CN112051479A - 一种配电网运行状态识别方法及系统 - Google Patents
一种配电网运行状态识别方法及系统 Download PDFInfo
- Publication number
- CN112051479A CN112051479A CN201910489807.9A CN201910489807A CN112051479A CN 112051479 A CN112051479 A CN 112051479A CN 201910489807 A CN201910489807 A CN 201910489807A CN 112051479 A CN112051479 A CN 112051479A
- Authority
- CN
- China
- Prior art keywords
- resistance
- fault
- low
- state
- resistance fault
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 74
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 71
- 238000004364 calculation method Methods 0.000 claims description 68
- 230000008859 change Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 15
- 238000010367 cloning Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
一种配电网运行状态识别方法及系统,包括:采集配电网状态监测量并带入预先构建的故障识别模型,得到配网运行状态;配电网状态监测量包括:三相电压、三相电流及零序量;故障识别模型基于HHT分析得到的故障特征向量构建;故障特征向量包括:低阻故障特征向量和高阻故障特征向量。本方案利用HHT分析方法对高阻故障特征进行提取,形成有利于识别配网故障类型的特征向量,进而使用阴性选择算法训练出阴性选择器来辨识异常状态,最后对阴性选择器进行改进训练,生成可分类异常状态的改进阴性选择器,从而保证框架的识别正确率,降低配网单相高阻接地故障的漏判率,有效实现了小样本下配网故障状态的准确辨识,对于配电网高阻故障识别具有重要意义。
Description
技术领域
本发明涉及电力系统自动化领域,具体涉及一种配电网运行状态识别方法及系统。
背景技术
配电网作为电网的一部分,电能传输中担当着十分重要的角色。配电网的好坏直接决定用户电能的质量,因此及时发现配电网故障,保证配电网的安全稳定运行显得尤为重要。在配电网发生的各种故障中,单相接地故障最为常见,约占配网故障的70%,但其目前的诊断率精度不高。由于单相高阻接地故障发生时表现出的三相电压及三相电流变化不明显,传统保护装置无法检测出单相高阻接地故障,不能满足单相接地诊断与保护的要求。针对低阻故障的多种故障类型,在检测出低阻和高阻故障的基础上,无法判别低阻故障类型,因此能够快速准确地对配电网的单相高阻接地故障进行在线准确识别,是一个极为重要的课题。
关于配网高阻故障的研究主要集中于信号特征分析和智能算法识别两方面。由于高阻故障时的故障电流微弱,三相电压、三相电流几乎仍保持原状,稳态特征不明显,因此对于高阻故障的研究主要是通过暂态信号进行分析。目前的暂态信号分析方法主要基于小波分析,但这种方法需要对基函数进行选取,不同基函数表现出的特性不同。智能识别算法大多使用神经网络方法,但其需要训练大量样本用于学习,这对于长时间处于正常状态的配电网来说难以获取大量故障样本数据。
发明内容
为了解决现有技术中所存在的缺少能够识别高阻故障和低阻故障的准确故障类型的问题,本发明提供了一种配电网运行状态识别方法及系统。
本发明提供的技术方案是:
一种配电网运行状态识别方法,包括:
采集配电网状态监测量;
将采集到的配电网状态监测量带入预先构建的故障识别模型,得到所述配网运行状态;
其中,所述配电网状态监测量包括:三相电压、三相电流及零序量;
其中,所述故障识别模型基于HHT分析得到的故障特征向量构建;
所述故障特征向量包括:低阻故障特征向量和高阻故障特征向量。
