CN112748359A - 一种基于随机森林的配电网接地故障辨识方法及系统 - Google Patents

一种基于随机森林的配电网接地故障辨识方法及系统 Download PDF

Info

Publication number
CN112748359A
CN112748359A CN201911051117.1A CN201911051117A CN112748359A CN 112748359 A CN112748359 A CN 112748359A CN 201911051117 A CN201911051117 A CN 201911051117A CN 112748359 A CN112748359 A CN 112748359A
Authority
CN
China
Prior art keywords
distribution network
fault
power distribution
frequency domain
random forest
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
Application number
CN201911051117.1A
Other languages
English (en)
Inventor
宋晓辉
高菲
盛万兴
孟晓丽
刘雯静
陈振宁
杨军
李雅洁
张瑜
李建芳
赵珊珊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Shanghai Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911051117.1A priority Critical patent/CN112748359A/zh
Publication of CN112748359A publication Critical patent/CN112748359A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供的技术方案一种基于随机森林的配电网接地故障辨识方法，包括：获取待检测配电网接地数据；将待检测配电网接地数据进行特征提取得到频域特征向量；所述待检测配电网接地数据的频域特征向量通过预先构建的随机森林模型采用投票的方式识别所述配电网接地故障或扰动类型；所述配电网接地数据包括：故障前后的线路三相电流监测采样值、故障前后的零序电压采样值。有效解决了单相接地故障的辨识正确率不高的问题，提高了单相接地故障的辨识正确率，且更全面地考虑配电网中的正常、扰动与故障情况。

