1、第 21 卷第 15 期系 统 仿 真 学 报 Vol. 21 No. 15 2009 年 8 月 Journal of System Simulation Aug., 2009 4903 基于神经网络的输电线路故障检测研究 董天祯1，郭江鸿3，吕 娟3，付 强2，宝青兰4(1.哈尔滨工程大学 模糊信息分析与智能识别研究室，哈尔滨 150001； 2.内蒙古通辽市奈曼旗农电局，内蒙古通辽 028300； 3.哈尔滨工程大学 计算机科学与技术学院，哈尔滨 150001； 4.内蒙古通辽市奈曼旗蒙古族中学，内蒙古通辽 028300） 摘 要： 在研究现有架空输电线路故障检测系统不足的基础上，提出了
2、一种基于神经网络的输电线路故障检测系统。该系统以复杂结构的 10KV 架空输电线路为研究对象，利用分布在线路上的数据采集设备得到线路电气参数的相应数据并进行编码；通过载波通信将数据传送给控制中心；在控制中心 对各参数数据解码 和 去噪 ；然后将每个参数进行 分段数据采样 输入 经反向传播算法 (即 LMBP算法 )训练的三层结构的神经网络进行分析 ，最后进行 统计处理 输出故障信息。采用 EMTP 仿真 实验表明，本文故障检测系统准确率较其它故障检测系统有较大提高。 关键词 ： 输电线路；故障检测；神经网络；小波分析； EMTP 仿真 中图分类号： TP273+.5 文献标识码： A 文章编号
3、： 1004-731X (2009) 15-4903-04 Research of Fault Detection in Transmission Line Based on Neural Network DONG Tian-zhen1, GUO Jiang-hong3, LV Juan3, FU Qiang2, BAO Qing-lan4(1. Laboratory of Fuzzy Information Analysis and Intelligent Recognition, Harbin Engineering University, Harbin 150001, China; 2.
4、 Agricultural Electricity Bureau of Naiman District, Tongliao Inner Mongolia, 028300, China; 3. Computer Science and Technology College, Harbin Engineering University, Harbin 150001, China; 4. Naimanqi Mongol Nationality Middle School, Tongliao Inner Mongolia, 028300, China) Abstract: On the basis o
5、f analysis of the existing cable fault-detecting systems, a cable fault detecting system based on neural net work was proposed; the 10kv aerial cable was investigated under this system. The data caught by the device located on the aerial cable, was sent to the control center by carrier wave communic
6、ation, where data interpolation was used to restore the parameters real distribution. After segment sampling to each parameter, the sample data were given to the 3-layer neural network, the fault type was given by the statistical analysis. The sample set was used to train the neural net work by LMBP
7、 algorithm. By EMTP simulating software, the simulating experiment was carried out. The results show that the accuracy rating increases greatly. Key words: transmission lines; fault detection; neural network; wavelet analysis; EMTP simulation 引 言1架空输电线路是电力系统的重要组成部分， 对输电线路故障及时准确的检测，可以缩短检修时间、降低检修成本。不仅
