CN110988590B - 一种基于pca-svm模型的配网选线方法及系统 - Google Patents

一种基于pca-svm模型的配网选线方法及系统 Download PDF

Info

Publication number
CN110988590B
CN110988590B CN201911167972.9A CN201911167972A CN110988590B CN 110988590 B CN110988590 B CN 110988590B CN 201911167972 A CN201911167972 A CN 201911167972A CN 110988590 B CN110988590 B CN 110988590B
Authority
CN
China
Prior art keywords
fault
feeder line
data
instantaneous power
svm model
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
Application number
CN201911167972.9A
Other languages
English (en)
Other versions
CN110988590A (zh
Inventor
钟健
姚康
谢宗禄
王刚
彭杨阳
欧仕贤
李富祥
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.)
Lincang Power Supply Bureau of Yunnan Power Grid Co Ltd
Original Assignee
Lincang Power Supply Bureau of Yunnan Power Grid 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 Lincang Power Supply Bureau of Yunnan Power Grid Co Ltd filed Critical Lincang Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority to CN201911167972.9A priority Critical patent/CN110988590B/zh
Publication of CN110988590A publication Critical patent/CN110988590A/zh
Application granted granted Critical
Publication of CN110988590B publication Critical patent/CN110988590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/088—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
    • G01R31/08—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

Abstract

本发明涉及一种基于PCA‑SVM模型的配网选线方法及系统，属于电力系统配电网选线技术领域。该方法建立配电网谐振接地系统仿真模型，在该仿真模型中选择一条馈线设置多个单相接地故障作为故障馈线，获取该仿真模型中包含该故障馈线和多条健全馈线的零序瞬时功率数据；将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，将PC1和PC2轴上的投影值
Figure 659985DEST_PATH_IMAGE002
和
Figure 577125DEST_PATH_IMAGE004
输入到SVM模型中进行训练；得到用于故障判别的SVM模型；之后采用该SVM模型来判断该待测馈线为健全馈线或是故障馈线。本发明方法可以适用于不同类型配电网，具有抗雷击干扰、采样值抖动、负荷谐波等因素干扰的能力，易于推广应用。

