CN112380775A - 配电网弧光高阻故障模拟方法及系统 - Google Patents
配电网弧光高阻故障模拟方法及系统 Download PDFInfo
- Publication number
- CN112380775A CN112380775A CN202011324067.2A CN202011324067A CN112380775A CN 112380775 A CN112380775 A CN 112380775A CN 202011324067 A CN202011324067 A CN 202011324067A CN 112380775 A CN112380775 A CN 112380775A
- Authority
- CN
- China
- Prior art keywords
- arc
- fault
- resistance
- simulation
- model
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010891 electric arc Methods 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000001629 suppression Effects 0.000 description 5
- 239000004568 cement Substances 0.000 description 4
- 239000010426 asphalt Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000752 ionisation method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000005060 rubber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Abstract
本发明公开了一种配电网弧光高阻故障模拟方法及系统，包括：基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型；分别通过电弧参数对电弧非线性畸变的特性进行独立控制；基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据。本发明有益效果：有助于更直观地认识弧光高阻故障电流的畸变特征，总结不同故障场景下，尤其是不同接地介质和介质表面湿度影响下的畸变特征的差异，从而提高故障诊断方法在不同故障场景下的适应性。
Description
技术领域
本发明涉及配电网弧光高阻故障模拟仿真技术领域，尤其涉及一种配电网弧光高阻故障模拟方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
弧光高阻故障是一种常见的配电网故障形式，一般是架空线路因断线/下垂坠地，或发生树障从而与高阻抗的接地介质发生接触，形成单相接地故障。常见的高阻抗接地介质包括水泥、沙地、土壤、橡胶、沥青、和树木等，故障电阻从几百欧到几十千欧不等，从而导致故障电流极其微弱，甚至在1安培以内，因此配电网的传统过流保护装置等难以对其实现检测。由于导线和接地介质之间无法形成可靠连接，空气间隙始终存在(除水阻)，因此高阻故障常以电弧实现线路导体和接地介质的电气连接。弧光高阻故障的长期存在容易引发火灾，并对人员和设施的安全带来重大威胁。而故障的极弱特征、负荷电流和背景噪声的干扰、电弧的非线性以及非线性在不同接地介质下的差异等，均给故障的可靠检测和准确定位带来挑战。考虑到弧光高阻故障的现场记录极为有限，并且人工物理实验成本较高，故障特征的分析和诊断方法的初步开发主要依赖于数值仿真，因此，故障的准确、快速建模对提高诊断方法的有效性和研发效率具有重要意义。
现有的弧光高阻故障模型主要由电弧模型与高阻抗介质模型组成，其中高阻抗介质模型一般直接采用大电阻模拟，而电弧模型主要包括经验模型、电力电子元器件(反并联二极管和直流电压源)模型、数学-物理模型和基于热平衡方程的黑盒模型等。考虑到实现的便捷性和对电弧动态过程的模拟能力，基于热平衡方程的黑盒模型得到广泛应用。
然而，已有电弧模型起初是针对真空电弧、断路器电弧和低压电弧而建立的，其偏重于模拟电弧的电压特征，而由于高阻故障对故障电压非线性的抑制，实际的故障诊断主要采用电流量；并且，现有模型未考虑到接地介质的类型、湿度等对电弧特性的影响，从而对部分故障场景下的非线性畸变的仿真准确度不高；除此之外，现有模型的参数确定依然采用人工设置并寻找规律的方法，并且模型参数的含义与所呈现的非线性特征没有直观地联系，故障电压和电流水平的变化会严重影响参数与非线性特征的变化规律，因此实际应用时故障仿真实验的效率极低。
发明内容
为了解决上述问题，本发明提出了一种配电网弧光高阻故障模拟方法及系统，基于电弧的热平衡方程建立非线性畸变可控的弧光高阻故障仿真模型，通过等效、简化电弧“剩余功率”的动态过程，实现三个参数对畸变时长、畸变程度和畸变区间偏移度三种非线性特性的独立控制，从而提高模型对故障非线性畸变的模拟范围和精度。
在一些实施方式中，采用如下技术方案：
一种配电网弧光高阻故障模拟方法，包括：
