一種采用2級反向傳播神經(jīng)網(wǎng)絡的輸電線路故障測距方法

焦在濱,宋新堯,李炳緒,吳潤東

(1.西安交通大學電氣工程學院,710049,西安;2.西安交通大學陜西省智能電網(wǎng)重點實驗室,710049,西安;3.國網(wǎng)安徽省電力有限公司經(jīng)濟技術研究院,230022,合肥)

長距離輸電線路故障的快速準確定位對于減輕巡線負擔、快速恢復故障、保障電力系統(tǒng)的安全運行具有重大意義[1]。目前的故障測距方法按照原理不同可分為故障分析法和行波法這2類。故障分析法包括阻抗法、解復數(shù)方程法和電壓法:阻抗法根據(jù)測量得到的電壓和電流計算阻抗從而得出故障距離,受過渡電阻的影響較大[2-3];解復數(shù)方程法建立電壓和電流的復數(shù)方程,通過迭代求解方程得出故障距離,計算量較大且容易出現(xiàn)偽根[4];電壓法根據(jù)電壓沿線路的分布規(guī)律求出故障距離[5]。行波法根據(jù)測量觀測點和故障點之間的行波傳播時間來計算故障距離[6],雖然具有較高的測距精度,但需要額外投資專門的一次傳感器,且應用于高阻故障時可靠性問題較為突出。根據(jù)使用到的電氣量來源,故障測距又分為單端測距法和雙端測距法:單端測距法僅使用單端電氣量,存在原理性誤差[7-8];雙端測距法可以消除原理性誤差,但對同步性的要求較高[9-10]。過渡電阻是影響故障測距的關鍵因素,在高阻接地故障下,如阻抗法等的傳統(tǒng)測距方法已經(jīng)失效,解復數(shù)方程法、雙端測距法等方法雖能夠消除過渡電阻的影響,但具有運算較復雜、有偽根、對同步性要求高等不足。

提升測距算法的魯棒性是故障測距研究的關鍵問題。魯棒性是自動控制領域里的一個常用術語,表達在有外界擾動的條件下,系統(tǒng)保持穩(wěn)定性和其他性能的能力[11]。國內外學者對各個外界因素的變化對測距方法的影響均展開了深入的研究,例如:線路參數(shù)發(fā)生變化[12]、兩端數(shù)據(jù)不同步[13]、系統(tǒng)運行方式發(fā)生改變[14]等。但是,現(xiàn)有文獻均未考慮到電氣量數(shù)據(jù)測量誤差對測距結果的影響。在實際電力系統(tǒng)中,測量誤差是隨機的、客觀存在的,無法用統(tǒng)一的表達式進行表示,傳統(tǒng)的以解析法為基礎的測距算法無法從原理上將其避免。

神經(jīng)網(wǎng)絡經(jīng)過充分訓練后可以逼近任何期望的數(shù)學模型,作為一種新興智能算法在故障測距領域已有一定的研究。文獻[15-16]基于多層次反向傳播(BP)神經(jīng)網(wǎng)絡,對單端多維電氣量進行數(shù)據(jù)融合、計算故障位置,但由于未對電氣量的變化特性進行充分研究,存在著輸入電氣量維度大、網(wǎng)絡訓練復雜、只適用于小電阻故障的不足之處。文獻[17]對神經(jīng)網(wǎng)絡的結構進行了研究,提出了適用于故障定位問題的最優(yōu)網(wǎng)絡結構,但文中的訓練樣本集沒有覆蓋完整的故障模式空間,僅考慮了小過渡電阻接地的情況,因此訓練得到的故障測距模型不能適用于各種故障模式。充分利用神經(jīng)網(wǎng)絡在模式識別及非線性擬合等方面的優(yōu)勢,可以解決現(xiàn)有故障測距方法的諸多不足,提出一種適用于各種故障模式的故障測距神經(jīng)網(wǎng)絡模型具有重要意義。

本文提出了一種基于2級BP神經(jīng)網(wǎng)絡的輸電線路故障測距方法。首先,分析了雙端電氣量隨過渡電阻的變化情況;然后,據(jù)此將故障場景分為低阻區(qū)和高阻區(qū)2類,構建了基于過渡電阻分類的2級測距神經(jīng)網(wǎng)絡;最后,對訓練方法進行改進,將無誤差和考慮誤差樣本組成的重復樣本對作為BP神經(jīng)網(wǎng)絡的訓練輸入樣本,使得訓練后的測距網(wǎng)絡對隨機誤差具備一定的適應能力。電磁暫態(tài)仿真結果表明:本文方法能夠很好地解決高過渡電阻對故障測距準確性的影響,對隨機誤差的適應能力明顯優(yōu)于已有測距方法。

