多信息量分布式小波神经网络在电力系统故障测距中的应用
电气电子毕业设计442小波方法在超高压输电线行波故障测距中的应用
小波方法在超高压输电线行波故障测距中的应用摘要：输电线路发生故障后将产生向变电站母线运动的行波，因此可以在母线处采集并记录故障电流行波，利用小波变换快速算法即可实现输电线路的精确故障测距。
但由于输电线路故障电流信号中具有很强的突变信息，因此须用小波变换对实变信号进行奇异性检测，从而将奇异信号发生的时刻转换为故障距离。
文章通过EMTP仿真及对结果的详尽，提出了一种利用小波变换模极大值的传播来计算故障距离的新。
仿真试验表明了该方法具有较高的测距精度。
关键词：小波变换输电线路奇异性故障测距电力系统继电保护1 引言超高压输电线路故障测距方法主要有两类[1,2]：阻抗法和行波法。
阻抗算法是建立在工频电气量基础之上的，是通过求解以差分或微分形式表示的电压平衡方程，计算故障点与测距装置安装处之间的线路电抗，进而折算出故障距离的测距方法。
根据所使用的电气量，阻抗算法可分为单端电气量算法和双端电气量算法。
不管用哪种算法，由于受保护用互感器的误差和过渡阻抗等因素的，阻抗算法往往不能满足对故障测距的精度要求。
行波测距法的基础是行波在输电线路上有固定的传播速度（接近光速）。
根据这一特点，测量和记录线路发生故障时由故障点产生的行波到达母线的时间可实现精确故障测距。
早期行波法使用的是电压行波，而和实践证明普通的电容分压式电压互感器不能转换频率高达数百kHz的行波信号，为了获取电压行波则需要装设专门的行波耦合设备，因而使得装置构成复杂、投资大，而且缺乏测量和记录行波信号的技术条件，也没有合适的数学方法来分析行波信号，因此制约了行波测距的和。
小波分析[3]作为数学学科的一个分支，以其理论上的完美性和上的广泛性，受到界、工程界的重视。
目前，小波分析也逐步应用于电力系统。
可以运用小波变换来分解由故障录波得到的具有奇异性、瞬时性的电流、电压信号，在不同尺度上反映故障信号，根据得到的故障信号特性确定合适的距离函数，进而求解出引起此信号突变的故障时间和地点，实现故障定位。
基于神经网络的电力系统故障诊断
基于神经网络的电力系统故障诊断一、介绍电力系统故障对于现代社会的正常运行和二次能源使用起到了至关重要的作用。
对于电力系统的故障，传统的诊断方法往往过于依赖人工诊断，难以满足快速、精确和全面的要求。
因此，本篇文章将介绍一种基于神经网络的电力系统故障诊断方法，旨在提高故障诊断的准确性和效率，实现电力系统的稳定运行。
二、神经网络的基本概念神经网络是一个模拟人类神经系统的计算机模型，它由许多与生物神经元类似的简单单元组成，这些单元通过互相连接传递信息。
在神经网络中，每个单元都有一个激活状态，这个状态可以被其他神经元的信号所激活。
神经网络可以识别并学习模式，这使得它在许多应用中都展现出卓越的性能。
三、基于神经网络的电力系统故障诊断方法在基于神经网络的电力系统故障诊断方法中，我们将电力系统看作是一个由各个设备单元所组成的复杂网络结构。
首先，我们需要对电力系统进行建模和数据采集。
在建模和数据采集方面，我们使用了现代化的电力系统数据采集系统，从而获得了大量的电力系统参数和运行数据。
接下来，我们将这些数据输入到神经网络中进行学习和训练。
在训练过程中，我们使用了监督学习的方法。
具体地，我们将输入数据与正确的输出结果进行比较，从而调整网络的权重和偏置，使得网络能够对未知数据做出正确的预测。
训练完成后，我们就可以使用神经网络来进行电力系统故障诊断。
具体地，我们将电力系统的实时数据输入到已经训练好的神经网络中进行预测。
神经网络将会对每个设备单元的状态进行分析预测，从而判断是否有故障发生。
在发现电力系统故障之后，系统将会自动进行报警，并展示故障的具体位置和类型。
