相接地故障性質識別方法4.1.1BP神經網絡的原理BP神經網絡的運行流程：（1）神經網絡的初始化。根據工程需要，選取合適的神經網絡輸入層n、隱藏層m、輸出層l，對各層間的連接權值wij、wjk及隱藏層，并初始化輸出層的閾值a與b。（2）計算隱藏層輸出結果。根據輸入向量X、隱藏層閾值a、以及網絡權值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，本文的選擇如式：fx=(1+e-x)-1（3）輸出層導出計算結果。根據隱藏層輸出H、輸出層閾值b、網絡權值wjk，計算網絡的輸出值O。Ok=j=1lHj（4）計算誤差。根據期望輸出Y和實際輸出O計算預測誤差ek，如式所示。ek=Yk-Ok（5）修正連接權值。對網絡的連接權值，使用網絡預測誤差ek，進行修正。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，使用網絡預測誤差ek進行修正，方法應為：aj=aj+bk=bk+e結束運算。比較誤差值與誤差閾值的大小，如若已經達到目標，則訓練完成。否則返回2對網絡繼續進行訓練。開始計算輸出層結果計算隱藏神經元輸入輸出網格初始化開始計算輸出層結果計算隱藏神經元輸入輸出網格初始化是修正閾值連接權值修正閾值連接權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束結束否圖4-1神經網絡運行過程的流程示意圖4.1.2設計BP神經網絡使用BP神經網絡分析問題時，選擇訓練樣本，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，本章節選取故障電壓的特征量，作為神經網絡的輸入樣本。BP神經網絡能夠在函數逼近、模式分類識別、數據壓縮等領域得以廣泛應用，首要原因是它具有高度自適應和自學習的能力。對BP神經網絡的訓練效果，拓撲結構和訓練參數的選擇有著決定性的影響。最優選擇往往要通過結合工程實際應用并逐步嘗試修正的方法才能實現。現有階段，隱含層神經元數量按照經驗選取。主要有以下兩條：第一條提出于1987年，設N為輸入層神經元數目，則隱含層應該含有(2N+1)個神經元；第二條提出于1986年，設H為隱藏層神經元的數目、T為輸入訓練模式數，則以H=lgT估算相應數據[26-27]。現有階段，需要選擇兩個參數：動量系數α、訓練步長η。主要取決于使用者對神經網絡穩定性、訓練時間以及學習速度的需求。訓練步長相關于網絡收斂速度，步長越大，收斂速度越快。然而過長的訓練步長，會降低網絡學習過程的穩定性，一旦步長太短，就會顯著增加迭代次數，使得網絡訓練時間變長，無法保障網絡誤差值趨于最小誤差值。所以，為了保證系統的穩定性，一般選擇1×10-2~8×10-1。引入訓練步長，雖然會加快網絡收斂速度，但是有可能會使得學習過程中，出現振蕩現象。所以為了抑制震蕩，向算法中再引入動量系數，取值區間為(0,1)。4.1.3基于BP神經網絡的單相接地故障識別結果本文的BP神經網絡采用三層結構：輸入層、隱藏層、輸出層。其中，輸入層神經網絡的節點數目為3個，分別為三個乘積函數分量的SE值；輸出層神經網絡的節點數目為1個，表示故障性質。用代碼表示故障性質，并設定：向量[1]表示永久性，向量[0]表示瞬時性。依據上文經驗，確定隱含層節點數目為2×3+1=7個。訓練誤差閾值設為1×10-3。前面章節中，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，作為對于神經網絡識別性能的測試。由于初始值是隨機產生的，所以每次BP神經網絡的訓練與測試結果均有微小差異，所用時間穩定在大約500ms，測試集識別準確率達到了99%。圖4-2神經網絡結構示意及其訓練結果雖然設定的訓練次數為一千次，訓練完成后，誤差精度達到3.73×10-4。但是在經過4次訓練，輸出系統就達到了預期的目標。在神經網絡的訓練過程中，每用訓練樣本訓練一次，系統會自動向神經網絡輸入驗證樣本數據進行驗證，在輸入驗證樣本數據后可獲取一個輸出誤差。系統根據設置的步長數值，判斷得到的誤差是否還會降低[29]。如果誤差并未出現下降的趨勢，甚至出現上升的趨勢，那么意味著訓練樣本數據訓練的誤差已經無法降低，因而訓練停止，防止神經網絡陷入過度學習。圖4-3BP算法標準差與訓練次數的關系圖4-4BP神經網絡的訓練狀態數值圖4-4中，Gradient標識誤差曲面的梯度，Mu表明了網絡訓練函數trainlm的性質，而ValidationChecks含義非常復雜。本文使用的MATLAB設置為ValidationChecks=0。比較神經網絡的輸出值和理論輸出值，可以看出BP神經網絡對輸電線路單相接地故障自動恢復性質的識別結果非常準確，也就是說識別輸電線路單相接地故障自動恢復性質的誤差非常小。