CN113325269A - 一种配网高阻故障监测方法、系统、设备及存储介质 - Google Patents
一种配网高阻故障监测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113325269A CN113325269A CN202110593946.3A CN202110593946A CN113325269A CN 113325269 A CN113325269 A CN 113325269A CN 202110593946 A CN202110593946 A CN 202110593946A CN 113325269 A CN113325269 A CN 113325269A
- Authority
- CN
- China
- Prior art keywords
- resistance fault
- distribution network
- ftu
- neural network
- fault
- 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
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
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种配网高阻故障监测方法、系统、设备及存储介质,S1,每隔设定时间采集一次FTU开关处的零序电流信号;S2,对所采集的零序电流信号进行小波分解;S3,对小波分解的结果输入至神经网络进行计算;S4,若神经网络计算结果未超过高阻故障设定阈值,则返回S1;若神经网络计算结果超过高阻故障设定阈值,则该FTU与其配网上游段相邻的FTU之间发生了高阻故障。可对配网线路高阻故障进行有效的监测和定位。
Description
技术领域
本发明属于电力系统领域,涉及一种配网高阻故障监测方法、系统、设备及存储介质。
背景技术
配网架空线路是电力系统运行的大动脉,数量庞大且复杂,起着连接发电厂与终端用户的作用。因其多暴露于户外,常年经受风吹日晒,所以是电力系统中发生故障最多的部分且较难查找。配电架空线路发生故障后,如果不做及时处理,可能发展成为严重的停电事故,造成巨大的经济损失。因此,开展配网架空线路的故障检测和定位具有重要的现实意义。
配网架空线路运行中常见的故障类型可分为低阻故障和高阻故障两大类。低阻故障可以通过离线检测等手段准确定位,并且技术比较成熟。然而,目前对高阻故障的检测并没有很好的检测手段。高阻故障发生后,故障电流较小,电压降小,不足以使传统的过流保护装置动作,因而工作人员无法及时发现故障直到停电等严重事故的发生。目前,配电网中高阻故障的检测方法主要为基于零序电流、零序电压的稳态特性分析法和选线技术。但是稳态特性分析法忽略了对暂态信息的使用,提取信息较为困难;选线技术也存在着选样标准不一致、物理意义不清晰等缺点,并未从本质上解决高阻故障的检测问题。此外,尽管可在配网馈线断路器处安装智能IED设备监测高阻故障的发生。然而,该方法不能识别出具体的故障发生区域并且安装费用高昂,在实际应用中经常需要花费大量时间排查故障发生的确切位置,难以在电网中实施。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种配网高阻故障监测方法、系统、设备及存储介质,可对配网线路高阻故障进行有效的监测和定位。
为达到上述目的,本发明采用以下技术方案予以实现:
一种配网高阻故障监测方法,包括:
S1,每隔设定时间采集一次FTU开关处的零序电流信号;
S2,对所采集的零序电流信号进行小波分解;
S3,对小波分解的结果输入至神经网络进行计算;
S4,若神经网络计算结果未超过高阻故障设定阈值,则返回S1;若神经网络计算结果超过高阻故障设定阈值,则该FTU与其配网上游段相邻的FTU之间发生了高阻故障。
优选的,小波分解过程为:选取多贝西小波DB10作为母小波函数,分解层数为多层,每层分解的输入信号均被分解为一组高频分量和一组低频分量。
优选的,进行神经网络计算前,对小波分解的结果进行归一化处理。
优选的,神经网络采用反向传播神经网络,包括输入层、隐藏层和输出层。
优选的,高阻故障设定阈值为0.5。
优选的,判定发生高阻故障后,FTU将该处的故障信息经过FRTU发送至FDCC,FDCC向FTU发送FDIR处理信号。
优选的,采集零序电流信号范围为-12.5A-12.5A。
一种配网高阻故障监测系统,包括:
采集模块,用于每隔设定时间采集一次FTU开关处的零序电流信号;
小波分解模块,用于对所采集的零序电流信号进行小波分解;
神经网络计算模块,用于对小波分解的结果输入至神经网络进行计算;
高阻故障判定模块,用于若神经网络计算结果未超过高阻故障设定阈值,则反馈至采集模块;若神经网络计算结果超过高阻故障设定阈值,则该FTU与其配网上游段相邻的FTU之间发生了高阻故障。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述配网高阻故障监测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述配网高阻故障监测方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明基于小波分解特征提取和神经网络故障诊断的自动化评估方法,可支持算法的边缘集成,使得单个FTU部分可拥有独立的高阻故障诊断能力,可实施性较高,诊断系统的稳定性得到了提高,且不会受FTU型号的限制,对现有的和新增的FTU均适用。可对配网线路高阻故障进行有效的监测和定位,解决了当前配网高阻故障检测方法效果差、成本高昂,难以具体实施的问题。
进一步,通过FDCC向FTU发送FDIR处理信号,使FTU能够在发生故障时,自动解决配网的高阻故障问题。
附图说明
图1为本发明的配网高阻故障监测装置的整体框架示意图;
图2为本发明的零序电流信号实施小波分解的原理示意图;
图3为本发明的对小波分解后的信号进行神经网络分析的原理示意图;
图4为本发明的监测方法的算法示意图;
图5为本发明的配电自动化系统中的应用示意图。
其中:1-高频电流传感器;2-高阻故障信号调理单元;3-小波分解算法单元;4-神经网络算法单元;5-微处理器单元;6-通信单元。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,为本发明所述的基于FTU的配网高阻故障监测装置,由高频电流传感器1、高阻故障信号调理单元2、微处理器单元5和通信单元6组成。高阻故障信号调理单元2所使用的算法为小波分解算法单元3和神经网络算法单元4。使用时,将高频电流传感器1安放在馈线的自动化线路开关处,采集零序电流信号。高阻故障信号调理单元2接收到高频电流传感器1所采集到的信号并实施小波分解算法单元3和神经网络算法单元4,计算得出具体的故障信息,微处理器单元5将该线路处的故障信息通过通信单元6发送至安装在此线路处的FTU,FTU将故障信息发送至FRTU,FRTU再将故障信息发送至FDCC,FDCC根据具体的故障信息下发故障处理指令。
所述的高频电流传感器1采用检测电流范围为-12.5A-12.5A,工作频率为直流到100kHz的ACS711KLCTR-12AB-T电流传感器芯片。使用时,所述的高频电流传感器1连接到馈线的自动化线路开关处,可实现对零序电流的检测,并将原始电流信号传送至所述的高阻故障信号调理单元2。
所述的高阻故障故障信号调理单元2主要由模拟信号输入接口和处理器芯片组成。所述的模拟信号输入接口采用分辨率为32位、转换速率为48kHz、采样通道个数为2的TLV320AIC26IRHB模拟接口芯片;所述的处理器芯片采用32位高速浮点计算,时钟频率最高为300MHz的TMS320C6727BGDH300芯片,可同时实现对零序电流信号的采集和处理。
所述的微处理器单元5采用了STM32L496型低功耗处理器芯片。使用时,所述的微处理器单元5从所述的高阻故障故障信号调理单元2接收到故障信息,并通过所述的通信单元6将故障信息发送到FTU以作进一步处理。
所述的通信单元6采用了SX1278型Lora无线模块,工作频率在410-525MHz,最大发射功率为20dBm,缓存区容量高达256字节。使用时,所述的通信单元6与FTU内置的通信单元间完成数据的通信和传输。
所述的高阻故障监测和定位方法为高频电流传感器1定期采集零序电流信号,高阻故障信号调理单元2对高频电流传感器1所采集的电流信号实施小波分解,并对处理过后的信号进行神经网络故障分析,将故障分析结果传送至微处理器单元5,微处理器单元5将故障线路的具体信息通过通信单元6传送至FTU,FTU将故障信息发送至FRTU,FRTU再将故障信息发送至FDCC,FDCC根据故障信息下发故障处理命令。
如图2所示,是对高阻故障信号实施小波分解的原理示意图。配网线路发生高阻故障时,在故障相上产生的电流变化很小,但由于系统不平衡程度的增加,因此导致零序电流会产生较大的波动。此外,高阻故障发生时伴随有高频瞬态电弧现象的发生,采用小波分解可以同时获得零序电流信号的时域和频域信息,并将故障信息分解为时域和频域上的多个小段,以提取具体的故障特征。在对故障电流信号进行小波分解时,为了更加清楚的分析高频瞬态电弧现象,选取了多贝西小波DB10作为母小波函数,分解层数为4,采样频率为6kHz。每层分解均由高通数字滤波器和低通数字滤波器组成,对其进行2倍下采样。c0[n]为原始输入的零序电流信号,g[-n]和h[-n]分别为高通数字滤波器和低通数字滤波器,每层分解的输入信号均被高通数字滤波器和低通数字滤波器分解为一组高频分量和一组低频分量。在第一次分解时,c0[n]被相应的滤波器分解为高频分量d1[n]和低频分量c1[n];随后,第二层分解时,c1[n]被分解为高频分量d2[n]和低频分量c2[n],以此类推。零序电流信号经过小波分解后,瞬态的故障信息可以在第一层分解的高频分量d1[n]中得到体现;持续时间较长且波动较小的故障信息则在第四次层分解的低频分量c4[n]中得到体现。在实际使用过程中,根据对故障信息的需求,可以选取合适的分解分量以获取必要的电流信号。
如图3所示,是对小波分解后的电流信号进行神经网络分析的原理示意图。在对电流信号进行神经网络分析时,采用了反向传播神经网络,由输入层、隐藏层和输出层组成。如果将小波分解后的所有分量直接输入神经网络,会造成神经网络的输入神经元个数过多,降低收敛性。因此设置输入层有四个神经元,输入层的四个神经元为对零序电流信号小波分解后的归一化小波系数d2[n]、d3[n]、d4[n]和c4[n]。隐藏层有8个神经元,隐藏层的神经元个数由网络成长方法中的均方误差的容许值决定,该值为0.001,并使用了tan-sigmoid函数作为激励函数。输出层有1个神经元,并使用了线性传递函数。神经网络的输出在0和1之间,大于0.5的输出结果被认为发生了高阻故障,位置为该FTU与其配网上游段相邻的FTU之间。未大于0.5的输出结果则被认为是正常运行状态。此外,为了兼顾训练速度和测试效率,所建立的神经网络采用比例共轭梯度算法训练了5000次。
如图4所示,是基于FTU的配网高阻故障监测方法的算法示意图。所使用的高阻故障监测算法采用C语言编写。算法执行时,首先进行初始化,定义各项参数和变量并设置其初始值。每隔10秒采集一次高频电流传感器1检测到的零序电流信号,对得到的电流信号进行小波分解获取需要用到的数据点时的采样频率为6kHz。随后使用高阻故障信息调理单元2对所采集的故障电流信号进行小波分解,并对得到的小波系数进行归一化处理。然后,使用神经网络进行故障分析计算,若计算结果为正常运行状态,则重新采集零序电流信号;若计算结果为高阻故障,则该FTU与其配网上游段相邻的FTU之间发生了高阻故障。将故障信息发送到微处理器单元5,微处理器单元5再通过通信单元6将故障信息传送至FTU,FTU再将故障信息发送至FRTU,FDCC接受到FRTU传来的故障信息并执行FDIR处理机制,即故障检测(识别故障发生的时间和地点)、故障分离(断开故障电前后的线路开关)和供电恢复(恢复未受影响的上游区域的供电并采取其他配网线路为下游地区供电)。
如图5所示,是基于FTU的配网高阻故障监测方法在配电自动化系统中的应用示意图。使用时,将基于FTU的配网高阻故障监测装置安装在每条馈线的自动化线路开关处。若监测到高阻故障发生,监测装置将故障信息发送至安装在此处的FTU,FTU再将该处的故障信息通过通信线路发送至FRTU,FDCC通过FRTU得到具体的故障信息,实现配网线路高阻故障的在线监测和定位,并执行相应的FDIR处理机制。
本发明所述的配网高阻故障监测系统,包括:
采集模块,用于每隔设定时间采集一次FTU开关处的零序电流信号。
小波分解模块,用于对所采集的零序电流信号进行小波分解。
神经网络计算模块,用于对小波分解的结果输入至神经网络进行计算。
高阻故障判定模块,用于若神经网络计算结果未超过高阻故障设定阈值,则反馈至采集模块;若神经网络计算结果超过高阻故障设定阈值,则该FTU与其电网上游段相邻的FTU之间发生了高阻故障。
本发明所述的计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述配网高阻故障监测方法的步骤。
本发明所述的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述配网高阻故障监测方法的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种配网高阻故障监测方法,其特征在于,包括:
S1,每隔设定时间采集一次FTU开关处的零序电流信号;
S2,对所采集的零序电流信号进行小波分解;
S3,对小波分解的结果输入至神经网络进行计算;
S4,若神经网络计算结果未超过高阻故障设定阈值,则返回S1;若神经网络计算结果超过高阻故障设定阈值,则该FTU与其配网上游段相邻的FTU之间发生了高阻故障。
2.根据权利要求1所述的配网高阻故障监测方法,其特征在于,小波分解过程为:选取多贝西小波DB10作为母小波函数,分解层数为多层,每层分解的输入信号均被分解为一组高频分量和一组低频分量。
3.根据权利要求1所述的配网高阻故障监测方法,其特征在于,进行神经网络计算前,对小波分解的结果进行归一化处理。
4.根据权利要求1所述的配网高阻故障监测方法,其特征在于,神经网络采用反向传播神经网络,包括输入层、隐藏层和输出层。
5.根据权利要求1所述的配网高阻故障监测方法,其特征在于,高阻故障设定阈值为0.5。
6.根据权利要求1所述的配网高阻故障监测方法,其特征在于,判定发生高阻故障后,FTU将该处的故障信息经过FRTU发送至FDCC,FDCC向FTU发送FDIR处理信号。
7.根据权利要求1所述的配网高阻故障监测方法,其特征在于,采集零序电流信号范围为-12.5A-12.5A。
8.一种配网高阻故障监测系统,其特征在于,包括:
采集模块,用于每隔设定时间采集一次FTU开关处的零序电流信号;
小波分解模块,用于对所采集的零序电流信号进行小波分解;
神经网络计算模块,用于对小波分解的结果输入至神经网络进行计算;
高阻故障判定模块,用于若神经网络计算结果未超过高阻故障设定阈值,则反馈至采集模块;若神经网络计算结果超过高阻故障设定阈值,则该FTU与其配网上游段相邻的FTU之间发生了高阻故障。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述配网高阻故障监测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述配网高阻故障监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593946.3A CN113325269A (zh) | 2021-05-28 | 2021-05-28 | 一种配网高阻故障监测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593946.3A CN113325269A (zh) | 2021-05-28 | 2021-05-28 | 一种配网高阻故障监测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113325269A true CN113325269A (zh) | 2021-08-31 |
Family
ID=77422257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110593946.3A Pending CN113325269A (zh) | 2021-05-28 | 2021-05-28 | 一种配网高阻故障监测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113325269A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837899A (zh) * | 2021-09-28 | 2021-12-24 | 武汉理工大学 | 一种馈线远方终端单元优化配置方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103454559A (zh) * | 2013-09-02 | 2013-12-18 | 国家电网公司 | 一种配电网单相接地故障区段定位方法及定位装置 |
CN104502795A (zh) * | 2014-11-26 | 2015-04-08 | 国家电网公司 | 一种适用于微电网的智能故障诊断方法 |
TW201518742A (zh) * | 2013-11-08 | 2015-05-16 | Controlnet Internat Inc | 智慧型饋線故障偵測系統及其方法 |
US20150346717A1 (en) * | 2005-07-11 | 2015-12-03 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system for preventative maintenance |
CN106526415A (zh) * | 2016-10-17 | 2017-03-22 | 国网福建省电力有限公司 | 一种小电流接地系统高阻接地故障选线方法 |
TWM555581U (zh) * | 2017-08-02 | 2018-02-11 | Taiwan Power Co | 高阻抗故障自動偵測裝置及偵測模組 |
CN109613402A (zh) * | 2019-02-14 | 2019-04-12 | 福州大学 | 基于小波变换和神经网络的配电网高阻接地故障检测方法 |
CN111537830A (zh) * | 2020-03-26 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 一种基于云边架构和小波神经网络的配电网故障诊断方法 |
-
2021
- 2021-05-28 CN CN202110593946.3A patent/CN113325269A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150346717A1 (en) * | 2005-07-11 | 2015-12-03 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system for preventative maintenance |
CN103454559A (zh) * | 2013-09-02 | 2013-12-18 | 国家电网公司 | 一种配电网单相接地故障区段定位方法及定位装置 |
TW201518742A (zh) * | 2013-11-08 | 2015-05-16 | Controlnet Internat Inc | 智慧型饋線故障偵測系統及其方法 |