基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型；
分别通过电弧参数对电弧非线性畸变的特性进行独立控制；
基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据。
在另一些实施方式中，采用如下技术方案：
一种配电网弧光高阻故障模拟系统，包括：
用于基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型的模块；
用于分别通过电弧参数对电弧非线性畸变的特性进行独立控制的模块；
用于基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据的模块。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的配电网弧光高阻故障模拟方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的配电网弧光高阻故障模拟方法。
与现有技术相比，本发明的有益效果是：
(1)本发明所给出的弧光高阻故障电流非线性畸变的三种特性，有助于更直观地认识弧光高阻故障电流的畸变特征，总结不同故障场景下，尤其是不同接地介质和介质表面湿度影响下的畸变特征的差异，从而提高故障诊断方法在不同故障场景下的适应性。
(2)本发明所提出的弧光高阻故障的畸变可控模型，基于热平衡方程，并对剩余功率进行等效和简化，从而实现三个电弧参数分别对电弧非线性畸变的三种特性的独立控制，提高对非线性畸变的仿真范围和准确性；三个电弧参数具有明确的物理含义，便于理解参数的变化与所仿真畸变特征的关系，使得参数的设定过程更为直观；
此外，本发明所提出的模型相对于现有的经典模型来说参数设定的变化范围更小并且相对确定，从而简化了人工的参数设定过程，也降低了采用自动参数设定平台的计算时间和资源。
(3)本发明提出了基于Python-PSCAD-MATLAB联合仿真平台和线性衰减权重粒子群算法的模型参数自动设定方案，可实现对连续参考波形的模型动态参数获取，大大提高了弧光高阻故障模型的应用效率；此方案不仅仅适用于所提出的弧光高阻故障畸变可控模型，也同样适用于其他典型的多参数电弧模型。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1(a)-(g)分别为本发明实施例中10kV配电系统实测弧光高阻故障电流波形；
图2(a)-(b)分别为典型黑盒电弧模型的仿真结果；
图3(a)-(c)分别为畸变可控模型仿真结果；
图4(a)-(c)分别为三个模型参数对三种电弧畸变特性的独立控制；
图5为本发明实施例中弧光高阻故障畸变可控模型在PSCAD中的实现过程示意图；
图6为本发明实施例中基于Python-PSCAD-MATLAB联合仿真平台的模型参数自动设定方案流程图；
图7(a)-(d)分别为本发明实施例中基于粒子群算法的模型参数优化过程示意图；
图8(a)-(c)分别为为本发明实施例中连续实测波形的模型动态参数优化结果；
图9为本发明实施例中不同模型对22组实测弧光高阻故障的仿真精度。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释：
Python是一种跨平台的计算机程序设计语言，是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。
实施例一
在一个或多个实施方式中，公开了一种配电网弧光高阻故障模拟方法，包括以下步骤：
步骤S101：基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型；分别通过电弧参数对电弧非线性畸变的特性进行独立控制。
具体地，弧光高阻故障的非线性主要产生于电弧电离过程在交流信号过零点附近表现出的“零休现象”，发生这一现象的时间区间称为“零休期”(zero-off interval,ZOI)。故障的非线性主要体现在零休期内故障电阻的增大和电流幅值的降低，电压幅值虽略有增加但受大过渡电阻的影响而变化较小。
根据10kV配电系统实测故障数据，揭示了弧光高阻故障电流非线性畸变在不同接地介质环境下的差异，并定义了此种差异主要表现在三个方面：畸变时长、畸变程度、畸变区间偏移度。如图1(a)-(g)，可直观地量化定义这三种畸变特性如下：
1)畸变时长：描述为“零休期”时长，“零休期”是电流半个工频周期内“畸变区间”(distortion interval,DI)的一部分，相对于正弦波形来说与x轴更趋于平行。
2)畸变程度：描述为“零休期”起始点和终点连接线的斜率，斜率越大，畸变程度越小。
3)畸变区间偏移度：描述为“过零点”和“畸变区间”中点的距离。
需要说明的是，图1(a)-(g)中分别代表的是湿沥青不接地系统、湿土壤小电阻接地系统、干土壤不接地系统、湿水泥小电阻接地系统、干水泥消弧线圈接地系统、干草地消弧线圈接地系统、湿草地消弧线圈接地系统。
弧光高阻故障畸变可控模型由非线性电弧电阻和接地介质恒电阻串联表示。其中，非线性电弧电阻基于热平衡方程理论推导、等效和简化得出，包括以下过程：
步骤S1011：从热平衡方程角度推导常用电弧黑盒模型中电弧电阻的数学表达。
其中，Q表示电弧中存储的能量(单位：MW·s或MJ)，P(单位：MW)表示电弧耗散功率，u(单位：kV)，i(单位：kA)分别表示电弧电压和电流，g(单位：Ω-1)表示电弧电导，τ＝g·P-1·dQ/dg(单位：秒，s)和τ′＝τ·P(单位：MW·s)是电弧时间常数及其变式。
步骤S1012：建立实现三种非线性畸变特性独立控制的畸变可控模型。
在公式(1)中，电弧电阻Rarc主要受τ′和P-u·i的影响，定义P-u·i为“剩余功率”，反映的是电弧存储能量的能力；此外，P的变化和u·i密切相关是领域内人员公认的事实，定义P如公式(2)，
P＝F(ui)＝u·i+Pres(t) (2)
其中，Pres(t)表示剩余功率。从而根据式(1)，电弧电阻可以表示为：
控制电弧电流的非线性畸变本质上是控制电弧电阻的非线性。因此，以图2(a)-(b)所示的几种典型的黑盒电弧模型的仿真结果为例，上述电弧畸变的三种特性可对应于电弧电阻的以下三种特征：
1)畸变时长——高数值电弧电阻的持续时间。事实上相对于正弦波形，电弧的畸变几乎一直存在，但只有当电弧电阻达到一定的“高数值”以上时，电流才会进入“零休期”。
2)畸变区间偏移度——最大电弧电阻发生时间相对于电压过零点的偏移。
3)畸变程度——最大电弧电阻的大小。
若用td表示图2(a)中电弧电阻在每半个周期中达到最大值1kΩ的时刻，并将这一个“半周期”的剩余功率表示为
根据图2(b)中几种典型模型表现出的剩余功率曲线特征，将
化简为一个周期性的分段线性函数，如下式所示：
其中，
图3(a)-(c)展示了一个
的示例。公式(4)中的两个分段区间分别在图3(b)中以数字①和②进行标注。在式(4)和(5)中，m为一系数，T表示一个工频周期的时间(50Hz系统为20ms)。DUR，OFS和EXT是模型参数，分别控制电弧非线性畸变的“畸变时长”、“畸变区间偏移度”和“畸变程度”三个特性。根据“畸变时长”与电弧电阻特征的对应关系，DUR等于“零休期”的时长并且所提出的“高数值电弧电阻”等于图3(c)中的Rarc,1。
OFS用来控制畸变区间的偏移度，根据与电弧电阻特征的对应关系，电弧电阻在每半个周期中达到最大值的时刻td受OFS取值的影响，并满足：
其中，uf(单位：kV)表示故障电压，由于电弧阻抗呈阻性，故障电压和故障电流基本保持同相位。
进一步，将公式(3)中的τ′代入Pres(t)，从而公式(4)中的
可以写作：
并且公式(5)中的系数可以改写为：
若定义
则公式(3)可以写为：
为了表达方便，后续说明中的k1，k2，b1，b2和EXT均分别表示k′1，k′2，b′1，b′2和EXT′。
基于所提出的模型，电弧非线性畸变的三种特性可以分别通过三个电弧参数进行独立控制。其中，td仅由OFS控制，“畸变时长”仅由DUR控制，均不受其他参数影响。对于“畸变程度”，根据与电弧电阻的对应关系，其受最大电弧电阻的大小，即Rarc(td)影响，根据图3(c)：
其中，Rarc,0＝Rarc(t0)，表示在区间[td-T/2,td]中的最小电弧电阻。Rarc,0是电弧导通性最强时的电弧电阻，相对于接地介质电阻值来说可忽略不计。因此公式(10)可进一步计算为：
因此，当m＝0即可实现EXT参数对“畸变程度”的独立控制。图4(a)-(c)分别展示了OFS，EXT和DUR对电弧畸变特性的独立控制。
步骤S102：基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据，能够精确模拟弧光高阻故障的实际波形，弥补真实故障样本数据偏少的问题，为弧光高阻故障检测算法测试提供丰富的、符合实际故障特征的数据集合。
作为实用化的故障模型，需具备与数值仿真系统实现电气连接的能力，参照图5，本实施例以PSCAD为例，提供了所提出的弧光高阻故障畸变可控模型的实现方法。具体包括：
步骤S1021：根据模型输入的故障点电压和参数OFS，逐“半周期”确定电弧电阻最大值的发生时间td，并且保持td在该“半周期”区间内保持恒定。
步骤S1022：根据参数DUR和EXT描述k1，k2，b1，b2，并进而描述
分段线性函数的两个分段区间。
步骤S1023：根据所计算出的
信号描述弧光高阻故障的非线性电弧电阻。
步骤S1024：电弧非线性电阻与恒定的接地介质大电阻串联，构成所提出的弧光高阻故障畸变可控模型的故障电阻。
除此之外，模型中包括三个电弧参数以及系数m等的设定可根据需要选择恒定、随机变化和按预设场景变化等方式。其中，参数的随机变化可采用PSCAD中的“Random NumberGenerator”实现，而参数根据预设场景变化可通过导入并读取外部文件来设定。
步骤S103：基于故障实测数据，通过粒子群优化算法对仿真过程的参数进行优化更新；
本实施例中，通过建立Python、PSCAD和MATLAB三种仿真软件的接口实现模型参数的批量设定，故障仿真的批量运行、仿真故障波形数据的批量生成、读取和处理、以及基于优化算法的参数更新等步骤。流程如图，具体包括以下步骤：
步骤S1031：利用线性衰减权重粒子群算法，在Python中对各粒子进行初始化，每个粒子均反映模型各项参数的取值，对于粒子i，需设定其运动步长Vi和当前位置Xi，可表示为：
步骤S1032：Python可通过调用PSCAD的Automatic library(PSCAD4.6.1及更高版本)实现对其仿真及参数的控制。根据每个粒子的参数Xi由Python控制PSCAD设置模型各参数数值，并完成仿真、数据的生成和格式转换。
步骤S1033：读取参考数据，如实测的故障波形数据，格式转换后计算仿真偏差Aerror，本实施例以最简单的平方差来表示：
其中，ifield(N)和isim(N)分别表示实测和仿真故障数据的第N个采样点，NT表示一个周期内的采样点个数。
步骤S1034：当所有粒子进行完步骤S1031-步骤S1033的流程，判断Aerror是否满足精度要求，若满足则结束，若不满足，则粒子群算法进行下一次(第k+1次)迭代，并更新每个粒子的位置，以粒子i为例：
其中，pb和gb表示个体粒子和总体粒子的最优位置；ω表示线性衰减的惯性权重系数；c1和c2表示加速系数；r1和r2表示0到1之间的随机数。
步骤S1035：参数更新后，重新上述过程，直至整个过程结束。
图7(a)-(d)展示了上述联合平台基于线性衰减权重粒子群算法的模型参数优化过程，其中每个粒子的颜色表示使用其对应参数所仿真波形的误差Aerror的大小。一般情况下，仅需3～5次左右的迭代即可获得满足精度要求的波形和参数设定结果。图8(a)-(c)展示了连续实测波形的动态参数自动设定结果(每半个周期设定一组参数)。
本实施例所提出的故障模拟方法得到了河南电科院真型试验场进行的真实高阻故障的测试，并与现有的几种典型故障模型通过联合仿真平台实现了仿真精度的对比。测试的22组故障中，中性点接地方式包括中性点不接地、经消弧线圈接地和经小电阻接地三种，故障接地介质有干(干燥)/湿(湿润)草地、干/湿土地、干/湿沙地、干/湿水泥地、干/湿水泥杆塔、沥青路面等。测试对比结果如图9所示，可见各模型为了实现不同的仿真需求进行不同的假设或简化，从而对不同的非线性畸变波形的仿真精度差异较大，然后从总体的仿真误差角度来看，本实施例所提出的模型对所有的畸变波形均具有较好的拟合效果。
实施例二
在一个或多个实施方式中，公开了一种配电网弧光高阻故障模拟系统，包括：
用于基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型的模块；
用于分别通过电弧参数对电弧非线性畸变的特性进行独立控制的模块；
用于基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据的模块。
需要说明的是，上述各模块的具体实现方式采用实施例一中公开的方法实现，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并实施例一中所述的配电网弧光高阻故障模拟方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种配电网弧光高阻故障模拟方法，其特征在于，包括：
基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型；
分别通过电弧参数对电弧非线性畸变的特性进行独立控制；
基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据。
2.如权利要求1所述的一种配电网弧光高阻故障模拟方法，其特征在于，基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型，具体包括：
所述弧光高阻故障仿真模型由非线性电弧电阻和接地介质恒电阻串联表示；其中，所述非线性电弧电阻基于从热平衡方程角度推导出的常用电弧黑盒模型中电弧电阻的数学表达，以及反映电弧存储能量能力的剩余功率得出。
3.如权利要求2所述的一种配电网弧光高阻故障模拟方法，其特征在于，所述非线性电弧电阻Rarc具体为：
其中，Pres(t)表示剩余功率。
4.如权利要求1所述的一种配电网弧光高阻故障模拟方法，其特征在于，分别通过电弧参数对电弧非线性畸变的特性进行独立控制，具体包括：
通过模型参数DUR，OFS和EXT，分别控制电弧非线性畸变的畸变时长、畸变区间偏移度和畸变程度三个特性。
5.如权利要求4所述的一种配电网弧光高阻故障模拟方法，其特征在于，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，具体包括：
根据模型输入的故障点电压和模型参数OFS，逐半周期确定电弧电阻最大值的发生时间td，并且td在该半周期区间内保持恒定；
根据模型参数DUR和EXT描述控制性参数k1，k2，b1，b2，并进而描述半周期的剩余功率
分段线性函数的两个分段区间；
根据所计算出的
信号描述弧光高阻故障的非线性电弧电阻；
电弧非线性电阻与恒定的接地介质大电阻串联，构成弧光高阻故障仿真模型的故障电阻。
6.如权利要求1所述的一种配电网弧光高阻故障模拟方法，其特征在于，所述弧光高阻故障仿真模型的电弧参数及相关系数根据需要选择恒定、随机变化或者按预设场景变化。
7.如权利要求1所述的一种配电网弧光高阻故障模拟方法，其特征在于，还包括：基于故障实测数据，通过粒子群优化算法对仿真过程的参数进行优化更新；具体过程为：
利用线性衰减权重粒子群算法，在Python中对各粒子进行初始化，每个粒子均反映弧光高阻故障仿真模型各项参数的取值；设定粒子的运动步长和初始位置；
根据每个粒子的初始位置由Python控制数值仿真系统设置弧光高阻故障仿真模型各参数的数值，并完成仿真、数据的生成和格式转换；
获取故障波形参考数据，计算仿真数据与参考数据的偏差；