四、优点和应用基于神经网络的电力系统故障诊断方法具有以下优点：1. 准确性高：神经网络可以自适应地进行学习和调整，从而提高故障诊断的准确性。
2. 效率高：与传统的故障诊断方法相比，基于神经网络的方法可以快速地诊断故障，并自动进行报警。
3. 全面性强：神经网络可以对所有设备单元进行分析预测，从而提高故障诊断的全面性。
小波变换在电力系统故障检测中的实际应用案例
小波变换在电力系统故障检测中的实际应用案例电力系统是现代社会中不可或缺的重要基础设施，而电力系统故障的发生常常给人们的生活和工作带来很大的不便。
因此，对电力系统的故障检测和诊断具有重要的意义。
小波变换作为一种强大的信号处理工具，被广泛应用于电力系统故障检测中，取得了令人瞩目的成果。
在电力系统中，故障信号往往是由于电力设备的损坏或异常引起的。
这些故障信号具有复杂的波形特征，包含了丰富的频率和时间信息。
传统的傅里叶变换在处理这些信号时存在一些局限性，无法有效地提取出故障信号中的细节信息。
而小波变换通过将信号分解成不同频率的子信号，能够更好地反映信号的时频特性，从而实现对故障信号的准确检测和诊断。
以变压器故障检测为例，变压器是电力系统中最重要的设备之一，其故障会对整个系统的运行造成严重影响。
传统的故障检测方法主要是基于变压器的运行参数进行分析，但这种方法往往无法及时发现变压器内部的隐患。
而小波变换结合故障特征提取技术，可以对变压器的电流和电压信号进行分析，从而实现对变压器内部故障的早期检测。
在实际应用中，可以将小波变换应用于变压器的故障诊断中。
首先，将变压器的电流和电压信号进行小波分解，得到不同频率的子信号。
然后，通过对子信号进行特征提取，可以得到反映变压器健康状态的特征参数。
最后，通过对特征参数进行分析和判断，可以准确地检测出变压器是否存在故障，并确定故障的类型和位置。
例如，当变压器内部存在绕组短路故障时，小波变换可以通过对电流信号进行分析，提取出与短路故障相关的高频成分。
而当变压器存在绝缘老化故障时，小波变换可以通过对电压信号进行分析，提取出与绝缘老化故障相关的低频成分。
通过对这些特征参数的分析，可以准确地判断变压器的健康状态，及时采取相应的维修措施，避免故障的进一步扩大。
除了变压器故障检测，小波变换还可以应用于其他电力设备的故障检测中，如发电机、开关设备等。
通过对不同设备的电流和电压信号进行小波分析，可以提取出与故障相关的特征信息，实现对故障的准确检测和诊断。
小波变换和自相关分析法在电力电缆故障测距中的应用
研究与开发年第期6小波变换和自相关分析法在电力电缆故障测距中的应用王建立张志利（第二炮兵工程学院兵器发射理论与技术国家重点学科实验室，西安710025）摘要在深入分析电力电缆故障测距特点的基础上，本文采用电感式脉冲反射电流冲闪法取得故障信号。
运用Daub4小波变换对原始故障信号进行分解、重构、消噪，得到分解后的高频信号和低频信号。
对低频信号应用自相关分析技术提供约束条件，得到粗略的脉冲时刻，再根据模极大值搜索法，逐层向高频信号进行搜索，达到放电脉冲与反射脉冲时刻精确定位，从而实现故障的自动精确测距。
仿真实验结果表明，此方法可取得较高的故障测距精度。
关键词：电力电缆；故障测距；脉冲电流法；小波变换；自相关分析The Application of Wavelet Transform and AutocorrelationAnalysis to Fault Location on Power C ableW ang Jianli Zhang Zhili（State Key Subject Lab of Weapon ’Launching Theory and Technology,the Second ArtilleryEngineering Institute,Xi ’an 710025）Abstr act Fault signal is obtained by using