鄧思敬，吳浩，2*，楊玉萍，漆梓淵，鄒西

(1.四川輕化工大學(xué)自動(dòng)化與信息工程學(xué)院，自貢 643000；2.人工智能四川省重點(diǎn)實(shí)驗(yàn)室，自貢 643000)

在電力系統(tǒng)飛速發(fā)展的情況下，保證配電系統(tǒng)的平穩(wěn)運(yùn)行成為提升電網(wǎng)供電可靠性的關(guān)鍵環(huán)節(jié)。據(jù)統(tǒng)計(jì)，中低壓配電網(wǎng)故障時(shí)多數(shù)為單相接地故障[1-2]。故障選線裝置由于誤選、漏選等情況，會(huì)減弱對(duì)故障線路的辨識(shí)能力。所以為了降低線路故障時(shí)對(duì)供電的影響，使得供電系統(tǒng)能夠穩(wěn)定運(yùn)行，有必要對(duì)故障線路做出迅速、正確的識(shí)別。

隨著配電網(wǎng)故障診斷技術(shù)的不斷發(fā)展，人們對(duì)配電網(wǎng)故障選線方法進(jìn)行了大量的研究和改進(jìn)。目前故障選線主要使用特征故障量，如暫態(tài)分量、穩(wěn)態(tài)分量、行波分量[3]和擾動(dòng)量[4-5]等，數(shù)據(jù)處理的方法包括小波變換法[6-7]、S變換法[8-9]、Prony法[10]、集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition，EEMD)[11]和變分模態(tài)分解(variational mode decomposition，VMD)[12]等。用于故障選線的分類(lèi)網(wǎng)絡(luò)目前主要包括支持向量機(jī)(support vector machines，SVM)[13]、極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)[14]、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)[15]、門(mén)控循環(huán)單元(gated recurrent unit，GRU[16]等。文獻(xiàn)[17]利用希爾伯特-黃變換提取零序電流頻域信息，將特征向量輸入改進(jìn)的人工免疫網(wǎng)絡(luò)進(jìn)行故障判斷，該方法有一定的耐受高阻能力，但抗噪聲干擾能力較差。文獻(xiàn)[18]利用EEMD算法對(duì)暫態(tài)電流信號(hào)進(jìn)行特征提取，基于主成分分析法(principal component analysis，PCA)實(shí)現(xiàn)對(duì)樣本數(shù)據(jù)的識(shí)別，該方法在不同過(guò)渡電阻時(shí)具有優(yōu)勢(shì)，但EEMD分解存在重構(gòu)誤差大、分解完備性差等問(wèn)題。文獻(xiàn)[19]利用VMD進(jìn)行信號(hào)分解，將故障特征輸入到長(zhǎng)短期記憶網(wǎng)絡(luò)(long short term memory，LSTM)網(wǎng)絡(luò)進(jìn)行故障診斷，相比其他算法，收斂速度更快，運(yùn)行時(shí)間更短，但選線的準(zhǔn)確率較低，可靠性不高。

隨著用戶對(duì)供電可靠性的要求不斷提高，需要建立抗噪聲能力強(qiáng)且耐受高阻的故障選線模型，進(jìn)行準(zhǔn)確、快速的故障線路識(shí)別。鑒于此，現(xiàn)研究一種基于互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解(complementary ensemble empirical mode decomposition，CEEMD)-局部均值分解(local mean decomposition，LMD)-隨機(jī)配置網(wǎng)絡(luò)(stochastic configuration network，SCN)的集合型故障選線方法，利用CEEMD與LMD對(duì)零序電流進(jìn)行特征提取，計(jì)算出CEEMD能量熵與LMD能量熵，將CEEMD能量熵和LMD能量熵進(jìn)行組合，形成包含更多故障信息的組合特征向量，利用收斂速度快且泛用性強(qiáng)的SCN網(wǎng)絡(luò)對(duì)故障線路進(jìn)行識(shí)別和分類(lèi)。將CEEMD能量熵與LMD能量熵進(jìn)行組合，改善傳統(tǒng)單一特征輸入的局限性，通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了該方法具有較強(qiáng)的抗噪聲能力且耐受高阻。

1 故障零序電流特性分析

當(dāng)配電網(wǎng)出現(xiàn)故障時(shí)，分析故障電流的暫態(tài)過(guò)程[20]。線路發(fā)生接地故障時(shí)的等效圖如圖1所示。

當(dāng)線路故障時(shí)，暫態(tài)電流表達(dá)式為

L0為等值電感；C為對(duì)地電容；RL為消弧線圈的電阻；R0為等值電阻；U0為電源電壓；L為消弧線圈的電感；iD為故障零序電流；ic為電容電流；il為電感電流圖1 單相接地暫態(tài)等值電路Fig.1 Single phase grounding transient equivalent circuit

iD=ic+il

=(Icm-Ilm)cos(ωt+φ)+

Ilmcosφe-t/τL

(1)

式(1)中：Ilm為最大電感電流；Icm為最大電容電流；ω為工頻頻率；φ為電壓相位；ωf為震蕩頻率；τL為時(shí)間常數(shù)。

故障零序電流中穩(wěn)態(tài)分量衰減速度快，振蕩頻率高；暫態(tài)分量衰減速度較慢，因此可以利用零序電流振蕩頻率與幅值的差異進(jìn)行故障選線。采用CEEMD與LMD對(duì)各線路的零序電流進(jìn)行分解，計(jì)算線路不同分量的能量熵值，利用SCN網(wǎng)絡(luò)進(jìn)行故障選線。

2 相關(guān)理論

2.1 互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解

CEEMD算法是對(duì)EEMD算法的優(yōu)化，通過(guò)給原始信號(hào)添加符號(hào)相反的白噪聲，減少了本征模態(tài)分量(intrinsic mode function，IMF)重構(gòu)時(shí)產(chǎn)生的誤差，改善了模態(tài)混疊的問(wèn)題[21],具體過(guò)程如下。

(3)CEEMD分解得到的IMF分量為

(2)

2.2 局部均值分解

LMD是一種非平穩(wěn)信號(hào)的分解方法[22]，其算法在端點(diǎn)效應(yīng)、虛假分量、過(guò)包絡(luò)等問(wèn)題上有所改善。對(duì)于信號(hào)x(t)的分解過(guò)程如下。

(1)找到x(t)的極值點(diǎn)ni，求解相鄰極值點(diǎn)的均值mi與估計(jì)值ai，即

(3)

(4)

連接相鄰mi與ai，用移動(dòng)平均法得到局域均值函數(shù)m11(t)與包絡(luò)估計(jì)函數(shù)a11(t)。

(2)將m11(t)從x(t)中分離出來(lái)，得到h11(t)，即

h11(t)=x(t)-m11(t)

(5)

(3)用h11(t)除以a11(t)，得到調(diào)頻信號(hào)s11(t)，即

(6)

若a12(t)≠1，則需將s11(t)作為原數(shù)據(jù)重復(fù)(1)～(3)的迭代過(guò)程，直到s1n(t)的包絡(luò)函數(shù)滿足a1(n+1)(t)=1，即

(7)

(8)

(4)包絡(luò)信號(hào)a1(t)為全部包絡(luò)估計(jì)函數(shù)的乘積，即

a1(t)=a11(t)a12(t)…a1n(t)

(9)

(5)將a1(t)與s1n(t)相乘可得到PF分量，

即

PF1(t)=a1(t)s1n(t)

(10)

(6)在x(t)把PF1(t)分離出來(lái)能夠得到信號(hào)u1(t)，將u1(t)視作初始信號(hào)x(t)重復(fù)(1)～(6)，當(dāng)uN(t)為一個(gè)單調(diào)函數(shù)時(shí)停止循環(huán)。

最終x(t)分解為N個(gè)PF分量和uN(t)之和，即

(11)

2.3 隨機(jī)配置網(wǎng)絡(luò)

隨機(jī)網(wǎng)絡(luò)的特點(diǎn)是收斂速度快且泛化能力強(qiáng)[23]。文獻(xiàn)[24]提出一種新型隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)，稱(chēng)為隨機(jī)配置網(wǎng)絡(luò)(stochastic configuration networks，SCN)。SCN是一個(gè)前向反饋網(wǎng)絡(luò)，其標(biāo)準(zhǔn)模型如圖2所示。

圖2 標(biāo)準(zhǔn)SCN模型Fig.2 SCN standard model

第j個(gè)隱藏節(jié)點(diǎn)的輸出為

(12)

則隱藏層輸出矩陣hL(X)為

(13)

整個(gè)網(wǎng)絡(luò)的輸出為

Y=Hβ

(14)

式(14)中：β=[β1,β2,…,βM]L×M，H=[g1,g2,…,gL]N×L

SCN采用不等式進(jìn)行約束，能夠隨機(jī)調(diào)整輸入權(quán)重w和偏置b，利用最小二乘法來(lái)求解輸出權(quán)重，這種賦值方法的優(yōu)勢(shì)在于能夠降低模型訓(xùn)練時(shí)的計(jì)算復(fù)雜度縮短訓(xùn)練的時(shí)間。由于SCN的隱藏節(jié)點(diǎn)的數(shù)量是可以改變的，增加網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)能夠提高模型的逼近能力，這種獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)能夠提高選線時(shí)分類(lèi)的精確度。

3 基于CEEMD-LMD-SCN的集合型配電網(wǎng)故障選線步驟

故障選線流程如圖3所示。配電網(wǎng)故障選線流程實(shí)現(xiàn)步驟如下。

圖3 配電網(wǎng)故障選線流程Fig.3 Fault line selection process of distribution network

(1)采集故障發(fā)生瞬間一個(gè)工頻周期的時(shí)間窗數(shù)據(jù)。

(2)對(duì)故障瞬間各饋線的暫態(tài)零序電流信號(hào)進(jìn)行CEEMD分解；對(duì)CEEMD分解所得IMF分量求取能量熵，利用CEEMD能量熵構(gòu)造故障選線特征向量F=[Fa1Fa2…Fan，F(xiàn)b1Fb2…Fbn，…，F(xiàn)e1Fe2…Fen]1×5n。

(3)對(duì)故障瞬間各饋線的暫態(tài)零序電流信號(hào)xn(t)進(jìn)行LMD分解；對(duì)LMD分解所得PF分量求取能量熵，利用LMD能量熵構(gòu)造故障選線特征向量K=[Ka1Ka2…Kam，Kb1Kb2…Kbm，…，Ke1Ke2…Kem]1×5m。

(4)將CEEMD能量熵特征向量F=[Fa1Fa1…Fan，F(xiàn)b1Fb2…Fbn，…，F(xiàn)e1Fe2…Fen]1×5n和LMD能量熵特征向量K=[Ka1Ka2…Kam，Kb1Kb2…Kbm，…，Ke1Ke2…Kem]1×5m組合，形成能同時(shí)反映故障特征的組合特征向量θ=[Fa1Fa2…Fan，F(xiàn)e1Fe2…Fen，Ka1Ka2…Kam，Ke1Ke2…Kem]1×5(n+m)。

(5)使用SMOTE算法擴(kuò)充訓(xùn)練樣本。

(6)將訓(xùn)練樣本輸入SCN中進(jìn)行訓(xùn)練，得到基于CEEMD-LMD-SCN的集合型配電網(wǎng)故障選線模型。

(7)將測(cè)試集輸入模型進(jìn)行測(cè)試。

4 配電網(wǎng)故障仿真分析

4.1 配電網(wǎng)故障仿真模型

在PSCAD中搭建了110 kV/10.5 kV配電網(wǎng)模型，如圖4所示。

圖4 配電網(wǎng)仿真模型Fig.4 Distribution network simulation model

設(shè)置架空線長(zhǎng)度為15、5 km，電纜線長(zhǎng)度為18、6.96、5.96 km。線路相關(guān)參數(shù)如表1所示。

表1 線路正零序參數(shù)Table 1 Positive zero sequence parameters of line

若故障設(shè)置如表2所示，則各線路零序電流如圖5所示。

表2 相關(guān)參數(shù)設(shè)置Table 2 Relevant parameter settings

圖5 原始電流Fig.5 Original current

4.2 樣本獲取

4.2.1 CEEMD能量熵提取

當(dāng)L1發(fā)生故障時(shí)，暫態(tài)電流分解后所得IMF分量如圖6所示。

圖6 CEEMD分解結(jié)果圖Fig.6 CEEMD decomposition results

由圖6可知通過(guò)對(duì)采集的暫態(tài)零序電流進(jìn)行分解后有5個(gè)IMF分量，計(jì)算出各自的能量E1，E2，…，E5。將求得的能量值代入式(15)中求解每個(gè)IMF分量的能量熵，即

(15)

