CN112924817A - 一种基于深度神经网络的配电网故障精确定位方法 - Google Patents

Abstract

本发明公开了一种基于深度神经网络的配电网故障精确定位方法，包括：采集配电网实时运行状态数据以及历史故障数据信息；利用朴素贝叶斯算法对所述实时运行状态数据进行预处理，得到配电网异常数据信息；根据深度神经网络构建配电网故障区域定位模型，并利用历史故障数据信息对所述模型进行训练；基于训练后的故障区域定位模型，输入所述异常数据信息，得到配电网故障位置，完成配电网故障的精确定位。本发明能保证配电网故障的定位精度，节省人力物力，提高供电安全性、可靠性及经济性。

Description

一种基于深度神经网络的配电网故障精确定位方法

技术领域

本发明涉及故障定位的技术领域，尤其涉及一种基于深度神经网络的配电网故障精确定位方法。

背景技术

配电网作为电力系统中的最后一个环节，影响着供电的安全性、可靠性和经济性，在配电网发生故障时，对故障的准确快速定位有着极其重要的意义，由于配电网与输电网的结构差异，传统的应用于输电网的故障定位方法并非全部适用于配电网，这对配电网的故障定位提出了更高的挑战。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：无法对配电网故障位置实现精确定位，供电安全性、可靠性及经济性低。

为解决上述技术问题，本发明提供如下技术方案：采集配电网实时运行状态数据以及历史故障数据信息；利用朴素贝叶斯算法对所述实时运行状态数据进行预处理，得到配电网异常数据信息；根据深度神经网络构建配电网故障区域定位模型，并利用历史故障数据信息对所述模型进行训练；基于训练后的故障区域定位模型，输入所述异常数据信息，得到配电网故障位置，完成配电网故障的精确定位。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：所述实时运行状态数据包括电流、电压、相角差、频率。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：所述预处理算法包括，

其中z_i表示电压，x表示电流，δ表示相角差，ε表示频率。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：预处理所述实时运行数据信息进一步包括替换前后均值、填充数据、直接删除样本。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：所述配电网异常数据信息包括，电流水平低于由于短路而产生的电流水平；电压低于正常电压值，或降幅5％以上；实际承受的负荷超过了配电网所允许的最大值；配电网温度整体上升。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：所述配电网异常数据所产生的的故障类型包括相间短路故障、单相接地故障和断线故障。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：所述配电网故障区域定位模型的目标函数包括，

其中，r_i表示第i个训练样本的标签，l(z_i,r)表示距离点，Δ(r,r_i)表示错误惩罚机制，A(z_i)表示电流解析树的集合，σ表示目标系数。

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：所述目标系数优化包括，

σ＝argminJ(σ)

作为本发明所述的基于深度神经网络的配电网故障精确定位方法的一种优选方案，其中：所述错误惩罚机制包括，

其中，M(r)表示树r节点的集合，subtree(f)表示以f为节点的子树，k为固定值。

本发明的有益效果：保证配电网故障的定位精度，节省人力物力，提高供电安全性、可靠性及经济性。

附图说明

为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种基于深度神经网络的配电网故障精确定位方法的基本流程示意图；

图2为本发明一个实施例提供的一种基于深度神经网络的配电网故障精确定位方法的故障模拟图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的一个实施例，提供了一种基于深度神经网络的配电网故障精确定位方法，包括：

S1：采集配电网实时运行状态数据以及历史故障数据信息；

需要说明的是，实时运行状态数据包括电流、电压、相角差、频率。

具体的，配电网一般是树枝状结构，数据分散、点多、每点信息量少，采集信息比较困难，其设备多、数据量大且操作频率高，采用SCADA系统完成远方现场的运行参数状态的监视，能够对配电网实时运行状态进行全面、实时的监视，为故障定位提供必要的依据。

S2：利用朴素贝叶斯算法对实时运行状态数据进行预处理，得到配电网异常数据信息；

需要说明的是，预处理算法包括：

其中z_i表示电压，x表示电流，δ表示相角差，ε表示频率。

预处理实时运行数据信息进一步包括替换前后均值、填充数据、直接删除样本。

进一步的，配电网异常数据信息包括，

电流水平低于由于短路而产生的电流水平；

电压低于正常电压值，或降幅5％以上；

实际承受的负荷超过了配电网所允许的最大值；

配电网温度整体上升。

更进一步的，配电网异常数据所产生的的故障类型包括相间短路故障、单相接地故障和断线故障。

其中，短路故障也是电网系统运行过程中的常见故障，通常发生短路的原因有以下几种：电线的绝缘层被破坏、电缆横截面积小、连接问题、电气操作违规，线路布置过程中容易发生刮蹭，使绝缘层受损，产生短路。电缆横截面积过小类似于过载情况，电线所承载的电路超负荷，致使绝缘体失效，错误的链接也可能造成短路，这些故障原因与管理流程的不完善有直接关系，尤其是低压线路管理没有专门的责任人，管理责任难以落实到实际，管理质量低，就使得低压线路故障时有发生；接地故障就是电线受到破坏，接地线没能起到电线与地面绝缘的效果，导致配电线路的接地故障，对地电流泄露通常分正常电流泄漏和接地故障电流泄漏，因为接地线与故障电线会产生放电现象，会致使线路温度整体上升，导致电气设备的可靠性受到影响。

S3：根据深度神经网络构建配电网故障区域定位模型，并利用历史故障数据信息对模型进行训练；

需要说明的是，配电网故障区域定位模型的目标函数包括：

其中，r_i表示第i个训练样本的标签，l(z_i,r)表示距离点，Δ(r,r_i)表示错误惩罚机制，A(z_i)表示电流解析树的集合，σ表示目标系数。

进一步的，目标系数优化包括：

σ＝argminJ(σ)

更进一步的，错误惩罚机制包括：

其中，M(r)表示树r节点的集合，subtree(f)表示以f为节点的子树，k为固定值。

S4：基于训练后的故障区域定位模型，输入异常数据信息，得到配电网故障位置，完成配电网故障的精确定位。

需要说明的是，最终输出的配电网故障位置包括：

本发明采用SCADA系统采集配电网实时运行状态数据，为配电网故障定位提供了准确的数据信息，利用深度学习构建的定位模型对故障位置进行精确定位，能够提高供电的可靠性及安全性。

实施例2

如图2所示为本发明另一个实施例，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

传统的技术方案：故障定位精确度低，安全性及可靠性差，需耗费大量人力物力，经济性差；为验证本方法相对传统方法具有较高定位精度以及安全性和可靠信。

本实施例中将采用传统矩阵式定位方法和本方法分别对配电网故障定位的精度、误差及故障区域判断误差进行实时测量对比。

测试环境：在PSCAD软件中搭建如图2所示的五端配电网故障模型并进行了大量仿真计算。针对不同的短路故障类型设置不同的故障距离，得到各个节点的仿真波形数据，在MATLAB仿真软件中应用上述提出的传统技术方案与本发明方法分别对仿真数据进行分析处理，实现故障定位。故障模型的电压等级采用统一10kV，频率为50Hz，采用分布参数搭建电路，采样频率为20000Hz(每个周期400个采样点)，共进行300次测试，计算获得每组数据定位精度，与仿真模拟输入的实际故障定位距离进行对比计算误差，结果如下表所示：

表1：实验结果对比表。

对比样本	传统技术方案	本发明方法
			误差值	2％～5％	<1％
准确度	97.2％	99.8％
			故障区域判断	96％	100％

从上表可以看出，相较于传统方法，本发明所提出的故障精确定位方法在不同故障条件下均表现出了优越的故障定位性能，对于故障区域的判断达到了100％，各种故障条件下的平均故障定位误差远低于1％，且准确度远远高于传统技术方案。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于深度神经网络的配电网故障精确定位方法，其特性在于，包括：

采集配电网实时运行状态数据以及历史故障数据信息；

利用朴素贝叶斯算法对所述实时运行状态数据进行预处理，得到配电网异常数据信息；

根据深度神经网络构建配电网故障区域定位模型，并利用历史故障数据信息对所述模型进行训练；

基于训练后的故障区域定位模型，输入所述异常数据信息，得到配电网故障位置，完成配电网故障的精确定位。

2.如权利要求1所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述实时运行状态数据包括电流、电压、相角差、频率。

3.如权利要求1或2所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述预处理算法包括，

其中z_i表示电压，x表示电流，δ表示相角差，ε表示频率。

4.如权利要求3所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：预处理所述实时运行数据信息进一步包括替换前后均值、填充数据、直接删除样本。

5.如权利要求4所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述配电网异常数据信息包括，

电流水平低于由于短路而产生的电流水平；

电压低于正常电压值，或降幅5％以上；

实际承受的负荷超过了配电网所允许的最大值；

配电网温度整体上升。

6.如权利要求5所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述配电网异常数据所产生的的故障类型包括相间短路故障、单相接地故障和断线故障。

7.如权利要求6所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述配电网故障区域定位模型的目标函数包括，

其中，r_i表示第i个训练样本的标签，l(z_i,r)表示距离点，Δ(r,r_i)表示错误惩罚机制，A(z_i)表示电流解析树的集合，σ表示目标系数。

8.如权利要求7所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述目标系数优化包括，

σ＝argminJ(σ)

9.如权利要求8所述的基于深度神经网络的配电网故障精确定位方法，其特征在于：所述错误惩罚机制包括，

其中，M(r)表示树r节点的集合，subtree(f)表示以f为节点的子树，k为固定值。

Images