一种基于卷积神经网络的故障选相方法

摘要

本发明一种基于卷积神经网络的故障选相方法。首先根据双端供电系统原理图搭建仿真模型。其次，列出网络结构，通过设置批处理数量为较大定值，训练次数为较小定值，得到测试样本的错误率，错误率最小的网络结构即为最佳网络结构。然后，在最佳网络结构下，减少批处理数量，增加训练次数，使错误率降为0，从而得到训练好的网络结构参数和权值偏置矩阵。最后，在每次故障之后，获取故障电流，输入到训练好的网络中，即可得到故障类型输出，无需再次训练。该方法能够准确进行故障选相，检测灵敏度高，不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响，具有很高的可靠性。

主权项

一种基于卷积神经网络的故障选相方法，其特征在于，包括：步骤1、搭建故障模型，故障模型基于个等效拓扑，所述等效拓扑包括电源电压经输电线路后与电源电压连接，其中，Z_m、Z_n为电源等效阻抗，f为系统频率，l为输电线路长度，x为故障位置，过渡电阻R_g，i_m、i_n为保护安装处采样电流，然后获取训练样本和测试样本；步骤2、根据步骤1建立的故障模型寻找卷积神经网络的最佳结构；步骤3、根据确定的最佳网络结构，增加训练次数，对批处理数进行改变，使测试样本的错误率降为0，然后保存训练好的网络结构参数和权值偏置矩阵；步骤4、在每次故障后，获取故障电流，输入到训练好的网络，即可输出选相结果。