8、具有经济效益而且还具有社会效益。 现有输电线路故障检测主要应用于高压、 超高压的点对点输电线路，然而对于 35KV 及以下的复杂结构的输电线路却不适用。在研究以往线路故障检测系统不足的基础上，提出了一种基于神经网络的输电线路故障检测系统。 该系统以复杂结构的 10KV 架空输电线路为研究对象，利用分布在线路上的数据采集设备得到电压、电流、电阻、电容和电感的相应数据；通过载波通信将数据传送给控制中心；在控制中心进行数据插值，来尽量恢复参数的真实分布；运用小波变换分别得到各项参数的基本分布函数， 负荷引起的参数分布函数、 环境因素引起的参数分布函数和脉冲类故障引起的参收稿日期： 2008-02-0
9、3 修回日期： 2008-04-16 作者简介：董天祯 (1972-)，男，蒙古族，博士生，研究方向为计算机视觉，虚拟现实，智能信息处理与智能机器人； 郭江鸿 (1965-)，女，副教授，硕士生导师，研究方向为计算机网络及其应用。 数分布函数，并进行奇异性检测去除噪声；然后将每个参数进行分段数据采样输入三层结构的神经网络， 进行神经网络分析，最后经统计处理后输出故障类型和位置。在故障检测之前，需要利用样本集通过反向传播算法 (即 LMBP 算法 )来不断训练神经网络。采用 EMTP 仿真软件进行仿真实验，准确率较其它故障检测系统有较大提高。 1 输电线路故障检测的现状 目前国内、 外架空输电故
10、障检测较多地采用如下几种故障检测方法： 距离保护方法1,2实现简单，设备投资小，但是在实际输电线路发生故障时，过渡电阻不可能 Rx 0，而且还会受到导线电阻率 均匀程度、施工工艺等因素的影响，导致计算的故障距离误差较大，另外，当输电线路中存在较多分支和用电设备时，更无法计算故障位置。 电流监测法2,3通过监测各相线的峰值电流和各相线电流的代数和，来确定监测设备下端是否存在故障。该方法设备投资小，易于安装实现，方便实用，但是当短路电流或者接地电流较小时，监测设备不会发出故障提示，设备监测失第 21 卷第 15 期 Vol. 21 No. 15 2009 年 8 月 系 统 仿 真 学 报 Aug
11、., 2009 4904 效，或者当负荷波动较大时，失效概率更大。另外，监测设备指示的是下端线路故障，并不能较准确地确定故障位置。 故障录波器法4和行波数据分析方法5,6利用装设在线路始端的数据监测设备， 通过监测输电线路正常运行和发生故障时的各项电气参数波形特征和暂态行波数据， 根据相应的分析算法判断出线路故障的类型和位置。 该方案一般适用于 220KV 及以上的高压、 超高压的、 点对点的输电线路。 当线路中具有分支或用电设备时，各项电气参数是不断变化的， 分析和处理起来就更加复杂和困难， 导致检测误差增大； 总之，现有的这些故障检测方法主要适用于高压、超高压输电线路，且要求线路中无分支、
12、无用电设备的、结构简单的输电线路；然而对于 35KV 及以下的、复杂结构的架空输电线路目前并没有一种实用的、较准确的故障检测方法。 2 基于神经网络的输电线路故障检测系统 2.1 系统的组成 硬件系统由控制中心、数据采集设备和通信设备构成，如图 1 所示。 图 1 故障检测系统示意图 控制中心是故障检测系统的中枢，负责处理、保存线路中各电气参数的数据。 数据采集设备一般装设在线路的首端、 末端、 分支处和特定位置 (故障多发位置等 )。 它每隔 10ms采集一次线路参数：电压、电流、电阻、电容和电感，并将最近采集到的 100 次数据保存在存储器中。 通信设备利用载波通信完成控制中心与数据采集设
13、备之间的指令和数据的交换。 数据采集设备向控制中心发送数据有三种方式： 一是指令方式， 根据控制中心指令要求数据采集设备向控制中心提供各参数数据；二是定时方式，数据采集设备定时向控制中心发送参数数据；三是报告方式，当数据采集设备采集到的某项参数数据波动幅度超出预定的阈值时， 数据采集设备向控制中心提供各参数数据。 2.2 工作原理 考虑到线路电气参数的变化特点、输电线路自身部件、周围环境和数据采集设备分布等因素的影响， 选择线路的电压、电流、电阻、电容和电感作为监测对象。 由于数据采集设备是根据具体线路情况而装设的， 分布是随机的。 采用数据插值来尽量恢复各参数在线路上的实际分布曲线。又因为线
14、路参数电压、电阻、电容和电感在线路上的分布是连续的且光滑的曲线， 所以采用 B 样条为基的插值函数来近似代替上述各参数的分布函数。 在线路上的监测值即为插值函数的函数值， 线路起点和终点的一阶导数近似为 0，线路的内部插值点的左右导数相等。近似计算为7111()() ()()( )2ii i iiii i if xfx fx fxfxxx x x+建立的插值多项式为7202002202201( ) (1 ) 1() ( 1)1( ) (1 ) njjnij ijnnj njs xcjyhs xcijyhs xcjyh+=+=+= +=线路上实际电流分布曲线是阶梯状的分段函数， 采用连续的折线来
