CN110208647B - 一种基于随机矩阵的配电网单相接地故障区段定位方法 - Google Patents
一种基于随机矩阵的配电网单相接地故障区段定位方法 Download PDFInfo
- Publication number
- CN110208647B CN110208647B CN201910448689.7A CN201910448689A CN110208647B CN 110208647 B CN110208647 B CN 110208647B CN 201910448689 A CN201910448689 A CN 201910448689A CN 110208647 B CN110208647 B CN 110208647B
- Authority
- CN
- China
- Prior art keywords
- matrix
- random
- distribution network
- power distribution
- random matrix
- 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.)
- Active
Links
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于随机矩阵的配电网单相接地故障区段定位方法,包括以下步骤:基于配电网典型故障暂态信息与电网运行参数,将同一时间段内的运行参数按照采样时间顺序通过矩阵的变换处理构建高维随机矩阵。对获得的高维随机矩阵利用Marchenko‑Pastur分布律确定故障位置。将高维随机矩阵谱特征作为判据,可以敏感地感知到系统中异常干扰的存在。由于高维随机矩阵的良好的鲁棒性特点,可以有效解决配电网故障定位中线路较短,随机负荷影响因素强,线路分支复杂等问题带来的数据噪声较大,难以精准定位的问题,实现在大量数据中去除无关影响、辨识关键故障信息。
Description
技术领域
本发明涉及一种用于电力故障领域判别的基于随机矩阵的配电网单相接地故障区段定位方法。
背景技术
根据调研,我国配电网多采用非有效接地方式,在此电网结构下,配电网单相接地故障占配电线路故障总数80%以上,尽管目前相关技术规范中允许该接地方式下配电网带单相接地故障继续运行一段时间,但是非故障相电压升高问题容易损坏设备或引发其他故障。现阶段,配电网故障选线问题已经得到妥善解决,但是我国中压配电网故障定位问题仍然多采用人工巡线定位的方案,定位效率有待提高。而快速精准地确定故障位置是电网保证对用户供电安全可靠的重要环节。配电网单相接地故障定位主要面临以下难点:1)相比输电网络,配电网的线路较短,使用一些传统定位技术会导致误差偏大,加大了精确定位难度。2)配电网末端的负荷随机性多变,易对配电网运行参数造成不可预知的影响。3)单相接地故障电流较小,基于故障电流的故障区段定位法不能有效识别故障区段。
发明内容
本发明的目的是为了克服现有技术的不足,提供一种基于随机矩阵的配电网单相接地故障区段定位方法,该方法将高维随机矩阵谱特征作为判据,可以敏感地感知到系统中异常干扰的存在。由于高维随机矩阵的良好的鲁棒性特点,可以有效解决配电网故障定位中线路较短,随机负荷影响因素强,线路分支复杂等问题带来的数据噪声较大,难以精准定位的问题,实现在大量数据中去除无关影响、辨识关键故障信息。
实现上述目的的一种技术方案是:一种基于随机矩阵的配电网单相接地故障区段定位方法,包括以下步骤:
步骤1,基于配电网典型故障暂态信息与电网运行参数,将同一时间段内的运行参数按照采样时间顺序通过矩阵的变换处理构建高维随机矩阵。
步骤2,对获得的高维随机矩阵利用Marchenko-Pastur分布律和单环定律确定故障位置。
进一步的,所述步骤1的具体方法为:
将配电网某一个量测点的A、B、C三相电流、三相电压采样数据以及有功、无功数据构成一个原始时序矩阵:
其中UA,n、UB,n、UC,n、IA,n、IB,n、IC,n为测量点A、B、C三相电压和电流,Pn、Qn为测量点实时有功无功值;
为了满足单环定理输入条件,将原始时序矩阵按进行列切块,转置,通过分块平移手段变换构建状态矩阵
由于实际配电网影响因素多变且随机,引起电网运行状态的变化,因此可将该矩阵认为是一个随机矩阵,满足单环定理。
进一步的,所述步骤2的具体方法为:
通过高维随机矩阵的统计特征,根据谱半径的判据的分布、变化特征,确定故障位置,越随机化的谱半径分布代表离故障位置越近,其具体方法为:
行列数不相等的随机矩阵的奇异值特征可由Marchenko-Pastur分布律近似描述,对于规模为N×M的随机矩阵X={xij}1≤i≤N,1≤j≤M,满足:
该矩阵的样本协方差矩阵为
其经验谱密度函数按照密度函数FMP(λ)满足M-P定理:
其中:
在大数据理论中,使用M-P定理用于观测随机矩阵中数据随机偏离程度,描述随机矩阵的极限谱分布情况,给出一个各元素均为独立同分布的随机变量的矩阵XM×N,给出以下定义:
矩阵积:
等效奇异值矩阵:
本发明提出一种基于随机矩阵的配电网单相接地故障区段定位方法,具有如下有益效果:
1.本发明方法一种基于随机矩阵的配电网单相接地故障区段定位方法。将高维随机矩阵谱特征作为判据,可以敏感地感知到系统中异常干扰的存在。
2.本发明提出的基于高维随机矩阵的故障定位有良好的鲁棒性特点,可以有效解决配电网故障定位中线路较短,随机负荷影响因素强,线路分支复杂等问题带来的数据噪声较大,难以精准定位的问题,实现在大量数据中去除无关影响、辨识关键故障信息,具有较强实用价值。
3.本发明设计思路清晰,使用方式较为简便,在工程实际中,具有广泛的适用性。
附图说明
图1为基于高维随机矩阵理论的故障定位建模;
图2为本实施例中的崇明电网节点配电网模型;
图3为小电流接地系统中单相接地故障后节点谱分析图(从上到下依次为节点10、节点1和节点3的)。
具体实施方式
为了能更好地对本发明的技术方案进行理解,下面通过具体地实施例并结合附图进行详细地说明:
图1为基于高维随机矩阵理论的故障定位建模。
高维随机矩阵起源于量子系统和原子核物理领域的随机矩阵理论 (RandomMatrix Theory,以下简称为RMT)。RMT中以矩阵为单位,对源数据的分布、特征(是否为Hermitian矩阵、是否满足高斯分布)没有限制,可以正确处理独立同分布的海量数据。所以该理论可以处理大多数有海量数据特征的实际工程问题,对于有一定随机性的系统有更强的异常识别能力。该理论核心观念认为,在一个拥有海量数据的系统中,当系统仅有白噪声、微小扰动或测量误差时,其数据将会有规律的呈现出某种统计随机性。当系统中出现有信号源的干扰事件时,系统内在的相互关系、内部机理和运行机制将会受到影响而改变,这种随机统计特性将会被打破。
步骤1,基于崇明电网实际模型和运行数据,构建高维随机矩阵。
(该高维矩阵为已经将个测量点的三相电压和电流UA,n、UB,n、UC,n、 IA,n、IB,n、IC,n,以及各测量点的实时有功值Pn和无功值Qn)的矩阵经过变换后的矩阵)。
步骤2,基于获得的高维随机矩阵,利用Marchenko-Pastur分布律和单环定律确定故障位置。通过随机状态矩阵X特征值谱分布变化判断故障是否发生,越随机化的谱半径分布代表离故障位置越近,其具体方法为:
行列数不相等的随机矩阵的奇异值特征可由Marchenko-Pastur分布律近似描述,对于规模为N×M的随机矩阵X={xij}1≤i≤N,1≤j≤M,满足:
该矩阵的样本协方差矩阵为
其经验谱密度函数按照密度函数满足M-P定理:
其中:
在大数据理论中,使用M-P定理用于观测随机矩阵中数据随机偏离程度,描述随机矩阵的极限谱分布情况,给出一个各元素均为独立同分布的随机变量的矩阵XM×N,给出以下定义:
矩阵积:
等效奇异值矩阵:
在本实施例中,以图2的崇明电网节点配电网模型为例。高维随机矩阵由暂态仿真结果叠加一系列白噪声获得。在测试时图2的3-4节点间加入单相接地故障,0.1s后消除故障,以验证所提出的定位方法有效性。
对节点1,节点3以及节点10处的高维随机矩阵进行Marchenko- Pastur分布律和单环定律计算。所得到的故障谱分析结果如图3所示。
从上到下依次为节点10、节点1和节点3情况。可以明显的看到,距离故障点越近的节点,其节点谱分析图上的数据点越不规律,分布越随机。由此可判断距离故障点距离的远近,并据此分析故障点的具体位置。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (1)
1.一种基于随机矩阵的配电网单相接地故障区段定位方法,其特征在于,包括以下步骤:
步骤1,基于配电网典型故障暂态信息与电网运行参数,将同一时间段内的运行参数按照采样时间顺序通过矩阵的变换处理构建高维随机矩阵;
步骤2,对获得的高维随机矩阵利用Marchenko-Pastur分布律和单环定律确定故障位置。
所述步骤1的具体方法为:
将配电网某一个量测点的A、B、C三相电流、三相电压采样数据以及有功、无功数据构成一个原始时序矩阵:
其中UA,n、UB,n、UC,n、IA,n、IB,n、IC,n为测量点A、B、C三相电压和电流,Pn、Qn为测量点实时有功无功值;
为了满足单环定理输入条件,将原始时序矩阵按进行列切块、转置,通过分块平移手段变换构建状态矩阵
由于实际配电网影响因素多变且随机,引起电网运行状态的变化,因此可将该矩阵认为是一个随机矩阵,满足单环定理;
所述步骤2的具体方法为:
通过高维随机矩阵的统计特征,根据谱半径的判据的分布、变化特征,确定故障位置,越随机化的谱半径分布代表离故障位置越近,其具体方法为:
行列数不相等的随机矩阵的奇异值特征可由Marchenko-Pastur分布律近似描述,对于规模为N×M的随机矩阵X={xij}1≤i≤N,1≤j≤M,满足:
该矩阵的样本协方差矩阵为
其经验谱密度函数按照密度函数FMP(λ)满足M-P定理:
其中:
在大数据理论中,使用M-P定理用于观测随机矩阵中数据随机偏离程度,描述随机矩阵的极限谱分布情况,给出一个各元素均为独立同分布的随机变量的矩阵XM×N,给出以下定义:
矩阵积:
等效奇异值矩阵:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910448689.7A CN110208647B (zh) | 2019-05-27 | 2019-05-27 | 一种基于随机矩阵的配电网单相接地故障区段定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910448689.7A CN110208647B (zh) | 2019-05-27 | 2019-05-27 | 一种基于随机矩阵的配电网单相接地故障区段定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110208647A CN110208647A (zh) | 2019-09-06 |
CN110208647B true CN110208647B (zh) | 2021-07-06 |
Family
ID=67788997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910448689.7A Active CN110208647B (zh) | 2019-05-27 | 2019-05-27 | 一种基于随机矩阵的配电网单相接地故障区段定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110208647B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045227B (zh) * | 2019-03-23 | 2019-12-17 | 广西电网有限责任公司电力科学研究院 | 一种基于随机矩阵与深度学习的配电网故障诊断方法 |
CN110596533B (zh) * | 2019-09-12 | 2020-07-31 | 山东大学 | 一种配电网单相接地故障区段定位方法及系统 |
CN110632455A (zh) * | 2019-09-17 | 2019-12-31 | 武汉大学 | 一种基于配网同步量测大数据的故障检测定位方法 |
CN111220842A (zh) * | 2020-01-16 | 2020-06-02 | 华南理工大学 | 电压暂降扰动事件发现与定位方法、装置、设备及介质 |
CN112803393B (zh) * | 2021-01-04 | 2022-05-31 | 竺炜 | 基于线路负载率特征的主网源-网-荷协调性评估方法 |
CN113203920B (zh) * | 2021-05-11 | 2023-03-24 | 国网山东省电力公司临沂供电公司 | 一种配电网单相接地故障定位系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130201538A1 (en) * | 2012-01-25 | 2013-08-08 | Tempere University of Technology | Chromophore based nanocircuits |
CN107133684A (zh) * | 2016-02-26 | 2017-09-05 | 中国电力科学研究院 | 一种面向配电网无功优化的随机矩阵构建方法 |
US20180073860A1 (en) * | 2016-09-07 | 2018-03-15 | Board of Trustees of Southern Illiniois University on Behalf of Southern Illinois University Carbond | Systems and methods for compressive image sensor techniques utilizing sparse measurement matrices |
CN108152675A (zh) * | 2017-12-21 | 2018-06-12 | 华中科技大学 | 基于随机矩阵理论的故障时刻确定和故障区域定位方法 |
-
2019
- 2019-05-27 CN CN201910448689.7A patent/CN110208647B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130201538A1 (en) * | 2012-01-25 | 2013-08-08 | Tempere University of Technology | Chromophore based nanocircuits |
CN107133684A (zh) * | 2016-02-26 | 2017-09-05 | 中国电力科学研究院 | 一种面向配电网无功优化的随机矩阵构建方法 |
US20180073860A1 (en) * | 2016-09-07 | 2018-03-15 | Board of Trustees of Southern Illiniois University on Behalf of Southern Illinois University Carbond | Systems and methods for compressive image sensor techniques utilizing sparse measurement matrices |
CN108152675A (zh) * | 2017-12-21 | 2018-06-12 | 华中科技大学 | 基于随机矩阵理论的故障时刻确定和故障区域定位方法 |
Non-Patent Citations (2)
Title |
---|
基于随机矩阵谱分析的输电线路故障检测算法;童晓阳 等;《电力系统自动化》;20190525;第43卷(第10期);第101-108页 * |
基于高维随机矩阵大数据分析模型的输变电设备关键性能评估方法;严英杰 等;《中国电机工程学报》;20160120;第36卷(第2期);正文第436页右栏倒数第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110208647A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110208647B (zh) | 一种基于随机矩阵的配电网单相接地故障区段定位方法 | |
CN109193650B (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
CN106548021B (zh) | 一种基于高维随机矩阵的电子式互感器误差状态评估方法 | |
CN111679158A (zh) | 基于同步量测数据相似度的配电网故障辨识方法 | |
Jia et al. | Defect prediction of relay protection systems based on LSSVM-BNDT | |
CN105406461B (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
CN107871202A (zh) | 一种计及多电压等级的电网可靠性评估方法 | |
CN110137944A (zh) | 一种基于随机矩阵理论的电压稳定性扰动源定位方法 | |
CN106874676B (zh) | 一种电能计量装置状态评估方法 | |
CN117748507B (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
Noureen et al. | Anomaly detection in cyber-physical system using logistic regression analysis | |
CN107515339A (zh) | 一种基于直流电流分布情况的风险识别方法及系统 | |
Shi et al. | Early anomaly detection and localisation in distribution network: A data‐driven approach | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
CN111429043A (zh) | 基于场景构建的电压暂降特征量随机评估方法 | |
CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
Hassani et al. | Design of a cost-effective deep convolutional neural network–based scheme for diagnosing faults in smart grids | |
CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 | |
Wu et al. | Research on a location method for complex voltage sag sources based on random matrix theory | |
CN111507374A (zh) | 一种基于随机矩阵理论的电网海量数据异常检测方法 | |
CN116341950A (zh) | 一种基于综合介数的电力系统脆弱线路评估方法及装置 | |
Wang et al. | Free Probability Theory Based Event Detection for Power Grids using IoT-Enabled Measurements | |
Murali et al. | Forecasting and classification of power quality disturbance in smart grid using hybrid networks | |
Huang et al. | Data-driven fault risk warning method for distribution system |
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 |