CN111913077B - 一种配电网的智能故障定位系统 - Google Patents

Abstract

一种配电网的智能故障定位系统，其调度中心服务器将最新的故障定位模型下发至区域调度服务器，区域调度服务器再将接收到的故障定位模型下发至本子区域的配电网同步相量测量器的主处理器，以使得边缘计算模块能够更新其故障定位模型，并将其所在的配电网同步相量测量器所计算得到的带有时间标记的相量数据和故障录波信息输入到更新后的故障定位模型，以得到本子区域的电网中故障位置。本发明的配电网的智能故障定位系统，提出一种配电网同步相量测量器，通过边缘计算模块能够摆脱对云的依赖，无需将边缘传感器产生的大数据传回云端服务器，即可进行快速运算，降低了数据传输的要求。

Description

一种配电网的智能故障定位系统

技术领域

本发明涉及一种配电网的智能故障定位系统。

背景技术

近年来，随着我国电力需求在不断的增大，从而使得我国配电网规模不断增大，结构也越来越复杂。大量的分布式电源加入配电网，使得配电网稳定性下降及故障率增加。

早期的配电网故障定位方法效率低下，比较耗费时间和人力。单相接地故障定位的判断依据主要是线路的零序电压数值与设定值比较结果。当检测到故障确定己经发生后，通知巡检工作人员沿着线路找寻故障点位置，然后实施整修。

如何对故障进行定位，是一个需要不断被研究的问题。

发明内容

本申请提供一种配电网的智能故障定位系统，下面具体说明。

一实施例中提供一种配电网的智能故障定位系统，所述配电网包括多个子区域，每个子区域能够被布置一个或多个分布式能源；所述智能故障定位系统包括调度中心服务器、各子区域的区域调度服务器和各子区域的配电网同步相量测量器；

所述配电网同步相量测量器用于采集所在子区域的配电网数据，并计算得到带有时间标记的相量数据；所述配电网同步相量测量器包括主处理器、协处理器、第一内存卡、第二内存卡、以太网口、授时模块、模数转换器和边缘计算模块；模数转换器用于采集电网节点处的数据，将数据由模拟信号转换为数字信号；所述授时模块用于获取卫星的时间信息；所述协处理器分别与所述授时模块、模块转换器、主处理器连接；所述协处理器通过所述时间信息控制模数转换器对电能数据的采集，应用离散傅里叶变换法来计算采样得到的相量数据；当同步时钟信号丢失或异常时，所述协处理器基于本身时钟实现一段时间的守时；当电网运行频率非固定时，所述协处理器实时获取电网运行频率，对电网运行频率进行修正并计算出同步采样频率，再应用离散傅里叶变换法来计算出相量数据；所述协处理器将相量数据打上时间标记后上传输给所述主处理器；所述主处理器分别与所述第一内存卡、第二内存卡连接，所述第一内存卡用于存储短期数据，所述第二内存卡用于存储由模数转换器所收集的故障录波信息；

所述调度中心服务器将最新的故障定位模型下发至区域调度服务器，区域调度服务器再将接收到的故障定位模型下发至本子区域的配电网同步相量测量器的主处理器，以使得边缘计算模块能够更新其故障定位模型，并将其所在的配电网同步相量测量器所计算得到的带有时间标记的相量数据和故障录波信息输入到更新后的故障定位模型，以得到本子区域的电网中故障位置；具体地，故障定位模型被这样构建：对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型。

一实施例中，所述对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型，包括：采用机器学习的方法，利用仿真数据构成训练集，对机器学习算法进行训练，得到回归模型，在配电网发生故障时，基于回归模型实现多判据融合。

一实施例中，所述对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型，包括：利用集成学习的方法，构建多故障定位结果的选择模型，以仿真数据作为训练集，对多故障定位结果的选择模型进行训练，在配电网故障时，选择模型在多故障定位结果中选择一个误差最小的结果作为输出。

