CN112327104B - 一种含分布式电源配电网的故障检测与定位方法 - Google Patents

Abstract

本发明公开了一种含分布式电源配电网的故障检测与定位方法，该方法步骤如下：步骤一、利用同步相量测量单元对支路三相电流进行采样以获取训练样本数据；步骤二、构建三个深度神经网络并初始化网络参数；步骤三、对训练样本中的三相电流值序列进行离散小波变换并提取统计特征；步骤四、利用梯度下降算法对三个深度神经网络进行训练，并保存训练完成的网络模型用于故障检测。本方法能解决现有技术中故障信息处理不及时、故障类型判断不准确和故障位置无法定位的一系列问题，获得更加精确的故障类型信息和故障位置信息，让整个故障信息处理过程实时进行，从而使得含分布式电源配电网的故障检测更加智能。

Description

一种含分布式电源配电网的故障检测与定位方法

技术领域

本发明属于电力系统保护的技术领域，尤其涉及一种含分布式电源配电网的故障检测与定位方法。

背景技术

含分布式电源配电网是分布式发电机、储能设备、负荷以及其他设备集成在一起的小型配电系统。近年来，随着含分布式电源配电网系统发电效率、电能质量和可靠性的提高，相关应用引起了工业界的广泛关注。然而，故障信息能否及时检测对含分布式电源配电网的控制和运行至关重要，当含分布式电源配电网发生故障时，其保护系统一般需要确定故障类型、不平衡故障中的故障相序和故障位置。确定故障类型和故障相序有利于故障隔离，从而提高系统的可靠性，而确定故障位置可以显著减少后续服务恢复的工作量。

现有的技术大多采用数据驱动和数字信号处理的方法进行含分布式电源配电网故障检测。例如，决策树和随机森林等数字驱动方法被广泛应用于并行含分布式电源配电网和孤岛含分布式电源配电网的故障检测；数字信号处理方法如离散傅里叶变换和离散小波变换等被应用于对输入信号进行“预处理”，以便更好地提取时频特性进行分析；其他机器学习技术，如支持向量机和k近邻算法也被用于故障检测。

但是现有的含分布式电源配电网故障检测方法计算效率比较慢，可能会对产生的故障信息处理不及时，因此处理故障检测的整个过程不能实时进行，而且大多只能给出故障类型，不能定位故障出现的位置，这就使得后续的服务恢复工作变得艰难。此外，现有的故障定位方法主要集中在直流含分布式电源配电网。虽然交流含分布式电源配电网故障定位通常可以通过行波或基于注入的算法来实现，然而行波算法会受到反射波检测和辨别问题的影响。同时，基于注入的算法局限于相对地故障，仅适用于径向拓扑网络。

发明内容

本发明为解决现有技术中故障信息处理不及时、故障类型判断不准确和故障位置无法定位的一系列问题，提供一种含分布式电源配电网的故障检测与定位方法，以期能获得更加精确的故障类型信息和故障位置信息，让整个故障信息处理过程能实时进行，从而使含分布式电源配电网系统的故障检测更加智能。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种含分布式电源配电网的故障检测与定位方法的特点在于：包括如下步骤：

步骤1、对支路三相电流进行采样以获取训练样本数据：

在含分布式电源配电网中，在R条电力线两端安装同步相量测量装置并对支路电流进行采样，得到R条电力线的支路三相电流值序列，第r条电力线支路的a、b、c三相电流值序列记为其中，/>为第r条电力线支路的a相电流值序列，/>为第r条电力线支路的b相电流值序列，/>为第r条电力线支路的c相电流值序列；

获取R条电力线的支路故障信息，其中，第r条电力线支路的故障类型信息记为第r条电力线支路的故障相序信息记为/>第r条电力线支路的故障位置信息记为

由第r条电力线支路的a、b、c三相电流值序列及其支路故障信息构成第r组训练样本从而得到R组训练样本Train＝{Train_r|r∈[1,R]}；

步骤2、构建三个不同的深度神经网络T1、T2、T3，分别用于检测故障类型分类、故障相序识别和故障定位，每个深度神经网络中均包含GRU层、flatten层和全连接层；

