CN103245881B - 一种基于潮流分布特征的配电网故障分析方法及装置 - Google Patents

Abstract

一种基于潮流分布特征的配电网故障分析方法及装置，属于配电网故障分析领域。截取电网历史故障断面数据，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，利用自动态自适应聚类法将故障进行分类，并建立故障模式库；动态解析当前故障网络拓扑，确定当前故障配电网中待测量支路；在线诊断故障。本发明方法本质在于提取故障时刻的网络拓扑和物理特征，并从中抽取相应的数字特征从而对故障做出准确的诊断。故障库的直接建立避免了中间规则的修改和删除，也无需模拟故障信息与故障元件之间的函数关系，解决了非线性系统时带来的问题，适合任何线性、非线性系统的在线、离线故障诊断。

Description

一种基于潮流分布特征的配电网故障分析方法及装置

技术领域

本发明属于配电网故障分析领域，特别涉及一种基于潮流分布特征的配电网故障分析方法及装置。

背景技术

随着智能电网的迅速发展，分布式电源的大量不确定接入，配电网的故障信息越来越复杂，故障的快速准确分析诊断越来越困难。近些年来，国内外学者从不同的角度出发，提出了一系列故障诊断的方法和思路，这些方法可以分为数据驱动和模型驱动两类，主要有专家系统法、人工神经网络法、模糊集方法、粗糙集方法等。

专家系统法是人工智能领域发展最早、也最成熟的分支，它利用计算机技术将相关专业领域的理论知识与专家的经验知识融合在一起，主要的缺陷有：建立知识库及验证其完备性比较困难；容错能力差；在复杂故障诊断中会出现组合爆炸的问题。这类方法难以满足大规模系统在线诊断的需要，只能用于离线分析场合。

人工神经网络法是一种典型的数据驱动方法，其实质就是通过样本训练，在高维空间中寻找一个超曲面来模拟故障信息与故障元件之间的函数关系，主要不足有：其性能取决于训练样本，但在大系统中，获取样本非常困难；其输入和输出之间是一个“黑匣子”，缺乏解释能力和输出结果能力；不擅长处理启发性的知识，因为神经网络在样本学习完成后，一般具有比较好的内插结果，但外推时则可能产生较大的误差，特别是系统非线性较强的时候。

模糊集理论是在模糊集合理论基础上发展起来的，它采用模糊隶属度的概念来描述不精确、不确定的对象，采用近似推理的规则，具有很强的容错能力。该方法也有一些需要克服的问题：描述不确定性问题的隶属度函数的选择没有量化的指标；另外，大规模复杂系统的模糊模型建立本来就存在困难，而当其结构发生变化时，模糊知识库或规则模糊度需要相应修改。

因此，这方面的研究工作虽取得了进展和成果，但仍存在不足：有些方法要求采集的电网数据完备而且正确可信，信息需求量大，容错性不佳，实用化难度大；有些方法所依据的故障信息单一而局部，诊断结果难以体现全网运行状况，准确度不高；有些诊断工具过多地依赖人工智能方法，而对电网的物理特性考虑不够。

发明内容

针对现有技术的不足，本发明提供的目是提出一种基于潮流分布特征的配电网故障分析方法，立足故障前后电网潮流分布特征的变化，借助节点关联矩阵，智能选择量测支路和量测数据，在线预生成故障模式库，供不断提取的潮流分布特征模式进行匹配，以达到快速、准确、白适应智能诊断的目的。

本发明的技术方案是这样实现的：一种基于潮流分布特征的配电网故障分析方法，包括以下步骤：

步骤1：截取电网历史故障断面数据，包括故障时刻、网络节点电压幅值、网络节点电压相角、线路有功功率、无功功率及网络节点间导纳参数，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，利用自动态白适应聚类法将故障进行分类，并建立故障模式库；

步骤2：动态解析当前故障网络拓扑，根据节点之间的物理距离、电气距离、节点相对度、电磁耦合系数生成节点关联矩阵，利用节点关联矩阵计算关联度及关联元，进而确定当前故障配电网中待测量支路：

步骤3：根据该故障网络的故障时刻、网络节点电压幅值、网络节点电压相角、线路有功功率、无功功率及网络节点间导纳参数，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，建立与步骤1所述的故障模式库中形式相同的故障信息；

步骤4：在线诊断故障，按步骤1所述的故障模式库中的故障模式优先级进行故障模式匹配，若匹配成功，将匹配故障模式白反馈到故障模式库进行强化记忆，动态更新模式库优先级，否则转到步骤2，拓宽关联度阈值，动态增加量测数据，完备化潮流信息，直到匹配成功，即确定此时配电网的故障情况。

步骤1所述的广义灵敏度分析法生成灵敏度矩阵和利用动态白适应聚类方法将故障进行分类，包括以下步骤：

步骤1-1：选择灵敏度指标 构造灵敏度矩阵 并计算灵敏度矩阵二范数||·||₂，其中，i，j＝1，2，...，n为网络节点，P_ij，Q_ij分别为节点i，j间线路上流过的有功功率和无功功率，为节点i，j间电压降落矢量，其中，α为节点连接因子，由网络拓扑决定，节点i，j通过单支路线路相连时α_ij＝1，否则，α_ij＝0，U_ij为节点i，j间电压降落幅值，δ_ij为节点i，j间电压降相角，依据牛顿拉夫逊潮流计算方程得 $\frac{{\mathrm{dP}}_{\mathrm{ij}}}{d{\mathrm{\δ}}_{\mathrm{ij}}}=-{\stackrel{\·}{U}}_i{\mathrm{\α}}_{\mathrm{ij}}{U}_{\mathrm{ij}}(G_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}}),$ $\frac{{\mathrm{dQ}}_{\mathrm{ij}}}{d{\mathrm{U\δ}}_{\mathrm{ij}}}=-{\stackrel{\·}{U}}_i{\mathrm{\α}}_{\mathrm{ij}}{U}_{\mathrm{ij}}(G_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}}),$ 其中，为节点i的电压矢量，G_ij、B_ij分别为节点之间的线路电导和电纳；

步骤1-2：定义第t类故障的中心C_t为第t类故障中所有故障对应灵敏度矩阵范数||X_l||₂的算术平均值，即：

$C_t=\frac{1}{m_t}\underset{l=t_1}{\overset{t_{m_t}}{\mathrm{\Σ}}}{\left|\right|X_l\left|\right|}_2$

式中：故障库中共有N种故障，编号为1，2，3，...，N-1，N，将N种故障分为ω类，第t类有m_t种故障，即t＝1，2，...，ω，l为第t类故障所包含各故障的标号，t₁表示故障模式库中第t₁种故障，为第种故障；

定义第i种故障所对应灵敏度矩阵范数||X_i||₂与第t类故障中心C_t的差值的绝对值为第i种故障相对于第t类故障的偏离度S_it：

S_it＝|||X_i||₂-C_t|

其中，i＝1，2，...，N；

根据要求的诊断精度设置参考阈值σ；

步骤1-3：将第1种故障设为第一类，则第一类中有1种故障，第一类故障的中心为该故障所对应灵敏度矩阵的范数：即初始化故障模式库中故障种类数ω＝1，第一类故障的个数m₁＝1，第一类故障的中心C₁＝||X₁||₂；

步骤1-4：考虑第2种故障，首先，计算第2种故障相对于第一类故障的偏离度，S₂₁＝|||X₂||₂-C₁|，如果该偏离度在规定的参考阈值内，即满足S₂₁≤σ，σ为设定阈值，则第2种故障属于第一类，第一类故障的故障个数m₁增加1，即m₁＝2，第一类故障的中心为第1种故障和第2种故障所对应灵敏度矩阵范数的算术平均值，即否则，故障类数增加1，即ω＝2，第2种故障属于第二类，第二类含有1种故障，第二类的中心为第2种故障的灵敏度矩阵范数，即m₂＝1，C₂＝||X₂||₂；

步骤1-5：考虑第3种故障，如果步骤2中，第2种故障属于第一类，则按照步骤2处理第3种故障，如果第2种故障属于第二类，分别计算第3种故障相对于第一类、第二类故障的偏离度S₃₁和S₃₂，取其中最小的记作S_m，假定S_m＝S₃₁，将S_m与设定阂值σ进行比较，若S_m在规定的参考阈值内，即满足S_m≤σ，则第3种故障属于第一类，从而第一类故障的个数和中心按照步骤3相应变化，否则，第3种故障属于第三类，从而故障类数增加1，第三类故障的故障个数和中心也按照步骤3确定；

步骤1-5：依次考虑第3、第4、......第N种故障，当对所有的故障模式都聚类完毕后，即可确定聚类数ω和每一类所含故障模式数m_t和每一类故障的中心C_t。

步骤2所述的利用节点关联矩阵计算关联度及关联元，确定当前故障配电网中待测量支路，方法如下：

定义节点关联矩阵R＝(r_ij)_n×n，通过确定节点之间的物理距离l_ij，电气距离d_ij和电磁耦合系数μ_ij的加权关联值得到节点综合关联值从而生成节点关联矩阵，

关联元r_ij计算式为：

$r_{\mathrm{ij}}=\sqrt{\frac{l_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{l}_{\mathrm{ij}}}+\frac{d_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}}{d}_{\mathrm{ij}}}}$

$l_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2-{(y_i-y_j)}^2}$

式中，(x_i，y_i)、(x_j，y_j)为节点i，j的物理坐标，x_i，x_j为横坐标，y_i，y_j为纵坐标，d_ii为连接两个节点的最短路径上的边数，当节点i，j有直接电气连接时μ_ij＝1，有间接电气连接时需考虑电磁隔离0＜μ_ij＜1，没有电气连接时μ_ij＝0，节点关联度n为网络节点数，λ_i为节点相对度，表示与节点i相连的网络中其它节点的数目；

若满足σ₁-0.01ε＜r_ij＜1且σ₂-0.005ε＜n_i＜1，

式中，σ₁、σ₂均为设定阂值，且有σ₁，σ₂∈(0，1)，ε＝0，1，...为未匹配成功次数且为有限次数，

则相应支路、节点为故障网络中待量测目标支路、节点，否则，该支路、节点为非待量测目标。

步骤4所述的在线诊断故障，具体过程如下：

步骤4-1：匹配范数故障区间：定义第t类故障的范数区间为：

$(x_{t,1},x_{t,m_t+1}),t=\mathrm{1,2},...,\mathrm{\ω}$

其中包括范数邻域分别为的m_t种故障，分别为范数区间的上限和下限，且有x_t，z，z＝1，2，...，m_t，由步骤1中灵敏度矩阵范数||X_t||₂和预设参数δ确定；

用步骤3产生的故障信息x_t与故障库中所有的范数故障区间逐一进行比对，若无匹配区间，则更新关联度，令ε加1，自动更新量测支路和量测数据，重新匹配，执行步骤4-1；若成功匹配，则执行步骤4-2；

步骤4-2：匹配故障类型：定义第t类故障中的第i种故障的范数邻域为：

(x_t，z，x_t，z+1)＝(||X_t||₂-δ，||X_t||₂+δ)

δ为根据诊断精度预先设定的参数；

故障信息x_t与步骤4-1所确定的范数故障区间内所有故障类型逐一进行比对，直到确定故障类型，将此故障记为“G”；

步骤4-3：更新故障模式库局部优先级，故障“G”所对应故障次数加1，并在每个范数区间内按照“故障次数”由大到小的次序重新排列故障模式库。

一种基于潮流分布特征的配电网故障分析装置包括：数据采集与监控模块、通讯模块、数据处理模块、数据库模块和人机交互模块；

数据采集与监控模块：用于采集来自SCADA系统、WAMS系统、故障录波器的模拟信息量，并将该模拟信息量转换为便于计算机处理的数字量信息；

通讯模块：用于多机通信或联网，实现信息接收、传输和输出；

数据处理模块：用于建立系统故障模式库等待匹配，当电网发生故障后，启动动态解析故障网拓扑，智能选取量测节点支路，生成故障模式，并与故障模式库中的以后故障进行匹配，诊断过程中根据需要更新量测数据，诊断结束后更新故障模式库；

数据库模块：用于存储电网历史故障数据库、节点关联矩阵、生成的预想故障模式库和诊断故障记录，实现数据备份与管理；

人机交互模块：用于为微机诊断系统提供与操作人员的交互接口，实现运行人员对系统的监视与控制。

本发明的有益效果：电网中不同的故障情况会形成不同的网络拓扑，电网将呈现出不同的潮流分布，即不同的故障会形成不同的潮流分布变化。对一个特定的电网来讲，某时刻故障发生造成的潮流分布的变化与网络拓扑的变化是唯一的对应关系，如果己知某个电网在某时刻t的运行状态，根据该时刻的出力、负荷、拓扑等情况可以得出该时刻完整的潮流分布情况；若在t+t₀时刻，电网发生故障，某条线路断开，电网拓扑发生变化，根据系统的出力、负荷及其约束关系可以获得此时刻的潮流分布状况。该电网在发生故障前后，潮流和电网拓扑是唯一的对应关系，因此在该时段内，潮流分布的变化与网络拓扑的变化也是唯一的对应关系，即由潮流的分布特征可以找到对应的网络拓扑情况。该方法本质在于提取故障时刻的网络拓扑和物理特征，并从中抽取相应的数字特征从而对故障做出准确的诊断。故障库的直接建立避免了中间规则的修改和删除，也无需模拟故障信息与故障元件之间的函数关系，解决了非线性系统时带来的问题，适合任何线性、非线性系统的在线、离线故障诊断。