一实施例中，所述配电网同步相量测量器还将计算得到带有时间标记的相量数据上传到所在子区域的区域调度服务器，所述区域调度服务器将带有时间标记的相量数据进行存储，并将相量数据的信息存储到区块链，其中相量数据的信息包括相量数据的类型信息、相量数据的存储位置信息、相量数据的版本信息、相量数据的读取权限信息和相量数据的读写历史信息的一者或多者；所述区域调度服务器当接收到对其所存储的相量数据的读取请求时，根据区块链中的相量数据的读取权限信息判断是否有相应的权限，当判断有相应的权限，则允许对其存储的相量数据进行读取，反之，当判断没有相应的权限，则不允许对其存储的相量数据进行读取。

一实施例中，所述区域调度服务器还监测其所存储的相量数据与区块链中相量数据的信息是否相符，当判断不相符时，则发出警报。

一实施例中，所述配电网同步相量测量器还包括IRIG-B接口和RS485接口，所述协处理器能够通过所述IRIG-B接口和RS485接口与其他设备通信，进行信息交互。

一实施例中，所述协处理器为数字信号处理器。

一实施例中，所述授时模块为GPS/北斗授时模块，能够获取GPS/北斗的时间信息。

一实施例中，所述配电网同步相量测量器还包括USB接口，所述主处理器通过所述USB接口与其他设备通信，进行信息交互。

一实施例中，所述边缘计算模块包括GPU。

依据上述实施例的配电网的智能故障定位系统，提出一种配电网同步相量测量器，通过边缘计算模块能够摆脱对云的依赖，无需将边缘传感器产生的大数据传回云端服务器，即可进行快速运算，降低了数据传输的要求。

附图说明

图1为一种实施例的配电网的智能故障定位系统的结构示意图；

图2为一种实施例的配电网同步相量测量器的结构示意图；

图3为另一种实施例的配电网同步相量测量器的结构示意图；

图4为又一种实施例的配电网同步相量测量器的结构示意图；

图5为再一种实施例的配电网同步相量测量器的结构示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。

随着我国配电网自动化的发展，早期的故障定位方法己不能适用。众多学者结合我国配电网特点提出了大量的故障定位方法，并且很多方法在实际应用中有着良好的效果。

我国的故障区段定位相关研究开始于上世纪50年代，保护方案涵盖了正序、负序、零序区段定位法、五次谐波检测法和有功无功检测法等。20世纪50年代及70年代，我国己经成功的利用暂态分量和零序功率开发了故障区段定位装置，但这些装置故障区段定位的精度受到了中性点接地方式不同和过渡电阻的影响。80年代我国开发了适合于小电流接地系统的区段定位装置。随着科学技术的发展，大量的智能硬件投入到电网实际运行中，由于配电网单相接地故障发生率高且难以被检测，所以众多学者在配电网单相接地故障区段定位和测距上进行了大量研究。在故障区段定位方面，应用较多的是零序电流比较法，通过分析单相接地故障发生时产生的零序电流就可实现区段定位，但是该方法容易受到中性点接地方式不同和过渡电阻不同的影响，同时小电流接地系统在发生单相接地故障时容易产生间歇性电弧，可能会导致区段定位失败。五次谐波法，该方法主要利用故障电流中的五次谐波分量来实现故障区段定位，但是由于配电网中有很多的电力电子负载，很多都可以作为谐波源，从而会导致五次谐波法容易受到谐波源的影响。故障指示器法适用于短路故障，但是对于配电网小电流接地系统的接地故障容易出现误判。信号注入法需要额外的加装注入设备，投资较大，对于瞬时性故障区段定位结果较差。我国己应用于配电网故障区段定位的方法很多，但大多数方法都会不同程度的受到中性点接地方式、故障类型和过渡电阻的影响。

