CN112098889B - 一种基于神经网络和特征矩阵的单相接地故障定位方法 - Google Patents
一种基于神经网络和特征矩阵的单相接地故障定位方法 Download PDFInfo
- Publication number
- CN112098889B CN112098889B CN202010943049.6A CN202010943049A CN112098889B CN 112098889 B CN112098889 B CN 112098889B CN 202010943049 A CN202010943049 A CN 202010943049A CN 112098889 B CN112098889 B CN 112098889B
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- feature matrix
- method based
- phase earth
- 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
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000001052 transient effect Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G01R31/50—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
- G01R23/163—Spectrum analysis; Fourier analysis adapted for measuring in circuits having distributed constants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于神经网络和特征矩阵的单相接地故障定位方法，其技术方案包括以下步骤：步骤1，提取现场采集数据集的特征，将提取的特征作为神经网络的输入；步骤2，结合现场拓扑图及实际故障判定结果，对采集数据集进行添加标签处理；步骤3，将所有特征进行归一化处理，并将处理后的数据集划分为训练集和测试集；步骤4，神经网络模型调参、训练、测试，输出故障向量；步骤5，通过现场拓扑图建立节点特征矩阵，结合故障向量得到故障信息特征矩阵；步骤6，划分故障区段，计算故障测度，确定故障区段位置。本发明实现简单，无需增加其它硬件设备，只需对故障指示器测量的电压电流数据进行本地判断即可较准确地获得故障点所在区段位置。
Description
技术领域
本发明涉及中压配电网技术领域，尤其涉及一种基于神经网络和特征矩阵的单相接地故障定位方法。
背景技术
配电网的运行状态对电网的稳定运行至关重要，单相接地故障是配电系统中最常见的故障，单相接地不仅影响了用户的正常供电，而且可能产生过电压，过电压会导致设备损坏，甚至引起相间短路而扩大事故。然而中压配电网终端数量庞大，接地方式多种多样，数据复杂，仅靠单一故障诊断方法难以进行准确定位，尤其在某些台区存在严重的设备老化问题，故障特征较模糊，给故障定位带来巨大的困难。
发明内容
本发明针对现有技术存在的不足和缺陷，提出了一种基于神经网络和特征矩阵的单相接地故障定位方法，根据故障指示器采集到的电压电流数据来提取特征并输入至模型，计算出结果，实现较准确的故障定位，方法实现简单，可以实现多判据融合，并且支持实时计算，具有很好的实用性。
为了实现上述发明目的，本发明采取如下技术方案：
一种基于神经网络和特征矩阵的单相接地故障定位方法，包括以下步骤：
步骤1：对现场采集数据集进行特征提取，将提取的特征作为神经网络的输入；
步骤2：结合现场拓扑图及实际故障判定结果，对采集数据集进行添加标签处理；
步骤3：将所有特征进行归一化处理，并将处理后的数据集划分为训练集和测试集；
步骤4：神经网络模型调参、训练、测试，输出故障向量；
步骤5：通过现场拓扑图建立节点特征矩阵，结合故障向量得到故障信息特征矩阵；
步骤6：划分故障区段，计算故障测度，确定故障区段位置。
进一步地，所述步骤1中提取的特征包括相似度、暂态特征值、基波幅值、基波与电压相位差、3次谐波幅值+5次谐波幅值及5次谐波与电压相位差，其中相似度ρ计算公式如下：
式中，i01和i02分别为工频零序电流数据和工频零序电压导数数据，n为采样序列，采样起始点n＝1为故障发生时刻，N为零序电流信号的数据长度，m为零序电压导数数据平移点数，改变m的值使相似度ρ(m)最大，ρmax即为最终相似度计算结果；
暂态特征值W计算公式如下：
式中，i0x为暂态零序电流值，u0为暂态零序电压值。
进一步地，所述基波幅值、基波与电压相位差、3次谐波幅值+5次谐波幅值和5次谐波与电压相位差的值获取方法均为快速傅里叶变换(FFT)。
进一步地，所述步骤2中结合现场拓扑图及实际故障判定结果，对采集数据集进行添加标签处理，故障范围内标记为1，故障范围外标记为-1。
进一步地，所述步骤3中为解决数据不均衡问题，划分训练集和测试集时用到的方法为分层抽样。
进一步地，所述步骤5根据现场拓扑图建立节点特征矩阵的过程中，先对各个节点进行标号，并确定参考方向：以变电站电源指向负荷端的方向为主干线及各个分支的参考方向。
节点矩阵D中的元素赋值原则如下：
若i<j，节点i与j之间存在支路，且i指向j的方向与参考方向相同，则dij＝1；
若i<j，节点i与j之间存在支路，且i指向j的方向与参考方向相反，则dij＝-1；
若i≥j，或者节点i与j之间不存在支路，则dij＝0。
进一步地，所述步骤5中用故障向量替代节点特征矩阵的对角线，得到故障信息特征矩阵。
进一步地，所述步骤6中故障区段的划定标准为：故障测度非负并且值最小的区段为故障区段。
进一步地，所述故障测度的计算公式为：
Mk＝∑mij
mij＝pii+pjjpij