Description

一种基于随机森林的配电网接地故障辨识方法及系统
技术领域
本发明涉及配电网故障辨识技术，具体涉及一种基于随机森林的配电网接地故障辨识方法及系统。
背景技术
为提高配电系统的供电可靠性，多采用小电流接地方式。其中，单相接地故障占小电流接地系统故障的70％，虽能带故障运行一段时间，但若未能采取恰当的措施，系统长时间带高阻接地故障运行，也有可能导致两相接地短路故障，扩大故障范围和故障性质，影响电力系统的安全运行。由于发生故障时电流较小，故单相接地故障的辨识正确率不高，不能满足单相接地诊断与保护要求。当故障发生后，其故障类型的辨识是调度员处理电网事故的辅助工具，通过对配电网故障区域的故障类型辨识，不仅可以有效的减少故障处理时间及恢复供电时间，而且还可以防止故障进一步扩大化，具有重要意义。
目前有关配电网单相接地故障的研究主要集中在线路故障选线以及故障线路定位，专家学者分析特征量对接地故障辨识进行研究时，根据特征量的应用途径不同，现有识别方法可分为特征分析法和智能方法，但是这种方法存在如下缺点：(1)只对少数几种故障进行分析与辨识，具有局限性；(2)没有考虑到正常、扰动情况特征，影响故障辨识的结果。
发明内容
本发明提供的技术方案是：
一种基于随机森林的配电网接地故障辨识方法，包括：
获取配电网接地数据；
将配电网接地数据进行特征提取得到频域特征向量；
所述配电网接地数据的频域特征向量通过预先构建的随机森林模型采用投票的方式识别所述配电网接地故障或扰动类型；
所述配电网接地数据包括：故障前后的线路三相电流监测采样值、故障前后的零序电压采样值。
优选的，所述预先构建的随机森林模型，包括：
将具有故障或扰动信息对应的配电网历史接地数据进行特征提取得到频域特征向量，并将所述频域特征向量和配电网故障或扰动类型构成训练集；
基于所述训练集进行随机抽取，形成多个特征子集；
基于每个所述特征子集进行分类模型训练，得到对应的决策树；
将所有的决策树构成的集合作为随机森林模型；
其中，所述故障或扰动类型包括：单相高阻接地故障、单相低阻接地故障、两相短路接地故障、两相相间故障、三相短路接地故障、大电机启动、负载不对称、空载合闸、不同期合闸。
优选的，所述将具有故障或扰动信息对应的配电网历史接地数据进行特征提取得到频域特征向量，包括：
基于所述历史接地数据通过经验模态分解得到的各有限个本征模函数分量；
通过对各有限个本征模函数分量进行希尔伯特变换得到零序电压每个周期希尔伯特变换值的最大值、均值或方差，并将得到的每个周期希尔伯特变换值的最大值、均值或方差作为频域特征向量。
优选的，所述基于特征子集进行分类模型训练，得到不同决策树，包括：
步骤4.1：基于各特征子集生成决策树的节点node；
步骤4.2：分别选择各特征子集中最优划分特征量a*；
步骤4.3：对属于最优划分特征量a*中的划分点
Figure BDA0002254030840000021
为node生成一个分支；
步骤4.4：若Dv为空，将分支节点标记为叶节点，其类别标记为特征子集中样本最多的类，返回步骤5.3，其中，Dv表示特征子集中在a*上符合
Figure BDA0002254030840000022
的样本子集；
步骤4.5：以(Dv，A\{a*})为分支节点，转到步骤5.2；输出以node为根节点的决策树，其中，A为频域特征向量；
步骤4.6：以各棵决策树共同形成用于故障辨识的随机森林模型。
优选的，所述步骤5.2：分别选择各特征子集中最优划分特征量a*，包括：
选取特征ai的候选划分点Ta＝{t1，t2，...，tv}；
计算特征子集中第k类样本(k＝1，2，...β)所占特征子集的比例为pk；
计算用特征ai对样本集进行划分所获得的信息增益；
信息增益最大的属性选为最优划分特征量a*。
优选的，所述配电网接地数据的频域特征向量通过预先构建的随机森林模型采用投票的方式识别所述配电网接地故障或扰动类型，包括：
基于所述频域特征向量与随机森林模型中决策树中叶节点的频域特征向量对比，若一致则得一票，得票最多的频域特征向量所对应的线路的状态即为配电网接地故障或扰动类型。
一种基于随机森林的配电网接地故障辨识系统，包括：获取模块、提取模块和识别模块；
所述获取模块：用于获取配电网接地数据；
所述提取模块：用于将配电网接地数据进行特征提取得到频域特征向量；
所述识别模块：用于所述配电网接地数据的频域特征向量通过预先构建的随机森林模型采用投票的方式识别所述配电网接地故障或扰动类型；
所述配电网接地数据包括：故障前后的线路三相电流监测采样值、故障前后的零序电压采样值。
优选的，所述随机森林模型包括：训练集构建子模块、特征子集构建子模块、决策树构建子模块和随机森林模型构建子模块；
训练集构建子模块：用于将具有故障或扰动信息对应的配电网历史接地数据进行特征提取得到频域特征向量，并将所述频域特征向量和配电网故障或扰动类型构成训练集；
特征子集构建子模块：用于基于所述训练集进行随机抽取，形成多个特征子集；
决策树构建子模块：用于基于所述特征子集进行分类模型训练，得到不同对应的决策树；
随机森林模型构建子模块：用于将所有的决策树构成的集合作为随机森林模型；
其中，所述故障或扰动类型包括：单相高阻接地故障、单相低阻接地故障、两相短路接地故障、两相相间故障、三相短路接地故障、大电机启动、负载不对称、空载合闸、不同期合闸。
优选的，所决策树构建子模块，还包括：训练单元；
所述训练单元用于：基于各特征子集分别进行训练得到对应的决策树。
优选的，所述识别模块，还包括：投票子模块；
所述投票子模块用于：基于所述频域特征向量与随机森林模型中决策树中叶节点的频域特征向量对比，若一致则得一票，得票最多的频域特征向量所对应的线路的状态即为配电网接地故障或扰动类型。
与现有技术相比，本发明的有益效果为：
1、本发明提供的技术方案一种基于随机森林的配电网接地故障辨识方法，包括：获取待检测配电网接地数据；将待检测配电网接地数据进行特征提取得到频域特征向量；所述待检测配电网接地数据的频域特征向量通过预先构建的随机森林模型采用投票的方式识别所述配电网接地故障或扰动类型；所述配电网接地数据包括：故障前后的线路三相电流监测采样值、故障前后的零序电压采样值。有效解决了单相接地故障的辨识正确率不高的问题，提高了单相接地故障的辨识正确率，且更全面地考虑配电网中的正常、扰动与故障情况。
2、本发明使用的随机森林算法具有很强的自学习和复杂的非线性函数处理能力，具有预测精度高、泛化误差可控、收敛速度快的优势。
附图说明
图1为本发明的一种基于随机森林的配电网接地故障辨识方法流程示意图；
图2为本发明实施例中的一种基于随机森林的配电网接地故障辨识方法流程示意图；
图3为本发明训练随机森林模型的示意图。
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：
一种基于随机森林的配电网接地故障辨识方法，具体包括以下步骤如图2所示：
一种基于随机森林的配电网接地故障辨识方法如图1所示，包括：
S1获取配电网接地数据；
S2将配电网接地数据进行特征提取得到频域特征向量；
S3所述配电网接地数据的频域特征向量通过预先构建的随机森林模型采用投票的方式识别所述配电网接地故障或扰动类型；
所述配电网接地数据包括：故障前后的线路三相电流监测采样值、故障前后的零序电压采样值。
S1获取配电网接地数据；
步骤1：利用收集样本集，样本集包含步骤2所述输入特征向量的所有信息；
在上述的一种基于随机森林的配电网接地故障辨识方法，步骤1所述的特征变量信息包括故障前后的线路三相电流监测采样值、故障前后的零序电压采样值。样本中配电网线路状态包括：
单相高阻接地故障、单相低阻接地故障、两相短路接地故障、两相相间接地故障、三相短路接地故障、大电机启动、负载不对称、空载合闸、不同期合闸这九种状态。
S2将配电网接地数据进行特征提取得到频域特征向量；
步骤2：根据样本集提取时域特征向量，如故障后一周期零序电压有效值、三相电流故障前后一周期的变化量等；利用HHT变换提取零序电压暂态信息得到频域特征向量，结合两者形成训练集{x，y}，x为作为判断的特征物理量数值向量，包含的特征量为A＝{a1，a2，...，ad}，aj代表不同的特征物理量名称，其具体数值存储在xi中，y为线路的状态的标注；
在上述的一种基于随机森林的配电网接地故障辨识方法，步骤2所述线路的状态在y中以“1-9”标记。所述使用HHT提取零序电压频域特征的步骤包括：
步骤2.1：对故障后的零序电压进行频域信息提取，确定零序电压x(t)的所有局部极值点，分别对所有的极大值点、极小值点使用三次样条插值函数，拟合形成信号的上包络线和下包络线。
步骤2.2：上、下包络线的均值记为m1，求出
x(t)-m1＝h1
步骤2.3：判断h1，如果它满足IMF条件(信号在整个时间尺度上的局部极值点数目与过零点的数目差值最多不大于1；任意时刻点对应的上包络线(局部极大值包络)和下包络线(局部极小值包络)的平均为0)，那么h1就是原始信号x(t)的第1个IMF分量。如果h1不满足IMF的条件，把h1作为x(t)，重复步骤(2.1)～(2.3)，直到得到一个满足IMF条件的函数，并记为c1，则c1为信号x(t)的第1个满足IMF条件的分量。
步骤2.4：分离c1得到残余分量r1：
r1＝x(t)-c1
将r1作为x(t)重复步2.1-2.3，得到x(t)的第2个满足IMF条件的分量并记为c2。反复循环nh次，则可以求出原始信号x(t)的nh个满足IMF条件的分量。则有下式存在：
Figure BDA0002254030840000061
步骤2.5：判断
Figure BDA0002254030840000062
是否为单调函数，如果是，则循环结束，如果不是，则转到步骤(1)。当循环结束后，可以得到EMD(经验模态分解)的分解结果为：
Figure BDA0002254030840000063
式中：ci为EMD分解得到的各IMF(有限个本征模函数)分量；
Figure BDA0002254030840000064
为残余函数。
步骤2.6：原始信号x(t)的第i阶IMFci(t)的Hilbert变换为
Figure BDA0002254030840000071
式中，H表示进行Hilbert变换，即进行卷积运算，t为时间；τ为某延时τ；d为微分；
可构成解析信号zi(t)：
Figure BDA0002254030840000072
其中，
Figure BDA0002254030840000073
j为虚数单位；Ai(t)为解析信号的幅值；θi(t)为解析信号的相位；
步骤2.7：得到HT(希尔伯特)变换的值
Figure BDA0002254030840000074
其中，Re[·]表示取实部。ωi(t)为瞬时频率，
Figure BDA0002254030840000075
取故障后若干个周期内，零序电压每个周期HT变换值的最大值、均值或方差加入特征向量。
在上述的一种基于随机森林的配电网接地故障辨识方法，
步骤3：对特征向量集进行随机抽取，形成若干个不同的子特征向量集
Di＝{(x1，y1)，(x2，y2)，...，(xm，ym)}；
步骤3所述参数包括特征子集样本数占所有样本数的比例δ％和特征子集的个数nz。步骤3所述样本抽取，各特征子集之间可以存在重叠的样本。
S3所述配电网接地数据的频域特征向量通过预先构建的随机森林模型采用投票的方式识别所述配电网接地故障或扰动类型；
步骤4：确定训练参数，基于特征子集对随机森林中的决策树进行分类模型训练如图3所示，形成配电网接地故障辨识模型，检测时由每棵决策树进行检测并投票，票数最多的为最终判断结果。
在上述的一种基于随机森林的配电网接地故障辨识方法，步骤4所述参数包括随机森林中的决策树个数nz。基于特征子集对随机森林进行分类模型训练包括以下步骤：
步骤4.1：基于第一个特征子集生成第一棵决策树的节点node；
步骤4.2：选择最优划分特征量；
步骤4.3：对属于特征a*中的划分点
Figure BDA0002254030840000081
为node生成一个分支，令Dv表示D中在a*上符合
Figure BDA0002254030840000082
的样本子集；
步骤4.4：若Dv为空，将分支节点标记为叶节点，其类别标记为D中样本最多的类，返回步骤4.3；
步骤4.5：以(Dv，A\{a*})为分支节点，转到步骤4.2。最终输出以node为根节点的一颗决策树；
步骤4.6：以同样的方式对不同的特征子集生成nz棵决策树，nz棵决策树共同形成用于故障辨识的随机森林模型。
在上述的一种基于随机森林的配电网接地故障辨识方法，步骤4.2中选取最优划分属性的步骤为：
(1)选取特征ai的候选划分点Ta＝{t1，t2，...，tv}；
(2)计算集合D中第k类样本(k＝1，2，...β)所占的比例为pk；
(3)计算用属性a对样本集进行划分所获得的信息增益：
Figure BDA0002254030840000083
式中，pk为第k类样本(k＝1，2，...β)在全部样本中所占的比例
按第v个划分点可将D分为子集
Figure BDA0002254030840000084
与
Figure BDA0002254030840000085
计算最优划分点的信息增益：
Figure BDA0002254030840000086
(4)信息增益最大的属性选为最优属性。
实施例2：
基于同一种发明构思，本发明还提供了一种基于随机森林的配电网接地故障辨识系统，包括：获取模块、提取模块和识别模块；
所述获取模块：用于获取配电网接地数据；
所述提取模块：用于将配电网接地数据进行特征提取得到频域特征向量；
所述识别模块：用于所述配电网接地数据的频域特征向量通过预先构建的随机森林模型采用投票的方式识别所述配电网接地故障或扰动类型；
所述配电网接地数据包括：故障前后的线路三相电流监测采样值、故障前后的零序电压采样值。
所述随机森林模型包括：训练集构建子模块、特征子集构建子模块、决策树构建子模块和随机森林模型构建子模块；
训练集构建子模块：用于将具有故障或扰动信息对应的配电网历史接地数据进行特征提取得到频域特征向量，并将所述频域特征向量和配电网故障或扰动类型构成训练集；
特征子集构建子模块：用于基于所述训练集进行随机抽取，形成多个特征子集；
决策树构建子模块：用于基于所述特征子集进行分类模型训练，得到不同对应的决策树；
随机森林模型构建子模块：用于将所有的决策树构成的集合作为随机森林模型；
其中，所述故障或扰动类型包括：单相高阻接地故障、单相低阻接地故障、两相短路接地故障、两相相间故障、三相短路接地故障、大电机启动、负载不对称、空载合闸、不同期合闸。
所决策树构建子模块，还包括：训练单元；
所述训练单元用于：基于各特征子集分别进行训练得到对应的决策树。
所述识别模块，还包括：投票子模块；
所述投票子模块用于：基于所述频域特征向量与随机森林模型中决策树中叶节点的频域特征向量对比，若一致则得一票，得票最多的频域特征向量所对应的线路的状态即为配电网接地故障或扰动类型。
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 (10)

1.一种基于随机森林的配电网接地故障辨识方法，其特征在于，包括：
获取配电网接地数据；
将配电网接地数据进行特征提取得到频域特征向量；
所述配电网接地数据的频域特征向量通过预先构建的随机森林模型采用投票的方式识别所述配电网接地故障或扰动类型；
所述配电网接地数据包括：故障前后的线路三相电流监测采样值、故障前后的零序电压采样值。
2.如权利要求1所述的一种基于随机森林的配电网接地故障辨识方法，其特征在于，所述预先构建的随机森林模型，包括：
将具有故障或扰动信息对应的配电网历史接地数据进行特征提取得到频域特征向量，并将所述频域特征向量和配电网故障或扰动类型构成训练集；
基于所述训练集进行随机抽取，形成多个特征子集；
基于每个所述特征子集进行分类模型训练，得到对应的决策树；
将所有的决策树构成的集合作为随机森林模型；
其中，所述故障或扰动类型包括：单相高阻接地故障、单相低阻接地故障、两相短路接地故障、两相相间故障、三相短路接地故障、大电机启动、负载不对称、空载合闸、不同期合闸。
3.如权利要求2所述的一种基于随机森林的配电网接地故障辨识方法，其特征在于，所述将具有故障或扰动信息对应的配电网历史接地数据进行特征提取得到频域特征向量，包括：
基于所述历史接地数据通过经验模态分解得到的各有限个本征模函数分量；
通过对各有限个本征模函数分量进行希尔伯特变换得到零序电压每个周期希尔伯特变换值的最大值、均值或方差，并将得到的每个周期希尔伯特变换值的最大值、均值或方差作为频域特征向量。
4.如权利要求2所述的一种基于随机森林的配电网接地故障辨识方法，其特征在于，所述基于特征子集进行分类模型训练，得到不同决策树，包括：
步骤4.1：基于各特征子集生成决策树的节点node；
步骤4.2：分别选择各特征子集中最优划分特征量a*；
步骤4.3：对属于最优划分特征量a*中的划分点
Figure FDA0002254030830000011
为node生成一个分支；
步骤4.4：若Dv为空，将分支节点标记为叶节点，其类别标记为特征子集中样本最多的类，返回步骤5.3，其中，Dv，表示特征子集中在a*上符合
Figure FDA0002254030830000021
的样本子集；
步骤4.5：以(Dv，A\{a*})为分支节点，转到步骤5.2；输出以node为根节点的决策树，其中，A为频域特征向量；
步骤4.6：以各棵决策树共同形成用于故障辨识的随机森林模型。
5.如权利要求4所述的一种基于随机森林的配电网接地故障辨识方法，其特征在于，所述步骤5.2：分别选择各特征子集中最优划分特征量a*，包括：
选取特征ai的候选划分点Ta＝{t1，t2，...，tv}；
计算特征子集中第k类样本(k＝1，2，...β)所占特征子集的比例为pk；
计算用特征ai对样本集进行划分所获得的信息增益；
信息增益最大的属性选为最优划分特征量a*。
6.如权利要求1所述的一种基于随机森林的配电网接地故障辨识方法，其特征在于，所述配电网接地数据的频域特征向量通过预先构建的随机森林模型采用投票的方式识别所述配电网接地故障或扰动类型，包括：
基于所述频域特征向量与随机森林模型中决策树中叶节点的频域特征向量对比，若一致则得一票，得票最多的频域特征向量所对应的线路的状态即为配电网接地故障或扰动类型。
7.一种基于随机森林的配电网接地故障辨识系统，其特征在于，包括：获取模块、提取模块和识别模块；
所述获取模块：用于获取配电网接地数据；
所述提取模块：用于将配电网接地数据进行特征提取得到频域特征向量；
所述识别模块：用于所述配电网接地数据的频域特征向量通过预先构建的随机森林模型采用投票的方式识别所述配电网接地故障或扰动类型；
所述配电网接地数据包括：故障前后的线路三相电流监测采样值、故障前后的零序电压采样值。
8.如权利要求7所述的一种基于随机森林的配电网接地故障辨识系统，其特征在于，所述随机森林模型包括：训练集构建子模块、特征子集构建子模块、决策树构建子模块和随机森林模型构建子模块；
训练集构建子模块：用于将具有故障或扰动信息对应的配电网历史接地数据进行特征提取得到频域特征向量，并将所述频域特征向量和配电网故障或扰动类型构成训练集；
特征子集构建子模块：用于基于所述训练集进行随机抽取，形成多个特征子集；
决策树构建子模块：用于基于所述特征子集进行分类模型训练，得到不同对应的决策树；
随机森林模型构建子模块：用于将所有的决策树构成的集合作为随机森林模型：
其中，所述故障或扰动类型包括：单相高阻接地故障、单相低阻接地故障、两相短路接地故障、两相相间故障、三相短路接地故障、大电机启动、负载不对称、空载合闸、不同期合闸。
9.如权利要求8所述的一种基于随机森林的配电网接地故障辨识系统，其特征在于，所决策树构建子模块，还包括：训练单元；
所述训练单元用于：基于各特征子集分别进行训练得到对应的决策树。
10.如权利要求7所述的一种基于随机森林的配电网接地故障辨识系统，其特征在于，所述识别模块，还包括：投票子模块；
所述投票子模块用于：基于所述频域特征向量与随机森林模型中决策树中叶节点的频域特征向量对比，若一致则得一票，得票最多的频域特征向量所对应的线路的状态即为配电网接地故障或扰动类型。
CN201911051117.1A 2019-10-30 2019-10-30 一种基于随机森林的配电网接地故障辨识方法及系统 Pending CN112748359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911051117.1A CN112748359A (zh) 2019-10-30 2019-10-30 一种基于随机森林的配电网接地故障辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911051117.1A CN112748359A (zh) 2019-10-30 2019-10-30 一种基于随机森林的配电网接地故障辨识方法及系统

Publications (1)

Publication Number Publication Date
CN112748359A true CN112748359A (zh) 2021-05-04

Family

ID=75641713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911051117.1A Pending CN112748359A (zh) 2019-10-30 2019-10-30 一种基于随机森林的配电网接地故障辨识方法及系统

Country Status (1)

Country Link
CN (1) CN112748359A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569904A (zh) * 2021-06-10 2021-10-29 国电南瑞科技股份有限公司 母线接线类型辨识方法、系统、存储介质及计算设备
CN113820624A (zh) * 2021-09-30 2021-12-21 南方电网科学研究院有限责任公司 一种配电网高阻接地故障识别装置
CN114089218A (zh) * 2021-10-19 2022-02-25 广东电网有限责任公司东莞供电局 一种配电网高阻接地故障识别方法、装置、终端及介质
CN114779002A (zh) * 2022-03-29 2022-07-22 南方电网电力科技股份有限公司 一种输电线路故障点定位方法、装置、设备及存储介质
CN115409134A (zh) * 2022-11-02 2022-11-29 湖南一二三智能科技有限公司 用户用电安全检测方法、系统、设备及存储介质
CN117368616A (zh) * 2023-11-20 2024-01-09 北京航能绿电科技有限公司 一种智能化的配电网接地故障监测方法及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569904A (zh) * 2021-06-10 2021-10-29 国电南瑞科技股份有限公司 母线接线类型辨识方法、系统、存储介质及计算设备
CN113820624A (zh) * 2021-09-30 2021-12-21 南方电网科学研究院有限责任公司 一种配电网高阻接地故障识别装置
CN113820624B (zh) * 2021-09-30 2024-04-16 南方电网科学研究院有限责任公司 一种配电网高阻接地故障识别装置
CN114089218A (zh) * 2021-10-19 2022-02-25 广东电网有限责任公司东莞供电局 一种配电网高阻接地故障识别方法、装置、终端及介质
CN114779002A (zh) * 2022-03-29 2022-07-22 南方电网电力科技股份有限公司 一种输电线路故障点定位方法、装置、设备及存储介质
CN114779002B (zh) * 2022-03-29 2024-04-02 南方电网电力科技股份有限公司 一种输电线路故障点定位方法、装置、设备及存储介质
CN115409134A (zh) * 2022-11-02 2022-11-29 湖南一二三智能科技有限公司 用户用电安全检测方法、系统、设备及存储介质
CN117368616A (zh) * 2023-11-20 2024-01-09 北京航能绿电科技有限公司 一种智能化的配电网接地故障监测方法及系统
CN117368616B (zh) * 2023-11-20 2024-04-12 北京航能绿电科技有限公司 一种智能化的配电网接地故障监测方法及系统

Similar Documents

Publication Publication Date Title
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
CN107462764A (zh) 一种电压暂降检测与刻画的自动分段方法
EP2580696A2 (en) Detecting state estimation network model data errors
CN112051480A (zh) 基于变分模态分解的神经网络配电网故障诊断方法及系统
CN110909302A (zh) 交直流电网运行状态参数局部扰动特征学习方法及系统
CN112327104A (zh) 一种含分布式电源配电网的故障检测与定位方法
CN109902133B (zh) 基于电网任意分割区域的多源数据纠错处理方法及系统
CN110490215B (zh) 一种风电场-电网相互作用的模态识别方法及系统
CN114021671A (zh) 一种有源配电网在线故障处理方法和系统
CN113092933A (zh) 一种基于lstm的单相接地故障选线方法及系统
CN112051479A (zh) 一种配电网运行状态识别方法及系统
CN112327208A (zh) 一种调相机转子绕组匝间短路的故障诊断方法及装置
Kesici et al. An optimal pmu placement scheme for early prediction of transient instabilities in power systems
CN113258563B (zh) 柔直孤岛接入的交流电网继电保护灵敏度确定方法及装置
CN115713032A (zh) 一种电网预防控制方法、装置、设备及介质
CN114765574B (zh) 一种网络异常定界定位方法及装置
CN114355100A (zh) 配电网单相弧光接地故障选线方法、系统、设备及介质
CN114764599A (zh) 一种配电网单相接地故障灵敏度分析方法和系统
CN114252725A (zh) 基于HHT和ResNet18的单相接地故障类型综合辨识方法
CN112993977A (zh) 一种基于hht及rvm的主动配电网电能质量扰动识别方法
Hu et al. A data-driven method of users-transformer relationship identification in the secondary power distribution system
CN110873832A (zh) 一种基于小波能量熵的配电网选线方法及系统
Lopes et al. Harmonic selection-based analysis for high impedance fault location using Stockwell transform and random forest
CN114779002B (zh) 一种输电线路故障点定位方法、装置、设备及存储介质
Bozz et al. Metering system planning for state estimation via evolutionary algorithm and H T Δ matrix considering SCADA and PMU measurements

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