1 基于重復樣本對訓練的2級測距BP神經(jīng)網(wǎng)絡

1.1 雙端電氣量隨過渡電阻的變化情況

過渡電阻是故障場景的一個關鍵屬性,也是影響測距精度的重要因素。對于同一條輸電線路,故障位置相同但過渡電阻不同時,雙端電氣量也會不同。

基于文獻[18]中的500 kV典型京津唐輸電線路模型及參數(shù),對線路首端5 km處發(fā)生各種類型故障時雙端故障相電氣量隨過渡電阻的變化情況進行電磁暫態(tài)仿真,結果如圖1所示。

(a)單相接地故障

(b)兩相短路故障

(c)兩相接地故障

(d)三相接地故障圖1 各故障類型電氣量隨過渡電阻的變化情況

由圖1可見,輸電線路雙端電氣量的變化規(guī)律與過渡電阻直接相關,以單相接地故障為例,可以分析得出以下結論。

(1)在過渡電阻較小(0～50 Ω,以下簡稱為低阻區(qū))時,隨著過渡電阻的變化,電氣量變化迅速;在過渡電阻較大(50～300 Ω,以下簡稱為高阻區(qū))時,隨著過渡電阻的變化,電氣量變化較緩慢。

(2)n端故障相電流在低阻區(qū)隨過渡電阻的增大而減小,在高阻區(qū)隨過渡電阻的增大而增大,呈現(xiàn)出完全相反的變化規(guī)律。

由此可以看出,輸電線路雙端電氣量的變化規(guī)律與過渡電阻密切相關,呈現(xiàn)出顯著不同的區(qū)域性特征。

由圖1可知,雖然對于不同故障類型,區(qū)分其低阻區(qū)和高阻區(qū)的閾值不盡相同,但針對所有故障類型,輸電線路雙端電氣量的變化規(guī)律均與過渡電阻相關,呈現(xiàn)出明顯的區(qū)域性特性。為解決過渡電阻對于故障測距精度的影響,本文以過渡電阻為依據(jù)構建2級BP神經(jīng)網(wǎng)絡結構,從而實現(xiàn)輸電線路的精確測距。

1.2 2級測距BP神經(jīng)網(wǎng)絡的基本原理

對于神經(jīng)網(wǎng)絡,在訓練樣本的規(guī)律過于復雜、訓練樣本的數(shù)目又十分有限的情況下,訓練出的神經(jīng)網(wǎng)絡是難以精確反映訓練樣本的變化規(guī)律的。相反,訓練樣本數(shù)據(jù)的變化越有規(guī)律可循、變化的規(guī)律越單一、越簡單,則訓練網(wǎng)絡對樣本量的要求越低,訓練效果越好。顯然,對于一個具有不同變化規(guī)律的數(shù)據(jù)集,如果能夠按照其變化規(guī)律將該數(shù)據(jù)集分成若干子類,則對各個子類分別進行網(wǎng)絡訓練的效果要遠遠好于對整個數(shù)據(jù)集進行網(wǎng)絡訓練的效果。所以,有必要將電氣量數(shù)據(jù)分為高阻區(qū)和低阻區(qū)2個子類,對各個子類分別進行網(wǎng)絡訓練,以得到更好的訓練效果。

本文構建的兩級測距BP神經(jīng)網(wǎng)絡的基本原理如下:將歸一化的量測電氣量數(shù)據(jù)輸入第1級分區(qū)網(wǎng)絡進行阻抗分區(qū),根據(jù)過渡電阻所在區(qū)域選擇第2級測距網(wǎng)絡,而第2級網(wǎng)絡的訓練集則分別考慮低阻區(qū)及高阻區(qū)的故障定位差異,其輸出結果即為故障測距的最終結果。

(1)第1級BP神經(jīng)網(wǎng)絡:用于過渡電阻阻抗分區(qū)。原始雙端電氣量(m端電壓和電流um、im,n端電壓和電流un、in)經(jīng)預處理后得到歸一化的雙端電氣量,為第1級BP神經(jīng)網(wǎng)絡的輸入,輸出量Qsort表征輸入數(shù)據(jù)位于高阻區(qū)或低阻區(qū)的概率(若Qsort≤0.5,則輸入數(shù)據(jù)位于低阻區(qū);若Qsort>0.5,則輸入數(shù)據(jù)位于高阻區(qū))。第1級神經(jīng)網(wǎng)絡要實現(xiàn)的映射關系為