the inductance pulse electric current impulse methodon the base of analyzing the characteristic of power cable fault location.Daub4wavelet transform is used for disassembling 、reconstructing 、realizing wavelet de-noising for original fault signal to attain the high frequency signal and the low frequency signal.The autocorrelation analysis technique for restriction condition is used to get coarse time of the low frequency signal pulse arrival;then gradually search the high frequency signal on the base of Modulus maximum searching method to realize automatic and accurate fault location.The results of simulation show that this method can obtain high precision of fault location.Key words ：power cable ；fault location ；impulse current experimentation ；wavelet transform ；autocorrelation analysis1引言目前，行波法是电力电缆故障测距中广泛应用的方法。
基于神经网络的电力系统故障诊断技术
基于神经网络的电力系统故障诊断技术电力系统作为重要的能源供应系统，其安全和稳定运行对社会经济发展至关重要。
然而，由于各种原因，电力系统在运行过程中难免会出现故障，如电力设备损坏、短路、过载等。
及时准确地诊断电力系统故障，对保障电力系统的安全运行起着至关重要的作用。
本文将介绍一种基于神经网络的电力系统故障诊断技术，旨在提高电力系统故障诊断的准确性和效率。
1. 神经网络在电力系统故障诊断中的应用神经网络是一种模拟人脑神经元网络结构及其运算规则的计算模型。
其具有分布式存储和处理信息的能力，可以自适应地学习和记忆输入模式，并能通过调整内部连接权值和阈值实现自动关联、分类和识别等功能。
因此，神经网络在电力系统故障诊断中具有广阔的应用前景。
2. 神经网络模型的构建针对电力系统故障诊断任务，可以构建适应性较强的神经网络模型。
首先，收集和处理电力系统故障数据，包括电流、电压、功率因数等指标，以及与故障相关的输入信息。
然后，基于经验规则和专家知识，构建神经网络的输入层、隐藏层和输出层，并确定各层之间的连接权值和阈值。
最后，利用训练集对神经网络进行训练和优化，以提高其故障诊断的准确性和泛化能力。
3. 神经网络的训练和应用通过对大量的电力系统故障数据进行训练，可以使神经网络学习到故障模式和规律，并能够对未知故障进行准确诊断。
在训练过程中，可以采用反向传播算法和梯度下降法等优化方法，不断调整连接权值和阈值，以降低误差和提高模型的拟合能力。
在实际应用中，将训练好的神经网络模型输入待诊断的电力系统数据，经过前向传播计算，即可输出故障的类型、位置和程度等信息，为后续的故障修复和维护工作提供参考依据。
4. 神经网络故障诊断技术的优势和挑战相比传统的电力系统故障诊断方法，基于神经网络的故障诊断技术具有以下优势：（1）具有较强的自学习和自适应能力，能够适应不同类型和程度的故障；（2）能够处理多变量和非线性关系，提高故障诊断的准确性和可靠性；（3）能够进行并行计算和快速响应，缩短故障诊断的时间。