Description

一种基于PCA-SVM模型的配网选线方法及系统
技术领域
本发明属于电力系统配电网选线技术领域，具体涉及一种基于 PCA-SVM模型的配网选线方法及系统，特别涉及一种利用零序瞬时功率曲线进行PCA-SVM的配电网单相接地故障的选线方法。
背景技术
目前，配电网中性点不接地或经消弧线圈接地系统(简称小电流接地系统)发生单相接地故障时会产生过电压，对设备的绝缘造成威胁，若不及时处理可能会发展为两相短路；弧光放电接地还会引起全系统过电压，影响电力系统的安全运行和电能质量。在小电流接地系统中如果一旦发生单相接地故障，其产生的过电压极可能高于正常电压几倍，若处理不及时会击穿配电网变电设备绝缘，造成不可挽回的经济损失，还极可能致使电气火灾的发生。因此小电流接地系统接地故障选线一直是国内外研究的热点。
用于小电流接地故障选线的方法主要有稳态法、暂态法以及基于现代信号处理技术的算法。其中由于单相接地故障时，稳态电流幅值较小，利用稳态分量的选线方法效果欠佳。而暂态量信息丰富，暂态法在故障后一个工频周期内不受小电流接地故障中消弧线圈影响，且当系统发生高阻故障使暂态分量依然较为明显，因此利用暂态分量选线准确率高，是目前广泛研究的方向。常用的暂态法主要有暂态能量法、暂态零序相位法，此类方法不受消弧线圈影响。有学者提出利用基于暂态能量的单相故障选线，但由于暂态能量在有功分量中的占比较小，该法的检测灵敏性不高。有学者提出利用接地故障基波暂态电流于暂态电压首半波相位相反的方法选出故障线路，但该方法对接地时的相位信息十分敏感，其抗干扰能力不强。且上述两种方法难以匹配不同类型的配电网。因此如何克服现有技术的不足是目前电力系统配电网选线技术领域亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足，提供一种基于PCA-SVM 模型的配网选线方法及系统，该方法可以适用于不同类型配电网，具有抗雷击干扰、采样值抖动、负荷谐波等因素干扰的能力，易于推广应用。
为实现上述目的，本发明采用的技术方案如下：
一种基于PCA-SVM模型的配网选线方法，包括如下步骤：
建立110kV/35kV配电网谐振接地系统仿真模型，在该仿真模型中选择一条馈线设置多个单相接地故障作为故障馈线，获取该仿真模型中包含该故障馈线和多条健全馈线的零序瞬时功率数据；
将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将 PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，得到用于故障判别的SVM模型；
采集待测馈线的零序瞬时功率数据，接着将待测馈线的零序瞬时功率数据归一化处理后进行主成分分析，之后将PC1和PC2轴上的投影值q1和q2输入上述用于故障判别的SVM模型中，根据SVM模型输出结果来判断该待测馈线为健全馈线或是故障馈线。
进一步，优选的是，所述的建立110kV/35kV配电网谐振接地系统仿真模型，在该仿真模型中选择一条馈线设置多个单相接地故障作为故障馈线，获取该仿真模型中包含该故障馈线和多条健全馈线的零序瞬时功率数据，具体为：
使用PSCAD/EMTDC建立110kV/35kV配电网谐振接地系统仿真模型，共有6条馈线；
在该仿真模型中选择1条馈线作为故障馈线，设置1个单相接地故障，其余5条馈线作为健全馈线，进行采样，作为1条样本；重复上述步骤，使得每条馈线均设置过8个不同的故障位置，构成48条样本；
采样时，在故障初瞬之前采样1次，在故障初瞬之后采样9次，形成一个48×10的瞬时功率数据集，构成的瞬时功率矩阵Δp48×10；；
Figure BDA0002287957510000021
进一步，优选的是，采样频率为20kHz。
进一步，优选的是，所述的将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，得到用于故障判别的SVM模型，具体为：
将瞬时功率矩阵中的元素Δpij通过平均值和单位方差的方法进行归一化，得到归一化矩阵Δp′；归一化如下：
Figure BDA0002287957510000031
max{Δpi}为矩阵中第i行数据的最大值，min{Δpi}为矩阵中第i 行数据的最小值；
将归一化矩阵Δp′的数据采用主成分分析，将PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，目标输出集为：Y＝[0 1]，即定义当 SVM输出结果为0时，配电线路为健全线路；当SVM输出结果为1时，配电线路为故障馈线，得到用于故障判别的SVM模型。
本发明同时提供一种基于PCA-SVM模型的配网选线系统，包括：
第一处理模块，用于提取出包含该故障馈线和多条健全馈线的零序瞬时功率数据；
第二处理模块，用于将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，得到用于故障判别的SVM模型；
故障选线模块，用于采集待测馈线的零序瞬时功率数据，接着将待测馈线的零序瞬时功率数据归一化处理后进行主成分分析，之后将PC1和PC2轴上的投影值q1和q2输入上述用于故障判别的SVM模型中，根据SVM模型输出结果来判断该待测馈线为健全馈线或是故障馈线。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述基于PCA-SVM模型的配网选线方法的步骤。
本发明另外提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述基于PCA-SVM 模型的配网选线方法的步骤。
本发明中“110kV/35kV”的含义是本申请方法适用的电压等级。
本发明的原理是：
通常健全线路与故障线路的暂态突变电流相反，暂态零序电压突变方向相同，因此健全馈线和故障馈线的瞬时零序功率具有方向性。基于这一特征构建一种利用零序瞬时功率曲线进行PCA-SVM的配电网单相接地故障的选线方法。因瞬时零序功率的方向性，馈线瞬时功率曲线簇经主成分分析后可形成差异性最大的健全馈线和故障馈线两类点簇，再经SVM在高维空间使其线性可分，输出馈线“故障”或“健全”的结果，可靠选出故障馈线。
本发明与现有技术相比，其有益效果为：
1、本发明方法中馈线瞬时功率经PCA形成区分明显的健全馈线和故障馈线两类点簇，可以适用于不同类型配电网。
2、主成分分析是一种无指导的学习，通过大量的故障样本数据的分析与挖掘，提取一批故障样本时域暂态波形总体特征，提取能够区别健全馈线和故障馈线“模态”的一种测度。与传统的(如CWT和S变换等算法)基于所有馈出线暂态电流波形进行群体比幅比极性暂态分析法故障选线在本质上是相互联系的。
3、本发明方法具有抗雷击干扰、采样值抖动、负荷谐波等因素干扰的能力，易于推广应用。
附图说明
图1是本发明实施例中使用PSCAD/EMTDC建立110kV/35kV配电网谐振接地系统仿真模型；
图2是本发明应用实例1中各馈线短时窗零序瞬时功率曲线簇；
图3是本发明应用实例1中主成分分析结果；
图4是本发明应用实例1中PCA-SVM选线判别样本数据结果图
图5是本发明应用实例1中故障选线判别结果图
图6是本发明应用实例2中各馈线短时窗零序瞬时功率曲线簇；
图7是本发明应用实例2中主成分分析结果；
图8是本发明应用实例2中PCA-SVM选线判别样本数据结果图；
图9是本发明应用实例2中故障选线判别结果图；
图10是本发明基于PCA-SVM模型的配网选线系统的结构示意图；
图11为本发明电子设备结构示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。
一种基于PCA-SVM模型的配网选线方法，包括如下步骤：
建立110kV/35kV配电网谐振接地系统仿真模型，在该仿真模型中选择一条馈线设置多个单相接地故障作为故障馈线，获取该仿真模型中包含该故障馈线和多条健全馈线的零序瞬时功率数据；
将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将 PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，得到用于故障判别的SVM模型；
采集待测馈线的零序瞬时功率数据，接着将待测馈线的零序瞬时功率数据归一化处理后进行主成分分析，之后将PC1和PC2轴上的投影值q1和q2输入上述用于故障判别的SVM模型中，根据SVM模型输出结果来判断该待测馈线为健全馈线或是故障馈线。
所述的建立110kV/35kV配电网谐振接地系统仿真模型，在该仿真模型中选择一条馈线设置多个单相接地故障作为故障馈线，获取该仿真模型中包含该故障馈线和多条健全馈线的零序瞬时功率数据，具体为：