15、近似代替电流分布函数。 小波变换从时域和频域两个方面对信号进行分析，并且对局部性信号分析比较准确。通过连续二进小波变换，采用周期延拓的方式将线路的各项参数 (电压、电流、电阻、电容和电感 )的低频和高频部分进行分离，即分别对应各项参数的基本分布函数、负荷波动状况分布函数、环境因素干扰分布函数和脉冲类故障影响分布函数 (另注：低频部分可能包含非脉冲类故障信息 )。进行连续二进小波变换8： /22(2 , ) 2 ( * )( )jjjWf u f u= 其中：2211() ( ) ( )22jjj jtt = 结合本文故障检测系统数据分析的具体情况， 经过反复仿真实验测得上式中取 j=8 比较合
16、理。若 j 较小，故障信号无法正确提取，若 j 较大，会将噪声误作为故障信号提取。 因为各项参数的脉冲类故障分布函数是小波变换后的高频部分，所以噪声主要集中在这些分布函数上，只有去除噪声干扰才能提高脉冲类故障判断的准确率。 选择小波阈值去噪法对信号进行去噪处理，方法如下：对含有噪声的信号进行正交小波变换，放大信号噪声，当某一点的幅值超过预定的阈值时，称该点为噪声点，然后将该点的值置为 0，再用小波逆变换恢复信号。 以线路分支点作为分界点， 将复杂结构的线路分解成一段段仅带有负荷的输电线路分解段。分支点的上端线路段，可以认为在线路段末端带有用电设备；分支点的下端线路段，可以认为在线路段首端是电源
17、点。经过对故障基本特征分析，并反复通过仿真实验验证，将各段的各参数分布函数曲线采用 28的频率进行采样，即每段线路取得 256 个采样数据。 考虑到数据采样精度，处理的复杂程度，经多次仿真实验后确定： 神经网络为三层，当层数减少时，准确率较低，即使增加训练样本，仍然不能提高准确率；当层数增加时，准确率提高，但是需要增加大量的训练样本，才能提高准确率。 用电设备 配电变压器信息通道 信息控制中心 数据采集设备 第 21 卷第 15 期 Vol. 21 No. 15 2009 年 8 月 董天祯， 等： 基于神经网络的输电线路故障检测研究 Aug., 2009 4905 第一层中有 150 个神经
18、元，每个神经元的输入向量为256 维，传输函数为线性函数；第二层中有 256 个神经元，每个神经元的输入向量为 150 维，传输函数为对数 -S 型函数；第三层中有 2 个神经元，每个神经元的输入向量为 256维，传输函数一个为取整函数，另一个为线性函数。 电流参数故障分析神经网络结构如图 2 所示。 其中： Pf1.50、 Ph1. 50、 Pg1. 50分别表示相应参数对 50 个负荷的分布函数、 环境因素引起的分布函数和脉冲类故障的分布函数进行 28次采样的数据； ao.1表示神经网络的输出向量； W 表示神经网络的权矩阵； b 表示神经网络的偏置向量； f 表示神经元的传输函数， 采用
19、反向传播算法 (即 LMBP 算法 )来训练神经网络。神经网络的输入8为 p： 0ap= ； (1) 111 1()mmmmmafWab+ +=+0,1,2,3,4,.,mM= (2) 计算误差8： Mqq qeta= (3) 性能指标8： ( ) ( ) ( ) ( )TtFx Eee Etata= (4) 逼近性能指标8： () ()() () ()() ()TtFx e kek tk ak tk ak= (5) 敏感度系数812()()()|()mm mmmnF XnF XFXs nnF Xn=(6) 计算雅可比矩阵8： 1111,1 1,1 1,1 1,1111,1 1,2 , 12,
20、1 2,1 2,1 1,12111,1 1,2 1,1 ,1 ,1 ,111 11,1 1,2 1,1,2 1,2 1,2111,1 1,2,. . .(). .MM M MSRSRSS S SSRSRee eebee eebJxee eebee e = # #1,2111. .eb # #(7) 算法分析 : Step0：数据初始化； Step1：将所有输入提交网络并计算相应的网络输出和误差mqq qeta= ，当 eqe0(e0表示基准误差 )时，转 Step 6 算法结束，否则继续执行 Step3； Step2：计算所有输入的平方误差和 F(x)； Step3：计算雅克比矩阵； 1) 初
21、始化敏感度； 2) 递归计算敏感度； 3) 将各个矩阵增广到 Marquardt 敏感度中； 4) 计算雅可比矩阵的元素； Step4：计算 xk的值，当 k=0 时，转 Step6，否则继续执行 Step5； Step5：用kkx x+ 重复计算平方误差的和：如果新计算的和小于 Step2 计算的和，则用 除以 ，并设1kkkx xx+= + ，转 第 Step2；如果没有减少，则用 乘以 ，转 Step4； Pf 1.50 fW bPg 1.50Ph 1.50图 2 电流参数故障分析神经网络结构图 a0: : : :a1 fW b fW b fW b fW b fW fWb fWb fWb
22、 fWb 第 21 卷第 15 期 Vol. 21 No. 15 2009 年 8 月 系 统 仿 真 学 报 Aug., 2009 4906 Step6：算法结束。 参数说明： 负荷波动函数、 环境因素函数和脉冲类故障函数所包含的线路故障信息是不同的， 因此在故障分析中各个参数的取值是不同的。神经网络中的权矩阵、偏置向量初始值一般取较小的值，需要根据具体线路而确定，是一个反复训练、学习的调整过程，逐步提高判断分析的准确率。学习速度 初始值一般较小。系统在训练学习过程中，会根据敏感度系数局部调整学习速度， 使训练后的神经网络能够对输入的信息做出准确地判断。 经过神经网络处理的是输电线路中的某一
23、个分解段， 利用电压、电流、电阻、电容和电感中某一个参数判断的线路故障，需要对这些判断结果进行综合统计分析，最后给出整个线路的故障信息。 3 EMTP 仿真实验 EMTP是加拿大 H.W.Dommel教授首创的电磁暂态分析软件 ,它具有分析功能多、元件模型全和运算结果精确等优点 ,对于电网的稳态和暂态都可做仿真分析，它的典型应用是预测电力系统在某个扰动 (如开关投切或故障 )之后感兴趣的变量随时间变化的规律，将 EMTP 的稳态分析和暂态分析相结合，可以作为电力系统谐波分析的有力工具。 3.1 仿真实验环境 两种架空输电线路结构： 一种是线路布局和负荷分布比较合理；另一种是线路布局不合理、负荷
24、偏于线路末端；在三种线路长度：输电线路供电半径分别为 15km， 25km(标准供电半径 )和 40km 进行仿真实验。 神经网络故障检测系统各基本参数初始植如表 1 所示。 表 1 神经网络故障检测系统基本参数 参数 数值 备注 权矩阵 W 随机产生小于 0.1 的值 初值 偏置向量 b 随机产生小于 0.03 的值 初值 学习速度 0.03 初值 电压阈值 (V) 0.1 初值 电流阈值 (mA) 0.1 初值 电阻阈值 () 100 初值 电容阈值 (mF) 0.1 初值 电感阈值 (mL) 10 初值 输电线路受到施工工艺、 周围环境和绝缘设备老化等因素的影响，都会产生微弱的短路电流和
25、接地电流，在仿真实验过程中，由随机数产生位置和微弱的电流值，来模拟实际线路运行时的状态。 3.2 神经网络训练 训练在两种线路结构、三种线路长度环境下，分两种情况下进行： 第一种情况，线路运行正常，负荷、环境因素、绝缘设备的状况等因素发生变化，训练 4000 次； 随机产生负荷大小，负荷波动范围在 0100A 之间；环境因素、绝缘设备的状况等因素，随机产生位置，随机产生微弱的短路或者接地电流。 第二种情况，随机设置线路故障，训练 1000 次； 在故障训练过程中， 在整个线路中随机产生一处线路故障，发生故障时的过渡电阻随机产生，范围在 0,。 3.3 仿真故障检测 在线路中随机的设置相应的故障
26、，通过 EMTP 仿真软件测得各个电气参数的数据，输入检测系统进行分析。 在每种线路结构、每种故障类型 600 次实验中，有 500次进行 1 个故障点的检测实验， 50 次进行 2 个故障点的检测实验， 50 次进行 2 个以上故障点的检测实验。 随机产生线路故障的类型、线路故障的位置，以及发生故障时的过渡电阻。 仿真实验结果如表 2, 表 3, 表 4 所示。 表 2 线路布局及负荷分布合理仿真实验结果 故障类型 训练次数 故障位置 故障次数 相对误差短路 5000 随机 500 1.6%接地 5000 随机 500 2.0%短路和接地 5000 随机 500 2.2%断路 5000 随机
27、 500 1.8%表 3 线路布局及负荷分布偏于末端仿真实验结果 故障类型 训练次数 故障位置 故障次数 相对误差短路 5000 随机 500 1.8%接地 5000 随机 500 2.1%短路和接地 5000 随机 500 2.5%断路 5000 随机 500 1.9%表 4 模拟实际情况下故障检测仿真实验特殊数据统计 项 目 相对误差 故障类型 故障位置 准确率最高 0.00% 大电流短路 采集设备附近 准确率最低 2.91% 小电流脉冲接地 负荷附近且距 采集设备较远 4 结论 现有输电线路故障检测方法， 应用在复杂结构的架空输电线路中平均相对误差均在 3%以上或者确定误差在某一线路段范
28、围内。 本文故障检测方法通过模拟输电线路的实际情况，仿真结果表明，故障检测的平均相对误差为 2.1%，最大相对误差为 2.91%，大大优于其它故障检测系统。 虽然本文故障检测系统对于瞬间导致的短路或接地故障不能准确判断， 但是一般这类故障不会给线路运行带来较大的损失。 参考文献 : 1 Stephen Welstead. Fractl and Wavelet Image Compression Techniques, Bellingham M. Wash, USA: SPIE Optical Engineering Press, 1999. （下转第 4911 页）第 21 卷第 15 期 V
29、ol. 21 No. 15 2009 年 8 月 张海青，等：反演海底参数的不确定性对声传播损失预报的影响 Aug., 2009 4911 超过 3dB。文献 11证明： 80%的 TL 实验测量值在预报的TL 的 90%CI 内，说明了这种方法具有一定的实际意义。 4 结论 本文采用后验预报概率方法分析了浅海混响垂直相关反演海底参数结果不确定性对声传播损失预报的影响。通过对一次海上实验数据处理结果的分析得到以下主要结论： (1) 相干声传播损失的后验预报概率在相干极大值附近分布的较为分散，而在其它区域均能较好的收敛于预报最优值；非相干声传播损失的后验预报概率分布的均较为集中，能够较好的收敛于