故障测距是故障区段定位后的重要一环，在配电网中，只有精确的找到故障点的位置才能够更高效率的解决故障问题。国内外众多学者己经在故障测距上做过大量研究，其中有很多方法也己经在实际的电网中应用。行波测距法，行波测距的原理是电压电流行波在线路上传播速度接近于光速，通过行波测距法测出的故障距离精确，但是该方法的投入较大，适合于较长的架空线路。

配电网在电力系统中与用户密切相关，是电力系统中至关重要的一环，与电力用户的用电质量电力企业的经济效益直接挂钩。但配电网拓扑结构复杂，所处环境多样，容易受到各种因素的影响而发生故障，快速准确的故障定位有利于迅速隔离故障和恢复供电，减少停电时间、降低运行成本，对配电网安全和提高供电可靠性至关重要。

随着分布式发电、电动汽车和可控负载等分布式能源的接入，传统配电网面临许多挑战。分布式的大量接入，将打破传统配电网的单向潮流、辐射网络结构，使传统配电网由被动模式逐渐转变成为主动模式的主动配电网。主动配电网的潮流不再是简单的单向潮流，而变成了更加复杂的双向潮流，配电网的保护也将遇到各类新问题。

发明人研究发现，配电网中故障定位技术的发展面临的问题包括：线路结构形式复杂；线路参数不对称情况普遍，且参数误差大；测量系统不完善，互感器精度低，缺乏支撑精确故障定位技术的时钟同步机制；配电自动化系统普及率低，通信条件较差，缺乏适用于配电网的数据同步技术；含分布式电源及电力电子装置的中压配电网故障暂态过程波形复杂，某些传统的故障定手段不能适应有源配电网的要求。在这样的环境下，提出一种配电网的智能故障定位系统也显得越来越迫切。

本发明一些例子中首先提出一种配电网同步相量测量器DPMU(DistributionPhasor Measurement Unit)。一些实施例中，基于DPMU的同步相量能够实现配电线路参数的在线估计，为精确故障定位奠定基础。一些实施例中，DPMU可以为配电自动化系统提供同步时钟，实现相量及录波数据的同步。一些实施例中，DPMU具有良好的通信条件，为配电自动化系统及其他特殊/新型传感器的数据传输提供可能的通道。因此，一些例子中，本发明的DPMU能够提供带有同步时标的相量和录波数据信息，同时也可以作为其他新型传感器信息同步和传输的重要途径，是实现中压配电网故障精确定位最重要的信息来源。

下面对本发明的配电网的配电网的智能故障定位系统进行说明。

本发明一些实施例所公开的配电网的智能故障定位系统，利用本发明一些例子中的配电网同步相量测量器DPMU(Distribution Phasor Measurement Unit)稳态运行数据和暂态扰动数据，对配电网进行参数辨识，修正参数误差，保证实现中压配电网的精确故障定位；并且，由于DPMU采集的高频率高精度的电力系统数据，可以就近进行边缘计算。下面具体说明。

本发明一些实施例中提供一种配电网的智能故障定位系统，配电网包括多个子区域，每个子区域能够被布置一个或多个分布式能源。请参照图1，本发明一些实施例中的智能故障定位系统包括调度中心服务器300、各子区域的区域调度服务器200和各子区域的配电网同步相量测量器100。

请参照图2，一些实施例中配电网同步相量测量器100包括主处理器10、协处理器12、第一内存卡14、第二内存卡16、以太网口18、授时模块20、模数转换器22和边缘计算模块24，下面具体说明。

模数转换器22用于采集电网节点处的数据，将数据由模拟信号转换为数字信号。例如模数转换器22采集电网节点处的电压和电流等，并转为数字信号。一些例子中，模数转换器22可以为8路16位的高速模数转换器。

授时模块20用于获取卫星的时间信息。一些实施例中，授时模块20为GPS/北斗授时模块，能够获取GPS/北斗的时间信息。这里的GPS是英文Global Positioning System(全球定位系统)的简称，授时模块20能够接收到可用于授时的准确至纳秒级的时间信息。这里的北斗指的是中国北斗卫星导航系统(英文名称：BeiDou Navigation Satellite System，简称BDS)，它是中国自行研制的全球卫星导航系统。北斗卫星导航系统由空间段、地面段和用户段三部分组成，可在全球范围内全天候、全天时为各类用户提供高精度、高可靠定位、导航、授时服务，并具短报文通信能力，已经初步具备区域导航、定位和授时能力，定位精度为分米、厘米级别，测速精度0.2米/秒，授时精度10纳秒。

协处理器12分别与授时模块20、模块转换器22、主处理器10连接。协处理器12通过授时模块20所获取的时间信息控制模数转换器22对电能数据的采集，应用离散傅里叶变换法来计算采样得到的相量数据。一些例子中，当同步时钟信号丢失或异常时，协处理器12基于本身时钟实现一段时间的守时。一些例子中，当电网运行频率非固定时，协处理器12实时获取电网运行频率，对电网运行频率进行修正并计算出同步采样频率，再应用离散傅里叶变换法来计算出相量数据。协处理器12将相量数据打上时间标记后上传输给主处理器10。一些例子中，协处理器12可以为数字信号处理器DSP。

一些实施例中，请参照图3，配电网同步相量测量器还包括IRIG-B接口和RS485接口，协处理器12能够通过IRIG-B接口和RS485接口与其他设备通信，进行信息交互。

主处理器10分别与第一内存卡14、第二内存卡16连接。第一内存卡14用于存储短期数据，第二内存卡16用于存储由模数转换器22所收集的故障录波信息。主处理器10还通过以太网口18将从协处理器12接收到相量数据上传，以及接收上级下达的控制指令，并向协处理器12下传相应的控制指令。例如，当接收到由主处理器10下传的控制继电器的指令后，则协处理器12控制继电器进行相应的的开或关，并将开关信息上传回主处理器10。

一些实施例中，请参照图4，配电网同步相量测量器100还包括USB接口，主处理器10能够通过USB接口与其他设备通信，进行信息交互。

一些实施例中，请参照图5，配电网同步相量测量器100还包括与主处理器10连接显示器26，用于显示信息。

本发明一些例子中的DPMU可以高频率地实时采集电网中各向量的数值和相角，因此能够为边缘计算提供有力的硬件支持。边缘计算技术能够摆脱对云的依赖，无需将边缘传感器产生的大数据传回云端服务器，即可进行快速运算，降低了数据传输的要求，同时也提高的运算速度。

调度中心服务器300将最新的故障定位模型下发至区域调度服务器200，区域调度服务器200再将接收到的故障定位模型下发至本子区域的配电网同步相量测量器100的主处理器10，以使得边缘计算模块24能够更新其故障定位模型，并将其所在的配电网同步相量测量器100所计算得到的带有时间标记的相量数据和故障录波信息输入到更新后的故障定位模型，以得到本子区域的电网中故障位置。

一些例子中，故障定位模型，其本质上是采用双端量故障定位的原理，因此，DPMU的配置需满足定位区域内任何一条线路的双端电压电流均可以由DPMU数据经推算得来。本发明一些例子中DPMU(Distribution Phasor Measurement Unit)稳态运行数据和暂态扰动数据，对配电网进行参数辨识，修正参数误差，保证实现中压配电网的精确故障定位。

配电网中故障定位的方法以阻抗法、行波法和信号注入法三种为主。阻抗法根据故障线路测量阻抗与测量点到故障点距离成正比的原理进行故障测距，通过计算测量点阻抗与线路单位阻抗的比值确定故障距离。行波法是根据行波在线路中传输的折反射原理，线路发生故障后会产生向两端传播的行波，通过测量到达两端的时间差或者到达一端的初始波和反射波时间差求取故障位置。注入信号法是在系统发生故障后，向线路注入检测信号，然后通过在监测点测量特定信号进行故障定位。