CN104502795A (zh) * | 2014-11-26 | 2015-04-08 | 国家电网公司 | 一种适用于微电网的智能故障诊断方法 |
CN106526415A (zh) * | 2016-10-17 | 2017-03-22 | 国网福建省电力有限公司 | 一种小电流接地系统高阻接地故障选线方法 |
TWM555581U (zh) * | 2017-08-02 | 2018-02-11 | Taiwan Power Co | 高阻抗故障自動偵測裝置及偵測模組 |
CN109613402A (zh) * | 2019-02-14 | 2019-04-12 | 福州大学 | 基于小波变换和神经网络的配电网高阻接地故障检测方法 |
CN111537830A (zh) * | 2020-03-26 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 一种基于云边架构和小波神经网络的配电网故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
葛耀中: "《新型继电保护和故障测距的原理与技术》", 31 July 2007 * |
超高压输变电公司: "《继电保护 (第六册)》", 30 September 2007 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837899A (zh) * | 2021-09-28 | 2021-12-24 | 武汉理工大学 | 一种馈线远方终端单元优化配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103901882B (zh) | 一种列车动力系统在线监控故障诊断的系统及其方法 | |
CN101738565B (zh) | 自适应故障指示器 | |
CN102064537B (zh) | 基于电子互感器的单相接地故障判断处理方法 | |
CN106501588B (zh) | 一种变压器近区短路电流监测方法 | |
CN107329040A (zh) | 一种基于暂态录波数据的配电自动化主站系统单相接地故障定位方法 | |
CN106646130B (zh) | 一种基于电流极性比较的主动配电网故障定位方法及系统 | |
CN104297628B (zh) | 含dg的配电网的区段故障检测与定位方法 | |
CN106526415A (zh) | 一种小电流接地系统高阻接地故障选线方法 | |
CN109001593B (zh) | 一种配电网故障录波控制方法 | |
CN107037322A (zh) | 基于稳态特征的配电网小电流接地故障定位方法 | |
WO2023206897A1 (zh) | 基于电能多维信息融合的单相接地故障辨识方法及系统 | |
CN103424662A (zh) | 智能电网输电线路故障监测系统及方法 | |
CN102967778B (zh) | 一种电网检测装置及其检测方法 | |
CN109142993A (zh) | 一种适用于直流电源系统的多功能绝缘检测仪 | |
CN202351371U (zh) | 一种自适应零序电流故障特征的小电流接地选线装置 | |
CN113325269A (zh) | 一种配网高阻故障监测方法、系统、设备及存储介质 | |
CN112444758B (zh) | 一种智能配电网线路故障诊断及分类评估方法 | |
CN202281817U (zh) | 微机小电流接地选线系统 | |
CN101995511A (zh) | 电网接地选线的总线型零序电流现场处理系统 | |
CN201984133U (zh) | 基于3g通讯网络的输电线路故障区域定位系统 | |
CN115656702A (zh) | 一种基于边缘计算的配电网单相接地故障定位方法及系统 | |
CN114720819A (zh) | 一种基于自校验学习的故障区段二分定位方法 | |
CN208780776U (zh) | 基于高频信号的干式空心电抗器局部放电故障在线监测仪 | |
Fan et al. | Fault interval judgment of urban distribution grid based on edge computing of distribution Internet of Things | |
Ding et al. | Research on power grid fault diagnosis method based on PMU data and convolutional neural network |
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: 20210831 |
|
RJ01 | Rejection of invention patent application after publication |