CN111796166B - 一种配电网单相高阻接地故障选线方法、系统以及设备 - Google Patents

一种配电网单相高阻接地故障选线方法、系统以及设备 Download PDF

Info

Publication number
CN111796166B
CN111796166B CN202010877548.XA CN202010877548A CN111796166B CN 111796166 B CN111796166 B CN 111796166B CN 202010877548 A CN202010877548 A CN 202010877548A CN 111796166 B CN111796166 B CN 111796166B
Authority
CN
China
Prior art keywords
fault
line selection
fault characteristic
distribution network
power distribution
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
CN202010877548.XA
Other languages
English (en)
Other versions
CN111796166A (zh
Inventor
刘琨
黄明辉
李一泉
邓旭阳
陈桥平
王育学
刘世丹
刘玮
屠卿瑞
王增超
焦邵麟
王峰
吴梓亮
索江镭
袁亮荣
谭乾
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.)
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Dispatch Control Center of Guangdong 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 Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority to CN202010877548.XA priority Critical patent/CN111796166B/zh
Publication of CN111796166A publication Critical patent/CN111796166A/zh
Application granted granted Critical
Publication of CN111796166B publication Critical patent/CN111796166B/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
    • G01R31/081—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
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults

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

本发明公开了一种配电网单相高阻接地故障选线方法、系统以及设备，本发明通过获取多个故障特征量，对每一个故障特征量分配权重，定量地表示出各个故障特征量的显著程度，对分配权重后的每一个故障特征量进行归一化处理，反映各条馈线在系统发生单相高阻故障时的信息，对每个故障特征归化值进行降维处理，以减少数据冗余度，提高计算速度；最后，使用由支持向量机，Logistic回归分类器以及随机森林分类器结合构建而成的融合选线模型来得到最终的选线结果，通过获取多个故障特征量以及将多个分类器相结合来提高融合选线模型的选线准确性，解决了现有技术中基于单一故障特征量的选线方法在故障特征量很微弱时，会出现选线结果错误的技术问题。

