论文部分内容阅读
小电流接地系统故障选线问题长期以来都是研究的热点。由于发生单相接地故障时配电网各线路故障电流很小,且容易受其它因素的影响,目前靠人工提取特征的选线方法很难适用于各种故障工况。为了提高小电流接地系统单相接地故障选线的可靠性和准确性,本文将故障选线转化为时间序列分类问题,提出了一种基于卷积神经网络的端到端的故障选线算法。并将多种神经网络的选线方法进行融合,充分利用系统故障特征实现故障选线。本文的工作如下:(1)通过建立小电流接地系统模型并设置故障,得到用于选线方法训练和测试所需的数据样本。以MATLAB/Simulink为平台,搭建了不同拓扑结构的10k V配电网仿真模型,根据发生故障的出线编号、初始相角、故障点距母线的距离以及接地电阻大小等设置仿真参数,由MATLAB脚本实现自动化批量仿真,得到了故障数据集。对于N出线的模型,样本数量为6000?N,按5:1的比例划分训练集和测试集。(2)针对小电流接地系统故障选线,本文提出了一种具有两个卷积层的神经网络。该算法在不同出线数量的配电网故障选线任务上都有出色的表现。此模型是第一个直接作用于电力系统电流信号上进行故障选线的卷积神经网络。(3)通过进一步分析故障电流的特点,在具有两个卷积层的神经网络基础上提出了新的卷积神经网络模型WDCNN。这个卷积神经网络的第一层卷积核为宽卷积核,而后续每个卷积核相对较小。除此之外,该模型使用批量归一化和卷积层Dropout技术提高泛化能力。以4出线模型为对象进行试验,其故障选线准确率相比于两层卷积神经网络模型有了一定的提高。除此之外,对比了WDCNN与其它依赖于人工提取特征的算法在抗噪能力与泛化能力上的差异,得出了WDCNN在故障选线任务上性能更好的结论。最后利用数据可视化技术,展示了卷积神经网络模型进行故障选线的过程。(4)提出了将WDCNN与其它模型选线结果融合的故障选线算法。模型选用不同种类的神经网络,并用三相电流和零序电流分别作为各种模型的输入,将各个模型得到结果进行融合。采用不同的融合方式进行实验,经测试对比,选出最优的模型融合策略。模型融合后,相比于只使用WDCNN模型在准确率和抗噪能力上都有所提高。本文所做的各种试验都是依赖于仿真数据进行的,可以为实际应用的选线方法构建提供参考。