使用PSCAD/EMTDC建立110kV/35kV配电网谐振接地系统仿真模型，共有6条馈线；如图1所示，含有3条纯架空线路，2条纯电缆线路及1 条缆线混合线路；Z字型变压器中性点通过消弧线圈串联电阻接地，消弧线圈为过补偿，补偿度为7％，采样率为20kHz。
在该仿真模型中选择1条馈线作为故障馈线，设置1个单相接地故障 (过渡电阻设为0.01，故障初相角设为90)，其余5条馈线作为健全馈线，进行采样，作为1条样本；重复上述步骤，使得每条馈线均设置过8个不同的故障位置，构成48条样本；
采样时从仿真数据中提取故障相电压分量Δu故障相电流Δi，根据故障相电压分量Δu故障相电流分量Δi计算瞬时功率Δp：
Δpi＝Δui×Δii
Δpi为故障瞬时功率，Δui为故障相电压故障分量，Δui为故障相电流故障分量；
在故障初瞬之前采样1次，在故障初瞬之后采样9次，形成一个48×10的瞬时功率数据集，构成的瞬时功率矩阵Δp48×10；
Figure BDA0002287957510000061
所述的将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，得到用于故障判别的SVM模型，具体为：
将瞬时功率矩阵中的元素Δpij通过平均值和单位方差的方法进行归一 化，得到归一化矩阵Δp′；归一化如下：
Figure BDA0002287957510000071
max{Δpi}为矩阵中第i行数据的最大值，min{Δpi}为矩阵中第i 行数据的最小值；
将归一化矩阵Δp′的数据采用主成分分析，将PC1和PC2轴上的投影值q1和 q2输入到SVM模型中进行训练，目标输出集为：Y＝[0 1]，即定义当SVM 输出结果为0时，配电线路为健全线路；当SVM输出结果为1时，配电 线路为故障馈线，得到用于故障判别的SVM模型。
如图10所示，一种基于PCA-SVM模型的配网选线系统，包括：第一处理模块101，用于提取出包含该故障馈线和多条健全馈线的零序瞬时功率数据；第二处理模块102，用于将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将PC1和PC2轴上的投影值q1和q2输入到SVM 模型中进行训练，得到用于故障判别的SVM模型；故障选线模块103，用于采集待测馈线的零序瞬时功率数据，接着将待测馈线的零序瞬时功率数据归一化处理后进行主成分分析，之后将PC1和PC2轴上的投影值q1和q2输入上述用于故障判别的SVM模型中，根据SVM模型输出结果来判断该待测馈线为健全馈线或是故障馈线。
在本发明实施例中，第一处理模块101提取出包含该故障馈线和多条健全馈线的零序瞬时功率数据，之后，第二处理模块102将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，得到用于故障判别的SVM模型，接着，故障选线模块103，采集待测馈线的零序瞬时功率数据，接着将待测馈线的零序瞬时功率数据归一化处理后进行主成分分析，之后将PC1和 PC2轴上的投影值q1和q2输入上述用于故障判别的SVM模型中，根据SVM 模型输出结果来判断该待测馈线为健全馈线或是故障馈线。
本发明实施例提供的一种基于PCA-SVM模型的配网选线方法系统，该系统经PCA形成区分明显的健全馈线和故障馈线两类点簇，可以适用于不同类型配电网。
本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图11为本发明实施例提供的电子设备结构示意图，参照图11，该电子设备可以包括：处理器(processor)201、通信接口(Communications Interface)202、存储器(memory)203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器 201可以调用存储器203中的逻辑指令，以执行如下方法：提取出包含该故障馈线和多条健全馈线的零序瞬时功率数据；将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，得到用于故障判别的SVM模型；采集待测馈线的零序瞬时功率数据，接着将待测馈线的零序瞬时功率数据归一化处理后进行主成分分析，之后将PC1和PC2轴上的投影值q1和q2输入上述用于故障判别的SVM模型中，根据SVM模型输出结果来判断该待测馈线为健全馈线或是故障馈线。