Description

一种配电网单相高阻接地故障选线方法、系统以及设备
技术领域
本发明涉及电力领域，尤其涉及一种配电网单相高阻接地故障选线方法、系统以及设备。
背景技术
我国绝大多数的配电网都采用中性点不接地或经消弧线圈接地的运行方式，称为中性点非有效接地系统，又称小电流接地系统。该系统发生的故障80％为单相接地故障，此时，由于中性点没有直接接地，在电路上不构成回路，线路中几乎没有短路电流流过，只有经线路对地电容形成的较小的电流通路，对供电造成的危害较小，因此允许系统在单相接地的情况下继续运行1～2个小时，避免突然断电所造成的人身安全和财产损失。若长时间带故障运行，由于非故障相的对地电压升高至线电压，容易导致非故障相绝缘比较薄弱的地方发生对地击穿，从而恶化为相间或三相故障。随着社会的发展，对供电安全的要求越来越高，及时选出故障馈线对安全生产的重要性也日益增强。
在配电网单相高阻接地故障发生时，当配电网经草地、马路、枝干等非金属导电介质接地时，故障电阻较高，故障电流较金属性接地故障和低阻接地故障更加微弱，根据故障点介质种类的不同，通常只有几A到几十A之间。此时，准确有效的选出故障馈线是故障检测领域研究的难点问题，对继电保护及后续维护具有十分重大的意义。
目前所使用的基于单一故障特征量的选线方法，虽然在某些情况下能准确的选出故障馈线，但是单一的方法会受到中性点接地方式及外界干扰的影响，具有较大的局限性。因为当配电网发生单相高阻故障时，无法提前预知故障的特点，因此不能确定选取哪一种故障特征。而且一个故障当其特征量非常显著时，选线结果非常可靠，然而当其特征量很微弱时，选线结果可能是错误的。
综上所述，现有技术中当配电网发生单相高阻接地故障时，基于单一故障特征量的选线方法具有局限性，在故障特征量很微弱时，存在着选线结果错误的技术问题。
发明内容
本发明提供了一种配电网单相高阻接地故障选线方法、系统以及设备，用于解决现有技术中当配电网发生单相高阻接地故障时，基于单一故障特征量的选线方法具有局限性，在故障特征量很微弱时，存在着选线结果错误的技术问题。
本发明提供的一种配电网单相高阻接地故障选线方法，所述方法适用于预先建立好的融合选线模型，所述方法包括以下步骤：
S1：获取小电流接地配电网系统发生单相高阻接地故障时的历史零序信号，从历史零序信号中提取出多个故障特征量；
S2：对每一个故障特征量分配权重，对分配权重后的每一个故障特征量进行归一化处理，得到故障特征归化值；
S3：对故障特征归化值进行降维处理；
S4：将经过降维处理的每个故障特征归化值输入到融合选线模型中进行训练，通过融合选线模型得到配电网单相高阻接地故障的选线结果；
S5：判断融合选线模型输出配电网单相高阻接地故障的选线结果是否正确，若是，得到训练好的融合选线模型；若否，重新执行步骤S1～S5；
S6：获取小电流接地配电网系统的实时零序信号，从实时零序信号中提取出实时故障特征量并进行归一化处理，得到实时故障特征归化值，将实时故障特征归化值输入到训练好的融合选线模型中，得到配电网单相高阻接地故障的实时选线结果；
其中，融合选线模型由支持向量机，Logistic回归分类器以及随机森林分类器结合构建而成。
优选的，故障特征量包括零序有功功率、零序导纳幅值、零序导纳相位以及暂态零序电流各个频段的能量。
优选的，在步骤S1中，从历史零序信号中提取出每个故障特征量的具体过程为：
使用快速傅里叶变换从历史零序信号中提取零序有功功率、零序导纳幅值以及零序导纳相位，使用经验模态分解法从历史零序信号中分解出暂态零序信号各个频段的能量。
优选的，在步骤S2中，根据每个故障特征量的显著程度为每个故障特征量分配权重。
优选的，在步骤S3中，使用判别分析法对每个故障特征归化值进行降维处理。
优选的，基于软投票的方法，将支持向量机，Logistic回归分类器以及随机森林分类器三种分类器进行结合，构建融合选线模型。
优选的，在步骤S4中，通过融合选线模型得到配电网单相高阻接地故障的选线结果的具体过程为：
融合选线模型中的每个分类器各自输出选线标签，选线标签为故障线路或健全线路；根据软投票法为每个分类器输出的选线标签分配权重，对不同权重的选线标签分别取加权和，比较故障线路或健全线路两种选线标签的加权和，将加权和大的选线标签作为配电网单相高阻接地故障的选线结果。
一种配电网单相高阻接地故障选线系统，所述系统包括：故障特征量提取模块、权重分配模块、降维模块、融合选线模型模块、训练模块以及实时选线模块；
故障特征量提取模块用于获取小电流接地配电网系统发生单相高阻接地故障时的历史零序信号，从历史零序信号中提取出多个故障特征量；
权重分配模块用于对每一个故障特征量分配权重，对分配权重后的每一个故障特征量进行归一化处理，得到故障特征归化值；
降维模块用于对每个故障特征归化值进行降维处理；