經(jīng)計(jì)算求解出的CEEMD能量熵如表3所示。利用5條饋線的能量熵組成特征向量。

表3 CEEMD能量熵Table 3 CEEMD energy entropy

4.2.2 LMD能量熵提取

對(duì)L1線路故障狀態(tài)下采集的暫態(tài)零序電流進(jìn)行LMD分解，各線路分解后的所得的PF分量如圖7所示。由圖7可知通過(guò)對(duì)采集的暫態(tài)零序電流進(jìn)行分解后有2個(gè)PF分量，計(jì)算出各自的能量E1、E2。將求得的能量值代入式(15)中求解每個(gè)PF分量的能量熵。如表4所示。利用5條饋線的能量熵組成特征向量。

圖7 LMD分解結(jié)果圖Fig.7 LMD decomposition results

表4 LMD能量熵Table 4 LMD information entropy

4.2.3 組合特征向量的構(gòu)建

為實(shí)現(xiàn)故障線路的判斷，將CEEMD能量熵特征向量和LMD能量熵特征向量組合，形成能同時(shí)反映故障特征的組合特征向量。將組合特征向量作為SCN的輸入向量，饋線編號(hào)L1～L5分別對(duì)應(yīng)標(biāo)簽號(hào)1～5。

4.3 選線方法驗(yàn)證

4.3.1 建立基于SCN的智能故障選線模型

采樣頻率設(shè)置為10 kHz，采集故障發(fā)生瞬間一個(gè)工頻周期的時(shí)間窗數(shù)據(jù)，考慮共5種不同位置的故障情況；考慮接地電阻為10、100、200、250、400、500共6種情況；初始角取0°、30°、45°、60°、90°、120°共6種角度，每條饋線的樣本數(shù)為5×6×6=180組，考慮的故障線路包括2條架空線路和3條電纜線路共5條饋線，因此數(shù)據(jù)樣本共5×180=900組。

4.3.2 樣本擴(kuò)充

由于訓(xùn)練SCN網(wǎng)絡(luò)需要大量的數(shù)據(jù)樣本，因此利用SMOTE算法擴(kuò)充樣本數(shù)據(jù)。SMOTE算法基本思路是采用隨機(jī)線性插值的方式對(duì)樣本進(jìn)行擴(kuò)充。

(16)

式(16)中：rand(0,1)為0～1間一個(gè)隨機(jī)數(shù)。

用SMOTE算法將900組數(shù)據(jù)樣本擴(kuò)充至5 300組，將其作為訓(xùn)練樣本。

4.3.3 訓(xùn)練樣本識(shí)別結(jié)果分析

將5 300組訓(xùn)練樣本輸入SCN網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，SCN網(wǎng)絡(luò)設(shè)置迭代次數(shù)為300次，SCN訓(xùn)練過(guò)程中訓(xùn)練集的準(zhǔn)確率與損失率變化曲線如圖8所示。圖8中可以看出，經(jīng)過(guò)300次迭代后，準(zhǔn)確率接近100%。從損失的變化曲線可以看出，損失率在逐漸下降，因此沒(méi)有過(guò)擬合的問(wèn)題。

圖8 訓(xùn)練過(guò)程中正確率和損失變化曲線Fig.8 Change curve of accuracy and loss during training

訓(xùn)練集的混淆矩陣如圖9所示。將100組測(cè)試數(shù)據(jù)輸入故障選線模型中，測(cè)試集的混淆矩陣如圖10所示。從圖10中的數(shù)據(jù)可以看出5條饋線分類(lèi)結(jié)果的準(zhǔn)確率均達(dá)到較高水平。L1、L3、L4、L5故障時(shí)均能被識(shí)別出來(lái)，僅有L5存在少量誤判，體現(xiàn)了本文方法能夠有效識(shí)別出故障線路。

圖9 訓(xùn)練集的混淆矩陣Fig.9 Confusion matrix of training set

圖10 測(cè)試集的混淆矩陣Fig.10 Confusion matrix of test set

5 適用性分析

5.1 改變接地電阻

為驗(yàn)證本文算法在接入不同接地電阻時(shí)的性能，提取接地電阻為150、300、450 Ω的故障特征輸入SCN網(wǎng)絡(luò)模型進(jìn)行測(cè)試?；煜仃嚾鐖D11所示，表5為仿真驗(yàn)證結(jié)果。

圖11和表5表明，在不同接地電阻的情況下，該模型能夠進(jìn)行準(zhǔn)確的故障識(shí)別和選線。

表5 不同接地電阻情況下的仿真驗(yàn)證結(jié)果Table 5 Simulation verification results under different grounding resistance