优选的,所述故障识别模型的构建包括:
获取配电网的历史运行状态及监测量,并根据所述历史运行状态及监测量构建低阻故障计算集和高阻故障计算集;
基于所述低阻故障计算集构建低阻阴性选择器;
基于高阻故障计算集,通过对阴性选择器进行训练,构建高阻阴性选择器;
基于所述低阻阴性选择器和所述高阻阴性选择器,得到故障识别框架;
其中,所述运行状态,包括:单相低阻接地状态、两相接地状态、两相短路状态、三相故障状态、单相高阻接地状态和正常状态。
优选的,所述获取配电网的历史运行状态及监测量,并根据所述历史运行状态及监测量构建低阻故障计算集和高阻故障计算集,包括:
将所述历史监测量设为样本数据,并基于所述样本数据和对应的运行状态构建状态样本集{S0,l};
从所述状态样本集{S0,l}中提取低阻故障特征向量,构建低阻故障训练集{S1,l};
从所述状态样本集{S0,l}中提取高阻故障特征向量,构建高阻故障训练集{S2,l};
分别将所述低阻故障训练集和所述高阻故障训练集归一化处理,得到低阻故障计算集{S′1,l}和高阻故障计算集{S′2,l};
其中,S0为监测量,S1为低阻故障检测量的特征向量,S2为高阻故障检测量的特征向量,S′1为归一化处理后低阻故障监测量的特征向量,S′2为归一化处理后高阻故障监测量的特征向量,l为样本状态。
优选的,所述从所述状态样本集{S0,l}中提取低阻故障向量,构建低阻故障训练集{S1,l},包括:
基于状态样本集{S0,l}中的监测量分别计算三相电流和三相电压的相对变化程度,得到相对变化程度集合;
基于相对变化程度集合,对低阻故障进行辨识,得到低阻故障训练集{S1,l}。
优选的,所述三相电流的变化程度,通过下式获取:
其中,ΔIa,b,c为三相电流的变化程度,Ia,b,c_before为前一周期的三相电流,Ia,b,c_after为后一周期的三相电流;
所述三相电压的变化程度,通过下式获取:
其中,ΔUa,b,c为三相电压的变化程度,Ua,b,c_before为前一周期的三相电压,Ua,b,c_after为后一周期的三相电压。
优选的,所述从所述状态样本集{S0,l}中提取高阻故障向量,构建高阻故障训练集{S2,l},包括:
从所述状态样本集{S0,l}中提取零序电压对应的样本,并进行Hilbert-Huang变换(HHT)分析得到高阻故障训练集{S2,l}。
优选的,所述基于所述低阻故障计算集构建低阻阴性选择器,包括:
基于所述低阻故障计算集,通过对阴性选择器进行训练,构建初始低阻阴性选择器;
基于所述低阻故障计算集,对初始低阻阴性选择器进行训练,得到可识别低阻故障类型的低阻阴性选择器。
优选的,所述对阴性选择器进行训练,包括:
步骤101:根据所述低阻故障计算集或高阻故障计算集的维度,随机生成设定数量的检测器;
步骤102:依次计算所述检测器中的样本数据与所述低阻故障计算集或高阻故障计算集的样本数据的欧式距离,作为匹配度;
步骤103:当所有样本的匹配度都大于设定阈值时,将所述欧式距离与设定阈值作差,将最小的差值作为当前检测器的检测半径,保留至检测器集中,得到初始低阻阴性选择器或高阻阴性选择器;否则,删除当前检测器;
步骤104:重复所述步骤102和步骤103,直至所有检测器完成检测,得到初始低阻阴性选择器或高阻阴性选择器。
优选的,所述基于所述低阻故障计算集,将所述低阻阴性选择器进行训练,构建可识别低阻故障类型的低阻阴性选择器,包括:
步骤201:在所述低阻阴性选择器中,依次输入低阻故障计算集中的低阻故障数据,并计算所述低阻故障数据与所述低阻阴性选择器中的检测器的欧式距离;
步骤202:若所述欧式距离不大于设定阈值,则基于所述欧式距离从大到小进行排序,按排序选择设定数量的检测器进行克隆,得到当前低阻故障类型的故障检测器;否则,将未匹配的检测器的检测半径减少设定距离;
步骤203:重复所述步骤201和步骤202,直至构建完成所有低阻故障类型的故障检测器,得到故障识别模型;
所述克隆后的检测器,包括:变异检测器样本和未变异检测器样本。
一种配电网运行状态识别系统,其特征在于,所述系统,包括:
监测量采集模块:采集配电网状态监测量;
运行状态获取模块:将采集到的配电网状态监测量带入预先构建的故障识别模型,得到所述配网运行状态;
其中,所述配电网状态监测量包括:三相电压、三相电流及零序量;