融合选线模型模块用于提供由支持向量机，Logistic回归分类器以及随机森林分类器结合构建而成的融合选线模型；
训练模块用于将经过降维处理的每个故障特征归化值输入到融合选线模型中进行训练，通过融合选线模型得到配电网单相高阻接地故障的选线结果；判断融合选线模型输出配电网单相高阻接地故障的选线结果是否正确，若是，得到训练好的融合选线模型；若否，重新执行故障特征量提取模块、权重分配模块、降维模块以及训练模块；
实时选线模块用于获取小电流接地配电网系统的实时零序信号，从实时零序信号中提取出实时故障特征量并进行归一化处理，得到实时故障特征归化值，将实时故障特征归化值输入到训练好的融合选线模型中，得到配电网单相高阻接地故障的实时选线结果。
优选的，融合选线模型模块具体用于基于软投票的方法，将支持向量机，Logistic回归分类器以及随机森林分类器三种分类器进行结合，构建融合选线模型。
一种配电网单相高阻接地故障选线设备，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的一种配电网单相高阻接地故障选线方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例通过获取多个故障特征量，对每一个故障特征量分配权重，定量地表示出各个故障特征量的显著程度，对分配权重后的每一个故障特征量进行归一化处理，反映各条馈线在系统发生单相高阻故障时的信息，对每个故障特征归化值进行降维处理，以减少数据冗余度，提高计算速度；最后，使用由支持向量机，Logistic回归分类器以及随机森林分类器结合构建而成的融合选线模型来得到最终的选线结果，通过获取多个故障特征量以及将多个分类器相结合来提高融合选线模型的选线准确性，解决了现有技术中基于单一故障特征量的选线方法在故障特征量很微弱时，会出现选线结果错误的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种配电网单相高阻接地故障选线方法、系统以及设备的方法流程图。
图2为本发明实施例提供的一种配电网单相高阻接地故障选线方法、系统以及设备的系统框架图。
图3为本发明实施例提供的一种配电网单相高阻接地故障选线方法、系统以及设备的设备框架图。
图4为本发明实施例提供的10kV配电网系统模型的结构示意图。
图5为本发明实施例提供的10kV配电网系统模型各馈线发生单相高阻接地故障的零序电流波形图。
图6为本发明实施例提供的10kV配电网系统模型各馈线发生单相高阻接地故障的系统的零序电压波形图。
具体实施方式
本发明实施例提供了一种配电网单相高阻接地故障选线方法、系统以及设备，用于解决现有技术中当配电网发生单相高阻接地故障时，基于单一故障特征量的选线方法具有局限性，在故障特征量很微弱时，存在着选线结果错误的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
实施例1
请参阅图1，图1为本发明实施例提供的一种配电网单相高阻接地故障选线方法、系统以及设备的方法流程图。
本发明实施例提供的一种配电网单相高阻接地故障选线方法，所述方法适用于预先建立好的融合选线模型，所述方法包括以下步骤：
S1：访问配电网系统的后台服务器，从配电网系统的后台服务器中获取小电流接地配电网系统发生单相高阻接地故障时的历史零序信号，从历史零序信号中提取出多个故障特征量，以便于后续对融合选线模型进行训练；
S2：对每一个故障特征量分配权重，从而定量的来表示各个故障特征量的显著程度，当各条馈线的某个故障特征比较微弱时，则该特征量表征的故障信息准确度低，选线结果可靠性低，此时分配给该故障特征量的权重越低，反之则越高；对分配权重后的每一个故障特征量进行归一化处理，得到故障特征归化值；根据故障特征归化值来反映各条馈线在配电网系统发生单相高阻故障时的信息；
S3：对每个故障特征归化值进行降维处理；需要进一步说明的是，由于故障特征量较多，导致数据复杂，处理过程较为困难，因此需要对故障特征归化值进行降维，减少数据冗余度，提高后续的计算速度和计算效率；
S4：将经过降维处理的每个故障特征归化值输入到融合选线模型中进行训练，需要进一步说明的是，融合选线模型由支持向量机，Logistic回归分类器以及随机森林分类器结合构建而成。将故障特征归化值输入到融合选线模型后，融合选线模型中的每个分类器各自输出选线标签，选线标签为故障线路或健全线路；根据软投票法为每个分类器输出的选线标签的正确程度进行评价，根据正度程度为每个分类器输出的选线标签分配权重，对不同权重的选线标签分别取加权和，之后，比较故障线路或健全线路两种选线标签的加权和，将加权和大的选线标签作为配电网单相高阻接地故障的选线结果，从而通过融合选线模型得到配电网单相高阻接地故障的选线结果；同时，在进行训练的过程中，融合选线模型不断优化自身的参数；