附图说明

图1为本发明一种实施方式基于潮流分布特征的配电网故障分析装置的结构框图；

图2为本发明一种实施方式数据采集与监控模块的结构框图；

图3为本发明一种实施方式数据处理模块的结构框图；

图4为本发明一种实施方式基于潮流分布特征的配电网故障分析方法总流程图；

图5为本发明一种实施方式给出的具有39节点配电网络的结构示意图；

图6为本发明一种实施方式故障模式库生成流程图；

图7为本发明一种实施方式智能选取测量支路、节点流程图；

图8为本发明一种实施方式在线故障诊断方法流程图。

具体实施方式

下面结合附图对本发明的实施方式作进一步详细的说明。

图1给出了本发明所采用的基于潮流分布特征的配电网故障分析装置的一种实施方式的结构框图。该装置包括数据采集与监控模块、通讯模块、数据处理模块、数据库模块、人机交互模块五部分，其中，数据采集与监控模块的输入端为数据采集与监视控制系统(SCADA系统)、广域监测系统(WAMS系统)、保护信息管理系统(RMS系统)和故障录波系统，数据采集与监控模块经通讯模块与数据处理模块进行通讯，数据处理模块分别经通讯模块与数据库模块、人机交互模块进行通讯。

本实施方式中，数据采集与监控模块包括互感器组和A/D转换器，如图2所示，其中互感器组用于采集来自SCADA系统、WAMS系统、故障录波器的模拟信息量；A/D转换器用于将互感器组输出的模拟信息量转换为便于计算机处理的数字量信息，A/D转换器输出的数字信息与开关信息一起输入到数字信息处理单元，而数字信息处理单元输出与保护信息可直接经主CPU处理。

通讯模块包括通信接口电路及接口实现多机通信或联网，主要完成信息接收、传输控制、输出等功能，装置采用RS-485标准接口和同步并行光纤通信方式，提高联网环境下的通讯速率同时保证数据传输准确性和安全性。

对图3进行系统详细的说明。

数据处理模块对由数据采集单元输入至随机存取存储器中的数据进行分析处理，主要用于完成生成预想故障模式库、动态解析网络拓扑、智能选取量测支路、故障诊断即故障模式匹配等决策系统核心功能。首先要建立系统故障模式库等待匹配，当电网发生故障后，启动动态解析故障网拓扑，智能选取量测节点支路，生成故障模式，并与故障模式库中的以后故障进行匹配，诊断过程中根据需要更新量测数据，诊断结束后更新故障模式库。

数据库模块用于存储电网历史故障数据库、节点关联矩阵、生成的预想故障模式库和诊断故障记录，完成数据备份与管理功能。

人机交互模块包括按键单元、显示单元等人机交互输入输出设备，微机诊断系统与操作人员的交互接口，实现运行人员对系统的监视与控制。

本实施方式中，采用基于潮流分布特征的配电网故障分析方法对故障网络进行分析，流程如图4所示。该流程开始于步骤1，步骤1的流程如图6所示。截取电网历史故障断面数据，包括故障时刻t、网络节点电压幅值U、网络节点电压相角δ、线路有功功率P、线路无功功率Q及网络节点间导纳Y＝G+jB。本实施方式是想通过潮流的分布特征来反应配电网故障，考虑到电力系统有功潮流主要决定于节点电压相角，无功潮流决定于电压幅值，故选择灵敏度指标 构造灵敏度矩阵 来描述电网故障时的潮流分布，其中，l为网络支路数，i，j＝1，2，...，n为网络节点，P_ij，Q_ij分别为线路l_ij上流过的有功功率和无功功率，勾节点i，j间电压降落。节点i，j通过单支路线路相连时α_ij＝1，否则，α_ij＝0，由此可知，灵敏度矩阵为高度稀疏对称矩阵。根据复杂电力网络潮流方程推倒可得有功灵敏度和无功灵敏度分别为：

$\frac{{\mathrm{dP}}_{\mathrm{ij}}}{d{\mathrm{\δ}}_{\mathrm{ij}}}=-{\stackrel{\·}{U}}_i{\mathrm{\α}}_{\mathrm{ij}}{U}_{\mathrm{ij}}(G_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}})---\left(1\right)$

$\frac{{\mathrm{dQ}}_{\mathrm{ij}}}{d{\mathrm{U\δ}}_{\mathrm{ij}}}=-{\stackrel{\·}{U}}_i{\mathrm{\α}}_{\mathrm{ij}}{U}_{\mathrm{ij}}(G_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}})---\left(2\right)$

灵敏度越大，相应线路脆弱性越高，与之相关的故障模式优先级高。开断线路灵敏度接近于0，短路接地线路灵敏度则相对较高。

根据有功灵敏度和无功灵敏度形成该故障时刻灵敏度矩阵X_Pt和X_Qt：

为了便于存储和计算，只考虑对角线右上部分，如图5所示39节点配电网，α_1，２＝α_1，39＝1，α_1，i＝0(i＝2，3，...，39，i≠2，39)，α_2，30＝1，α_2，i＝0(i＝3，4，...，39，i≠30)，因此，灵敏度矩阵第一行只有两个非零元素，第二行只有一个非零元素，矩阵高度稀疏。

再利用自动态白适应聚类法将故障进行分类，并建立故障模式库，包括以下步骤：

步骤1-1：假定第二类故障含有3种故障模式，分别为历史故障中的第1、第3、第6种故障，则m₂＝3，t₁＝1，t₂＝3，t₃＝6，定义第i种故障所对应灵敏度矩阵范数||X_i||₂与第t类故障的中心差值C_t的绝对值为第i种故障相对于第t类故障的偏离度S_it，即S_it＝|||X_i||₂-C_t|，其中，i＝1，2，...，N，t＝1，2，...，ω。根据要求的诊断精度设置参考阈值σ。

步骤1-2：将第1种故障设为第一类，则第一类中有1种故障，第一类故障的中心为该故障所对应灵敏度矩阵的范数：即初始化故障模式库中故障种类数ω＝1，第一类故障的个数m₁＝1，第一类故障的中心C₁＝||X₁||₂。

步骤1-3：考虑第2种故障，首先，计算第2种故障相对于第一类故障的偏离度，S₂₁＝|||X₂||₂-c₁|，如果该偏离度在规定的参考阈值内，即满足S₂₁≤σ，σ为设定阈值，则第2种故障属于第一类，第一类故障的故障个数m₁增加1，即m₁＝2，第一类故障的中心为第1种故障和第2种故障所对应灵敏度矩阵范数的算术平均值，即否则，故障类数增加1，即ω＝2，第2种故障属于第二类，第二类含有1种故障，第二类的中心为第2种故障的灵敏度矩阵范数，即m₂＝1，C₂＝||X₂||₂。

步骤1-4：考虑第3种故障，如果步骤2中，第2种故障属于第一类，则按照步骤2处理第3种故障，如果第2种故障属于第二类，分别计算第3种故障相对于第一类、第二类故障的偏离度S₃₁和S₃₂，取其中最小的记作S_m，假定S_m＝S₃₁，将S_m与设定阈值σ进行比较，若S_m在规定的参考阂值内，即满足S_m≤σ，则第3种故障属于第一类，从而第一类故障的个数和中心按照步骤3相应变化，否则，第3种故障属于第三类，从而故障类数增加1，第三类故障的故障个数和中心也按照步骤3确定。

步骤1-5：依次考虑第3、第4、......第N种故障，当对所有的故障模式都聚类完毕后，即可确定聚类数ω和每一类所含故障模式数m_t(t＝1，2，...，ω)

本实施方式中，经过分类后的故障库结构如表1所示：

表1为故障库结构表

注：表1中，第一列表示对故障模式库中所有故障进行动态自适应聚类后分成的各类，第二列表示每一类中包含的多种故障，第二列范数区间(x_ij，x_i，j+1)＝(||X_t||₂-δ，||X_t||₂+δ)实际为一个范数值的邻域，参数δ由实际诊断精度确定第三列是每一种故障的编号，第四列是每一种故障的名称，第五列是每一种故障的发生次数。

步骤2：对电网进行实时监控，一旦发现预警信号，即电网发生故障，则启动诊断措施。动态解析当前故障网络拓扑，继续采用步骤1中的方法建立灵敏度矩阵和与故障模式库相应的故障模式。

利用节点关联矩阵计算关联度及关联元，进而确定当前故障配电网中的待测量节点和支路，其流程如图7所示，具体过程如下：

电网发生故障后，相应继电保护装置与开关动作，数据采集与监控单元采集并上传网络拓扑信息动态解析当前网络拓扑。定义节点关联矩阵R＝(r_ij)_n×n，通过确定节点之间的物理距离l_ij，电气距离d_ij，节点相对度λ_i，电磁耦合系数μ_ij等因素的加权关联值并根据关联元计算公式 $r_{\mathrm{ij}}=\sqrt{\frac{l_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{l}_{\mathrm{ij}}}+\frac{d_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}}{d}_{\mathrm{ij}}}},$ $l_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2-{(y_i-y_j)}^2}$ 得到节点综合关联值从而生成节点关联矩阵。其中，(x_i，y_i)、(x_j，y_j)为节点i，j的物理坐标，d_ij为连接两个节点的最短路径上的边数，式中i，j为节点编号，n为网络节点个数，当节点i，j有直接电气连接时μ_ij＝1，有间接电气连接时需考虑电磁隔离0＜μ_ij＜1，没有电气连接时μ_ij＝0。如图5所示39节点配电网络。物理距离由网络实际地理位置决定，工程计算中可取标么值，基准值为1km，若节点1，2之间实际物理距离为5.5km，则l_1，2＝5.5；由网络拓扑分析可知电气距离，如d_1，3＝2，d_1，３≠6，d_3，16＝3等，也可知电磁耦合系数，如μ_1，2＝1，节点2、30之间通过变压器相连，可取μ_2，30＝0.5，μ_1，20＝0，从而可得该配电网络的节点关联矩阵，易知该矩阵为高度稀疏对称阵，且网络越复杂稀疏程度越高。

智能初始化量测节点、支路，实时采集潮流特征量，提取潮流分布特征。采用实时同步数字化潮流特征，从物理序列模型中提取能够从本质上描述是否存在异常潮流的数字特征矢量，建立数字化特征矢量与物理结构信息之间的映射。节点关联度其中，λ_i为与节点相连的网络中其它节点的数目，图5所示配电网络中，n＝39，λ₁＝2，λ₂＝3，r_ij己知，因此可计算出n_i。当关联元r_ij∈(σ₁-0.001ε，1)，关联度n_i∈(σ₂-0.0005ε，1)，σ₁，σ₂∈(0，1)时，相应支路、节点为量测目标，ε＝0，1，...为未匹配成功次数且为有限次数，σ₁、σ₂为网络拓扑函数，计算较为繁琐，鉴于大多配电网络拓扑复杂程度都不高，一般取经验值(0.45，0.55)，匹配失败时，ε自动加1，量测区间变大，从而更新量测支路和量测节点。

步骤3：根据该故障网络的故障时刻、网络节点电压幅值、网络节点电压相角、线路有功功率、无功功率及网络节点间导纳参数，步骤1-1至步骤1-5所述的方法，建立与步骤1所述的故障模式库中形式相同的故障信息。

步骤4：在线诊断故障，其流程如图8所述。量测数据为综合信息平台获取的表征潮流分布的特征量和构造灵敏度矩阵所需电压、电流、有功功率和无功功率。模拟量采集模块采用交流量输入，遥测系统电压、电流值，来自各互感器的交流模拟量经低通滤波器滤除高频分量后，再经A/D转换器上传给信号处理模块；数字量采集模块获取开关位置信号，经滤波整形后上传给信号处理模块，进行故障的在线诊断。处理器执行算法：按照公式(1)、(2)将上传信号转化与为故障模式库相对应的记录格式，记故障时刻网络灵敏度范数为x_t＝||X_t||₂，从而进行故障模式的匹配：

步骤1：匹配故障区间。逐一比较x_t与(x₁₁，x_1，m+1)、(x₂₁，x_2，m+1)......直到x_t∈(x_i，1，x_i，m+1)。若无匹配区间，更新关联度，ε加1，从而自动更新量测支路和量测数据，重新匹配。

步骤2：匹配故障类型。逐一比较x_t与(x_i，1，x_i，2)、(x_i，2，x_i，3)......直到x_t∈(x_i，j，x_i，j+1)，且对由量测支路和数据形成的灵敏度矩阵元 计算

$E=\frac{1}{n^{\′2}}{\left[\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(\frac{{\mathrm{dP}}_{\mathrm{ij}}}{{\mathrm{d\δ}}_{\mathrm{ij}}}-{\left(\frac{{\mathrm{dP}}_{\mathrm{ij}}}{{\mathrm{d\δ}}_{\mathrm{ij}}}\right)}^{\′})}^2\right]}^{\frac{1}{2}}---\left(9\right)$

其中，n′(n′≤n)为故障时刻量测节点个数，为相应时刻灵敏度矩阵元，依据诊断要求设置误差阂度e，若E≤e，诊断完成，否则，更新量测支路和量测数据直到E≤e，所对应故障类型为G故障。

步骤3：更新故障模式库局部优先级。G故障所对应故障次数t_G加1，并在每个范数区间内按照“故障次数”由大到小的次序重新排列故障模式库。

将所诊断故障类型通过通信模块上传到人机交互模块，故障诊断完成。

虽然以上描述了本发明的具体实施方式，但是本领域内的熟练的技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变更或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (4)

1.一种基于潮流分布特征的配电网故障分析方法，其特征在于：包括以下步骤：

步骤1：截取电网历史故障断面数据，包括故障时刻、网络节点电压幅值、网络节点电压相角、线路有功功率、无功功率及网络节点间导纳参数，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，利用动态自适应聚类法将故障进行分类，并建立故障模式库；

步骤1-1：选择灵敏度指标构造灵敏度矩阵并计算灵敏度矩阵二范数||·||₂，其中，i,j＝1,2,...,n为网络节点，P_ij,Q_ij分别为节点i，j间线路上流过的有功功率和无功功率，为节点i,j间电压降落矢量，其中，α为节点连接因子，由网络拓扑决定，节点i,j通过单支路线路相连时α_ij＝1，否则，α_ij＝0，U_ij为节点i,j间电压降落幅值，δ_ij为节点i,j间电压降相角，依据牛顿拉夫逊潮流计算方程得 $\frac{{\mathrm{dP}}_{\mathrm{ij}}}{{\mathrm{d\δ}}_{\mathrm{ij}}}=-{\stackrel{\·}{U}}_i{\mathrm{\α}}_{\mathrm{ij}}{U}_{\mathrm{ij}}(G_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}}+B_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}}),\frac{{\mathrm{dQ}}_{\mathrm{ij}}}{{\mathrm{dU}}_{\mathrm{ij}}}=-{\stackrel{\·}{U}}_i{\mathrm{\α}}_{\mathrm{ij}}{U}_{\mathrm{ij}}(G_{\mathrm{ij}}\cos {\mathrm{\δ}}_{\mathrm{ij}}-B_{\mathrm{ij}}\sin {\mathrm{\δ}}_{\mathrm{ij}}),$ 其中，为节点i的电压矢量，G_ij、B_ij分别为节点之间的线路电导和电纳；

步骤1-2：定义第t类故障的中心C_t为第t类故障中所有故障对应灵敏度矩阵范数||X_l||₂的算术平均值，即：

$C_t=\frac{1}{m_t}\underset{l=t_1}{\overset{t_{m_t}}{\mathrm{\Σ}}}{\left|\right|X_l\left|\right|}_2$

式中：故障库中共有N种故障，编号为1，2，3，_...，N-1，N，将N种故障分为ω类，第t类有m_t种故障，即l为第t类故障所包含各故障的标号，t₁表示故障模式库中第t₁种故障，为第种故障；

定义第i种故障所对应灵敏度矩阵范数||X_i||₂与第t类故障中心C_t的差值的绝对值为第i种故障相对于第t类故障的偏离度S_it：

S_it＝|||X_i||₂-C_t|

其中，i＝1，2，...，N；

根据要求的诊断精度设置参考阈值σ；

步骤1-3：将第1种故障设为第一类，则第一类中有1种故障，第一类故障的中心为该故障所对应灵敏度矩阵的范数：即初始化故障模式库中故障种类数ω＝1，第一类故障的个数m₁＝1，第一类故障的中心C₁＝||X₁||₂；

步骤1-4：考虑第2种故障，首先，计算第2种故障相对于第一类故障的偏离度，S₂₁＝|||X₂||₂-C₁|，如果该偏离度在规定的参考阈值内，即满足S₂₁≤σ，σ为设定阈值，则第2种故障属于第一类，第一类故障的故障个数m₁增加1，即m₁＝2，第一类故障的中心为第1种故障和第2种故障所对应灵敏度矩阵范数的算术平均值，即否则，故障类数增加1，即ω＝2，第2种故障属于第二类，第二类含有1种故障，第二类的中心为第2种故障的灵敏度矩阵范数，即m₂＝1，C₂＝||X₂||₂；

步骤1-5：考虑第3种故障，如果步骤1-4中，第2种故障属于第一类，则按照步骤1-4处理第3种故障，如果第2种故障属于第二类，分别计算第3种故障相对于第一类、第二类故障的偏离度S₃₁和S₃₂，取其中最小的记作S_m，假定S_m＝S₃₁，将S_m与设定阈值σ进行比较，若S_m在规定的参考阈值内，即满足S_m≤σ，则第3种故障属于第一类，从而第一类故障的个数和中心按照步骤1-4相应变化，否则，第3种故障属于第三类，从而故障类数增加1，第三类故障的故障个数和中心也按照步骤1-4确定；

步骤1-6：依次考虑第3、第4、......第N种故障，当对所有的故障模式都聚类完毕后，即可确定聚类数ω和每一类所含故障模式数m_t和每一类故障的中心C_t；

步骤2：动态解析当前故障网络拓扑，根据节点之间的物理距离、电气距离、节点相对度、电磁耦合系数生成节点关联矩阵，利用节点关联矩阵计算关联度及关联元，进而确定当前故障配电网中待测量支路；

步骤3：根据该故障网络的故障时刻、网络节点电压幅值、网络节点电压相角、线路有功功率、无功功率及网络节点间导纳参数，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，建立与步骤1所述的故障模式库中形式相同的故障信息；

步骤4：在线诊断故障，按步骤1所述的故障模式库中的故障模式优先级进行故障模式匹配，若匹配成功，将匹配故障模式自反馈到故障模式库进行强化记忆，动态更新模式库优先级，否则转到步骤2，拓宽关联度阈值，动态增加量测数据，完备化潮流信息，直到匹配成功，即确定此时配电网的故障情况。

2.根据权利要求1所述的基于潮流分布特征的配电网故障分析方法，其特征在于：步骤2所述的利用节点关联矩阵计算关联度及关联元，确定当前故障配电网中待测量支路，方法如下：

定义节点关联矩阵R＝(r_ij)_n×n，通过确定节点之间的物理距离l_ij，电气距离d_ij和电磁耦合系数μ_ij的加权关联值得到节点综合关联值从而生成节点关联矩阵，

关联元r_ij计算式为：

$r_{\mathrm{ij}}=\sqrt{\frac{l_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{l}_{\mathrm{ij}}}+\frac{d_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{ij}}{d}_{\mathrm{ij}}}}$

$l_{\mathrm{ij}}=\sqrt{{(x_i-x_j)}^2-{(y_i-y_j)}^2}$

式中，(x_i,y_i)、(x_j,y_j)为节点i,j的物理坐标，x_i,x_j为横坐标，y_i,y_j为纵坐标，d_ij为连接两个节点的最短路径上的边数，当节点i,j有直接电气连接时μ_ij＝1，有间接电气连接时需考虑电磁隔离0＜μ_ij＜1，没有电气连接时μ_ij＝0，节点关联度n为网络节点数，λ_i为节点相对度，表示与节点i相连的网络中其它节点的数目；

若满足σ₁-0.01ε<r_ij<1且σ₂-0.005ε<n_i<1，

式中，σ₁、σ₂均为设定阈值，且有σ₁，σ₂∈(0，1)，ε＝0,1,...为未匹配成功次数且为有限次数，

则相应支路、节点为故障网络中待量测目标支路、节点，否则，该支路、节点为非待量测目标。

3.根据权利要求1所述的基于潮流分布特征的配电网故障分析方法，其特征在于：步骤4所述的在线诊断故障，具体过程如下：

步骤4-1：匹配范数故障区间：定义第t类故障的范数区间为：

$(x_{t,1},x_{t,m_t+1}),t=\mathrm{1,2},...,\mathrm{\&omega;}$

其中包括范数邻域分别为的m_t种故障，x_t,1,分别为范数区间的上限和下限，且有x_t,z,z＝1，2，...，m_t，由步骤1中灵敏度矩阵范数||X_t||₂和预设参数δ确定；

用步骤3产生的故障信息x_t与故障库中所有的范数故障区间逐一进行比对，若无匹配区间，则更新关联度，令ε加1，自动更新量测支路和量测数据，重新匹配，执行步骤4-1；若成功匹配，则执行步骤4-2；

步骤4-2：匹配故障类型：定义第t类故障中的第i种故障的范数邻域为：

(x_t,i，x_t,i+1)＝(||X_t||₂-δ，||X_t||₂+δ)

δ为根据诊断精度预先设定的参数；

故障信息x_t与步骤4-1所确定的范数故障区间内所有故障类型逐一进行比对，直到确定故障类型，将此故障记为“G”；

步骤4-3：更新故障模式库局部优先级，故障“G”所对应故障次数加1，并在每个范数区间内按照“故障次数”由大到小的次序重新排列故障模式库。

4.实现权利要求1所述的基于潮流分布特征的配电网故障分析方法的装置，其特征在于：包括数据采集与监控模块、通讯模块、数据处理模块、数据库模块和人机交互模块；

数据采集与监控模块：用于采集来自SCADA系统、WAMS系统和故障录波器的模拟信息量，并将该模拟信息量转换为便于计算机处理的数字量信息；

通讯模块：用于多机通信或联网，实现信息接收、传输和输出；

数据处理模块：用于建立系统故障模式库等待匹配，当电网发生故障后，启动动态解析故障网拓扑，智能选取量测节点支路，生成故障模式，并与故障模式库中的以后故障进行匹配，诊断过程中根据需要更新量测数据，诊断结束后更新故障模式库；

数据库模块：用于存储电网历史故障数据库、节点关联矩阵、生成的预想故障模式库和诊断故障记录，实现数据备份与管理；

人机交互模块：用于为微机诊断系统提供与操作人员的交互接口，实现运行人员对系统的监视与控制。