其中Mk表示第k个区段的故障测度；mij表示该区段包含的某条支路的故障测度；pii,pjj,pij表示该支路所对应的故障信息特征矩阵中的元素。
本发明的有益效果是：通过零序电流和零序电压计算各个特征数据，将特征数据输入神经网络模型中获取故障向量，之后将故障向量与包含拓扑信息的节点特征矩阵相结合得到故障信息特征矩阵，根据故障信息特征矩阵计算各区段的故障测度，最后比较故障测度获得较准确的定位结果。方法实现简单，可以实现多判据融合，并且支持实时计算，具有很好的实用性。
附图说明
图1为本发明的总体流程图。
图2为本发明实施例提供的某现场拓扑图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不限定本发明。实施例。
结合附图1，一种基于神经网络和特征矩阵的单相接地故障定位方法，包括以下步骤：
步骤1：对现场采集数据集进行特征提取，将提取的特征作为神经网络的输入。提取的特征包括相似度、暂态特征值、基波幅值、基波与电压相位差、3次谐波幅值+5次谐波幅值及5次谐波与电压相位差，其中相似度ρ计算公式如下：
式中，i01和i02分别为工频零序电流数据和工频零序电压导数数据，n为采样序列，采样起始点n＝1为故障发生时刻，N为零序电流信号的数据长度，m为零序电压导数数据平移点数，改变m的值使相似度ρ(m)最大，ρmax即为最终相似度计算结果；
暂态特征值W计算公式如下：
式中，i0x为暂态零序电流值，u0为暂态零序电压值。
提取的特征中，基波幅值、基波与电压相位差、3次谐波幅值+5次谐波幅值和5次谐波与电压相位差的值获取方法均为快速傅里叶变换(FFT)。
步骤2：结合现场拓扑图及实际故障判定结果，对采集数据集进行添加标签处理，故障范围内标记为1，故障范围外标记为-1。
步骤3：将所有特征进行归一化处理，并将处理后的数据集划分为训练集和测试集；为解决数据不均衡问题，划分训练集和测试集时用到的方法为分层抽样。
步骤4：神经网络模型调参、训练、测试，输出故障向量。图2所示为某现场拓扑图，包括6个故指测量点，划分为3个区段，还标注了故障发生位置。神经网络模型训练完毕后，对其6组故指测量点数据提取特征并输入神经网络模型，得到故障向量X＝[1,1,-1,-1,-1,-1]，又因故指测量点3、4、6为线路末端，X变为[1,1,0,0,-1,0]。
步骤5：通过现场拓扑图建立节点特征矩阵，根据现场拓扑图建立节点特征矩阵的过程中，先对各个节点进行标号，并确定参考方向：以变电站电源指向负荷端的方向为主干线及各个分支的参考方向。故障向量替代节点特征矩阵的对角线，得到故障信息特征矩阵。图2的节点特征矩阵和故障信息特征矩阵分别为：
步骤6：划分故障区段，计算故障测度，确定故障区段位置。
节点矩阵D中的元素赋值原则如下：
若i<j，节点i与j之间存在支路，且i指向j的方向与参考方向相同，则dij＝1；
若i<j，节点i与j之间存在支路，且i指向j的方向与参考方向相反，则dij＝-1；
若i≥j，或者节点i与j之间不存在支路，则dij＝0。
故障区段的划定标准为：故障测度非负并且值最小的区段为故障区段。
故障测度的计算公式为：
mk＝∑mij
mij＝pii+pjjpij
其中Mk表示第k个区段的故障测度；mij表示该区段包含的某条支路的故障测度；pii,pjj,pij表示该支路所对应的故障信息特征矩阵中的元素。
图2所示不同区段故障测度数据计算结果如下：
发现区段II故障测度非负并且值最小，为故障区段，与实际一致。
上述实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可做出各种变换和变化以得到相对应的等同的技术方案，因此所有等同的技术方案均应归入本发明的专利保护范围。
Claims (8)
1.一种基于神经网络和特征矩阵的单相接地故障定位方法，其特征在于，包括以下步骤：
步骤1：对现场采集数据集进行特征提取，将提取的特征作为神经网络的输入；提取的特征包括相似度、暂态特征值、基波幅值、基波与电压相位差、3次谐波幅值+5次谐波幅值及5次谐波与电压相位差，其中相似度ρ计算公式如下：
式中，i01和i02分别为工频零序电流数据和工频零序电压导数数据，n为采样序列，采样起始点n＝1为故障发生时刻，N为零序电流信号的数据长度，m为零序电压导数数据平移点数，改变m的值使相似度ρ(m)最大，ρmax即为最终相似度计算结果；
暂态特征值W计算公式如下：
式中，i0x为暂态零序电流值，u0为暂态零序电压值；
步骤2：结合现场拓扑图及实际故障判定结果，对采集数据集进行添加标签处理；
步骤3：将所有特征进行归一化处理，并将处理后的数据集划分为训练集和测试集；
步骤4：神经网络模型调参、训练、测试，输出故障向量；
步骤5：通过现场拓扑图建立节点特征矩阵，结合故障向量得到故障信息特征矩阵；
步骤6：划分故障区段，计算故障测度，确定故障区段位置。
2.根据权利要求1所述的一种基于神经网络和特征矩阵的单相接地故障定位方法，其特征在于，所述基波幅值、基波与电压相位差、3次谐波幅值+5次谐波幅值和5次谐波与电压相位差的值获取方法均为快速傅里叶变换(FFT)。
3.根据权利要求1所述的一种基于神经网络和特征矩阵的单相接地故障定位方法，其特征在于，所述步骤2中结合现场拓扑图及实际故障判定结果，对采集数据集进行添加标签处理，故障范围内标记为1，故障范围外标记为-1。
4.根据权利要求1所述的一种基于神经网络和特征矩阵的单相接地故障定位方法，其特征在于，所述步骤3中为解决数据不均衡问题，划分训练集和测试集时用到的方法为分层抽样。
5.根据权利要求1所述的一种基于神经网络和特征矩阵的单相接地故障定位方法，其特征在于，所述步骤5根据现场拓扑图建立节点特征矩阵的过程中，先对各个节点进行标号，并确定参考方向：以变电站电源指向负荷端的方向为主干线及各个分支的参考方向；
节点矩阵D中的元素赋值原则如下：
若i<j，节点i与j之间存在支路，且i指向j的方向与参考方向相同，则dij＝1；
若i<j，节点i与j之间存在支路，且i指向j的方向与参考方向相反，则dij＝-1；
若i≥j，或者节点i与j之间不存在支路，则dij＝0。
6.根据权利要求1所述的一种基于神经网络和特征矩阵的单相接地故障定位方法，其特征在于，所述步骤5中用故障向量替代节点特征矩阵的对角线，得到故障信息特征矩阵。
7.根据权利要求1所述的一种基于神经网络和特征矩阵的单相接地故障定位方法，其特征在于，所述步骤6中故障区段的划定标准为：故障测度非负并且值最小的区段为故障区段。
8.根据权利要求7所述的一种基于神经网络和特征矩阵的单相接地故障定位方法，其特征在于，所述故障测度的计算公式为：
Mk＝∑mij
mij＝pii+pjjpij
其中Mk表示第k个区段的故障测度；mij表示该区段包含的某条支路的故障测度；pii,pjj,pij表示该支路所对应的故障信息特征矩阵中的元素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010943049.6A CN112098889B (zh) | 2020-09-09 | 2020-09-09 | 一种基于神经网络和特征矩阵的单相接地故障定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010943049.6A CN112098889B (zh) | 2020-09-09 | 2020-09-09 | 一种基于神经网络和特征矩阵的单相接地故障定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112098889A CN112098889A (zh) | 2020-12-18 |
| CN112098889B true CN112098889B (zh) | 2022-03-04 |
Family
ID=73751143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010943049.6A Active CN112098889B (zh) | 2020-09-09 | 2020-09-09 | 一种基于神经网络和特征矩阵的单相接地故障定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112098889B (zh) |
Families Citing this family (4)
| 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 |
| CN113203920B (zh) * | 2021-05-11 | 2023-03-24 | 国网山东省电力公司临沂供电公司 | 一种配电网单相接地故障定位系统及方法 |
| CN113866568A (zh) * | 2021-12-02 | 2021-12-31 | 青岛鼎信通讯股份有限公司 | 一种应用于电力领域的单相接地故障定位方法 |
| CN114814468B (zh) * | 2022-06-20 | 2022-09-20 | 南京工程学院 | 考虑高比例dg接入的配电网单相接地故障智能选线方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 |
| CN109975657A (zh) * | 2019-04-04 | 2019-07-05 | 辽宁工程技术大学 | 基于差动特征值的小电流接地系统单相接地故障选线方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3058564B2 (ja) * | 1994-07-14 | 2000-07-04 | 東京電力株式会社 | 送電線故障区間及び故障様相の評定方法 |
| US20100179935A1 (en) * | 2009-01-13 | 2010-07-15 | Gm Global Technology Operations, Inc. | Spiking dynamical neural network for parallel prediction of multiple temporal events |
| CN102879704B (zh) * | 2012-10-08 | 2014-11-05 | 南京航空航天大学 | 一种高压输电线高阻接地故障多参数数据融合检测方法 |
| CN103001812B (zh) * | 2013-01-06 | 2015-12-02 | 国网山西省电力公司信息通信分公司 | 智能化电力通信故障诊断系统 |
| CN103245893B (zh) * | 2013-04-10 | 2015-12-23 | 昆明理工大学 | 一种基于自然频率的辐射状配网分层分布式ann故障定位方法 |
| CN103884966A (zh) * | 2014-04-15 | 2014-06-25 | 河海大学常州校区 | 基于神经网络的配电网小电流单相接地故障定位方法 |
| CN105184063A (zh) * | 2015-08-26 | 2015-12-23 | 云南电网有限责任公司电力科学研究院 | 一种基于信息融合技术及模糊理论的多判据融合选线方法 |
| CN105391579B (zh) * | 2015-11-25 | 2018-08-24 | 国家电网公司 | 基于关键告警集和监督分类的电力通信网故障定位方法 |
| CN107589342A (zh) * | 2017-09-04 | 2018-01-16 | 云南电网有限责任公司电力科学研究院 | 一种配电网单相接地故障定位方法及系统 |
| CN107870287A (zh) * | 2017-11-08 | 2018-04-03 | 云南电力试验研究院(集团)有限公司 | 一种配电网故障的定位方法 |
| CN110672976B (zh) * | 2019-10-18 | 2021-04-16 | 东北大学 | 基于并联卷积神经网络的多端直流输电线路故障诊断方法 |
-
2020
- 2020-09-09 CN CN202010943049.6A patent/CN112098889B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 |
| CN109975657A (zh) * | 2019-04-04 | 2019-07-05 | 辽宁工程技术大学 | 基于差动特征值的小电流接地系统单相接地故障选线方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112098889A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112098889B (zh) | 一种基于神经网络和特征矩阵的单相接地故障定位方法 | |
| CN112285489B (zh) | 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 | |
| CN109307824B (zh) | 一种基于聚类的配电网单相接地故障区段定位方法 | |
| CN109359271B (zh) | 一种基于逻辑回归的变压器绕组变形程度在线检测方法 | |
| CN109523165B (zh) | 一种基于有限信息的电压暂降状态估计方法 | |
| EP3043186B1 (en) | Method and system for identifying full parameters of element by fault recorder, and fault locating method | |
| AU2020101683A4 (en) | Fault detection, location, and prediction within an electricity power transmission and distribution networks | |
| CN109324269B (zh) | 基于分布式测量的配电网单相断线故障辨识方法 | |
| CN106990324B (zh) | 一种配电网接地故障检测定位方法 | |
| CN107589341B (zh) | 一种基于配电自动化主站的单相接地在线故障定位方法 | |
| CN110554274B (zh) | 一种基于小波奇异信息的自适应权重接地选线方法 | |
| CN107329045B (zh) | 配网故障最小二乘定位方法 | |
| CN111308264B (zh) | 一种基于余弦相似度的配电网单相接地故障区段定位方法 | |
| CN110618314B (zh) | 一种配电系统抗短路故障干扰的谐波责任划分方法 | |
| CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
| Li et al. | A fault pattern and convolutional neural network based single-phase earth fault identification method for distribution network | |
| CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
| CN115932484A (zh) | 输电线路故障辨识与故障测距方法、装置和电子设备 | |
| Penido et al. | An analytical zero sequence method to locate fault in distribution systems rich in DG | |
| Qu et al. | Model-free underground cable incipient fault location using two-terminal zero-sequence measurements | |
| CN103823158A (zh) | 采用不变矩的谐振接地系统故障选线方法 | |
| CN113674106A (zh) | 一种中低压配电网接地故障组合定位方法 | |
| CN113504437A (zh) | 一种中性点小电阻接地配电网单相接地故障区间辨识方法 | |
| CN110058127B (zh) | 非有效接地配电网单相接地故障点识别方法 | |
| CN109375058B (zh) | 一种基于多点监测与电流电压相差二阶差分的故障线路识别方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240102 Address after: 266000 12th floor, 4b building, 858 Huaguan Road, high tech Zone, Qingdao City, Shandong Province Patentee after: QINGDAO TOPSCOMM COMMUNICATION Co.,Ltd. Patentee after: Qingdao Dingxin Communication Power Engineering Co.,Ltd. Address before: 266000 12th floor, 4b building, 858 Huaguan Road, high tech Zone, Qingdao City, Shandong Province Patentee before: QINGDAO TOPSCOMM COMMUNICATION Co.,Ltd. Patentee before: Shenyang Keyuan State Grid Power Engineering Survey and Design Co.,Ltd. |