(1)

(2)第2級BP神經(jīng)網(wǎng)絡:用于故障測距。第2級神經(jīng)網(wǎng)絡的輸入同第1級神經(jīng)網(wǎng)絡,輸出為故障位置d0。第2級神經(jīng)網(wǎng)絡要實現(xiàn)的函數(shù)映射關系為

(2)

圖2為本文提出的2級BP神經(jīng)網(wǎng)絡的總體結構。在電氣量數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡進行計算之前,需要進行線性歸一化處理,去除數(shù)據(jù)的單位限制,將其轉化為區(qū)間[-1,1]內的數(shù)值,便于不同單位或量級的指標能夠進行比較和加權。線性歸一化的轉化函數(shù)為

(3)

圖2 2級BP神經(jīng)網(wǎng)絡的總體結構

1.3 重復樣本對訓練的基本原理

互感器的測量誤差是影響電力系統(tǒng)故障測距精度的重要因素。電力系統(tǒng)電壓和電流互感器的測量誤差與諸多因素相關,具有隨機性、不確定性、難以用統(tǒng)一的解析表達式描述等特征,目前的故障測距方法均無法從原理上避免互感器的傳變誤差對測距結果的影響。

與傳統(tǒng)的基于解析法求解的測距算法相比,基于神經(jīng)網(wǎng)絡的測距方法的最大優(yōu)勢在于可以任意調整預期的數(shù)學模型,并根據(jù)模型選擇相應的樣本,然后對網(wǎng)絡進行訓練,使網(wǎng)絡精確地逼近預期的數(shù)學模型。基于這一點,可以對訓練樣本做出如下改進:同時輸入無誤差樣本集A和考慮誤差的樣本集B。樣本集A中的數(shù)據(jù)即為仿真得到的電氣量數(shù)據(jù)真值,樣本集B中的數(shù)據(jù)是在樣本集A的數(shù)據(jù)中重復性地加入隨機噪聲(測量誤差)后得到的。利用樣本集A和B的數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練,使得訓練后的神經(jīng)網(wǎng)絡能夠自動降低噪聲干擾,在無誤差和考慮誤差的故障場景下均能精確計算故障位置。

對于同一個故障場景,將無誤差樣本集A和考慮誤差樣本集B中的訓練樣本組成的訓練樣本集定義為“樣本對”。對于某一故障場景,樣本對的定義為

(4)

由于測量誤差是隨機分布的,對于某一故障場景,僅用1組樣本對訓練顯然是不夠的。為了讓網(wǎng)絡能夠充分識別各種測量誤差,對于單個故障場景,本文選取的訓練樣本對的數(shù)量為100,重復訓練100次,訓練的樣本對集合為

(5)

2 訓練集的生成與BP神經(jīng)網(wǎng)絡調參

圖3 輸電線路正序等效電路圖

圖4 輸電線路零序等效電路圖

采用PSCAD/EMTDC電磁暫態(tài)仿真軟件對輸電線路模型進行仿真,獲得訓練的原始數(shù)據(jù)樣本。采用Matlab軟件進行數(shù)據(jù)處理,采樣頻率為2 kHz,利用全周傅式算法提取工頻相量,計算得到雙端電壓和電流的幅值和相角。

2.1 故障場景的選擇

訓練樣本應涵蓋各種故障特征,需要選取合適的、具有代表性的故障場景作為研究對象。生成訓練樣本時,應考慮以下因素:

(1)500 kV線路上發(fā)生故障后,最大的過渡電阻可達300 Ω,所以取過渡電阻的區(qū)間為[0,300] Ω;

(2)故障位置采用歸一化后的值,即實際故障位置和線路總長的比值,取值范圍為[0,1];

(3)線路兩端電勢夾角分別取為15°、25°、30°、35°、45°;

(4)設對端系統(tǒng)阻抗的額定值為ZN,對端系統(tǒng)阻抗取為0.8ZN、ZN、1.2ZN。

考慮到低阻區(qū)電氣量變化較快,故減小過渡電阻的變化步長,增加故障場景的數(shù)量。由于高阻區(qū)電氣量變化較慢,較少的故障場景即可代表整個高阻區(qū)的變化特征。結合上述準則,確定故障場景集合如下。

