CN112904145A - 一种配电网单相接地故障区段定位方法及系统 - Google Patents
一种配电网单相接地故障区段定位方法及系统 Download PDFInfo
- Publication number
- CN112904145A CN112904145A CN202110085337.7A CN202110085337A CN112904145A CN 112904145 A CN112904145 A CN 112904145A CN 202110085337 A CN202110085337 A CN 202110085337A CN 112904145 A CN112904145 A CN 112904145A
- Authority
- CN
- China
- Prior art keywords
- transient zero
- primary
- hidden layer
- distribution network
- secondary fusion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000001052 transient effect Effects 0.000 claims abstract description 73
- 230000004927 fusion Effects 0.000 claims abstract description 59
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000009471 action Effects 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 238000002955 isolation Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明提供了一种配电网单相接地故障区段定位方法及系统，包括步骤：各配电网一二次融合智能开关采集所在区段的暂态零序电流和暂态零序电压波形，并进行波形归一化处理；将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量；将获得的电流和电压最佳特征向量进行拼接，并输入训练好的BP神经网络中，以判别特征对应的一二次融合智能开关是否位于故障点上游；若位于故障点上游，则一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障。本发明能够实现对单相接地故障区段的可靠就地定位和隔离。
Description
技术领域
本发明涉及电力系统故障定位技术领域，特别是一种配电网单相接地故障区段定位方法及系统。
背景技术
谐振接地系统发生单相接地故障后，线电压是对称的，系统仍可继续运行1-2小时。但为了防止相电压上升和绝缘被破坏，必须尽快找出并隔离单相接地故障，否则容易扩展为两点接地甚至多点接地故障，扩大停电范围，对电气设备和系统安全造成一定危害。针对配电网单相接地故障定位问题已研究数十年，提出了诸多原理可行的判据，但目前应用于工程上的故障指示器判别成功率较低，运维人员最终只能采用人工排查故障方式，耗费大量人力、物力和财力。因此，工程上急需可以解决配电网单相接地故障定位问题的良好方案。
针对当前谐振接地配电网定位研究中存在过度依赖通信、人工难以提取故障有效特征、阈值选取困难、现场故障波形数据难以大量获取等问题，着眼于配电网一二次融合智能开关的逐步投入使用。
发明内容
有鉴于此，本发明的目的是提出一种配电网单相接地故障区段定位方法及系统，能够实现对单相接地故障区段的可靠就地定位并隔离。
本发明采用以下方案实现：一种配电网单相接地故障区段定位方法，具体包括以下步骤：
各配电网一二次融合智能开关采集所在区段的暂态零序电流和暂态零序电压波形，并进行波形归一化处理；
将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量；
将获得的电流和电压最佳特征向量进行拼接，并输入训练好的BP神经网络中，以判别特征对应的一二次融合智能开关是否位于故障点上游；
若位于故障点上游，则一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障。
进一步地，所述波形归一化处理具体如下：
式中，Xi为原始暂态零序电流或电压波形的第i个数据，Xi *为归一化后的暂态零序电流或电压波形的第i个数据；i＝1,2,…,n，n是原始暂态零序电流或电压波形的采样点数。
进一步地，所述将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量具体包括以下步骤：
经归一化后，各一二次融合开关将所在区段的暂态零序电流和暂态零序电压数据输入自编码器模型中，先对输入数据x进行编码，公式如下：
hi＝tanh(Wix+bi)；
式中，下标i＝1,2,…,n表示第i个神经元对应的参数，n为自编码器模型隐含层的神经元数目；W矩阵为编码权值参数；b为编码偏置向量，h为隐含层提取的特征；
对隐含层提取的特征h进行编码，公式如下：
式中，下标j＝1,2,…,m表示第j个神经元对应的参数，m为输出层的神经元数目；W′矩阵为解码权值参数；b′为解码偏置向量；
为所重构的波形数据。
进一步地，所述自编码器在训练时的目标函数如下：
式中，λ为权重衰减参数，
为权重衰减项；N为自编码器模型输入数据的数量；
网络采用无监督逐层贪婪训练方式，当E小于设置的阈值，则认为输入数据的特征已包含在隐含层的特征向量中。
进一步地，所述自编码器模型中的隐含层包含10个神经元，获取的电流和电压特征向量分别包含10个采样点。
进一步地，所述BP神经网络包含输入层、隐含层与输出层，其中隐含层包含10个神经元，输出层包含2个神经元，利用正向传播和反向传播两个学习过程对所述BP神经网络进行训练。
进一步地，所述一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障具体为：越靠近母线，整定的延时时间越长，延时最短的一二次融合智能开关跳闸以隔离故障区段。
本发明提供了一种配电网单相接地故障区段定位系统，包括设置在配电网各区段上的一二次融合智能开关，存储器、处理器以及存储于存储器上并能够被处理器所运行的计算机程序指令；
所述一二次融合智能开关采集所在区段的暂态零序电流和暂态零序电压波形，并将其传输至处理器；
所述处理器在运行所述计算机程序指令时，进行如下步骤：
对一二次融合智能开关采集的数据进行归一化处理；
将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量；
将获得的电流和电压最佳特征向量进行拼接，并输入训练好的BP神经网络中，以判别特征对应的一二次融合智能开关是否位于故障点上游；
若位于故障点上游，则控制此处的一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障。
进一步地，所述自编码器模型中的隐含层包含10个神经元，获取的电流和电压特征向量分别包含10个采样点；
所述将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量具体包括以下步骤：
经归一化后，各一二次融合开关将所在区段的暂态零序电流和暂态零序电压数据输入自编码器模型中，先对输入数据x进行编码，公式如下：
hi＝tanh(Wix+bi)；
式中，下标i＝1,2,…,n表示第i个神经元对应的参数，n为自编码器模型隐含层的神经元数目；W矩阵为编码权值参数；b为编码偏置向量，h为隐含层提取的特征；
对隐含层提取的特征h进行编码，公式如下：
式中，下标j＝1,2,…,m表示第j个神经元对应的参数，m为输出层的神经元数目；W′矩阵为解码权值参数；b′为解码偏置向量；
为所重构的波形数据；
所述自编码器在训练时的目标函数如下：
式中，λ为权重衰减参数，
为权重衰减项；N为自编码器模型输入数据的数量；
网络采用无监督逐层贪婪训练方式，当E小于设置的阈值，则认为输入数据的特征已包含在隐含层的特征向量中。
进一步地，所述一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障具体为：越靠近母线，整定的延时时间越长，延时最短的一二次融合智能开关跳闸以隔离故障区段。
与现有技术相比，本发明有以下有益效果：
1、本发明中，各配电网一二次融合智能开关只利用自己监测的电流和电压信息，具有自具性，只需上传判别结果给主站，上传数据量小，通信负担小；还可以实现单相接地故障快速、就地研判和隔离的目标，极大地减少人工巡检带来的劳力消耗，并提高供电可靠性。
2、本发明利用自编码器先自适应提取暂态零序电流和暂态零序电压数据的特征向量，再进行特征融合，不需要大量数据对BP神经网络进行训练，不受网络结构变化、线路类型、过渡电阻和补偿度等因素影响，同时还可以适应现场的复杂工况，较好地克服了实际现场故障数据难以获取的问题。
附图说明
图1为本发明实施例的方法流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文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。
如图1所示，本实施例提供了一种配电网单相接地故障区段定位方法，具体包括以下步骤：
各配电网一二次融合智能开关采集所在区段的暂态零序电流和暂态零序电压波形，并进行波形归一化处理；
将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量；
将获得的电流和电压最佳特征向量进行拼接，并输入训练好的BP神经网络中，以判别特征对应的一二次融合智能开关是否位于故障点上游；
若位于故障点上游，则一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障。
较佳的，本实施例中的故障数据来源于PSCAD/EMTDC软件上搭建的10kV配电网仿真模型。所获取的数据为故障发生后首半个工频周波的零序电流和零序电压波形。
在本实施例中，所述波形归一化处理具体如下：
式中，Xi为原始暂态零序电流或电压波形的第i个数据，Xi *为归一化后的暂态零序电流或电压波形的第i个数据；i＝1,2,…,n，n是原始暂态零序电流或电压波形的采样点数。
其中，本实施例仿真模型的采样频率为10kHZ，其暂态零序电流和暂态零序电压的采样点数为100。
在本实施例中，所述将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量具体包括以下步骤：
经归一化后，各一二次融合开关将所在区段的暂态零序电流和暂态零序电压数据输入自编码器模型中，先对输入数据x进行编码，公式如下：
hi＝tanh(Wix+bi)；
式中，下标i＝1,2,…,n表示第i个神经元对应的参数，n为自编码器模型隐含层的神经元数目；W矩阵为编码权值参数；b为编码偏置向量，h为隐含层提取的特征；
对隐含层提取的特征h进行编码，公式如下：
式中，下标j＝1,2,…,m表示第j个神经元对应的参数，m为输出层的神经元数目；W′矩阵为解码权值参数；b′为解码偏置向量；
为所重构的波形数据。
在本实施例中，为了使
需要在训练时引入误差代价函数，使两者逼近。所述自编码器在训练时的目标函数如下：
式中，λ为权重衰减参数，
为权重衰减项，这两者都可以减小权重；N为自编码器模型输入数据的数量；
网络采用无监督逐层贪婪训练方式，当E小于设置的阈值，则认为输入数据的特征已包含在隐含层的特征向量中。
在本实施例中，所述自编码器模型中的隐含层包含10个神经元，获取的电流和电压特征向量分别包含10个采样点。
在本实施例中，特征融合后获取该区段的拼接特征向量，含20个采样点，为1*20的一维向量。
在本实施例中，所述BP神经网络包含输入层、隐含层与输出层，其中隐含层包含10个神经元，输出层包含2个神经元，利用正向传播和反向传播两个学习过程对所述BP神经网络进行训练。
具体的，BP神经网络的训练过程如下：
1)初始化BP神经网络的网络结构，包括：输入层、隐含层和输出层的神经元数目、学习率、迭代次数等。输入层的神经元数目与输入数据有关，此处应设为20；输出层神经元设为2，以分类故障点上游区段和其他区段两类。
2)用PSCAD/EMTDC仿真数据验证方法可行性时，通过配电网仿真模型模拟各种单相接地故障情况，包括不同故障区段、故障电阻、故障初相角等，采集数据并进行预处理，将所有样本按照1：1的比例分为训练样本集和测试样本集。
3)初始化网络参数，用仿真数据的训练集对BP神经网络模型训练。经多次试验，当测试集验证结果有效时，选择最优超参数集合作为实际使用的模型参数。其中，隐含层神经元数目设为10。
4)开始训练网络，利用输入样本集对BP网络进行训练，输入信号从输入层输入，逐层由函数处理，最终输出值与期望值比较，若存在误差，则误差信号将由原通道反向传播回输入层，通过反向传播学习算法对网络的连接权系数进行学习和调整，使误差逐渐减小，最终实现给定的输入和输出间映射关系。
在本实施例中，所述一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障具体为：越靠近母线，整定的延时时间越长，延时最短的一二次融合智能开关跳闸以隔离故障区段。
本实施例还提供了一种配电网单相接地故障区段定位系统，包括设置在配电网各区段上的一二次融合智能开关，存储器、处理器以及存储于存储器上并能够被处理器所运行的计算机程序指令；
所述一二次融合智能开关采集所在区段的暂态零序电流和暂态零序电压波形，并将其传输至处理器；
所述处理器在运行所述计算机程序指令时，进行如下步骤：
对一二次融合智能开关采集的数据进行归一化处理；
将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量；
将获得的电流和电压最佳特征向量进行拼接，并输入训练好的BP神经网络中，以判别特征对应的一二次融合智能开关是否位于故障点上游；
若位于故障点上游，则控制此处的一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障。
在本实施例中，所述自编码器模型中的隐含层包含10个神经元，获取的电流和电压特征向量分别包含10个采样点；
所述将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量具体包括以下步骤：
经归一化后，各一二次融合开关将所在区段的暂态零序电流和暂态零序电压数据输入自编码器模型中，先对输入数据x进行编码，公式如下：
hi＝tanh(Wix+bi)；
式中，下标i＝1,2,…,n表示第i个神经元对应的参数，n为自编码器模型隐含层的神经元数目；W矩阵为编码权值参数；b为编码偏置向量，h为隐含层提取的特征；
对隐含层提取的特征h进行编码，公式如下：
式中，下标j＝1,2,…,m表示第j个神经元对应的参数，m为输出层的神经元数目；W′矩阵为解码权值参数；b′为解码偏置向量；
为所重构的波形数据；
所述自编码器在训练时的目标函数如下：
式中，λ为权重衰减参数，
为权重衰减项；N为自编码器模型输入数据的数量；
网络采用无监督逐层贪婪训练方式，当E小于设置的阈值，则认为输入数据的特征已包含在隐含层的特征向量中。
在本实施例中，所述一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障具体为：越靠近母线，整定的延时时间越长，延时最短的一二次融合智能开关跳闸以隔离故障区段。
在本实施例中，利用PSCAD/EMTDC仿真软件搭建10kV谐振接地系统仿真模型，模拟了各种单相接地故障，各一二次融合智能开关获取本地的暂态零序电流和暂态零序电压波形，归一化处理后，分别输入自编码器以获取电流和电压的最佳特征向量，进行特征融合后输入已训练的BP神经网络中，最后位于故障点上游的智能开关将基于阶梯型配合的时间延时等待动作，延时最短的智能开关跳闸，从而实现对单相接地故障区段的可靠就地定位。
本实施例选取的样本源于40次配电网单相接地故障仿真数据，训练样本和测试样本分别含180组故障数据。
配电网单相接地故障区段定位的步骤如下：
(1)数据预处理
采集各区段的零序电流和零序电压数据后，获取单相接地故障发生后的首半个工频周波(100个采样点)的零序电流和零序电压波形，并进行归一化处理。每个一二次融合智能开关可获得两个(电压电流各一个)代表该线路区段的长度为100的一维序列。
(2)特征提取
利用自编码器提取各区段暂态零序电流和暂态零序电压的最佳特征向量，根据上述内容，输入层的输入波形为两个1×100的波形数据，接着从10维的隐含层分别获取1×10的电流特征向量和电压特征向量。
(3)特征融合
将该区段长度为10的电流特征向量和电压特征向量进行拼接，从而获取1×20的拼接特征向量。
(4)单相接地故障区段识别
利用BP神经网络识别该区段类型，以判别此处的检测节点是否位于故障点上游。经过正向传播和方向传播的学习过程，实现给定的输入和输出间映射关系，输出一个1×2的类型判别向量。对应关系为10表示位于故障点上游区段，01表示位于其他区段。
(5)单相接地故障区段就地隔离
若该一二次融合智能开关判别结果为位于故障点上游区段，则将基于阶梯型时间延时等待动作，若为等待动作中延时最短的，将执行跳闸动作(即故障位于本区段)。否则其他延时最短的智能开关将跳闸，故障被隔离，网络恢复正常，该智能开关停止等待动作(即故障位于下游区段)。本实例中故障区段定位准确率为100％。除此之外，还利用RTDS仿真数据和某10kV变电站故障数据对该方法的适应性进行验证分析，结果表明，区段定位正确率分别为96.15％和96％，这受到所获取的故障数据样本少的影响。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.一种配电网单相接地故障区段定位方法，其特征在于，包括以下步骤：
各配电网一二次融合智能开关采集所在区段的暂态零序电流和暂态零序电压波形，并进行波形归一化处理；
将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量；
将获得的电流和电压最佳特征向量进行拼接，并输入训练好的BP神经网络中，以判别特征对应的一二次融合智能开关是否位于故障点上游；
若位于故障点上游，则一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障。
2.根据权利要求1所述的一种配电网单相接地故障区段定位方法，其特征在于，所述波形归一化处理具体如下：
式中，Xi为原始暂态零序电流或电压波形的第i个数据，Xi *为归一化后的暂态零序电流或电压波形的第i个数据；i＝1,2,…,n，n是原始暂态零序电流或电压波形的采样点数。
3.根据权利要求1所述的一种配电网单相接地故障区段定位方法，其特征在于，所述将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量具体包括以下步骤：
经归一化后，各一二次融合开关将所在区段的暂态零序电流和暂态零序电压数据输入自编码器模型中，先对输入数据x进行编码，公式如下：
hi＝tanh(Wix+bi)；
式中，下标i＝1,2,…,n表示第i个神经元对应的参数，n为自编码器模型隐含层的神经元数目；W矩阵为编码权值参数；b为编码偏置向量，h为隐含层提取的特征向量；
对隐含层提取的特征h进行编码，公式如下：
式中，下标j＝1,2,…,m表示第j个神经元对应的参数，m为输出层的神经元数目；W′矩阵为解码权值参数；b′为解码偏置向量；
为所重构的波形数据。
4.根据权利要求3所述的一种配电网单相接地故障区段定位方法，其特征在于，所述自编码器在训练时的目标函数如下：
式中，λ为权重衰减参数，
为权重衰减项；N为自编码器模型输入数据的数量；
网络采用无监督逐层贪婪训练方式，当E小于设置的阈值，则认为输入数据的特征已包含在隐含层的特征向量中。
5.根据权利要求3所述的一种配电网单相接地故障区段定位方法，其特征在于，所述自编码器模型中的隐含层包含10个神经元，获取的电流和电压特征向量分别包含10个采样点。
6.根据权利要求1所述的一种配电网单相接地故障区段定位方法，其特征在于，所述BP神经网络包含输入层、隐含层与输出层，其中隐含层包含10个神经元，输出层包含2个神经元，利用正向传播和反向传播两个学习过程对所述BP神经网络进行训练。
7.根据权利要求1所述的一种配电网单相接地故障区段定位方法，其特征在于，所述一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障具体为：越靠近母线，整定的延时时间越长，延时最短的一二次融合智能开关跳闸以隔离故障区段。
8.一种配电网单相接地故障区段定位系统，其特征在于，包括设置在配电网各区段上的一二次融合智能开关，存储器、处理器以及存储于存储器上并能够被处理器所运行的计算机程序指令；
所述一二次融合智能开关采集所在区段的暂态零序电流和暂态零序电压波形，并将其传输至处理器；
所述处理器在运行所述计算机程序指令时，进行如下步骤：
对一二次融合智能开关采集的数据进行归一化处理；
将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量；
将获得的电流和电压最佳特征向量进行拼接，并输入训练好的BP神经网络中，以判别特征对应的一二次融合智能开关是否位于故障点上游；
若位于故障点上游，则控制此处的一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障。
9.根据权利要求8所述的一种配电网单相接地故障区段定位系统，其特征在于，所述自编码器模型中的隐含层包含10个神经元，获取的电流和电压特征向量分别包含10个采样点；
所述将处理后的暂态零序电流和暂态零序电压波形分别输入自编码器网络中，从隐含层中提取各自的最佳特征向量具体包括以下步骤：
经归一化后，各一二次融合开关将所在区段的暂态零序电流和暂态零序电压数据输入自编码器模型中，先对输入数据x进行编码，公式如下：
hi＝tanh(Wix+bi)；
式中，下标i＝1,2,…,n表示第i个神经元对应的参数，n为自编码器模型隐含层的神经元数目；W矩阵为编码权值参数；b为编码偏置向量，h为隐含层提取的特征向量；
对隐含层提取的特征向量h进行编码，公式如下：
式中，下标j＝1,2,…,m表示第j个神经元对应的参数，m为输出层的神经元数目；W′矩阵为解码权值参数；b′为解码偏置向量；
为所重构的波形数据；
所述自编码器在训练时的目标函数如下：
式中，λ为权重衰减参数，
为权重衰减项；N为自编码器模型输入数据的数量；
网络采用无监督逐层贪婪训练方式，当E小于设置的阈值，则认为输入数据的特征已包含在隐含层的特征向量中。
10.根据权利要求8所述的一种配电网单相接地故障区段定位系统，其特征在于，所述一二次融合智能开关基于阶梯型配合的时间延时等待动作，实现就地隔离故障具体为：越靠近母线，整定的延时时间越长，延时最短的一二次融合智能开关跳闸以隔离故障区段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110085337.7A CN112904145A (zh) | 2021-01-22 | 2021-01-22 | 一种配电网单相接地故障区段定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110085337.7A CN112904145A (zh) | 2021-01-22 | 2021-01-22 | 一种配电网单相接地故障区段定位方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112904145A true CN112904145A (zh) | 2021-06-04 |
Family
ID=76117590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110085337.7A Pending CN112904145A (zh) | 2021-01-22 | 2021-01-22 | 一种配电网单相接地故障区段定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112904145A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113285431A (zh) * | 2021-06-10 | 2021-08-20 | 云南电网有限责任公司迪庆供电局 | 一种智能配电网信息物理融合保护系统及方法 |
| CN113533904A (zh) * | 2021-07-21 | 2021-10-22 | 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检测方法、装置、设备和介质 |
| CN113985211A (zh) * | 2021-11-02 | 2022-01-28 | 李景禄 | 一种具有接地故障处理功能的智能开关及故障处理方法 |
| CN113985212A (zh) * | 2021-11-02 | 2022-01-28 | 李景禄 | 一种智能开关自适应动态零序保护的故障区域隔离方法 |
| CN114910742A (zh) * | 2022-05-05 | 2022-08-16 | 湖南腾河智慧能源科技有限公司 | 单相故障接地监测方法及监测系统、电子设备、存储介质 |
| CN118760148A (zh) * | 2024-09-09 | 2024-10-11 | 天津电力工程监理有限公司 | 基于一二次融合的磁控柱上开关控制方法、系统及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170038415A1 (en) * | 2015-08-06 | 2017-02-09 | International Business Machines Corporation | Power theft location identification in distribution systems using voltage reading from smart meters |
| CN107465177A (zh) * | 2017-10-11 | 2017-12-12 | 山东理工大学 | 一种基于区域代理的配电网小电流接地故障隔离方法 |
| CN108985330A (zh) * | 2018-06-13 | 2018-12-11 | 华中科技大学 | 一种自编码网络及其训练方法、异常用电检测方法和系统 |
| CN112180217A (zh) * | 2020-09-30 | 2021-01-05 | 福州大学 | 一种配电网单相接地故障区段定位方法及系统 |
-
2021
- 2021-01-22 CN CN202110085337.7A patent/CN112904145A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170038415A1 (en) * | 2015-08-06 | 2017-02-09 | International Business Machines Corporation | Power theft location identification in distribution systems using voltage reading from smart meters |
| CN107465177A (zh) * | 2017-10-11 | 2017-12-12 | 山东理工大学 | 一种基于区域代理的配电网小电流接地故障隔离方法 |
| CN108985330A (zh) * | 2018-06-13 | 2018-12-11 | 华中科技大学 | 一种自编码网络及其训练方法、异常用电检测方法和系统 |
| CN112180217A (zh) * | 2020-09-30 | 2021-01-05 | 福州大学 | 一种配电网单相接地故障区段定位方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 季涛: "《中性点非有效接地系统行波故障测距技术》", 31 July 2008 * |
| 胡亮亮: "基于改进深度降噪自编码网络的电网故障预测方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113285431A (zh) * | 2021-06-10 | 2021-08-20 | 云南电网有限责任公司迪庆供电局 | 一种智能配电网信息物理融合保护系统及方法 |
| CN113533904A (zh) * | 2021-07-21 | 2021-10-22 | 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检测方法、装置、设备和介质 |
| CN113985211A (zh) * | 2021-11-02 | 2022-01-28 | 李景禄 | 一种具有接地故障处理功能的智能开关及故障处理方法 |
| CN113985212A (zh) * | 2021-11-02 | 2022-01-28 | 李景禄 | 一种智能开关自适应动态零序保护的故障区域隔离方法 |
| CN114910742A (zh) * | 2022-05-05 | 2022-08-16 | 湖南腾河智慧能源科技有限公司 | 单相故障接地监测方法及监测系统、电子设备、存储介质 |
| CN114910742B (zh) * | 2022-05-05 | 2024-05-28 | 湖南腾河智慧能源科技有限公司 | 单相故障接地监测方法及监测系统、电子设备、存储介质 |
| CN118760148A (zh) * | 2024-09-09 | 2024-10-11 | 天津电力工程监理有限公司 | 基于一二次融合的磁控柱上开关控制方法、系统及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112904145A (zh) | 一种配电网单相接地故障区段定位方法及系统 | |
| CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
| CN109829497B (zh) | 一种基于监督学习的台区用户识别及判别方法 | |
| CN108107324A (zh) | 一种基于深度卷积神经网络的配电网故障定位方法 | |
| CN101726688A (zh) | 一种多数据源信息融合的电网故障诊断方法 | |
| Asada et al. | Identifying multiple interacting bad data in power system state estimation | |
| CN105868770A (zh) | 一种基于非监督学习模型的高压断路器故障诊断方法 | |
| CN110659443A (zh) | 检测状态估计网络模型数据误差 | |
| CN107271841B (zh) | 基于正序电流差的同塔双回t型输电线路故障测距方法 | |
| CN111650470B (zh) | 微电网线路区段快速自适应故障检测与识别方法 | |
| CN113139601B (zh) | 一种基于lstm和注意力机制的道岔故障检测方法 | |
| CN114091549B (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
| CN103884966A (zh) | 基于神经网络的配电网小电流单相接地故障定位方法 | |
| Kezunovic et al. | Fault location estimation based on matching the simulated and recorded waveforms using genetic algorithms | |
| CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
| Chang et al. | Anomaly detection for shielded cable including cable joint using a deep learning approach | |
| CN117590145A (zh) | 智慧配电网的故障定位方法及系统 | |
| CN113156267B (zh) | 一种配电网接地故障选段方法及系统 | |
| CN110221170B (zh) | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 | |
| CN109918612B (zh) | 一种基于稀疏学习的台区拓扑结构校验方法 | |
| CN115542064B (zh) | 一种互感器误差状态实时监测方法及装置 | |
| CN112001073B (zh) | 一种牵引供电系统的可靠性分析研究方法 | |
| CN116660677A (zh) | 一种基于vmd分解的配电网单相接地故障的多判据选线方法 | |
| CN110794255B (zh) | 一种配电网故障预测方法及系统 | |
| Ensina et al. | Fault location in transmission lines based on lstm model |
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: 20210604 |
|
| RJ01 | Rejection of invention patent application after publication |