圖11 不同接地電阻情況下的測(cè)試結(jié)果圖Fig.11 Test results under different grounding resistance

5.2 改變故障位置

為驗(yàn)證線路在不同距離的情況下發(fā)生故障時(shí)本文算法的性能，提取出不同故障距離的故障特征進(jìn)行測(cè)試。當(dāng)L1距母線1、1.5、3 km發(fā)生故障時(shí)，提取其故障特征；當(dāng)L2距母線1、5、10 km發(fā)生故障時(shí)，提取其故障特征；當(dāng)L3距母線1、10 km發(fā)生故障時(shí)，提取其故障特征；當(dāng)L4距母線3 km發(fā)生故障時(shí)，提取其故障特征；當(dāng)L5距母線1、1.5 km發(fā)生故障時(shí)，提取其故障特征，并將所有故障特征輸入SCN網(wǎng)絡(luò)模型進(jìn)行測(cè)試。混淆矩陣如圖12所示，表6為仿真驗(yàn)證結(jié)果。

圖12和表6表明，當(dāng)線路在不同位置發(fā)生故障時(shí)，SCN網(wǎng)絡(luò)能夠有效識(shí)別出故障線路。

圖12 不同故障距離情況下的測(cè)試結(jié)果混淆矩陣Fig.12 Confusion matrix of test results under different fault distances

5.3 改變故障初始角

為了驗(yàn)證在不同故障初始角度的情形下本文算法的性能,提取出不同故障初始角的故障特征進(jìn)行測(cè)試。當(dāng)L1發(fā)生故障時(shí)，提取故障初始角為0°、45°、90°的故障特征；當(dāng)L2發(fā)生故障時(shí)，提取故障初始角為0°、45°、90°的故障特征；當(dāng)L3發(fā)生故障時(shí)，提取故障初始角為0°、45°、90°的故障特征；當(dāng)L4發(fā)生故障時(shí)，提取故障初始角為0°、30°、45°、60°、90°的故障特征；當(dāng)L5發(fā)生故障時(shí)，提取故障初始角為0°、30°、45°、60°、90°的故障特征；并將所有故障特征輸入至SCN網(wǎng)絡(luò)中進(jìn)行測(cè)試?；煜仃嚾鐖D13所示，表7為仿真驗(yàn)證結(jié)果。

表6 不同故障距離情況下的仿真驗(yàn)證結(jié)果
Table 6 Simulation verification results under

different fault distances

故障線路故障距離距母線處/km分類(lèi)標(biāo)簽識(shí)別結(jié)果輸出標(biāo)簽故障線路L1111L11.511L1311L1L2122L2522L21022L2L3133L31033L3L4344L4L5155L51.555L5

從圖13和表7可以看出該故障識(shí)別模型在不同故障初始角情況下能有效識(shí)別故障和故障選線。

表7 不同故障初始角情況下的仿真驗(yàn)證結(jié)果Table 7 Simulation verification results under different fault initial angles

圖13 不同故障初始角的測(cè)試結(jié)果混淆矩陣Fig.13 Test result confusion matrix of different fault initial angles

6 算法性能分析

6.1 與單一特征輸入對(duì)比

為驗(yàn)證組合特征向量的優(yōu)越性，采用相同參數(shù)的SCN模型對(duì)零序電流經(jīng)CEEMD分解后的單一特征量進(jìn)行訓(xùn)練和識(shí)別，分類(lèi)結(jié)果如圖14所示；采用相同參數(shù)的SCN模型對(duì)零序電流經(jīng)LMD分解后的單一特征量進(jìn)行訓(xùn)練和識(shí)別，如圖15所示。

圖14 經(jīng)CEEMD分解后放入SCN分類(lèi)得到的混淆矩陣Fig.14 After ceemd decomposition Put it into the confusion matrix obtained by SCN classification

圖15 經(jīng)LMD分解后放入SCN分類(lèi)得到的混淆矩陣Fig.15 LMD decomposition and placeme Confusion matrix obtained by SCN classification

由圖14可以看出經(jīng)CEEMD分解后故障分類(lèi)的準(zhǔn)確率為85.4%，由圖15可以看出經(jīng)LMD分解后故障分類(lèi)的準(zhǔn)確率為94.6%。由此可知組合特征向量相比單一分解方法提取出的故障特征在故障選線中具有更好的識(shí)別效果。