低阻區(qū):過渡電阻為{0,5,10,…,45,50}Ω,故障位置為{0,0.2,0.4,…,0.8,1},兩端電勢夾角為{15°,25°,30°,35°,45°},對端系統(tǒng)阻抗為{0.8ZN,ZN,1.2ZN}。

高阻區(qū):過渡電阻為{60,80,…,300}Ω,故障位置為{0,0.2,0.4,…,0.8,1},兩端電勢夾角為{15°,25°,30°,35°,45°},對端系統(tǒng)阻抗為{0.8ZN,ZN,1.2ZN}。

對于第1級的高阻/低阻區(qū)域BP神經(jīng)網(wǎng)絡,準確分類對確保故障測距模型的精確測距尤為重要。該級神經(jīng)網(wǎng)絡的故障場景集合包含低阻區(qū)故障場景集和高阻區(qū)故障場景集,期望在低阻區(qū)輸出量Qsort=0,在高阻區(qū)輸出量Qsort=1。

利用選取的樣本集訓練BP神經(jīng)網(wǎng)絡,仿真結果表明訓練后的神經(jīng)網(wǎng)絡能夠達到以下精度:當過渡電阻R≤40 Ω時,輸出量Qsort=0;R≥60 Ω時,輸出量Qsort=1。但是,若過渡電阻在40～60 Ω的范圍內,也就是處于高阻區(qū)和低阻區(qū)之間的過渡區(qū)域時,神經(jīng)網(wǎng)絡計算的Qsort在0～1之間。這種無法準確確定所屬區(qū)域的過渡電阻范圍(40～60 Ω)稱為模糊區(qū),即處于該范圍內的過渡電阻可能被分入低阻區(qū),也有可能被分入高阻區(qū)。

對于模糊區(qū)的處理原則如下:無論第2級網(wǎng)絡是低阻故障測距網(wǎng)絡還是高阻故障測距網(wǎng)絡,所選取訓練樣本的故障場景都應完全覆蓋模糊區(qū),即對于處在模糊區(qū)內的輸入數(shù)據(jù),低阻區(qū)和高阻區(qū)的測距網(wǎng)絡都可以給出準確的測距結果。所以,低阻區(qū)故障場景的過渡電阻調整為{0,5,…,55,60}Ω,高阻區(qū)故障場景的過渡電阻調整為{40,60,…,280,300}Ω。

經(jīng)過組合,低阻區(qū)故障場景數(shù)為1 170個,高阻區(qū)故障場景數(shù)為1 260個。

2.2 測量誤差的模擬

電壓互感器和電流互感器的測量誤差與其自身的設計參數(shù)和系統(tǒng)的運行工況等因素密切相關,目前尚無對互感器誤差分布的研究數(shù)據(jù),本節(jié)僅以互感器測量系統(tǒng)的隨機誤差為研究對象,說明神經(jīng)網(wǎng)絡訓練集的生成原則和方法。

由于測量系統(tǒng)中隨機誤差的特點是小誤差比大誤差出現(xiàn)的概率大、正負誤差出現(xiàn)的概率相等、誤差的期望值為0、不同測量誤差之間不相關,所以可以認為測量的隨機誤差為均值為0的高斯白噪聲[19]。本文利用Matlab軟件產(chǎn)生相應的高斯白噪聲信號來添加到原始的工頻電氣量中,將處理后的工頻電氣量作為考慮測量誤差的樣本。

為研究加入不同強度白噪聲后測量結果誤差的分布情況,對某一電氣量模擬測量700次,每100次測量為1組并加入相同強度的白噪聲,研究該電氣量在7種不同信噪比下的測量結果誤差分布,結果如表1所示。

表1 某電氣量在不同信噪比下的誤差

由于電力系統(tǒng)中保護用電力互感器在系統(tǒng)短路工況下的測量誤差一般不超過5%,根據(jù)表1,本文在該電氣量訓練樣本中加入白噪聲后,該電氣量的信噪比范圍應為40～50 dB。

2.3 2級BP神經(jīng)網(wǎng)絡的訓練

訓練前首先需要確定BP神經(jīng)網(wǎng)絡的結構參數(shù)。BP神經(jīng)網(wǎng)絡應用最廣泛的激活函數(shù)有線性激活函數(shù)purelin函數(shù)、對數(shù)激活函數(shù)logsig函數(shù)、正切激活函數(shù)tansig函數(shù)。根據(jù)文獻[17]的研究,用于故障測距的BP神經(jīng)網(wǎng)絡的最優(yōu)結構應具備以下屬性:

