CN112816831A - 风电场集电线单相接地故障定位方法 - Google Patents

Abstract

本发明提供一种风电场集电线单相接地故障定位方法，所述方法包括：训练自编码神经网络与随机森林模型相结合的回归模型；实时采集风电场集电线接入的升压站中压母线与集电线末端的三相电压相量，以及集电线首末端的三相电流相量；计算升压站中压母线与集电线末端的零序电压相量，以及集电线首末端的零序电流相量；判断是否出现单相接地故障；如果出现，则将升压站中压母线与集电线末端三相电压、零序电压的有效值、相位，以及集电线首末端三相电流、零序电流的有效值、相位输入训练好的所述回归模型，计算得到故障点至升压站中压母线的距离。本发明可以解决现有技术中集电线单相接地故障定位不准，测点多的问题。

Description

风电场集电线单相接地故障定位方法

技术领域

本发明涉及电力线路故障定位技术领域，具体涉及一种风电场集电线单相接地故障定位方法。

背景技术

在能源危机、环境污染背景下，新能源发电备受重视，装机容量逐年攀升。风力发电，作为目前发展最迅猛的新能源发电形式之一，开发规模日益增大。但是，我国风电场大都位于草原、山地、荒漠、近海等地区，地形复杂，环境恶劣，风电场内部的集电线路常常出现短路故障。虽然线路保护一般可以及时动作，但是风电场复杂的地形、恶劣的环境使得保护动作后不易查找故障点的位置，不能够及时排除故障恢复输电。统计表明，集电线单相接地故障次数一般占集电线总故障次数的八成以上。所以，需要针对单相接地故障设计有效的故障定位方案，以提高故障排除效率，改善风电场运行状况。

风电场一般设置一个升压站，站内安装一台三绕组的主变压器，主变中压侧为35kV。风电场内的集电线接入主变中压侧母线，使电压等级变换至110kV或220kV，最终将电能送入系统。在风电场里，风电机组先与箱式变电站相连，然后经100m左右的电缆接到集电线上，而集电线也往往经电缆与中压母线相连，此段电缆长约几百米。一条集电线上一般会接入多台风机，因此风电场集电线为多分支、线路混合结构。同时，集电线的长度较短，一般不超20km。另外，在升压站中压母线上会设置一台接地变压器实现接地，对于主变中压侧为星型接线的风电场，可以直接在主变中性点实现接地。

由以上分析可以看出，风电场集电线分支很多，并且电缆、架空线混合，再加上风电场中性点接地方式为小电阻接地，使得定位问题十分复杂，目前还没有较为完善的故障定位方案。在工程现场，风电企业还是依靠人力查找故障点，或者是直接使用人眼观察，或者是对每段线路进行现场实验，但是不管采用人眼观察还是现场实验均耗时耗力。在理论研究上，有文献提出先采集每一区段的零序电流，用于判断故障点所在区段，再针对故障区段采用单端阻抗法计算故障位置，但是此方案需要在每一区段均安装电压电流测点，测量装置需求大，实施成本高昂。为减少测点、降低投资成本，有文献提出了少测点的定位方案。比如分别模拟每个区段出现故障，采用短路计算得到每个区段故障时对应的测点数据，通过测点计算数据与测点实际数据的对比，找到与实际数据最接近的模拟故障区段，认为此区段就是实际故障区段；此方案不需要很多测点，但是需要针对每一个区段都进行一次短路计算，计算量较大，而且只能大致判断故障区段。还有基于参数估计的定位方案，即先确定故障区段，再根据故障区段建立所有测点的行波传输方程，采用参数估计得到故障位置；此方案同样所需测点较少，但是这种行波方法在应用时容易受到线路分支的影响，其实际应用时的准确性存疑。

总的来看，针对风电场集电线仍然缺少定位准、测点少的故障定位方案。

发明内容

本发明的目的是提供一种神经网络与随机森林相结合的风电场集电线单相接地故障定位方法及计算机可读存储介质，以解决现有技术中集电线单相接地故障定位不准，测点多的问题。

为了达到上述目的，本发明通过以下技术方案实现：

一种风电场集电线单相接地故障定位方法，所述方法包括：

训练自编码神经网络与随机森林模型相结合的回归模型，所述回归模型的输入量包括：风电场集电线单相接地故障后集电线接入的升压站中压母线与集电线末端三相电压、零序电压的有效值、相位，以及集电线首末端三相电流、零序电流的有效值、相位，输出量为故障点至升压站中压母线的距离；

实时采集风电场集电线的接入的升压站中压母线与集电线末端的三相电压相量，以及集电线首末端的三相电流相量；

计算升压站中压母线与集电线末端的零序电压相量，以及集电线首末端的零序电流相量；

判断是否出现单相接地故障；

如果出现，则将升压站中压母线与集电线末端三相电压、零序电压的有效值、相位，以及集电线首末端三相电流、零序电流的有效值、相位输入训练好的所述回归模型，计算得到故障点至升压站中压母线的距离。

进一步的，通过升压站中压母线处安装的电压测点采集升压站中压母线的三相电压相量，通过集电线末端安装的电压测点采集集电线末端的三相电压相量；

通过集电线首端安装的电流测点采集集电线首端的三相电流相量，通过集电线末端安装的电流测点采集集电线末端的三相电流相量。

进一步的，所述判断是否出现单相接地故障，包括：

判断升压站中压母线的零序电压的有效值是否大于预设倍数的该母线额定相电压有效值；

如果是，继续判断升压站中压母线的三相电压是否存在某两相电压的有效值相近并且大于第三相电压的有效值；

如果是，则判定出现单相接地故障。

进一步的，所述预设倍数为15％。

进一步的，所述回归模型包含两部分，前一部分为自编码神经网络，用于对输入量进行进一步特征提取；后一部分为随机森林模型，基于所述自编码神经网络提取的特征量完成回归，得到故障点至升压站中压母线的距离。

进一步的，所述自编码神经网络包含输入层、编码器和解码器，对编码器与解码器分别设置3层结构，各层神经元数目分别为20、14、8、14、20、32，各层采用的激活函数为ReLU。

进一步的，所述自编码神经网络的优化器为adam，损失函数为mse，评估标准为mae。

进一步的，所述随机森林模型所含决策树的数目为100。

进一步的，用于训练所述回归模型的训练数据集采用如下方式获取：

在仿真软件中建立与实际风电场相一致的风电场模型；

从集电线首端起，每隔预设距离分别设置一个故障点，各个故障点处分别设置不同的过渡电阻，故障类型分别设置为A相接地、B相接地、C相接地；

每种故障状况进行一次仿真，获得风电场集电线单相接地故障后的集电线接入的升压站中压母线与集电线末端三相电压、零序电压的有效值、相位，以及集电线首末端三相电流、零序电流的有效值、相位，构成一个样本，每个样本的标签设为相应故障状况中故障点至升压站中压母线的距离；

采集所有故障状况对应的样本与样本标签，构成训练数据集。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述风电场集电线单相接地故障定位方法的步骤。

本发明与现有技术相比，具有以下有益效果：

1)本发明的神经网络与随机森林相结合的风电场集电线单相接地故障定位方法能够准确判断故障点位置，得到故障点至升压站中压母线的距离；

2)本发明所需测点较少，仅需要在母线、集电线首末端安装测点，而且就目前工程实际来讲，母线以及集电线首端的测点已经存在，因此应用本发明只需增加很少的测点，降低了硬件投资；

3)本发明可以自动计算故障距离，定位迅速，不需要现场试验。

附图说明

为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图：

图1为本发明提供的一种风电场集电线单相接地故障定位方法的流程图；

图2为本发明一实施例中风电场集电线单相接地故障定位方法的实施流程图；

图3为本发明所涉及的自编码神经网络的结构示意图。

具体实施方式

以下结合附图和具体实施方式对本发明提出的技术方案作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

如图1所示，本发明一实施例提供一种神经网络与随机森林相结合的风电场集电线单相接地故障定位方法，包括如下步骤S1～S5：

S1：训练自编码神经网络与随机森林模型相结合的回归模型，所述回归模型的输入量包括风电场集电线单相接地故障后集电线接入的升压站中压母线与集电线末端三相电压、零序电压的有效值、相位，以及集电线首末端三相电流、零序电流的有效值、相位，输出量为故障点至升压站中压母线的距离；

S2：实时采集风电场集电线接入的升压站中压母线与集电线末端的三相电压相量、集电线首末端的三相电流相量；

S3：计算升压站中压母线与集电线末端的零序电压相量，以及集电线首末端的零序电流相量；

S4：判断是否出现单相接地故障；如果出现，则执行步骤S5；

S5：将升压站中压母线与集电线末端三相电压、零序电压的有效值、相位，以及集电线首末端三相电流、零序电流的有效值、相位输入训练好的所述回归模型，计算得到故障点至升压站中压母线的距离。

本发明将故障定位建模成回归问题，将自编码神经网络与随机森林算法相结合构建回归模型，输入所采集的电气量数据即可得到故障点到升压站中压母线的距离，完成故障定位。本发明可以直接获得故障距离，定位更加准确，并且所需测点少，使其实现成本低、适用性较好，同时相对于现有实际应用方案，可自动定位，定位更加迅速，不需要现场试验。

以下结合图2所示实施例对本发明的方案进行详细介绍。

首先，本实施例的测点配置方式为：在集电线接入的升压站中压母线以及集电线末端两处安装电压测点，通过升压站中压母线处电压测点采集得到升压站中压母线的三相电压相量，通过集电线末端处电压测点采集得到集电线末端的三相电压相量，然后由采集到的三相电压相量进一步计算得到对应的零序电压相量，即，由升压站中压母线的三相电压相量计算得到升压站中压母线的零序电压相量，由集电线末端的三相电压相量计算得到集电线末端的零序电压相量，所采用的零序电压相量的计算公式均为

式中

分别为同一测点处的A、B、C三相电压相量以及零序电压相量；在集电线首末端两处安装电流测点，通过集电线首端电流测点采集得到集电线首端的三相电流相量，通过集电线末端电流测点采集得到集电线末端的三相电流相量，然后由采集到的三相电流相量进一步计算得到对应的零序电流相量，即，由集电线首端的三相电流相量计算得到集电线首端的零序电流相量，由集电线末端的三相电流相量计算得到集电线末端的零序电流相量，所采用的零序电流相量的计算公式均为

式中

分别为同一测点处的A、B、C三相电流相量以及零序电流相量。本实施例构建的回归模型输入量即为以上各电压电流的有效值、相位(即，升压站中压母线的三相电压、零序电压的有效值、相位，集电线末端的三相电压、零序电压的有效值、相位，集电线首端的三相电流、零序电流的有效值、相位，集电线末端的三相电流、零序电流的有效值、相位)，共计32个电气量。

其次，本实施例的回归模型包含两部分，前一部分为自编码神经网络，用于对模型输入量做进一步的特征提取；后一部分为随机森林模型，基于自编码神经网络提取的特征量完成回归，得到故障点至升压站中压母线的距离(简称故障距离)。

自编码神经网络的结构简单示意图如图3所示。自编码神经网络的输入即为测点实时采集所得的32个电气量，图3中编码器最后一层输出的即为进一步提取到的特征量。后续的解码器主要辅助判断编码器所提取的特征量的性能，使编码器调整自身参数，改善特征量。本实施例对编码器与解码器分别设置3层结构；各层神经元数目分别为20、14、8、14、20、32；各层采用的激活函数为ReLU；自编码神经网络的优化器为adam，损失函数为mse，评估标准为mae。

随机森林模型的输入为自编码神经网络得到的8个特征量，输出为故障距离。本实施例设置随机森林模型所含决策树的数目为100。

然后对上述构建的回归模型进行训练。为实现模型的训练，须先获取训练数据集，然后正式进行训练。

用于训练所述回归模型的训练数据集采用如下方式获取：

首先在仿真软件中建立与实际风电场相一致的风电场模型，然后从集电线首端起，每隔预设距离(例如300m)分别设置一个故障点，每个故障点处分别设置不同的过渡电阻(例如0Ω、50Ω、100Ω、150Ω、200Ω)，故障类型分别设置为A相接地、B相接地、C相接地。每种故障状况进行一次仿真，获得风电场集电线单相接地故障后的电压电流的有效值、相位(即前述的32个电气量)，构成一个样本，每个样本的标签为相应故障状况对应的故障距离。采集所有故障状况对应的样本与样本标签，最终构成训练数据集。另外，风电场历史故障数据也可以加入训练数据集。

采用训练数据集训练所述回归模型的过程如下：

本实施例的回归模型包含自编码神经网络与随机森林模型两部分，因此整个回归模型需要进行两次训练。在自编码神经网络的训练中，输入训练数据集里所有样本的32个电气量，设置训练迭代次数为100次，训练结束后网络参数得以确定，并得到每个样本对应的8个新特征量。在随机森林模型的训练中，以每一样本在第一次训练时得到的8个新特征量构成新的样本，每个新样本的样本标签与原样本的样本标签相同，从而形成新的训练数据集；使用新训练数据集所含样本及样本标签训练随机森林模型，最终确定随机森林模型的内部结构。

在回归模型的实际应用中，通过按照上述测点配置方式安装的电压测点和电流测点，实时采集风电场集电线接入的升压站中压母线与集电线末端三相电压相量、集电线首末端三相电流相量，并计算升压站中压母线与集电线末端零序电压相量，以及集电线首末端零序电流相量，从而得到了升压站中压母线与集电线末端三相电压、零序电压的有效值、相位，以及集电线首末端三相电流、零序电流的有效值、相位(即前述的32个电气量)，然后通过启动模块判断风电场是否出现单相接地故障，若出现则启动后续的故障距离判断模块得到故障距离。

启动模块根据升压站中压母线的电压相量进行判断，具体包括：

判断升压站中压母线的零序电压的有效值是否大于预设倍数的该母线额定相电压有效值；

如果是，继续判断升压站中压母线的三相电压是否存在某两相电压的有效值相近并且大于第三相电压的有效值。也就是，判断中压母线三相电压的有效值U_A、U_B、U_C是否存在U_C<U_A≈U_B或U_B<U_A≈U_C或U_A<U_B≈U_C的关系，具体判断方法是指：对有效值U_A、U_B、U_C进行大小排序，最小值记作U_min、最大值记作U_max、另一有效值记作U_mid，然后做比值U_max/U_min、U_mid/U_min、U_max/U_mid，若U_max/U_min、U_mid/U_min都大于1.1，并且U_max/U_mid小于1.1，表明U_A、U_B、U_C之间存在U_C<U_A≈U_B或U_B<U_A≈U_C或U_A<U_B≈U_C的关系，否则不存在。

如果是，则判定出现单相接地故障。

上述判断过程中，升压站中压母线零序电压

的有效值U_m0大于预设倍数的此母线额定相电压有效值，作为启动条件1，其中预设倍数可以为15％。当启动条件1满足后，表明风电场出现不对称接地故障，然后进一步判断所出现的不对称接地故障是否为单相接地故障。

上述启动条件1的原理在于：风电场一般采用小电阻接地，或是主变压器中压侧采用星型接线，直接引出中性点经小电阻接地，或是利用接地变压器制造一个中性点经小电阻接地。当集电线出现不对称接地短路时，风电场内部就会形成一个完整的零序回路(故障点-集电线-主变压器或接地变压器)，使得集电线接入的升压站中压母线出现零序电压，而零序电压在正常或出现其它短路故障时并不存在。因此，当中压母线出现较大零序电压时，可以认为集电线出现了不对称接地短路。

升压站中压母线三相电压是否存在某两相电压的有效值相近并且大于第三相电压的有效值，作为启动条件2。当启动条件2满足时，表明当前不对称接地故障为单相接地故障，从而启动后续的故障距离判断模块得到故障距离。

上述启动条件2的原理在于：集电线单相接地故障会导致故障点处故障相电压出现跌落，小于其余两正常相电压，并且两正常相电压的有效值是相等的，而由于集电线较短(一般在20km以内)，主变中压母线处的三相电压也会出现上述状况。因此，可以比较中压母线三相电压的有效值，当存在某两相电压的有效值相近并且大于第三相电压的有效值时，表明当前故障为单相接地故障。

采用故障距离判断模块得到故障距离，具体如下：将获取的32个电气量(即，升压站中压母线的三相电压、零序电压的有效值、相位，集电线末端的三相电压、零序电压的有效值、相位，集电线首端的三相电流、零序电流的有效值、相位，集电线末端的三相电流、零序电流的有效值、相位)输入回归模型的自编码神经网络部分，得到编码器最后一层输出的8个新特征量；然后将此8个新特征量再输入回归模型的随机森林部分，就可以得到故障距离。

采用以上回归模型计算故障距离的原理在于：在集电线出现不对称接地故障时，风电场内母线电压、集电线首端电流以及集电线末端电压电流均会出现变化，而且这些电气量变化后的数值与故障距离存在着紧密的关系，若能够将此关系表征出来，就可以用于确定故障距离。但是，由于这些物理量之间的耦合关系较为复杂，依靠人为表征的方式十分困难，因此本实施例引入智能算法建立回归模型，自适应地挖缺其中的关系。所采用的随机森林算法可以有效完成非线性问题的回归建模工作，表征输入量与输出量之间的联系；并且，为提升随机森林回归的准确性，本实施例首先采用自编码神经网络进一步提炼输入量，将输入量由32个减少至8个，这8个新特征量与故障距离的关系将更加明确，更有利于后续随机森林的回归建模工作。最终，自编码神经网络与随机森林相结合，可以更加准确地得到故障距离，完成故障定位。

最后，对故障位置进行复位，并进行下一次定位。

综上所述，本发明具有以下有益效果：1)本发明的神经网络与随机森林相结合的风电场集电线单相接地故障定位方法能够准确判断故障点位置，得到故障点至升压站中压母线的距离；2)本发明所需测点较少，仅需要在母线、集电线首末端安装测点，而且就目前工程实际来讲，母线以及集电线首端的测点已经存在，因此应用本发明只需增加很少的测点，降低了硬件投资；3)本发明可以自动计算故障距离，定位迅速，不需要现场试验。

基于同一发明构思，本发明另一实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述风电场集电线单相接地故障定位方法的步骤。本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种风电场集电线单相接地故障定位方法，其特征在于，所述方法包括：

训练自编码神经网络与随机森林模型相结合的回归模型，所述回归模型的输入量包括：风电场集电线单相接地故障后集电线接入的升压站中压母线与集电线末端三相电压、零序电压的有效值、相位，以及集电线首末端三相电流、零序电流的有效值、相位，输出量为故障点至升压站中压母线的距离；

实时采集风电场集电线接入的升压站中压母线与集电线末端的三相电压相量，以及集电线首末端的三相电流相量；

计算升压站中压母线与集电线末端的零序电压相量，以及集电线首末端的零序电流相量；

判断是否出现单相接地故障；

如果出现，则将升压站中压母线与集电线末端三相电压、零序电压的有效值、相位，以及集电线首末端三相电流、零序电流的有效值、相位输入训练好的所述回归模型，计算得到故障点至升压站中压母线的距离。

2.如权利要求1所述的风电场集电线单相接地故障定位方法，其特征在于，通过升压站中压母线处安装的电压测点采集升压站中压母线的三相电压相量，通过集电线末端安装的电压测点采集集电线末端的三相电压相量；

通过集电线首端安装的电流测点采集集电线首端的三相电流相量，通过集电线末端安装的电流测点采集集电线末端的三相电流相量。

3.如权利要求1所述的风电场集电线单相接地故障定位方法，其特征在于，所述判断是否出现单相接地故障，包括：

判断升压站中压母线的零序电压的有效值是否大于预设倍数的该母线额定相电压有效值；

如果是，继续判断升压站中压母线的三相电压是否存在某两相电压的有效值相近并且大于第三相电压的有效值；

如果是，则判定出现单相接地故障。

4.如权利要求3所述的风电场集电线单相接地故障定位方法，其特征在于，所述预设倍数为15％。

5.如权利要求1所述的风电场集电线单相接地故障定位方法，其特征在于，所述回归模型包含两部分，前一部分为自编码神经网络，用于对输入量进行进一步特征提取；后一部分为随机森林模型，基于所述自编码神经网络提取的特征量完成回归，得到故障点至升压站中压母线的距离。

6.如权利要求5所述的风电场集电线单相接地故障定位方法，其特征在于，所述自编码神经网络包含输入层、编码器和解码器，对编码器与解码器分别设置3层结构，各层神经元数目分别为20、14、8、14、20、32，各层采用的激活函数为ReLU。

7.如权利要求6所述的风电场集电线单相接地故障定位方法，其特征在于，所述自编码神经网络的优化器为adam，损失函数为mse，评估标准为mae。

8.如权利要求5所述的风电场集电线单相接地故障定位方法，其特征在于，所述随机森林模型所含决策树的数目为100。

9.如权利要求1所述的风电场集电线单相接地故障定位方法，其特征在于，用于训练所述回归模型的训练数据集采用如下方式获取：

在仿真软件中建立与实际风电场相一致的风电场模型；

从集电线首端起，每隔预设距离分别设置一个故障点，各个故障点处分别设置不同的过渡电阻，故障类型分别设置为A相接地、B相接地、C相接地；

每种故障状况进行一次仿真，获得风电场集电线单相接地故障后的集电线接入的升压站中压母线与集电线末端三相电压、零序电压的有效值、相位，以及集电线首末端三相电流、零序电流的有效值、相位，构成一个样本，每个样本的标签设为相应故障状况中故障点至升压站中压母线的距离；

采集所有故障状况对应的样本与样本标签，构成训练数据集。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述风电场集电线单相接地故障定位方法的步骤。

Images