6.2 抗噪聲干擾

在實(shí)際工作中,由于電力設(shè)備上經(jīng)常會(huì)出現(xiàn)大量噪聲數(shù)據(jù),因此為了驗(yàn)證本文算法在噪聲影響狀況下的可行性,在系統(tǒng)出現(xiàn)故障時(shí)采集的零序電流信號(hào)中,依次加入信噪比為50、60、70 dB的噪聲模擬噪聲影響的情況。圖16為加入50 dB噪聲波形圖。

圖16 50 dB噪聲下L1零序電流Fig.16 L1 zero sequence current under 50 dB noise

將噪聲測(cè)試樣本輸入SCN網(wǎng)絡(luò)中進(jìn)行測(cè)試，表8為噪聲干擾情況下選線算法性能分析的結(jié)果。

從表8可以看出，當(dāng)數(shù)據(jù)采集過(guò)程中存在噪聲時(shí)，依然能對(duì)故障線路進(jìn)行識(shí)別。

表8 噪聲干擾情況下選線算法性能分析Table 8 Performance analysis of line selection algorithm under noise interference

6.3 高阻接地測(cè)試

由于暫態(tài)過(guò)程的故障特性并不明顯,在高阻接地的情況下采用傳統(tǒng)選線方法會(huì)產(chǎn)生誤判,為了驗(yàn)證本文算法在高阻接地情況下的性能，接地電阻設(shè)置為2 000、2 500、3 000 Ω，提取高阻接地情況下的故障特征，并將所有故障特征輸入到SCN中進(jìn)行測(cè)試，混淆矩陣如圖17所示，表9為仿真驗(yàn)證結(jié)果。

由圖17與表9可以看出，當(dāng)系統(tǒng)發(fā)生高阻接地時(shí)，該故障選線模型仍能準(zhǔn)確的進(jìn)行選線。

表9 高阻接地情況下選線算法性能分析Table 9 Performance analysis of line selection algorithm under high resistance grounding

圖17 高阻測(cè)試結(jié)果混淆矩陣Fig.17 Confusion matrix of high resistance test results

6.4 與其他網(wǎng)絡(luò)對(duì)比

為驗(yàn)證SCN網(wǎng)絡(luò)的優(yōu)越性，將測(cè)試數(shù)據(jù)分別輸入Softmax分類(lèi)器、反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation，BP)、經(jīng)引力搜索算法(gravitational search algorithm，GSA)優(yōu)化的支持向量機(jī)(support vector machines，SVM)以及Elman中進(jìn)行測(cè)試，各網(wǎng)絡(luò)的分類(lèi)結(jié)果如表10所示。

由表10可知，其他4種智能識(shí)別模型的識(shí)別率均沒(méi)有SCN網(wǎng)絡(luò)的識(shí)別率高。表明相比其他分類(lèi)網(wǎng)絡(luò)，SCN網(wǎng)絡(luò)對(duì)組合特征的分類(lèi)能力更加優(yōu)越，具有更高的故障識(shí)別率。

表10 識(shí)別結(jié)果對(duì)比Table 10 Comparison of identification results

7 結(jié)論

利用配電網(wǎng)故障線路與非故障線路暫態(tài)過(guò)程存在的差異，提出基于CEEMD-LMD-SCN的集合型故障選線方法。該方法利用CEEMD與LMD對(duì)各線路的零序電流進(jìn)行分解，計(jì)算線路不同分量的能量熵值，再構(gòu)建組合特征向量，并通過(guò)SCN網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測(cè)試。經(jīng)仿真實(shí)驗(yàn)結(jié)果表明：

(1)利用CEEMD能量熵與LMD能量熵形成組合特征向量反映配電網(wǎng)線路發(fā)生小電流接地故障時(shí)的特征，利用組合特征向量作為基于SCN網(wǎng)絡(luò)的智能故障選線模型的輸入，克服了傳統(tǒng)選線方法特征提取的單一性，能夠提取更加豐富的特征數(shù)據(jù)，從而提高選線的精度。

(2)利用SCN網(wǎng)絡(luò)將配電網(wǎng)故障選線問(wèn)題轉(zhuǎn)化為多分類(lèi)問(wèn)題，通過(guò)訓(xùn)練得到合適的SCN網(wǎng)絡(luò)模型能夠有效識(shí)別配電網(wǎng)故障線路。

(3)該選線模型有一定的抗噪能力，在高電阻接地等情況下依然能識(shí)別故障線路。