其中,所述故障识别模型基于HHT分析得到的故障特征向量构建;
所述故障特征向量包括:低阻故障特征向量和高阻故障特征向量。
优选的,所述系统还包括,故障识别建模模块;
所述故障识别建模模块,包括:
计算集构建子模块:获取配电网的历史运行状态及监测量,并根据所述历史运行状态及监测量构建低阻故障计算集和高阻故障计算集;
低阻阴性选择器构建子模块:基于所述低阻故障计算集构建低阻阴性选择器;
高阻阴性选择器构建子模块:基于高阻故障计算集,通过对阴性选择器进行训练,构建高阻阴性选择器;
故障识别框架构建子模块:基于所述低阻阴性选择器和所述高阻阴性选择器,得到故障识别框架;
其中,所述运行状态,包括:单相低阻接地状态、两相接地状态、两相短路状态、三相故障状态、单相高阻接地状态和正常状态。
优选的,所述计算集构建子模块,包括:
状态样本集构建单元:将所述历史监测量设为样本数据,并基于所述样本数据和对应的运行状态构建状态样本集{S0,l};
低阻故障训练集构建单元:从所述状态样本集{S0,l}中提取低阻故障特征向量,构建低阻故障训练集{S1,l};
高阻故障训练集构建单元:从所述状态样本集{S0,l}中提取高阻故障特征向量,构建高阻故障训练集{S2,l};
归一化处理单元:分别将所述低阻故障训练集和所述高阻故障训练集归一化处理,得到低阻故障计算集{S′1,l}和高阻故障计算集{S′2,l};
其中,S0为监测量,S1为低阻故障检测量的特征向量,S2为高阻故障检测量的特征向量,S′1为归一化处理后低阻故障监测量的特征向量,S′2为归一化处理后高阻故障监测量的特征向量,l为样本状态。
与现有技术相比,本发明的有益效果为:
本发明提供的技术方案,包括:采集配电网状态监测量;将采集到的配电网状态监测量带入预先构建的故障识别模型,得到所述配网运行状态;其中,所述配电网状态监测量包括:三相电压、三相电流及零序量;其中,所述故障识别模型基于HHT分析得到的故障特征向量构建;所述故障特征向量包括:低阻故障特征向量和高阻故障特征向量。本方案利用HHT分析方法对高阻故障特征进行提取,形成更有利于识别出配网故障类型的特征向量,进而使用阴性选择算法训练出阴性选择器来辨识异常状态,最后对阴性选择器进行改进训练,生成可分类异常状态的改进阴性选择器,从而保证框架的识别正确率,降低配网单相高阻接地故障的漏判率,有效实现了小样本下配网故障状态的准确辨识,对于配电网高阻故障识别具有重要意义。
此外,本方案中通过低阻故障计算集对低阻阴性选择器进行训练,得到了能够识别具体故障类型的低阻阴性选择器,提高了故障辨识的精准度。
附图说明
图1为本发明的一种配电网运行状态识别方法流程图;
图2为本发明的故障识别框架构建流程图;
图3为本发明实施例中故障辨识流程图;
图4为本发明实施例中阴性选择器构建流程图;
图5为本发明实施例中低阻阴性选择器构建流程图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:
本实施例提供了一种配电网运行状态识别方法,方法流程图如图1所示:
Step1:采集配电网状态监测量。
Step2:将采集到的配电网状态监测量带入预先构建的故障识别模型,得到所述配网运行状态。
构建故障识别框架,构建流程图,如图2所示。
步骤1:利用搭建的配网模型生成大量的正常状态样本及少量的故障样本,各状态样本构成此配网的状态样本集{S0,l}。其中,通过电力系统暂态仿真模拟电力系统故障情况下的动态过程数据,故障样本包括四种低阻故障(单相低阻接地故障、两相接地故障、两相短路故障、三相故障)样本及单相高阻接地故障样本。样本集输入S0是配网采集点处收集到的状态监测量,包括三相电压、三相电流及零序量。样本集输出l是配网运行状态,通过分类标签形式表示:1表示单相低阻接地故障,2表示两相接地故障,3表示两相短路故障,4表示三相故障,5表示单相高阻接地故障,6表示正常状态;
步骤2:根据样本集提取低阻故障特征变量向量,形成识别低阻故障训练集1{S1,l},即低阻特征变量向量集。根据样本集提取高阻故障特征变量向量,形成识别高阻故障训练集2{S2,l},即高阻特征变量向量集;
步骤3:分别对2种训练集的特征变量各自进行归一化处理:其中,X为样本某特征变量的真实值,Xmin为所有样本此特征变量的真实最小值,Xmax为所有样本此特征变量的真实最大值,x为样本此特征变量的归一值,归一化后得到2种计算集{S′1,l}、{S′2,l}。
