CN110967594A - 一种含逆变式分布式电源的配电网故障定位方法及装置 - Google Patents

Abstract

本申请实施例公开了一种含逆变式分布式电源的配电网故障定位方法及装置，包括：根据配电开关以及线路区段进行区段划分，并将划分后的区段信息存入本地数据库；采用粒子群算法以及BP神经网络从所述区段中定位故障区段；采用EEMD算法从故障区段中选取故障线路；采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置。本申请解决了现有技术中没有考虑分布式电源对配电网故障定位测距的影响，提高了故障定位和故障测距结果的准确性。

Description

一种含逆变式分布式电源的配电网故障定位方法及装置

技术领域

本申请涉及配电网故障测距技术领域，尤其涉及一种含逆变式分布式电源的配电网故障定位方法及装置。

背景技术

伴随着传统化石能源日益枯竭即其带来的各式问题，这些因素使得新能源发电技术得以蓬勃发展，也成为未来世界电力工业的发展潮流。随着大量分布式电源接入配电网，给配电网的故障波形带来了巨大的冲击，考虑到含分布式配电网故障后的治理问题，必须要对主动配电网故障后进行故障定位和故障测距研究。因此对配电网的稳定运行和可靠控制来说，实现配电网故障后的自愈控制具有重要的理论价值和工程意义。

目前，配电网故障定位主要方法包括矩阵类算法和智能算法，矩阵算法适用于健全信息下的配网故障定位，而针对大量分布式电源接入的配电网而言，大量信息发生畸变或者丢失，且随着配电网规模的增大，健全故障信息的获取也成为一种难题，因此研究配电网故障定位新方法迫在眉睫，智能算法能够在信息有畸变的情况下实现故障定位，因此逐渐成为配电网故障定位的主流，目前，广泛应用于配电网的故障定位的智能算法有人工鱼群算法、粒子群算法等。同时，随着配电网规模的增大，进行故障定位是时间越来越长，必须通过对配电网故障信息进行筛选以消除一定的节点，提高故障定位的效率。

目前，虽然有很多研究提出了一些方法解决传统配电网故障定位测距问题，但是对逆变式分布式电源对配电网故障定位的影响考虑较少，而且随着配电网的迅速发展，出现了部分长距离输电的配电网络，针对这样的情况，即便通过故障定位算法将故障定位在两个测量装置之间，对于准确进行主动配电网详细故障位置的定位仍将花费较长的时间。

发明内容

本申请实施例提供了一种含逆变式分布式电源的配电网故障定位方法及装置，解决了没有考虑分布式电源对配电网故障定位测距的影响，提高了故障定位和故障测距结果的准确性。

有鉴于此，本申请第一方面提供了一种含逆变式分布式电源的配电网故障定位方法，所述方法包括：

根据配电开关以及线路区段进行区段划分；

采用粒子群算法以及BP神经网络从所述区段中定位故障区段；

采用EEMD(集合经验模态分解)算法从故障区段中选取故障线路；

采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置。

优选地，所述根据配电开关以及线路区段进行区段划分具体为：将线路区段划分成有源支路和无源支路。

优选地，在所述根据配电开关以及线路区段进行区段划分之后还包括：通过配电开关监控终端上传的故障信息剔除未发生过故障的区段，确定解空间的维度。

优选地，在所述采用粒子群算法以及BP神经网络从所述区段中定位故障区段之前还包括：对粒子群算法以及BP神经网络进行初始化，即确定粒子群算法中的维数、设定学习因子、种群规模及最大迭代次数；根据配电网的网络架构、网络节点数以及故障电流数据计算BP神经网络结构、各层节点数。