(1)輸出層采用線性函數(shù);

(2)其他層采用非線性函數(shù);

(3)隱含層單元數(shù)一般是輸入層單元數(shù)的2倍左右。

本文構建的2級BP神經(jīng)網(wǎng)絡共包含3個BP神經(jīng)網(wǎng)絡,根據(jù)網(wǎng)絡的輸入和輸出數(shù)據(jù)的維度,確定BP神經(jīng)網(wǎng)絡的基本結構參數(shù)為:輸入層節(jié)點個數(shù)為6,輸出層節(jié)點個數(shù)為1,隱含層節(jié)點個數(shù)為16,輸入層激活函數(shù)為tansig函數(shù),輸出層激活函數(shù)為purelin函數(shù)。

在生成的無誤差訓練樣本集上加入白噪聲,得到信噪比為50 dB的考慮測量誤差的訓練樣本集,2級神經(jīng)網(wǎng)絡中的各個網(wǎng)絡的訓練情況如表2、表3及表4所示,表4中的絕對誤差為實際故障距離與測量故障距離的差,相對誤差為絕對誤差與輸電線路全長的商。

表2 第1級BP神經(jīng)網(wǎng)絡的訓練參數(shù)

表3 第2級BP神經(jīng)網(wǎng)絡的訓練參數(shù)

表4 第2級BP神經(jīng)網(wǎng)絡的訓練性能指標

對于全部訓練樣本集,第1級BP神經(jīng)網(wǎng)絡能夠準確地進行分類,誤判樣本數(shù)為0。誤判樣本指的是區(qū)域神經(jīng)網(wǎng)絡分類結果錯誤的樣本,即本屬于低阻區(qū)的樣本被分類到高阻區(qū),或本屬于高阻區(qū)的樣本被分類到低阻區(qū)。對于無誤差訓練樣本集,第2級BP神經(jīng)網(wǎng)絡故障定位結果的最大相對誤差小于1%;對于含有最大5%測量誤差的訓練樣本集,第2級BP神經(jīng)網(wǎng)絡故障定位結果的最大相對誤差為2.5%。由此可知,經(jīng)過訓練后的BP神經(jīng)網(wǎng)絡能夠準確地逼近訓練樣本集對應的映射關系,網(wǎng)絡的訓練效果較好。

3 仿真驗證

本文提出的2級測距BP神經(jīng)網(wǎng)絡應實現(xiàn)以下2個目標。

目標1:測距的準確性。輸入電氣量數(shù)據(jù),神經(jīng)網(wǎng)絡經(jīng)過運算后能夠輸出準確的測距結果。同時,訓練后的神經(jīng)網(wǎng)絡需要對故障場景的變化(如兩端系統(tǒng)阻抗的變化、兩端電勢夾角的變化等)具備一定的適應能力。此時關注的是神經(jīng)網(wǎng)絡測距的準確性,所以不考慮輸入電氣量數(shù)據(jù)有誤差的情形,即輸入的測試樣本數(shù)據(jù)不含測量誤差。

目標2:測距的魯棒性。當輸入電氣量數(shù)據(jù)中存在一定的測量誤差時,測距神經(jīng)網(wǎng)絡仍然能夠給出較準確的測距結果。此時輸入的測試樣本數(shù)據(jù)應適當?shù)募尤霚y量誤差。

本節(jié)針對以上2個目標,給出具體的仿真驗證結果。

3.1 2級BP神經(jīng)網(wǎng)絡測距準確性的驗證

本小節(jié)是對目標1的驗證。所選取的測試樣本一方面要覆蓋各種故障特征,另一方面要與訓練樣本有差異以便驗證神經(jīng)網(wǎng)絡的泛化能力。選取2組測試樣本如下。

樣本1:過渡電阻為{8,28,55,70,150,210,270}Ω,故障位置為{0.1,0.5,0.7,0.9},兩端電勢夾角為30°,對端系統(tǒng)阻抗為1.1ZN。

樣本2:過渡電阻為{8,28,55,70,150,210,270}Ω,故障位置為{0.1,0.5,0.7,0.9},兩端電勢夾角為20°,對端系統(tǒng)阻抗為ZN。

樣本1和樣本2的測試結果如表5和表6所示。

表5 樣本1的測試結果

根據(jù)表5可知,在對端系統(tǒng)阻抗發(fā)生變化的情況下,基于2級BP神經(jīng)網(wǎng)絡的測距方法不受故障位置和過渡電阻的影響,依然可以進行準確地故障測距,故障測距結果最大誤差不超過1%。

表6 樣本2的測試結果

根據(jù)表6可知,當兩端電勢夾角發(fā)生改變時,基于2級BP神經(jīng)網(wǎng)絡的測距方法不受故障位置和過渡電阻的影響,依然可以進行準確的故障測距,故障測距結果最大誤差不超過1%。即使對于高過渡電阻的故障場景,該方法仍然可以保證極高的測距準確度。

3.2 2級BP神經(jīng)網(wǎng)絡測距方法與解析法的魯棒性比較

選取文獻[20]提出的解析法與本文提出的測距方法進行魯棒性比較。

文獻[20]提出了基于解析法求解的數(shù)據(jù)融合故障測距方法。該方法利用線路兩端距離繼電器的測距結果和故障錄波裝置中的電氣量數(shù)據(jù),采用加權系數(shù)的數(shù)據(jù)融合方法,通過解析求解,對兩端距離繼電器的測距結果進行數(shù)據(jù)融合來獲得精確的定位結果,仿真結果顯示定位結果誤差小于1%。

基于加權系數(shù)的數(shù)據(jù)融合方法建立的數(shù)據(jù)融合模型為

xfusion=αx1+βx2

(6)

式中:xfusion為融合結果;x1和x2為距離繼電器的雙端測距結果;α和β為融合系數(shù)。通過解析推導,用電流表示的融合系數(shù)的表達式為

(7)

采用全線搜索法來確定真實的故障位置,真實的故障位置是融合誤差的唯一極小值點,融合誤差E(x)的表達式為

E(x)=|xfusion-x|

(8)

式中x為故障位置到線路m端的距離。

用于對比的故障場景參數(shù)如下:過渡電阻為150 Ω,故障位置為0.45,共測量100次,每次引入不同的隨機白噪聲作為測量誤差,測量電氣量信噪比為50 dB。在該故障場景下對比解析法與本文方法的測距相對誤差,結果如圖5所示。

圖5 解析法和本文方法的測距相對誤差

由圖5可知:在存在一定測量誤差的情況下,利用解析法進行故障測距的誤差較大,最大接近10%;本文方法的測距結果相對誤差都在2%以內,魯棒性明顯優(yōu)于對比方法。

根據(jù)仿真驗證結果可知,本文提出的基于重復樣本對訓練的2級BP神經(jīng)網(wǎng)絡的測距方法不受過渡電阻的影響,可以實現(xiàn)高精度的故障定位。另外,基于重復樣本對的訓練方法顯著提升了測距神經(jīng)網(wǎng)絡的魯棒性,即使輸入的電氣量數(shù)據(jù)存在一定的測量誤差,仍然能夠給出精確的測距結果。

4 結 論

本文提出了基于重復樣本對訓練的2級BP神經(jīng)網(wǎng)絡故障測距新方法。在保證測距精度的同時較大地提升了測距算法的魯棒性,理論分析和仿真實驗表明,本文提出的測距方法具備以下優(yōu)點。

(1)將故障場景根據(jù)電氣量變化規(guī)律分為高阻區(qū)和低阻區(qū)兩大類,分別進行神經(jīng)網(wǎng)絡的訓練,在減少訓練復雜度的同時提升了測距的精度,在過渡電阻很高的場景下仍然能夠實現(xiàn)精確測距。根據(jù)過渡電阻大小進行分類的思想為今后輸電線路故障測距的研究提供了新途徑。

(2)由于測量誤差的隨機性,以解析法為基礎的測距方法無法從原理上將其避免。然而,神經(jīng)網(wǎng)絡經(jīng)過充分訓練后可以逼近任何期望的數(shù)學模型,利用這一優(yōu)勢,本文對訓練方法作出了改進:將無誤差和有誤差樣本組成的重復樣本對作為BP神經(jīng)網(wǎng)絡的訓練輸入樣本,使得訓練后的BP神經(jīng)網(wǎng)絡能夠在輸入的電氣量存在一定的測量誤差時,仍然能給出較為精確的測距結果。利用含誤差的樣本在訓練中提升神經(jīng)網(wǎng)絡對隨機誤差的適應能力,也是一種提升故障測距精度的新思路。