步骤4:确定训练参数,基于2种正常状态计算集{S′1,6}、{S′2,6}分别进行阴性选择器训练,形成可识别低阻故障的阴性选择器1,可识别高阻故障的阴性选择器2。
步骤5:确定训练参数,基于低阻故障计算集1{S′1,1-4}对阴性选择器1进行改进分类训练,生成可分类低阻故障的改进阴性选择器1,形成配电网运行状态识别框架。
步骤2所述特征变量向量提取包括低阻故障特征变量向量和高阻故障特征变量向量,对配网的状态样本集{S0,l}的分别进行低阻故障特征提取和高阻故障特征提取,这个过程包括以下步骤:
步骤2.1:输入为状态样本集{S0,l},输出为识别低阻故障训练集1{S1,l}(为稳态特征),对状态样本集进行基于状态量相对变化程度的低阻故障稳态特征提取;
步骤2.2:输入为状态样本集{S0,l},输出为识别高阻故障训练集2{S2,l}(经过HHT提取的暂态特征),对状态样本集进行基于Hilbert-Huang变换(HHT)分析方法的高阻故障暂态特征提取;
所述步骤4中,训练参数包括:随机检测器个数N,预设匹配度阈值λ;对正常状态的计算集采用阴性选择算法训练获得成熟的检测器集从而形成识别异常状态的阴性选择器。以正常状态计算集1{S′1,6}训练得到阴性选择器1为例,阴性选择器2同理,阴性选择器构建流程图,如图4所示,包括以下步骤:
步骤4.1:根据正常状态计算集1{S′1,6}的维度,随机生成N个检测器;
步骤4.2:执行循环i=1到i=N;
步骤4.3:计算第i个随机生成的检测器与正常状态计算集1{S′1,6}(自体集)中每一个正常状态样本之间的匹配度d,匹配度d用欧式距离进行计算;
步骤4.4:若两者匹配,即有一个匹配度d不大于预设匹配度阈值λ,则删除此检测器。若不匹配,即每一个匹配度d都大于λ,则保留在检测器集D中,检测器半径为min(d-λ)。对第i+1个随机生成的检测器进行匹配度判断;
步骤4.5:判断循环是否完成,若是则结束循环并保存检测器集D,即形成步骤4所述可识别低阻故障的阴性选择器1。
所述步骤5中,训练参数包括:预设匹配度阈值λ′,克隆个数Nc,亲和度阈值sc;利用低阻故障计算集1{S′1,1-4}对阴性选择器1进行改进及分类训练,从而生成可分类低阻故障的改进阴性选择器1,低阻阴性选择器构建流程图,如图5所示,包括以下步骤:
步骤5.1:输入低阻故障计算集1{S′1,1-4}并执行循环j=1到j=4;
步骤5.2:依次输入低阻故障类型j的样本,判断此样本与检测器集D是否匹配;若不匹配跳转步骤5.3;若匹配则跳转步骤5.4。
步骤5.3:若样本与检测器集D不匹配,则判断样本与自体集是否匹配,若匹配则为正常状态样本,将样本加入到自体集中;若不匹配则将样本加入到检测器集D中,半径同样为min(d-λ)。通过此步骤可以有效减小阴性选择算法的黑洞范围。
步骤5.4:计算样本与更新后的检测器集D里每个检测器间的亲和度。亲和度的计算方法与匹配度相同。
步骤5.5:选择Nc个高亲和力的检测器进行克隆,越高亲和力检测器的克隆数目越多。
步骤5.6:克隆检测器产生变异,越低亲和力检测器的变异率越高。
步骤5.7:计算样本与经过克隆及变异后的检测器集中每个检测器间的亲和度,若某个检测器与样本间的亲和度小于亲和度阈值sc,则认为两者亲和度高,保留亲和度高的检测器作为故障类型检测器,标记为j。
步骤5.8:输入此故障类型的下一个样本,返回步骤5.2,直至此类型样本全部输入,生成故障类型j检测器集fj。对第j+1种类型低阻故障样本进行上述操作,生成故障类型j+1检测器集fj+1。
步骤5.9:判断循环是否完成,若是则结束循环,并保存4种低阻故障类型检测器集f1、f2、f3、f4,共同构成低阻故障分类器F,即形成步骤5所述可分类低阻故障的改进阴性选择器1。
所述步骤2.1中,对低阻故障稳态特征提取过程如下:
式中,Ia,b,c_before、Ia,b,c_after分别表示相邻前、后一个周期的三相电流,ΔIa,b,c表示三相电流的相对变化程度。
(2)同理,对状态样本集{S0,l}中的三相电压计算三相电压量的相对变化程度。
(3)提取出[ΔIa,ΔIb,ΔIc,ΔVa,ΔVb,ΔVc]作为低阻故障特征变量向量,对低阻故障进行辨识。形成识别低阻故障训练集1{S1,l}。