基于神经网络的负荷预测技术在电力系统中的应用研究
基于神经网络的负荷预测技术在电力系统中的应用研究电力系统是现代社会的基础设施之一，保障了工业、商业和居民的日常用电需求。
然而，电力系统需要在瞬息万变的情况下保持平衡，包括负荷平衡、能源平衡和网络平衡等方面。
因此，在电力系统中进行负荷预测是至关重要的。
近年来，神经网络作为一种强大的模型，已经在电力系统的负荷预测中大放异彩。
一、神经网络的基本原理神经网络是一种模拟人类大脑功能的算法，具有自适应、非线性和并行处理等特点，可以自我学习和优化模型。
神经网络是由多个神经元组成的，每个神经元根据输入信号进行计算，并通过激活函数生成输出。
神经元之间的连接权重可以根据误差不断调整，从而优化模型性能。
神经网络可以分为前向神经网络、反向传播神经网络和递归神经网络等不同类型。
二、电力系统中的负荷预测电力系统中的负荷预测是指对未来一段时间内的负荷进行估计。
负荷预测的准确性对于电力系统的稳定运行和经济效益都非常重要。
传统的负荷预测方法基于时间序列分析、回归分析等统计方法，但这些方法需要大量的历史数据和专业知识，而且对于复杂的系统和非线性的关系难以拟合。
因此，神经网络作为一种自适应学习方法，逐渐应用于电力系统中的负荷预测。
三、基于神经网络的负荷预测算法基于神经网络的负荷预测算法通常包括以下步骤：数据预处理、特征提取、神经网络建模、模型训练和预测等阶段。
数据预处理主要涉及数据清洗、过滤和归一化等方法，以确保数据的准确性和一致性。
特征提取是将原始数据转换为可供神经网络处理的数据形式，常见的特征包括时间、天气、节假日和工作日等。
神经网络建模是将特征与输出负荷建立映射关系的过程，常见的神经网络模型包括BP神经网络、RBF神经网络和FNN神经网络等。
模型训练是通过训练数据和误差反馈调整神经网络的连接权重，以优化模型性能。
最后，预测阶段是将模型应用于测试数据，进行负荷预测。
四、基于神经网络的负荷预测应用研究基于神经网络的负荷预测已被广泛应用于电力系统中，包括电力市场调度、电力负荷预测和电力安全评估等领域。
小波测距在配电网接地故障中的应用
小波测距在配电网接地故障中的应用X高 波(胜利油田临盘采油厂,山东临邑 251507) 摘 要:小波作为一种数值计算和信息处理技术越来越广泛地在工业实践中得到应用,小波测距在处理配电网接地故障中的应用,解决了工业实践中的实际问题。
关键词:小波测距;配电网;建模 中图分类号:T M 863 文献标识码:A 文章编号:1006—7981(2012)05—0018—03 配电网中性点采用小电流接地方式可提高供电可靠性,所以被很多国家配电系统采用。
国内外采用的小电流接地故障测距方法很多,归纳起来有:阻抗法、S 注入法、智能法、区段查找法和行波法[1]等几种。
行波法具有不受系统参数、系统运行方式、线路不对称及互感器变换误差等因素的影响,用故障点返回行波信息实现配电网故障测距具有重要研究意义[2]。
1 小波变换基础及其在电力系统分析中的应用小波变换能够将信号分解为不同的频率成分,然后在多分辨率的概念下对此频率的信号进行分析,分析的结果是一个时域信号。
小波函数定义如下:设W (t )为一平方可积函数,且其傅立叶变换满足容许性条件:∫RW (X )2XdX <∞,则称函数W (t )为小波母函数。
由小波母函数经伸缩和平移而形成一系列子函数:W A S (t )=A-1/2W (t -SA(1)称为小波基函数,式中为尺度因子,为平移参数(时移因子)。
平方可积空间(L 2(R ))中任意函数在小波基下按下式进行展开,展开系数称为连续小波变换(C W T)[4]。
2 行波测距方法行波测距是利用故障线路,在故障时由收发信号装置发出一个探测脉冲,并记下发射时间,该脉冲60%。