S5：判断融合选线模型输出配电网单相高阻接地故障的选线结果是否正确，若是，得到训练好的融合选线模型；若否，重新执行步骤S1～S5，重新对融合选线模型进行训练，通过一次次迭代训练不断优化融合选线模型的参数，最终得到训练好的融合选线模型；
S6：获取小电流接地配电网系统的实时零序信号，从实时零序信号中提取出实时故障特征量并进行归一化处理，得到实时故障特征归化值，将实时故障特征归化值输入到训练好的融合选线模型中，得到配电网单相高阻接地故障的实时选线结果。
实施例2
如图1所示，本发明实施例提供的一种配电网单相高阻接地故障选线方法，所述方法适用于预先建立好的融合选线模型，所述方法包括以下步骤：
S1：访问配电网系统的后台服务器，从配电网系统的后台服务器中获取小电流接地配电网系统发生单相高阻接地故障时的历史零序信号，从历史零序信号中提取出多个故障特征量，以便于后续对融合选线模型进行训练；
需要进一步说明的是，故障特征量包括零序有功功率、零序导纳幅值、零序导纳相位以及暂态零序电流各个频段的能量，从历史零序信号中提取出每个故障特征量的具体过程为：
使用快速傅里叶变换从历史零序信号中提取零序有功功率、零序导纳幅值以及零序导纳相位，使用经验模态分解法从历史零序信号中分解出暂态零序信号各个频段的能量，具体如下：设EMD分解出a个IMF分量，第i个IMF分量在t时的分量为fIMFi，则暂态零序信号第i个频段的能量为式(1)，暂态零序信号各个频段的能量之和为式(2)，如下所示：
Figure BDA0002653076670000071
E∑a＝EIMF1+EIMF2+…+EIMFa (2)
S2：对每一个故障特征量分配权重，从而定量的来表示各个故障特征量的显著程度，当各条馈线的某个故障特征比较微弱时，则该特征量表征的故障信息准确度低，选线结果可靠性低，此时分配给该故障特征量的权重越低，反之则越高；对分配权重后的每一个故障特征量进行归一化处理，得到故障特征归化值；根据故障特征归化值来反映各条馈线在配电网系统发生单相高阻故障时的信息；在本实施例中，采用熵值法根据每个故障特征量的显著程度为每个故障特征归化值分配权重，具体过程为：
数据矩阵见公式(3)；
Figure BDA0002653076670000072
其中，Xij为第i条线路中第j个故障特征量。
由于熵值法计算的是各个方案某一指标占同一指标总和，因此不存在量纲的影响，不需要进行标准化处理，若数据中有负数，就需要对数据进行非负化处理。此外，为了避免求熵值时对数的无意义，需要进行数据平移，见公式(4)；
Figure BDA0002653076670000081
为了方便起见，仍记非负化处理后的数据为Xij。
Figure BDA0002653076670000082
Pij表示第j(j＝1,2,...m)个故障特征量下第i(i＝1,2,...n)条线路占该故障特征量的比重。
第j个故障特征量的熵值见公式(6)。
Figure BDA0002653076670000083
其中，ej为第j个故障特征量的熵值，
Figure BDA0002653076670000084
ln为自然对数，m为故障特征量个数。
第j个故障特征量的差异系数见公式(7)。对于第j个故障特征量，Xij的差异越大，熵值就越小，对方案的评价作用就越大。即gj越大，故障特征量就越明显。
gj＝1-ej (7)
其中，gj第j个故障特征量的差异系数，ej为第j个故障特征量的熵值。
第j个故障特征量的权重为：
Figure BDA0002653076670000091
需要进一步说明的是，对分配权重后的每一个故障特征量进行归一化处理，得到故障特征归化值的具体过程为：
Figure BDA0002653076670000092
mg(k)为第k(k＝1,2,...N)条线路零序导纳幅值的归化值，其中，N为线路条数，x为线路k零序导纳幅值与所有线路零序导纳幅值之和的比值，x的值越大，线路k越可能为故障线路，
Figure BDA0002653076670000093
G为零序导纳幅值。
Figure BDA0002653076670000094
m2 g1(k)为第k(k＝1,2,...N)条线路零序导纳相位的归化值，其中，N为线路条数，
Figure BDA0002653076670000095
Figure BDA0002653076670000096
为线路k零序导纳相位，
Figure BDA0002653076670000097
为零序电压相位。
Figure BDA0002653076670000101
mP(k)为第k(k＝1,2,...N)条线路有功功率的归化值，其中，N为线路条数，x为线路k有功功率与所有线路有功功率之和的比值，x的值越大，线路k越可能为故障线路，
Figure BDA0002653076670000102
