CN108983042A - 一种基于knn的配网接地故障原因识别方法 - Google Patents

Abstract

本发明提供一种基于KNN的配网接地故障原因识别方法，通过人工接地试验或现场实际故障录波获取不同故障原因的零序电流波形数据，提取表征不同故障原因的自恢复性、过渡时间、零休时间、畸变程度、随机程度5项特征参量，形成特征样本库；当故障发生时，计算输入波形的上述特征，采用KNN算法查找其所属原因类别。本发明一方面可通过在故障巡查前聚焦故障原因，从而制定有针对性的巡查方案，大幅提升故障查找效率，减少停电损失；另一方面可准确掌握某一供区配电网故障原因分布规律，制定隐患治理及故障防范措施，促进配电网运维管理精益化水平的提升；且随着故障样本及特征数量的增加，特征样本库将更加完善，识别成功率更高。

Description

一种基于KNN的配网接地故障原因识别方法

技术领域

本发明涉及配电网接地故障诊断领域，具体是一种基于KNN的配网接地故障原因识别方法。

背景技术

暂态录波型配电终端、接地选线装置获取的故障录波数据，记录了故障发生时刻前后线路上的暂、稳态电气量变化信息，对其进行深入分析，挖掘表征故障原因的特征参量，建立关联关系，是实现故障成因辨识的关键。其意义在于：一方面可通过在故障巡查前聚焦故障原因，从而制定有针对性的巡查方案，大幅提升故障查找效率，减少停电损失；另一方面可准确掌握某一供区配电网故障原因分布规律，制定隐患治理及故障防范措施，促进配电网运维管理精益化水平的提升。

与配电网接地故障选线选段相比，接地故障原因识别的研究尚处于起步阶段。以往研究主要面向故障的非电气量特征，如对雷击、树障等故障致因的历史发生时间、地理位置、天气条件等时空特征进行分析，寻找故障特征与致因之间的联系，以评估故障的发生概率并提出相应的预防措施，但尚未聚焦于故障电气量特征于致因间的关联特性，难以回溯本源，受不同地区地理、气象环境等因素的影响显著。近年来，随着配网自动化系统的大规模建设与应用，故障信息的获取手段日益丰富，基于故障电弧电压幅值、电流衰减系数、相平面聚类等特征信息，综合故障电气量与非电气量特征进行故障原因识别的研究有了一定进展，但在辨识过程中采用的特征数量有限，在一定程度上限制了辨识的准确性。

发明内容

为解决现有技术存在的上述不足，本发明提出一种基于KNN的小电流接地故障原因识别方法，通过人工接地试验或有对应巡线结果的现场真实故障的录波数据提取表征不同故障原因的自恢复性、过渡时间、零休时间、畸变程度、随机程度5项特征参量，形成特征样本库；当故障发生时，提取并输入实际故障波形的上述特征，基于该特征样本库采用KNN算法查找输入波形的所属类别，识别其对应的故障原因。

本发明采用如下技术方案：

一种基于KNN的配网接地故障原因识别方法，包括以下步骤：

步骤1：通过人工接地试验或有对应巡线结果的真实故障录波数据获取不同原因配网接地故障的零序电流波形数据；

步骤2：将步骤1中得到的零序电流录波数据，分别提取表征不同配网接地故障原因的自恢复性、过渡时间、零休时间、畸变程度、随机程度5项特征参量，建立小电流接地故障原因的特征样本库T；

步骤3：当故障发生时，获取录波装置采集的接地故障零序电流波形数据；

步骤4：将步骤3的得到的故障零序电流波形数据，提取其自恢复性、过渡时间、零休时间、畸变程度、随机程度5项特征参量，作为输入参量x；

步骤5：找出输入参量x与特征样本库T中距离(一般取欧氏距离)最相近的k个样本点；

步骤6：根据多数投票的原则确定输入参量x所属类别y，则y即为输入故障波形对应的原因。

进一步的，所述步骤中的特征样本库T为：

T＝{(x₁,y₁),(x₂,y₂)…,(x_N,y_N)}

公式中，N为样本集中样本点的个数；x_i为第i个样本点的n维特征向量，其中Rⁿ表示n维实特征向量，n为特征参量的个数；yi为x_i对应的类别标签，y_i∈Y＝{c₁,c₂,…,c_i,…,c_K}，其中c_i为第i个原因类别，1≤i≤K，K为类别个数，所述5项特征参量分别为：

a.自恢复性

通过故障是否经过人工处理提取故障的自恢复性，若有标记为1，反之为0；

b.过渡时间

定义从故障出现到故障进入稳定阶段的这一过程为过渡阶段，为统计方便，过渡时间可用过渡阶段的周期数来表示；

c.零休时间

接地电弧稳定燃烧期间，零序电流每周期存在2次零休过程，其时间分别为T_k和T′_k，为降低外部环境等带来波形异常畸变的影响，可认为零休时间T_zero是电流稳态阶段的N个周期即2N次零休过程的时间均值，即：

公式中，k表示稳态阶段的第k周期，T_k和T′_k分别为第k周期的2次零休时间，N为周期数；

d.畸变程度

波形的畸变程度用总谐波畸变率(Total Harmonics Distortion，THD)表示，即：

公式中，h为谐波次数；I(h)为h次谐波电流的有效值；I(1)为基波电流的有效值；M为所考虑的谐波最高次数；

e.随机程度

采用稳态阶段P个周期电流波形畸变程度的标准偏差描述波形畸变的随机程度，即：

公式中，μ表示P个周期波形畸变程度的对数值的均值，即lg(THD)的均值，其中THD_k为第k周期波形的总谐波畸变率；

进一步的，所述步骤5找出输入参量x与训练集T中欧氏距离最相近的k个样本点，具体步骤为：

a.计算输入参量x与样本集T中所有样本点T(i),i＝1,2,…,N的欧式距离d_xT(i)，即：

公式中，i表示第i个样本点，j表示第j个特征参量；

b.对d_xT(i)进行排序，取前k个d_xT(i)对应的T(i)即为与x最相近的k个样本点，并将这k个样本点所表示的集合记为N_k(x)。

进一步的，所述步骤6根据多数投票的原则确定输入参量x所属类别y，则y即为输入故障波形对应的原因，具体为：

根据多数投票的原则确定输入参量x的所属类别y：

公式中，c_j表示N_k(x)中第j个样本点x_j的类别标签；y_i表示所有的类别标签，K为类别个数；I为指示函数，

本发明的有益效果为：

本发明与各种基于环境因素的故障原因识别方法相比较，本发明所提方法对针对不同故障原因波形的电气量的特征，从接地点性质方面区分不同接地故障原因，能够有效配合运检人员快速查找故障位置；与各种依靠单一特征的故障原因识别方法相比较，本发明所提方法综合多种特征，提高了识别的准确性，且易于程序化实现，其意义十分重大：一方面可能够在故障巡查前聚焦故障原因，制定有针对性的消除措施，提升巡线效率、减少停电损失；另一方面可支撑配电网故障信息系统及“特征指纹库”的建立，深层次掌握故障原因及其分布规律，促进配电网运检查管理精益化水平的持续完善；且随着故障样本及特征数量的增加，特征样本库将更加完善，识别成功率更高。

附图说明

图1为配电网接地故障原因识别流程图；

图2为某次模拟绝缘子闪络的故障录波图；

图3为不同原因接地故障的稳态零序电流波形图；

图4为不同原因接地故障的零休时间分布图；

图5不同原因接地故障的稳态零序电流频谱图；

图6为某次模拟避雷器击穿故障的零序电流录波图；

图7为不同原因接地故障的零序电流过渡状况；

图8为不同原因接地故障的过渡时间分布图；

图9为不同原因接地故障的随机程度分布图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。

本发明实施例提供一种基于KNN的小电流接地故障原因识别方法，其识别流程如图1所示，包括如下步骤：

步骤1：通过人工接地试验或有对应巡线结果的真实故障录波数据获取不同原因配网接地故障的零序电流波形数据；

步骤2：将步骤1中得到的零序电流录波数据，分别提取表征不同小电流接地故障原因的自恢复性、过渡时间、零休时间、畸变程度、随机程度5项特征参量，建立小电流接地故障原因的特征样本库T；

步骤3：当故障发生时，获取录波装置采集的接地故障零序电流波形数据；

步骤4：将步骤3的得到的故障零序电流波形数据，提取其自恢复性、过渡时间、零休时间、畸变程度、随机程度5项特征参量，作为输入参量x；

步骤5：找出输入参量x与特征样本库T中距离(一般取欧氏距离)最相近的k个样本点；

步骤6：根据多数投票的原则确定输入参量x所属类别y，则y即为输入故障波形对应的原因。

所述步骤中的特征样本库T为：

T＝{(x₁,y₁),(x₂,y₂)…,(x_N,y_N)}

公式中，N为样本集中样本点的个数；x_i为第i个样本点的n维特征向量，其中Rⁿ表示n维特征向量，n为特征参量的个数；y_i为x_i对应的类别标签，y_i∈Y＝{c₁,c₂,…,c_i,…,c_K}，其中c_i为第i个原因类别，1≤i≤K，K为类别个数。本发明提出了5项特征参量，分别为：

a.自恢复性

通过故障是否经过人工处理提取故障的自恢复性，若有标记为1，反之为0；

b.过渡时间

定义从故障出现到故障进入稳定阶段的这一过程为过渡阶段，为统计方便，过渡时间可用过渡阶段的周期数来表示；

c.零休时间

接地电弧稳定燃烧期间，零序电流每周期存在2次零休过程，其时间分别为T_k和T′_k，为降低外部环境等带来波形异常畸变的影响，可认为零休时间T_zero是电流稳态阶段的N个周期即2N次零休过程的时间均值，即：

公式中，k表示稳态阶段的第k周期，T_k和T′_k分别为第k周期的2次零休时间，N为周期数；

d.畸变程度

波形的畸变程度用总谐波畸变率(Total Harmonics Distortion，THD)表示，即：

公式中，h为谐波次数；I(h)为h次谐波电流的有效值；I(1)为基波电流的有效值；M为所考虑的谐波最高次数；

e.随机程度

采用稳态阶段P个周期电流波形畸变程度的标准偏差描述波形畸变的随机程度，即：

公式中，μ表示P个周期波形畸变程度的对数值的均值，即lg(THD)的均值，其中THD_k为第k周期波形的总谐波畸变率；

所述步骤5找出输入参量x与训练集T中欧氏距离最相近的k个样本点，具体步骤为：

a.计算输入参量x与样本集T中所有样本点T(i),i＝1,2,…,N的欧式距离d_xT(i)，即：

公式中，i表示第i个样本点，j表示第j个特征参量；

b.对d_xT(i)进行排序，取前k个d_xT(i)对应的T(i)即为与x最相近的k个样本点，并将这k个样本点所表示的集合记为N_k(x)。

所述步骤6根据多数投票的原则确定输入参量x所属类别y，则y即为输入故障波形对应的原因，具体步骤为：

根据多数投票的原则确定输入参量x的所属类别y：

公式中，c_j表示N_k(x)中第j个样本点x_j的类别标签；y_i表示所有的类别标签，K为类别个数；I为指示函数，

下面结合人工接地试验数据对特征样本库的有效性作进一步说明。

根据现场配网故障原因的发生概率，选取较为常见的6种配网接地故障原因作为识别对象，分别是：导线对横担放电、避雷器击穿、绝缘子闪络、导线落到泥土地、导线落到沙地、导线落到水塘。在实际10kV系统中模拟上述6种配网接地故障原因进行人工接地试验，每种故障原因进行20组试验，共获得120组故障零序电流数据录波，对不同故障原因的零序电流波形特征进行分析对比，提出自恢复性、过渡时间、零休时间、畸变程度、随机程度5项表征不同故障原因故障点特性的特征参量，形成特征样本库，所述特征样本库的有效性具体如下：

a.自恢复性特征的有效性

现场经验和接地试验均发现，配网接地故障的电流较小，绝缘子闪络电弧难以形成长空气间隙放电，因此故障持续时间很短，如图2所示，且多数绝缘子采用电瓷、玻璃等硅酸盐材料制成，因此闪络一般不会造成绝缘子的永久性损坏、引起停电事故；而绝缘击穿、线路脱落或断裂等引起的接地或放电，若不经人工处理，故障将持续存在或多次重复发生。试验共模拟20次绝缘子闪络，电弧均持续不足30s即自行熄灭，因此，故障的自恢复性可作为识别绝缘子闪络的有效指标，可通过故障是否经人工处理进行识别，若有标记为1，反之为0。

b.零休时间特征的的有效性

交流电弧的持续燃烧过程中，电弧会在电流过零点附近熄灭，使电流呈现为曲折的交变波形，即“零休”现象。弧隙电阻的性质影响电压的恢复速度，导致弧隙能量平衡过程存在差异，进而影响零休时间的长短。图3为6种原因接地故障的稳态零序电流波形图，可见，不同原因接地故障的零休时间存在明显差异。接地电弧稳定燃烧期间，零序电流每周期存在2次零休过程，为降低外部环境等带来波形异常畸变的影响，可认为零休时间Tzero是电流稳态阶段的10周期即20次零休过程的时间均值，即

公式中，k表示稳态燃弧阶段的第k周期，T_k和T′_k分别为第k周期的2次零休时间，N为周期数。对试验获得的120组试验样本的零休时间进行统计，结果如图4所示。

c.畸变程度特征的的有效性

过渡电阻的非线性在零序电流中引入谐波，当谐波含量过大时，电流的过零时刻获取存在困难，影响零休时间的测量，此时可根据波形的畸变程度进行识别。对图3中的模拟接地试验稳态零序电流进行FFT分析，其幅频特性如图4所示。可见，不同原因故障的稳态零序电流的谐波含量存在较为明显的差异。波形相对于正弦波的畸变程度通常用总谐波畸变率(Total Harmonics Distortion，THD)表示：

公式中，h为谐波次数；I(h)为h次谐波电流的有效值；I(1)为基波电流的有效值；M为所考虑的谐波最高次数，与波形采样频率和计算精度有关，本文取为10。

由于不同原因故障稳态零序电流波形的THD的分布范围较广，不利于比较，本文取其对数即lg(THD)为描述波形畸变程度的特征量。对试验样本的稳态零序电流波形畸变程度进行统计，取任意10个周波lg(THD)的平均值作为最终的结果，如图5所示。可见，不同原因接地故障稳态零序电流波形畸变程度及分布范围都有明显的差异。

d.过渡时间特征的有效性

部分原因接地故障随着电弧的燃烧，接地点处的不稳定燃弧状态可能过渡为稳定燃弧或接地状态。避雷器在击穿过程中电流含大量的谐波，彻底击穿后电流为稳定的正弦波，如图6所示；绝缘子闪络的故障刚开始的一段时间为非稳定的电弧，电流波形有明显的高频分量，在电弧稳定燃烧时几乎不含高频分量；断线落地时，随着地面水分等蒸发，接地点状态逐渐稳定，接地点处电弧持续一段时间后可能发展为较为稳定的电弧。任选一组通过计算电流波形畸变程度随时间变化情况表征其过渡状况，如图7所示，为避免故障首周期暂态过程高频分量的影响，从第2周期开始统计。可见，随着故障的发展，避雷器击穿、绝缘子闪络和导线落到沙地的电流波形均有明显的过渡过程。定义从故障出现到故障进入稳定阶段的这一过程为过渡阶段，为统计方便，过渡时间可用过渡阶段的周期数来表示，如图7中，避雷器击穿的过渡过程最为明显，为28周期；绝缘子闪络为4周期；导线落到沙地为77周期。试验样本的过渡时间特征统计分布如图8所示。

e.随机程度特征的有效性

由图9可进一步得到，不同原因接地故障受接地介质影响，其稳态阶段的波形畸变程度的随机性存在较大差异：避雷器击穿后、导线落入水塘的接地状态较为稳定，波形畸变的随机程度很小；导线对横担放电、绝缘子闪络受外部环境因素(风速、湿度等)影响较大，故障过程中的波形畸变的随机程度明显偏大；砂砾间的气隙相对泥土地更大，因此导线落到沙地上的波形畸变随机程度大于导线落到泥土地。采用电流波形畸变程度的标准偏差描述波形畸变的随机程度，即

公式中，μ表示P个周期波形畸变程度的对数值的均值，即lg(THD)的均值，k表示稳态阶段的第k周期；N表示稳态波形周期数，取为10；μ表示N个周期波形畸变程度lg(THD)的均值。对试验样本的稳态零序电流波形畸变的随机程度进行统计，结果如图9所示。

该结果证明了本文所提配网接地故障原因特征样本库的有效性。

下面结合有对应巡线结果的现场实际故障对本发明所提配网接地故障原因识别方法的有效性作进一步说明。

表1中给出了几种典型的现场实际录波数据验证结果，分别为：避雷器击穿、导线落到滩涂(可看作泥土地)、导线落到沙地、导线落入鱼塘(可看作水塘)、导线(弓子线)对横担方法，其识别结果均正确。

该结果本发明所提配网接地故障原因识别方法的有效性。

表1现场实际录波数据验证结果

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于KNN的小电流接地故障原因识别方法，其特征在于：通过试验或或有对应巡线结果的现场真实故障录波数据提取表征不同故障原因的自恢复性、过渡时间、零休时间、畸变程度、随机程度5项特征参量，形成特征样本库；当故障发生时，提取并输入实际故障波形的上述特征，基于该特征样本库采用KNN算法查找输入波形的所属类别，识别其对应的故障原因；具体包括以下步骤：

步骤1：通过人工接地试验或有对应巡线结果的真实故障录波数据获取不同原因配网接地故障的零序电流波形数据；

步骤2：将步骤1中得到的零序电流录波数据，分别提取表征不同小电流接地故障原因的自恢复性、过渡时间、零休时间、畸变程度、随机程度5项特征参量，建立小电流接地故障原因的特征样本库T；

步骤3：当故障发生时，获取录波装置采集的接地故障零序电流波形数据；

步骤4：将步骤3的得到的故障零序电流波形数据，提取其自恢复性、过渡时间、零休时间、畸变程度、随机程度5项特征参量，作为输入参量x；

步骤5：找出输入参量x与特征样本库T中距离最相近的k个样本点；

步骤6：根据多数投票的原则确定输入参量x所属类别y，则y即为输入故障波形对应的原因。

2.如权利要求1所述的一种基于KNN的小电流接地故障原因识别方法，其特征在于：步骤2中的特征样本库T为：

T＝{(x₁,y₁),(x₂,y₂)…,(x_N,y_N)}

公式中，N为样本集中样本点的个数；x_i为第i个样本点的n维特征向量，其中Rⁿ表示n维特征向量，n为特征参量的个数；y_i为x_i对应的类别标签，y_i∈Y＝{c₁,c₂,…,c_i,…,c_K}，其中c_i为第i个原因类别，1≤i≤K，K为类别个数，所述5项特征参量分别为：

a.自恢复性

通过故障是否经过人工处理提取故障的自恢复性，若有标记为1，反之为0；

b.过渡时间

定义从故障出现到故障进入稳定阶段的这一过程为过渡阶段，为统计方便，过渡时间可用过渡阶段的周期数来表示；

c.零休时间

接地电弧稳定燃烧期间，零序电流每周期存在2次零休过程，其时间分别为T_k和T_k′，为降低外部环境等带来波形异常畸变的影响，可认为零休时间T_zero是电流稳态阶段的N个周期即2N次零休过程的时间均值，即：

公式中，k表示稳态阶段的第k周期，T_k和T_k′分别为第k周期的2次零休时间，N为周期数；

d.畸变程度

波形的畸变程度用总谐波畸变率(Total Harmonics Distortion，THD)表示，即：

公式中，h为谐波次数；I(h)为h次谐波电流的有效值；I(1)为基波电流的有效值；M为所考虑的谐波最高次数；

e.随机程度

采用稳态阶段P个周期电流波形畸变程度的标准偏差描述波形畸变的随机程度，即：

公式中，μ表示P个周期波形畸变程度的对数值的均值，即lg(THD)的均值，其中THD_k为第k周期波形的总谐波畸变率。

3.如权利要求1所述的一种基于KNN的小电流接地故障原因识别方法，其特征在于：所述步骤5找出输入参量x与特征样本库T中距离最相近的k个样本点具体为：

a.计算输入参量x与样本集T中所有样本点T(i),i＝1,2,…,N的欧式距离d_xT(i)，即：

公式中，i表示第i个样本点，j表示第j个特征参量；

b.对d_xT(i)进行排序，取前k个d_xT(i)对应的T(i)即为与x最相近的k个样本点，并将这k个样本点所表示的集合记为N_k(x)。

4.如权利要求1所述的一种基于KNN的小电流接地故障原因识别方法，其特征在于：所述步骤6根据多数投票的原则确定输入参量x所属类别y，则y即为输入故障波形对应的原因具体为：

根据多数投票的原则确定输入参量x的所属类别y：

公式中，c_j表示N_k(x)中第j个样本点x_j的类别标签；y_i表示所有的类别标签，K为类别个数；I为指示函数，则类别y即为输入故障波形对应的原因类别。