CN112834863A - 利用电力线通信中的阻抗估计算法监测电力线故障的方法 - Google Patents

Abstract

本发明公开了利用电力线通信中的阻抗估计算法监测电力线故障的方法，具体按照以下步骤实施：步骤1，从单位长度的电阻R、电感L、导纳G和电容C的理论模型中导出参数，采用自底向上的方法对信道进行建模，得到信道模型，通过信道模型获得输入阻抗、信道频率响应；步骤2，使用机器学习对步骤1获得的输入阻抗进行跟踪预测；步骤3，基于阻抗估计技术对输入阻抗进行实时监测，通过输入阻抗的变化判断电力线是否发生故障。本发明方法不仅能够对电力线中的阻抗进行预测，同时能够通过阻抗来反映出是否发生故障。

Description

利用电力线通信中的阻抗估计算法监测电力线故障的方法

技术领域

本发明属于电力线故障监测技术领域，具体涉及利用电力线通信中的阻抗估计算法监测电力线故障的方法。

背景技术

电力线通信作为电力系统特有的通信系统，在电力系统中发挥着重要的作用。目前，在城市配电网中，电缆占有较大的比重，因此使用电力线通信技术对电网进行监控具有一定的经济性。电力线故障的发生会影响电力系统的稳定运行，对电气故障进行实时监测并快速定位是未来智能电网发展的方向。

近年来，对故障进行监测和定位的研究也越来越多，人工智能技术也常被用于故障识别，例如使用人工神经网络技术进行输电线路故障检测与定位，目前，人工智能技术和电力线通信技术也相结合用于对电网的监控，例如使用电力线通信调制解调器作为电网传感器来实现配电网异常自动检测，使用电力线通信技术和机器学习技术对电缆基础设施的老化进行监测以及对网络的阻抗进行实时监控。但人工智能技术对数据的要求较高，不光需要数据的准确性，而且对于数据的数量也有一定的要求，并且使用中心局测量的阻抗数据会有一定的延时。

电网的可靠连续运行是电网运行的基本要求，但发生故障时会影响这一要求甚至会造成严重的经济损失，因此，必须尽快识别。

发明内容

本发明的目的是提供利用电力线通信中的阻抗估计算法监测电力线故障的方法，不仅能够对电力线中的阻抗进行预测，同时能够通过阻抗来反映出是否发生故障。

本发明所采用的技术方案是，利用电力线通信中的阻抗估计算法监测电力线故障的方法，具体按照以下步骤实施：

步骤1，从单位长度的电阻R、电感L、导纳G和电容C的理论模型中导出参数，采用自底向上的方法对信道进行建模，得到信道模型，通过信道模型获得输入阻抗、信道频率响应；

步骤2，使用机器学习对步骤1获得的输入阻抗进行跟踪预测；

步骤3，基于阻抗估计技术对输入阻抗进行实时监测，通过输入阻抗的变化判断电力线是否发生故障。

本发明的特点还在于，

步骤1具体按照以下步骤实施：

步骤1.1，将典型的拓扑网络结构分成n个基本单元，每个所述基本单元的结构为只有主干或者包括主干及若干个分支，对于包括若干个分支的基本单元，将分支等效成支路侧的阻抗且分支与主干并联，则第n个基本单元的输入阻抗为：

式(1)中，γ₁ ⁽ⁿ⁾表示传播常数，l₁ ⁽ⁿ⁾表示电力线长度，Z_c1 ⁽ⁿ⁾表示位置1处的特征线阻抗；

其中，Z_p ⁽ⁿ⁾由式(2)获得，即：

其中，

是网络负载侧的阻抗，Z_inb ⁽ⁿ⁾是网络分支侧的阻抗；

步骤1.2，根据接收侧和发送侧之间的电压法，计算第n个基本单元的信道频率响应；

步骤1.3，通过重复计算步骤1.2的第n个基本单元的信道频率响应，得到每个基本单元的信道频率响应，从而计算总信道频率响应。

步骤1.2中第n个基本单元的信道频率响应的表达式为：

式(3)中，V_l ⁽ⁿ⁾为接收端电压，V_in ⁽ⁿ⁾为发射端电压，V_p ⁽ⁿ⁾为分支电压；

其中，

由式(4)获得，

由式(5)获得，即：

式(4)中Γ_L ⁽ⁿ⁾由式(6)获得，即：

式(6)中，Z_L ⁽ⁿ⁾为发射机接收端的阻抗；Z_c2 ⁽ⁿ⁾表示位置2处的特征线阻抗。

式(5)中Γ_P ⁽ⁿ⁾由式(7)获得，即：

式(7)中，Z_c1 ⁽ⁿ⁾表示位置1处的特征线阻抗。

步骤1.3总信道频率响应的表达式为：

步骤2具体按照以下步骤实施：

步骤2.1，将步骤1中获得的信道频率响应进行变分模态分解，得到6个固有模态分量；

步骤2.2，使用决策树对步骤2.1获得的固有模态分量中的前三个固有模态分量进行训练，将前三个固有模态分量作为输入，输入阻抗的幅值和相位作为输出，对输入阻抗进行回归预测。

步骤3中判断电力线是否发生故障的表达式为：

式(9)中，Z_in-fault ^gc为当发生故障时gc点的输入阻抗；

Z_in ^gc为稳态时gc点的输入阻抗；

当Δ的值变化明显，则判断电力线发生故障。

本发明的有益效果在于：本发明监测电力线故障的方法，能够对电力线故障进行实时检测，并快速识别故障且结果准确。

附图说明

图1是本发明利用电力线通信中的阻抗估计算法监测电力线故障的方法中典型的拓扑网络结构图；

图2是本发明利用电力线通信中的阻抗估计算法监测电力线故障的方法中第n个基本单元的详细结构图；

图3是本发明利用电力线通信中的阻抗估计算法监测电力线故障的方法中将一组CFR数据进行VMD分解后的图形；

图4是本发明利用电力线通信中的阻抗估计算法监测电力线故障的方法中对阻抗相位的预测效果图；

图5是本发明利用电力线通信中的阻抗估计算法监测电力线故障的方法中对阻抗幅值的预测效果图；

图6是本发明利用电力线通信中的阻抗估计算法监测电力线故障的方法中简单网络拓扑结构图；

图7是本发明利用电力线通信中的阻抗估计算法监测电力线故障的方法中简单网络故障时的CFR和输入阻抗预测值；

图8是本发明利用电力线通信中的阻抗估计算法监测电力线故障的方法中简单网络不同故障电阻下|Δ|的变化情况。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明利用电力线通信中的阻抗估计算法监测电力线故障的方法，具体按照以下步骤实施：

步骤1，从单位长度的电阻R、电感L、导纳G和电容C的理论模型中导出参数，采用自底向上的方法对信道进行建模，得到信道模型，通过信道模型获得输入阻抗、信道频率响应；

步骤1.1，将典型的拓扑网络结构，如图1所示，分成n个基本单元，每个基本单元的结构为只有主干或者包括主干及若干个分支，每个分支为无下级分支或者包括一个下级分支或者包括若干个下级分支，对于包括多级分支的基本单元，通过将等效分支阻抗传送回主干节点来简化计算，即：将分支等效成支路侧的阻抗且分支与主干并联，第n个基本单元的详细拓扑结构图如图2所示，则第n个基本单元的输入阻抗为：

式(1)中，γ₁ ⁽ⁿ⁾表示传播常数，l₁ ⁽ⁿ⁾表示电力线长度，Z_c1 ⁽ⁿ⁾表位置1处的特征线阻抗；

其中，Z_p ⁽ⁿ⁾由式(2)获得，即：

其中，

是网络负载侧的阻抗，Z_inb ⁽ⁿ⁾是网络分支侧的阻抗；

通过公式(1)和公式(2)得到第n基本单元的输入阻抗，可得知第n个基本单元的输入阻抗可以由后向前迭代，算出第n-1个基本单元的输入阻抗，故可得到每个单元的输入阻抗；

