CN109459669A - 10kV配电网单相接地故障区段定位方法 - Google Patents

Abstract

一种10kV配电网单相接地故障区段定位方法，从电网配用电信息数据源中获取配电网的固有特征以及历史故障记录中的故障定位条件特征和结果特征；以各种类型配电网的固有特征作为自组织映射神经网络SOM的输入进行聚类，将特征相似的配电网聚为一类；将每一类配电网的故障定位条件特征与结果特征作为广义回归神经网络GRNN的输入进行训练，获得每一类配电网的故障定位模型；当配电网在运行过程中发生单相接地故障时，根据发生故障的配电网所属的聚类类别，将该配电网各供电区段的故障定位条件特征输入到与该类别对应的配电网故障定位模型中，得到故障区段定位结果。本发明数据来源广，容错性高，能够快速准确地定位故障区段。

Description

10kV配电网单相接地故障区段定位方法

技术领域

本发明涉及电网运行管理领域，尤其涉及一种10kV配电网单相接地故障区段定位方法。

背景技术

配电网中最易发生的故障是单相接地短路故障(以下称单相接地故障)。我国10kV配电网大多采用小电流接地方式，发生单相接地故障后，线电压仍然对称、故障电流小，虽暂不影响对负荷的连续供电，但长时间运行可能导致故障扩大或损坏电气设备，因此快速准确地找到故障位置对配电网安全稳定运行具有重要意义。但由于10kV配电网分支线众多，故障区段的判断较为困难，传统定位方法依靠的是人工巡线，由电网操作人员沿着线路巡视，查找故障地点，这种方法不仅会耗费大量的人力物力，而且效率也不高，延长了用户的停电时间，对供电可靠性产生了较大的影响。

在配电网短路故障定位方面，已有研究提出了矩阵算法和行波法等方法。矩阵算法大多基于配电网中安装的监测装置，需要利用故障指示器和馈线终端单元(FTU)等装置监测到的信号进行定位，很大程度上依赖于配电网FTU的配备情况，且由于室外环境恶劣，容易出现错报，此外，由于仅使用单一指标、容错性不高，常会出现定位错误。10kV配电网分支线众多，行波法易受过渡电阻及电网运行方式影响，并且由于电缆与架空线混合线路中行波的波速度不一致以及行波在众多线路分支点处会发生频繁的折反射，这些都会给故障定位的准确性带来很大的影响。

发明内容

本发明提供一种10kV配电网单相接地故障区段定位方法，数据来源广，容错性高，能够快速准确地定位故障区段。

为了达到上述目的，本发明提供一种10kV配电网单相接地故障区段定位方法，包含以下步骤：

步骤S1、从电网配用电信息数据源中获取配电网的固有特征以及历史故障记录中的故障定位条件特征和结果特征；

步骤S2、以各种类型配电网的固有特征作为自组织映射神经网络SOM的输入进行聚类，将特征相似的配电网聚为一类；

步骤S3、将每一类配电网的故障定位条件特征与结果特征作为广义回归神经网络GRNN的输入进行训练，获得每一类配电网的故障定位模型；

步骤S4、当配电网在运行过程中发生单相接地故障时，根据发生故障的配电网所属的聚类类别，将该配电网各供电区段的故障定位条件特征输入到与该类别对应的配电网故障定位模型中，得到故障区段定位结果。

所述的电网配用电信息数据源包含：生产管理系统、故障抢修管理系统、SCADA系统、配电自动化系统、供电电压检测系统、配变负荷监测系统、电能质量在线监测系统、用电信息采集系统、负荷控制与管理系统、营销业务管理系统、可靠性分析系统、线损系统、故障录波系统。

所述的固有特征包含：

系统运行方式；

线路均匀度：以架空线路占所有线路的比例来衡量线路的均匀程度；

线路分支度：以配电网内的分支线数与主馈线数之比来衡量网络的分支程度；

负载率：负载率是配电网中各配电变压器及线路承担的负荷与其额定容量之比的平均值。

所述的故障定位条件特征包含：

电气量特征：故障前馈线电流、故障后馈线电流、故障前母线电压、故障后母线电压、故障前配变电压、故障后配变电压、故障前配变电流、故障后配变电流、故障前用户电压、故障后用户电压、故障前用户电流、故障后用户电流；

线路特征：线路长度、线路型号。

所述的故障定位结果特征包含：“0”和“1”，0表示未发生故障，1表示发生了故障。

所述的自组织映射神经网络对配电网进行聚类的方法包含以下步骤：

步骤S2.1、初始化与向量归一化；

使用随机值对各神经元的权重进行初始化，对输入向量和权重向量进行归一化处理；

步骤S2.2、寻找获胜神经元；

对于输入的样本，寻找与其最相配的神经元，通过计算样本向量和神经元权重向量w_ji之间的欧几里得距离作为判断标准，距离最小的即为获胜神经元；

输入样本为X＝{x₁,x₂,x₃,x₄}，其中x₁，x₂，x₃，x₄分别代表配电网的四个固有特征，i表示第i个输入样本，j表示第j个神经元，判别函数为：

步骤S2.3、权值调整；

设获胜神经元为I(x)，对获胜神经元的临近节点进行权重更新；

令S表示节点间的距离，σ为邻域参数，对I(x)的临近节点，分配更新权重：

步骤S2.4、更新节点参数；

使用梯度下降法对节点参数进行更新，其中η为学习率：

Δw_ji＝η(t)·T_j,I(x)(t)·(x_i-w_ji)

更新完毕后，读取新的输入样本，从步骤S2.2开始重复学习过程，直到完成所有样本的训练，最终输出编号相同的神经元代表特征相似的一类，即配电网聚类结果。

所述的广义回归神经网络训练获得故障定位模型的方法包含以下步骤：

步骤S3.1、输入层的神经元数量等于配电网故障定位条件特征维数，各个神经元简单分布排列，将输入向量直接传递到模式层；

步骤S3.2、以故障定位条件特征与故障定位结果特征作为训练样本，模式层的神经元数量等于训练样本数目n，即历史故障记录条数，各个神经元对应各个训练样本，传递函数为：

式中，X为网络输入，X_i为第i个神经元所对应的训练样本，σ为函数宽度参数，神经元i的输出是输入变量与对应的训练样本X间欧式距离平方的指数：

步骤S3.3、模式层输出神经元至求和层后，使用两种类型的神经元来进行求和：

一类计算公式为：

其对模式层所有神经元输出算术求和，模式层与各个神经元连接权值为1，传递函数为：

另一类的计算公式为：

其对模式层所有神经元加权求和，模式层中的第i个神经元与求和层中的第j个分子求和神经元间的连接权值为第i个输出样本Y_i中第j个元素，传递函数为

步骤S3.4、输出层的神经元数量等于配电网故障定位结果特征维数k，将各个神经元在求和层得到的两类求和结果相除，结果Y(X)的第j个元素对应为神经元j的输出，即：

本发明使用配电网中的多源信息数据，克服传统故障定位方法数据来源少、容错性低的缺陷，通过对配电网进行聚类，对不同类基于GRNN构建不同的定位模型，使模型更符合各配电网自身特征，能够有效诊断出10kV配电网发生单相接地故障的区段，且具有较高的准确度与较快的速度，在出现错误或是缺失数据的情况下，容错性较高，能够为10kV配电网短路故障区段定位提供参考，为电网运行人员及时发现和处理故障线路提供科学手段，达到进一步提升配电网供电可靠性的目的。

附图说明

图1是本发明提供的一种10kV配电网单相接地故障区段定位方法的流程图。

图2是本发明提供的一种10kV配电网单相接地故障区段定位方法的实施例的流程图。

具体实施方式

以下根据图1和图2，具体说明本发明的较佳实施例。

如图1所示，本发明提供一种10kV配电网单相接地故障区段定位方法，包含以下步骤：

步骤S1、从电网配用电信息数据源中获取配电网的固有特征以及历史故障记录中的故障定位条件特征和结果特征；

步骤S2、以各种类型配电网的固有特征作为自组织映射神经网络SOM的输入进行聚类，将特征相似的配电网聚为一类；

步骤S3、将每一类配电网的故障定位条件特征与结果特征作为广义回归神经网络GRNN的输入进行训练，获得每一类配电网的故障定位模型；

步骤S4、当配电网在运行过程中发生单相接地故障时，根据发生故障的配电网所属的聚类类别，将该配电网各供电区段的故障定位条件特征输入到与该类别对应的配电网故障定位模型中，得到故障区段定位结果。

如图2所示，在本发明的一个实施例中，所述的步骤S1中，所述的电网配用电信息数据源包含：生产管理系统、故障抢修管理系统、SCADA系统、配电自动化系统、供电电压检测系统、配变负荷监测系统、电能质量在线监测系统、用电信息采集系统、负荷控制与管理系统、营销业务管理系统、可靠性分析系统、线损系统、故障录波系统等。从电力生产管理系统获取配电网结构信息，从配变负荷监测系统获取负载率信息，从SCADA系统获取电气量信息，从配电自动化系统获取历史故障记录等。

输入层数据获取方式包含：可以通过外部数据的手动导入，从各系统中选定并导出所需数据，以EXCEL表导入到故障定位系统中，自动读取时间信息，生成多个时间断面，根据故障发生的时间点获取当时的数据。也可以通过预留的接口，实现与各系统的实时互联，并接收其给出的信息。

所述的固有特征包含：

1、系统运行方式：配电网当前的运行方式将决定短路阻抗值的不同。在聚类时，对于不同的运行方式将以不同的离散数值表示。

2、线路均匀度：架空线路与电缆线路的参数有较大差别。以架空线路占所有线路的比例来衡量线路的均匀程度。

3、线路分支度：以配电网内的分支线数与主馈线数之比来衡量网络的分支程度。

4、负载率：配电网中各配电变压器及线路承担的负荷与其额定容量之比的平均值。

所述的故障定位条件特征包含：

1、电气量特征：故障前馈线电流、故障后馈线电流、故障前母线电压、故障后母线电压、故障前配变电压、故障后配变电压、故障前配变电流、故障后配变电流、故障前用户电压、故障后用户电压、故障前用户电流、故障后用户电流。

2、线路特征：线路长度、线路型号。

所述的故障定位结果特征包含：“0”和“1”，0表示未发生故障，1表示发生了故障。

所述的步骤S2中，自组织映射(Self-Organizing Maps，SOM)算法是一种无监督学习的聚类算法，也是人工神经网络算法的一种。其本质是一种只有输入层-隐藏层的神经网络。隐藏层中一个节点代表着一个需要聚成的类。采用竞争学习的方式对输入样本进行训练：首先，对每个输入样本，在隐藏层中找到与它最匹配的一个节点，该节点称为该输入样例的激活节点；然后利用随机梯度下降法来更新激活节点参数；同时，与激活节点临近的节点也根据它们与激活节点的距离适当更新参数。与常用的k-means聚类算法相比，SOM算法不用事先确定聚类个数，受初始化影响较小，并且SOM算法在为输入数据找到最相似类后，不但更新该类参数，还会更新临近节点的参数，受数据误差影响较小。

聚类层以各种类型配电网的固有特征作为自组织映射神经网络SOM的输入进行聚类，将特征相似的配电网聚为一类，并将聚类结果传递至训练层。

所述的自组织映射神经网络对配电网进行聚类的方法包含以下步骤：

步骤S2.1、初始化与向量归一化；

使用随机值对各神经元的权重进行初始化，对输入向量和权重向量进行归一化处理；

步骤S2.2、寻找获胜神经元；

对于输入的样本，寻找与其最相配的神经元，通过计算样本向量和神经元权重向量w_ji之间的欧几里得距离作为判断标准，距离最小的即为获胜神经元；

本发明中输入样本为X＝{x₁,x₂,x₃,x₄}，其中x₁，x₂，x₃，x₄分别代表配电网的四个固有特征，i表示第i个输入样本，j表示第j个神经元，判别函数为：

步骤S2.3、权值调整；

设获胜神经元为I(x)，对获胜神经元的临近节点进行权重更新；

令S表示节点间的距离，σ为邻域参数，对I(x)的临近节点，分配更新权重：

步骤S2.4、更新节点参数；

使用梯度下降法对节点参数进行更新，其中η为学习率：

Δw_ji＝η(t)·T_j,I(x)(t)·(x_i-w_ji)

更新完毕后，读取新的输入样本，从步骤S2.2开始重复学习过程，直到完成所有样本的训练，最终输出编号相同的神经元代表特征相似的一类，即配电网聚类结果。

所述的步骤S3中，广义回归神经网络(General Regression Neural Network，GRNN)是径向基函数神经网络一种特殊的形式。GRNN以非参数回归为基础，样本数据作为后验条件，进行非参数估计，根据最大概率原则来计算网络的输出，具有结构简单、训练时间较短的优点，符合故障定位的速度需求，需要设置的参数少，降低了主观因素影响，同时非线性逼近能力良好。GRNN由输入层、模式层、求和层、输出层这四层组成，对于网络输入X＝[x₁,x₂,...,x_n]^T，对应输出为Y＝[y₁,y₂,...,y_k]^T。

训练层从输入层获得每一类配电网的故障定位条件特征与结果特征，并根据聚类层中得到的聚类结果，对每一类配电网，利用GRNN算法分别进行训练，得到各类别配电网故障定位模型。

所述的广义回归神经网络训练获得故障定位模型的方法包含以下步骤：

步骤S3.1、输入层的神经元数量等于配电网故障定位条件特征维数，各个神经元简单分布排列，将输入向量直接传递到模式层；

步骤S3.2、以故障定位条件特征与故障定位结果特征作为训练样本，模式层的神经元数量等于训练样本数目n，即历史故障记录条数，各个神经元对应各个训练样本，传递函数为：

式中，X为网络输入，X_i为第i个神经元所对应的训练样本，σ为函数宽度参数，神经元i的输出是输入变量与对应的训练样本X间欧式距离平方的指数：

步骤S3.3、模式层输出神经元至求和层后，使用两种类型的神经元来进行求和：

一类计算公式为：

其对模式层所有神经元输出算术求和，模式层与各个神经元连接权值为1，传递函数为：

另一类的计算公式为：

其对模式层所有神经元加权求和，模式层中的第i个神经元与求和层中的第j个分子求和神经元间的连接权值为第i个输出样本Y_i中第j个元素，传递函数为

步骤S3.4、输出层的神经元数量等于配电网故障定位结果特征维数k，将各个神经元在求和层得到的两类求和结果相除，结果Y(X)的第j个元素对应为神经元j的输出，即：

所述的步骤S4中，当配电网在运行过程中发生单相接地故障时，输出层根据发生故障的配电网所属的聚类类别，将该配电网各供电区段的故障定位条件特征输入到对应的该类别配电网故障定位模型中，判断各区段的故障情况，得到故障区段定位结果。

本发明使用配电网中的多源信息数据，克服传统故障定位方法数据来源少、容错性低的缺陷，通过对配电网进行聚类，对不同类基于GRNN构建不同的定位模型，使模型更符合各配电网自身特征，能够有效诊断出10kV配电网发生单相接地故障的区段，且具有较高的准确度与较快的速度，在出现错误或是缺失数据的情况下，容错性较高，能够为10kV配电网短路故障区段定位提供参考，为电网运行人员及时发现和处理故障线路提供科学手段，达到进一步提升配电网供电可靠性的目的。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (7)

1.一种10kV配电网单相接地故障区段定位方法，其特征在于，包含以下步骤：

步骤S1、从电网配用电信息数据源中获取配电网的固有特征以及历史故障记录中的故障定位条件特征和结果特征；

步骤S2、以各种类型配电网的固有特征作为自组织映射神经网络SOM的输入进行聚类，将特征相似的配电网聚为一类；

步骤S3、将每一类配电网的故障定位条件特征与结果特征作为广义回归神经网络GRNN的输入进行训练，获得每一类配电网的故障定位模型；

步骤S4、当配电网在运行过程中发生单相接地故障时，根据发生故障的配电网所属的聚类类别，将该配电网各供电区段的故障定位条件特征输入到与该类别对应的配电网故障定位模型中，得到故障区段定位结果。

2.如权利要求1所述的10kV配电网单相接地故障区段定位方法，其特征在于，所述的电网配用电信息数据源包含：生产管理系统、故障抢修管理系统、SCADA系统、配电自动化系统、供电电压检测系统、配变负荷监测系统、电能质量在线监测系统、用电信息采集系统、负荷控制与管理系统、营销业务管理系统、可靠性分析系统、线损系统、故障录波系统。

3.如权利要求1所述的10kV配电网单相接地故障区段定位方法，其特征在于，所述的固有特征包含：

系统运行方式；

线路均匀度：以架空线路占所有线路的比例来衡量线路的均匀程度；

线路分支度：以配电网内的分支线数与主馈线数之比来衡量网络的分支程度；

负载率：负载率是配电网中各配电变压器及线路承担的负荷与其额定容量之比的平均值。

4.如权利要求1所述的10kV配电网单相接地故障区段定位方法，其特征在于，所述的故障定位条件特征包含：

电气量特征：故障前馈线电流、故障后馈线电流、故障前母线电压、故障后母线电压、故障前配变电压、故障后配变电压、故障前配变电流、故障后配变电流、故障前用户电压、故障后用户电压、故障前用户电流、故障后用户电流；

线路特征：线路长度、线路型号。

5.如权利要求1所述的10kV配电网单相接地故障区段定位方法，其特征在于，所述的故障定位结果特征包含：“0”和“1”，0表示未发生故障，1表示发生了故障。

6.如权利要求1所述的10kV配电网单相接地故障区段定位方法，其特征在于，所述的自组织映射神经网络对配电网进行聚类的方法包含以下步骤：

步骤S2.1、初始化与向量归一化；

使用随机值对各神经元的权重进行初始化，对输入向量和权重向量进行归一化处理；

步骤S2.2、寻找获胜神经元；

对于输入的样本，寻找与其最相配的神经元，通过计算样本向量和神经元权重向量w_ji之间的欧几里得距离作为判断标准，距离最小的即为获胜神经元；

输入样本为X＝{x₁,x₂,x₃,x₄}，其中x₁，x₂，x₃，x₄分别代表配电网的四个固有特征，i表示第i个输入样本，j表示第j个神经元，判别函数为：

步骤S2.3、权值调整；

设获胜神经元为I(x)，对获胜神经元的临近节点进行权重更新；

令S表示节点间的距离，σ为邻域参数，对I(x)的临近节点，分配更新权重：

步骤S2.4、更新节点参数；

使用梯度下降法对节点参数进行更新：

Δw_ji＝η(t)·T_j,I(x)(t)·(x_i-w_ji)

其中η为学习率；

更新完毕后，读取新的输入样本，从步骤S2.2开始重复学习过程，直到完成所有样本的训练，最终输出编号相同的神经元代表特征相似的一类，即配电网聚类结果。

7.如权利要求1所述的10kV配电网单相接地故障区段定位方法，其特征在于，所述的广义回归神经网络训练获得故障定位模型的方法包含以下步骤：

步骤S3.1、输入层的神经元数量等于配电网故障定位条件特征维数，各个神经元简单分布排列，将输入向量直接传递到模式层；

步骤S3.2、以故障定位条件特征与故障定位结果特征作为训练样本，模式层的神经元数量等于训练样本数目n，即历史故障记录条数，各个神经元对应各个训练样本，传递函数为：

式中，X为网络输入，X_i为第i个神经元所对应的训练样本，σ为函数宽度参数，神经元i的输出是输入变量与对应的训练样本X间欧式距离平方的指数：

步骤S3.3、模式层输出神经元至求和层后，使用两种类型的神经元来进行求和：

一类计算公式为：

其对模式层所有神经元输出算术求和，模式层与各个神经元连接权值为1，传递函数为：

另一类的计算公式为：

其对模式层所有神经元加权求和，模式层中的第i个神经元与求和层中的第j个分子求和神经元间的连接权值为第i个输出样本Y_i中第j个元素，传递函数为

步骤S3.4、输出层的神经元数量等于配电网故障定位结果特征维数k，将各个神经元在求和层得到的两类求和结果相除，结果Y(X)的第j个元素对应为神经元j的输出，即：