定义三个深度神经网络的当前迭代次数为μ，并初始化μ＝1；最大迭代次数为μ_max；

步骤3、初始化r＝1；

步骤4、取出所述第r组训练样本中的三相电流值序列X_r，利用离散小波变换将三相电流值序列X_r中的每一相电流值序列均分解为M级近似系数序列{a_M,k|k∈[1,K]}和小波细节系数序列{d_j,k|j∈[1,M],k∈[1,K]}，从而共得到L＝K×(M+1)个分解后的系数，并将γ相中第l个分解后的系数记为s_l ^γ；其中，a_M,k是层数为k的M级近似系数，d_j,k是级数为j且层数为k的小波细节系数，M为分解的级数，K为每一级分解的层数，γ∈{a,b,c}，l∈[1,L]；

步骤5、构建γ相第l个分解后的系数s_l ^γ的统计特征向量记为V_l ^γ＝{F₁(s_l ^γ),F₂(s_l ^γ),...,F_i(s_l ^γ),...,F_D(s_l ^γ)}，其中，F_i(s_l ^γ)表示γ相第l个分解后的系数s_l ^γ的第i个统计特征，D表示所选统计特征的个数；

步骤6、将所述第r组训练样本中的三相电流值序列X_r输入第μ次迭代的深度神经网络T1中，并经过p₁个GRU层后输出第μ次迭代的深度神经网络T1的第一中间特征向量；

步骤7、将所述统计特征向量{V_l ^γ|γ∈{a,b,c}，l∈[1,L]}输入第μ次迭代的深度神经网络T1中的flatten层进行展平后，得到第μ次迭代的深度神经网络T1的第二中间特征向量；

步骤8、将所述第μ次迭代的深度神经网络T1的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T1的第一融合特征向量，将所述第一融合特征向量输入到第μ次迭代的深度神经网络T1中的q₁个全连接层后，得到第μ次迭代的第一前向输出结果

步骤9、将所述第r组训练样本中的三相电流值序列X_r输入第μ次迭代的深度神经网络T2中，并经过p₂个GRU层后输出第μ次迭代的深度神经网络T2的第一中间特征向量；

步骤10、将三相电流值序列X_r的每一相的L个统计特征向量{V_l ^γ|γ∈{a,b,c}，l∈[1,L]}输入第μ次迭代的深度神经网络T2中的flatten层进行展平后，得到第μ次迭代的深度神经网络T2的第二中间特征向量；

步骤11、将所述第μ次迭代的深度神经网络T2的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T2的第二融合特征向量，将所述第二融合特征向量输入到第μ次迭代的深度神经网络T2中的q₂个全连接层后，得到第μ次迭代的第二前向输出结果

步骤12、将所述第r组训练样本中的三相电流值序列X_r输入第μ次迭代的深度神经网络T3中，并经过p₃个GRU层后输出第μ次迭代的深度神经网络T3的第一中间特征向量；

步骤13、将三相电流值序列X_r的每一相的L个统计特征向量{V_l ^γ|γ∈{a,b,c}，l∈[1,L]}输入第μ次迭代的深度神经网络T3中的flatten层进行展平后，得到第μ次迭代的深度神经网络T3的第二中间特征向量；

步骤14、将所述第μ次迭代的深度神经网络T3的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T3的第三融合特征向量，将所述第三融合特征向量输入到第μ次迭代的深度神经网络T3中的q₃个全连接层后，得到第μ次迭代的第三前向输出结果

步骤15、将第μ次迭代的三个深度神经网络T1、T2、T3的前向输出结果组合成集合并与期望输出的集合/>作差，得到第μ次迭代的误差

步骤16、将r+1赋值给r，判断r＞R是否成立；若成立，则继续执行步骤17，否则，返回步骤4；

步骤17、计算第μ次迭代后三个深度神经网络T1、T2、T3的输出均方根误差为

步骤18、判断和μ＞μ_max是否同时成立；若成立，则将第μ次迭代的三个深度神经网络模型作为最优模型并用于对含分布式电源配电网进行故障检测，否则，将μ+1赋值给μ，并根据梯度下降算法更新第μ次迭代的深度神经网络后，执行步骤3，其中，e₀是所设定的误差阈值。