30、预报最优值。 (2) 相干或非相干 TL 的后验预报概率随深度变化，底部的后验预报概率较为集中，能够较好的收敛于预报最优值。 (3) 相干声传播损失的最大 90%CI 均超过 20dB，距离平均 90%CI 也超过 6dB；而相同条件下非相干声传播损失的最大 90%CI 不超过 5dB，距离平均 90%CI 均小于 3dB。 致谢： 感谢中科院声学所重点室、哈尔滨工程大学水声学院、国家海洋局一所等单位的实验合作。 参考文献： 1 Taroudakis M I, Makrakis G N. Inverse Problems in Underwater Acoustics M. New York,
31、 USA: Springer, 2001: 1-14. 2 Gertoft P, Mecklenbruker C F. Ocean acoustic inversion with estimation of a posteriori probability distributions J. J. Acoust. Soc. Am (S0001-4966), 1998, 104(2): 808-819. 3 刘建军 , 李风华 , 郭良浩 . 浅海混响的垂直相关和海底反射损失与散射强度的反演 J. 声学学报 . 2004, 29(1): 49-56. 4 LI Z L, ZHANG R H. Ge
32、oacoustic inversion by MFP combined with vertical reflection coefficients and vertical correlation J. IEEE J. Oceanic Engineering (S0364-9059), 2004, 29(4): 973-979. 5 ZHOU J X, ZHANG X Z, Rogers P H, et al. Reverberation Vertical Coherence and Sea-Bottom Geoacoustic Inversion in Shallow Water J. IE
33、EE J. Oceanic Engineerin (S0364-9059), 2004, 29(4): 988-999. 6 Battle D J, Gerstoft P, Hodgkiss W S, et al. Bayesian model selection applied to self-noise geoacoustic inversion J. J. Acoust. Soc. Am. (S0001-4966), 2004, 116(4): 2043-2056. 7 Lermusiaux P F J, Chiu C S, Robinson A R. Modeling uncertai
34、nties in the prediction of the acoustic wavefield in a shelfbreak environment C/ Proc. of the 5th international conference on theoretical and computational acoustics, May 21-25, 2001. Beijing, China: Theoretical and Computational Acoustics 2001: 191-200. 8 James K R, Dowling D R. A probability densi
35、ty function method for acoustic field uncertainty analysis J. J. Acoust. Soc. Am. (S0001-4966), 2005, 118(5): 2802-2810. 9 Finette S. Embedding uncertainty into ocean acoustic propagation models J. J. Acoust. Soc. Am. (S0001-4966), 2005, 117(3): L997- L1000. 10 Gerstoft P, HUANG C F, Hodgkiss W S. E
36、stimation of transmission loss in the presence of geoacoustic inversion uncertainty J. IEEE J. Oceanic Engineering (S0364-9059), 2006, 31(2): 299-307. 11 HUANG C F, Gerstoft P, Hodgkiss W S. Validation of statistical estimation of transmission loss in the presence of geoacoustic inversion uncertaint
37、y J. J. Acoust. Soc. Am. (S0001-4966), 2006, 120(4): 1932-1941. 12 J X Zhou, X Z Zhang. Shallow-water reverberation level: measurement techniques and initial reference values J. IEEE J. Ocean. Eng. (S0364-9059), 2005, 30: 832-842. 13 Z H Peng, J X Zhou, R H Zhang. In-plane bistatic backward scatteri
38、ng from seabottom with random inhomogeneities sediment and rough interface J. Sci. China, Ser. (S1672-1799), 2004, G47: 702-716. 14 W A Kuperman, F Ingenito. Attenuation of the coherent component of sound propagating in shallow water with rough boundaries J. J. Acoust. Soc. Am. (S0001-4966), 1977, 6
39、1: 1178-1187. 15 Zhou J X, Zhang X Z, Peng Z H, et al. Sea surface effect on shallow-water reverberation J. J. Acoust. Soc. Am. (S0001-4966), 2007, 121(1): 98-107. 16 李风华 , 刘建军 . 浅海混响的垂直相干性 J. 声学学报 , 2003, 28(6): 494-503. 17 Sen M K, Stoffa P L. Bayesian inference, Gibbs sampler and uncertainty esti
40、mation in geophysical inversion J. Geophys. Prospect (S0016-8033), 1996, 44(2): 313-350. 18 王小平 , 曹立明 . 遗传算法 理论、应用和软件实现 M. 西安 : 西安交通大学出版社 , 2002. 19 Jensen F B, Kuperman W A, Porter M B, et al. Computational Ocean Acoustics M. New York, USA: American Institute of Physics, 1994. 20 M B Porter. The KR
41、AKEN Normal Mode Program K. La Spezia: SACLANT Undersea Research Centre SM-245, 1991. (上接第 4906 页 ) 2 浣喜明 , 姚为正 . 电力电子技术 M. 北京：高等教育出版社 , 2001. 3 贺家李 , 葛耀中 . 超高压输电线故障分析与继电保护 M. 北京 : 中国电力出版社 , 1987. 4 文芸 , 王和春 , 叶菁 . 基于各种型号微机故障录波器的故障分析平台 J. 江西电力 , 2005, 29(4): 21-25. 5 黄雄 , 王志华 , 尹项根 . 高压输电线路行波测距的行波波速
42、确定方法 .电网技术 J. 2004, 28(19): 34-37. 6 海涛 , 高翔 , 骆武宁 , 徐嫣 . 基于小波变换的电力线路故障行波测距 J. 自动化技术与应用 , 2006, 25(7): 54-56. 7 颜庆津 . 数值分析 M. 北京 : 北京航空航天大学出版社 , 2000. 8 彭玉华 . 小波变换与工程应用 M. 北京 : 科学出版社 , 1999. 9 Martin T Hagan, Howard B Demuth, Mark H Beale. 神经网络设计M. 戴葵等译 . 北京 : 机械工业出版社 , 2002. 10 张青贵 . 人工神经网络导论 M. 北京
43、 : 中国水利水电出版社 , 2004. 11 要焕年 , 曹梅月 . 电力系统谐振接地 M. 北京 : 中国电力出版社 , 2000. 12 Griffel D, Harmmand Y. A new deal for safety and quality on MV networks J. IEEE Trans on PWRD (S0885-8977), 1997, 12(4): 1428-1433. 13 覃剑 , 陈祥训 . 基于小波变换技术的新型输电线路故障测距系统J. 国际电力， 2001, 5(4): 31-35. 14 束洪春 , 司大军 , 陈学允 . 基于分布参数模型的串补线路故障测距方法研究 J. 中国电机工程学报， 2004, 22(4): 72-76. 15 张庆超 , 段晖 , 耿超 , 等 . 基于小波神经网络的输电线路故障检测J. 天津大学学报， 2003, 36(6): 710-713.