P为零序有功功率。
Figure BDA0002653076670000103
mE(k)为第k(k＝1,2,...N)条线路暂态零序电流能量的归化值，其中，N为线路条数，x为线路k暂态零序电流能量与所有线路暂态零序电流能量之和的比值，x的值越大，线路k越可能为故障线路，
Figure BDA0002653076670000104
E为暂态零序电流能量。
S3：使用判别分析对每个故障特征归化值进行降维处理；需要进一步说明的是，由于故障特征量较多，导致数据复杂，处理过程较为困难，因此需要对故障特征归化值进行降维，减少数据冗余度，提高后续的计算速度和计算效率；在本实施例中，在Matlab中利用classify算法进行判别分析，classify算法根据数据的特征自动建立数据分类规则，根据数据分类规则对未知的数据进行分类，从而降低数据维度。
S4：将经过降维处理的每个故障特征归化值输入到融合选线模型中进行训练，需要进一步说明的是，融合选线模型由支持向量机，Logistic回归分类器以及随机森林分类器结合构建而成。将故障特征归化值输入到融合选线模型后，融合选线模型中的每个分类器各自输出选线标签，选线标签为故障线路或健全线路；利用Python编写软投票法为每个分类器输出的选线标签分配权重，对分类器输出的选线标签正确程度进行评价，初始时为每个分类器输出标签赋以相等的权重值1/3，然后采用算法对数据集训练若干轮，每次训练后，对各个分类器重新分配权重，输出选线结果正确率高的赋以较大的权重，反之权重小，具体的权重通过权重参数weights分配给每个分类器的输出标签，最终所得各个分类器的权重大小代表各个分类器的正确程度，最后一次训练结束，对不同权重的选线标签分别取加权和；之后，比较故障线路或健全线路两种选线标签的加权和，将加权和大的选线标签作为最终配电网单相高阻接地故障的选线结果，从而通过融合选线模型得到配电网单相高阻接地故障的选线结果；同时，在进行训练的过程中，融合选线模型不断优化自身的参数；
S5：判断融合选线模型输出配电网单相高阻接地故障的选线结果是否正确，若是，得到训练好的融合选线模型；若否，重新执行步骤S1～S5，重新对融合选线模型进行训练，通过一次次迭代训练不断优化各个分类器的参数：支持向量机的正则化参数C和RBF核参数g、随机森林的RF框架参数和RF决策树参数，最初参数都采用默认值，每次训练后，根据各个分类器选线结果是否正确对参数进行调整优化，经过不断的迭代训练，找到最优的参数值，在这个参数值下，每个分类器选线的正确率都较高，最终得到训练好的融合选线模型；
S6：获取小电流接地配电网系统的实时零序信号，从实时零序信号中提取出实时故障特征量并进行归一化处理，得到实时故障特征归化值，将实时故障特征归化值输入到训练好的融合选线模型中，得到配电网单相高阻接地故障的实时选线结果。
实施例3
如图2所示，一种配电网单相高阻接地故障选线系统，所述系统包括：故障特征量提取模块201、权重分配模块202、降维模块203、融合选线模型模块204、训练模块205以及实时选线模块206；
故障特征量提取模块201用于获取小电流接地配电网系统发生单相高阻接地故障时的历史零序信号，从历史零序信号中提取出多个故障特征量；
权重分配模块202用于对每一个故障特征量分配权重，对分配权重后的每一个故障特征量进行归一化处理，得到故障特征归化值；
降维模块203用于对每个故障特征归化值进行降维处理；
融合选线模型模块204用于提供由支持向量机，Logistic回归分类器以及随机森林分类器结合构建而成的融合选线模型；
训练模块205用于将经过降维处理的每个故障特征归化值输入到融合选线模型中进行训练，通过融合选线模型得到配电网单相高阻接地故障的选线结果；判断融合选线模型输出配电网单相高阻接地故障的选线结果是否正确，若是，得到训练好的融合选线模型；若否，重新执行故障特征量提取模块、权重分配模块、降维模块以及训练模块；
实时选线模块206用于获取小电流接地配电网系统的实时零序信号，从实时零序信号中提取出实时故障特征量并进行归一化处理，得到实时故障特征归化值，将实时故障特征归化值输入到训练好的融合选线模型中，得到配电网单相高阻接地故障的实时选线结果。
作为一个优选的实施例，融合选线模型模块204具体用于基于软投票的方法，将支持向量机，Logistic回归分类器以及随机森林分类器三种分类器进行结合，构建融合选线模型。
如图3所示，一种配电网单相高阻接地故障选线设备30，所述设备包括处理器300以及存储器301；
所述存储器301用于存储程序代码302，并将所述程序代码302传输给所述处理器；
所述处理器300用于根据所述程序代码302中的指令执行上述的一种配电网单相高阻接地故障选线方法中的步骤。
示例性的，所述计算机程序302可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器301中，并由所述处理器300执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。
所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器300、存储器301。本领域技术人员可以理解，图3仅仅是终端设备30的示例，并不构成对终端设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器300可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-ProgrammaBle Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器301可以是所述终端设备30的内部存储单元，例如终端设备30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备，例如所述终端设备30上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
实施例4
本实施例是采用PSCAD搭建的10kV配电网系统模型，如图4所示。10kV配电网系统模型中包含l1-l4共4条馈线(1条分支线路、1条纯电缆线路、1条缆线混合线路、1条纯架空线路)，线路参数如表1所示，设置在馈线l3上距离母线8km处发生高阻接地故障，消弧线圈补偿度为8％，仿真模型的采样频率f＝20KHz。
表1
Figure BDA0002653076670000131
Figure BDA0002653076670000141
当小电流接地系统发生单相高阻故障时，选取零序有功功率、零序导纳幅值、零序导纳相位、暂态零序电流各个频段的能量作为构成样本数据集的原始数据，基于PSCAD搭建10KV小电流接地系统配电线路模型，获取各馈线发生单相高阻的零序电流和系统的零序电压，零序电流的波形和零序电压的波形分别如图5、图6所示。
分别对零序有功功率、零序导纳幅值、零序导纳相位、暂态零序电流各个频段的能量等故障特征量分配权重，如表2所示，从而定量的来表示各个故障特征量的显著程度，当各条馈线的某个故障特征比较微弱时，则该特征量表征的故障信息准确度低，选线结果可靠性低，此时分配给该故障特征量的权重越低，反之则越高；之后，为每个分配权重的故障特征量进行归一化处理，如表3所示
根据故障特征归化值来反映各条馈线在配电网系统发生单相高阻故障时的信息。
表2
Figure BDA0002653076670000142
表3
Figure BDA0002653076670000143
Figure BDA0002653076670000151
将经过降维处理的每个故障特征归化值输入到融合选线模型中进行训练，需要进一步说明的是，融合选线模型由支持向量机，Logistic回归分类器以及随机森林分类器结合构建而成。将故障特征归化值输入到融合选线模型后，融合选线模型中的每个分类器各自输出选线标签，选线标签为故障线路或健全线路；根据软投票法为每个分类器输出的选线标签的正确程度进行评价，根据正度程度为每个分类器输出的选线标签分配权重，对不同权重的选线标签分别取加权和，之后，比较故障线路或健全线路两种选线标签的加权和，将加权和大的选线标签作为配电网单相高阻接地故障的选线结果，从而通过融合选线模型得到配电网单相高阻接地故障的选线结果；同时，在进行训练的过程中，融合选线模型不断优化自身的参数；通过历史数据一次次迭代训练不断优化融合选线模型的参数，最终得到训练好的融合选线模型。将用于测试的样本数据输入训练好的融合选线模型，所得结果如表4所示。
表4
Figure BDA0002653076670000152
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。
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，在本发明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。
所述集成的单元如果以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全部或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-OnlyMemory)、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。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (9)