对于时、频域定位方法而言，各方法之间具有一定的互补关系，对多种定位结果进行“回归性”融合，以期得到更为精确的故障定位结果。时、频域定位结果的“回归性”融合有两种实现方式：其一，是利用机器学习的方法，采用常用的机器学习算法，利用仿真数据构成训练集，对机器学习算法进行训练，得到其“回归”模型，在配电网故障时，基于训练好的智能算法实现多判据融合；其二，是利用集成学习(ensemble learning)方法，构建多故障定位结果的选择模型，以仿真数据作为训练集，对集成学习模型进行训练，在配电网故障时，该模型在多故障定位结果中选择一个误差最小的结果作为该部分的输出。

因此，一些实施例中，故障定位模型被这样构建：对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型。一些具体实施例中，对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型，包括：采用机器学习的方法，利用仿真数据构成训练集，对机器学习算法进行训练，得到回归模型，在配电网发生故障时，基于回归模型实现多判据融合。另一些具体实施例中，对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型，包括：利用集成学习的方法，构建多故障定位结果的选择模型，以仿真数据作为训练集，对多故障定位结果的选择模型进行训练，在配电网故障时，选择模型在多故障定位结果中选择一个误差最小的结果作为输出。

一些实施例中，调度中心服务器300将最新的分布式状态估计模型下发至区域调度服务器200，区域调度服务器200再将接收到的分布式状态估计模型下发至本子区域的配电网同步相量测量器100的主处理器10，以使得边缘计算模块24能够更新其分布式状态估计模型，并将其所在的配电网同步相量测量器100所计算得到的带有时间标记的相量数据输入到更新后的分布式状态估计模型，以对本子区域的电网状态进行估计，并将估计结果返回给主处理器10。一些具体的例子中，分布式状态估计模型为基于集成深度学习的预测模型，边缘计算模块24先通过经验模式分解算法将输入的带有时间标记的相量数据进行分解，得到不同频率的子信号，再应用深层循环神经网络对各个子信号进行分析和预测，再集成每个子信号进行分析和预测后得到的输出，完成对电网状态的估计。

在具体的负载预测算或者说分布式状态估计模型方面，利用DPMU实时采集的高频数据，大致有两种研究方向来创建准确的短期电力负载时序预测模型。第一种是利用深度学习(deep learning)技术，其基本原理是利用多次非线性转换来构造复杂网络结构，以提取大数据中的高层次抽象和特征。另一种方向是集成机器学习算法(Ensemble machinelearning methods)。由于单个的预测模型往往不够稳定而不能适应多种情况，通过策略性的组合不同的机器学习算法，深入研究时序信号的特性，充分考虑各种可能的影响因素，构建出更准确更稳定高效的时序预测模型预测电力负载。

可以看到，一些例子中，边缘计算模块24可以使用低功耗小型GPU芯片，对人工智能相关及状态估计使用的复杂矩阵运算在DPMU本地运行。边缘计算模块24会与主处理器10配合，调用DPMU中的数据并返回计算结果；通过远程通信下发人工智能计算模型，上传计算结果。

一些实施例中，调度中心服务器300将最新的故障预警和继电保护模型下发至区域调度服务器200，区域调度服务器200再将接收到的故障预警和继电保护模型下发至本子区域的配电网同步相量测量器100的主处理器10，以使得边缘计算模块24能够更新其故障预警和继电保护模型，并将其所在的配电网同步相量测量器所计算得到的带有时间标记的相量数据输入到更新后的故障预警和继电保护模型，以对本子区域的电网中需要被保护的元件进行故障预警和继电保护。

一些具体的实施例中，边缘计算模块24基于故障预警和继电保护模型，以对电网中需要被保护的元件进行故障预警和继电保护，其中故障预警和继电保护模型被这样构建：步骤(1)，依靠配电网同步相量测量器所采集的相量数据，应用深度循环网络构建电力负载预测算法；步骤(2)，构建基于深层神经网络的模型，用以模拟电力系统环境，其中依靠历史相量数据，当前相量数据和电力负载预测算法所预测的相量数据来训练并验证该模拟电力系统环境的模型；步骤(3)，构建基于强化学习的继电保护优化算法，并依靠步骤(2)中所构建的模拟电力系统环境的模型，定义奖励函数，应用强化学习算法得出最佳策略，以优化继电保护的判断标准和判断阈值。一些具体实施例中，步骤(3)具体包括：依靠配电网同步相量测量器所采集的相量数据，构建生成对抗网络进行无监督学习，以让一生成模型学习正常模式下电力系统环境运行的规律和模式，同时生成模拟数据帮助一判别模型学习需要被保护的元件异常情况的判断；通过不断迭代，生成模型和判断模型互相竞争，以得到对于模拟电力系统环境的模型的替代模型，以及能够判断需要被保护的元件异常情况的分类器，并利用该分类器分析步骤(1)中电力负载预测算法的预测结果，以判断需要被保护的元件异常情况；基于电力负载预测算法和生成对抗网络，构建电网内需要被保护元件的模拟运行环境，在所构建好电网内需要被保护元件的模拟运行环境后，定义奖励函数或者说优化目标，并应用强化学习算法优化继电保护的判断标准和判断阈值。

综上所述，针对边缘计算的应用场景，一些例子中，可以使用DPMU采集被保护元件相关运行参数，同时构建时序预测，环境模拟和故障分辨等人工智能模型，并基于传统继电保护策略，不断优化和迭代相关阈值，最终得到最优的保护策略。一些例子中，DPMU其边缘智能继电保护方案同时具有计算速度快，数据传输要求低，安全性高，与误报警率、误操作率低的优点。

一些例子中，配电网同步相量测量器100还将计算得到带有时间标记的相量数据上传到所在子区域的区域调度服务器200，区域调度服务器200将带有时间标记的相量数据进行存储，并将相量数据的信息存储到区块链，其中相量数据的信息包括相量数据的类型信息、相量数据的存储位置信息、相量数据的版本信息、相量数据的读取权限信息和相量数据的读写历史信息的一者或多者；区域调度服务器200当接收到对其所存储的相量数据的读取请求时，根据区块链中的相量数据的读取权限信息判断是否有相应的权限，当判断有相应的权限，则允许对其存储的相量数据进行读取，反之，当判断没有相应的权限，则不允许对其存储的相量数据进行读取。一些例子中，区域调度服务器200还监测其所存储的相量数据与区块链中相量数据的信息是否相符，当判断不相符时，则发出警报。

本文参照了各种示范实施例进行说明。然而，本领域的技术人员将认识到，在不脱离本文范围的情况下，可以对示范性实施例做出改变和修正。例如，各种操作步骤以及用于执行操作步骤的组件，可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。

虽然在各种实施例中已经示出了本文的原理，但是许多特别适用于特定环境和操作要求的结构、布置、比例、元件、材料和部件的修改可以在不脱离本披露的原则和范围内使用。以上修改和其他改变或修正将被包含在本文的范围之内。

前述具体说明已参照各种实施例进行了描述。然而，本领域技术人员将认识到，可以在不脱离本披露的范围的情况下进行各种修正和改变。因此，对于本披露的考虑将是说明性的而非限制性的意义上的，并且所有这些修改都将被包含在其范围内。同样，有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而，益处、优点、问题的解决方案以及任何能产生这些的要素，或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体，皆属于非排他性包含，这样包括要素列表的过程、方法、文章或设备不仅包括这些要素，还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外，本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。

具有本领域技术的人将认识到，在不脱离本发明的基本原理的情况下，可以对上述实施例的细节进行许多改变。因此，本发明的范围应仅由权利要求确定。

Claims (7)

1.一种配电网的智能故障定位系统，所述配电网包括多个子区域，每个子区域能够被布置一个或多个分布式能源；其特征在于，所述智能故障定位系统包括调度中心服务器、各子区域的区域调度服务器和各子区域的配电网同步相量测量器；

所述配电网同步相量测量器用于采集所在子区域的配电网数据，并计算得到带有时间标记的相量数据；所述配电网同步相量测量器包括主处理器、协处理器、第一内存卡、第二内存卡、以太网口、授时模块、模数转换器和边缘计算模块；模数转换器用于采集电网节点处的数据，将数据由模拟信号转换为数字信号；所述授时模块用于获取卫星的时间信息；所述协处理器分别与所述授时模块、模块转换器、主处理器连接；所述协处理器通过所述时间信息控制模数转换器对电能数据的采集，应用离散傅里叶变换法来计算采样得到的相量数据；当同步时钟信号丢失或异常时，所述协处理器基于本身时钟实现一段时间的守时；当电网运行频率非固定时，所述协处理器实时获取电网运行频率，对电网运行频率进行修正并计算出同步采样频率，再应用离散傅里叶变换法来计算出相量数据；所述协处理器将相量数据打上时间标记后上传输给所述主处理器；所述主处理器分别与所述第一内存卡、第二内存卡连接，所述第一内存卡用于存储短期数据，所述第二内存卡用于存储由模数转换器所收集的故障录波信息；

所述调度中心服务器将最新的故障定位模型下发至区域调度服务器，区域调度服务器再将接收到的故障定位模型下发至本子区域的配电网同步相量测量器的主处理器，以使得边缘计算模块能够更新其故障定位模型，并将其所在的配电网同步相量测量器所计算得到的带有时间标记的相量数据和故障录波信息输入到更新后的故障定位模型，以得到本子区域的电网中故障位置；故障定位模型被这样构建：对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型；所述对时域信息故障定位算法和频域信息故障定位算法进行回归性融合，以得到故障定位模型，包括：采用机器学习的方法，利用仿真数据构成训练集，对机器学习算法进行训练，得到回归模型，在配电网发生故障时，基于回归模型实现多判据融合；或者，利用集成学习的方法，构建多故障定位结果的选择模型，以仿真数据作为训练集，对多故障定位结果的选择模型进行训练，在配电网故障时，选择模型在多故障定位结果中选择一个误差最小的结果作为输出；

所述配电网同步相量测量器还将计算得到带有时间标记的相量数据上传到所在子区域的区域调度服务器，所述区域调度服务器将带有时间标记的相量数据进行存储，并将相量数据的信息存储到区块链，其中相量数据的信息包括相量数据的类型信息、相量数据的存储位置信息、相量数据的版本信息、相量数据的读取权限信息和相量数据的读写历史信息的一者或多者；所述区域调度服务器当接收到对其所存储的相量数据的读取请求时，根据区块链中的相量数据的读取权限信息判断是否有相应的权限，当判断有相应的权限，则允许对其存储的相量数据进行读取，反之，当判断没有相应的权限，则不允许对其存储的相量数据进行读取。

2.如权利要求1所述的智能故障定位系统，其特征于，所述区域调度服务器还监测其所存储的相量数据与区块链中相量数据的信息是否相符，当判断不相符时，则发出警报。

3.如权利要求1所述的智能故障定位系统，其特征于，所述配电网同步相量测量器还包括IRIG-B接口和RS485接口，所述协处理器能够通过所述IRIG-B接口和RS485接口与其他设备通信，进行信息交互。

4.如权利要求1或3所述的智能故障定位系统，其特征在于，所述协处理器为数字信号处理器。

5.如权利要求1所述的智能故障定位系统，其特征在于，所述授时模块为GPS/北斗授时模块，能够获取GPS/北斗的时间信息。

6.如权利要求1所述的智能故障定位系统，其特征于，所述配电网同步相量测量器还包括USB接口，所述主处理器通过所述USB接口与其他设备通信，进行信息交互。

7.如权利要求1至6中任一项所述的智能故障定位系统，其特征在于，所述边缘计算模块包括GPU。

Images