判断所述偏差是否满足精度要求，若满足则结束；否则，粒子群算法进行下一次迭代，并更新每个粒子的位置，直到偏差满足精度要求。
8.一种配电网弧光高阻故障模拟系统，其特征在于，包括：
用于基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型的模块；
用于分别通过电弧参数对电弧非线性畸变的特性进行独立控制的模块；
用于基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据的模块。
9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的配电网弧光高阻故障模拟方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的配电网弧光高阻故障模拟方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324067.2A CN112380775A (zh) | 2020-12-29 | 2020-12-29 | 配电网弧光高阻故障模拟方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324067.2A CN112380775A (zh) | 2020-12-29 | 2020-12-29 | 配电网弧光高阻故障模拟方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112380775A true CN112380775A (zh) | 2021-02-19 |
Family
ID=74588884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011324067.2A Pending CN112380775A (zh) | 2020-12-29 | 2020-12-29 | 配电网弧光高阻故障模拟方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112380775A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112526243A (zh) * | 2020-12-28 | 2021-03-19 | 南京航空航天大学 | 一种分段式直流电弧噪声模型、参数优化及辨识方法 |
| CN113792442A (zh) * | 2021-09-28 | 2021-12-14 | 国网四川省电力公司电力科学研究院 | 一种配电网弧光接地故障建模分析方法 |
| CN114647921A (zh) * | 2021-11-26 | 2022-06-21 | 国网山东省电力公司德州供电公司 | 一种模拟中压配电电缆潜伏性故障的方法 |
| CN117250442A (zh) * | 2023-11-17 | 2023-12-19 | 昆明理工大学 | 一种基于光电联合的弧光接地故障检测方法、系统及介质 |
| CN117313409A (zh) * | 2023-10-17 | 2023-12-29 | 国网四川省电力公司电力科学研究院 | 一种电弧数学模型参数优化方法、系统、终端及介质 |
| CN117390863A (zh) * | 2023-10-18 | 2024-01-12 | 国网四川省电力公司电力科学研究院 | 多场景下三要素配电网单相接地电弧建模分析方法及系统 |
| CN117554742A (zh) * | 2023-11-10 | 2024-02-13 | 国网四川省电力公司电力科学研究院 | 一种断线坠地引发森林草原火灾的实验测量装置和方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE1150535A1 (sv) * | 2011-06-14 | 2012-12-15 | Dlaboratory Sweden Ab | A method for detecting earth faults |
| CN105911434A (zh) * | 2016-07-01 | 2016-08-31 | 清华大学 | 多谐波源干扰下的配电网高阻接地故障检测方法 |
| US20170227590A1 (en) * | 2016-02-05 | 2017-08-10 | Hamilton Sundstrand Corporation | High impedance arc fault detection |
| CN108061832A (zh) * | 2017-12-04 | 2018-05-22 | 辽宁工程技术大学 | 基于神经网络黑箱模型的串联型故障电弧仿真方法 |
| CN108508320A (zh) * | 2018-03-28 | 2018-09-07 | 山东大学 | 基于谐波能量和波形畸变特征的弧光接地故障辨识方法 |
| CN110320434A (zh) * | 2019-07-03 | 2019-10-11 | 山东大学 | 基于零序电流波形区间斜率曲线的高阻故障辨识方法及系统 |
| CN110851950A (zh) * | 2019-09-26 | 2020-02-28 | 昆明理工大学 | 一种考虑弧长随机变化的动态电弧模型构建方法 |
| CN111579940A (zh) * | 2020-05-06 | 2020-08-25 | 国网山东省电力公司电力科学研究院 | 一种电弧炉建模和谐波分析方法及系统 |
| CN111985176A (zh) * | 2020-07-06 | 2020-11-24 | 清华大学 | 一种基于分段线性等效的弧光接地故障建模及解析方法 |
-
2020
- 2020-12-29 CN CN202011324067.2A patent/CN112380775A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE1150535A1 (sv) * | 2011-06-14 | 2012-12-15 | Dlaboratory Sweden Ab | A method for detecting earth faults |
| US20170227590A1 (en) * | 2016-02-05 | 2017-08-10 | Hamilton Sundstrand Corporation | High impedance arc fault detection |
| CN105911434A (zh) * | 2016-07-01 | 2016-08-31 | 清华大学 | 多谐波源干扰下的配电网高阻接地故障检测方法 |
| CN108061832A (zh) * | 2017-12-04 | 2018-05-22 | 辽宁工程技术大学 | 基于神经网络黑箱模型的串联型故障电弧仿真方法 |
| CN108508320A (zh) * | 2018-03-28 | 2018-09-07 | 山东大学 | 基于谐波能量和波形畸变特征的弧光接地故障辨识方法 |
| CN110320434A (zh) * | 2019-07-03 | 2019-10-11 | 山东大学 | 基于零序电流波形区间斜率曲线的高阻故障辨识方法及系统 |
| CN110851950A (zh) * | 2019-09-26 | 2020-02-28 | 昆明理工大学 | 一种考虑弧长随机变化的动态电弧模型构建方法 |
| CN111579940A (zh) * | 2020-05-06 | 2020-08-25 | 国网山东省电力公司电力科学研究院 | 一种电弧炉建模和谐波分析方法及系统 |
| CN111985176A (zh) * | 2020-07-06 | 2020-11-24 | 清华大学 | 一种基于分段线性等效的弧光接地故障建模及解析方法 |
Non-Patent Citations (1)
| Title |
|---|
| MINGJIE WEI ET AL: "Distortion-Controllable Arc Modeling for HighImpedance Arc Fault in the Distribution Network", 《IEEE TRANSACTIONS ON POWER DELIVERY》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112526243A (zh) * | 2020-12-28 | 2021-03-19 | 南京航空航天大学 | 一种分段式直流电弧噪声模型、参数优化及辨识方法 |
| CN112526243B (zh) * | 2020-12-28 | 2021-10-26 | 南京航空航天大学 | 一种分段式直流电弧噪声模型、参数优化及辨识方法 |
| CN113792442A (zh) * | 2021-09-28 | 2021-12-14 | 国网四川省电力公司电力科学研究院 | 一种配电网弧光接地故障建模分析方法 |
| CN114647921A (zh) * | 2021-11-26 | 2022-06-21 | 国网山东省电力公司德州供电公司 | 一种模拟中压配电电缆潜伏性故障的方法 |
| CN117313409A (zh) * | 2023-10-17 | 2023-12-29 | 国网四川省电力公司电力科学研究院 | 一种电弧数学模型参数优化方法、系统、终端及介质 |
| CN117313409B (zh) * | 2023-10-17 | 2024-04-02 | 国网四川省电力公司电力科学研究院 | 一种电弧数学模型参数优化方法、系统、终端及介质 |
| CN117390863A (zh) * | 2023-10-18 | 2024-01-12 | 国网四川省电力公司电力科学研究院 | 多场景下三要素配电网单相接地电弧建模分析方法及系统 |
| CN117554742A (zh) * | 2023-11-10 | 2024-02-13 | 国网四川省电力公司电力科学研究院 | 一种断线坠地引发森林草原火灾的实验测量装置和方法 |
| CN117250442A (zh) * | 2023-11-17 | 2023-12-19 | 昆明理工大学 | 一种基于光电联合的弧光接地故障检测方法、系统及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112380775A (zh) | 配电网弧光高阻故障模拟方法及系统 | |
| Filomena et al. | Fault location for underground distribution feeders: An extended impedance-based formulation with capacitive current compensation | |
| CN113792495B (zh) | 一种基于在线监测数据的避雷器运行状态识别方法、装置 | |
| Guo et al. | Global-sensitivity-based theoretical analysis and fast prediction of traveling waves with respect to fault resistance on HVDC transmission lines | |
| CN110851950A (zh) | 一种考虑弧长随机变化的动态电弧模型构建方法 | |
| CN109299564B (zh) | 变压器偏磁电流仿真计算过程中温度因素影响的修正方法 | |
| Heindl et al. | Transformer modeling based on standard frequency response measurements | |
| Mehinović et al. | Application of artificial intelligence methods for determination of transients in the power system | |
| CN111220928B (zh) | 一种高压避雷器的泄漏电流的空间电容干扰层次滤除方法 | |
| Ge et al. | A dynamic parameter model of harmonic source networks | |
| CN108233356B (zh) | 一种光伏逆变器控制器一致性评估方法及其评估平台 | |
| Nouri et al. | Time-based fault location method for LV distribution systems | |
| CN107895078A (zh) | 强电磁脉冲对长电力输电线路耦合响应的宏模型构建方法 | |
| Guardado et al. | Analytical approach to modelling the interaction between power distribution systems and high impedance faults | |
| CN111736091B (zh) | 基于rtds平台的非稳定性高阻接地故障仿真电路及其应用方法 | |
| CN109444637A (zh) | 一种考虑谐波影响的避雷器阻性电流计算方法 | |
| Wontroba et al. | Modeling and Real-Time Simulation of High Impedance Faults for Protection Relay Testing and Methods Validation | |
| Zhang et al. | Hardware-in-the-loop Based Grid Compatibility Test for Power Electronics Interface | |
| CN110208655B (zh) | 一种消弧线圈接地方式下的配电网单相接地故障模型分析方法 | |
| Kawady et al. | An accurate fault locator for underground distribution networks using modified apparent-impedance calculation | |
| Wontroba et al. | Comprehensive High Impedance Fault Model for Real-Time Environment | |
| Ancelmo et al. | A new simulated database for classification comparison in power signature analysis | |
| De Silva et al. | Accurate time domain simulation of frequency dependent transmission line models for large time steps | |
| Holdyk et al. | Implementation of the parametric variation method in an EMTP program | |
| Terzija et al. | Detection of arcing faults: modelling, simulation, testing and algorithms aspects |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |