CN113675877B - 一种基于深度学习的含分布式电源配网故障诊断方法 - Google Patents

一种基于深度学习的含分布式电源配网故障诊断方法 Download PDF

Info

Publication number
CN113675877B
CN113675877B CN202110656139.1A CN202110656139A CN113675877B CN 113675877 B CN113675877 B CN 113675877B CN 202110656139 A CN202110656139 A CN 202110656139A CN 113675877 B CN113675877 B CN 113675877B
Authority
CN
China
Prior art keywords
fault
distribution network
circuit
short
line
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
Application number
CN202110656139.1A
Other languages
English (en)
Other versions
CN113675877A (zh
Inventor
尹兆磊
白明辉
袁绍军
孙荣富
丁然
刘洋
刘鹏
王宏亮
周迎伟
孙文宇
席海阔
杨慢慢
陈晨
冯浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd
Original Assignee
Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd filed Critical Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd
Priority to CN202110656139.1A priority Critical patent/CN113675877B/zh
Publication of CN113675877A publication Critical patent/CN113675877A/zh
Application granted granted Critical
Publication of CN113675877B publication Critical patent/CN113675877B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381Dispersed generators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/086Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02HEMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/26Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
    • H02H7/28Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured for meshed systems
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20The dispersed energy generation being of renewable origin
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电网故障诊断技术领域,特别是涉及一种基于深度学习的含分布式电源配网故障诊断方法,包括:生成样本集:采用FTU采集数据,并对采集到的实时数据进行预处理;基于经过预处理的数据获得故障类型;将故障前后的含分布式电源配网输入故障类型对应的神经网络,获得故障发生地点的线路编号;将经过预处理后的数据输入故障类型所对应的神经网络,获得故障发生地点在配电网线路中的第一线路定位;结合故障分级处理方法进行故障二次精细化定位,筛选非故障区域;基于自适应混沌变异的改进粒子群算法快速获得第二短路位置,将第二短路位置与第一线路定位比较,若两者一致则获得最终的故障诊断结果,若不一致则重复进行以上步骤。

Description

一种基于深度学习的含分布式电源配网故障诊断方法
技术领域
本发明属于电网故障诊断技术领域,特别是涉及一种基于深度学习的含分布式电源配网故障诊断方法。
背景技术
配网的运行状态直接关系着可靠性与电能质量,电力公户对可靠性与电能质量的要求逐渐提高,但目前我国配网实际运行中,其供电可靠性不高,平均停电时间大于欧美等发达国家水平,主要原因是配网发生短路问题。配网发生短路故障对工业生产、居民生活造成了较大的影响,快速定位并切除配网的故障,可以有效缩短平均停电时间,研究故障定位问题对于配网建设具有十分关键的影响。
此外,近年来,直接安置在用户侧的分布式可再生能源发电装置受到我国的重视,并出台相关政策法规支持其发展。针对小型风电、小型光伏大量接入配网,对配网运行造成了不小的影响,引起了国内外学者的关注与研究,针对含风电、光伏的配网潮流分析、可靠性等问题,已经提出了相关解决方法,然而查找短路问题仍然是极其复杂的问题。当配电线路发生短路,短路定位可以快速确定故障区域,从而隔离故障,以防止引起连锁故障,扩大事故范围,在很大程度上决定着配网运行的相关性能。
在配电网的大规模并网运行中,分布式电源(distributed generation,DG)能为满足社会对于电能不断持续增长的需求、弥补传统能源缺额起到积极作用,而电力交易进一步市场化也为DG迅速发展提供良好机遇。但是DG在接入现有配电网系统后,原有故障诊断与定位方法由于网架结构、运行方式以及故障类型的变化而不再适用。具体表现在:针对只有单电源的配网,保护是按辐射型网络进行设计与整定的,然而,随着可再生分布式能源的快速发展、先进的传感测量技术和保护控制技术,传统配电网逐渐发展为智能配电网,大量风电、光伏发电接入智能配电网,改变了配网网络结构,成为双端甚至多端网络,潮流分布发生变化,对配网安全稳定运行及保护设置产生了较为深刻的影响。大量分布式风电及光电进入电力系统,改变了保护系统的设计。目前国内配电网的配置方案有2种,包括了过流保护和三段式电流保护。风电对第1种保护造成了保护误动,并增加了保护动作时限,增加了故障时间。风电对第2种保护的影响为保护的误动并导致保护拒动。同时,风电及光伏发电接入配网,改变了其网络结构及工作特性,增加了配网故障定位的难度。此外,基于馈线终端单元(feeder terminal unit,FTU)上报的线路过流信息,配电网故障定位方法主要分为矩阵法和智能寻优算法。矩阵法远离简单,能够快速实现故障区段定位,但在分布式电源接入配电网后,矩阵法中故障诊断和定位方法的局限性使得故障区段定位的准确性和容错率降低;只能寻优算法比矩阵法有更好的容错性,但应用于含DG的配网故障诊断时,由于其复杂的评价函数构造方法,使得所得结果有可能是局部最优解,且求解时间较长。另外,因为经济成本较高而导致FTU并未大规模投入使用,因此传统的查找故障方法由于缺乏实际基础而无法在生产中应用,存在局限性,需要设计新型含分布式电源配网背景下的能够快速准确的故障诊断方法。
发明内容
本发明针对传统故障定位方法难以满足含分布式电源配电网的问题,提出一种基于深度学习的含分布式电源配网故障诊断方法,利用深度学习在逼近能力和容错性方面的优势,挖掘响应数据与故障位置之间的映射关系,即利用深度学习对FTU采集的数据进行分析,获取线路故障位置与数据分析结果之间的对应关系,建立含有分布式电源配电网故障定位的模型,并结合粒子群(Particle Swarm Optimization)优化算法快速复核短路位置,并结合故障分级处理方法进行故障二次精细化定位,筛选非故障区域,避开了复杂的物理模型,只需要少数的FTU信息,就可以极为精准的确定故障位置。
本发明的目的在于提供一种基于深度学习的含分布式电源配网故障诊断方法,包括:
步骤1,生成样本集:采用FTU采集数据,并对采集到的实时数据进行预处理;
步骤2,基于经过所述预处理的数据获得故障类型;
步骤3,将故障前后的含分布式电源配网输入所述故障类型对应的神经网络,获得故障发生地点的线路编号;
步骤4,将经过所述预处理后的数据输入所述故障类型所对应的神经网络,获得故障发生地点在配电网线路中的第一线路定位;
步骤5,基于自适应混沌变异的改进粒子群算法快速获得第二短路位置,将第二短路位置与第一线路定位比较,若两者一致则获得最终的故障诊断结果,若不一致则重复进行步骤1-5。
优选的,所述步骤1包括:所述样本集包括配电网处于各类运行状态时在不同线路各自发生不同故障的数据。
优选的,所述步骤2包括:通过跟踪主电源的三相电流变化状况确定发生的故障类型,主电源的标准化处理方法如式(1)所示:
Ist=If/Imax (1)
其中,If为相电流;Imax为相电流的最大值;Ist为标准化处理过后的三相电流值,由于配电网为非对称网络,对该值进一步进行四舍五入处理。
优选的,所述步骤3包括:利用离线生成的样本集,对得到的神经网络进行训练,并得到平滑参数的最优值,在深度学习的神经网络内输入在线采集的实时数据后,得到发生故障的线路编号。
优选的,所述步骤4包括:故障线路确定后,进一步计算故障点的距离,实现故障精细化定位,多节点配电网网络拓扑图中,任意两个节点之间都具有一个深度学习的神经网络,通过在不同地点设置不同类型的故障,得到全面的样本进行训练,再将实时数据输入到该线路的神经网络,得到故障位于该线路上的具体位置。
优选的,所述步骤5包括:
步骤51,确定粒子群种群,随机产生种群;
步骤52,对开关节点进行编号,并构造评价函数,计算函数值;
步骤53,计算函数值,并求解Pbest和Gbest;
步骤54,更新粒子位置和速度;
步骤55,对种群使用自适应混沌变异;
步骤56,若种群更新次数较大,或者群体最优粒子的适应度值满足评价函数,则结束,否则重复步骤52~55。
优选的,所述步骤54包括:根据公式(2)和(3)更新粒子位置和速度;其中,公式(2)涉及开关函数,利用所述开关函数去查找短路源头,然后利用所述短路源头逼近FTU上报的故障信息,针对不同的电网结构,包括如下几种方法:
1、单电源辐射状配电网:在短路检测中表示为发生断路和未发生短路,对于任意一个线路,1表示含有短路分量,0表示没有短路分量,如果开关函数的值通常取决于下游线路是否发生短路,计算公式如式(2)所示:
Si=L1∨L2∨…∨Lj,Lj∈M (2)
式中,Lj是线路区段j的状态信息,∨表示逻辑与运算,M是开关i下游关联的线路区段集合;
2、含多个风电或光伏的电网:在单电源供电网络中,短路电流与发生断路与否是紧密相关的,对于含风电光伏配电网中,式(2)不再使用,开关函数定义为式(3):
Si=[∑Ks1(1-∑Lj,s1)]·∑Li(n)-[∑Ks2(1-∑Lj,s2)]·∑Li(m) (3)
式中,Ks1是i号开关的前半区电源开关系数,Ks2是第i号开关的后半区电源开关系数,表示风电是否加入,若加入表示为1,否则表示为0;Lj,s1和Lj,s2前后半区风电所经过的区段状态值;Li(n)和Li(m)分别是前、后半区的电源的状态监测信息;M和N是前、后半区的馈线区段数目。
优选的,所述步骤55包括:根据公式(4)-(6)对种群使用自适应混沌变异;对于粒子i,根据式(4)进行混沌变异:
Xi=Xi·[1+ω·ch(-1,1)] (4)
其中,Xi是粒子i的决策变量,ω是自适应惯性权重因子;ch(-1,1)是映射到(-1,1)空间的混沌变量,采用Logistic映射方程式产生混沌变量:
Zi+1=λZi(1-Zi),Zi∈(0,1),Zi≠0.25,0.5,0.75 (5)
其中,i为迭代次数,λ为控制变量,Zi为混沌变量;自适应惯性权重因子ω的调整策略如下:
ω=(ωmax-ωmin)exp(-(k/kman)2)+ωmin (6)。
优选的,所述步骤56包括:当智能配电网发生故障后,配网线路中的各联络开关、分段开关以及其他设备会检测到故障电流,各测控点的FTU将故障信息上传到控制主站,并进行相应的数据分析;故障函数可以根据各个FTU上传的实际状态值和故障假设情况下的状态值,对实际情况和故障假设情况的偏差进行评价和反映,计算公式如式(7):
F=∑∣Si-S*i∣+w∑Cj,i∈[1,N],j∈[1,M] (7)
其中,F是目标值,N是配网中检测数目,Si是监测信息的上传情况,S*i是故障假设情况下的测控点状态值,w是权重系数,取值范围为(0,1),M是区段数,Cj是区段j的状态值,在配网故障定位问题中,以开关为节点,相邻开关为线路区段,假设各节点均装有FTU装置,在系统发生短路时,FTU采集风电电网的不同种类的短路情况,FTU使用监测到的短路值,来快速判断线路是否存在短路故障,进而查找短路点。
优选的,在步骤4以及步骤5之间还包括步骤5’,结合故障分级处理方法进行故障二次精细化定位,筛选非故障区域;所述故障分级处理方法包括:
1、网络开关状态分析:配电系统不仅有单辐射主干网络、环网,还带有大量的分支线和T型接线,网络结构相对复杂;将配网分成主要线路部分和旁系线路部分,区别在于是否含有电源;当发生短路,线路的断路器有以下几种状态:1)如果断路器检测的短路电流为正方向,则设其状态值为1;2)如果断路器未检测到短路电流,则设其状态值为0;3)如果断路器检测的短路电流为反方向,则状态值为-1;由于旁系线路的短路电流一般都不会出现相反的值,因此其状态值一般为1或0;
2、合环运行的配网故障分级处理方法:电力系统采用闭环方式,以提高电力系统的灵活程度;支路故障的判据为:(1)检测配网开关的相应状态,0表示是没有短路电流,则说明这个地方的配网没有短路发生;(2)如果检测到的配网开关的状态是1,则有可能配网开关的某个地方有短路发生,参与下一步故障定位如;如果状态是-1,则相反方向的线路上有发生短路的可能性,参与下一步故障定位,其余部分无故障;(3)若不满足上述条件,则该线路可能发生短路,参与下一步短路查找过程。
3、开环运行下的配网故障分级处理方法:为限制短路电流问题,配网采用开环运行支路划分方法:配网分成主支路和旁支路后,支路故障判据为:(1)主要的线路,如果含有风电的线路的断路器监测状态为1,则这些区域具有较高的短路概率,需要进一步确认。针对没有风电的线路的断路器状态若检测为-1或0,则表示该区域的短路可能性极高,需要仔细排查,同时除了这个地方,没有短路发生;(2)其他线路上,如果断路器检测信号为0,向相同方向的地方会发生短路,同时确定其他地方没有短路发生;(3)若不存在(1)和(2)所述情况的支路和区段,则直接参与下一步故障定位。
与现有技术相比,本发明具有以下有益效果:
通过节点仿真试验,采用深度学习方法可以有效实现含分布式电源配电网的故障定位,准确率高、速度快,且在信息畸变或缺失时容错性好,结合粒子群算法在解决离散优化问题时的较好性能,快速进行短路位置的二次复核,针对含不同类型的电网,采用了适应拓扑变化的开关函数,以及分析短路情况的评价函数,降低了寻优维度,减少了计算量,并与故障分级处理方法结合筛选非故障区域,更加提高了诊断效率。
附图说明
图1(a)为根据本发明优选实施例的故障诊断方法总流程图;
图1(b)为根据本发明优选实施例的故障诊断方法中步骤5的方法流程图;
图2为根据本发明优选实施例的34节点配电网接线图;
图3为根据本发明优选实施例的含有一个电源的配电网;
图4为根据本发明优选实施例的含多个分布式电源的配电网。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
如图1(a)所示,本实施例的一种基于深度学习的含分布式电源配网故障诊断方法,包括:
步骤1,生成样本集:采用FTU采集数据,并对采集到的实时数据进行预处理;
为了确保诊断方法可以适用于不同类型的故障并准确识别故障发生的位置,需要生成足够数量的样本集。样本集应包括配电网处于各类运行状态时在不同线路各自发生不同故障的数据。
步骤2,基于经过所述预处理的数据获得故障类型;
通过跟踪主电源的三相电流变化状况,可以确定发生的故障类型。主电源的标准化处理方法如式(1)所示:
Ist=If/Imax (1)
其中,If为相电流;Imax为相电流的最大值;Ist为标准化处理过后的三相电流值,由于配电网为非对称网络,还应对该值进一步进行四舍五入处理。处理后的结果根据表1来确定故障类型。其中,Ag,Bg和Cg代表单相接地段路,以此类推,ABg,ACg和BCg代表两相对地短路,AB,AC,BC代表两相间短路,ABC代表三相短路。
表1故障分类表
Figure BDA0003112848680000111
步骤3,将故障前后的含分布式电源配网输入所述故障类型对应的神经网络,获得故障发生地点的线路编号;
故障类型确定后,就可以进一步确定发射国内故障的具体线路。利用离线生成的样本集,对得到的神经网络进行训练,并得到平滑参数的最优值。在深度学习的神经网络内输入在线采集的实时数据后,就可以得到发生故障的线路编号。
步骤4,将经过所述预处理后的数据输入所述故障类型所对应的神经网络,获得故障发生地点在配电网线路中的第一线路定位;
故障线路确定后,进一步计算故障点的距离,实现故障精细化定位。如图2所示,选取34节点配电网网络拓扑图中,任意两个节点之间都具有一个深度学习的神经网络,通过在不同地点设置不同类型的故障,可以得到全面的样本进行训练。再将实时数据输入到该线路的神经网络,得到故障位于该线路上的具体位置。
步骤5,基于自适应混沌变异的改进粒子群算法快速获得第二短路位置,将第二短路位置与第一线路定位比较,若两者一致则获得最终的故障诊断结果,若不一致则重复进行步骤1-5。
粒子群算法中的搜索性能在很大程度上被控制参数影响。为了防止算法陷入局部最优,同时具有较快的收敛速度,通常采用引入收敛因子、权重因子的变权处理以及加入高斯扰动等策略。其中自适应混沌变异的算法是针对当粒子群算法应用于配网定位时,很容易出现早熟现象,从而降低种群的多样性,容易陷入局部最优,而降低全局搜索能力的情况提出的。混沌的移动具有较强的随机移动特点,为了增强寻找最优结果的能力,在粒子进化过程中引入混沌变异。随即选择部分个体使用混沌变异,同时为保证粒子群算法能够协调不同期间的性能,使得这个方法在不同时期表现出优秀的能力,在粒子群算法中加入自适应调节策略。
如图1(b)所示,该步骤5具体包括:
步骤51,确定粒子群种群,随机产生种群;
步骤52,对开关节点进行编号,并构造评价函数,计算函数值;
步骤53,计算函数值,并求解Pbest和Gbest;
步骤54,根据公式(2)和(3)更新粒子位置和速度;
公式(2)涉及开关函数:
开关函数在故障定位过程中,发挥了十分重要的作用,可以利用该函数去查找短路源头,然后利用该信息去逼近FTU上报的故障信息。针对不同的电网结构,包括如下几种方法:
1、单电源辐射状配电网:如图3所示,其中,S为电源点,1-5是分断开关,均配置有FTU;L1、L2、L3、L4是L5线路区段。状态值用0和1表示,通常在短路检测中表示为发生断路和未发生短路。对于任意一个线路,1表示含有短路分量,0表示没有短路分量。如果开关函数的值通常取决于下游线路是否发生短路,计算公式如式(2)所示:
Si=L1∨L2∨…∨Lj,Lj∈M (2)
式中,Lj是线路区段j的状态信息,∨表示逻辑与运算,M是开关i下游关联的线路区段集合。
2、含多个风电或光伏的电网:在单电源供电网络中,短路电流与发生断路与否是紧密相关的,对于含风电光伏配电网中,式(2)不再使用,图4为含风电光伏电网,风电光伏的投入和切除会造成网络结构的变化。开关前后半区的定义为:第一个是定义为含系统风电光伏的部分,后半区为另一块,开关函数定义为式(3):
Si=[∑Ks1(1-∑Lj,s1)]·∑Li(n)-[∑Ks2(1-∑Lj,s2)]·∑Li(m) (3)
式中,Ks1是i号开关的前半区电源开关系数,Ks2是第i号开关的后半区电源开关系数,表示风电是否加入,若加入表示为1,否则表示为0。Lj,s1和Lj,s2前后半区风电所经过的区段状态值。Li(n)和Li(m)分别是前、后半区的电源的状态监测信息。M和N是前、后半区的馈线区段数目。
步骤55,根据公式(4)-(6)对种群使用自适应混沌变异;
对于粒子i,根据式(4)进行混沌变异:
Xi=Xi·[1+ω·ch(-1,1)] (4)
其中,Xi是粒子i的决策变量,ω是自适应惯性权重因子;ch(-1,1)是映射到(-1,1)空间的混沌变量,采用Logistic映射方程式产生混沌变量:
Zi+1=λZi(1-Zi),Zi∈(0,1),Zi≠0.25,0.5,0.75 (5)
其中,i为迭代次数,λ为控制变量,Zi为混沌变量;自适应惯性权重因子ω的调整策略如下:
ω=(ωmax-ωmin)exp(-(k/kman)2)+ωmin (6)
步骤56,若种群更新次数较大,或者群体最优粒子的适应度值满足评价函数,则结束,否则重复步骤52~55。
其中,当智能配电网发生故障后,配网线路中的各联络开关、分段开关以及其他设备会检测到故障电流,各测控点的FTU将故障信息上传到控制主站,并进行相应的数据分析。故障函数可以根据各个FTU上传的实际状态值和故障假设情况下的状态值,对实际情况和故障假设情况的偏差进行评价和反映,计算公式如式(7):
F=∑∣Si-S*i∣+w∑Cj,i∈[1,N],j∈[1,M] (7)
其中,F是目标值,N是配网中检测数目,Si是监测信息的上传情况,S*i是故障假设情况下的测控点状态值,w是权重系数,取值范围一般为(0,1),一般取值0.6,M是区段数,Cj是区段j的状态值。等式包括两个部分,分别反映了开关期望值与实际状态值的逼近程度、选择故障区段数量最少的。在配网故障定位问题中,以开关为节点,相邻开关为线路区段,假设各节点均装有FTU装置,在系统发生短路时,FTU可以采集风电电网的不同种类的短路情况。FTU使用监测到的短路值,来快速判断线路是否存在短路故障,进而查找短路点,开关的故障电流状态用Si表示,配网的开关的故障电流有两种可能,若监测到短路信息,Si=0,若没有短路信息,Si=1。在闭环运行的电网上,风电可以送出潮流,同时也可能送进电力,因此,需要给配网设定哪个流向是正的。若线路的断路器的短路电流的流向是正的,则Si=1;若线路的断路器的短路电流的流向是负的,Si=-1;若未检测到故障电流,则Si=0。设备存在正常运行和发生短路状态,用Lj表示,1表示该地方有短路发生,0是这个地方没有短路发生,在查找短路程序中,采用0和1进行编码,进而快速查找短路点。
在步骤4以及步骤5之间还包括步骤5’,结合故障分级处理方法进行故障二次精细化定位,筛选非故障区域。
由于配电网规模庞大,节点数目及分支众多,若能快速筛选非故障区段,可以有效减少故障定位时间。例如在连接支路较少的配网中,短路发生时对其他地方配网的正常用电影响较小。因此,在进行粒子群算法查找故障之前,筛选出未发生短路的区段,可降低短路的查找时间,提高短路查找的精准性。故障分级处理方法包括:
1、网络开关状态分析:配电系统不仅有单辐射主干网络、环网,还带有大量的分支线和T型接线,网络结构相对复杂。为了方便分析,将配网分成主要线路部分和旁系线路部分,区别在于是否含有电源。当发生短路,线路的断路器有以下几种状态:1)如果断路器检测的短路电流为正方向,则设其状态值为1;2)如果断路器未检测到短路电流,则设其状态值为0;3)如果断路器检测的短路电流为反方向,则状态值为-1。由于旁系线路的短路电流一般都不会出现相反的值,因此其状态值一般为1或0。
2、合环运行的配网故障分级处理方法:电力系统一般采用闭环方式,以提高电力系统的灵活程度;支路故障的判据为:(1)检测配网开关的相应状态,0表示是没有短路电流,则说明这个地方的配网没有短路发生;(2)如果检测到的配网开关的状态是1,则有可能配网开关的某个地方有短路发生,参与下一步故障定位。如果状态是-1,则相反方向的线路上有发生短路的可能性,参与下一步故障定位,其余部分无故障;(3)若不满足上述条件,则该线路可能发生短路,参与下一步短路查找过程。
3、开环运行下的配网故障分级处理方法:为限制短路电流问题,配网采用开环运行支路划分方法:配网分成主支路和旁支路后,以风电或光伏电源为起点,沿着相反的线路查找,大量的配网短路可能发生在首端和末端之间,短路发生的可能性十分高,因此在这些地方增加检测力度,确保查找出短路点,尽快恢复供电。支路故障判据为:(1)主要的线路,如果含有风电的线路的断路器监测状态为1,则这些区域具有较高的短路概率,需要进一步确认。针对没有风电的线路的断路器状态若检测为-1或0,则表示该区域的短路可能性极高,需要仔细排查,同时除了这个地方,没有短路发生;(2)其他线路上,如果断路器检测信号为0,向相同方向的地方会发生短路,同时确定其他地方没有短路发生。(3)若不存在(1)和(2)所述情况的支路和区段,则直接参与下一步故障定位。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域人员能很好的理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种基于深度学习的含分布式电源配网故障诊断方法,其特征在于包括:
步骤1,生成样本集:采用FTU采集数据,并对采集到的实时数据进行预处理;
步骤2,基于经过所述预处理的数据获得故障类型;
步骤3,将故障前后的含分布式电源配网输入所述故障类型对应的神经网络,获得故障发生地点的线路编号;
步骤4,将经过所述预处理后的数据输入所述故障类型所对应的神经网络,获得故障发生地点在配电网线路中的第一线路定位,包括:故障线路确定后,进一步计算故障点的距离,实现故障精细化定位,多节点配电网网络拓扑图中,任意两个节点之间都具有一个深度学习的神经网络,通过在不同地点设置不同类型的故障,得到全面的样本进行训练,再将实时数据输入到该线路的神经网络,得到故障位于该线路上的具体位置;
步骤5,基于自适应混沌变异的改进粒子群算法快速获得第二短路位置,将第二短路位置与第一线路定位比较,若两者一致则获得最终的故障诊断结果,若不一致则重复进行步骤1-5,具体包括:
步骤51,确定粒子群种群,随机产生种群;
步骤52,对开关节点进行编号,并构造评价函数,计算函数值;
步骤53,计算函数值,并求解Pbest和Gbest;
步骤54,更新粒子位置和速度;
步骤55,对种群使用自适应混沌变异;
步骤56,若种群更新次数较大,或者群体最优粒子的适应度值满足评价函数,则结束,否则重复步骤52~55;
所述步骤54包括:根据公式(2)和(3)更新粒子位置和速度;其中,公式(2)涉及开关函数,利用所述开关函数去查找短路源头,然后利用所述短路源头逼近FTU上报的故障信息,针对不同的电网结构,包括如下几种方法:
A.单电源辐射状配电网:在短路检测中表示为发生断路和未发生短路,对于任意一个线路,1表示含有短路分量,0表示没有短路分量,如果开关函数的值通常取决于下游线路是否发生短路,计算公式如式(2)所示:
Si=L1∨L2∨…∨Lj,Lj∈M (2)
式中,Lj是线路区段j的状态信息,∨表示逻辑与运算,M是开关i下游关联的线路区段集合;
B.含多个风电或光伏的电网:在单电源供电网络中,短路电流与发生断路与否是紧密相关的,对于含风电光伏配电网中,式(2)不再使用,开关函数定义为式(3):
Si=[∑Ks1(1-∑Lj,s1)]· ∑Li(n)-[ ∑Ks2(1-∑Lj,s2)] ·∑Li(m) (3)
式中,Ks1是i号开关的前半区电源开关系数,Ks2是第i号开关的后半区电源开关系数,表示风电是否加入,若加入表示为1,否则表示为0;Lj,s1和Lj,s2前后半区风电所经过的区段状态值;Li(n)和Li(m)分别是前、后半区的电源的状态监测信息;M和N是前、后半区的馈线区段数目。
2.根据权利要求1所述的一种基于深度学习的含分布式电源配网故障诊断方法,其特征在于所述步骤1包括:所述样本集包括配电网处于各类运行状态时在不同线路各自发生不同故障的数据。
3.根据权利要求1所述的一种基于深度学习的含分布式电源配网故障诊断方法,其特征在于所述步骤2包括:通过跟踪主电源的三相电流变化状况确定发生的故障类型,主电源的标准化处理方法如式(1)所示:
Ist=If/Imax (1)
其中,If为相电流;Imax为相电流的最大值;Ist为标准化处理过后的三相电流值,由于配电网为非对称网络,对该值进一步进行四舍五入处理。
4.根据权利要求1所述的一种基于深度学习的含分布式电源配网故障诊断方法,其特征在于所述步骤3包括:利用离线生成的样本集,对得到的神经网络进行训练,并得到平滑参数的最优值,在深度学习的神经网络内输入在线采集的实时数据后,得到发生故障的线路编号。
5.根据权利要求1所述的一种基于深度学习的含分布式电源配网故障诊断方法,其特征在于所述步骤55包括:根据公式(4)-(6)对种群使用自适应混沌变异;对于粒子i,根据式(4)进行混沌变异:
Xi=Xi·[1+ω·ch(-1,1)] (4)
其中,Xi是粒子i的决策变量,ω是自适应惯性权重因子;ch(-1,1)是映射到(-1,1)空间的混沌变量,采用Logistic映射方程式产生混沌变量:
Zi+1=λZi(1-Zi),Zi∈(0,1),Zi≠0.25,0.5,0.75 (5)
其中,i为迭代次数,λ为控制变量,Zi为混沌变量;自适应惯性权重因子ω的调整策略如下:
ω=(ωmax-ωmin)exp(-(k/kman)2)+ωmin (6)。
6.根据权利要求1所述的一种基于深度学习的含分布式电源配网故障诊断方法,其特征在于所述步骤56包括:当智能配电网发生故障后,配网线路中的各联络开关、分段开关以及其他设备会检测到故障电流,各测控点的FTU将故障信息上传到控制主站,并进行相应的数据分析;故障函数可以根据各个FTU上传的实际状态值和故障假设情况下的状态值,对实际情况和故障假设情况的偏差进行评价和反映,计算公式如式(7):
F=∑∣Si-S*i∣+w∑Cj,i∈[1,N],j∈[1,M](7)
其中,F是目标值,N是配网中检测数目,Si是监测信息的上传情况,S*i是故障假设情况下的测控点状态值,w是权重系数,取值范围为(0,1),M是区段数,Cj是区段j的状态值,在配网故障定位问题中,以开关为节点,相邻开关为线路区段,假设各节点均装有FTU装置,在系统发生短路时,FTU采集风电电网的不同种类的短路情况,FTU使用监测到的短路值,来快速判断线路是否存在短路故障,进而查找短路点。
7.根据权利要求1所述的一种基于深度学习的含分布式电源配网故障诊断方法,其特征在于在步骤4以及步骤5之间还包括步骤5’,结合故障分级处理方法进行故障二次精细化定位,筛选非故障区域;所述故障分级处理方法包括:
A、网络开关状态分析:配电系统不仅有单辐射主干网络、环网,还带有大量的分支线和T型接线,网络结构相对复杂;将配网分成主要线路部分和旁系线路部分,区别在于是否含有电源;当发生短路,线路的断路器有以下几种状态:1)如果断路器检测的短路电流为正方向,则设其状态值为1;2)如果断路器未检测到短路电流,则设其状态值为0;3)如果断路器检测的短路电流为反方向,则状态值为-1;由于旁系线路的短路电流一般都不会出现相反的值,因此其状态值一般为1或0;
B、合环运行的配网故障分级处理方法:电力系统采用闭环方式,以提高电力系统的灵活程度;支路故障的判据为:(1)检测配网开关的相应状态,0表示是没有短路电流,则说明这个地方的配网没有短路发生;(2)如果检测到的配网开关的状态是1,则有可能配网开关的某个地方有短路发生,参与下一步故障定位如;如果状态是-1,则相反方向的线路上有发生短路的可能性,参与下一步故障定位,其余部分无故障;(3)若不满足上述条件,则该线路可能发生短路,参与下一步短路查找过程;
C、开环运行下的配网故障分级处理方法:为限制短路电流问题,配网采用开环运行支路划分方法:配网分成主支路和旁支路后,支路故障判据为:(1)主要的线路,如果含有风电的线路的断路器监测状态为1,则这些区域具有较高的短路概率,需要进一步确认;针对没有风电的线路的断路器状态若检测为-1或0,则表示该区域的短路可能性极高,需要仔细排查,同时除了这个地方,没有短路发生;(2)其他线路上,如果断路器检测信号为0,向相同方向的地方会发生短路,同时确定其他地方没有短路发生;(3)若不存在(1)和(2)所述情况的支路和区段,则直接参与下一步故障定位。
CN202110656139.1A 2021-06-11 2021-06-11 一种基于深度学习的含分布式电源配网故障诊断方法 Active CN113675877B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110656139.1A CN113675877B (zh) 2021-06-11 2021-06-11 一种基于深度学习的含分布式电源配网故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110656139.1A CN113675877B (zh) 2021-06-11 2021-06-11 一种基于深度学习的含分布式电源配网故障诊断方法

Publications (2)

Publication Number Publication Date
CN113675877A CN113675877A (zh) 2021-11-19
CN113675877B true CN113675877B (zh) 2023-06-30

Family

ID=78538191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110656139.1A Active CN113675877B (zh) 2021-06-11 2021-06-11 一种基于深度学习的含分布式电源配网故障诊断方法

Country Status (1)

Country Link
CN (1) CN113675877B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2207581C2 (ru) * 2001-04-17 2003-06-27 Марийский государственный университет Способ определения состояния линейной изоляции распределительных сетей и определения места её повреждения
JP2008148413A (ja) * 2006-12-07 2008-06-26 Chugoku Electric Power Co Inc:The 配電線故障箇所発見システム及び方法
WO2014089899A1 (zh) * 2012-12-10 2014-06-19 国家电网公司 基于暂态信号小波变换的配电网单相接地故障定位方法及定位装置
CN108387820A (zh) * 2018-03-20 2018-08-10 东北电力大学 含分布式电源的配电网故障区段定位方法
CN108957226A (zh) * 2018-06-21 2018-12-07 西安理工大学 一种适用于含高比例分布式电源接入配电网的故障馈线定位方法
CN108957246A (zh) * 2018-09-27 2018-12-07 广东电网有限责任公司 一种基于粒子群的配电网故障定位方法
CN110988596A (zh) * 2019-12-11 2020-04-10 国网山东省电力公司日照供电公司 一种新型主动配电网故障区段定位方法
CN112147458A (zh) * 2020-04-09 2020-12-29 南京理工大学 一种基于改进万有引力算法的含dg配电网的故障区段定位方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2207581C2 (ru) * 2001-04-17 2003-06-27 Марийский государственный университет Способ определения состояния линейной изоляции распределительных сетей и определения места её повреждения
JP2008148413A (ja) * 2006-12-07 2008-06-26 Chugoku Electric Power Co Inc:The 配電線故障箇所発見システム及び方法
WO2014089899A1 (zh) * 2012-12-10 2014-06-19 国家电网公司 基于暂态信号小波变换的配电网单相接地故障定位方法及定位装置
CN108387820A (zh) * 2018-03-20 2018-08-10 东北电力大学 含分布式电源的配电网故障区段定位方法
CN108957226A (zh) * 2018-06-21 2018-12-07 西安理工大学 一种适用于含高比例分布式电源接入配电网的故障馈线定位方法
CN108957246A (zh) * 2018-09-27 2018-12-07 广东电网有限责任公司 一种基于粒子群的配电网故障定位方法
CN110988596A (zh) * 2019-12-11 2020-04-10 国网山东省电力公司日照供电公司 一种新型主动配电网故障区段定位方法
CN112147458A (zh) * 2020-04-09 2020-12-29 南京理工大学 一种基于改进万有引力算法的含dg配电网的故障区段定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于MOPSO的含分布式光伏配电网故障区段定位;吴凡;赵晋泉;朱斌;吴海伟;苏大威;;电力系统保护与控制(第06期);全文 *
故障定位技术在配电网中的应用研究;刘洋;;价值工程(第29期);全文 *

Also Published As

Publication number Publication date
CN113675877A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN109459669B (zh) 10kV配电网单相接地故障区段定位方法
Shams et al. Active power imbalance detection, size and location estimation using limited PMU measurements
CN110988596B (zh) 一种新型主动配电网故障区段定位方法
CN105974232B (zh) 一种适用于高压输电网的电网故障诊断方法
CN108459240A (zh) 一种配电网线路故障区间定位方法
CN104103019A (zh) 含分布式电源的配电网运行风险评估方法及评估系统
Wang et al. A hierarchical power grid fault diagnosis method using multi-source information
Koochi et al. A synchrophasor-based decision tree approach for identification of most coherent generating units
CN105425105B (zh) 电网故障线段综合定位方法及系统
CN114370380A (zh) 一种计及气象因素的风电机组故障诊断方法
CN109378835A (zh) 基于互信息冗余性最优的大规模电力系统暂态稳定评估系统
CN103311960A (zh) 一种强联系电网同调稳定区域划分方法
CN108493909B (zh) 基于电压跌落的配网故障的检测方法
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
CN113675877B (zh) 一种基于深度学习的含分布式电源配网故障诊断方法
Zhou et al. Fault location for distribution networks with distributed generation sources using a hybrid DE/PSO algorithm
Li et al. A comprehensive method for fault location of active distribution network based on improved matrix algorithm and optimization algorithm
CN108919055A (zh) 一种基于Petri网的含高密度屋顶光伏配电网故障诊断方法
CN105866630A (zh) 一种应对全站信息缺失的故障诊断方法和系统
CN115356598A (zh) 一种配电网短路故障区段定位方法及系统
CN115037054A (zh) 基于三相自平衡、低压故障定位隔离的换相开关智能终端
CN108090616A (zh) 一种电力系统主动解列最优断面搜索方法
Shivaie et al. A white-box decision tree-based preventive strategy for real-time islanding detection using wide-area phasor measurement
CN109038544B (zh) 一种基于电压轨迹特征的暂态稳定识别方法
Luo et al. Short-term voltage stability assessment based on local autopattern discovery

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Tan Zhen

Inventor after: Wang Hongliang

Inventor after: Zhou Yingwei

Inventor after: Sun Wenyu

Inventor after: Xi Haikuo

Inventor after: Yang Manman

Inventor after: Chen Chen

Inventor after: Feng Hao

Inventor after: Chen Jian

Inventor after: Yin Zhaolei

Inventor after: Bai Minghui

Inventor after: Yuan Shaojun

Inventor after: Sun Rongfu

Inventor after: Ding Ran

Inventor after: Liu Yang

Inventor after: Liu Peng

Inventor before: Yin Zhaolei

Inventor before: Sun Wenyu

Inventor before: Xi Haikuo

Inventor before: Yang Manman

Inventor before: Chen Chen

Inventor before: Feng Hao

Inventor before: Bai Minghui

Inventor before: Yuan Shaojun

Inventor before: Sun Rongfu

Inventor before: Ding Ran

Inventor before: Liu Yang

Inventor before: Liu Peng

Inventor before: Wang Hongliang

Inventor before: Zhou Yingwei