網絡的誤差收斂極快，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性質。在1010組故障信號樣本數據中，瞬時性和永久性各提供505組樣本數據，并且數據根據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據進行訓練與測試。神經網絡輸入為不同自動恢復性質故障在不同位置的各101組樣本數據，共202組樣本數據。隨機選取180組樣本數據組成用于訓練神經網絡的數據集，22組樣本數據組成用于測試訓練結果的數據集。進行神經網絡的訓練與測試，并計算誤差結果。表4-1訓練樣本輸出訓練樣本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結果顯示：雖然兩種故障在故障位置不同的情況下，訓練誤差有所差異，但都滿足誤差精度的要求，對故障的自動恢復性質的識別都足夠準確。4.2卷積神經網絡的輸電線路單相接地故障性質識別方法4.2.2設計卷積神經網絡第一種是時間——電壓信號歸一化處理。構成一個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系的兩個坐標軸，以電壓幅值為像素點填充，構成224×224的一個灰度圖。每組數據作為一個灰度圖，輸入卷積神經網絡。圖4-5故障為瞬時性圖4-6故障為永久性對于第一種預處理方式得到的276×2的像素矩陣，只需要設計具有1個卷積層的單層網絡；而對于第二種預處理方式得到的224×224圖像，可以設計具有多個卷積層的神經網絡。考慮到本文的樣本圖像相對簡單，以及卷積神經網絡在圖像處理方面的強大功能，應該設計3層卷積神經網絡。確定網絡結構之后就要激活函數。激活函數是為了增加卷積神經網絡的非線性。否則，卷積神經網絡在沒有激活函數的情況下相當于每層矩陣相乘，每一層輸出都相當于上一層輸入的線性函數，就算很多個隱藏層疊加起來也只是復雜的矩陣相乘，輸出始終是輸入的線性組合，與沒有隱藏層的效果相同。所以激活函數也是卷積神經網絡運行過程中的重要一環。以下列舉兩種可以激活的函數：(1)tanh激活函數：fx=tanhx，一個飽和激活函數。當x>1(2)Relu激活函數：fx=max(0,x)，一個非飽和激活函數。作為現今大多數卷積神經網絡激活函數的選擇，Relu函數會將小于零的函數值變為0。這樣的處理使得網絡在接受訓練后仍然具有適度的稀疏性。圖4-7tanh激活函數及其導數圖4-8relu激活函數及其導數由于Relu激活函數在識別率和用時方面都優于tanh激活函數，故本文采用Relu激活函數。亦可構想多層卷積神經網絡的設計。設計具有三個卷積層的卷積神經網絡，共有9層結構：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不同激活函數的識別結果表4-4多層卷積神經網絡結構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的卷積結果，第1個池化層采樣窗口為2×2，輸出4個112×112的池化結果；第2個卷積層采用8個3×3的卷積核，得到8個112×112的卷積結果，第2個池化層采樣窗口為2×2，輸出64個56×56的池化結果；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的池化結果[36]。全連接層將3組卷積層與池化層輸出的結果按列展開，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。由于網絡更加復雜，要求更高的精度以及網絡收斂速度，因此選擇Relu激活函數。4.2.3卷積神經網絡的單相接地故障識別結果本文采用的卷積神經網絡方法可調的參數主要是訓練的批次、尺寸，以及整個訓練的迭代次數。改變這些參數，觀察對樣本的故障自動恢復性質識別率和訓練時間的影響，作為選擇最優結果的依照。在卷積神經網絡的學習過程中，采用梯度下降法訓練有一個重要參數，那就是批次尺寸。在訓練數據集合中，每次抽取相同數量的樣本進行訓練，這個數量值即批次尺寸，最大值可以取到與訓練集樣本的總數相等。批次尺寸的取值會對神經網絡訓練時間與故障識別率產生一定影響。圖4-10訓練批次尺寸與故障識別率變化關系圖4-11訓練批次尺寸與訓練耗用時間變化關系網絡進行一次全數據集的處理，所需要的迭代次數與批次尺寸取值呈負相關。增加批次尺寸的取值，不僅可以減少處理數據所需的迭代次數，同時能夠更準確地確定梯度下降的方向，讓訓練模型更快速地收斂，從而可以節省大量時間。但是如果批次尺寸取值過大，會導致梯度下降直至陷入局部最小，這會使得數據的擬合度降低，最后難以獲得準確的訓練結果。相反地，批次尺寸取值過小會導致梯度估值的準確度降低，網絡收斂速度也會減緩，進而增多訓練時間。模型對樣本數據進行一次全覆蓋訓練需要時間成本，為了使方法性能更優，選擇訓練迭代數為100最佳。實驗中，識別準確率達到了90.7%。圖4-12訓練次數與故障識別率的關系示意圖4-13混淆矩陣之一：單層卷積神經網絡對于多層卷積神經網絡，改變一些參數例如訓練批次，會影響對輸電線路單相接地故障自動恢復性質識別任務的訓練時間，但對故障識別準確率沒有影響，所以不再討論。模型對樣本數據進行一次全覆蓋訓練需要時間成本。為了使得方法更優，迭代次數選為50最佳。實驗中，識別準確率達到了99.6%左右。圖4-14訓練過程圖4-15混淆矩陣之二：多層卷積神經網絡4.3輸電線路單相接地故障自動恢復性質識別軟件設計故障性質的識別方法必須在時間上滿足重合閘的要求，但是現在各單位應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行測試，設計一款可以根據現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性質的識別軟件。為了便于表述，我們將LMD-SE作為故障特征量、基于BP神經網絡的識別方法簡稱為BP方法，基于CNN的識別方法簡稱CNN方法。在兩臺計算機上進行兩種性質故障的識別測試。

計算機代號中央處理器主存儲器規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，不過識別準確率很高。因而，在滿足時間要求的基礎上，如果追求更高的識別準確率，選擇更為精準的CNN方法；如果現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缺點，具體的選擇需要考慮用戶需求與應用現場的配置條件等因素。因此，為了增加本文研究的實際應用性能，設計一款可以根據現場計算機硬件配置，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性質的識別軟件。用仿真線路得到的樣本集合作為應用于現場的原始數據庫，將訓練好的神經網絡作為原始網絡。隨機選取一個樣本，在現場計算機上分別對兩種故障性質識別方法進行測試，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，用選取的方法進行識別并輸出識別結果。每當發生故障，將采集的故障數據作為新增添的樣本，用于更新樣本數據庫，使用更新的樣本庫對神經網絡進行訓練，并保存更新的神經網絡。

應用環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絡用BP用CNN更新網絡用BP用CNN神經網絡識別神經網絡識別確定方法確定方法識別結果識別結果圖4-16功能框圖最后來看輸電線路單相接地故障自動恢復性質識別軟件的應用。根據輸電線路單相接地故障性質識別軟件的設計思路，最終實現的識別軟件應用效果：圖4-17軟件初始界面圖4-18環境測試結果圖4-19BP神經網絡方法識別結果圖4-20CNN方法識別結果圖4-21BP網絡更新與樣本庫更新結果圖4-22CNN網絡更新與樣本庫更新結果5結論在工作狀態下的輸電線路上，單相接地故障突然發生的時候，為了讓輸電線路自適應重合閘的可行性能夠實現，識別故障性質的過程需要兼具快速、準確兩大特點。因此本文設定了兩種方法，均與智能網絡技術密切結合，用于輸電線路單相接地故障性質的識別。并取得一定的研究成果，主要為：1）在ATP軟件系統，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性質;對于差異巨大的過渡電阻和故障發生位置，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性質的故障位置和過渡電阻對所提取的特征有何影響：僅通過設定用于識別故障性質的閾值就可以影響識別精度。為了識別故障的可自動回復性質，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鑒定的最終任務的適當方法。出于所提取的故障特征，受到故障位置和過渡電阻的影響，以及復雜的工作現場環境，設計了用于輸電線路單相接地故障性質識別的BP神經網絡，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性質。識別結果顯示:本文設計的用LMD-SE特征量作為BP神經網絡輸入，實現單相接地故障性質自動恢復性質的識別，能夠準確識別出單相接地瞬時性故障和永久性故障，準確率達到99%;由于提取的LMD-SE特征量只有三個，BP神經網絡的誤差收斂速度很快。為了滿足識別的速度要求，文中設計了單隱藏層的BP神經網絡，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網絡算法，識別單相接地