由于输油任务的要求,输油泵不能全天满负荷工作,需要控制出口压排量运行,很大一部分能量消耗在出口阀门节流上,造成了较大的能耗损失。
为改变外输泵长期大能耗运转情况,一首站外输电机于2007年投入使用高压变频器,变频器投用后在一定程度上降低了外输耗电,但是面对日益紧张的生产用电,外输电机每月平均27.4万kW h 的高耗能还是在一定程度上影响着吨油耗电。
基于神经网络的电网故障诊断研究
基于神经网络的电网故障诊断研究随着现代社会的发展，能源需求不断增长，电力系统作为能源产业的重要组成部分，承担着为社会经济发展提供可靠、安全、高效的供电服务的重要使命。
然而，电力系统面临的种种故障问题也不容忽视。
因为故障对整个电网的运行会产生不可预知的影响，导致电网一度甚至长时间不能正常供电，这不仅会给社会带来巨大损失，也会对日常生活带来巨大的影响。
电网故障诊断是解决这些问题的关键所在。
而神经网络模型是近年来被广泛应用于电力系统故障诊断领域的一种重要方法。
本文就基于神经网络的电网故障诊断研究给出一些基本的想法和建议。
一、电网故障与神经网络当电网系统接受特定负荷电流时，可能会出现各种类型的故障，如短路、接地故障、欠压故障和过电压故障等。
这些故障不同，对电路的电压和电流的影响也不同。
而神经网络能够学习电网的复杂非线性关系，同时可以对电压和电流的波形进行精确分析。
正是由于神经网络模型的这些性质，使得它成为预测和诊断电力系统故障的有力工具。
二、神经网络的应用基于神经网络的电网故障诊断则是利用神经网络模型构建一个模型来预测各种类型的故障。
在该模型中，特定的输入参数可能是电网电流、电压和负荷。
同时，对于故障的不同类型，可能存在不同的情况，而这些情况需要对神经网络进行再训练，以提高其预测准确性。
值得注意的是，神经网络模型的构建需要大量的数据，这些数据需要从现有的电网系统中获取。
因此，对于电网系统而言，要进行数据的收集和处理工作。
三、基于神经网络的电网故障诊断研究目前，基于神经网络的电网故障诊断已经成为了众多研究方向之一。
比如，在交流阻抗分析中，研究人员通过交流阻抗和复合接地电阻的测量，使得神经网络模型能够识别无地故障、单地故障和双地故障。
同时，也有一些研究关注于利用神经网络模型诊断过电压故障、欠电压故障等故障类型。
最近，一些研究人员也开始探究在开放环境中构建神经网络模型的可能性。
这些研究人员认为，开放环境中可以获取更多的数据，而这些数据可以大规模地用于提高神经网络模型的应用效果和预测准确率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（５）
δｐ２ｉ
＝
（"
３ ｐ
ｗ３，２ ｉ
）ｆ２′（ｕｉ）
ｉ
＝
０，１，…，Ｋ－
１；ｊ＝
０，１，…，Ｊ
式中 # 为学习步长，网络各节点的阈值据隐含层的“等效误差分量”"
２ ｐｉ
，调整自适应
层小波函数的两参数：
" # !Ｋ－ １
!ａ
１ ｉ
＝
#
!
"
２ ｐ
ｋ
ｗ２，１ ｋｉ
ｋ＝ ０
当神经元所采用的功能函数连续可微时，可严
格地利用梯度法进行推算。设样本 ｐ 对应的输出误
差为 Ｅｐ＝ （ｄ － ｙ）２，则网络各层的权值调节为
"ｐ３ ＝（ｄ ｐ － ｙｐ）ｆ３′（Ｉ）
!ｐ
ｗ３，２ ｊ
＝
#
"
３ ｐ
ｏｐ
ｊ
ｊ＝ ０，１，…，Ｋ
!ｐ
ｗ２，１ ｉ，ｊ
＝
#
（"
３ ｐ
ｗ３，２ ｉ
）ｆ
２′（ｕｉ）ｇｐ１ｊ
基本故障测距部分是由 ４ 个平行、独立的神经 网络子模式所构成，分别完成高压输电线路的单相 接地、两相短路接地、两相短路和三相短路 ４ 大模式 的基本测距功能，根据故障类型特征性能的要求分 别预处理数据。
在本层中各测距模块都采用小波神经网络模
型，网络的输入矢量和维数见表 １，输出层只有 １ 个 神经元，表示故障距离。 ３．２ 泛化层