此外，上述的存储器203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于PCA-SVM模型的配网选线方法，例如包括：提取出包含该故障馈线和多条健全馈线的零序瞬时功率数据；将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将PC1和PC2轴上的投影值q1和 q2输入到SVM模型中进行训练，得到用于故障判别的SVM模型；采集待测馈线的零序瞬时功率数据，接着将待测馈线的零序瞬时功率数据归一化处理后进行主成分分析，之后将PC1和PC2轴上的投影值q1和q2输入上述用于故障判别的SVM模型中，根据SVM模型输出结果来判断该待测馈线为健全馈线或是故障馈线。。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等) 执行各个实施例或者实施例的某些部分所述的方法。
应用实例1
2010年5月10日，美里湖某变电站发生单相金属性接地故障。该变电站共有6条馈线，选取其中性点零序电压及6回出线零序电流实测数据。搭建仿真模型，过渡电阻设为0.01，故障初相角设为90，采样频率为20kHz。
第一步、建立仿真模型设置故障，采集故障零序瞬时功率数据。各馈线短时窗零序瞬时功率曲线簇如图2。
第二步、构建瞬时功率矩阵Δp48×10。
第三步、归一化处理得到Δp′ij。
第四步、进行主成分分析，构建由第一主成分(PC1)和第二主成分(PC2) 为轴形成的主成分聚类空间。用PC1和PC2表示故障零序功率，历史样本数据在PC1和PC2上的投影为q1和q2。得到结果如图3。
第五步、根据说明书中步骤六将PC1和PC2轴上的投影值q1和q2作为 SVM的输入属性，用SVM模型对样本进行训练，得到选线判别结果如图 4。
第六步、在馈线3距离母线8km处设置故障，将故障瞬时功率归一化处理后主成分分析，将PC1和PC2轴上的投影值q1和q2输入到输入SVM模型中，即可选出故障馈线，得到如图5故障选线判别结果。
应用实例2
2008年6月13日，池店某变电站发生单相电弧故障，选取其中性点零序电压及6回出线零序电流实测数据。搭建仿真模型，过渡电阻设为 0.01，故障初相角设为90，采样频率为20kHz。
第一步、建立仿真模型设置故障，采集故障零序瞬时功率数据。各馈线短时窗零序瞬时功率曲线簇如图6。
第二步、构建瞬时功率矩阵Δp48×10。
第三步、归一化处理得到Δp′ij。
第四步、进行主成分分析，构建由第一主成分(PC1)和第二主成分(PC2) 为轴形成的主成分聚类空间。用PC1和PC2表示故障零序功率，历史样本数据在PC1和PC2上的投影为q1和q2。得到结果如图7。
第五步、根据说明书中步骤六将PC1和PC2轴上的投影值q1和q2作为 SVM的输入属性，用SVM模型对样本进行训练，得到选线判别结果如图 8。
第六步、在馈线6距离母线10km处设置故障，将故障瞬时功率归一化处理后主成分分析，将PC1和PC2轴上的投影值q1和q2输入到输入SVM 模型中，即可选出故障馈线，得到如图9故障选线判别结果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于PCA-SVM模型的配网选线方法，其特征在于，包括如下步骤：
建立110kV/35kV配电网谐振接地系统仿真模型，在该仿真模型中选择一条馈线设置多个单相接地故障作为故障馈线，获取该仿真模型中包含该故障馈线和多条健全馈线的零序瞬时功率数据；
将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，得到用于故障判别的SVM模型；
采集待测馈线的零序瞬时功率数据，接着将待测馈线的零序瞬时功率数据归一化处理后进行主成分分析，之后将PC1和PC2轴上的投影值q1和q2输入上述用于故障判别的SVM模型中，根据SVM模型输出结果来判断该待测馈线为健全馈线或是故障馈线；
所述的建立110kV/35kV配电网谐振接地系统仿真模型，在该仿真模型中选择一条馈线设置多个单相接地故障作为故障馈线，获取该仿真模型中包含该故障馈线和多条健全馈线的零序瞬时功率数据，具体为：
使用PSCAD/EMTDC建立110kV/35kV配电网谐振接地系统仿真模型，共有6条馈线；
在该仿真模型中选择1条馈线作为故障馈线，设置1个单相接地故障，其余5条馈线作为健全馈线，进行采样，作为1条样本；重复上述步骤，使得每条馈线均设置过8个不同的故障位置，构成48条样本；
采样时，在故障初瞬之前采样1次，在故障初瞬之后采样9次，形成一个48×10的瞬时功率数据集，构成的瞬时功率矩阵Δp48×10；
Figure FDA0003637203610000011
所述的将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，得到用于故障判别的SVM模型，具体为：
将瞬时功率矩阵中的元素Δpij通过平均值和单位方差的方法进行归一化，得到归一化矩阵Δp’；归一化如下：
Figure FDA0003637203610000021
max{Δpi}为矩阵中第i行数据的最大值，min{Δpi}为矩阵中第i行数据的最小值；
将归一化矩阵Δp’的数据采用主成分分析，将PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，目标输出集为：Y＝[0 1]，即定义当SVM输出结果为0时，配电线路为健全线路；当SVM输出结果为1时，配电线路为故障馈线，得到用于故障判别的SVM模型。
2.根据权利要求1所述的基于PCA-SVM模型的配网选线方法，其特征在于，采样频率为20kHz。
3.一种基于PCA-SVM模型的配网选线系统，其特征在于，包括：
第一处理模块，用于提取出仿真模型中包含故障馈线和多条健全馈线的零序瞬时功率数据；
所述的仿真模型为110kV/35kV配电网谐振接地系统仿真模型，共有6条馈线；选择1条馈线作为故障馈线，设置1个单相接地故障，其余5条馈线作为健全馈线，进行采样，作为1条样本；重复上述步骤，使得每条馈线均设置过8个不同的故障位置，构成48条样本；
采样时，在故障初瞬之前采样1次，在故障初瞬之后采样9次，形成一个48×10的瞬时功率数据集，构成的瞬时功率矩阵Δp48×10；
Figure FDA0003637203610000022
第二处理模块，用于将获得的零序瞬时功率数据进行归一化处理，之后采用主成分分析，构建由第一主成分PC1和第二主成分PC2为轴形成的主成分聚类空间，将PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，得到用于故障判别的SVM模型；具体为：
将瞬时功率矩阵中的元素Δpij通过平均值和单位方差的方法进行归一化，得到归一化矩阵Δp’；归一化如下：
Figure FDA0003637203610000031
max{Δpi}为矩阵中第i行数据的最大值，min{Δpi}为矩阵中第i行数据的最小值；
将归一化矩阵Δp’的数据采用主成分分析，将PC1和PC2轴上的投影值q1和q2输入到SVM模型中进行训练，目标输出集为：Y＝[0 1]，即定义当SVM输出结果为0时，配电线路为健全线路；当SVM输出结果为1时，配电线路为故障馈线，得到用于故障判别的SVM模型；
故障选线模块，用于采集待测馈线的零序瞬时功率数据，接着将待测馈线的零序瞬时功率数据归一化处理后进行主成分分析，之后将PC1和PC2轴上的投影值q1和q2输入上述用于故障判别的SVM模型中，根据SVM模型输出结果来判断该待测馈线为健全馈线或是故障馈线。
4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至2任一项所述基于PCA-SVM模型的配网选线方法的步骤。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2任一项所述基于PCA-SVM模型的配网选线方法的步骤。
CN201911167972.9A 2019-11-25 2019-11-25 一种基于pca-svm模型的配网选线方法及系统 Active CN110988590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911167972.9A CN110988590B (zh) 2019-11-25 2019-11-25 一种基于pca-svm模型的配网选线方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911167972.9A CN110988590B (zh) 2019-11-25 2019-11-25 一种基于pca-svm模型的配网选线方法及系统

Publications (2)

Publication Number Publication Date
CN110988590A CN110988590A (zh) 2020-04-10
CN110988590B true CN110988590B (zh) 2022-06-14

Family

ID=70086664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911167972.9A Active CN110988590B (zh) 2019-11-25 2019-11-25 一种基于pca-svm模型的配网选线方法及系统

Country Status (1)

Country Link
CN (1) CN110988590B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116008731B (zh) * 2023-02-15 2023-08-25 重庆大学 配电网高阻故障辨识方法、装置和电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201303319A (zh) * 2011-07-06 2013-01-16 Univ Nat Taiwan 高壓輸配電網路之故障偵測、辨識與定位之方法及系統
CN103424669A (zh) * 2013-08-05 2013-12-04 昆明理工大学 一种利用故障馈线零序电流矩阵主成分分析第一主成分的选线方法
CN104992062A (zh) * 2015-06-30 2015-10-21 昆明理工大学 一种利用瞬时功率曲线进行pca聚类分析的同塔双回线故障选相方法
CN105044540A (zh) * 2015-06-30 2015-11-11 昆明理工大学 一种在双回输电线路中利用瞬时功率进行主成分聚类分析的行波方向保护方法
CN105445613A (zh) * 2015-09-29 2016-03-30 昆明理工大学 一种基于极线电压机器学习判别机制的线路故障识别方法
CN107390086A (zh) * 2017-06-30 2017-11-24 昆明理工大学 一种基于主成分分析‑支持向量机的单永故障识别方法
CN107478963A (zh) * 2017-09-30 2017-12-15 山东海兴电力科技有限公司 基于电网大数据的小电流接地系统单相接地故障选线方法
CN110289605A (zh) * 2019-06-27 2019-09-27 昆明理工大学 一种基于瞬时功率曲线簇的新型混合补偿线路智能方向保护方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201303319A (zh) * 2011-07-06 2013-01-16 Univ Nat Taiwan 高壓輸配電網路之故障偵測、辨識與定位之方法及系統
CN103424669A (zh) * 2013-08-05 2013-12-04 昆明理工大学 一种利用故障馈线零序电流矩阵主成分分析第一主成分的选线方法
CN104992062A (zh) * 2015-06-30 2015-10-21 昆明理工大学 一种利用瞬时功率曲线进行pca聚类分析的同塔双回线故障选相方法
CN105044540A (zh) * 2015-06-30 2015-11-11 昆明理工大学 一种在双回输电线路中利用瞬时功率进行主成分聚类分析的行波方向保护方法
CN105445613A (zh) * 2015-09-29 2016-03-30 昆明理工大学 一种基于极线电压机器学习判别机制的线路故障识别方法
CN107390086A (zh) * 2017-06-30 2017-11-24 昆明理工大学 一种基于主成分分析‑支持向量机的单永故障识别方法
CN107478963A (zh) * 2017-09-30 2017-12-15 山东海兴电力科技有限公司 基于电网大数据的小电流接地系统单相接地故障选线方法
CN110289605A (zh) * 2019-06-27 2019-09-27 昆明理工大学 一种基于瞬时功率曲线簇的新型混合补偿线路智能方向保护方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于瞬时零序功率的谐振接地系统单相接地选线新方法;李斌等;《电力自动化设备》;20130410;第33卷(第04期);第65-71、94页 *

Also Published As

Publication number Publication date
CN110988590A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN109307824B (zh) 一种基于聚类的配电网单相接地故障区段定位方法
CN110082640B (zh) 一种基于长短时记忆网络的配网单相接地故障辨识方法
CN102854437B (zh) 应用时频原子分解理论的小电流接地系统故障选线方法
CN115932484B (zh) 输电线路故障辨识与故障测距方法、装置和电子设备
CN109241944A (zh) 一种基于改进多分类支持向量机的配电网故障识别方法
CN109001592A (zh) 一种基于暂态量的谐振接地系统单相接地故障选线方法
Yong et al. High impedance fault identification method of the distribution network based on discrete wavelet transformation
CN110824299B (zh) 基于零序电流曲线簇的二维平面判断的故障选线方法
CN107765065B (zh) 一种基于基波衰减因子的配电网励磁涌流识别方法
CN110988590B (zh) 一种基于pca-svm模型的配网选线方法及系统
Grando et al. Fault classification in power distribution systems using PMU data and machine learning
CN109541344B (zh) 基于svm的模块化多电平直流输电系统故障识别方法
CN103823158A (zh) 采用不变矩的谐振接地系统故障选线方法
Biswal et al. Kullback‐Leibler divergence based differential protection scheme for shunt compensated transmission line
CN113567803B (zh) 基于Tanimoto相似度的小电流接地故障定位方法及系统
CN114002550B (zh) 一种直流配电网接地故障选线方法及系统
CN110873832A (zh) 一种基于小波能量熵的配电网选线方法及系统
CN109581142B (zh) 一种新型多维度融合的高压发电机组定子单相接地故障检测方法
Zhu et al. Single-phase ground fault identification method for distribution network based on inception model and sample expansion
Liu et al. Single-phase Grounding Fault Line Selection Method Based on the Difference of Electric Energy Information Between the Distribution End and the Load End
CN115542227B (zh) 真型试验的软件仿真校验方法、系统、装置、介质
CN113552441B (zh) 一种单相接地故障检测方法及装置
CN117110780A (zh) 高压厂用接地系统的单相接地故障馈线的确定方法
Mahela et al. Identification and classification of faults using Stockwell transform and decision rule
Mokryani et al. Detection of inrush current using S-transform and probabilistic neural network

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