所述步骤2.2中,对高阻故障暂态特征提取过程如下:
(1)得到IMF分量的瞬时幅值及瞬时频率:
对状态样本集{S0,l}中的零序电压进行HHT分析,可得到零序电压的Hilbert幅值谱,它由一系列本征模态信号(IMF)组成,可反映出IMF分量的瞬时幅值及瞬时频率。
(2)获取所述IMF分量的设定阶数作为高阻故障特征变量向量,对高阻故障进行辨识,得到高阻故障训练集:
基于上述的一种配电网运行状态识别方法,进行故障辨识,故障辨识流程图,如图3所示。
实施例二:
本实施例提供了一种配电网运行状态识别系统,包括:
监测量采集模块:采集配电网状态监测量;
运行状态获取模块:将采集到的配电网状态监测量带入预先构建的故障识别模型,得到所述配网运行状态;
其中,所述配电网状态监测量包括:三相电压、三相电流及零序量;
其中,所述故障识别模型基于HHT分析得到的故障特征向量构建;
所述故障特征向量包括:低阻故障特征向量和高阻故障特征向量。
所述系统还包括,故障识别建模模块;
所述故障识别建模模块,包括:
计算集构建子模块:获取配电网的历史运行状态及监测量,并根据所述历史运行状态及监测量构建低阻故障计算集和高阻故障计算集;
低阻阴性选择器构建子模块:基于所述低阻故障计算集构建低阻阴性选择器;
高阻阴性选择器构建子模块:基于高阻故障计算集,通过对阴性选择器进行训练,构建高阻阴性选择器;
故障识别框架构建子模块:基于所述低阻阴性选择器和所述高阻阴性选择器,得到故障识别框架;
其中,所述运行状态,包括:单相低阻接地状态、两相接地状态、两相短路状态、三相故障状态、单相高阻接地状态和正常状态。
所述计算集构建子模块,包括:
状态样本集构建单元:将所述历史监测量设为样本数据,并基于所述样本数据和对应的运行状态构建状态样本集{S0,l};
低阻故障训练集构建单元:从所述状态样本集{S0,l}中提取低阻故障特征向量,构建低阻故障训练集{S1,l};
高阻故障训练集构建单元:从所述状态样本集{S0,l}中提取高阻故障特征向量,构建高阻故障训练集{S2,l};
归一化处理单元:分别将所述低阻故障训练集和所述高阻故障训练集归一化处理,得到低阻故障计算集{S′1,l}和高阻故障计算集{S′2,l};
其中,S0为监测量,S1为低阻故障检测量的特征向量,S2为高阻故障检测量的特征向量,S′1为归一化处理后低阻故障监测量的特征向量,S′2为归一化处理后高阻故障监测量的特征向量,l为样本状态。
所述低阻故障训练集构建单元,包括:
相对变化程度集合获取子单元:基于状态样本集{S0,l}中的监测量分别计算三相电流和三相电压的相对变化程度,得到相对变化程度集合;
低阻故障训练集获取子单元:基于相对变化程度集合,对低阻故障进行辨识,得到低阻故障训练集{S1,l}。
所述相对变化程度集合获取子单元通过下式获取三相电流的变化程度:
其中,ΔIa,b,c为三相电流的变化程度,Ia,b,c_before为前一周期的三相电流,Ia,b,c_after为后一周期的三相电流;
所述相对变化程度集合获取子单元,通过下式获取三相电压的变化程度:
其中,ΔUa,b,c为三相电压的变化程度,Ua,b,c_before为前一周期的三相电压,Ua,b,c_after为后一周期的三相电压。
所述高阻故障训练集构建单元,包括:
HHT分析子单元:从所述状态样本集{S0,l}中提取零序电压对应的样本,并HHT分析得到高阻故障训练集{S2,l}。
所述低阻阴性选择器构建子模块,包括:
初始低阻阴性选择器构建单元:基于所述低阻故障计算集,通过对阴性选择器进行训练,构建初始低阻阴性选择器;
低阻阴性选择器构建的单元:基于所述低阻故障计算集,对初始低阻阴性选择器进行训练,得到可识别低阻故障类型的低阻阴性选择器。
所述高阻阴性选择器构建子模块和初始低阻阴性选择器构建单元中,包括:
检测器生成子单元:根据所述低阻故障计算集或高阻故障计算集的维度,随机生成设定数量的检测器;
匹配度计算子单元:依次计算所述检测器中的样本数据与所述低阻故障计算集或高阻故障计算集的样本数据的欧式距离,作为匹配度;
判断子单元:当所有样本的匹配度都大于设定阈值时,将所述欧式距离与设定阈值作差,将最小差值作为当前检测器的检测半径,保留至检测器集中,得到初始低阻阴性选择器或高阻阴性选择器;否则,删除当前检测器;直至所有检测器完成检测,得到初始低阻阴性选择器或高阻阴性选择器。
所述低阻阴性选择器构建的单元,包括:
欧式距离计算子单元:在所述低阻阴性选择器中,依次输入低阻故障计算集中的低阻故障数据,并计算所述低阻故障数据与所述低阻阴性选择器中的检测器的欧式距离;
判断子单元:若所述欧式距离不大于设定阈值,则基于所述欧式距离从大到小进行排序,按排序选择设定数量的检测器进行克隆,得到当前低阻故障类型的故障检测器;否则,将未匹配的检测器的检测半径减少设定距离;
循环子单元:通过循环所述欧式距离计算子单元和所述判断子单元,直至构建完成所有低阻故障类型的故障检测器,得到故障识别模型;
所述克隆后的检测器,包括:变异检测器样本和未变异检测器样本。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (12)
1.一种配电网运行状态识别方法,其特征在于,包括:
采集配电网状态监测量;
将采集到的配电网状态监测量带入预先构建的故障识别模型,得到所述配网运行状态;
其中,所述配电网状态监测量包括:三相电压、三相电流及零序量;
其中,所述故障识别模型基于HHT分析得到的故障特征向量构建;
所述故障特征向量包括:低阻故障特征向量和高阻故障特征向量。
2.如权利要求1所述的方法,其特征在于,所述故障识别模型的构建包括:
获取配电网的历史运行状态及监测量,并根据所述历史运行状态及监测量构建低阻故障计算集和高阻故障计算集;
基于所述低阻故障计算集构建低阻阴性选择器;
基于高阻故障计算集,通过对阴性选择器进行训练,构建高阻阴性选择器;
基于所述低阻阴性选择器和所述高阻阴性选择器,得到故障识别框架;
其中,所述运行状态,包括:单相低阻接地状态、两相接地状态、两相短路状态、三相故障状态、单相高阻接地状态和正常状态。
3.如权利要求2所述的方法,其特征在于,所述获取配电网的历史运行状态及监测量,并根据所述历史运行状态及监测量构建低阻故障计算集和高阻故障计算集,包括:
将所述历史监测量设为样本数据,并基于所述样本数据和对应的运行状态构建状态样本集{S0,l};
从所述状态样本集{S0,l}中提取低阻故障特征向量,构建低阻故障训练集{S1,l};
从所述状态样本集{S0,l}中提取高阻故障特征向量,构建高阻故障训练集{S2,l};
分别将所述低阻故障训练集和所述高阻故障训练集归一化处理,得到低阻故障计算集{S′1,l}和高阻故障计算集{S′2,l};
其中,S0为监测量,S1为低阻故障检测量的特征向量,S2为高阻故障检测量的特征向量,S′1为归一化处理后低阻故障监测量的特征向量,S′2为归一化处理后高阻故障监测量的特征向量,l为样本状态。
4.如权利要求3所述的方法,其特征在于,所述从所述状态样本集{S0,l}中提取低阻故障向量,构建低阻故障训练集{S1,l},包括:
基于状态样本集{S0,l}中的监测量分别计算三相电流和三相电压的相对变化程度,得到相对变化程度集合;
基于相对变化程度集合,对低阻故障进行辨识,得到低阻故障训练集{S1,l}。
6.如权利要求3所述的方法,其特征在于,所述从所述状态样本集{S0,l}中提取高阻故障向量,构建高阻故障训练集{S2,l},包括:
从所述状态样本集{S0,l}中提取零序电压对应的样本,并进行Hilbert-Huang变换(HHT)分析得到高阻故障训练集{S2,l}。
7.如权利要求2所述的方法,其特征在于,所述基于所述低阻故障计算集构建低阻阴性选择器,包括:
基于所述低阻故障计算集,通过对阴性选择器进行训练,构建初始低阻阴性选择器;
基于所述低阻故障计算集,对初始低阻阴性选择器进行训练,得到可识别低阻故障类型的低阻阴性选择器。
8.如权利要求3或7所述的方法,其特征在于,所述对阴性选择器进行训练,包括:
步骤101:根据所述低阻故障计算集或高阻故障计算集的维度,随机生成设定数量的检测器;
步骤102:依次计算所述检测器中的样本数据与所述低阻故障计算集或高阻故障计算集的样本数据的欧式距离,作为匹配度;
步骤103:当所有样本的匹配度都大于设定阈值时,将所述欧式距离与设定阈值作差,将最小的差值作为当前检测器的检测半径,保留至检测器集中,得到初始低阻阴性选择器或高阻阴性选择器;否则,删除当前检测器;
步骤104:重复所述步骤102和步骤103,直至所有检测器完成检测,得到初始低阻阴性选择器或高阻阴性选择器。
9.如权利要求7所述的方法,其特征在于,所述基于所述低阻故障计算集,将所述低阻阴性选择器进行训练,构建可识别低阻故障类型的低阻阴性选择器,包括:
步骤201:在所述低阻阴性选择器中,依次输入低阻故障计算集中的低阻故障数据,并计算所述低阻故障数据与所述低阻阴性选择器中的检测器的欧式距离;
步骤202:若所述欧式距离不大于设定阈值,则基于所述欧式距离从大到小进行排序,按排序选择设定数量的检测器进行克隆,得到当前低阻故障类型的故障检测器;否则,将未匹配的检测器的检测半径减少设定距离;
步骤203:重复所述步骤201和步骤202,直至构建完成所有低阻故障类型的故障检测器,得到故障识别模型;
所述克隆后的检测器,包括:变异检测器样本和未变异检测器样本。
10.一种配电网运行状态识别系统,其特征在于,所述系统,包括:
监测量采集模块:采集配电网状态监测量;
运行状态获取模块:将采集到的配电网状态监测量带入预先构建的故障识别模型,得到所述配网运行状态;
其中,所述配电网状态监测量包括:三相电压、三相电流及零序量;
其中,所述故障识别模型基于HHT分析得到的故障特征向量构建;
所述故障特征向量包括:低阻故障特征向量和高阻故障特征向量。
11.如权利要求10所述的系统,其特征在于,所述系统还包括,故障识别建模模块;
所述故障识别建模模块,包括:
计算集构建子模块:获取配电网的历史运行状态及监测量,并根据所述历史运行状态及监测量构建低阻故障计算集和高阻故障计算集;
低阻阴性选择器构建子模块:基于所述低阻故障计算集构建低阻阴性选择器;
高阻阴性选择器构建子模块:基于高阻故障计算集,通过对阴性选择器进行训练,构建高阻阴性选择器;
故障识别框架构建子模块:基于所述低阻阴性选择器和所述高阻阴性选择器,得到故障识别框架;
其中,所述运行状态,包括:单相低阻接地状态、两相接地状态、两相短路状态、三相故障状态、单相高阻接地状态和正常状态。
12.如权利要求11所述的系统,其特征在于,所述计算集构建子模块,包括:
状态样本集构建单元:将所述历史监测量设为样本数据,并基于所述样本数据和对应的运行状态构建状态样本集{S0,l};
低阻故障训练集构建单元:从所述状态样本集{S0,l}中提取低阻故障特征向量,构建低阻故障训练集{S1,l};
高阻故障训练集构建单元:从所述状态样本集{S0,l}中提取高阻故障特征向量,构建高阻故障训练集{S2,l};
归一化处理单元:分别将所述低阻故障训练集和所述高阻故障训练集归一化处理,得到低阻故障计算集{S′1,l}和高阻故障计算集{S′2,l};
其中,S0为监测量,S1为低阻故障检测量的特征向量,S2为高阻故障检测量的特征向量,S′1为归一化处理后低阻故障监测量的特征向量,S′2为归一化处理后高阻故障监测量的特征向量,l为样本状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489807.9A CN112051479A (zh) | 2019-06-06 | 2019-06-06 | 一种配电网运行状态识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910489807.9A CN112051479A (zh) | 2019-06-06 | 2019-06-06 | 一种配电网运行状态识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112051479A true CN112051479A (zh) | 2020-12-08 |
Family
ID=73609635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910489807.9A Pending CN112051479A (zh) | 2019-06-06 | 2019-06-06 | 一种配电网运行状态识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112051479A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447766A (zh) * | 2021-08-17 | 2021-09-28 | 广东电网有限责任公司东莞供电局 | 一种高阻接地故障的检测方法、装置、设备和存储介质 |
CN115965080A (zh) * | 2022-11-07 | 2023-04-14 | 河海大学 | 新能源发电单元运行状态识别方法、装置及存储介质 |
-
2019
- 2019-06-06 CN CN201910489807.9A patent/CN112051479A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447766A (zh) * | 2021-08-17 | 2021-09-28 | 广东电网有限责任公司东莞供电局 | 一种高阻接地故障的检测方法、装置、设备和存储介质 |
CN115965080A (zh) * | 2022-11-07 | 2023-04-14 | 河海大学 | 新能源发电单元运行状态识别方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897821B (zh) | 一种暂态评估特征选择方法及装置 | |
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 | |
CN105512799B (zh) | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 | |
CN110108992B (zh) | 基于改进随机森林算法的电缆局放故障识别方法、系统 | |
EP3422518B1 (en) | A method for recognizing contingencies in a power supply network | |
CN109145948A (zh) | 一种基于集成学习的注塑机堵料异常检测方法 | |
CN111160241B (zh) | 一种基于深度学习的配电网故障分类方法、系统和介质 | |
CN112748359A (zh) | 一种基于随机森林的配电网接地故障辨识方法及系统 | |
EP3422517A1 (en) | A method for recognizing contingencies in a power supply network | |
CN113391164A (zh) | 一种配电网单相接地故障智能化识别方法及装置 | |
CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
CN112051479A (zh) | 一种配电网运行状态识别方法及系统 | |
CN110298369A (zh) | 一种电力系统不良数据的辨识方法及系统 | |
CN111881159B (zh) | 一种基于代价敏感极端随机森林的故障检测方法及装置 | |
CN112017070A (zh) | 一种基于数据增强评估电力系统暂态稳定的方法及系统 | |
CN110632546A (zh) | 基于全网域证据集的电子式互感器可信度评估方法和装置 | |
CN116522153A (zh) | 锂电池容量预测方法、装置、计算机设备和存储介质 | |
CN112327104A (zh) | 一种含分布式电源配电网的故障检测与定位方法 | |
CN111898637A (zh) | 一种基于ReliefF-DDC特征选择算法 | |
CN108256274B (zh) | 基于搜索吸引子误差算法的电力系统状态识别方法 | |
CN110824297B (zh) | 一种基于svm支持向量机的单相接地故障判别方法和装置 | |
CN105224954A (zh) | 一种基于Single-pass去除小话题影响的话题发现方法 | |
CN112016774A (zh) | 一种基于数据增强技术的配网运行状态辨识方法及系统 | |
CN105608460A (zh) | 多分类器融合方法和系统 | |
Megherbi et al. | Parameter identification of induction motors using variable-weighted cost function of genetic algorithms |
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 |