1.一种配电网单相高阻接地故障选线方法，其特征在于，所述方法适用于预先建立好的融合选线模型，所述方法包括以下步骤：
S1：获取小电流接地配电网系统发生单相高阻接地故障时的历史零序信号，从历史零序信号中提取出多个故障特征量；
S2：根据每个故障特征的显著程度对每一个故障特征量分配权重，对分配权重后的每一个故障特征量进行归一化处理，得到故障特征归化值，所述根据每个故障特征的显著程度对每一个故障特征量分配权重具体为：
采用熵值法根据每个故障特征量的显著程度为每个故障特征归化值分配权重；
S3：对故障特征归化值进行降维处理；
S4：将经过降维处理的每个故障特征归化值输入到融合选线模型中进行训练，通过融合选线模型得到配电网单相高阻接地故障的选线结果；
S5：判断融合选线模型输出配电网单相高阻接地故障的选线结果是否正确，若是，得到训练好的融合选线模型；若否，重新执行步骤S1～S5；
S6：获取小电流接地配电网系统的实时零序信号，从实时零序信号中提取出实时故障特征量并进行归一化处理，得到实时故障特征归化值，将实时故障特征归化值输入到训练好的融合选线模型中，得到配电网单相高阻接地故障的实时选线结果；
其中，融合选线模型由支持向量机，Logistic回归分类器以及随机森林分类器结合构建而成。
2.根据权利要求1所述的一种配电网单相高阻接地故障选线方法，其特征在于，故障特征量包括零序有功功率、零序导纳幅值、零序导纳相位以及暂态零序电流各个频段的能量。
3.根据权利要求2所述的一种配电网单相高阻接地故障选线方法，其特征在于，在步骤S1中，从历史零序信号中提取出每个故障特征量的具体过程为：
使用快速傅里叶变换从历史零序信号中提取零序有功功率、零序导纳幅值以及零序导纳相位，使用经验模态分解法从历史零序信号中分解出暂态零序信号各个频段的能量。
4.根据权利要求1所述的一种配电网单相高阻接地故障选线方法，其特征在于，在步骤S3中，使用判别分析法对每个故障特征归化值进行降维处理。
5.根据权利要求1所述的一种配电网单相高阻接地故障选线方法，其特征在于，基于软投票的方法，将支持向量机，Logistic回归分类器以及随机森林分类器三种分类器进行结合，构建融合选线模型。
6.根据权利要求5所述的一种配电网单相高阻接地故障选线方法，其特征在于，在步骤S4中，通过融合选线模型得到配电网单相高阻接地故障的选线结果的具体过程为：
融合选线模型中的每个分类器各自输出选线标签，选线标签为故障线路或健全线路；根据软投票法为每个分类器输出的选线标签分配权重，对不同权重的选线标签分别取加权和，比较故障线路或健全线路两种选线标签的加权和，将加权和大的选线标签作为配电网单相高阻接地故障的选线结果。
7.一种配电网单相高阻接地故障选线系统，其特征在于，所述系统包括：
故障特征量提取模块、权重分配模块、降维模块、融合选线模型模块、训练模块以及实时选线模块；
故障特征量提取模块用于获取小电流接地配电网系统发生单相高阻接地故障时的历史零序信号，从历史零序信号中提取出多个故障特征量；
权重分配模块用于根据每个故障特征的显著程度对每一个故障特征量分配权重，对分配权重后的每一个故障特征量进行归一化处理，得到故障特征归化值，所述根据每个故障特征的显著程度对每一个故障特征量分配权重具体为：
采用熵值法根据每个故障特征量的显著程度为每个故障特征归化值分配权重；
降维模块用于对每个故障特征归化值进行降维处理；
融合选线模型模块用于提供由支持向量机，Logistic回归分类器以及随机森林分类器结合构建而成的融合选线模型；
训练模块用于将经过降维处理的每个故障特征归化值输入到融合选线模型中进行训练，通过融合选线模型得到配电网单相高阻接地故障的选线结果；判断融合选线模型输出配电网单相高阻接地故障的选线结果是否正确，若是，得到训练好的融合选线模型；若否，重新执行故障特征量提取模块、权重分配模块、降维模块以及训练模块；
实时选线模块用于获取小电流接地配电网系统的实时零序信号，从实时零序信号中提取出实时故障特征量并进行归一化处理，得到实时故障特征归化值，将实时故障特征归化值输入到训练好的融合选线模型中，得到配电网单相高阻接地故障的实时选线结果。
8.根据权利要求7所述的一种配电网单相高阻接地故障选线系统，其特征在于，融合选线模型模块具体用于基于软投票的方法，将支持向量机，Logistic回归分类器以及随机森林分类器三种分类器进行结合，构建融合选线模型。
9.一种配电网单相高阻接地故障选线设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1～6任一项所述的一种配电网单相高阻接地故障选线方法。
CN202010877548.XA 2020-08-27 2020-08-27 一种配电网单相高阻接地故障选线方法、系统以及设备 Active CN111796166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010877548.XA CN111796166B (zh) 2020-08-27 2020-08-27 一种配电网单相高阻接地故障选线方法、系统以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010877548.XA CN111796166B (zh) 2020-08-27 2020-08-27 一种配电网单相高阻接地故障选线方法、系统以及设备

Publications (2)

Publication Number Publication Date
CN111796166A CN111796166A (zh) 2020-10-20
CN111796166B true CN111796166B (zh) 2022-02-15

Family

ID=72834070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010877548.XA Active CN111796166B (zh) 2020-08-27 2020-08-27 一种配电网单相高阻接地故障选线方法、系统以及设备

Country Status (1)

Country Link
CN (1) CN111796166B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112285489B (zh) * 2020-10-26 2022-02-22 青岛鼎信通讯股份有限公司 一种基于特征融合和模型融合的故障指示器故障定位方法
CN113533904B (zh) * 2021-07-21 2023-04-21 南方电网科学研究院有限责任公司 一种配电网高阻接地故障检测方法、装置、设备和介质
CN113849980A (zh) * 2021-09-26 2021-12-28 南方电网科学研究院有限责任公司 高阻接地故障检测模型选择方法、装置、设备和介质
CN113917364B (zh) * 2021-10-09 2024-03-08 广东电网有限责任公司东莞供电局 一种配电网高阻接地识别方法和装置
CN114089218A (zh) * 2021-10-19 2022-02-25 广东电网有限责任公司东莞供电局 一种配电网高阻接地故障识别方法、装置、终端及介质
CN114236306A (zh) * 2021-11-09 2022-03-25 珠海许继芝电网自动化有限公司 基于配电主站的配电线区间绝缘劣化程度评价方法及系统
CN114113887B (zh) * 2021-11-22 2023-06-20 深圳供电局有限公司 一种配电网故障定位方法与系统
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 (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105548807A (zh) * 2015-12-15 2016-05-04 江苏省电力公司无锡供电公司 小电流接地系统单相故障选线方法
CN105759177A (zh) * 2016-04-26 2016-07-13 浙江大学城市学院 一种基于分类多模型融合的分布式电网孤岛检测方法
CN105785232A (zh) * 2016-05-18 2016-07-20 成都理工大学 小电流接地系统单相接地故障综合选线方法
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
CN107609569A (zh) * 2017-07-31 2018-01-19 北京映翰通网络技术股份有限公司 一种基于多维特征向量的配电网接地故障定位方法
CN109709441A (zh) * 2018-11-09 2019-05-03 国家电网有限公司 一种小电流接地选线方法及装置
CN109709448A (zh) * 2019-03-06 2019-05-03 南京工程学院 一种基于同步挤压小波变换的配电网单相高阻接地故障选线方法
CN110335270A (zh) * 2019-07-09 2019-10-15 华北电力大学（保定） 基于层级区域特征融合学习的输电线路缺陷检测方法
CN110579684A (zh) * 2019-09-04 2019-12-17 安徽沃华电力设备有限公司 一种基于融合算法的小电流接地系统选线方法
CN110596530A (zh) * 2019-09-06 2019-12-20 国网山东省电力公司寿光市供电公司 一种小电流接地故障选线方法
CN110646703A (zh) * 2018-06-26 2020-01-03 中国电力科学研究院有限公司 一种配电网单相接地故障选线方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105548807A (zh) * 2015-12-15 2016-05-04 江苏省电力公司无锡供电公司 小电流接地系统单相故障选线方法
CN105759177A (zh) * 2016-04-26 2016-07-13 浙江大学城市学院 一种基于分类多模型融合的分布式电网孤岛检测方法
CN105785232A (zh) * 2016-05-18 2016-07-20 成都理工大学 小电流接地系统单相接地故障综合选线方法
CN107609569A (zh) * 2017-07-31 2018-01-19 北京映翰通网络技术股份有限公司 一种基于多维特征向量的配电网接地故障定位方法
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
CN110646703A (zh) * 2018-06-26 2020-01-03 中国电力科学研究院有限公司 一种配电网单相接地故障选线方法及系统
CN109709441A (zh) * 2018-11-09 2019-05-03 国家电网有限公司 一种小电流接地选线方法及装置
CN109709448A (zh) * 2019-03-06 2019-05-03 南京工程学院 一种基于同步挤压小波变换的配电网单相高阻接地故障选线方法
CN110335270A (zh) * 2019-07-09 2019-10-15 华北电力大学（保定） 基于层级区域特征融合学习的输电线路缺陷检测方法
CN110579684A (zh) * 2019-09-04 2019-12-17 安徽沃华电力设备有限公司 一种基于融合算法的小电流接地系统选线方法
CN110596530A (zh) * 2019-09-06 2019-12-20 国网山东省电力公司寿光市供电公司 一种小电流接地故障选线方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于智能算法的小电流接地故障选线研究;庞清乐;《中国博士学位论文全文数据库》;20070915(第3期);49-72,99-103 *
小电流系统单相接地故障选线方法研究;金鑫;《中国硕士学位论文全文数据库》;20080615(第6期);33-44 *

Also Published As

Publication number Publication date
CN111796166A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111796166B (zh) 一种配电网单相高阻接地故障选线方法、系统以及设备
Mishra et al. A novel fault classification scheme for series capacitor compensated transmission line based on bagged tree ensemble classifier
CN103076547B (zh) 基于支持向量机的gis局部放电故障类型模式识别方法
CN106548230A (zh) 基于改进粒子群优化神经网络的变压器故障诊断方法
CN114239703B (zh) 主动配电系统故障诊断方法、系统、设备及存储介质
Yang et al. Fa-Mb-ResNet for grounding fault identification and line selection in the distribution networks
Xi et al. Transmission line fault detection and classification based on SA-MobileNetV3
Wang et al. Online analysis of voltage security in a microgrid using convolutional neural networks
Chothani et al. A new algorithm for busbar fault zone identification using relevance vector machine
Venkatesh Fault classification and location identification on electrical transmission network based on machine learning methods
CN113033889B (zh) 高压输电线路故障预测方法、装置及终端设备
Fu et al. PQEventCog: Classification of power quality disturbances based on optimized S-transform and CNNs with noisy labeled datasets
Raval et al. Accurate fault classification in series compensated multi-terminal extra high voltage transmission line using probabilistic neural network
CN111080489A (zh) 一种负荷趋势预测方法、系统以及设备
Althi et al. An optimally tuned rotation forest-based local protection scheme for detecting high-impedance faults in six-phase transmission line during nonlinear loading
Uddin et al. An intelligent short-circuit fault classification scheme for power transmission line
Liu et al. Identification and location of voltage sag sources based on multi-label random forest
Lima et al. A modified negative selection algorithm applied in the diagnosis of voltage disturbances in distribution electrical systems
CN114330854A (zh) 一种潜供电弧燃弧时间预测方法及系统
Sima et al. A framework for automatically cleansing overvoltage data measured from transmission and distribution systems
Raval et al. A Novel Fault Classification Technique in Series Compensated Transmission Line using Ensemble Method
Rafi et al. Enhancing Power Transmission Line Fault Detection with a Hybrid ANN-SVM Machine Learning Model: A Comparative Study
Sahu et al. Representational and sequential feature learning model for fault classification in power system
Liu et al. Voltage sag source location based on sag event amplitude information
Ferreira et al. Autonomous Bayesian neural models for fault diagnosis in transmission lines

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