步骤1.2，根据接收侧和发送侧之间的电压法(VRA法)，计算第n个基本单元的信道频率响应，即：

式(3)中，V_l ⁽ⁿ⁾为接收端电压，V_in ⁽ⁿ⁾为发射端电压，V_p ⁽ⁿ⁾为分支电压；

其中，

由式(4)获得，

由式(5)获得，即：

式(4)中Γ_L ⁽ⁿ⁾由式(6)获得，即：

式(6)中，Z_L ⁽ⁿ⁾为发射机接收端的阻抗；Z_c2 ⁽ⁿ⁾表示位置2处的特征线阻抗。

式(5)中Γ_P ⁽ⁿ⁾由式(7)获得，即：

式(7)中，Z_c1 ⁽ⁿ⁾表示位置1处的特征线阻抗；

步骤1.3，通过重复计算步骤1.2的第n个基本单元的信道频率响应，得到每个基本单元的信道频率响应，从而计算总信道频率响应，即：

步骤2，使用机器学习对步骤1获得的输入阻抗进行跟踪预测；

步骤2.1，将步骤1中获得的信道频率响应进行变分模态分解，如图3所示，得到6个固有模态分量；

变分模态分解(VMD)能将原始信号进行多分量自适应分解，该方法自己能确定频带信息，估计出对应的分解模式，通过VMD特征提取，能够将输入信号分解成一组固有模态函数(IMF)，分解得到的固有模态函数含有能代表原始信号特性的分量；

步骤2.2，使用决策树对步骤2.1获得的固有模态分量中的前三个固有模态分量进行训练，将前三个固有模态分量作为输入，输入阻抗的幅值和相位作为输出，对输入阻抗进行回归预测，其预测效果如图4和图5所示，阻抗估计技术对阻抗有很好的预测作用，所以预测的输入阻抗也是判断故障是否发生的良好指标；

在信道频率响应的VMD结果中，前三个固有模态分量的频率稍低一些，后面三个的频率较高，而同时比较阻抗特性和这六个固有模态分量时，发现第三个固有模态分量的频率与阻抗的频率非常接近，在实验中发现第三个固有模态分量单独跟踪阻抗幅值时表现也比较好，但是在单独跟踪阻抗相位时表现不佳，所以最终选择用前三个固有模态分量共同来跟踪阻抗；

决策树算法是一种常用的机器学习算法，经常被用于分类问题和回归拟合数据，构建决策树算法的过程是一种从上往下的总结过程，在决策树的构建过程中，一般把数据样本的各个属性当作决策树的节点，不同大小的属性决定了决策树分支的结构，所以决策树反映的是根节点到叶子节点间的关系，可以直接调用；

步骤3，基于阻抗估计技术对输入阻抗进行实时监测，通过输入阻抗的变化判断电力线是否发生故障；

判断电力线是否发生故障的表达式为：

式(9)中，Z_in-fault ^gc为当发生故障时gc点的输入阻抗；

Z_in ^gc为稳态时gc点的输入阻抗；

当Δ的值变化明显，则判断电力线发生故障。

步骤4，仿真验证：

选用简单网络拓扑结构，如图6所示，具体结构为：包括三个基本单元且每个基本单元包括一个分支；当简单网络在故障点分别发生10欧姆，100欧姆，1000欧姆的故障时，由于输入阻抗是通过迭代回溯计算出来的，所以当一个简单网络发生故障时，接收机处的输入阻抗一定会发生变化，通过简单网络在故障点分别发生10欧姆，100欧姆，1000欧姆的故障时的信道频率响应来预测输入阻抗，如图7所示；通过监控|Δ|值来说明是否发生故障或系统异常，分别监控简单网络在故障点分别发生10欧姆，100欧姆，1000欧姆的故障时|Δ|值的变化，如图8所示，故|Δ|值变化明显。

Claims (6)

1.利用电力线通信中的阻抗估计算法监测电力线故障的方法，其特征在于，具体按照以下步骤实施：

步骤1，从单位长度的电阻R、电感L、导纳G和电容C的理论模型中导出参数，采用自底向上的方法对信道进行建模，得到信道模型，通过信道模型获得输入阻抗、信道频率响应；

步骤2，使用机器学习对步骤1获得的输入阻抗进行跟踪预测；

步骤3，基于阻抗估计技术对输入阻抗进行实时监测，通过输入阻抗的变化判断电力线是否发生故障。

2.根据权利要求1所述利用电力线通信中的阻抗估计算法监测电力线故障的方法，其特征在于，所述步骤1具体按照以下步骤实施：

步骤1.1，将典型的拓扑网络结构分成n个基本单元，每个所述基本单元的结构为只有主干或者包括主干及若干个分支，对于包括若干个分支的基本单元，将分支等效成支路侧的阻抗且分支与主干并联，则第n个基本单元的输入阻抗为：

式(1)中，γ₁ ⁽ⁿ⁾表示传播常数，l₁ ⁽ⁿ⁾表示电力线长度，Z_c1 ⁽ⁿ⁾表示位置1处的特征线阻抗；

其中，Z_p ⁽ⁿ⁾由式(2)获得，即：

其中，Z_inl ⁽ⁿ⁾是网络负载侧的阻抗，Z_inb ⁽ⁿ⁾是网络分支侧的阻抗；

步骤1.2，根据接收侧和发送侧之间的电压法，计算第n个基本单元的信道频率响应；

步骤1.3，通过重复计算步骤1.2的第n个基本单元的信道频率响应，得到每个基本单元的信道频率响应，从而计算总信道频率响应。

3.根据权利要求2所述利用电力线通信中的阻抗估计算法监测电力线故障的方法，其特征在于，所述步骤1.2中第n个基本单元的信道频率响应的表达式为：

式(3)中，V_l ⁽ⁿ⁾为接收端电压，V_in ⁽ⁿ⁾为发射端电压，V_p ⁽ⁿ⁾为分支电压；

其中，

由式(4)获得，

由式(5)获得，即：

式(4)中Γ_L ⁽ⁿ⁾由式(6)获得，即：

式(6)中，Z_L ⁽ⁿ⁾为发射机接收端的阻抗；Z_c2 ⁽ⁿ⁾表示位置2处的特征线阻抗。

式(5)中Γ_P ⁽ⁿ⁾由式(7)获得，即：

式(7)中，Z_c1 ⁽ⁿ⁾表示位置1处的特征线阻抗。

4.根据权利要求2所述利用电力线通信中的阻抗估计算法监测电力线故障的方法，其特征在于，所述步骤1.3总信道频率响应的表达式为：

5.根据权利要求1所述利用电力线通信中的阻抗估计算法监测电力线故障的方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1，将步骤1中获得的信道频率响应进行变分模态分解，得到6个固有模态分量；

步骤2.2，使用决策树对步骤2.1获得的固有模态分量中的前三个固有模态分量进行训练，将前三个固有模态分量作为输入，输入阻抗的幅值和相位作为输出，对输入阻抗进行回归预测。

6.根据权利要求1所述利用电力线通信中的阻抗估计算法监测电力线故障的方法，其特征在于，所述步骤3中判断电力线是否发生故障的表达式为：

式(9)中，Z_in-fault ^gc为当发生故障时gc点的输入阻抗；

Z_in ^gc为稳态时gc点的输入阻抗；

当Δ的值变化明显，则判断电力线发生故障。

Images