故 障 故类 障型 数识 据别 网 络
基本 测距 网络
基本 测距 网络
基本 测距 网络
基本 测距 网络
距离 泛化 网络
距离 泛化 网络
距离 泛化 网络
距离 泛化 网络
校正 网络
校正 网络
校正 网络
校正 网络
单相 接地 故障 测距 模块
测 距 结 果
图 ３ 多信息量分布式神经网络故障测距模型结构 Ｆｉｇ．３ Ｔｈｅ ａｒｃｈｉｔｅｃｔｕｒｅ ｏｆ ｍｕｌｔｉ－ｉｎｆｏｒｍａｔｉｏｎ ｄｉｓｔｒｉｂｕｔｅｄ ＮＮ ｆａｕｌｔ ｌｏｃａｔｉｎｇ ｓｙｓｔｅｍ
（４）
生成泛化层各子神经网络训练样本集时，近端距 离泛化子网络，故障距离变化步长减小，故障初始角 的变化步长也作相应的减小。对远端距离泛化网 络，距离和对端系统阻抗的步长减小，这样提高了整 个神经网络系统的测距精度。 ３．３ 故障测距校正层
４ 类故障测距模块中，对应于基本故障测距层和 距离泛化层，分别串联设计 ４ 个测距结果校正子网络， 主要完成故障前两端系统电势夹角（表征负荷电流 的大小）及系统阻抗（表征系统的运行方式）因素对 测距结果影响的校正。
摘要：提出了一种利用单端多信息量的测距方案。该方案采用分布式小波神经网络，通过模块化设
计，充分考虑了高压线路中影响测距精度的各个因素，并针对常规测距中对于线路始端和终端测
距精度不高的缺点，给出了运用泛化层解决的方案，实现了高压输电线路的高精度测距要求 。 该
方案可以避免常规方案中出现伪根，迭代不收敛，以及消除对端系统运行方式和助增电流影响导
Ｗ!（ａ，ｂ）＝ ａ－
１ ２
!Ｎ
"［ｆＮ（ｉ!）!］!（ａ－ １ｉ! －
ａ－ １ｂ）
（３）
ｉ＝０
电力自动化设备
第 ２５ 卷
式中 Ｎ 为要分析的序列点总数；Ｔ ＝ （Ｎ － １）×! 是
信号的时间窗宽度。
为防止边界效应，实现故障测距时，将时间窗定
为 １ 个周期，故障前 １ ／ ４ 周期 ＋ 故障后 ３ ／ ４ 周期。
"ｇ
１ ｉ
"#
１ ｉ
ｉ ＝ ０，１，…，Ｊ － １
（６）
" $ !Ｋ－ １
!ｂ
１ ｉ
＝
#
!
"
２ ｐ
ｋ
ｗ２，１ ｋｉ
ｋ＝ ０
"ｇ
１ ｉ
"ｂｉ１
ｉ ＝ ０，１，…，Ｊ － １
（７）
权空间调节中应确保参数 ａ 为正，小波函数的
时窗中心以及左右边界在被分析信号时窗内，以此
来确定参数 ｂ 的调整范围。实际应用中还可以引入
各种常规的单端测距算法，除单端行波法外，由 于高压线路故障时对端系统的运行参数，对于测距 装置的安装端是不可知的，即具有一定的模糊性，从 而导致测距精度的降低，甚至到不能接受的地步。另 外，在具体的测距算法中，由于高压线路模型的简 化，以及非重要参数的忽略或解析算法的假设，都会 产生程度不同的原理性或局限性误差。单端行波测 距法其原理很简单，但对于波头的检测、区分以及有 效地消除输电线路近距离故障的测试死区等技术细 节以及实用化方面，尚有许多问题需要解决。至于 其他单端测距方法如专家系统方法、在线识别方法 等，都处在研究的起始阶段。所以如何利用单端信 息量实现输电线路的高精度故障测距仍是电力技术 人员研究的重要课题。
一定的模糊处理区。本文设计 １０ ｋｍ 的模糊处理 区，图 ４ 为隶属度曲线。图中，横轴 ｌ 表示故障点距 Ｍ 侧（保护安装处）的长度，单位 ｋｍ，纵轴表示隶属 度 ! ｉ，ｉ ＝ １，２，３。
!ｉ !１ １
!２
!３
０
４０ ６０
１８０ ２００ ｌ
图 ４ 距离泛化层各区间对应的隶属曲线 Ｆｉｇ．４ Ｍｅｍｂｅｒｓｈｉｐ ｆｕｎｃｔｉｏｎｓ ｏｆ ｄｉｓｔａｎｃｅ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ｌａｙｅｒ
本文在利用 ＮＮ１ 准确识别故障类型的基础上， 构建分层结构和分布式功能的神经网络模块 ＮＮ２ 来解决由于隐层节点过多而引起的拟和、推广能力差 的问题。
图 ３ 是该测距网络的结构图［９］，采样数据直接 送入故障类型识别网络，根据故障识别网络的输出， 控制下一步所需要启动的相应神经网络子模块的运 行，即对应某类故障仅运行各层中的相应故障类的 神经网络模块。如故障类型识别为正常状态则退出 系统。被启动的故障测距子模块，由故障数据库获 得采样数据，按照各自的要求，预处理后首先送入基 本故障测距层，计算其输出测距结果对应于泛化层各 区间的隶属度，作为控制因子激活距离泛化层中隶属 度大于 ０ 的相应子网络，泛化层的最终输出结果经校 正层校正后，最终给出此系统的测距结果［１０］。
１ 小波神经网络算法［９］
定义：如果神经网络的神经元功能函数中含有 小波或其相应的尺度函数，则此神经网络称为小波 神经网络，如图 １ 所示。
输出层
隐含层
!ｎ
"
ｈ
ｉ ａ
#ｊｉ
小波
ｉ＝１
变换层
ｈ ａ１
ｈ
２ ａ
…
…
…
…
…
… 输入层
Ｘａ１ Ｘａ２…Ｘａｎ Ｘｂ１ Ｘｂ２…Ｘｂｎ Ｘｃ１Ｘｃ２…Ｘｃｎ
图 １ 小波神经网络模型 Ｆｉｇ．１ Ｔｈｅ ｍｏｄｅｌ ｏｆ ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
第 １１ 期
王兴国，等：多信息量分布式小波神经网络在电力系统故障测距中的应用
３ 具有冗余信息的高压输电线路故障测距 小波神经网络的构造
测距网络可分为基本测距层、泛化层、校正层 ３ 部分。 ３．１ 基本测距层
为了保证训练后神经网络系统的故障测距精度
及可靠性，生成样本考虑以下因素：故障点位置、过 渡电阻、故障初始角、对端系统阻抗、两端系统电势 夹角以及故障前负荷等。为提高故障测距系统的整 体性能，基本测距层考虑前 ４ 种变化因素，确保故障 测距的灵敏度。
高压输电线路的故障测距是快速查找输电线路 故障位置的重要依据，准确的故障测距可以大大减 少排除故障的时间，对快速恢复供电有着重要的实 用价值。按照测距实现时所用的数据来源，测距方 法有单端测距法和双端测距法。单端测距法实现成 本比较低，并且不受通信设施的限制，国内这种测距 装置应用较多。长期以来，单端测距一直受到重视。
致测距误差大等不足。该方法可以根据现场运行数据进行训练，具有再学习的能力。ＡＴＰ 和 Ｍａｔｌａｂ
仿真表明，该方案测距精度高，适应性强，性能可靠。
关键词：电力系统；故障测距；小波神经网络；多信息量
中图分类号：ＴＭ７１１
文献标识码：Ａ
文章编号：１００６－ ６０４７（２００５）１１－ ００５１－ ０５
０ 引言
当给定小波 ! 及尺度函数 " 后，一个信号 ｆ（ｔ） 的某种频率段分量为小波变换
! ｃａ，ｂ＝ ａ
－１ ２
ｆ（ｔ）!（ ｔ － ｂ ）ｄ ｔ
Ｒ
ａ
（１）
给定信号的有限时间采样序列 ｆ（ｔｉ）＝ ｆ（ｉ!）（ｔｉ "
［ｔ１，ｔ２］，ｉ ＝ １，…，Ｎ）后，式（１）可以离散计算为
ｃａ，ｂ ＝
ｔ１ － ｔ２ Ｎ
由常规的单端量法的解析法可知，故障测距的
误差在线路两端最大，而在线路中间位置误差较小，
在故障测距神经网络模型中也出现类似的情况，为
此本文提出了距离泛化层来解决高压线路始端和末 端测距时精确度不够的问题。
鉴于小波神经网络模型的外推能力较差，为提高 测距的可靠性，根据基本测距层的最大可能距离误 差，在距离泛化层各神经网络的测距范围边界设置
来困难。因此，本文针对单相接地故障将详细阐述。
所用系统和参数如图 ５ 所示。
５００ ｋＶ Ｍ ８０ ｋｍ
２４０ ｋｍ
Ｎ
５００ ｋＶ
８０ ｋｍ
Ｚｍ１＝ １．２８５ ７ ＋
Ｚ１＝ ０．０１８ ０８ ＋
Ｚｎ１＝ １．６７１ ４ ＋
ｊ ５５．６３７ ７ Ω／ ｋｍ ｊ ０．２７７ ４７ Ω／ ｋｍ
输出矢量：
Ｇ１ ＝
［ｇ
１ ０
，ｇ
１ １
，…，ｇ
Ｊ
１ －１
］
式中 Ｊ 为自适应层的总节点数。
ｂ． 计算出隐含层的输入矢量：