CN112710924A - 基于故障前后稳态变化量信息的数据驱动单相接地故障选线方法 - Google Patents

Abstract

本发明提出了一种基于故障前后稳态变化量信息的数据驱动单相接地故障选线方法。本发明分为离线训练、在线应用两部分，首先获取目标配电网拓扑信息、网络参数，在仿真软件中建立对应模型；其次，以故障前后稳态电流有效值变化量、联络开关状态组合作为特征，故障线路编号为标签，仿真获得充足的样本数据集，利用机器学习方法训练选线模型，并测试得到网络易错选线区域；最后，把实际配电网获取的样本特征输入离线训练好的模型，输出选线结果和置信度，并与易错选线区域相比较，若选线结果属于易错线路区域，则给出提示。本发明针对中性点不接地配电网单相接地故障能够做到准确选线，且在故障经高阻接地条件下，依然有较高的选线准确率。

Description

基于故障前后稳态变化量信息的数据驱动单相接地故障选线 方法

技术领域

本发明属于电力系统领域，具体是一种基于故障前后稳态变化量信息的数据驱动单相接地故障选线方法，适用于中性点不接地配电网。

背景技术

配电网为了保证供电可靠性，当全系统的电容电流不超过一定值时，多采用中性点不接地方式。当中性点不接地配电网发生单相接地故障时，故障电流较小，电流保护不会动作，为故障排除提供了时间，但也造成了故障选线的困难，尤其当故障点接触到树枝、沙土、沥青、水泥等非理想介质时，形成高阻接地故障，进一步增加了单相接地故障选线的难度。

中性点不接地系统单相接地故障选线问题是存在已久的挑战性难题，众多专家学者提出了多种多样的选线方法，这些方法总体上可分为三类：基于故障特征的选线方法、不基于故障特征的选线方法、综合选线方法。第一类方法以故障后的稳态特征与暂态特征作为主要研究对象，通过检测不同馈线的特征差异实现选线，包括以各馈线零序电流基波幅值、极性比较作为选线依据的基波群体比幅比相法，以零序电流奇次谐波为基础的五次谐波法，从各线路零序电流中提取有功分量为选线依据的有功分量法、以暂态零模特征电流幅值和极性为基础的基波暂态扩展法、检测故障负序电流为基础的负序电流法等多种方法。以上方法基于故障后电流，提取不同的特征，制定故障判据，在小过渡电阻、高精度电流互感器的基础上，通常均能表现出良好的选线效果，且各具优势，但当线路经高阻接地时，由于电流信号减弱，特征难以识别，各种方法的选线能力受到不同程度的影响。第二类方法采用主动手段，主要有以下两种：一种是利用母线侧的PT从二次侧注入高频信号，然后在各线路出口处进行特殊信号监测，确定故障线路；另一种是在故障后的中性点接入中阻值电阻，将系统临时转变为一个大电流接地系统，进而实现选线。这两种方法从原理解决了故障特征不明显的问题，且适用于中性点经消弧线圈接地配电网，但前者成本较高，且依然受过渡电阻影响，后者会对原有配电网产生较大的冲击，可能造成故障进一步扩大。第三类方法在综合各种故障特征的基础上，引入其他理论来解决选线问题。有学者利用模糊理论，综合多判据，对不同方法赋予各自的权重系数，根据最终得分进行选线。除此之外，也有采用人工神经网络、深度学习等方法对故障特征与故障线路之间的内在关系展开大样本学习以实现选线。第三类的方法由于综合了方法、样本数量的优势，相比前两类能够有更优秀的表现，但流程的复杂性，以及对PMU等高精度量测设备的需求，大大提高了应用的门槛。

发明内容

本发明的目的在于针对现有技术的不足，提出一种数据驱动方法的中性点不接地配电网单相接地故障选线方法，利用故障发生前后的稳态电流有效值变化量、网络联络开关状态作为特征，进行中性点不接地配电网单相接地故障选线。

为此，本发明采用以下技术方案：

基于故障前后稳态变化量信息的数据驱动单相接地故障选线方法，其特征在于该方法包含以下步骤：

步骤1，在MATLAB中的Simulink中搭建中性点不接地的目标配电网，输入线路参数，获取系统电源运行方式变化范围、各负荷变化范围、联络开关的开断规则，以及单相接地过渡电阻大小范围，

步骤2，设置所述配电网运行方式；具体有：

(2-1)在系统电源运行方式变化范围内随机设置等值阻抗；

(2-2)在各负荷变化范围内随机设置负荷大小；

(2-3)根据联络开关的开断规则随机设置各联络开关状态；

步骤3，在仿真模型中设置单相接地故障，并进行仿真计算，获得一个样本数据集。样本数据集由样本特征和样本标签组成。本发明的样本特征由故障前后各线路稳态电流有效值变化量ΔI和联络开关状态BK共同组成特征；样本标签为故障线路编号，编号为0表示未发生故障。改变运行方式与故障信息，重复仿真计算环节，获得充足样本集；具体是：

(3-1)单相接地故障可发生在任意三相线路的任意位置；

(3-2)过渡电阻在设定的范围内随机取值；

步骤4：重复步骤2、步骤3，直至获得足够数量的样本数据集；

步骤5：利用样本数据集，进行数据驱动的中性点不接地配电网单相故障选线模型训练，包括：

(5-1)划分样本集为训练集和测试集，由训练集中样本类别数量占比，获取类别权重，带入选定的机器学习算法；本发明，通过RF、SVM、XGBoost、LightGBM四种机器学习算法的对比，发现LightGBM算法最为合适。算法通过k折交叉验证选取最优超参数组合后，训练得到故障选线模型；

(5-2)利用测试集测试训练得到故障选线模型，统计故障选线模型在测试集中误判情况、确定易错线路区域，对误判样本进行分类，并逐一选择辅助解决方案；本发明发现：

误判样本可分为三类，分别为故障与无故障之间的误判，相邻位置的误判，以及随机性误判。第一类误判占比最多，约为所有误判的2/3，但该误判只在过渡电阻大于800欧姆时才会小概率发生，通过调整扩大仿真过程中故障过渡电阻范围(增大300～500欧姆)可以有效减少误判；第二类误判占比约为所有误判的1/3，误判一般发生在固定的几个易错线路区域中，通过测试结果对易错线路区域进行标注，可以实现易错线路的辅助提示；第三类误判发生概率极小，即使扩大样本依然难以避免，由于发生概率极低，对模型使用的影响可以忽略。

步骤6：故障选线模型应用；从实际配电网中获取特征数据，经数据预处理后，输入步骤5离线训练好的模型，输出选线结果，包括：

(1)通过SCADA系统采样获得配电网每条线路的电流有效值、联络开关状态，将有效值信息与上一次采样获得数据做差，得到线路电流有效值变化量ΔI，若获得的数据有缺失，利用特殊值填充法(NaN)对丢失数据进行填充；

(2)把经过缺失填充的数据输入到步骤5建立的故障选线模型中，获得模型输出的类别概率矩阵Y，确定选线结果j，并输出对应的类别置信度P_j，其输出式如下所示：

Y＝[P₀ P₁ … P_i … P_n]

其中，n为配电网线路数量；P_i为故障发生在i线路的概率；第一列P₀表示为无故障概率，因此Y共有n+1类；所有类别概率值之和为1；j为选线结果，即线路编号，P_j为选线结果对应的类别置信度，可作为参考信息一同输出；

(3)由选线结果可知是否发生故障(j是否等于0)，若判断为未发生故障(j等于0)，则继续下一次采样；若判断为发生故障(j不等于0)，则判断输出的类别置信度大小，若类别置信度大于阈值，则认为结果可靠，直接输出选线结果以及相应的置信度；否则将输出的选线结果j与离线确定的易错线路区域相比较，若不在易错区域，则输出选线结果以及相应的置信度；若选线结果j属于易错线路，则在输出选线结果以及相应的置信度的同时，给出其可能的偏移范围，辅助识别故障位置。

步骤6的类别置信度阈值可选择为0.98。

本发明通过离线生成大量故障样本，选择故障前后线路三相稳态电流有效值变化量、联络开关状态作为训练特征，采用数据驱动方法建立中性点不接地配电网故障选线模型，实现模型的在线应用；通过类别置信度辅助判断与易错线路标注两种方法有效减少了模型误判，提高中性点不接地配电网单相接地故障选线的准确性。

附图说明

图1为本发明选线结果处理流程图。

图2为本发明中性点不接地配电网仿真模型图。

具体实施方式

参照附图。本发明的基于故障前后稳态变化量信息的数据驱动单相接地故障选线方法采用以下步骤：

步骤1：在MATLAB/Simulink中搭建中性点不接地的目标配电网，输入线路参数，获取系统电源运行方式变化范围、各负荷变化范围、联络开关的开断规则，以及单相接地过渡电阻大小范围。

步骤2：设置配电网运行方式，具体有：

(1)在系统电源运行方式变化范围内随机设置等值阻抗；

(2)在各负荷变化范围内随机设置负荷大小；

(3)根据联络开关的开断规则随机设置各联络开关状态。

步骤3：设置单相接地故障，并进行仿真计算，获得一个样本数据集。样本集由样本特征和样本标签组成。本发明的样本特征由故障后各线路稳态电流有效值变化量ΔI和联络开关状态BK共同组成特征；样本标签为故障线路编号，编号为0表示未发生故障。具体是：

(1)单相接地故障可发生在任意三相线路的任意位置；

(2)过渡电阻在设定的范围内随机取值；

步骤4：重复步骤2、步骤3，直至获得足够数量的样本集。

步骤5：利用样本集，进行数据驱动的中性点不接地配电网单相故障选线模型训练，并且为提高模型的选线准确率，提出了一些措施。具体是：

(1)划分样本集为训练集和测试集，由训练集中样本类别数量占比，获取类别权重，带入选定的机器学习算法。本发明，通过RF、SVM、XGBoost、LightGBM四种机器学习算法的对比，发现LightGBM算法最为合适。算法通过k折交叉验证选取最优超参数组合后，训练得到故障选线模型；

(2)利用测试集测试训练得到的故障选线模型，统计模型在测试集中误判情况、确定易错线路区域，对误判样本进行分类，并逐一选择辅助解决方案。本发明发现：

误判样本可分为三类，分别为故障与无故障之间的误判，相邻位置的误判，以及随机性误判。第一类误判占比最多，约为所有误判的2/3，但该误判只在过渡电阻大于800欧姆时才会小概率发生，通过调整扩大仿真过程中故障过渡电阻范围可以有效减少误判；第二类误判占比约为所有误判的1/3，误判一般发生在固定的几个易错线路区域中，通过测试结果对易错线路区域进行标注，可以实现易错线路的辅助提示；第三类误判发生概率极小，即使扩大样本依然难以避免，由于发生概率极低，对模型使用的影响可以忽略。

步骤6：选线模型应用。从实际配电网中获取特征数据，经数据预处理后，输入步骤5离线训练好的模型，可输出选线结果，具体是：

(1)通过SCADA系统采样获得配电网每条线路的电流有效值、联络开关状态，将有效值信息与上一次采样获得数据做差，得到线路电流有效值变化量ΔI。若获得的数据有缺失，利用特殊值填充法(NaN)对丢失数据进行填充；

(2)把经过缺失填充的数据输入到步骤5建立的选线模型中，获得模型输出的类别概率矩阵r，确定选线结果j，并输出对应的类别置信度P_j，其输出式如下所示：

Y＝[P₀ P₁ … P_i … P_n]

其中，n为配电网线路数量；P_i为故障发生在i线路的概率；第一列P₀表示为无故障概率，因此Y共有n+1类；所有类别概率值之和为1；j为选线结果，即线路编号，P_j为选线结果对应的类别置信度，可作为参考信息一同输出；

(3)由选线结果可知是否发生故障(j是否等于0)，若判断为未发生故障(j等于0)，则继续下一次采样；若判断为发生故障(j不等于0)，则判断输出的类别置信度大小，若类别置信度大于0.98(P_j≥0.98)，则认为结果可靠，直接输出选线结果以及相应的置信度；否则将输出的选线结果j与离线确定的易错线路区域相比较，若不在易错区域，则输出选线结果以及相应的置信度；若选线结果j属于易错线路，则在输出选线结果以及相应的置信度的同时，给出其可能的偏移范围，辅助识别故障位置。

为验证上述数据驱动的中性点不接地配电网单相接地故障选线方法的可行性与有效性，以图2所示配电网为例进行仿真验证，模型对原始IEEE123节点系统的接地方式、线路阻抗、线路电容进行了一定修改，并采用10.5kV作为系统侧电源电压。在仿真获得样本集时，每一组样本对应的单相接地故障均发生在任意三相线路的任意位置，其过渡电阻在设定的范围内随机取值，网络负荷在80％～120％之间随机波动，系统阻抗在3+4j～7+8jΩ之间随机选取，四个联络开关随机断开一个，并在电流中添加30dB的白噪声干扰，最终获取每一次故障发生前后的三相线路电流有效值变化量以及联络开关情况(0表示断开1表示闭合)作为样本特征x，故障发生的线路编号作为标签值y(未发生故障时标签为0)。最终建立试验样本集Ω₀～Ω₁₄如表1所示，其中，Ω₀₁与Ω₀₂是Ω₀的互斥子集。

表1样本集情况

当线路发生单相接地故障时，线路电流会发生变化，随着故障过渡电阻的增大，电流变化量不断减小，此时负荷波动、系统阻抗以及噪声对电流的影响会增大，算法的选线准确率必然会下降。采用基于Ω₀₁样本集训练的LightGBM模型，对表1中不同区段过渡电阻的Ω₁～Ω₁₄样本集进行测试，获得的选线误判率情况如表2所示。由表2可知，该模型对于过渡电阻在800Ω以下的样本，能做到准确选线，对于过渡电阻在800～1400Ω的样本，能控制其误判率在5％以下。

表2过渡电阻大小与模型误判率的关系

通过采用不同的随机数种子，对数据集Ω₀进行十次训练集与测试集划分，重复十次模型训练与预测，并统计每一次测试集中误判线路情况，误判种类分布如表3所示。

表3各数据集中误判样本分类数目

由表3可知，采用易错线路标注方法消除第二类故障带来的影响，可减少1/3误判的发生，有效提升选线效果，将平均选线准确率从95.9％提升到97.4％。

仿真结果表明，本发明针对中性点不接地配电网单相接地故障能够做到准确选线，且在故障经高阻接地条件下，依然能起到不错的识别效果。

以上所述的具体方法，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，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，均应包含在本发明的保护范围之内。

Claims (5)

1.基于故障前后稳态变化量信息的数据驱动单相接地故障选线方法，其特征在于该方法包含以下步骤：

步骤1：在MATLAB中的Simulink中搭建中性点不接地的目标配电网，输入线路参数，获取系统电源运行方式变化范围、各负荷变化范围、联络开关的开断规则，以及单相接地过渡电阻大小范围；

步骤2：设置所述配电网运行方式，具体有：

(2-1)在系统电源运行方式变化范围内随机设置等值阻抗；

(2-2)在各负荷变化范围内随机设置负荷大小；

(2-3)根据联络开关的开断规则随机设置各联络开关状态；

步骤3：设置单相接地故障，并进行仿真计算，获得一个样本数据集；所述样本数据集由样本特征和样本标签组成；所述样本特征由故障前后各线路稳态电流有效值变化量ΔI和联络开关开断状态BK共同组成特征；样本标签为故障线路编号，编号为0表示未发生故障；具体是：

(3-1)单相接地故障可发生在任意三相线路的任意位置；

(3-2)过渡电阻在设定的范围内随机取值；

步骤4：重复步骤2、步骤3，直至获得足够数量的样本数据集；

步骤5：利用样本数据集，进行数据驱动的中性点不接地配电网单相故障选线模型训练，包括：

(5-1)划分样本集为训练集和测试集，由训练集中样本类别数量占比，获取类别权重，带入选定的机器学习算法；机器学习算法通过k折交叉验证选取最优超参数组合后，训练得到故障选线模型；

(5-2)利用测试集测试训练得到故障选线模型，统计故障选线模型在测试集中误判情况、确定易错线路区域，对误判样本进行分类，并逐一选择辅助解决方案；

步骤6：故障选线模型应用；从实际配电网中获取特征数据，经数据预处理后，输入步骤5离线训练好的模型，输出选线结果，包括：

(1)通过SCADA系统采样获得配电网每条线路的电流有效值、联络开关状态，将有效值信息与上一次采样获得数据做差，得到线路电流有效值变化量ΔI，若获得的数据有缺失，利用特殊值填充法(NaN)对丢失数据进行填充；

(2)把经过缺失填充的数据输入到步骤5建立的故障选线模型中，获得模型输出的类别概率矩阵Y，确定选线结果j，并输出对应的类别置信度P_j，其输出式如下所示：

Y＝[P₀ P₁…P_i…P_n]

其中，n为配电网线路数量；P_i为故障发生在i线路的概率；第一列P₀表示为无故障概率，因此Y共有n+1类；所有类别概率值之和为1；j为选线结果，即线路编号，P_j为选线结果对应的类别置信度，可作为参考信息一同输出；

(3)由选线结果可知是否发生故障(j是否等于0)，若判断为未发生故障(j等于0)，则继续下一次采样；若判断为发生故障(j不等于0)，则判断输出的类别置信度大小，若类别置信度大于阈值，则认为结果可靠，直接输出选线结果以及相应的置信度；否则将输出的选线结果j与离线确定的易错线路区域相比较，若不在易错区域，则输出选线结果以及相应的置信度；若选线结果j属于易错线路，则在输出选线结果以及相应的置信度的同时，给出其可能的偏移范围，辅助识别故障位置。

2.根据权利要求1所述的基于故障前后稳态变化量信息的数据驱动单相接地故障选线方法，其特征在于：通过离线生成大量故障样本，选择故障前后线路三相稳态电流有效值变化量、联络开关状态作为训练特征，采用数据驱动方法建立中性点不接地配电网故障选线模型，实现模型的在线应用；通过类别置信度辅助判断与易错线路标注两种方法有效减少了模型误判。

3.根据权利要求1所述的一种基于故障前后稳态变化量信息的数据驱动单相接地故障选线方法，其特征在于：步骤5中，机器学习算法采用LightGBM算法。

4.根据权利要求1所述的一种基于故障前后稳态变化量信息的数据驱动单相接地故障选线方法，其特征在于：步骤5中，误判样本分为三类，分别为故障与无故障之间的误判，相邻位置的误判，以及随机性误判；第一类误判占比最多，约为所有误判的2/3，但该误判只在过渡电阻大于800欧姆时才会小概率发生，通过调整扩大仿真过程中故障过渡电阻范围可以有效减少误判；第二类误判占比约为所有误判的1/3，误判一般发生在固定的几个易错线路区域中，通过测试结果对易错线路区域进行标注，可以实现易错线路的辅助提示；第三类误判发生概率极小，即使扩大样本依然难以避免，由于发生概率极低，对故障选线模型使用的影响可以忽略。

5.根据权利要求1所述的一种基于故障前后稳态变化量信息的数据驱动单相接地故障选线方法，其特征在于：步骤6的类别置信度阈值为0.98。

Images