CN112924813B - 基于电气数据的配电网短路故障监控方法及装置 - Google Patents
基于电气数据的配电网短路故障监控方法及装置 Download PDFInfo
- Publication number
- CN112924813B CN112924813B CN202110117439.2A CN202110117439A CN112924813B CN 112924813 B CN112924813 B CN 112924813B CN 202110117439 A CN202110117439 A CN 202110117439A CN 112924813 B CN112924813 B CN 112924813B
- Authority
- CN
- China
- Prior art keywords
- classifier
- distribution network
- power distribution
- electrical data
- training
- 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.)
- Active
Links
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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明提出了一种基于电气数据的配电网短路故障监控方法及装置,包括:针对配电网中的各个负荷线路,分别基于Sigmoid函数建立若干个分类器;采集配电网中负荷共同耦合点处的历史电气数据作为训练样本,根据训练样本对分类器进行迭代训练;采集配电网中负荷共同耦合点处的实时电气数据,将实时电气数据输入训练好的分类器,当分类器判断配电网发生故障时根据分类器输出的正类概率值确定故障位置;将跳闸命令发送到故障位置处的断路器,控制断路器跳闸。通过基于Sigmoid建立多个分类器,从而能够实时监控配电网的短路故障,解决现有技术中严重依赖于配电网的内部电路结构的问题,提高了短路故障检测的通用性与实用性。
Description
技术领域
本发明属于配电网故障监控领域,尤其涉及一种基于电气数据的配电网短路故障监控方法及装置。
背景技术
随着国家发展,国家对电力供应提出了更高的要求,国家电网在过去的几十年内得到了较大发展,从而成为电力输送的主要供应方式。但面对发生自然灾害、电网事故等紧急情况时,国家电网会难以更好满足用户对供电可靠性和安全性的要求,甚至发生大面积停电事故,对经济安全稳定运行造成较大影响,其中配电网短路故障是影响大电网稳定运行的常见原因。
由于国家电网的配电网中分布式电源具有高渗透率、发电方式多样化的特点,需要对应不同的故障检测方法,传统短路故障检测装置严重依赖配电网内部电路结构,难以适应如今以分布式电源为主的配电网。
发明内容
为了解决现有技术中存在的缺点和不足,本发明提出了一种基于电气数据的配电网短路故障监控方法,包括:
针对配电网中的各个负荷线路,分别基于Sigmoid函数建立若干个分类器;
采集配电网中负荷共同耦合点处的历史电气数据作为训练样本,根据训练样本对分类器进行迭代训练;
采集配电网中负荷共同耦合点处的实时电气数据,将实时电气数据输入训练好的分类器,当分类器判断配电网发生故障时根据分类器输出的正类概率值确定故障位置;
将跳闸命令发送到故障位置处的断路器,控制断路器跳闸。
可选的,所述针对配电网中的各个负荷线路,分别基于Sigmoid函数建立若干个分类器,包括:
基于公式一分别为各个负荷线路构建分类器,所述分类器用于计算短路故障发生在各个负荷线路的正类概率值P;
w为分类器的参数矩阵,wT为w的转置矩阵,x为由电气数据构成的输入矩阵,P的取值范围为0≤P≤1。
可选的,所述采集配电网中负荷共同耦合点处的历史电气数据作为训练样本,根据训练样本对分类器进行迭代训练,包括:
步骤一:基于预设周期获取负荷共同耦合点处的历史电气数据,以预设周期为单位得到若干个训练样本,所述历史电气数据包括三相电压、历史三相电流、历史零序电流、历史正序电流以及历史负序电流;
步骤二:基于公式二计算分类器的第k次迭代训练时的损失函数J(wk);
xi为输入分类器的第i个训练样本,yi为第i个训练样本输入分类器时输出的正类概率值,wk为第k次迭代训练时的参数矩阵,为wk的转置矩阵,n为训练样本的总数量,λ为预设的惩罚系数,为参数矩阵wk的第j个数据;
步骤三:判断相邻两次迭代计算的损失函数之差的范数是否小于预设精度;
步骤四:若不小于预设精度,则基于公式三对参数矩阵进行迭代计算得到第k+1次迭代训练时的参数矩阵wk+1,以wk+1代替wk重复步骤二和步骤三,若小于预设精度则执行步骤四;