与现有技术相比，本发明的有益效果在于：

本发明将同步相量测量装置采样的支路电流量值作为输入，首先对输入数据利用离散小波变换进行预处理并提取统计特征，然后将测量值和统计特征输入到特制的深度神经网络中，可以得到故障类型、相序和位置的详细信息，为含分布式电源配电网的保护和服务恢复提供了依据。与以往的工作不同，该方法除了能更加准确地分类故障类型外，还能预测出输电线路沿线的故障位置。此外，由于深度神经网络的计算效率极高，整个故障检测过程可以实时进行，具有较强的适应性和实用性。

附图说明

图1为本发明故障检测方法流程图；

图2为本发明含分布式电源配电网系统图；

图3为本发明用于故障类型分类的深度神经网络结构图；

图4为本发明用于故障相序识别和故障位置检测的深度神经网络结构图。

具体实施方式

本实施例中，如图1所示，一种含分布式电源配电网的故障检测与定位方法是按如下步骤进行：

步骤1、对支路三相电流进行采样以获取训练样本数据：

在含分布式电源配电网中，在R条电力线两端安装同步相量测量装置并对支路电流进行采样，得到R条电力线的支路三相电流值序列，第r条电力线支路的a、b、c三相电流值序列记为其中，/>为第r条电力线支路的a相电流值序列，/>为第r条电力线支路的b相电流值序列，/>为第r条电力线支路的c相电流值序列；具体实例中，含分布式电源配电网系统结构如图2所示；

获取R条电力线的支路故障信息，其中，第r条电力线支路的故障类型信息记为第r条电力线支路的故障相序信息记为/>第r条电力线支路的故障位置信息记为

由第r条电力线支路的a、b、c三相电流值序列及其支路故障信息构成第r组训练样本从而得到R组训练样本Train＝{Train_r|r∈[1,R]}；

步骤2、构建三个不同的深度神经网络T1、T2、T3，分别用于检测故障类型分类、故障相序识别和故障定位，每个深度神经网络中均包含GRU层、flatten层和全连接层；

定义三个深度神经网络的当前迭代次数为μ，并初始化μ＝1；最大迭代次数为μ_max；本实施例中，设定三个深度神经网络的最大迭代次数μ_max＝1000；

步骤3、初始化r＝1；

步骤4、取出第r组训练样本中的三相电流值序列X_r，利用离散小波变换将三相电流值序列X_r中的每一相电流值序列均分解为M级近似系数序列{a_M,k|k∈[1,K]}和小波细节系数序列{d_j,k|j∈[1,M],k∈[1,K]}，从而共得到L＝K×(M+1)个分解后的系数，并将γ相中第l个分解后的系数记为s_l ^γ；其中，a_M,k是层数为k的M级近似系数，d_j,k是级数为j且层数为k的小波细节系数，M为分解的级数，K为每一级分解的层数，γ∈{a,b,c}，l∈[1,L]；

步骤5、构建γ相第l个分解后的系数s_l ^γ的统计特征向量记为V_l ^γ＝{F₁(s_l ^γ),F₂(s_l ^γ),...,F_i(s_l ^γ),...,F_D(s_l ^γ)}，其中，F_i(s_l ^γ)表示γ相第l个分解后的系数s_l ^γ的第i个统计特征，D表示所选统计特征的个数；具体实例中，所选统计特征个数为6个，分别为最大值、最小值、均值、标准差、偏度和能量；

步骤6、将第r组训练样本中的三相电流值序列X_r输入第μ次迭代的深度神经网络T1中，并经过p₁个GRU层后输出第μ次迭代的深度神经网络T1的第一中间特征向量；

步骤7、将统计特征向量{V_l ^γ|γ∈{a,b,c}，l∈[1,L]}输入第μ次迭代的深度神经网络T1中的flatten层进行展平后，得到第μ次迭代的深度神经网络T1的第二中间特征向量；

步骤8、将第μ次迭代的深度神经网络T1的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T1的第一融合特征向量，将第一融合特征向量输入到第μ次迭代的深度神经网络T1中的q₁个全连接层后，得到第μ次迭代的第一前向输出结果具体实施例中，步骤6-步骤8所描述的用于故障类型分类的深度神经网络结构如图3所示，包括4个GRU层和3个全连接层，选择4个GRU层的原因是如果层数过少，可能会对输入数据深度特征的挖掘不够，导致网络模型的训练精度降低，如果层数过多，虽然更多的GRU层可能会提高训练精度，但额外的层也可能会给网络模型带来过拟合问题，导致测试性能变差；

步骤9、将第r组训练样本中的三相电流值序列X_r输入第μ次迭代的深度神经网络T2中，并经过p₂个GRU层后输出第μ次迭代的深度神经网络T2的第一中间特征向量；

步骤10、将三相电流值序列X_r的每一相的L个统计特征向量{V_l ^γ|γ∈{a,b,c}，l∈[1,L]}输入第μ次迭代的深度神经网络T2中的flatten层进行展平后，得到第μ次迭代的深度神经网络T2的第二中间特征向量；

步骤11、将第μ次迭代的深度神经网络T2的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T2的第二融合特征向量，将第二融合特征向量输入到第μ次迭代的深度神经网络T2中的q₂个全连接层后，得到第μ次迭代的第二前向输出结果

步骤12、将第r组训练样本中的三相电流值序列X_r输入第μ次迭代的深度神经网络T3中，并经过p₃个GRU层后输出第μ次迭代的深度神经网络T3的第一中间特征向量；

步骤13、将三相电流值序列X_r的每一相的L个统计特征向量{V_l ^γ|γ∈{a,b,c}，l∈[1,L]}输入第μ次迭代的深度神经网络T3中的flatten层进行展平后，得到第μ次迭代的深度神经网络T3的第二中间特征向量；

步骤14、将第μ次迭代的深度神经网络T3的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T3的第三融合特征向量，将第三融合特征向量输入到第μ次迭代的深度神经网络T3中的q₃个全连接层后，得到第μ次迭代的第三前向输出结果具体实施例中，步骤9-步骤14所描述的用于故障相序识别和故障位置检测的深度神经网络结构如图4所示，同样均包含包括4个GRU层和3个全连接层；

步骤15、将第μ次迭代的三个深度神经网络T1、T2、T3的前向输出结果组合成集合并与期望输出的集合/>作差，得到第μ次迭代的误差

步骤16、将r+1赋值给r，判断r＞R是否成立；若成立，则继续执行步骤17，否则，返回步骤4；

步骤17、计算第μ次迭代后三个深度神经网络T1、T2、T3的输出均方根误差为

步骤18、判断和μ＞μ_max是否同时成立；若成立，则将第μ次迭代的三个深度神经网络模型作为最优模型并用于对含分布式电源配电网进行故障检测，否则，将μ+1赋值给μ，并根据梯度下降算法更新第μ次迭代的深度神经网络后，执行步骤3，其中，e₀是所设定的误差阈值；具体实施例中，所设的误差阈值e₀＝0.001。

Claims (1)

1.一种含分布式电源配电网的故障检测与定位方法，其特征在于：包括如下步骤：

步骤1、对支路三相电流进行采样以获取训练样本数据：

在含分布式电源配电网中，在R条电力线两端安装同步相量测量装置并对支路电流进行采样，得到R条电力线的支路三相电流值序列，第r条电力线支路的a、b、c三相电流值序列记为其中，/>为第r条电力线支路的a相电流值序列，/>为第r条电力线支路的b相电流值序列，/>为第r条电力线支路的c相电流值序列；

获取R条电力线的支路故障信息，其中，第r条电力线支路的故障类型信息记为第r条电力线支路的故障相序信息记为/>第r条电力线支路的故障位置信息记为/>

由第r条电力线支路的a、b、c三相电流值序列及其支路故障信息构成第r组训练样本从而得到R组训练样本Train＝{Train_r|r∈[1,R]}；

步骤2、构建三个不同的深度神经网络T1、T2、T3，分别用于检测故障类型分类、故障相序识别和故障定位，每个深度神经网络中均包含GRU层、flatten层和全连接层；

定义三个深度神经网络的当前迭代次数为μ，并初始化μ＝1；最大迭代次数为μ_max；

步骤3、初始化r＝1；

步骤4、取出所述第r组训练样本中的三相电流值序列X_r，利用离散小波变换将三相电流值序列X_r中的每一相电流值序列均分解为M级近似系数序列{a_M,k|k∈[1,K]}和小波细节系数序列{d_j,k|j∈[1,M],k∈[1,K]}，从而共得到L＝K×(M+1)个分解后的系数，并将γ相中第l个分解后的系数记为s_l ^γ；其中，a_M,k是层数为k的M级近似系数，d_j,k是级数为j且层数为k的小波细节系数，M为分解的级数，K为每一级分解的层数，γ∈{a,b,c}，l∈[1,L]；

步骤5、构建γ相第l个分解后的系数s_l ^γ的统计特征向量记为V_l ^γ＝{F₁(s_l ^γ),F₂(s_l ^γ),...,F_i(s_l ^γ),...,F_D(s_l ^γ)}，其中，F_i(s_l ^γ)表示γ相第l个分解后的系数s_l ^γ的第i个统计特征，D表示所选统计特征的个数；

步骤6、将所述第r组训练样本中的三相电流值序列X_r输入第μ次迭代的深度神经网络T1中，并经过p₁个GRU层后输出第μ次迭代的深度神经网络T1的第一中间特征向量；

步骤7、将所述统计特征向量{V_l ^γ|γ∈{a,b,c}，l∈[1,L]}输入第μ次迭代的深度神经网络T1中的flatten层进行展平后，得到第μ次迭代的深度神经网络T1的第二中间特征向量；

步骤8、将所述第μ次迭代的深度神经网络T1的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T1的第一融合特征向量，将所述第一融合特征向量输入到第μ次迭代的深度神经网络T1中的q₁个全连接层后，得到第μ次迭代的第一前向输出结果

步骤9、将所述第r组训练样本中的三相电流值序列X_r输入第μ次迭代的深度神经网络T2中，并经过p₂个GRU层后输出第μ次迭代的深度神经网络T2的第一中间特征向量；

步骤10、将三相电流值序列X_r的每一相的L个统计特征向量{V_l ^γ|γ∈{a,b,c}，l∈[1,L]}输入第μ次迭代的深度神经网络T2中的flatten层进行展平后，得到第μ次迭代的深度神经网络T2的第二中间特征向量；

步骤11、将所述第μ次迭代的深度神经网络T2的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T2的第二融合特征向量，将所述第二融合特征向量输入到第μ次迭代的深度神经网络T2中的q₂个全连接层后，得到第μ次迭代的第二前向输出结果

步骤12、将所述第r组训练样本中的三相电流值序列X_r输入第μ次迭代的深度神经网络T3中，并经过p₃个GRU层后输出第μ次迭代的深度神经网络T3的第一中间特征向量；

步骤13、将三相电流值序列X_r的每一相的L个统计特征向量{V_l ^γ|γ∈{a,b,c}，l∈[1,L]}输入第μ次迭代的深度神经网络T3中的flatten层进行展平后，得到第μ次迭代的深度神经网络T3的第二中间特征向量；

步骤14、将所述第μ次迭代的深度神经网络T3的第一中间特征向量和第二中间特征向量顺序拼接后得到第μ次迭代的深度神经网络T3的第三融合特征向量，将所述第三融合特征向量输入到第μ次迭代的深度神经网络T3中的q₃个全连接层后，得到第μ次迭代的第三前向输出结果

步骤15、将第μ次迭代的三个深度神经网络T1、T2、T3的前向输出结果组合成集合并与期望输出的集合/>作差，得到第μ次迭代的误差

步骤16、将r+1赋值给r，判断r＞R是否成立；若成立，则继续执行步骤17，否则，返回步骤4；

步骤17、计算第μ次迭代后三个深度神经网络T1、T2、T3的输出均方根误差为

步骤18、判断和μ＞μ_max是否同时成立；若成立，则将第μ次迭代的三个深度神经网络模型作为最优模型并用于对含分布式电源配电网进行故障检测，否则，将μ+1赋值给μ，并根据梯度下降算法更新第μ次迭代的深度神经网络后，执行步骤3，其中，e₀是所设定的误差阈值。