技术摘要：
本发明提出了基于主分量分析和Softmax函数的单相接地故障分类方法和系统，该方法首先获取母线三相电压、三相电流、零序电压和零序电流在发生故障后一至两周的故障分量，然后将故障分量构成的数据矩阵进行奇异值分解，求协方差矩阵进行主分量分解，提取故障特征值和归一  全部
背景技术：
长期以来，能否正确和准确判定小电流接地系统发生单相接地线路和故障区段， 如何从不同程度、不同侧面改进提高单相接地故障判定准确性，减低判定错误率是配电网 面临的难题。现阶段国内外关于电网故障识别技术的研究主要分为三大类。第一，基于知识 分析的方法，基于知识分析的方法主要包括专家系统、Petri网络、粗糙集理论、模糊集理 论、优化技术、贝叶斯网络。第二，基于解析模型的方法，基于解析模型的方法通过比较系统 测量得到的参量和系统动态模型计算得到的参量，对比分析两者的残差实现故障识别。基 于解析模型的故障识别方法根据差值产生形式的不同可以分为等价空间方法、状态估计方 法和参数估计方法。第三，基于信号分析的方法，基于信号分析的方法主要以电量采集装置 数据和故障录波数据为信息源，通过对电气信号的处理与分析，从而实现故障时刻提取、故 障分类识别、故障选相和故障定位等功能。此外，为了克服传统电力传输网中数据信息融合 的困难，还有许多国内外学者布局整个电网故障识别系统，试图改造原有的电网通信体系， 并构建新型的故障识别构架。 90年代开始，学者们结合我国配电网的运行现状，提出了接地残流法、小波分析法 等一系列的故障选线方法，这些方法更多的开始向零序电流的暂态量靠拢，更加有效的提 取出了单相接地故障发生后线路零序电流中的故障特征。而后，许多人工智能的方法例如 人工神经网络法、支持向量机等，专家系统，被应运到配电网的故障选线中来。此外还有一 些采用DS证据融合理论、模糊集理论、参数识别法、分形理论、能谱熵测度、希尔伯特Hough 变换、相关分析法等一系列新的配电网故障选线原理。现有目前针对配电网单相接地故障 分类方法研宄的故障馈线检测方法还存在以下问题及难点电力系统的客观约束，实际故障 数据难以获取、现有算法对配电网的适应性考虑不够、基于仿真数据的分类算法难以被实 际应用。
技术实现要素：
本发明提出了基于主分量分析和Softmax函数的单相接地故障分类方法和系统， 实现以故障设备来分类的方法进行单相接地故障的分类，建立更精确，更快速的数据分类 模型。 为了实现上述目的，本发明提出了基于主分量分析和Softmax函数的单相接地故 障分类方法，包括以下步骤： 将故障分量构成的数据矩阵进行奇异值分解，对数据矩阵求协方差矩阵进行主分 量分解，提取不同线路的三相电压，三相电流、零序电压和零序电流的故障特征值和归一化 4 CN 111598166 A 说　明　书 2/6 页 特征向量；降低故障特征向量矩阵的维数，得出输出矩阵； 输出矩阵输入softmax分类器，首先设置训练集，对故障特征量训练样本进行训 练；用假设函数针对每一故障估算出概率值，实现故障类型识别。 进一步的，在执行所述分类方法之前，获取母线三相电压、三相电流、零序电压和 零序电流在发生故障后一段时间的故障分量。 进一步的，所述通过主分量分析法将故障分量构成的数据矩阵进行奇异值分解包 括： 首先将由m个向量，每个向量有n个采样数据构成的数据矩阵X进行分解为： 其 中 ，P 和 Q 都 是 正 交 归 一 矩阵 ，∑ 是 准 对 角矩阵 ，在 m < n 情 况 下 ： σi(i＝1,2…m)为奇异值； 如果P＝[p1，p2，…pm]，Q＝[q1，q2，…qn]，则X表示为 进一步的，所述对数据矩阵求协方差矩阵进行主分量分解，提取不同线路的三相 电压，三相电流、零序电压和零序电流的故障特征值和归一化特征向量包括： 如果行向量的均值皆为0，所述数据矩阵X的协方差矩阵CX＝XXT＝P∑QTQ∑TPT＝P ΛPT；其中， 为特征 值；其中，Λ是∑∑T相乘的表示符号，为一个m维的矩阵；λ1,λ2,…λm为协方差矩阵CX的特征 值； 归一化特征向量为U1，U2，…Um；其中，CxUi＝λiUii＝1,2,3,…,m；Ui＝[Ui1 ,Ui2,… U ,]Tin ；其中i＝1,2,3,…,m，表示每一个特征向量是m×1的列向量； 如果特征值λ1≥λ2≥…λm，则y ＝U Ti i X(i＝1,2,…,m)为输入对特征向量的投影，即 为X的i个主分量；用矩阵表示如下：Y＝UTX；特征向量矩阵U＝[U1，U2,…Um,]满足UUT＝E，Y＝ [y1,y T2,…ym,] 。 进一步的，所述输出矩阵作为softmax分类器的输入，首先设置训练集，对故障特 征量训练样本进行训练包括；输出矩阵Y，设置训练集{(x(1) ,y(1)) ,...,(x(m) ,y(m))}，在 分类时，把0替换为10个故障类别。 进一步的，所述假设函数为 其中θ1 ,θ2 ,…θ n 1k∈R 是模 型的参数；x(i)为第i个输入；j表示第j个故障类别；k为故障类别的个数； 5 CN 111598166 A 说　明　书 3/6 页 在实现Softmax回归时，将θ用一个k×(n 1)的矩阵来表示； 将x分类为类别j的概率为： 本发明还提出了基于主分量分析和Softmax函数的单相接地故障分类系统，包括 分析模块和故障分类模块； 所述分析模块用于将故障分量构成的数据矩阵进行奇异值分解，对数据矩阵求协 方差矩阵进行主分量分解，提取不同线路的三相电压，三相电流、零序电压和零序电流的故 障特征值和归一化特征向量；降低故障特征向量矩阵的维数，得出输出矩阵； 所述故障分类模块用于对输入至softmax分类器的输出矩阵，首先设置训练集，对 故障特征向量训练样本进行训练；用假设函数针对每一故障估算出概率值，实现故障类型 识别。 进一步的，本系统还包括获取模块； 所述获取模块用于获取母线三相电压、三相电流、零序电压和零序电流在发生故 障后一段时间的故障分量。