其中,α为预设的学习率;
步骤五:结束迭代训练,输出最后一次迭代训练得到的分类器。
可选的,所述配电网短路故障监控方法还包括对损失函数的惩罚系数λ进行优化,具体包括:
步骤一:获取惩罚系数λ的初始值,将初始值转换为二进制染色体,由二进制染色体组成初始化种群;
步骤二:将个体适应度定义为损失函数J(wk),基于J(wk)计算二进制染色体的个体适应度;
步骤三:筛选出个体适应度小于预设的第一优化阈值的二进制染色体进行交叉变异,组成惩罚系数λ的新种群;
步骤四:重复步骤二和步骤三,直至出现个体适应度小于预设的第二优化阈值的二进制染色体;
步骤五:将步骤四中的二进制染色体对应的十进制数值作为最优的惩罚系数λ输出。
可选的,所述采集配电网中负荷共同耦合点处的实时电气数据,将实时电气数据输入训练好的分类器,当分类器判断配电网发生故障时根据分类器输出的正类概率值确定故障位置,包括:
将实时电气数据依次输入所有分类器,若所有分类器输出的正类概率值均小于预设阈值,则判定配电网未发生短路故障;
若有分类器输出的正类概率值达到预设阈值,将输出正类概率值最大的分类器对应的负荷线路作为故障位置。
本发明还具有同样的思路提出了一种基于电气数据的配电网短路故障监控装置,包括:
构建单元:用于针对配电网中的各个负荷线路,分别基于Sigmoid函数建立若干个分类器;
训练单元:用于采集配电网中负荷共同耦合点处的历史电气数据作为训练样本,根据训练样本对分类器进行迭代训练;
判断单元:用于采集配电网中负荷共同耦合点处的实时电气数据,将实时电气数据输入训练好的分类器,当分类器判断配电网发生故障时根据分类器输出的正类概率值确定故障位置;
控制单元:用于将跳闸命令发送到故障位置处的断路器,控制断路器跳闸。
可选的,所述构建单元具体用于:
基于公式一分别为各个负荷线路构建分类器,所述分类器用于计算短路故障发生在各个负荷线路的正类概率值P;
w为分类器的参数矩阵,wT为w的转置矩阵,x为由电气数据构成的输入矩阵,P的取值范围为0≤P≤1。
可选的,所述训练单元具体用于:
步骤一:基于预设周期获取负荷共同耦合点处的历史电气数据,以预设周期为单位得到若干个训练样本,所述历史电气数据包括三相电压、历史三相电流、历史零序电流、历史正序电流以及历史负序电流;
步骤二:基于公式二计算分类器的第k次迭代训练时的损失函数J(wk);
xi为输入分类器的第i个训练样本,yi为第i个训练样本输入分类器时输出的正类概率值,wk为第k次迭代训练时的参数矩阵,为wk的转置矩阵,n为训练样本的总数量,λ为预设的惩罚系数,为参数矩阵wk的第j个数据;
步骤三:判断相邻两次迭代计算的损失函数之差的范数是否小于预设精度;
步骤四:若不小于预设精度,则基于公式三对参数矩阵进行迭代计算得到第k+1次迭代训练时的参数矩阵wk+1,以wk+1代替wk重复步骤二和步骤三,若小于预设精度则执行步骤四;
其中,α为预设的学习率;
步骤五:结束迭代训练,输出最后一次迭代训练得到的分类器。
可选的,所述配电网短路故障监控装置还包括优化装置,具体用于:
步骤一:获取惩罚系数λ的初始值,将初始值转换为二进制染色体,由二进制染色体组成初始化种群;
步骤二:将个体适应度定义为损失函数J(wk),基于J(wk)计算二进制染色体的个体适应度;
步骤三:筛选出个体适应度小于预设的第一优化阈值的二进制染色体进行交叉变异,组成惩罚系数λ的新种群;
步骤四:重复步骤二和步骤三,直至出现个体适应度小于预设的第二优化阈值的二进制染色体;
步骤五:将步骤四中的二进制染色体对应的十进制数值作为最优的惩罚系数λ输出。
可选的,所述判断单元具体用于:
将实时电气数据依次输入所有分类器,若所有分类器输出的正类概率值均小于预设阈值,则判定配电网未发生短路故障;
若有分类器输出的正类概率值达到预设阈值,将输出正类概率值最大的分类器对应的负荷线路作为故障位置。
本发明提供的技术方案带来的有益效果是:
通过采集负荷线路在正常运行与短路故障两种情况下的历史电气数据,输入基于Sigmoid建立的分类器,从而能够实时检测配电网的短路故障,并且通过建立多个分类器检测出故障所在位置,解决现有技术中严重依赖于配电网的内部电路结构的问题,尽管配电网的内部电路结构发生改变,也可以重新训练分类器的参数矩阵,提高了短路故障检测的通用性与实用性,降低了短路故障检测装置的改造成本。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明提出的基于电气数据的配电网短路故障监控方法的流程示意图;
图2为配电网短路监控系统框图;
图3为本发明提出的基于电气数据的配电网短路故障监控装置的结构框图。
具体实施方式
为使本发明的结构和优点更加清楚,下面将结合附图对本发明的结构作进一步地描述。
实施例一
如图1所示,本实施例提出了一种基于电气数据的配电网短路故障监控方法,包括:
S1:针对配电网中的各个负荷线路,分别基于Sigmoid函数建立若干个分类器;
S2:采集配电网中负荷共同耦合点处的历史电气数据作为训练样本,根据训练样本对分类器进行迭代训练;
S3:采集配电网中负荷共同耦合点处的实时电气数据,将实时电气数据输入训练好的分类器,当分类器判断配电网发生故障时根据分类器输出的正类概率值确定故障位置;
S4:将跳闸命令发送到故障位置处的断路器,控制断路器跳闸。
通过采集负荷线路在正常运行与短路故障两种情况下的历史电气数据,输入基于Sigmoid建立的分类器,从而能够实时检测配电网的短路故障,并且通过建立多个分类器检测出故障所在位置,解决现有技术中严重依赖于配电网的内部电路结构的问题,尽管配电网的内部电路结构发生改变,也可以重新训练分类器的参数矩阵,提高了短路故障检测的通用性与实用性,降低了短路故障检测装置的改造成本。
在本实施例中,所述针对配电网中的各个负荷线路,分别基于Sigmoid函数建立若干个分类器,包括:
确定有短路故障概率的负荷线路,根据负荷线路的拓扑结构确定分类器的参数矩阵w;
基于公式一构成分类器,所述分类器用于计算短路故障发生在所述故障位置的正类概率值P;
w为分类器的参数矩阵,wT为w的转置矩阵,x为由电气数据构成的输入矩阵,P的取值范围为0≤P≤1。
Sigmoid函数定义为可以将一个实数映射到(0,1)的区间,用于做二分类。由于Sigmoid函数的值域在0到1之间,符合概率的取值范围,因此本实施例在Sigmoid函数的基础上分别为各个负荷线路构建分类器,每个分类器用于预算对应的负荷线路上发生短路故障的概率。w作为分类器的参数矩阵,其含义是输入矩阵中每个元素对应的权重,即负荷共同耦合点处的电气数据对在相应的负荷线路上发生短路故障的影响程度。在构建分类器时需先获取参数矩阵的预设初始值,再通过执行S2对参数矩阵进行训练。
在本实施例中,所述采集配电网中负荷共同耦合点处的历史电气数据作为训练样本,根据训练样本对分类器进行迭代训练,包括:
步骤一:基于预设周期获取负荷共同耦合点处的历史电气数据,以预设周期为单位得到若干个训练样本,所述历史电气数据包括三相电压、历史三相电流、历史零序电流、历史正序电流以及历史负序电流;
步骤二:基于公式二计算分类器的第k次迭代训练时的损失函数J(wk);
xi为输入分类器的第i个训练样本,yi为第i个训练样本输入分类器时输出的正类概率值,wk为第k次迭代训练时的参数矩阵,为wk的转置矩阵,n为训练样本的总数量,λ为预设的惩罚系数,为参数矩阵wk的第j个数据;
步骤三:判断相邻两次迭代计算的损失函数之差的范数是否小于预设精度,即是否满足||J(wk+1)-J(wk)||<ε,ε为预设精度,J(wk+1)为第k+1次迭代训练时的损失函数,J(wk)为第k次迭代训练时的损失函数;
步骤四:若不小于预设精度,则基于公式三对参数矩阵进行迭代计算得到第k+1次迭代训练时的参数矩阵wk+1,以wk+1代替wk重复步骤二和步骤三,若小于预设精度则执行步骤四,即此时迭代训练满足预设的;
其中,α为预设的学习率,由人为设定;
步骤五:结束迭代训练,输出最后一次迭代训练得到的分类器。
通过对参数矩阵的迭代训练,使分类器适应其对应的负荷线路,由此可见不同的负荷线路对应的分类器中的参数矩阵可能有所不同,分别对每个分类器进行训练使参数矩阵能够根据负荷线路内部的具体电路结果进行灵活调整,从而有利于准确预算发生短路故障的概率。
本实施例中训练样本包括负荷线路正常运行和短路故障两种情况下的电气数据,每一个采集周期内采集到的历史电气数据作为一个训练样本,依次输入分类器中得到若干个输出结果yi,yi即为每个训练样本对应的正类概率值P。分类器的训练目标即为使损失函数J(wk)最小化。
通常的损失函数为
为了提高分类器输出结果的准确性,本实施例还包括对损失函数的惩罚系数λ进行优化,具体包括:
步骤一:获取惩罚系数λ的初始值,本实施例中初始值为十进制数据,将初始值转换为二进制染色体,由二进制染色体组成初始化种群;
步骤二:将个体适应度定义为损失函数J(wk),基于J(wk)计算二进制染色体的个体适应度,即将二进制染色体对应的十进制数据代入损失函数J(wk)计算个体适应度;
步骤三:筛选出个体适应度小于预设的第一优化阈值的二进制染色体,即对种群中的染色体进行选择,对筛选出的二进制染色体进行交叉变异,组成惩罚系数λ的新种群,本领域技术人员应当知道如何对二进制染色体进行交叉变异,此处不再赘述;
步骤四:重复步骤二和步骤三,直至出现个体适应度小于预设的第二优化阈值的二进制染色体,此时出现的二进制染色体即为最优解;
步骤五:将步骤四中的二进制染色体对应的十进制数值作为最优的惩罚系数λ输出。
在本实施例中,所述采集配电网中负荷共同耦合点处的实时电气数据,将实时电气数据输入训练好的分类器,当分类器判断配电网发生故障时根据分类器输出的正类概率值确定故障位置,包括:
将实时电气数据依次输入所有分类器,若所有分类器输出的正类概率值均小于预设阈值,则判定配电网未发生短路故障。在本实施例中,若某一个分类器计算出的正类概率值P大于所述预设阈值,则样本视为正类,即判断对应的负荷线路上会发生短路故障。因此,若所有分类器输出的正类概率值P均为达到预设阈值,则说明预判所有负荷线路都不会发生短路故障。所述预设阈值由运维人员根据经验人为设定。
若有分类器输出的正类概率值达到预设阈值,将输出正类概率值最大的分类器对应的负荷线路作为故障位置。由于配电网的各个负荷线路可能存在连通性,因此存在多个分类器均判断所处负荷线路会发生短路故障的情况,将输出正类概率值最大的分类器对应的负荷线路作为故障位置,即将所述负荷线路视为引发短路故障的根本原因,判断其他负荷线路会发生短路故障为联动影响,通过上述判断有利于快速从根源解决短路故障。
以如图2所示的配电网短路监控系统为示例,主电网依次经过变压绕组、开关S1与配电网连接,本实例中主电网为10kv以上电压等级的电网,配电网由断路器CB1~CB11、负荷线路DL1~DL5、负荷L1~L5、开关S2、开关S3、同步发电机DG1、DG2以及分布式电源DG3、DG4组成。电压互感器、电流互感器分别一端连接在负荷共同耦合点处,另一端连接远程通信设备,由远程通信设备将电压互感器、电流互感器采集到的电气数据传输给中央处理器,通过中央处理器处理电压和电流,可以得到三相电压、三相电流、零序电流、正序电流、负序电流,建立电气量的特征库,并执行上述S1~S4,实现短路故障的实时监控。除此之外,当判定有负荷线路出现短路故障时,报警器将发出报警信息,信号灯将变红。
实施例二
如图3所示,本实施例提出了一种基于电气数据的配电网短路故障监控装置5,包括:
构建单元51:用于针对配电网中的各个负荷线路,分别基于Sigmoid函数建立若干个分类器;
训练单元52:用于采集配电网中负荷共同耦合点处的历史电气数据作为训练样本,根据训练样本对分类器进行迭代训练;
判断单元53:用于采集配电网中负荷共同耦合点处的实时电气数据,将实时电气数据输入训练好的分类器,当分类器判断配电网发生故障时根据分类器输出的正类概率值确定故障位置;
控制单元54:用于将跳闸命令发送到故障位置处的断路器,控制断路器跳闸。
通过采集负荷线路在正常运行与短路故障两种情况下的历史电气数据,输入基于Sigmoid建立的分类器,从而能够实时检测配电网的短路故障,并且通过建立多个分类器检测出故障所在位置,解决现有技术中严重依赖于配电网的内部电路结构的问题,尽管配电网的内部电路结构发生改变,也可以重新训练分类器的参数矩阵,提高了短路故障检测的通用性与实用性,降低了短路故障检测装置的改造成本。
在本实施例中,所述构建单元51具体用于:
确定有短路故障概率的负荷线路,根据负荷线路的拓扑结构确定分类器的参数矩阵w;
基于公式一构成分类器,所述分类器用于计算短路故障发生在所述故障位置的正类概率值P;
w为分类器的参数矩阵,wT为w的转置矩阵,x为由电气数据构成的输入矩阵,P的取值范围为0≤P≤1。
Sigmoid函数定义为可以将一个实数映射到(0,1)的区间,用于做二分类。由于Sigmoid函数的值域在0到1之间,符合概率的取值范围,因此本实施例在Sigmoid函数的基础上分别为各个负荷线路构建分类器,每个分类器用于预算对应的负荷线路上发生短路故障的概率。w作为分类器的参数矩阵,其含义是输入矩阵中每个元素对应的权重,即负荷共同耦合点处的电气数据对在相应的负荷线路上发生短路故障的影响程度。在构建分类器时需先获取参数矩阵的预设初始值,再通过训练单元52对参数矩阵进行训练。
在本实施例中,所述训练单元52具体用于:
步骤一:基于预设周期获取负荷共同耦合点处的历史电气数据,以预设周期为单位得到若干个训练样本,所述历史电气数据包括三相电压、历史三相电流、历史零序电流、历史正序电流以及历史负序电流;
步骤二:基于公式二计算分类器的第k次迭代训练时的损失函数J(wk);
xi为输入分类器的第i个训练样本,yi为第i个训练样本输入分类器时输出的正类概率值,wk为第k次迭代训练时的参数矩阵,为wk的转置矩阵,n为训练样本的总数量,λ为预设的惩罚系数,为参数矩阵wk的第j个数据;
步骤三:判断相邻两次迭代计算的损失函数之差的范数是否小于预设精度,即是否满足||J(wk+1)-J(wk)||<ε,ε为预设精度,J(wk+1)为第k+1次迭代训练时的损失函数,J(wk)为第k次迭代训练时的损失函数;