优选地，采用粒子群算法从所述区段中定位故障区段具体为：

S1：通过粒子群算法将开关节点的故障电流初始化为随机粒子，并将所述随机粒子的集合作为粒子群落；

S2:计算群落中粒子的适应度，并找出个体最优解和全局最优解；

S3:更新个体最优解和全局最优解的位置、速度、学习因子和惯性权重；

S4:重复步骤S2至S3直到达到最大迭代次数或者个体最优值和全局最优值满足预设精度，从而获得优化的神经网络的权值和阈值。

优选地，所述采用BP神经网络从所述区段中定位故障区段具体为：

选取配电网不同故障时的故障电流信息作为输入样本集，配电网不同故障对应的定位结果作为输出样本集；

将输入样本集和输出样本集对BP神经网络进行训练，得到故障区段定位模型；

将待测故障电流信息输入到故障区段定位模型，得到故障区段位置信息。

优选地，所述采用EEMD算法从故障区段中选取故障线路具体为：

采用EEMD将故障区段内各线路的零序电流分解得到IMF3模态分量；

将IMF3分量进行差分运算得到极性和模极大值；

将各线路对应的极性和模极大值进行比较，选出故障线路。

优选地，所述采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置具体为：

提取故障线路的电流行波；

对电流行波信号进行db2小波变换分解；

消除分解后电流行波信号中的噪声干扰和非故障点产生的行波信号干扰；

确定初始电流行波小波变换后的极性相反的两个模极大值，分别为第一模极大值和第二模极大值，根据第一模极大值与第二模极大值的时间差计算故障距离，从而确认故障具体位置。

本申请第二方面提供一种含逆变式分布式电源的配电网故障定位装置，所述装置包括：

区段划分模块，用于根据配电开关以及线路区段进行区段划分；

故障区段定位模块，用于采用粒子群算法以及BP神经网络从所述区段中定位故障区段；

故障选线模块，用于采用EEMD算法从故障区段中选取故障线路；

故障测距模块，用于采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置。

优选地，所述装置还包括：

线路剔除模块，用于通过配电开关监控终端上传的故障信息剔除未发生过故障的区段，确定解空间的维度；

初始化模块，用于对粒子群算法以及BP神经网络进行初始化，即确定粒子群算法中的维数、设定学习因子、种群规模及最大迭代次数；根据配电网的网络架构、网络节点数以及故障电流数据计算BP神经网络结构、各层节点数。

从以上技术方案可以看出，本申请实施例具有以下优点：本申请提供了一种含逆变式分布式电源的配电网故障定位方法，包括根据配电开关以及线路区段进行区段划分；采用粒子群算法以及BP神经网络从所述区段中定位故障区段；采用EEMD算法从故障区段中选取故障线路；采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置。

本申请通过粒子群算法的全局寻优能力，同时结合反向传播的神经网络进行主动配电网故障定位，提高了定位的速度和准确性。采用EEMD分解主动配电网故障零序电流到IMF3后进行差分实现故障选线，采用db2小波对电流行波信号进行分解实现故障测距，达到了抗干扰能力强，测距准确的优点。

附图说明

图1为本申请一种含逆变式分布式电源的配电网故障定位方法的一个实施例的方法流程图；

图2为本申请一种含逆变式分布式电源的配电网故障定位方法的另一个实施例的方法流程图；

图3为本申请一种含逆变式分布式电源的配电网故障定位装置的一个实施例装置结构示意图；

图4为本发明一种含逆变式分布式电源的配电网故障定位方法的一个实施例中故障区段定位的方法流程图；

图5为本发明一种含逆变式分布式电源的配电网故障定位方法的一个实施例中故障选线以及故障测距的方法流程图。

具体实施方式

本申请提供了一种考虑含逆变式分布式电源的配电网故障定位方法及装置，通过粒子群算法的全局寻优能力，同时结合反向传播的神经网络进行主动配电网故障定位，提高了定位的速度和准确性。采用EEMD分解主动配电网故障零序电流到IMF3后进行差分实现故障选线，采用db2小波对电流行波信号进行分解实现故障测距，达到了抗干扰能力强，测距准确的优点。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解，请参阅图1，图1为本申请一种考虑含逆变式分布式电源的配电网故障定位方法的一个实施例的方法流程图，如图1所示，图1中包括：

101、根据配电开关以及线路区段进行区段划分。

需要说明的是，可以采用开关节点以及线路区段对含逆变式分布式电源的配电网进行划分，具体的可以采用有源树支路和无源树支路的划分方法，即各个电源点之间的连通路径所包含的节点以及线路构成了有源树，有源树上所包含的支路均为有源支路，其余为无源支路；对于有源树部分，以电源为起点，直到遇到第一个多分支开关节点，由此形成的支路为电源支路。由此，可以将配电网划分成有源区段和无源区段。

102、采用粒子群算法以及BP神经网络从所述区段中定位故障区段。

需要说明的是，采用粒子群算法将线路中开关节点的电流初始化为粒子群落，通过在粒子群算法中不断地迭代得到BP神经网络最优的权值和阈值，再将待测的电流信号输入到已经训练好的BP神经网络构成的故障区段定位模型中，从而得到故障区段位置信息。需要说明的是，可以将配电网不同故障时的故障电流信息作为输入样本集，配电网不同故障对应的定位结果作为输出样本集从而训练故障区段定位模型。

103、采用EEMD算法从故障区段中选取故障线路。

需要说明的是，可以通过EEMD将线路中的零序电流进行分解，并通过差分计算得到极性和模极大值，通过将各线路对应的极性和模极大值进行比较，选出故障线路。

104、采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置。

需要说明的是，可以提取故障线路的电流行波，对电流行波信号进行db2小波变换分解，确定初始电流行波小波变换后的两个模极大值，分别为第一模极大值与第二模极大值，根据第一模极大值与第二模极大值的时间差计算故障距离，从而确认故障具体位置。

本申请设计了一种考虑含逆变式分布式电源的配电网故障定位方法，通过粒子群算法的全局寻优能力，同时结合反向传播的神经网络进行主动配电网故障定位，提高了定位的速度和准确性。采用EEMD分解主动配电网故障零序电流到IMF3后进行差分实现故障选线，采用db2小波对电流行波信号进行分解实现故障测距，达到了抗干扰能力强，测距准确的优点。

为了便于理解，请参阅图2，图2为本申请一种考虑含逆变式分布式电源的配电网故障定位方法的另一个实施例的方法流程图，如图2所示，具体为：

201、根据配电开关以及线路区段进行区段划分。

需要说明的是，可以采用开关节点以及线路区段对含逆变式分布式电源的配电网进行划分，具体的可以采用有源树支路和无源树支路的划分方法，即各个电源点之间的连通路径所包含的节点以及线路构成了有源树，有源树上所包含的支路均为有源支路，其余为无源支路；对于有源树部分，以电源为起点，直到遇到第一个多分支开关节点，由此形成的支路为电源支路。由此，可以将配电网划分成有源区段和无源区段。

另外，还需要说明的是，考虑到故障电流由于存在双向流动的可能，规定由电网电源提供的故障电流I_j的方向为正方向，当故障发生后，I_j可能有三种情况：I_j＝1表示该开关流过正方向故障电流。I_j＝-1表示该开关流过负方向故障电流，I_j＝0表示没有故障电流。

202、通过配电开关监控终端上传的故障信息剔除未发生过故障的区段，确定解空间的维度。

需要说明的是，可以去除掉配电开关监控终端上传的故障信息剔除未发生过故障的区段，从而减少获取的线路电流的数量，减少了输入到粒子群算法中的维度。

203、对粒子群算法以及BP神经网络进行初始化，即确定粒子群算法中的维数、设定学习因子、种群规模及最大迭代次数；根据配电网的网络架构、网络节点数以及故障电流数据计算BP神经网络结构、各层节点数。

需要说明的是，有上述步骤确定粒子群算法的维度之后，还需要设定粒子群算法的学习因子、种群规模以及最大迭代次数，并且根据配电网的网络架构、网络节点数以及故障电流数据计算BP神经网络结构、各层节点数，最终保留有效的故障电流数据。

204、采用粒子群算法以及BP神经网络从所述区段中定位故障区段。

需要说明的是，采用粒子群算法从所述区段中定位故障区段具体为：

S1：通过粒子群算法将开关节点的故障电流初始化为随机粒子，并将所述随机粒子的集合作为粒子群落。

S2:计算群落中粒子的适应度，并找出个体最优解和全局最优解。

S3:更新个体最优解和全局最优解的位置、速度、学习因子和惯性权重。

S4:重复步骤S2至S3直到达到最大迭代次数或者个体最优值和全局最优值满足预设精度，从而获得优化的神经网络的权值和阈值。

在具体的实施方式中，假设在一个D维的目标搜索空间中，有N个粒子组成一个群落，其中第i个粒子表示为一个D维的向量，x_id表示第i个粒子的第d维的数据，D≥d≥1。

X_i＝(x_i1,x_i2,…,x_iD),i＝1,2,…,N

第i个粒子的“飞行”速度也是一个D维的向量，记为：

V_i＝(v_i1,v_i2,…,v_iD),i＝1,2,…,N

第i个粒子迄今为止搜索到的最优位置称为个体极值，记为：

P_best＝(p_i1,p_i2,…,p_iD),i＝1,2,…,N

整个粒子群迄今为止搜索到的最优位置为全局极值，记为：

G_best＝(g_i1,g_i2,…,g_iD),i＝1,2,…,N

在找到这两个最优值时，粒子群优化算法中，粒子根据如下两个公式来更新自己的速度和位置：

v_id＝w×v_id+c₁r₁(p_id-x_id)+c₁r₁(g_id-x_id)

x_id＝x_id+v_id

式中：c₁和c₁为学习因子，也称加速常数(acceleration constant)，w为惯性因子，r₁和r₁为[0，1]范围内的均匀随机数。

本申请在粒子群算法中引入一个动态系数权重w(t)，增强粒子群算法的全局寻优能力，其表达式为：

式中：w_max、w_min为粒子群算法的最大、最小惯性权重；t_max、t为粒子群算法的最大迭代次数与目前已经达到的迭代次数。

另外粒子群算法的学习因子c₁、c₂为：

式中：c_1max、c_1min、c_2max、c_2min分别为学习因子c₁(t)、c₂(t)的加速常数。

若其适应度值达到预设的迭代次数或目标精度，则迭代终止，此时得到的网络权值、阈值为BP算法中最合适的权重参数，否则继续返回重新进行迭代计算。

故障定位的目标适应度函数构造为：

式中：S_B为算法优化过程中的一个故障电流解向量；I_j为主动配电网故障后量测装置实际上传的故障电流信息；

为解向量S_B经过适应分布式电源投切的开关函数处理得到的期望故障电流信息；N为主动配电网中电流量测总个数；w为随机性实数，其取值在[0,1]之间，本文取0.5；M为解向量S_B的维度。

需要注意的是，考虑到逆变式分布式电源的接入，为适应分布式电源的投切，故障定位的开关函数构造为：

式中：K_DG,s1、K_DG,s2为电源的投切系数，其取值有0(电源未接入配电网)、1(电源并入配电网运行)，其中S1、S2为开关j前后的电源集合；L_j,s1、L_j,s2分别表示节点j到电源节点S1、S2的故障区段的故障信息电流；M₁、M₂分别为开关j前后的馈线段总数；x_d、x_u表示分别表示开关j的下游、上游馈线区段状态值。其中，故障定位的开关函数构造是进行故障定位的目标适应度函数的基础，该步计算是作为目标适应度函数计算的输入。

获取到BP神经网络的权值和阈值后，采用BP神经网络从所述区段中定位故障区段，其步骤具体为：

选取配电网不同故障时的故障电流信息作为输入样本集，配电网不同故障对应的定位结果作为输出样本集；将输入样本集和输出样本集对BP神经网络进行训练，得到故障区段定位模型；将待测故障电流信息输入到故障区段定位模型，得到故障区段位置信息，其具体的步骤也可以采用下图4表示的步骤。

205、采用EEMD算法从故障区段中选取故障线路。

需要说明的是，采用EEMD算法从故障区段中选取故障线路的具体步骤可以是：采用EEMD将故障区段内各线路的零序电流分解得到IMF3分量；将IMF3分量进行差分运算得到极性和模极大值；将各线路对应的极性和模极大值进行比较，选出故障线路。

在一种具体的方案中，首先进行主动配电网故障选线。

故障选线方法为将各线路零序电流i₀(t)用EEMD分解到IMF3，再将IMF3进行一阶差分运算，通过各线路差分后的极性和模极大值的对比，选出故障线路，其计算步骤如下：

步骤1：故障信号i₀(t)分别添加一组高斯白噪声ω_m(t)，得到一组信号I_0m(t)：

I_0m(t)＝i₀(t)+ω_m(t)

步骤2：对I_0m(t)的每个信号进行EMD(经验模态分解)分解，得：

步骤3：对各组IMF分量和剩余信号取均值，得各阶IMF分量，得：

步骤4：添加的高斯白噪声ω_m(t)次数服从以下规律式：

式中，ε_n为i₀(t)与各阶IMF分量总和的误差；R_mn表示线路mn的电阻值，m，n表示线路两端的节点号；N为白噪声数量；ε为高斯白噪声幅度；

步骤5：取IMF分量中第3阶IMF3，进行一阶差分，得到其极性和模极大值，将各线路对应的极性和模极大值进行比较，其中，值越大说明和电流波动越明显，将其确定为故障线路。

206、采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置。

需要说明的是，在一种具体的实时方式中，采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置具体为：提取故障线路的电流行波；对电流行波信号进行db2小波变换分解；消除分解后电流行波信号中的噪声干扰和非故障点产生的行波信号干扰；确定初始电流行波小波变换后的极性相反的两个模极大值，分别为第一模极大值和第二模极大值，根据第一模极大值与第二模极大值的时间差计算故障距离，从而确认故障具体位置。

其步骤还可以是：

步骤1：根据故障定位结果提取故障线路的电流行波，对电流行波进行相模变换，得到其线模α模分量。

步骤2：采用db2小波对电流行波信号进行4层分解，分析其在不同小波尺度下的变化，采用小波变换能够突出电流行波信号的突变点，而噪声不会被强化，通过多层变换，能够有效识别需要关注的电流行波突变点，从而消去噪声干扰。

步骤3：若故障点的行波经过小波变换产生的模极大值极性相反(极性相同说明不是故障相)，则排除该相为故障相，只选择极性相反的相数据进行计算，据此可以将其他非故障相产生的模极大值取去除掉。

步骤4：确定小波变换初始的模极大值，由第一和第二模极大值的时间差计算故障距离。

所述由第一和第二模极大值的时间差计算故障距离的计算公式为：

式中：v为行波传输速度。

故障选线以及故障测距的具体步骤还可以如下图5所示的步骤。

本申请采用有源树理论对复杂的主动配电网网络进行划分，减小了解空间，加快了主动配电网故障后的故障定位速度；并且考虑含逆变式分布式电源的配电网故障测距方案，对采用基于动态系数的粒子群权重和学习因子，提高了粒子群算法的全局寻优能力，同时结合了反向传播的神经网络进行主动配电网故障定位，提高了定位的速度和准确性。另外，采用EEMD分解主动配电网故障零序电流到IMF3后进行一阶差分实现故障选线，采用采用db2小波对电流行波信号进行4层分解实现故障测距，抗干扰能力强，测距准确。

以上是本申请一种考虑含逆变式分布式电源的配电网故障定位方法的多个实施例，本身请还包括一种含逆变式分布式电源的配电网的故障定位装置的产品实施例，其具体结构示意图如图3所示，包括：

区段划分模块301，用于根据配电开关以及线路区段进行区段划分。

故障区段定位模块302，用于采用粒子群算法以及BP神经网络从所述区段中定位故障区段。

故障选线模块303，用于采用EEMD算法从故障区段中选取故障线路。

故障测距模块304，用于采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置。

本装置通过粒子群算法的全局寻优能力，同时结合反向传播的神经网络进行主动配电网故障定位，提高了定位的速度和准确性。采用EEMD分解主动配电网故障零序电流到IMF3后进行差分实现故障选线，采用db2小波对电流行波信号进行分解实现故障测距，达到了抗干扰能力强，测距准确的优点。

在一种具体的实施例中还包括有：

线路剔除模块，用于通过配电开关监控终端上传的故障信息剔除未发生过故障的区段，确定解空间的维度。

初始化模块，用于对粒子群算法以及BP神经网络进行初始化，即确定粒子群算法中的维数、设定学习因子、种群规模及最大迭代次数；根据配电网的网络架构、网络节点数以及故障电流数据计算BP神经网络结构、各层节点数。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种含逆变式分布式电源的配电网故障定位方法，其特征在于，包括：

根据配电开关以及线路区段进行区段划分；

采用粒子群算法以及BP神经网络从所述区段中定位故障区段；

采用EEMD算法从故障区段中选取故障线路；

采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置。

2.根据权利要求1所述的一种含逆变式分布式电源的配电网故障定位方法，所述根据配电开关以及线路区段进行区段划分具体为：

将线路区段划分成有源支路和无源支路。

3.根据权利要求1所述的一种含逆变式分布式电源的配电网故障定位方法，在所述根据配电开关以及线路区段进行区段划分之后还包括：

通过配电开关监控终端上传的故障信息剔除未发生过故障的区段，确定解空间的维度。

4.根据权利要求1所述的一种含逆变式分布式电源的配电网故障定位方法，在所述采用粒子群算法以及BP神经网络从所述区段中定位故障区段之前还包括：

对粒子群算法以及BP神经网络进行初始化，即确定粒子群算法中的维数、设定学习因子、种群规模及最大迭代次数；根据配电网的网络架构、网络节点数以及故障电流数据计算BP神经网络结构、各层节点数。

5.根据权利要求1所述的一种含逆变式分布式电源的配电网故障定位方法，采用粒子群算法从所述区段中定位故障区段具体为：

S1：通过粒子群算法将开关节点的故障电流初始化为随机粒子，并将所述随机粒子的集合作为粒子群落；

S2:计算群落中粒子的适应度，并找出个体最优解和全局最优解；

S3:更新个体最优解和全局最优解的位置、速度、学习因子和惯性权重；

S4:重复步骤S2至S3直到达到最大迭代次数或者个体最优值和全局最优值满足预设精度，从而获得优化的神经网络的权值和阈值。

6.根据权利要求5所述的一种含逆变式分布式电源的配电网故障定位方法，所述采用BP神经网络从所述区段中定位故障区段具体为：

选取配电网不同故障时的故障电流信息作为输入样本集，配电网不同故障对应的定位结果作为输出样本集；

将输入样本集和输出样本集对BP神经网络进行训练，得到故障区段定位模型；

将待测故障电流信息输入到故障区段定位模型，得到故障区段位置信息。

7.根据权利要求1所述的一种含逆变式分布式电源的配电网故障定位方法，所述采用EEMD算法从故障区段中选取故障线路具体为：

采用EEMD将故障区段内各线路的零序电流分解得到IMF3分量；

将IMF3分量进行差分运算得到极性和模极大值；

将各线路对应的极性和模极大值进行比较，选出故障线路。

8.根据权利要求1所述的一种含逆变式分布式电源的配电网故障定位方法，所述采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置具体为：

提取故障线路的电流行波；

对电流行波信号进行db2小波变换分解；

消除分解后电流行波信号中的噪声干扰和非故障点产生的行波信号干扰；

确定初始电流行波小波变换后的极性相反的两个模极大值，分别为第一模极大值和第二模极大值，根据第一模极大值与第二模极大值的时间差计算故障距离，从而确认故障具体位置。

9.一种含逆变式分布式电源的配电网故障定位装置，其特征在于，所述装置包括：

区段划分模块，用于根据配电开关以及线路区段进行区段划分；

故障区段定位模块，用于采用粒子群算法以及BP神经网络从所述区段中定位故障区段；

故障选线模块，用于采用EEMD算法从故障区段中选取故障线路；

故障测距模块，用于采用db2小波的故障区段测距方法测量所述故障线路中出现故障的具体位置。

10.根据权利要求9所述的一种含逆变式分布式电源的配电网故障定位装置，其特征在于还包括：

线路剔除模块，用于通过配电开关监控终端上传的故障信息剔除未发生过故障的区段，确定解空间的维度；

初始化模块，用于对粒子群算法以及BP神经网络进行初始化，即确定粒子群算法中的维数、设定学习因子、种群规模及最大迭代次数；根据配电网的网络架构、网络节点数以及故障电流数据计算BP神经网络结构、各层节点数。

Images