CN110687395A - 基于深度置信网络的含分布式电源的配电网故障选线方法 - Google Patents

Abstract

本发明公开了一种基于深度置信网络的含分布式电源的配电网故障选线方法。该方法包括以下步骤：获取不同单相接地故障情况下每条馈线首端的零序电流和电压信号；提取零序电流和电压信号中含有的稳态和暂态特征量；对原始特征量进行数据和极性预处理；采用深度置信网络算法进行故障选线定位。本发明将深度学习理论应用于含分布式电源的小电流接地故障定位中，具有更好的容错性，有助于提高小电流接地故障选线的准确率，同时提高了配电网运行的可靠性和安全性。

Description

基于深度置信网络的含分布式电源的配电网故障选线方法

技术领域

本发明涉及配电网故障定位技术领域，特别是一种基于深度置信网络的含分布式电源的配电网故障选线方法。

背景技术

在配电网的各类故障中，80％为单相接地短路故障。在我国，6～35kV的中低压配电网常采用中性点不接地或经消弧线圈接地这两种小电流接地方式，当发生单相短路故障时，故障电流幅值很小，使得故障特征信息也并不明显，但是配电网中单相故障如果不及时处理，将导致进一步的相间短路，扩大故障影响。并且随着分布式电源的加入，会将情况更加复杂化。因此，研究更加准确快速的故障选线方法，及时应对并阻止新型配电网故障影响进一步扩大具有重要的意义。

含分布式电源的配电网发生单相短路故障时，虽然线路电容电流的分布情况发生变化，但是线路首端零序电流的特征不会改变，仍然可以运用传统的小电流接地故障的判据来选线。目前，工程中常用的是通过零序电流的基波分量来进行选线，但是这个方法在面临中性点经消弧线圈接地时，会失去准确性。小波包分析方法虽然不受中性点接地类型的影响，但是由于其基于暂态，持续时间短，并且受到过渡电阻和初始角的影响较大，所以会出现误判的情况。相比较，多源信息融合的判据能更好地弥补单一选线的不足，能够得到更加精确的结果。

目前用于小电流接地系统故障选线的常用方法有：

(1)专家系统：该方法是利用电网中继电保护、断路器的动作原理和调度员的以往故障查找经历形成故障诊断中专家系统的知识库，根据实时警报信号依照知识库的得到推理结果，但该方法速度慢、容错性差，且不能自主学习。

(2)基于支持向量机的故障定位方法：该方法简化了通常的分类和回归等问题，学习速度快，但是它的缺点是对于大规模的训练样本难以实施。

(3)基于人工神经网络的故障定位方法：该方法利用故障信号来进行自学习，其非线性映射及容错能力很强，善于求解比较复杂的求解输入与输出的潜在关系的问题，但是缺点是神经网络收敛速度慢，计算量大，容易陷入局部最优。

发明内容

本发明的目的在于提供一种容错性好、速度快、准确率高的基于深度置信网络的含分布式电源的配电网故障选线方法。

实现本发明目的的技术解决方案为：一种基于深度置信网络的含分布式电源的配电网故障选线方法，包括如下步骤：

步骤1、获取不同单相接地故障情况下每条馈线首端的零序电流和电压信号；

步骤2、提取零序电流和电压信号中含有的稳态和暂态特征量；

步骤3、对原始特征量进行数据和极性预处理；

步骤4、采用深度置信网络算法进行故障选线定位。

进一步地，步骤1所述获取不同单相接地故障情况下每条馈线首端的零序电流和电压信号，具体如下：

建立一个含分布式电源配电网单相接地故障模型，设置不同的中性点接地方式、故障点位置、故障初始角、过渡电阻、故障相以及故障的馈线，通过该含分布式电源配电网单相接地故障模型获取单相接地故障发生前后的零序电流电压的仿真波形。

进一步地，步骤2所述提取零序电流和电压信号中含有的稳态和暂态特征量，具体如下：

稳态特征量包括：零序电流基波幅值、零序电流五次谐波幅值和相角、零序有功功率幅值、零序无功功率幅值、能量幅值；

暂态特征包括：小波包模极大值、首半波幅值和极性；

利用离散全波傅里叶算法提取零序电流基波和五次谐波分量，选择故障发生后的两周波后的一个周期作为时间窗，计算如下：

其中，n为线路标数，X_na、X_nb分别为第n条线路的正弦变换和余弦变换，k为周波数，x(k)为一个周期的电流采样值，N为一个周期的采样点数，ω为系统角频率，T_s为采样间隔，

f_s是采样频率，

通过以下公式计算幅值X_n：

通过以下公式计算相角θ_n：

在提取基波分量时，取n＝1；提取五次谐波分量时，取n＝5；

利用零序无功电流与零序电压相乘，得出零序无功功率；零序有功电流与零序电压相乘，得到零序有功功率，分别用零序无功功率和零序有功功率来放大中性点不接地系统和中性点经消弧线圈接地系统的故障特征信号；

利用零序电压和零序电流的乘积进行积分，得到线路零序能量，通过以下公式计算：

其中S_0α、S_0L分别为线路α的零序能量函数和消弧线圈L的能量函数，i_0α、i_0L分别为线路α和消弧线圈L在t时刻的零序电流值；

利用小波包变换得到暂态零序电流的小波包模极大值，选择除工频所在频带之外的能量最大的频带作为特征频带，能量计算公式为：

其中，ε为各频带信号对应的能量值，

为db小波包分解第(j,k)子频带下的分解系数，j为小波包分解层数，k为小波包分解后第j层的节点号，k＝0,1,2，…,2^j-1，n为各频带内的采样点；

利用零序电流信号提取各馈线暂态首半波幅值与极性特征时，从故障发生时刻开始截取一个周期内的零序电流信号，首先将这一周期内所有采样值按照正负分开，分别在正负采样值中找出最大数值I₊，I_-以及该值对应采样点的位置W₊，W_{_}，先比较|I₊|和|I_-|的大小，取较大的为首半波幅值；再比较W₊，W_{_}，若W₊＞W_{_}则暂态波形是先负后正，极性为负；若W₊＜W_{_}则暂态波形是先正后负，极性为正。

进一步地，步骤3所述对原始特征量进行数据和极性预处理，具体如下：

(1)针对数值特征，对于具有n条出线的系统，在生成第i条出线的故障特征数据集数据时，假设各出线的故障特征为A₁，A₂，…，A_n，则第i条出线的故障特征数据集数据F_i通过以下公式计算：

其中，i＝1,2,…,n；

(2)针对角度特征，假设各出线的故障特征为P₁，P₂，…，P_n，则第i条出线的角度通过如下公式转换为对应相位角Ad_i，则i条出线故障特征数据集数据F_i通过以下公式计算：

其中，i＝1,2,…,n，

表示将角度转为复数形式。

进一步地，步骤4所述采用深度置信网络算法进行故障选线定位，具体如下：

将步骤3中预处理后的数据以7:3划分为训练数据和测试数据输入到深度置信网络中，来确定包括网络模型最大的层数、每层各自的节点个数以及模型需要迭代的次数的超参数；深度置信网络DBN是一个概率生成模型，由多个受限波尔兹曼机RBM堆叠而成，深度置信网络的第一层为输入层，再需要经过RBM将输入数据转换到隐含层去，高一层RBM的输入来自低一层RBM的输出；

每个RBM包含一个可视层和一个隐含层，可视层v有I个神经单元v＝{v₁,v₂,v₃,...,v_i}∈{0,1}、隐含层h有J个神经单元h＝{h₁,h₂,h₃,...,h_j}∈{0,1}、可视层和隐含层之间的连接权重w_ji、可视层的偏置向量a_i和隐含层的偏置向量b_j；

所有可视单元和隐含单元联合状态(v,h)的能量函数为：

其中I为可视单元的数量，J为隐含单元的数量；

根据上式得到可视层v和隐含层h之间的联合概率分布为：

其中，Z是一个模拟物理系统的标准化常数，表示对可视层v和隐含层h节点集合的所有可能状态的求和；

通过上式的联合概率分布P(v,h)，对隐含层h节点集合的所有状态求和，计算可视层向量v的概率分布P(v)为：

由于RBM是层间无连接的二值组成，所以其隐含层单元和可视层单元是相互独立的单元，对于一层RBM所包含的I个可视层单元和J个隐含层单元，给定隐含层单元h，可视层单元v被激活的条件概率P(v|h)为：

给定可视层单元v，得到隐含层单元h被激活的条件概率P(h|v)为：

在采取逻辑函数后，得到隐含层h和可视层v的激活概率分别为：

通过对比散度即CD算法，先计算所有隐藏层单元的条件概率P(h_j＝1|v)，并用吉布斯采样确定隐含层单元状态，再计算可视层单元的条件概率P(v_i＝1|h)，再次用吉布斯采样确定可视层单元状态，此时相当于产生了对上一步可视层的一个重构，直到重构误差或迭代次数达到预先设定的阈值，结束训练；

RBM模型的连接权重w_ji、可视层的偏置向量a_i和隐含层的偏置向量b_j更新为Δw_ji、Δa_i、Δb_j：

Δw_ji＝ε(P(h＝1|v)v^T-P(h¹＝1|v¹)v^1T)

Δa_i＝ε(v-v¹)

Δb_j＝ε(P(h＝1|v)-P(h¹＝1|v¹))

其中，其中ε为学习率，v¹为重构的可视层，v为原本的可视层。

本发明与现有技术相比，其显著优点为：(1)考虑到稳态、暂态特征各自具有的不足之处，将故障信息进行融合，更好地应对不同的故障类型，使故障选线的速度更迅速，准确率更高；(2)深置信网络可以进行无监督的自主学习，具有很好的容错性和泛化性，在面对大维度训练样本时，通过设置隐含层单元进行降维处理，并且通过受限玻尔兹曼机的预训练得到更好的网络参数，防止神经网络出现的局部最优问题；(3)有助于提高小电流接地故障选线的准确率，同时提高了配电网运行的可靠性和安全性。

附图说明

图1为本发明基于深度置信网络的含分布式电源的配电网故障选线方法的流程图。

图2为本发明实施例的流程示意图。

图3为本发明的含分布式电源配电网的仿真模型图。

图4为单相接地故障时电容电流分布图。

图5为本发明实施例的DBN结构示意图。

图6为本发明实施例的RBM结构示意图。

具体实施方式

下面结合附图和具体实施方式进一步说明本发明的原理和方案。

结合图1～2，本发明基于深度置信网络的含分布式电源的配电网故障选线方法，包括如下步骤：

步骤1、获取不同单相接地故障情况下每条馈线首端的零序电流和电压信号；

利用matlab/simulink建立如图3的一个含分布式电源配电网单相接地故障模型，结合图4，通过单相故障时的电容电流分布图，可以发现分布式电源的接入，不影响线路首端的零序电流，仍然可以使用原有针对传统配电网选线判据来分析。设置不同的中性点接地方式、故障点位置、故障初始角、过渡电阻、故障相以及故障的馈线，通过该含分布式电源配电网单相接地故障模型获取单相接地故障发生前后的零序电流电压的仿真波形。

步骤2、提取零序电流和电压信号中含有的稳态和暂态特征量；

需要提取稳态特征包括：零序电流基波幅值，零序电流五次谐波幅值和相角，零序有功功率幅值，零序无功功率幅值，能量幅值；

暂态特征包括：小波包模极大值，首半波幅值和极性。

利用离散全波傅里叶算法提取零序电流基波和五次谐波分量，选择故障发生后的两周波后的一个周期作为时间窗，计算如下：

其中，n为线路标数，X_na、X_nb分别为第n条线路的正弦变换和余弦变换，k为周波数，x(k)为一个周期的电流采样值，N为一个周期的采样点数，ω为系统角频率，T_s为采样间隔，

f_s是采样频率，

通过以下公式计算幅值X_n：

通过以下公式计算相角θ_n：

在提取基波分量时，取n＝1；提取五次谐波分量时，取n＝5；

由于配电网发生高阻接地故障时，线路的零序电流幅值较小，利用零序无功电流与零序电压相乘，得出零序无功功率；零序有功电流与零序电压相乘，得到零序有功功率，分别用零序无功功率和零序有功功率来放大中性点不接地系统和中性点经消弧线圈接地系统的故障特征信号；

利用零序电压和零序电流的乘积进行积分，得到线路零序能量，通过以下公式计算：

其中S_0α、S_0L分别为线路α的零序能量函数和消弧线圈L的能量函数，i_0α、i_0L分别为线路α和消弧线圈L在t时刻的零序电流值；

利用小波包变换得到暂态零序电流的小波包模极大值，选取coif4小波作为小波包基函数，采样频率为10kHz，分解尺度为4，共16个频宽，每个频宽的长度为312.5Hz。选择除工频所在频带之外的能量最大的频带作为特征频带，能量计算公式为：

其中，ε为各频带信号对应的能量值，

为db小波包分解第(j,k)子频带下的分解系数，j为小波包分解层数，k为小波包分解后第j层的节点号(k＝0,1,2，…,2^j-1)，n为各频带内的采样点；

利用零序电流信号提取各馈线暂态首半波幅值与极性特征时，从故障发生时刻开始截取一个周期内的零序电流信号，首先将这一周期内所有采样值按照正负分开，分别在正负采样值中找出最大数值以及该值对应采样点的位置，分别记为I₊，I_-和W₊，W_{_}，先比较|I₊|和|I_-|的大小，取较大的为首半波幅值。再比较W₊，W_{_}，若W₊＞W_{_}则暂态波形是先负后正，极性为负；若W₊＜W_-则暂态波形是先正后负，极性为正。

步骤3、对原始特征量进行数据和极性预处理；

(1)针对数值特征，对于具有n条出线的系统，在生成第i条出线的故障特征数据集数据时，假设各出线的故障特征为A₁，A₂，…，A_n，则第i条出线的故障特征数据集数据F_i通过以下公式计算：

其中，i＝1,2,…,n；

(2)针对角度特征，假设各出线的故障特征为P₁，P₂，…，P_n，则第i条出线的角度通过如下公式转换为对应相位角Ad_i，则i条出线故障特征数据集数据F_i通过以下公式计算：

其中，i＝1,2,…,n，

将角度转为复数形式；

步骤4、采用深度置信网络算法进行故障选线定位。

将步骤3中预处理后的数据以7:3划分为训练数据和测试数据输入到深度置信网络中，来确定网络模型最大的层数，每层各自的节点个数以及模型需要迭代的次数等超参数。

结合图5，深度置信网络(Deep Belief Networks,DBN)是一个概率生成模型，由多个受限波尔兹曼机(Restricted Boltzmann Machine,RBM)堆叠而成，深度置信网络的第一层为输入层，再需要经过RBM将输入数据转换到隐含层去，可以看出高一层RBM的输入来自低一层RBM的输出。

结合图6，每个RBM包含一个可视层和一个隐含层，可视层v有I个神经单元v＝{v₁,v₂,v₃,...,v_i}∈{0,1}、隐含层h有J个神经单元h＝{h₁,h₂,h₃,...,h_j}∈{0,1}、可视层和隐含层之间的连接权重w_ji、可视层的偏置向量a_i和隐含层的偏置向量b_j。

所有可视单元和隐含单元联合状态(v,h)的能量函数为：

其中I为可视单元的数量，J为隐含单元的数量；

根据上式可以得到可视层v和隐含层h之间的联合概率分布为：

其中，Z是一个模拟物理系统的标准化常数，表示对可视层v和隐含层h节点集合的所有可能状态的求和。

通过上式的联合概率分布P(v,h)，对隐含层h节点集合的所有状态求和，可以计算可视层向量v的概率分布为：

由于RBM是层间无连接的二值组成，所以其隐含层单元和可视层单元是相互独立的单元，对于一层RBM所包含的I个可视层单元和J个隐含层单元，给定隐含层单元h，可视层单元v被激活的条件概率P(v|h)为：

类似的，给定可视层单元v，可以得到隐含层单元h被激活的条件概率P(h|v)为：

在采取逻辑函数后，可以得到隐含层h和可视层v的激活概率分别为：

通过对比散度(contrastive divergence，CD)的快速学习算法，先计算所有隐藏层单元的条件概率P(h_j＝1|v)，并用吉布斯采样确定隐含层单元状态，再通过隐含层去计算可视层单元的条件概率P(v_i＝1|h)，再次用吉布斯采样确定可视层单元状态，此时相当于产生了对上一步可视层的一个重构，直到重构误差或迭代次数达到预先设定的阈值，结束训练。

RBM模型的连接权重w_ji、可视层的偏置向量a_i和隐含层的偏置向量b_j更新为：

Δw_ji＝ε(P(h＝1|v)v^T-P(h¹＝1|v¹)v^1T)

Δa_i＝ε(v-v¹)

Δb_j＝ε(P(h＝1|v)-P(h¹＝1|v¹))

其中，其中ε为学习率，v¹为重构的可见层，v为原本的可见层。

在最后一个RBM后堆叠一个有监督的分类器，自顶而下反向传播错误信息至每一个RBM，并使用反向传播算法微调所有相关参数，使DBN模型的参数达到最优。预训练对原始输入的学习为分类器提供了原始输入更高层的抽象特征，减少了训练误差，提高了分类准确率。

实施例

本实施例中在每条出线沿线不同位置(10％，30％，50％，90％，母线)处设置单相接地故障，并设置不同的故障相别(AG，BG，CG)，故障电阻(金属接地0.001Ω，中阻抗50Ω，中阻抗500Ω，高阻抗2000Ω)，故障角(0°，45°，90°)。中性点两种接地方式，共进行1512次仿真，得到7560个故障数据。将数据进行预处理，其中70％设为训练数据，30％设为测试数据，根据输入的样本来调整模型最大的层数，每层各自的节点个数以及模型需要迭代的次数等超参数。

本例中确定DBN的输入层节点为8，隐含层数为4层，节点数为15，最后的输出层标签为0代表正常线路，1代表故障线路。

表1 不同隐层数的深度置信网络模型的分类误差对比：

从表1可以看出在本例中，当隐层数达到4的时候，模型可以达到最高的精确性。

表2 不同分类算法的选线准确率：

从表2可以看出无论中性点不接地还是经消弧线圈接地，深度置信网络的具有更好的特征学习性，准确率都接近于100％，高于其他常用的机器学习算法。

Claims (5)

1.一种基于深度置信网络的含分布式电源的配电网故障选线方法，其特征在于，包括如下步骤：

步骤1、获取不同单相接地故障情况下每条馈线首端的零序电流和电压信号；

步骤2、提取零序电流和电压信号中含有的稳态和暂态特征量；

步骤3、对原始特征量进行数据和极性预处理；

步骤4、采用深度置信网络算法进行故障选线定位。

2.根据权利要求1所述的基于深度置信网络的含分布式电源的配电网故障选线方法，其特征在于，步骤1所述获取不同单相接地故障情况下每条馈线首端的零序电流和电压信号，具体如下：

建立一个含分布式电源配电网单相接地故障模型，设置不同的中性点接地方式、故障点位置、故障初始角、过渡电阻、故障相以及故障的馈线，通过该含分布式电源配电网单相接地故障模型获取单相接地故障发生前后的零序电流电压的仿真波形。

3.根据权利要求1所述的基于深度置信网络的含分布式电源的配电网故障选线方法，其特征在于，步骤2所述提取零序电流和电压信号中含有的稳态和暂态特征量，具体如下：

稳态特征量包括：零序电流基波幅值、零序电流五次谐波幅值和相角、零序有功功率幅值、零序无功功率幅值、能量幅值；

暂态特征包括：小波包模极大值、首半波幅值和极性；

利用离散全波傅里叶算法提取零序电流基波和五次谐波分量，选择故障发生后的两周波后的一个周期作为时间窗，计算如下：

其中，n为线路标数，X_na、X_nb分别为第n条线路的正弦变换和余弦变换，k为周波数，x(k)为一个周期的电流采样值，N为一个周期的采样点数，ω为系统角频率，T_s为采样间隔，

f_s是采样频率，

通过以下公式计算幅值X_n：

通过以下公式计算相角θ_n：

在提取基波分量时，取n＝1；提取五次谐波分量时，取n＝5；

利用零序无功电流与零序电压相乘，得出零序无功功率；零序有功电流与零序电压相乘，得到零序有功功率，分别用零序无功功率和零序有功功率来放大中性点不接地系统和中性点经消弧线圈接地系统的故障特征信号；

利用零序电压和零序电流的乘积进行积分，得到线路零序能量，通过以下公式计算：

其中S_0α、S_0L分别为线路α的零序能量函数和消弧线圈L的能量函数，i_0α、i_0L分别为线路α和消弧线圈L在t时刻的零序电流值；

利用小波包变换得到暂态零序电流的小波包模极大值，选择除工频所在频带之外的能量最大的频带作为特征频带，能量计算公式为：

其中，ε为各频带信号对应的能量值，为db小波包分解第(j,k)子频带下的分解系数，j为小波包分解层数，k为小波包分解后第j层的节点号，k＝0,1,2，…,2^j-1，n为各频带内的采样点；

利用零序电流信号提取各馈线暂态首半波幅值与极性特征时，从故障发生时刻开始截取一个周期内的零序电流信号，首先将这一周期内所有采样值按照正负分开，分别在正负采样值中找出最大数值I₊，I_-以及该值对应采样点的位置W₊，W-，先比较|I₊|和|I_-|的大小，取较大的为首半波幅值；再比较W₊，W_-，若W₊＞W_-则暂态波形是先负后正，极性为负；若W₊＜W_-则暂态波形是先正后负，极性为正。

4.根据权利要求1所述的基于深度置信网络的含分布式电源的配电网故障选线方法，其特征在于，步骤3所述对原始特征量进行数据和极性预处理，具体如下：

(1)针对数值特征，对于具有n条出线的系统，在生成第i条出线的故障特征数据集数据时，假设各出线的故障特征为A₁，A₂，…，A_n，则第i条出线的故障特征数据集数据F_i通过以下公式计算：

其中，i＝1,2,…,n；

(2)针对角度特征，假设各出线的故障特征为P₁，P₂，…，P_n，则第i条出线的角度通过如下公式转换为对应相位角Ad_i，则i条出线故障特征数据集数据F_i通过以下公式计算：

其中，i＝1,2,…,n，

表示将角度转为复数形式。

5.根据权利要求1所述的基于深度置信网络的含分布式电源的配电网故障选线方法，其特征在于，步骤4所述采用深度置信网络算法进行故障选线定位，具体如下：

将步骤3中预处理后的数据以7:3划分为训练数据和测试数据输入到深度置信网络中，来确定包括网络模型最大的层数、每层各自的节点个数以及模型需要迭代的次数的超参数；深度置信网络DBN是一个概率生成模型，由多个受限波尔兹曼机RBM堆叠而成，深度置信网络的第一层为输入层，再需要经过RBM将输入数据转换到隐含层去，高一层RBM的输入来自低一层RBM的输出；

每个RBM包含一个可视层和一个隐含层，可视层v有I个神经单元v＝{v₁,v₂,v₃,...,v_i}∈{0,1}、隐含层h有J个神经单元h＝{h₁,h₂,h₃,...,h_j}∈{0,1}、可视层和隐含层之间的连接权重w_ji、可视层的偏置向量a_i和隐含层的偏置向量b_j；

所有可视单元和隐含单元联合状态(v,h)的能量函数为：

其中I为可视单元的数量，J为隐含单元的数量；

根据上式得到可视层v和隐含层h之间的联合概率分布为：

其中，Z是一个模拟物理系统的标准化常数，表示对可视层v和隐含层h节点集合的所有可能状态的求和；

通过上式的联合概率分布P(v,h)，对隐含层h节点集合的所有状态求和，计算可视层向量v的概率分布P(v)为：

由于RBM是层间无连接的二值组成，所以其隐含层单元和可视层单元是相互独立的单元，对于一层RBM所包含的I个可视层单元和J个隐含层单元，给定隐含层单元h，可视层单元v被激活的条件概率P(v|h)为：

给定可视层单元v，得到隐含层单元h被激活的条件概率P(h|v)为：

在采取逻辑函数后，得到隐含层h和可视层v的激活概率分别为：

通过对比散度即CD算法，先计算所有隐藏层单元的条件概率P(h_j＝1|v)，并用吉布斯采样确定隐含层单元状态，再计算可视层单元的条件概率P(v_i＝1|h)，再次用吉布斯采样确定可视层单元状态，此时相当于产生了对上一步可视层的一个重构，直到重构误差或迭代次数达到预先设定的阈值，结束训练；

RBM模型的连接权重w_ji、可视层的偏置向量a_i和隐含层的偏置向量b_j更新为Δw_ji、Δa_i、Δb_j：

Δw_ji＝ε(P(h＝1|v)v^T-P(h¹＝1|v¹)v^1T)

Δa_i＝ε(v-v¹)

Δb_j＝ε(P(h＝1|v)-P(h¹＝1|v¹))

其中，其中ε为学习率，v¹为重构的可视层，v为原本的可视层。

Images