步骤四:若不小于预设精度,则基于公式三对参数矩阵进行迭代计算得到第k+1次迭代训练时的参数矩阵wk+1,以wk+1代替wk重复步骤二和步骤三,若小于预设精度则执行步骤四,即此时迭代训练满足预设的;
其中,α为预设的学习率,由人为设定;
步骤五:结束迭代训练,输出最后一次迭代训练得到的分类器。
通过对参数矩阵的迭代训练,使分类器适应其对应的负荷线路,由此可见不同的负荷线路对应的分类器中的参数矩阵可能有所不同,分别对每个分类器进行训练使参数矩阵能够根据负荷线路内部的具体电路结果进行灵活调整,从而有利于准确预算发生短路故障的概率。
本实施例中训练样本包括负荷线路正常运行和短路故障两种情况下的电气数据,每一个采集周期内采集到的历史电气数据作为一个训练样本,依次输入分类器中得到若干个输出结果yi,yi即为每个训练样本对应的正类概率值P。分类器的训练目标即为使损失函数J(wk)最小化。
通常的损失函数为
为了提高分类器输出结果的准确性,本实施例还包括优化单元,具体用于:
步骤一:获取惩罚系数λ的初始值,本实施例中初始值为十进制数据,将初始值转换为二进制染色体,由二进制染色体组成初始化种群;
步骤二:将个体适应度定义为损失函数J(wk),基于J(wk)计算二进制染色体的个体适应度,即将二进制染色体对应的十进制数据代入损失函数J(wk)计算个体适应度;
步骤三:筛选出个体适应度小于预设的第一优化阈值的二进制染色体,即对种群中的染色体进行选择,对筛选出的二进制染色体进行交叉变异,组成惩罚系数λ的新种群,本领域技术人员应当知道如何对二进制染色体进行交叉变异,此处不再赘述;
步骤四:重复步骤二和步骤三,直至出现个体适应度小于预设的第二优化阈值的二进制染色体,此时出现的二进制染色体即为最优解;
步骤五:将步骤四中的二进制染色体对应的十进制数值作为最优的惩罚系数λ输出。
在本实施例中,所述判断单元53具体用于:
将实时电气数据依次输入所有分类器,若所有分类器输出的正类概率值均小于预设阈值,则判定配电网未发生短路故障。在本实施例中,若某一个分类器计算出的正类概率值P大于所述预设阈值,则样本视为正类,即判断对应的负荷线路上会发生短路故障。因此,若所有分类器输出的正类概率值P均为达到预设阈值,则说明预判所有负荷线路都不会发生短路故障。所述预设阈值由运维人员根据经验人为设定。
若有分类器输出的正类概率值达到预设阈值,将输出正类概率值最大的分类器对应的负荷线路作为故障位置。由于配电网的各个负荷线路可能存在连通性,因此存在多个分类器均判断所处负荷线路会发生短路故障的情况,将输出正类概率值最大的分类器对应的负荷线路作为故障位置,即将所述负荷线路视为引发短路故障的根本原因,判断其他负荷线路会发生短路故障为联动影响,通过上述判断有利于快速从根源解决短路故障。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于电气数据的配电网短路故障监控方法,其特征在于,所述配电网短路故障监控方法包括:
针对配电网中的各个负荷线路,分别基于Sigmoid函数建立若干个分类器;
采集配电网中负荷共同耦合点处的历史电气数据作为训练样本,根据训练样本对分类器进行迭代训练;
采集配电网中负荷共同耦合点处的实时电气数据,将实时电气数据输入训练好的分类器,当分类器判断配电网发生故障时根据分类器输出的正类概率值确定故障位置;
将跳闸命令发送到故障位置处的断路器,控制断路器跳闸;
所述采集配电网中负荷共同耦合点处的实时电气数据,将实时电气数据输入训练好的分类器,当分类器判断配电网发生故障时根据分类器输出的正类概率值确定故障位置,包括:
将实时电气数据依次输入所有分类器,若所有分类器输出的正类概率值均小于预设阈值,则判定配电网未发生短路故障;
若有分类器输出的正类概率值达到预设阈值,将输出正类概率值最大的分类器对应的负荷线路作为故障位置。
3.根据权利要求1所述的基于电气数据的配电网短路故障监控方法,其特征在于,所述采集配电网中负荷共同耦合点处的历史电气数据作为训练样本,根据训练样本对分类器进行迭代训练,包括:
步骤一:基于预设周期获取负荷共同耦合点处的历史电气数据,以预设周期为单位得到若干个训练样本,所述历史电气数据包括三相电压、历史三相电流、历史零序电流、历史正序电流以及历史负序电流;
步骤二:基于公式二计算分类器的第k次迭代训练时的损失函数J(wk);
xi为输入分类器的第i个训练样本,yi为第i个训练样本输入分类器时输出的正类概率值,wk为第k次迭代训练时的参数矩阵,为wk的转置矩阵,n为训练样本的总数量,λ为预设的惩罚系数,为参数矩阵wk的第j个数据;
步骤三:判断相邻两次迭代计算的损失函数之差的范数是否小于预设精度;
步骤四:若不小于预设精度,则基于公式三对参数矩阵进行迭代计算得到第k+1次迭代训练时的参数矩阵wk+1,以wk+1代替wk重复步骤二和步骤三,若小于预设精度则执行步骤四;
其中,α为预设的学习率;
步骤五:结束迭代训练,输出最后一次迭代训练得到的分类器。
4.根据权利要求3所述的基于电气数据的配电网短路故障监控方法,其特征在于,所述配电网短路故障监控方法还包括对损失函数的惩罚系数λ进行优化,具体包括:
步骤一:获取惩罚系数λ的初始值,将初始值转换为二进制染色体,由二进制染色体组成初始化种群;
步骤二:将个体适应度定义为损失函数J(wk),基于J(wk)计算二进制染色体的个体适应度;
步骤三:筛选出个体适应度小于预设的第一优化阈值的二进制染色体进行交叉变异,组成惩罚系数λ的新种群;
步骤四:重复步骤二和步骤三,直至出现个体适应度小于预设的第二优化阈值的二进制染色体;
步骤五:将步骤四中的二进制染色体对应的十进制数值作为最优的惩罚系数λ输出。
5.基于电气数据的配电网短路故障监控装置,其特征在于,所述配电网短路故障监控装置包括:
构建单元:用于针对配电网中的各个负荷线路,分别基于Sigmoid函数建立若干个分类器;
训练单元:用于采集配电网中负荷共同耦合点处的历史电气数据作为训练样本,根据训练样本对分类器进行迭代训练;
判断单元:用于采集配电网中负荷共同耦合点处的实时电气数据,将实时电气数据输入训练好的分类器,当分类器判断配电网发生故障时根据分类器输出的正类概率值确定故障位置;
控制单元:用于将跳闸命令发送到故障位置处的断路器,控制断路器跳闸;
所述判断单元具体用于:
将实时电气数据依次输入所有分类器,若所有分类器输出的正类概率值均小于预设阈值,则判定配电网未发生短路故障;
若有分类器输出的正类概率值达到预设阈值,将输出正类概率值最大的分类器对应的负荷线路作为故障位置。
7.根据权利要求5所述的基于电气数据的配电网短路故障监控装置,其特征在于,所述训练单元具体用于:
步骤一:基于预设周期获取负荷共同耦合点处的历史电气数据,以预设周期为单位得到若干个训练样本,所述历史电气数据包括三相电压、历史三相电流、历史零序电流、历史正序电流以及历史负序电流;
步骤二:基于公式二计算分类器的第k次迭代训练时的损失函数J(wk);
xi为输入分类器的第i个训练样本,yi为第i个训练样本输入分类器时输出的正类概率值,wk为第k次迭代训练时的参数矩阵,为wk的转置矩阵,n为训练样本的总数量,λ为预设的惩罚系数,为参数矩阵wk的第j个数据;
步骤三:判断相邻两次迭代计算的损失函数之差的范数是否小于预设精度;
步骤四:若不小于预设精度,则基于公式三对参数矩阵进行迭代计算得到第k+1次迭代训练时的参数矩阵wk+1,以wk+1代替wk重复步骤二和步骤三,若小于预设精度则执行步骤四;
其中,α为预设的学习率;
步骤五:结束迭代训练,输出最后一次迭代训练得到的分类器。
8.根据权利要求7所述的基于电气数据的配电网短路故障监控装置,其特征在于,所述配电网短路故障监控装置还包括优化装置,具体用于:
步骤一:获取惩罚系数λ的初始值,将初始值转换为二进制染色体,由二进制染色体组成初始化种群;
步骤二:将个体适应度定义为损失函数J(wk),基于J(wk)计算二进制染色体的个体适应度;
步骤三:筛选出个体适应度小于预设的第一优化阈值的二进制染色体进行交叉变异,组成惩罚系数λ的新种群;
步骤四:重复步骤二和步骤三,直至出现个体适应度小于预设的第二优化阈值的二进制染色体;
步骤五:将步骤四中的二进制染色体对应的十进制数值作为最优的惩罚系数λ输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117439.2A CN112924813B (zh) | 2021-01-28 | 2021-01-28 | 基于电气数据的配电网短路故障监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117439.2A CN112924813B (zh) | 2021-01-28 | 2021-01-28 | 基于电气数据的配电网短路故障监控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112924813A CN112924813A (zh) | 2021-06-08 |
CN112924813B true CN112924813B (zh) | 2022-09-16 |
Family
ID=76168635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110117439.2A Active CN112924813B (zh) | 2021-01-28 | 2021-01-28 | 基于电气数据的配电网短路故障监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112924813B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114422884A (zh) * | 2021-11-26 | 2022-04-29 | 北京智芯微电子科技有限公司 | 配电变压器故障样本采集方法、装置和系统 |
CN114236423A (zh) * | 2021-12-16 | 2022-03-25 | 周口师范学院 | 一种电力系统输电线路短路故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569742A (zh) * | 2015-01-15 | 2015-04-29 | 华南理工大学 | 一种适用于用户侧微电网的孤岛检测方法 |
WO2016033883A1 (zh) * | 2014-09-04 | 2016-03-10 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN109521327A (zh) * | 2018-11-15 | 2019-03-26 | 贵州电网有限责任公司 | 一种配电线路故障原因综合概率分析方法 |
CN110866366A (zh) * | 2019-11-26 | 2020-03-06 | 南京工程学院 | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 |
CN111198311A (zh) * | 2020-01-14 | 2020-05-26 | 中国计量大学 | 一种新型的并网型微电网故障检测装置及检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006162541A (ja) * | 2004-12-10 | 2006-06-22 | Meiji Univ | 事故点標定方法、システム及びプログラム |
EP3202128B1 (en) * | 2014-09-30 | 2018-07-11 | British Telecommunications public limited company | Line fault classification |
CN104730423A (zh) * | 2015-04-07 | 2015-06-24 | 嘉兴金尚节能科技有限公司 | 光伏并网发电系统的孤岛效应检测方法 |
CN105203922A (zh) * | 2015-09-17 | 2015-12-30 | 国家电网公司 | 基于多分类器的输电线路故障定位方法 |
CN108562821B (zh) * | 2018-05-08 | 2021-09-28 | 中国电力科学研究院有限公司 | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 |
US11349306B2 (en) * | 2019-06-19 | 2022-05-31 | King Fahd University Of Petroleum And Minerals | Distribution grid fault analysis under load and renewable energy uncertainties |
CN111368933A (zh) * | 2020-03-17 | 2020-07-03 | 山东科技大学 | 一种基于Softmax回归的配电网暂态过程故障分类方法及系统 |
CN111190121A (zh) * | 2020-03-17 | 2020-05-22 | 山东科技大学 | 基于序分量的含分布式电源配电网故障分类方法及系统 |
-
2021
- 2021-01-28 CN CN202110117439.2A patent/CN112924813B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033883A1 (zh) * | 2014-09-04 | 2016-03-10 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN104569742A (zh) * | 2015-01-15 | 2015-04-29 | 华南理工大学 | 一种适用于用户侧微电网的孤岛检测方法 |
CN109521327A (zh) * | 2018-11-15 | 2019-03-26 | 贵州电网有限责任公司 | 一种配电线路故障原因综合概率分析方法 |
CN110866366A (zh) * | 2019-11-26 | 2020-03-06 | 南京工程学院 | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 |
CN111198311A (zh) * | 2020-01-14 | 2020-05-26 | 中国计量大学 | 一种新型的并网型微电网故障检测装置及检测方法 |
Non-Patent Citations (2)
Title |
---|
基于数据挖掘的微电网故障定位方法;周满 等;《科技通报》;20191130;第35卷(第11期);第53-56、62页 * |
智能配电网故障诊断及自愈控制方法研究;李典阳;《中国优秀硕士学位论文全文数据库·工程科技Ⅱ辑》;20150515(第5期);正文第1-76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112924813A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263172B (zh) | 一种电网监控告警信息事件化自主识别方法 | |
CN112924813B (zh) | 基于电气数据的配电网短路故障监控方法及装置 | |
CN110609200B (zh) | 一种基于模糊度量融合判据的配电网接地故障保护方法 | |
CN108304931A (zh) | 一种变电设备状态检修故障诊断方法 | |
CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
CN108399579B (zh) | 变电站设备监控数据信号的智能解析系统 | |
CN109613372B (zh) | 一种基于多元电网数据库的电网故障诊断方法 | |
KR20190119207A (ko) | 인공 지능 기반 정정값 자동 계산 보호 계전 장치 | |
CN115395643A (zh) | 基于全数据采集和状态感知的低压配电网故障预警定位装置及系统 | |
CN117332215B (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN111429043B (zh) | 基于场景构建的电压暂降特征量随机评估方法 | |
CN116846085A (zh) | 一种自感知监测智能化配电箱控制系统 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN111091141A (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
CN115184728A (zh) | 一种交直流混合配电网的故障识别方法 | |
CN115906350A (zh) | 一种微电网故障定位和诊断方法 | |
CN111311042B (zh) | 一种电力应急预案评价方法及装置 | |
CN105678460B (zh) | 雷电灾害与设备过载及断面越限的关联度分析方法 | |
CN111313355B (zh) | 一种人工监督下的监控信号事件规则更新的方法 | |
Zhang et al. | Classification of building electrical system faults based on Probabilistic Neural Networks | |
Shan et al. | Root Cause Analysis of Failures for Power Communication Network Based on CNN | |
Du et al. | Fault diagnosis method of automation equipment in independent and controllable substation based on deep reinforcement learning | |
CN113591937B (zh) | 一种基于局部距离编码的电力系统关键节点识别方法 | |
Ojetola et al. | Time Series Classification for Detecting Fault Location in a DC Microgrid |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |