CN109557422A - 一种智能配电网短路故障定位方法及系统 - Google Patents
一种智能配电网短路故障定位方法及系统 Download PDFInfo
- Publication number
- CN109557422A CN109557422A CN201910059238.4A CN201910059238A CN109557422A CN 109557422 A CN109557422 A CN 109557422A CN 201910059238 A CN201910059238 A CN 201910059238A CN 109557422 A CN109557422 A CN 109557422A
- Authority
- CN
- China
- Prior art keywords
- section
- fault
- current
- short
- distribution network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000004807 localization Effects 0.000 title abstract 2
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 230000001360 synchronised effect Effects 0.000 claims description 68
- 238000012795 verification Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 230000035699 permeability Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑负荷影响的智能配电网短路故障定位方法及系统，该方法包括以下步骤：获取故障前、后配电网内各电源处的电流相量，计算故障时配电网内多电源共同提供的短路电流；获取故障前、后各区段每个端点的同步电流数据和电压数据，计算各区段内部负荷的电流水平；基于各区段内部负荷的电流水平和故障时短路电流，计算故障时各区段电流相量特征值；收集多时间尺度下各区段电流相量特征值，构造各区段电流时空特征矩阵；计算各区段电流时空特征矩阵的范数值，并存入特征值单元；遍历特征值单元，找出最小范数值，最小范数值对应的区段为故障区段。
Description
技术领域
本公开涉及故障定位领域，具体涉及一种考虑负荷及分支线影响的智能配电网短路故障定位方法及系统。
背景技术
配电网是电力传输的最后一站，是接收可再生能源、提高电力系统运行效率并将电能安全高效输送给用户的重要环节。配电网发生短路故障时，迅速准确地进行故障区段定位是隔离故障区段并恢复非故障区域供电所依赖的关键技术。随着分布式电源(Distributed Generation，DG)的大量接入，受电力电子器件限制，DG短路电流容量较小，导致故障特征计算无法忽略负荷影响的同时，也对量测数据的同步性和精确性要求日益提高。
高精度同步相量测量单元(Phasor Measurement Units，PMU)可以实现数据的快速提取和同步传输，在配电网电压跌落监测、高阻故障、设备监测和故障测距等方面得到成功应用。通过PMU将各类电气量同步传入主站，对故障特征值进行实时计算和监测，为DG高渗透率下的智能配电网故障定位研究提供了新的思路。
目前，含DG配电网短路故障区段定位方法从原理上主要分为矩阵法、人工智能算法和特征值比较法等。其中，矩阵法容错能力较弱，易发生误判、漏判；基于人工智能的定位方法虽然容错性较好，但普遍存在模型构建相对复杂、定位效率不高以及模型不够完善等缺点。特征值比较法基于其特征值计算准确，判断特征明显，近年来得到广泛关注，但仍存在如下问题：DG侧短路电流容量较小，无法忽略负荷对故障判据的影响，且短路时过渡电阻的存在，加剧了负荷的影响；在DG高渗透率接入下，没有考虑DG出力时变性对故障特征值的影响。
在实现本公开的过程中，发明人发现现有技术存在以下技术问题：
(1)故障发生时负荷对判据的影响。在配电网短路故障定位算法中，往往认为故障时短路电流远远大于故障时的负荷电流，但实际运行环境中，线路末端往往只有逆变类DG并网，由于逆变类DG受电力电子器件影响，DG短路电流仅为额定电流的1.2～2倍，使得区段定位算法中分析背侧故障电流时无法忽略负荷电流的影响，从而造成漏判情况的发生；此外，受自然条件影响，DG投切操作频繁，导致含负荷区段特征值复杂多变，也对故障定位算法的准确性造成极大影响；由于我国配电网发展较慢，无法像输电网一样在各段线路中均装设量测装置，给故障定位造成了极大的难度；
(2)不同类型区段缺乏统一故障分析方法。配电网中T接线及多端接线方式广泛分布，而多端交汇结点处无法安装量测装置，导致区段信息包含多端形式；
(3)短路故障定位易发生误判。传统配电网短路故障定位过程中，由于量测装置精确度及负荷、DG的大扰动影响，极易发生故障误判的情况；
(4)目前的定位算法中存在过渡电阻的敏感度和算法精确性之间的矛盾，即启动判据的阈值设置的越低，算法可以检测到过渡电阻越大的短路故障，但其受DG、电动汽车等的大扰动影响发生误判的几率越大。
发明内容
为了保证DG高渗透率下配电网可以准确进行故障区段定位，本公开提供了一种考虑负荷影响的智能配电网短路故障定位方法及系统，考虑了DG高渗透率及其出力的时变性等特点，使用PMU上传主站的同步相量，综合利用多种故障特征值，实现了智能配电网各类短路故障的精确定位。
本公开所采用的技术方案是：
一种智能配电网短路故障定位方法，该方法包括以下步骤：
获取故障前、后配电网内各电源处的电流相量，计算故障时配电网内多电源共同提供的电流变化量，以模拟故障时短路电流大小；
获取故障前、后各区段每个端点的同步电流数据和电压数据，计算各区段内部负荷的电流水平；
基于各区段内部负荷的电流水平和故障时短路电流，计算故障时各区段电流相量特征值；
收集多时间尺度下各区段电流相量特征值，构造各区段电流时空特征矩阵；
计算各区段电流时空特征矩阵的范数值，并存入特征值单元；
遍历特征值单元，找出最小范数值，最小范数值对应的区段为故障区段。
通过上述技术方案，利用构造电流时空特征矩阵进行故障区段定位，通过估计区段内负荷水平，对特征量进行自适应整定，从而避免DG出力和负荷随机性波动对故障定位精度的影响，并对不同负荷类型的影响进行了分析，从而实现对短路故障的精确定位；并且基于同步量测装置PMU提供的数据，在特征量提取过程中考虑其多时间尺度下表现，构造电流时空特征矩阵进行判别。
进一步的，在配电网内安装同步量测装置；同步量测装置将配电网划分为若干个多端点区段，通过同步量测装置测量故障前后每个区段各端点的同步电压和电流数据。
进一步的，所述故障时配电网内多电源共同提供的短路电流的计算方法为：
获取故障前、后配电网内各电源处的电流相量；
计算每个电源的故障前后电流相量的差值，得到每个电源对短路电流的贡献值；
对电源对短路电流的贡献值进行求和，得到故障时配电网内多电源共同提供的短路电流。
进一步的，所述各区段内部负荷的电流水平的计算方法为：
获取故障前各区段每个端点的同步电流相量和电压相量，计算各区段内负荷水平；
获取故障发生后各区段每个端点的同步电压相量，计算各区段内多端点同步电压相量的平均值；
将各区段内多端点同步电压相量的平均值与各区段内负荷水平相比，得到故障发生时各区段内部负荷的电流水平。
进一步的，所述故障时各区段电流相量特征值的计算方法为：
获取故障时各区段每个端点的同步电流相量；
计算各区段最靠近主网的端点的同步电流相量与故障时各区段多端点的同步电流相量和的差值；
将得到的差值与各区段内部负荷的电流水平、故障时短路电流相求和，得到各区段故障时电流相量特征值。
通过上述技术方案，考虑了多种类型的区段分布情况，对多端口区段进行化简，使其与传统两端区段进行统一的特征值求解。
进一步的，还包括验证最小范数值对应的区段为故障区段是否为真正的故障区段的步骤。
进一步的，所述验证最小范数值对应的区段为故障区段是否为真正的故障区段的方法为：
将故障时短路电流整合为时空特征矩阵；
计算该短路电流的时空特征矩阵的范数值；
判断短路电流的范数值与最小范数值是否满足所设置的验证判据；
若满足，则最小范数值对应的区段是故障区段；否则，最小范数值对应的区段不是故障区段。
通过上述技术方案，在故障定位过程中加入一步验证判据，通过比较短路电流特征量与目标故障区段特征量，避免了因大扰动影响造成的误判情况的发生。
进一步的，所述验证判据为：
其中，Kres为可靠性系数，取值为0.5～0.8；为最小范数值；短路电流的范数值为
一种智能配电网短路故障定位系统，运行于处理器或存储器上，被配置为执行以下指令：
获取故障前、后配电网内各电源处的电流相量，计算故障时配电网内多电源共同提供的短路电流；
获取故障前、后各区段每个端点的同步电流数据和电压数据，计算各区段内部负荷的电流水平；
基于各区段内部负荷的电流水平和故障时短路电流，计算故障时各区段电流相量特征值；
收集多时间尺度下各区段电流相量特征值，构造各区段电流时空特征矩阵；
计算各区段电流时空特征矩阵的范数值，并存入特征值单元；
遍历特征值单元，找出最小范数值，最小范数值对应的区段为故障区段。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如上所述的智能配电网短路故障定位方法。
通过上述技术方案，本公开的有益效果是：
(1)本公开使用相量运算计算判据，充分使用PMU提供的同步相量数据，相较传统保护算法同时兼具较高的灵敏性和较好的可靠性，可实现较大过渡电阻的短路故障定位；
(2)本公开给出一种多端区段统一型算法，有效解决了配电网T接线等多端接线形式对故障定位造成的影响，并能降低量测装置安装密度，兼具系统定位方法的经济性和可靠性。
(3)本公开在各电源处取故障时电流突变量的向量和得到短路电流ΔIF 的方法不受DG时变性影响，并可适用于任意DG渗透率下的配电网短路故障定位。取极端条件下第i处DG受自然条件影响出力置零的场景，则此处DG对短路电流的贡献值也为0，因此不会影响算法的准确性；此外，本公开所使用的特征量为相电流的相位和幅值及其突变量，三相不平衡运行对算法影响较小。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本申请，并不构成对本公开的不当限定。
图1是实施例一智能配电网短路故障定位方法的流程图；
图2是含有负荷和无源分支线的三端区段图；
图3是实施例三智能配电网短路故障定位方法的流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本公开实施例中，为了保证DG高渗透率下配电网可以准确进行故障区段定位，考虑了DG高渗透率及其出力的时变性等特点，使用PMU上传主站的同步相量，综合利用多种故障特征值，实现了智能配电网各类短路故障的精确定位。
实施例一
参见图1，本公开实施例提供一种智能配电网短路故障定位方法，该方法包括以下步骤：
S101，同步量测装置PMU将配电网划分为若干个多端点区段，并通过同步量测装置PMU测量每个区段各端点的同步电压和电流数据。
在本实施例中，假设配电网中同步量测装置PMU的安装满足系统全局可观性要求，则同步量测装置PMU可将配电网分为多个区段，部分区段内含有负荷或无源分支线。
S102，故障发生后，获取故障前后主网和分布式电源接入点处的电流相量，计算故障时配电网内多电源共同提供的短路电流。
具体的，所述步骤102中，故障发生后，获取故障前后主网和分布式电源接入点处的电流相量，计算每个电源的故障前后电流相量的差值，得到每个电源对短路电流的贡献值；对电源对短路电流的贡献值进行求和，得到故障时配电网内多电源共同提供的电流变化量，以模拟短路电流大小。
S103，获取故障前各区段每个端点的同步电流数据和电压数据，计算各区段内负荷水平。
具体的，所述步骤103中，对于配电网中每一个区段，获取该区段内每个断点的电流相量和电压相量，计算该区段内每个断点的同步电压相量的和与每个断点的同步电流相量的差值与的比值，将该比值与该区段内的端点数相乘，得到该区段内负荷水平。
S104，获取故障发生后各区段每个端点的同步电压数据，计算故障发生时各区段内部负荷的电流水平。
具体地，所述步骤104中，对于配电网中每一个区段，获取故障发生后该区段内每个端点的同步电压相量，计算该区段内各端点同步电压相量的平均值，将该区段内各端点同步电压相量的平均值与步骤103中得到的该区段内负荷水平相比，得到故障发生时该区段内部负荷的电流水平。
S105，利用故障时各区段每个端点的同步电流相量、各区段内部负荷的电流水平和故障时短路电流，计算各区段故障时电流相量特征值。
具体的，所述步骤105中，获取故障时各区段每个端点的同步电流相量，对于每一个区段，利用故障时该区段每个端点的同步电流相量、步骤104中得到的该区段内部负荷的电流水平以及步骤102中得到的故障时短路电流，计算该区段故障时电流相量特征值。
具体的，所述步骤105中，计算区段故障时电流相量特征值，其具体实现可采用如下方案：
计算起始区段的同步电流相量与故障时该区段各端点的同步电流相量和的差值；
将得到的差值与该区段内部负荷的电流水平、故障时短路电流相求和，得到该区段故障时电流相量特征值。
S106，收集多时间尺度下各区段电流相量特征值，构造各区段电流时空特征矩阵。
具体的，所述步骤206中，对于每一个区段，计算在不同时间尺度下，该区段电流相量特征值，并存储；基于存储的多时间尺度下该区段电流相量特征值，构造该区段电流时空特征矩阵。
S107，计算各区段电流时空特征矩阵的F-范数，并存入特征值单元。
具体的，所述步骤107中，针对每一个区段电流时空特征矩阵，利用该区段电流时空特征矩阵中元素计算区段电流时空特征矩阵的F-范数，并分别将所有区段电流时空特征矩阵的F-范数存储到特征值单元中。
S108，遍历特征值单元，找出最小范数值。
具体的，所述步骤108中，遍历步骤107得到的特征值单元中各区段电流时空特征矩阵的F-范数，从中找出最小范数值。
S109，将故障时短路电流整合为时空特征矩阵，并求解其F-范数。
具体的，所述步骤109中，将步骤102中得到的故障时配电网内多电源共同提供的短路电流整合为时空特征矩阵，并计算故障时短路电流时空特征矩阵的F-范数。
S110，判断最小范数值与故障时短路电流时空特征矩阵的F-范数的大小是否满足验证判据。
具体地，所述步骤110中，先设置了验证判据，然后判断步骤108得到的最小范数值与步骤109得到的故障时短路电流时空特征矩阵的F-范数的大小是否满足验证判据，若满足，则最小范数值对应的区段即为故障区段，输出定位结果，将最小范数值对应的区段编号输出；若不满足，则认为当前没有发生短路故障，并结束该方法。
本实施例提出的智能配电网短路故障定位方法，获取区段各端口量测数据，计算短路电流、各区段内部负荷电流水平，基于各区段内部负荷电流水平和短路电流，分别计算各区段故障时电流相量特征值和短路电流相量特征值，构造电流时空特征矩阵并求解其F-范数，将其存入特征值单元，遍历特征值单元，找出最小范数，判断最小范数与短路电流的范数是否满足式设定的验证判据，若满足，则以最小范数对应的区段编号为故障区段输出；否则认为当前没有发生短路故障，并结束判断。
由于配电网中T接线广布，所分区段可分为二端及其以上端口，以三端口区段为例，如图2所示，在区段ABC中，结点处含有多条负荷出线或无源分支线。稳定运行时，区段主馈线各处电压相量近似一致，由此可通过简化处理近似计算区段内负荷水平。
式中，UA、UB、UC、IA、IB、IC均为3维列向量，分别表征区段ABC三端相电压、相电流相量；Zload为稳态情况下区段内各相负荷水平。
稳定运行时，可利用三端电压电流相量近似求得各相负荷电流Iload：
由基尔霍夫电流定律易知，当稳定运行或发生区外故障时，区段内电流消耗主要为负荷电流，区段ABC内相电流相量关系为 Iload≈IA-IB-IC (3)
当区段内部发生短路故障时(如图所示f点发生两相接地故障)，区段内的电流消耗由负荷电流和故障分量电流共同组成，可得区段相电流相量应满足：
Iload+If≈IA-IB-IC (4)
综上可知，使用故障分量电流、负荷电流分量与区段端点各相电流进行相量运算，可以明确地分辨故障和非故障区段，且短路故障过渡电阻阻值越小，故障电流越大，判断结果越精确。
实施例二
为了使本领域技术人员更好地了解本公开的方法，下面列举一个更为详细的实施例，参见图3，本公开实施例提供一种智能配电网短路故障定位方法，该方法包括以下步骤：
S201，同步量测装置PMU将配电网划分为m个多端点区段，并分别采集各区段每个端点的同步电压和电流数据。
具体的，所述步骤201中，假设同步量测装置PMU将配电网划分为m个多端点区段，其中，区段i为n端区段，区段i某一端点j的同步电压和电流相量分别为Uij和Iij，其中
式中，为区段i中端点j的A相电压；为区段i中端点j的B相电压；为区段i中端点j的C相电压；为区段i中端点j的A相电流；为区段i 中端点j的B相电流；为区段i中端点j的C相电流。
S202，基于以PMU为节点的区段划分情况，判断当前是否满足启动判据，若满足，则转入步骤S203。
具体的，所述步骤202中，基于以PMU为节点的区段划分情况进行判断，启动判据是采用传统以电流幅值突变量为启动判据特征值，考虑DG接入影响，阈值可设为1.2～2倍的额定电流。
S203，获取故障前、后主网和分布式电源接入点处的电流相量利用故障前后主网和分布式电源接入点处提供的电流相量计算故障时配电网内多电源共同提供的短路电流ΔIF。
具体的，所述步骤203中，设配电网内含有分布式电源接入点DG和主网等k处电源，依据安装在主网和分布式电源接入点处的PMU测量的故障前后同步电流数据，可以得出故障时配电网内k处电源共同提供的短路电流ΔIF，其中，所述故障时短路电流ΔIF为：
式中，表示电源i对短路电流的贡献值，分别为故障前、后电源i提供的电流相量。
S204，故障发生后，获取故障前区段i各端点的同步电流数据和电压数据计算多端点区段i内各相负荷水平Zload_i。
具体的，为避免区段内不含负荷时造成算法无解，所述步骤204中，通过公式(8)计算故障前多端点区段i内各相负荷水平Zload_i。
式中，为故障前区段i第j个端点的同步电流量；为故障前区段i第 j个端点的同步电压量。
S205，获取故障发生后区段i各端点的同步电压数据利用故障后区段 i各端点的同步电压数据和故障前多端点区段i内各相负荷水平Zload_i，计算故障发生时多端点区段i内部负荷的电流水平
具体的，所述步骤205中，区段i各端点的同步电压数据和故障前多端点区段i内各相负荷水平Zload_i，以近似估算故障发生时多端区段i内部负荷的电流水平，其中，故障发生时多端点区段i内部负荷的电流水平的计算公式如下：
式中，为故障后区段i第j个端点的同步电压量，n为区段i的端口数。
S206，分别假设故障发生在每一个区段，获取故障前、后各区段每个端点的同步电流相量和同步电压相量，计算故障发生时各区段内部负荷的电流水平利用故障时各区段每个端点的同步电流相量Iij、各区段内部负荷的电流水平和故障时短路电流ΔIF，计算各区段故障时电流相量特征值Ii。
具体的，所述步骤206中，计算故障发生时各区段内部负荷的电流水平其具体实现可以采用如下方案：
S206-1：获取PMU测量的故障前、后各区段每个端点的同步电流相量 和同步电压相量
S206-2：采用步骤204中公式(8)，计算多端点各区段内各相负荷水平Zload。
S206-3：利用故障发生后各区段每个端点的同步电压数据和多端点各区段内各相负荷水平Zload，采用步骤205中公式(9)，计算故障发生时多端点各区段内部负荷的电流水平
具体的，所述步骤206中，利用故障时各区段每个端点的同步电流相量Iij、各区段内部负荷的电流水平和故障时短路电流ΔIF，计算各区段故障时电流相量特征值Ii，所述各区段故障时电流相量特征值Ii的计算公式如下：
式中，Ii1为区段i第1个端点，即最靠近主网的端点的同步电流相量；Iij为故障时区段i第j个端点的同步电流相量；为区段i内部负荷的电流水平；ΔIF为故障时短路电流。
S207，收集多时间尺度下区段i电流相量特征值，并存储，构造区段i电流时空特征矩阵
具体的，所述步骤207中，为了提高定位算法容错性，采用步骤206，计算在不同时间尺度下，区段i电流相量特征值，并存储；基于存储的多时间尺度下区段i电流相量特征值，构造区段i电流时空特征矩阵该区段i电流时空特征矩阵为：
其中，为ti时间尺度下，区段i电流相量特征值；tkeep为收集电流相量特征值需要预留的时间，一般设置为6～10ms，可以保证在开关动作前收集完所需数据。电流时空特征矩阵的行表征空间上的各相，列表征时间上的收集时刻。
S208，计算各区段电流时空特征矩阵并分别求解各区段电流时空特征矩阵的Frobenius范数(F-范数)，将各区段电流时空特征矩阵的Frobenius范数存入到特征值单元中，遍历特征值单元，求得最小范数值最小范数值对应的区段即为故障区段。
具体的，所述步骤208中，按照步骤S207中区段i电流时空特征矩阵的构造公式(11)计算配电网中各区段电流时空特征矩阵并求解各区段电流时空特征矩阵的Frobenius范数(F-范数)，并存入特征值单元中；其中，各区段电流时空特征矩阵的F-范数的计算公式为：
式中，为区段i电流时空特征矩阵的F-范数；为考虑不同相和不同时间尺度的区段相电流变量。
所述步骤208中，将得到各区段电流时空特征矩阵的F-范数存入到特征值单元中，遍历特征值单元，求得最小范数值最小范数值对应的区段即为故障区段；其中，最小范数值为：
基于上述步骤得到的故障区段，由于考虑了区内负荷对各区段的影响，相比仅适用幅值、相位和方向的定位算法具有更好的精确度和适用性。
S209，构造故障时配电网内多电源共同提供的短路电流ΔIF的时空特征矩阵并求解故障时短路电流时空特征矩阵的F-范数
具体的，所述步骤209中，将故障时配电网内多电源共同提供的短路电流ΔIF整合为时空特征矩阵并求解故障时短路电流时空特征矩阵的F-范数所述故障时短路电流时空特征矩阵的F-范数的计算公式为：
式中，为考虑不同相和不同时间尺度的短路电流变量。
S210，设置验证判据，判断最小范数值与故障时短路电流时空特征矩阵的F-范数的大小是否满足验证判据，若满足，则最小范数值对应的区段即为故障区段，输出定位结果，将最小范数值对应的区段编号输出；若不满足，则认为当前没有发生短路故障，并结束该方法。
在本实施例中，为了保证定位算法的可靠性和准确性，增加一步验证环节。
具体地，所述步骤210中，设置验证判据为：
式中，Kres为可靠性系数，取值为0.5～0.8。
将所得的最小F-范数与短路电流范数进行比较。理论上，若此时发生短路故障，则有因此反之，非故障状态下始终有因此有以此作为该故障定位方法的验证环节，以决定是否输出定位结果。
本实施例提出的智能配电网短路故障定位方法，首先调取基于PMU的区段配置矩阵，并判断当前是否满足启动判据；若满足启动判据，则通过由式(7)计算得到的短路电流ΔIF、由式公(8)、(9)计算得到的区段内部负荷电流水平及区段各端口量测数据，计算各区段故障时电流相量特征值Ii，构造电流时空特征矩阵并求解其F-范数将其存入特征值单元。若已遍历全部区段，则找出最小范数将短路电流ΔIF按时空特征矩阵形式整合为并求解其F-范数判断是否满足式(15)所示的验证判据，若满足，则以最小范数对应的区段编号为故障区段输出；若不满足，则认为当前没有发生短路故障，并结束。
一种智能配电网短路故障定位系统，运行于处理器或存储器上，被配置为执行以下指令：
获取故障前、后配电网内各电源处的电流相量，计算故障时配电网内多电源共同提供的短路电流；
获取故障前、后各区段每个端点的同步电流数据和电压数据，计算各区段内部负荷的电流水平；
基于各区段内部负荷的电流水平和故障时短路电流，计算故障时各区段电流相量特征值；
收集多时间尺度下各区段电流相量特征值，构造各区段电流时空特征矩阵；
计算各区段电流时空特征矩阵的范数值，并存入特征值单元；
遍历特征值单元，找出最小范数值，最小范数值对应的区段为故障区段。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种智能配电网短路故障定位方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种智能配电网短路故障定位方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种智能配电网短路故障定位方法，其特征是，该方法包括以下步骤：
获取故障前、后配电网内各电源处的电流相量，计算故障时配电网内多电源共同提供的短路电流；
获取故障前、后各区段每个端点的同步电流数据和电压数据，计算各区段内部负荷的电流水平；
基于各区段内部负荷的电流水平和故障时短路电流，计算故障时各区段电流相量特征值；
收集多时间尺度下各区段电流相量特征值，构造各区段电流时空特征矩阵；
计算各区段电流时空特征矩阵的范数值，并存入特征值单元；
遍历特征值单元，找出最小范数值，最小范数值对应的区段为故障区段。
2.根据权利要求1所述的智能配电网短路故障定位方法，其特征是，在配电网内安装同步量测装置；同步量测装置将配电网划分为若干个多端点区段，通过同步量测装置测量故障前后每个区段各端点的同步电压和电流数据。
3.根据权利要求1所述的智能配电网短路故障定位方法，其特征是，所述故障时配电网内多电源共同提供的短路电流的计算方法为：
获取故障前、后配电网内各电源处的电流相量；
计算每个电源的故障前后电流相量的差值，得到每个电源对短路电流的贡献值；
对电源对短路电流的贡献值进行求和，得到故障时配电网内多电源共同提供的短路电流。
4.根据权利要求1所述的智能配电网短路故障定位方法，其特征是，所述各区段内部负荷的电流水平的计算方法为：
获取故障前各区段每个端点的同步电流相量和电压相量，计算各区段内负荷水平；
获取故障发生后各区段每个端点的同步电压相量，计算各区段内多端点同步电压相量的平均值；
将各区段内多端点同步电压相量的平均值与各区段内负荷水平相比，得到故障发生时各区段内部负荷的电流水平。
5.根据权利要求1所述的智能配电网短路故障定位方法，其特征是，所述故障时各区段电流相量特征值的计算方法为：
获取故障时各区段每个端点的同步电流相量；
计算各区段最靠近主网的端点的同步电流相量与故障时各区段多端点的同步电流相量和的差值；
将得到的差值与各区段内部负荷的电流水平、故障时短路电流相求和，得到各区段故障时电流相量特征值。
6.根据权利要求1所述的智能配电网短路故障定位方法，其特征是，还包括验证最小范数值对应的区段为故障区段是否为真正的故障区段的步骤。
7.根据权利要求5所述的智能配电网短路故障定位方法，其特征是，所述验证最小范数值对应的区段为故障区段是否为真正的故障区段的方法为：
将故障时短路电流整合为时空特征矩阵；
计算该短路电流的时空特征矩阵的范数值；
判断短路电流的范数值与最小范数值是否满足所设置的验证判据；
若满足，则最小范数值对应的区段是故障区段；否则，最小范数值对应的区段不是故障区段。
8.根据权利要求7所述的智能配电网短路故障定位方法，其特征是，所述验证判据为：
其中，Kres为可靠性系数，取值为0.5～0.8；为最小范数值；短路电流的范数值为
9.一种智能配电网短路故障定位系统，其特征是，运行于处理器或存储器上，被配置为执行以下指令：
获取故障前、后配电网内各电源处的电流相量，计算故障时配电网内多电源共同提供的短路电流；
获取故障前、后各区段每个端点的同步电流数据和电压数据，计算各区段内部负荷的电流水平；
基于各区段内部负荷的电流水平和故障时短路电流，计算故障时各区段电流相量特征值；
收集多时间尺度下各区段电流相量特征值，构造各区段电流时空特征矩阵；
计算各区段电流时空特征矩阵的范数值，并存入特征值单元；
遍历特征值单元，找出最小范数值，最小范数值对应的区段为故障区段。
10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征是，所述指令适于由处理器加载并执行权利要求1至8中任一项所述的智能配电网短路故障定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910059238.4A CN109557422B (zh) | 2019-01-22 | 2019-01-22 | 一种智能配电网短路故障定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910059238.4A CN109557422B (zh) | 2019-01-22 | 2019-01-22 | 一种智能配电网短路故障定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109557422A true CN109557422A (zh) | 2019-04-02 |
| CN109557422B CN109557422B (zh) | 2020-01-10 |
Family
ID=65873504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910059238.4A Active CN109557422B (zh) | 2019-01-22 | 2019-01-22 | 一种智能配电网短路故障定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109557422B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110187242A (zh) * | 2019-07-02 | 2019-08-30 | 上海交通大学 | 一种基于时空相关性分析的配电网异常检测及定位方法 |
| CN110531140A (zh) * | 2019-09-06 | 2019-12-03 | 贵州电网有限责任公司 | 基于负荷切除扰动的中低压配电系统短路电流测量方法 |
| CN110632459A (zh) * | 2019-10-21 | 2019-12-31 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于同步相量测量的配电网故障区段定位方法 |
| CN110703032A (zh) * | 2019-08-26 | 2020-01-17 | 常州轻工职业技术学院 | 一种电网故障定位方法 |
| CN110837025A (zh) * | 2019-11-15 | 2020-02-25 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于电流分析的配电线路故障节点识别系统及其方法 |
| CN111381128A (zh) * | 2019-12-25 | 2020-07-07 | 长沙理工大学 | 配电网故障定位方法、装置和服务器 |
| CN112180211A (zh) * | 2020-09-25 | 2021-01-05 | 华中科技大学 | 基于节点综合注入电流的配电网接地故障定位方法及装置 |
| CN112881860A (zh) * | 2021-01-18 | 2021-06-01 | 长沙理工大学 | 一种配电网的故障定位方法及其系统 |
| CN113884811A (zh) * | 2021-10-08 | 2022-01-04 | 邓朝尹 | 一种基于直算法的配网线路短路故障定位方法 |
| CN114545148A (zh) * | 2022-01-18 | 2022-05-27 | 国网江苏省电力有限公司电力科学研究院 | 配电网故障区段定位方法、装置、存储介质及计算设备 |
| CN115035692A (zh) * | 2022-05-23 | 2022-09-09 | 国家电网有限公司技术学院分公司 | 一种自动判断输电线路各相故障的报警方法、系统、介质及设备 |
| CN116152016A (zh) * | 2023-04-19 | 2023-05-23 | 国网天津市电力公司电力科学研究院 | 一种配电网故障定位方法、装置、设备及存储介质 |
| CN117665494A (zh) * | 2024-01-31 | 2024-03-08 | 湖南大学 | 一种配电网故障辨识方法、装置及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5455776A (en) * | 1993-09-08 | 1995-10-03 | Abb Power T & D Company Inc. | Automatic fault location system |
| CN101533061A (zh) * | 2009-04-09 | 2009-09-16 | 浙江大学 | 基于稀疏pmu配置的大型输电网络故障定位方法 |
| CN103927459A (zh) * | 2014-05-04 | 2014-07-16 | 华北电力大学（保定） | 一种用于含分布式电源配电网故障定位的方法 |
| CN205620502U (zh) * | 2016-05-05 | 2016-10-05 | 国家电网公司 | 配网线路故障定位装置 |
| CN106093703A (zh) * | 2016-06-07 | 2016-11-09 | 湖南大学 | 一种智能配电网故障的辨识与定位方法 |
| CN107478960A (zh) * | 2017-09-11 | 2017-12-15 | 国网辽宁省电力有限公司抚顺供电公司 | 基于分布式相量测量的配网线路状态监测、故障预警和定位技术的故障定位装置及定位方法 |
| CN108254657A (zh) * | 2018-03-28 | 2018-07-06 | 山东大学 | 基于暂态能量分析的配电网小电流接地故障区段定位方法 |
| CN108919054A (zh) * | 2018-07-05 | 2018-11-30 | 国网上海市电力公司 | 基于负荷及分支线估计的智能配电网短路故障定位方法 |
-
2019
- 2019-01-22 CN CN201910059238.4A patent/CN109557422B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5455776A (en) * | 1993-09-08 | 1995-10-03 | Abb Power T & D Company Inc. | Automatic fault location system |
| CN101533061A (zh) * | 2009-04-09 | 2009-09-16 | 浙江大学 | 基于稀疏pmu配置的大型输电网络故障定位方法 |
| CN103927459A (zh) * | 2014-05-04 | 2014-07-16 | 华北电力大学（保定） | 一种用于含分布式电源配电网故障定位的方法 |
| CN205620502U (zh) * | 2016-05-05 | 2016-10-05 | 国家电网公司 | 配网线路故障定位装置 |
| CN106093703A (zh) * | 2016-06-07 | 2016-11-09 | 湖南大学 | 一种智能配电网故障的辨识与定位方法 |
| CN107478960A (zh) * | 2017-09-11 | 2017-12-15 | 国网辽宁省电力有限公司抚顺供电公司 | 基于分布式相量测量的配网线路状态监测、故障预警和定位技术的故障定位装置及定位方法 |
| CN108254657A (zh) * | 2018-03-28 | 2018-07-06 | 山东大学 | 基于暂态能量分析的配电网小电流接地故障区段定位方法 |
| CN108919054A (zh) * | 2018-07-05 | 2018-11-30 | 国网上海市电力公司 | 基于负荷及分支线估计的智能配电网短路故障定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王成斌等: "基于微型PMU的配电网多分支架空线路参数无关故障定位算法", 《电网技术》 * |
| 王雪文等: "基于暂态能量的小电流接地系统单相接地故障区段定位方法", 《电网技术》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110187242A (zh) * | 2019-07-02 | 2019-08-30 | 上海交通大学 | 一种基于时空相关性分析的配电网异常检测及定位方法 |
| CN110703032A (zh) * | 2019-08-26 | 2020-01-17 | 常州轻工职业技术学院 | 一种电网故障定位方法 |
| CN110531140A (zh) * | 2019-09-06 | 2019-12-03 | 贵州电网有限责任公司 | 基于负荷切除扰动的中低压配电系统短路电流测量方法 |
| CN110632459A (zh) * | 2019-10-21 | 2019-12-31 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于同步相量测量的配电网故障区段定位方法 |
| CN110837025A (zh) * | 2019-11-15 | 2020-02-25 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于电流分析的配电线路故障节点识别系统及其方法 |
| CN111381128B (zh) * | 2019-12-25 | 2022-10-21 | 长沙理工大学 | 配电网故障定位方法、装置和服务器 |
| CN111381128A (zh) * | 2019-12-25 | 2020-07-07 | 长沙理工大学 | 配电网故障定位方法、装置和服务器 |
| CN112180211A (zh) * | 2020-09-25 | 2021-01-05 | 华中科技大学 | 基于节点综合注入电流的配电网接地故障定位方法及装置 |
| CN112881860A (zh) * | 2021-01-18 | 2021-06-01 | 长沙理工大学 | 一种配电网的故障定位方法及其系统 |
| CN113884811A (zh) * | 2021-10-08 | 2022-01-04 | 邓朝尹 | 一种基于直算法的配网线路短路故障定位方法 |
| CN113884811B (zh) * | 2021-10-08 | 2024-04-19 | 邓朝尹 | 一种基于直算法的配网线路短路故障定位方法 |
| CN114545148A (zh) * | 2022-01-18 | 2022-05-27 | 国网江苏省电力有限公司电力科学研究院 | 配电网故障区段定位方法、装置、存储介质及计算设备 |
| CN114545148B (zh) * | 2022-01-18 | 2024-06-28 | 国网江苏省电力有限公司电力科学研究院 | 配电网故障区段定位方法、装置、存储介质及计算设备 |
| CN115035692A (zh) * | 2022-05-23 | 2022-09-09 | 国家电网有限公司技术学院分公司 | 一种自动判断输电线路各相故障的报警方法、系统、介质及设备 |
| CN116152016A (zh) * | 2023-04-19 | 2023-05-23 | 国网天津市电力公司电力科学研究院 | 一种配电网故障定位方法、装置、设备及存储介质 |
| CN117665494A (zh) * | 2024-01-31 | 2024-03-08 | 湖南大学 | 一种配电网故障辨识方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109557422B (zh) | 2020-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109557422B (zh) | 一种智能配电网短路故障定位方法及系统 | |
| CN109507526B (zh) | 基于同步相量测量和协方差矩阵理论配电网故障诊断方法 | |
| Moghavvemi et al. | Technique for contingency monitoring and voltage collapse prediction | |
| Yuan et al. | A comparative study of measurement-based Thevenin equivalents identification methods | |
| CN109100614B (zh) | 一种基于pmu装置的输电线路故障定位方法 | |
| CN103576053B (zh) | 一种基于有限电能质量监测点的电压暂降源定位方法 | |
| CN111308277B (zh) | 一种基于d-pmu有限节点信息的配电网复故障定位方法 | |
| CN108919054A (zh) | 基于负荷及分支线估计的智能配电网短路故障定位方法 | |
| CN110133451B (zh) | 基于微型pmu和二分法搜索的配电网故障定位方法及系统 | |
| Farajollahi et al. | Location identification of distribution network events using synchrophasor data | |
| CN107884682A (zh) | 基于故障点与监测点距离的配电网故障定位方法 | |
| Manousakis et al. | A two-stage state estimator for power systems with PMU and SCADA measurements | |
| CN110470951A (zh) | 基于PMU信息和Petri网的有源配电网故障诊断方法 | |
| CN110783946A (zh) | 用于定位微电网中相故障的方法 | |
| CN110927519A (zh) | 基于μPMU量测值的主动配电网故障定位方法 | |
| CN111542980A (zh) | 多端子电力传输线路中的故障位置的无参数识别 | |
| CN107134774B (zh) | 含分布式电源的配电网可靠性分析方法和系统 | |
| CA2602980C (en) | Method and system for real time identification of voltage stability via identification of weakest lines and buses contributing to power system collapse | |
| Lv et al. | Voltage sag source location estimation based on optimized configuration of monitoring points | |
| Mohamed et al. | A multi-agent system for fault location and service restoration in power distribution systems | |
| Ashok et al. | Attack-resilient measurement design methodology for state estimation to increase robustness against cyber attacks | |
| CN104062501B (zh) | 双变压器变电站谐波状态估计方法 | |
| CN106646106A (zh) | 基于变点探测技术的电网故障检测方法 | |
| CN107478956B (zh) | 一种配电网的故障定位方法及装置 | |
| Augugliaro et al. | Voltage collapse proximity indicators for radial distribution networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |