CN110907757A - 基于电突触传递的snp系统含分布式电源配电网故障定位方法 - Google Patents

基于电突触传递的snp系统含分布式电源配电网故障定位方法 Download PDF

Info

Publication number
CN110907757A
CN110907757A CN201911239086.2A CN201911239086A CN110907757A CN 110907757 A CN110907757 A CN 110907757A CN 201911239086 A CN201911239086 A CN 201911239086A CN 110907757 A CN110907757 A CN 110907757A
Authority
CN
China
Prior art keywords
fault
output
input
distribution network
information
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.)
Pending
Application number
CN201911239086.2A
Other languages
English (en)
Inventor
杨光
刘伟东
李晓辉
刘小琛
李磊
陈彬
李丹
梁彬
邹琪
刘洋洋
赵庆来
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911239086.2A priority Critical patent/CN110907757A/zh
Publication of CN110907757A publication Critical patent/CN110907757A/zh
Pending legal-status Critical Current

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
    • 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
    • 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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法，其特征在于：包括如下步骤：步骤一，对含分布式电源配电网，以常开型联络开关为分界点网进行区间划分处理，仅选择含有故障信息的区间；步骤二，根据含有故障信息区间的拓扑结构建立基于电突触传递的SNP系统的故障定位模型；步骤三，根据馈线终端装置上报的故障电流信息以及正向推理算法对已经建立的故障定位模型进行运算；步骤四，对正向推理算法结果结合反向验证算法对故障电流信息进行验证；步骤五，通过故障状态输出工作模式和故障真实性验证工作模式，完成故障定位和故障电流信息的验证。本发明具有准确度高与可靠性高、高合理性与高可溯性、更大的并行性、通用性强的优点。

Description

基于电突触传递的SNP系统含分布式电源配电网故障定位 方法
技术领域
本发明涉及电力系统故障诊断领域，特别是一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法、FPGA处理器及系统。
背景技术
膜计算(P系统)是仿生自然计算中新兴的一个学科分支。具体由三部分构成：膜的层次结构、表示对象的多重集以及进化规则。目前关于膜计算的研究概可分为3类：第一类：理论研究；第二类：应用研究；第三类：软、硬件实现研究。P系统目前还处于理论研究阶段，但是它具有的一些良好的性质诸如并行性、动态性以及非确定性引起了很多学者的关注。随着研究的深入，由原始模型衍生除了许多不同的膜计算模型。主要有类细胞P系统、类组织P系统以及类神经P系统。
分布式电源DG(Distributed Generation)大量接入系统之后，配电网由单电源模式变为多电源模式，分布式电源的位置、容量以及运行方式对配电网的线路潮流、节点电压以及网络损耗等都将产生较大影响，配电网结构和运行都会发生巨大改变，同时，也会改变配电网故障电网故障电流的大小和方向，使配电网故障诊断复杂化。这对原有的配电设备的质量和配电网络的安全性提出了更高的要求。目前在关于含分布式电源配电网故障定位方法领域，已经有大量文献研究出了大量的新的并且易于工程实用的故障定位方法。但是目前的这些方法各有优缺，通用性差，一旦存在故障信息缺失或畸变以及其他情况后，无法准确进行故障定位，因此故障发生后，如何及时准确地确定故障区段，迅速定位故障区段并恢复健全区段供电仍是本领域一个亟需解决的一个重大问题。
目前的含分布式电源配电网故障定位方法存在的问题如下：
1)统一矩阵算法仅适用于单一电源和单一故障情况；且在单一电源和单一故障情况下，在进行故障诊断后还需进行分析以确定故障定位结果是否正确；
2)改进矩阵算法的实现同样需要含分布式电源配电网中各个节点的短路电流幅值，数据量大且运算量大；
3)基于反脉冲神经P系统的含分布式电源配电网故障定位方法的故障诊断原理复杂难于理解；故障定位过程容易理解但是实际故障定位过程中，容错性较差，且多元故障时还需配合后续的故障分析；
4)粒子群算法(PSO算法)运算量大且容易陷入局部最优，不适用于实际工程应用。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法，包括如下步骤：
步骤一，对含分布式电源配电网，以常开型联络开关为分界点网进行区间划分处理，仅选择含有故障信息的区间；
步骤二，根据含有故障信息区间的拓扑结构建立基于电突触传递的SNP系统的故障定位模型；
步骤三，根据馈线终端装置上报的故障电流信息以及正向推理算法对已经建立的故障定位模型进行运算；
步骤四，对正向推理算法结果结合反向验证算法对故障电流信息进行验证；
步骤五，通过故障状态输出工作模式和故障真实性验证工作模式，完成故障定位和故障电流信息的验证。
而且，所述故障定位模型的建立方法为：(1)对含有故障信息的区间，设定其正方向；(2)根据模型建立原理及故障诊断原理，结合FTU上传的含故障信息区间内元器件上的故障电流信息，对输入/输出神经元I/O、输出/输入神经元O/I和区段神经元分别进行设定；(3)在基于电突触传递的SNP系统的形式化定义的基础上，结合含故障信息区间内的拓扑结构以及正反向激发规则，建立相应的故障定位模型。
而且，所述的故障定位模型为双向模型，输入/输出神经元I/O和输出/输入神经元O/I以及区段神经元均为双向传递信息功能的神经元。
而且，所述故障信息区间的定位，若故障状态输出值为0，则该区段未发生故障；若故障状态输出值为1，则该区段发生故障。
而且，所述反向验证算法的方法为：根据正向推理算法中得出的输出/输入神经元中的值，结合实际电流矩阵S和故障真实性验证工作模式，对故障电流信息的准确性进行验证。
一种处理器，包括：
1)区间划分模块，用于对含分布式电源配电网的进行区间划分处理，选择出含有故障信息的区间；
2)初始值赋予模块，用于根据FTU上报的故障电流信息，赋予输入/输出神经元I/O中的初始值；其中，输入/输出神经元I/O中所包含的是离散数值(-1,0,1)，同时，该系统中所有神经元中均不包含激发规则，且规则定义在突触上，同时，输入/输出神经元I/O具有输入和输出两种功能；
3)第一故障定位计算模块，用于通过输入/输出神经元I/O中的初始值和建立的网络描述矩阵D，根据O/I＝D·(I/O)T计算出输入/输出神经元O/I中的离散数值；
4)故障定位模块，该模块依据第一故障定位计算模块得到的结果结合故障状态输出模式定位出故障区段；
5)第二故障定位计算模块，用于依据所述的反向验证算法、实际电流矩阵S、以及故障真实性验证工作模式进行故障电流信息的验证；
6)故障真实性验证模块，用于验证输入/输出神经元I/O中的初始值是否有误。
而且，所述故障电流信息的验证方法为：通过输出/输入神经元O/I中得到的离散数值和建立的实际电流矩阵S，根据(I/O)1＝ST·(O/I)计算出输入/输出神经元I/O中的离散数值。
而且，所述处理器具体为FPGA处理器。
本发明的优点和积极效果是：
1、准确度高与可靠性高。本发明通过所得结果结合故障状态输出工作模式判读出故障区段；根据实际电流矩阵与所得结果运行相关推理算法，结合故障真实性验证工作模式进行判断，对定位结果的准确定进行分析验证。同时，还可以对故障电流信息是否有误报进行验证，使得故障定位结果具有的高准确度与高可靠性。
2、高合理性与高可溯性。该模型适合于含分布式电源配电网的双向潮流特性与故障定位的快速性，且该模型对应系统的形式化定义都是在生物知识中对神经元、电突触特性以及电突触传递的定义的基础上进行定义，即该模型完全来自于合理的生物背景有大量的生物知识、相关生物文献支撑，且适合于所讨论的配电网类型，具有高合理性与高可溯性。
3、更大的并行性。采用硬件并行的优势，FPGA打破了顺序执行的模式，重复分配计算资源，使得多个模块之间可以同时独立进行计算。其中，FPGA尤其适用于任务比较固定或者重复的情况。
4、通用性强。本发明的方法可以适用于含分布式电源配电网的单一故障、多元故障、信息误报等故障情况，且适用于诸如复杂含分布式电源配电网，含分布式电源的环网等多种含分布式电源配电网。
附图说明
图1为现有技术方案基于反脉冲神经P系统的含分布式点电源故障定位方法的流程图；
图2为本申请提供的一种电突触示意图；
图3为本申请提供的一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法的实施例的流程图；
图4为本申请实施例多电源配电网示意图；
图5为本申请实施例中区域Ⅰ的基于电突触传递的SNP系统含分布式电源配电网故障定位模型；
图6为本申请提供的一种基于电突触传递的SNP系统含分布式电源配电网故障定位模型的FPGA内部硬件功能划分结构示意图。
图7为本申请提供的一种FPGA处理器系统的内部结构示意图。
具体实施方式
以下结合附图对本发明的实施例做进一步详述：
参见图3，表示出了一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法的实施例的流程图，其步骤包括：
1.含有故障信息区间的选择；对含分布式电源配电网，以常开型联络开关为分界点网进行区间划分处理，仅选择含有故障信息的区间。
2.基于电突触传递的SNP系统含分布式电源配电网故障定位模型的建立；其中，第一，对含有故障信息的区间，设定其正方向。第二，根据模型建立原理及故障诊断原理，结合FTU上传的含故障信息区间内元器件上的故障电流信息，对输入/输出神经元I/O、输出/输入神经元O/I和区段神经元分别进行设定；第三，在基于电突触传递的SNP系统的形式化定义的基础上，结合含故障信息区间内的拓扑结构以及正反向激发规则，建立相应的故障定位模型。第四，对FTU(馈线终端装置)上报的故障电流信息设置不同的工作模式如表1所示，并与输入/输出神经元I/O以及相应的元器件建立相应关系,即为故障电流信息。
表1故障电流信息工作模式
Figure BDA0002305693780000051
对于基于电突触传递的SNP系统的含分布式电源配电网故障定位模型结合网络描述矩阵(见表2)，结合正向推理算法进行正向推理，得到故障区段故障状态值；然后，根据输出/输入神经元中的值，结合实际电流矩阵和反向验证算法进行反向验证，对故障电流信息进行验证。
表2网络描述矩阵D中元素dij
Figure BDA0002305693780000052
3.确定故障区段；根据故障状态输出工作模式(见表3)，结合经正向推理算法得到的故障状态值，准确定位故障区段。
表3故障状态输出工作模式
Figure BDA0002305693780000053
4.故障电流信息验证；根据正向推理算法得到的故障状态值，即输出/输入神经元中的值，结合反向验证算法对故障电流信息进行验证。
基于含分布式电源配电网潮流双向特性的模型双向性以及推理算法双向性：模型为双向模型，输入/输出神经元I/O和输出/神经元O/I以及区段神经元均为双向传递信息功能的神经元；正向推理过程中，通过电流故障信息和正向推理算法，最终根据故障状态工作模式，准确进行故障区段。反向验证过程中，通过经正向推理算法得到的值，结合输出/输入神经元中的值，结合实际电流矩阵(见表4)和反向验证算法，验证故障电流信息是否正确无误报。
表4实际电流流向矩阵S
Figure BDA0002305693780000061
根据表3定位故障区段，即如果故障状态输出值为0，则该区段未发生故障；如果故障状态输出值为1，则该区段发生故障。
5.反向验证算法，根据正向推理算法中得出的故障状态输出值即输出/输入神经元中的值，结合实际电流矩阵S和故障真实性验证工作模式见表5，对故障电流信息的准确性进行验证。
表5故障真实性验证工作模式
Figure BDA0002305693780000062
其中，相关推理算法的具体步骤为：
α＝(α1,α2,...,αm)T是包含m个输入/输出神经元I/O中的矢量，其中α＝(-1,0，1)表示第i个输入/输出神经元I/O中的离散数值(1≤i≤m)；
β＝(β1,β2,...,βn)是包含n个区段神经元σj中离散数值的矢量，其中β＝(-1,0,1)标是第j个区段神经元中的离散数值((1≤j≤n))；
O/I＝(β1,β2,...,βn)T为输入/输出神经元，输出结果为区段神经元输出结果的顺序脉冲串；
D＝(dij)m×n是正向推理部分中输入/输出神经元I/O与区段神经元σj之间网络描述矩阵，根据表2的描述构成；
S＝(sij)n×m是反向验证过程中区段神经元σj与输入/输出神经元I/O之间的电流流向矩阵，根据表4的描述构成；
正向推理部分：首先，分别设置输入/输出神经元I/O的初始值，然后根据公式β＝D×α，计算出区段神经元的离散数值，接着区段神经元的离散数值将以顺序脉冲串的形式出现在输出/输入神经元O/I中，β＝1则区段i发生故障，反之，当β＝0，则区段i未发生故障；
反向验证部分：根据输出/输入神经元O/I中已取得得结果，根据α＝S×β，得到输入/输出神经元(I/O)1中的离散数值。
最终，结合反向验证算法的输入/输出神经元(I/O)1中所得的结果与正向推理算法中输入/输出神经元I/O中的故障电流信息进行“与”运算，验证故障电流信息是否有误。
注意：(I/O)1即为输入/输出神经元I/O正向推理过程的表示形式，为区分不同的推理过程，故用此种形式表示，但其实是同一神经元。
本发明所述的基于电突触传递的SNP系统含分布式电源配电网故障定位方法具有有效性、可靠性和准确性，可以广泛应用于含分布式电源配电网的故障诊断中。
实施例子
以图4所示的多电源配电网为例，说明基于电突触传递的SNP系统含分布式电源配电网故障定位方法的相关算法。该多电源配电网包括1个主电源S、4个分布式电源(DG)，其中断路器、分段开关等元器件统一编号为S1-S12，区段统一编号为L1-L9。且，用于高可靠性要求的线路的配电网都为闭环运行模式，实际运行模式都为分区域运行。
实施例分为以下三种情况：
FTU上报完整故障电流信息且为单一故障情况；
FTU上报完整故障电流信息且为多元故障情况；
FTU上报故障电流信息存在误报情况；
单一故障情况(当区段L3处发生故障时)：
1.含有故障信息区间的选择；对含分布式电源配电网，以常开型联络开关为分界点网进行区间划分处理，仅选择含有故障信息的区间，即将多电源配电网分为区域Ⅰ与区域Ⅱ。仅选择含有故障信息的区间，即仅选择区域Ⅰ。
2.基于电突触传递的SNP系统含分布式电源配电网故障定位模型的建立；以L3故障情况为例建立基于电突触传递的SNP系统含分布式电源配电网故障定位模型。对含有故障信息的区域Ⅰ：
(1)设定故障区间的正方向，如图4所示。
(2)据模型建立原理及故障诊断原理，结合FTU上传的含故障信息区间内元器件上的故障电流信息，对输入/输出神经元I/O、输出/输入神经元O/I和区段神经元分别进行设定；
(3)基于电突触传递的SNP系统的形式化定义的基础上，结合含故障信息区间内的拓扑结构以及正反向激发规则，建立基于电突触传递的SNP系统的含分布式电源配电网故障定位模型如图5。
表1故障电流信息工作模式
Figure BDA0002305693780000082
对FTU(馈线终端装置)上报的故障电流信息设置不同的工作模式如表1所示，并与输入/输出神经元I/O以及相应的元器件建立相应关系，则故障电流信息为I/O＝[1，1，0，1，-1,-1]T。
对于基于电突触传递的SNP系统的含分布式电源配电网故障定位模型，建立网络描述矩阵(见表2)。
表2网络描述矩阵D中元素dij
Figure BDA0002305693780000081
则网络描述矩阵D为：
Figure BDA0002305693780000091
结合正向推理算法β＝D×α进行正向推理，得到故障区段故障状态值；
O/I＝[0，0,1,0]T
3.确定故障区段；根据表3定位故障区段，即如果故障状态输出值为0，则该区段未发生故障；如果故障状态输出值为1，则该区段发生故障。结合经正向推理算法得到的故障状态值，即证明区段L3处发生故障。
表3故障状态输出工作模式
Figure BDA0002305693780000092
4.故障电流信息验证；根据正向推理算法得到的故障状态值O/I＝[0，0,1,0]T，即输出/输入神经元O/I中的值，结合反向验证算法对故障电流信息进行验证。反向验证过程中，通过经正向推理算法得到的值，结合输出/输入神经元中的值，构建实际电流矩阵(见表4)。
表4实际电流流向矩阵S
Figure BDA0002305693780000093
则根据表4建立的实际电流矩阵为：
Figure BDA0002305693780000094
5.反向验证算法；根据正向推理算法中得出的故障状态输出值即输出/输入神经元I/O中的值，结合实际电流矩阵S和故障真实性验证工作模式见表5，对故障电流信息的准确性进行验证。然后，根据输出/输入神经元O/I中的值，结合实际电流矩阵和反向验证算法进行反向验证，对故障电流信息进行验证。
表5故障真实性验证工作模式
Figure BDA0002305693780000101
即根据推理算法α＝ST×β，则(I/O)1＝[1,1,0,1,-1,-1]＝I/O，证明正向推理结果正确且故障电流信息无误。即通过正向推理过程和反向验证过程证明区段L3处的确发生了故障。且故障电流信息即输入/输出神经元I/O中的初始值没有误报。
多元故障情况(当区段L3和L4处发生故障)：
1.含有故障信息区间的选择；对含分布式电源配电网，以常开型联络开关为分界点网进行区间划分处理，仅选择含有故障信息的区间，即将多电源配电网分为区域Ⅰ与区域Ⅱ。仅选择含有故障信息的区间，即仅选择区域Ⅰ。
2.基于电突触传递的SNP系统含分布式电源配电网故障定位模型的建立；以L3和L4同时故障情况即多元故障情况为例建立基于电突触传递的SNP系统含分布式电源配电网故障定位模型。对含有故障信息的区域Ⅰ：
(1)设定故障区间的正方向，如图4所示。
(2)据模型建立原理及故障诊断原理，结合FTU上传的含故障信息区间内元器件上的故障电流信息，对输入/输出神经元I/O、输出/输入神经元O/I和区段神经元分别进行设定；
(3)基于电突触传递的SNP系统的形式化定义的基础上，结合含故障信息区间内的拓扑结构以及正反向激发规则，建立基于电突触传递的SNP系统的含分布式电源配电网故障定位模型如图5。
表1故障电流信息工作模式
Figure BDA0002305693780000102
对FTU(馈线终端装置)上报的故障电流信息设置不同的工作模式如表1所示，并与输入/输出神经元I/O以及相应的元器件建立相应关系，则故障电流信息为I/O＝[1,1,0,1,0,-1]T。
对于基于电突触传递的SNP系统的含分布式电源配电网故障定位模型，建立网络描述矩阵(见表2)。
表2网络描述矩阵D中元素dij
Figure BDA0002305693780000111
因含故障信息区域内拓扑结果未发生变化，则网络描述矩阵D依旧为：
Figure BDA0002305693780000112
结合正向推理算法β＝D×α进行正向推理，得到故障区段故障状态值；
O/I＝[0，0,1,1]T
3.确定故障区段；根据表3定位故障区段，即如果故障状态输出值为0，则该区段未发生故障；如果故障状态输出值为1，则该区段发生故障。结合经正向推理算法得到的故障状态值，即证明区段L3、L4处发生故障。
表3故障状态输出工作模式
Figure BDA0002305693780000113
4.故障电流信息验证；根据正向推理算法得到的故障状态值O/I＝[0，0,1,1]T，即输出/输入神经元O/I中的值，结合反向验证算法对故障电流信息进行验证。反向验证过程中，通过经正向推理算法得到的值，结合输出/输入神经元中的值，构建实际电流矩阵(见表4)。
表4实际电流流向矩阵S
Figure BDA0002305693780000114
Figure BDA0002305693780000121
则根据表4建立的实际电流矩阵为：
Figure BDA0002305693780000122
5.反向验证算法；根据正向推理算法中得出的故障状态输出值即输出/输入神经元I/O中的值，结合实际电流矩阵S和故障真实性验证工作模式见表5，对故障电流信息的准确性进行验证。然后，根据输出/输入神经元O/I中的值，结合实际电流矩阵和反向验证算法进行反向验证，对故障电流信息进行验证。
表5故障真实性验证工作模式
Figure BDA0002305693780000123
即根据推理算法α＝ST×β，则(I/O)1＝[1,1,0,1,0,-1]＝I/O，证明正向推理结果正确且故障电流信息无误。即通过正向推理过程和反向验证过程证明区段L3、L4处的确发生了故障。且故障电流信息即输入/输出神经元I/O中的初始值没有误报。
信息误报故障情况(当区段L3处发生故障，FTU上传的S6处的故障电流信息错误)：
1.含有故障信息区间的选择；对含分布式电源配电网，以常开型联络开关为分界点网进行区间划分处理，仅选择含有故障信息的区间，即将多电源配电网分为区域Ⅰ与区域Ⅱ。仅选择含有故障信息的区间，即仅选择区域Ⅰ。
2.基于电突触传递的SNP系统含分布式电源配电网故障定位模型的建立；以区段L3处发生故障且FTU上传的S6处的故障电流信息误报为例，建立基于电突触传递的SNP系统含分布式电源配电网故障定位模型。对含有故障信息的区域Ⅰ：
(1)设定故障区间的正方向，如图4所示。
(2)据模型建立原理及故障诊断原理，结合FTU上传的含故障信息区间内元器件上的故障电流信息，对输入/输出神经元I/O、输出/输入神经元O/I和区段神经元分别进行设定；
(3)基于电突触传递的SNP系统的形式化定义的基础上，结合含故障信息区间内的拓扑结构以及正反向激发规则，建立基于电突触传递的SNP系统的含分布式电源配电网故障定位模型如图5。
表1故障电流信息工作模式
Figure BDA0002305693780000131
对FTU(馈线终端装置)上报的故障电流信息设置不同的工作模式如表1所示，并与输入/输出神经元I/O以及相应的元器件建立相应关系，则故障电流信息为I/O＝[1，1，0，1，-1,1]T
对于基于电突触传递的SNP系统的含分布式电源配电网故障定位模型，建立网络描述矩阵(见表2)。
表2网络描述矩阵D中元素dij
Figure BDA0002305693780000132
因含故障信息区域内拓扑结果未发生变化，则网络描述矩阵D依旧为：
Figure BDA0002305693780000133
结合正向推理算法β＝D×α进行正向推理，得到故障区段故障状态值；
O/I＝[0，0,1,0]T
3.确定故障区段；根据表3定位故障区段，即如果故障状态输出值为0，则该区段未发生故障；如果故障状态输出值为1，则该区段发生故障。结合经正向推理算法得到的故障状态值，即证明区段L3、L4处发生故障。
表3故障状态输出工作模式
Figure BDA0002305693780000141
4.故障电流信息验证；根据正向推理算法得到的故障状态值O/I＝[0，0,1,0]T，即输出/输入神经元O/I中的值，结合反向验证算法对故障电流信息进行验证。反向验证过程中，通过经正向推理算法得到的值，结合输出/输入神经元中的值，构建实际电流矩阵(见表4)。
表4实际电流流向矩阵S
Figure BDA0002305693780000142
则根据表4建立的实际电流矩阵为：
Figure BDA0002305693780000143
5.反向验证算法；根据正向推理算法中得出的故障状态输出值即输出/输入神经元I/O中的值，结合实际电流矩阵S和故障真实性验证工作模式见表5，对故障电流信息的准确性进行验证。然后，根据输出/输入神经元O/I中的值，结合实际电流矩阵和反向验证算法进行反向验证，对故障电流信息进行验证。
表5故障真实性验证工作模式
Figure BDA0002305693780000144
Figure BDA0002305693780000151
即根据推理算法α＝ST×β，则(I/O)1＝[1,1,0,1,-1,-1]≠I/O，即证明通过正向推理过程和反向验证过程证明区段L3处的确发生了故障，且存在信息误报情况，分析(I/O)1和I/O可知FTU上传的S6处的故障电流信息存在误报。
通过上述实施例中的两种故障情况以及故障定位结果可以看出，本申请提出的一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法以及FPGA处理器及系统能够准确地进行故障定位，并且该方法在多种故障情况下都非常有效。同时，该方法能够对故障定位结果的准确性加以验证且可以对输入的故障电流信息进行验证，使故障定位结果具有高可靠性和准确度。同时本申请将PFGA的并行性和故障定位模型结合在一起，实现了计算资源的重复分配。
与本发明相关的配电网故障区段判断和隔离的统一矩阵算法
配电网故障区段判断和隔离的统一矩阵算法
配电网故障区段判断和隔离的统一算法首先针对配电网的结构获得一个网络描述矩阵。在发生故障时，根据安放于馈线分段开关处和主变电所的RTU上报的过电流信息生成一个故障信息矩阵，通过网络描述矩阵和故障信息矩阵的运算得到一个故障判断矩阵，根据故障判断矩阵就可准确地判断和隔离故障区段。
配电网故障区段判断和隔离的统一矩阵算法的缺点
1)该矩阵算法仅适用于单一电源和单一故障情况，通用性差；
2)在单一电源和单一故障情况下，在进行故障诊断后还需进行分析以确定故障定位结果是否正确。
与本发明相关的含分布式电源的环网故障定位的改进矩阵算法
含分布式电源的环网故障定位的改进矩阵算法
该故障定位矩阵算法以网络描述矩阵为基础，并利用馈线终端设备FTU(feederterminal unit)收集上报的故障电流幅值信息形成改进的故障信息矩阵，通过由网络描述矩阵和故障信息矩阵运算后得到的故障判断矩阵可直接定位故障区域。
其中故障信息矩阵中的元素为各个节点流过的短路电流幅值。
含分布式电源的环网故障定位的改进矩阵算法的缺点
1)需要故障区域内所有节点的短路电流幅值；
2)短路电流幅值数据量多，运算量大。
与本发明相关的基于反脉冲神经P系统的含分布式电源配电网故障定位方法
基于反脉冲神经P系统的含分布式电源配电网故障定位方法
反脉冲神经P系统的含分布式电源配电网故障定位方法的主要想法是利用神经元中的潜在离散数值，结合推理算法定位出含分布式电源配电网中的故障。含分布式电源配电网故障定位的流程图如图1所示。首先，对复杂的含分布式电源的配电网进行适当的分区处理；其次，从SCADA系统分别读取各个分区断路开关流过故障电流的情况；接着，对疑似发生故障的分区建立相应的故障定位模型；然后，对建立的分区故障定位模型进行推理算法；最后，通过故障判断标准实现故障区域的准确定位。
基于反脉冲神经P系统的含分布式电源配电网故障定位方法的缺点
1)故障诊断原理复杂难于理解；
2)故障定位过程容易理解但是实际故障定位过程中，容错性较差，且多元故障时还需配合后续的故障分析；
3)运算结果中包含的数值出现了前面定义中未曾定义过的数值。
与本发明相关的粒子群优化算法含分布式电源配电网故障定位方法
粒子群优化算法含分布式电源配电网故障定位方法
根据含分布式电源配电网故障的检测函数设计粒子群优化算法的适应度函数，通过粒子之间的相互协作实现含分布式电源配电网故障定位。当含分布式电源的配电网发生故障时，开关处会产生一定的故障电流，故障电流方向与正常时的电流方向不同。定义一个电流的正方向，对配电网开关流过的电流状态进行编码，采用一种二进制的编码方式：当没有故障电流通过时，开关状态编码为0；当有故障电流通过时，开关状态编码为1。具体步骤为：
收集含分布式电源配电网故障的信息，并对信息进行相应的处理；
对处理后的含分布式电源配电网故障信息进行编码；
初始化粒子群，设置最大迭代次数、加速系数、最大权值和最小权值等参数；
根据含分布式电源配电网故障的监测函数构建粒子群优化算法的适应度函数；
计算每一个粒子的适应度函数，对根据适应度函数值对离子的优劣进行排序列，确定每一个粒子目前的最优解位置、整个种群的当前最优解位置；
根据迭代公式对每一个粒子的位置和速度进行更新，以搜索到更优的位置，并对新位置的适应度函数值进行计算；
根据粒子群的迭代次数，对惯性权重进行更新操作，并将当前的迭代次数与最大迭代次数进行比较，若小于最大迭代次数，返回到步骤5)继续进行搜索；
得出含分布式电源配电网故障结果。
粒子群优化算法含分布式电源配电网故障定位方法的缺点
1)运算量大；
2)容易陷入局部最优。
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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法，其特征在于：包括如下步骤：
步骤一，对含分布式电源配电网，以常开型联络开关为分界点网进行区间划分处理，仅选择含有故障信息的区间；
步骤二，根据含有故障信息区间的拓扑结构建立基于电突触传递的SNP系统的故障定位模型；
步骤三，根据馈线终端装置上报的故障电流信息以及正向推理算法对已经建立的故障定位模型进行运算；
步骤四，对正向推理算法结果结合反向验证算法对故障电流信息进行验证；
步骤五，通过故障状态输出工作模式和故障真实性验证工作模式，完成故障定位和故障电流信息的验证。
2.根据权利要求1所述的一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法，其特征在于：所述故障定位模型的建立方法为：(1)对含有故障信息的区间，设定其正方向；(2)根据模型建立原理及故障诊断原理，结合馈线终端装置FTU上传的含故障信息区间内元器件上的故障电流信息，对输入/输出神经元I/O、输出/输入神经元O/I和区段神经元分别进行设定；(3)在基于电突触传递的SNP系统的形式化定义的基础上，结合含故障信息区间内的拓扑结构以及正反向激发规则，建立相应的故障定位模型。
3.根据权利要求2所述的一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法，其特征在于：所述的故障定位模型为双向模型，输入/输出神经元I/O和输出/输入神经元O/I以及区段神经元均为双向传递信息功能的神经元。
4.根据权利要求1所述的一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法，其特征在于：所述故障信息区间的定位，若故障状态输出值为0，则该区段未发生故障；若故障状态输出值为1，则该区段发生故障。
5.根据权利要求1所述的一种基于电突触传递的SNP系统含分布式电源配电网故障定位方法，其特征在于：所述反向验证算法的方法为：根据正向推理算法中得出的输出/输入神经元中的值，结合实际电流矩阵S和故障真实性验证工作模式，对故障电流信息的准确性进行验证。
6.一种处理器，其特征在于，包括：
1)区间划分模块，用于对含分布式电源配电网的进行区间划分处理，选择出含有故障信息的区间；
2)初始值赋予模块，用于根据FTU上报的故障电流信息，赋予输入/输出神经元I/O中的初始值；其中，输入/输出神经元I/O中所包含的是离散数值(-1,0,1)，同时，该系统中所有神经元中均不包含激发规则，且规则定义在突触上，同时，输入/输出神经元I/O具有输入和输出两种功能；
3)第一故障定位计算模块，用于通过输入/输出神经元I/O中的初始值和建立的网络描述矩阵D，根据O/I＝D·(I/O)T计算出输入/输出神经元O/I中的离散数值；
4)故障定位模块，该模块依据第一故障定位计算模块得到的结果结合故障状态输出模式定位出故障区段；
5)第二故障定位计算模块，用于依据所述的反向验证算法、实际电流矩阵S、以及故障真实性验证工作模式进行故障电流信息的验证；
6)故障真实性验证模块，用于验证输入/输出神经元I/O中的初始值是否有误。
7.根据权利要求6所述的一种处理器，其特征在于：所述故障电流信息的验证方法为：通过输出/输入神经元O/I中得到的离散数值和建立的实际电流矩阵S，根据(I/O)1＝ST·(O/I)计算出输入/输出神经元I/O中的离散数值。
8.根据权利要求6所述的一种处理器，其特征在于：所述处理器具体为FPGA处理器。
CN201911239086.2A 2019-12-06 2019-12-06 基于电突触传递的snp系统含分布式电源配电网故障定位方法 Pending CN110907757A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911239086.2A CN110907757A (zh) 2019-12-06 2019-12-06 基于电突触传递的snp系统含分布式电源配电网故障定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911239086.2A CN110907757A (zh) 2019-12-06 2019-12-06 基于电突触传递的snp系统含分布式电源配电网故障定位方法

Publications (1)

Publication Number Publication Date
CN110907757A true CN110907757A (zh) 2020-03-24

Family

ID=69823089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911239086.2A Pending CN110907757A (zh) 2019-12-06 2019-12-06 基于电突触传递的snp系统含分布式电源配电网故障定位方法

Country Status (1)

Country Link
CN (1) CN110907757A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111474442A (zh) * 2020-03-30 2020-07-31 国网山东省电力公司德州供电公司 一种配电网单相接地故障定位方法及系统
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
CN115291047A (zh) * 2022-10-08 2022-11-04 西华大学 一种基于脉冲神经膜系统的配电网故障区段定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831477A (zh) * 2012-09-13 2012-12-19 西华大学 一种自适应模糊脉冲神经膜系统及推理算法和学习算法
CN103336222A (zh) * 2013-06-06 2013-10-02 西南交通大学 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法
CN108120903A (zh) * 2018-02-05 2018-06-05 西南交通大学 一种基于脉冲神经膜系统的小电流单相接地故障选线方法
CN109507527A (zh) * 2018-11-06 2019-03-22 国网天津市电力公司电力科学研究院 一种基于突触可塑性的snp系统含分布式电源配电网故障定位方法
CN109633372A (zh) * 2018-12-19 2019-04-16 西南交通大学 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831477A (zh) * 2012-09-13 2012-12-19 西华大学 一种自适应模糊脉冲神经膜系统及推理算法和学习算法
CN103336222A (zh) * 2013-06-06 2013-10-02 西南交通大学 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法
CN108120903A (zh) * 2018-02-05 2018-06-05 西南交通大学 一种基于脉冲神经膜系统的小电流单相接地故障选线方法
CN109507527A (zh) * 2018-11-06 2019-03-22 国网天津市电力公司电力科学研究院 一种基于突触可塑性的snp系统含分布式电源配电网故障定位方法
CN109633372A (zh) * 2018-12-19 2019-04-16 西南交通大学 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHANG SUN: "Fault location of distribution network with distributed generations using electrical synaptic transmission-based spiking neural P systems", 《INTERNATIONAL JOURNAL OF PARALLEL, EMERGENT AND DISTRIBUTED SYSTEMS》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111474442A (zh) * 2020-03-30 2020-07-31 国网山东省电力公司德州供电公司 一种配电网单相接地故障定位方法及系统
CN111474442B (zh) * 2020-03-30 2022-05-24 国网山东省电力公司德州供电公司 一种配电网单相接地故障定位方法及系统
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
CN115291047A (zh) * 2022-10-08 2022-11-04 西华大学 一种基于脉冲神经膜系统的配电网故障区段定位方法
CN115291047B (zh) * 2022-10-08 2022-12-20 西华大学 一种基于脉冲神经膜系统的配电网故障区段定位方法

Similar Documents

Publication Publication Date Title
Milanović et al. Modeling of interconnected critical infrastructure systems using complex network theory
Zheng et al. A novel equivalent model of active distribution networks based on LSTM
Wang et al. Fault diagnosis of electric power systems based on fuzzy reasoning spiking neural P systems
Jiang et al. A Petri net approach to fault diagnosis and restoration for power transmission systems to avoid the output interruption of substations
CN109633372B (zh) 一种基于膜系统的电力系统故障自动诊断方法
Rong et al. Automatic implementation of fuzzy reasoning spiking neural P systems for diagnosing faults in complex power systems
CN116505665B (zh) 一种电网配电线路的故障监测方法及系统
CN110907757A (zh) 基于电突触传递的snp系统含分布式电源配电网故障定位方法
Liu et al. A fault diagnosis method for power transmission networks based on spiking neural p systems with self‐updating rules considering biological apoptosis mechanism
Mazhari et al. A hybrid fault cluster and thévenin equivalent based framework for rotor angle stability prediction
Lin et al. A general framework for quantitative modeling of dependability in cyber-physical systems: A proposal for doctoral research
Wang et al. A fault diagnosis method of power systems based on an improved adaptive fuzzy spiking neural P systems and PSO algorithms
CN112701681B (zh) 一种基于强化学习的电网偶发故障安全调控策略生成方法
Zahraoui et al. Self‐healing strategy to enhance microgrid resilience during faults occurrence
Ahmad et al. Formal reliability and failure analysis of ethernet based communication networks in a smart grid substation
CN113740666B (zh) 一种数据中心电力系统告警风暴根源故障的定位方法
Ge et al. A virtual data collection model of distributed PVs considering spatio-temporal coupling and affine optimization reference
Zhang et al. Partition fault diagnosis of power grids based on improved PNN and GRA
Naderi et al. Detection of false data injection cyberattacks: Experimental validation on a lab-scale microgrid
Zhou et al. Fault location for distribution networks with distributed generation sources using a hybrid DE/PSO algorithm
Ma et al. A parallel heuristic reduction based approach for distribution network fault diagnosis
Rayudu A knowledge-based architecture for distributed fault analysis in power networks
Grebenyuk et al. Technological infrastructure management models and methods based on digital twins
CN115834406A (zh) 一种基于卷积神经网络的电网瞬态稳定性预测方法
Malinowski et al. Analysis of district heating network monitoring by neural networks classification

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200324

RJ01 Rejection of invention patent application after publication