CN113791307B - 基于离散贝叶斯网络的混合线路配电网故障区段定位方法 - Google Patents

Abstract

本发明提供了一种基于离散贝叶斯网络的混合线路配电网故障区段定位方法，涉及技术领域，其包括简化配电网物理模型；分析线路段故障对两侧装置内的故障信息的影响，建立故障区段定位的离散贝叶斯网络模型；依据配电网简化模型的拓扑确定离散贝叶斯网络的结构；根据历史故障信息使用期望最大算法训练离散贝叶斯网络的参数；使用置信度传播算法推理离散贝叶斯网络，得到当前观测信息下各线路段故障状态的概率分布；依据线路段的故障状态概率分布确定发生故障的线路段，作为故障区段定位的结果。本发明可以提供故障时可能出现的所有情况及其概率，并且具有高数据容错性，可以有效解决故障信息畸变或缺失带来的故障区段定位不准确的问题。

Description

基于离散贝叶斯网络的混合线路配电网故障区段定位方法

技术领域

本发明涉及配电网故障诊断与恢复控制领域，尤其涉及一种具备容错能力的混合线路配电网故障区段定位方法。

背景技术

随着配电网中架空-电缆混合线路数量不断增长，研究其故障处理技术对于提高配电网供电可靠性具有重要意义。作为故障处理中常用的技术之一，保护重合闸既要尽可能恢复健全区域的供电，减少停电损失，又要避免在故障时重合闸，导致配电系统受二次短路电流冲击后造成更大损失。由于架空线路与电缆线路的故障性质(瞬时性故障/永久性故障)一般不同，混合线路上的保护重合闸缺乏精细化的故障分析作为支撑。传统上依据电缆线路占比制定的线路保护重合闸策略已无法满足当下电网供电可靠性的要求。如何依据配电网故障信息自适应的制定重合闸策略成为电网运检部门亟待解决的问题。

在架空-电缆混合线路发生故障跳闸时，如果对故障区段进行精确判断，缩小线路故障查找的范围，可以提升混合线路故障处理的效率。从配电网故障区段定位的研究现状来看，目前的算法都基于配电自动化系统采集的故障信息准确无误这一假设。而配电线路大多数测量装置安装在户外，不可避免会受到各种环境因素的干扰。这些影响因素会导致采集到的故障信息中存在信号畸变的问题。若要使定位结果准确可靠，故障区段定位算法本身应具有足够的容错性。

基于此，做出本申请。

发明内容

本发明针对架空电缆混合的配电网具有拓扑结构复杂性高、元件数量多、设备户外环境信息干扰强的特点，提出基于离散贝叶斯网络的配电线路故障区段定位方法。

为了实现上述目的，本发明采取的技术方案如下：

一种基于离散贝叶斯网络的混合线路配电网故障区段定位方法，包括以下步骤：

(1)简化混合线路配电网物理模型；

(2)依据简化的配电网模型确定离散贝叶斯网络模型的结构；

(3)依据历史故障信息确定离散贝叶斯网络的参数；

(4)在发生线路故障时，获取线路测量装置故障信息；

(5)使用置信度传播算法推理离散贝叶斯网络，得到当前观测信息下各线路段故障状态的概率分布；

(6)依据线路段的故障状态概率分布确定发生故障的线路段，作为故障区段定位的结果。

本发明提供了一种优选方案，所述步骤(1)的具体简化过程包括：

11)忽略拓扑模型中与故障定位无关的一、二次设备，只保留母线、开关、测点和线路这四种电气设备；

12)对于含有多个开关的设备，仅保留各自其中一个开关，设备的开断状态取它们的并集。

本发明提供了一种优选方案，所述步骤(1)中，对配电网区段进行如下划分：

(a)两开关间的线路为“区”，当发生永久故障时，只需要辨识出故障所属的区，即可完成故障隔离；

(b)两测量点间的线路为“段”，线路两侧的电气量可以观测，“段”的范围小于等于“区”，对故障线路段进行定位，可进一步缩小故障排查范围。

本发明提供了一种优选方案，所述步骤(2)中，无论是辐射状配电网还是开环运行的配电网，若线路上某一测量点采集不到故障信息，那么与其相邻的测点中，最多只有一个测点可以采集到故障信息。即当某一段线路Li发生接地故障时，该段线路至母线间的所有测量点将检测到高于其整定值的故障电流、电压，而靠近线路末端一侧的测量点则无法采集到故障信息。

本发明提供了一种优选方案，所述步骤(2)中，引入变量S_Li表示线路段i状态，S_Li＝{0，1}，其中S_Li为1代表线路段i有故障，0代表线路段i无故障；引入变量S_MUi表示测量点i采集数据中是否包含故障信息，S_MUi＝{0，1}，其中S_MUi为1代表测量点i采集到故障信息，0代表未采集到故障信息；选取线路段两侧的测量点故障信息作为观测变量，故障信息包含故障电压S_MUVi和故障电流S_MUIi。

本发明提供了一种优选方案，所述步骤(2)中，离散贝叶斯网络模型包含概率图模型中有效迹的概念，即构建的离散贝叶斯网络模型具备一定的冗余度时，不需要所有变量的值精确无误也可以推理出结果；在实际工程中，故障电压、故障电流通过不同的光纤通道采集，当单一光纤通道受挤压变形等因素影响，出现数据畸变时，依然可以通过离散贝叶斯网络模型的有效迹推断出故障线路段。

本发明提供了一种优选方案，所述步骤(3)中，离散贝叶斯网络模型中的概率分布分为两类：(a)初始概率分布表：用来表示每个变量初始状态的概率向量；(b)条件概率分布：用来表示变量间不同状态下对于的条件概率向量；

使用EM期望最大算法获得离散贝叶斯网络参数的步骤如下：

(31)首先用等分法生成条件概率分布的初始值θ⁰，开始迭代；

(32)E步，求期望，依据条件概率分布初始值θ⁰或上一步迭代所得的条件概率θⁱ来计算隐变量S_Li的后验概率，作为隐变量S_Li的现期望值；

Q(S_Li)＝P(S_Li|S_MUi；θ⁰)

其中，Q(S_Li)为隐变量S_Li的条件概率分布在此轮迭代中的现期望值，P(S_Li|S_MUi；θ⁰)为隐变量S_Li的后验概率分布。该公式代表依据条件概率分布初始值θ⁰或上一步迭代所得的条件概率θⁱ来计算隐变量S_Li的后验概率；公式2为最大似然函数求解的目标表达式为，L(θ,θⁱ)为迭代过程中优化算法的代理函数。

(33)M步，求极大以似然函数最大化为目标更新条件概率分布θⁱ⁺¹；

其中，L(θ,θⁱ)为迭代过程中优化算法的代理函数。S_MUi为线路相邻测点的状态，θ⁰，θⁱ，θⁱ⁺¹均为贝叶斯网络的参数，即隐变量的条件概率分布，最终条件概率分布是通过优化迭代算法获得，因此每一步迭代中参数θ均发生变化，初始参数用θ⁰表示，θⁱ和θⁱ⁺¹分别表示迭代至第i轮和第i+1轮时的贝叶斯网络的参数。

(34)迭代步骤(31)和步骤(32)，当依据离散贝叶斯网络中条件概率分布表抽到训练数据样本的概率最大时，EM算法迭代结束。

本发明提供了一种优选方案，所述步骤(5)中，使用置信度传播算法推断混合线路配电网故障所属区段，具体步骤如下：

(51)获取离散贝叶斯网络模型的结构和参数；

(52)初始化各结点的置信度：

式中Y代表隐变量，即线路故障状态，X代表观测变量，即线路两侧测量点的是否有故障信息；

(53)指定离散贝叶斯网络中的一个根结点，通过和积算法计算根结点信息，更新网络中与其相邻的结点的置信度，即

式中m_XY(Y)代表隐变量Y带观测变量X间传递的信息，G代表由离散贝叶斯网络中结点构成的集合；

(54)从根结点开始依次向叶结点传递消息，直到所有叶结点均收到消息；

(55)不断重复步骤(52)和(53)，直至满足收敛条件：

b⁽ⁿ⁾(Y)-b^(n-1)(Y)＜10^-5

(56)将最终隐变量的置信度b(Y)作为隐变量概率分布的推断结果。

本发明的有益技术效果：

(1)本发明针对架空电缆混合的配电网具有拓扑结构复杂性高、元件数量多、设备户外环境信息干扰强的特点，提出基于离散贝叶斯网络的配电线路故障区段定位方法，具备容错性，抗干扰性强，定位结果准确可靠。

(2)本发明通过概率分布描述数据传输中存在的不确定性，提出的方法可以在数据存在错误、缺失的情况下，对配电网的故障进行准确定位，有效提高了配电网故障区段定位方法的鲁棒性和合理性。

附图说明

图1是本实施例配电网故障区段定位方法流程图；

图2是配电网线路故障区段定位的简化拓扑模型；

图3是单条线路段故障的离散贝叶斯网络模型。

具体实施方式

为了使本发明的技术手段及其所能达到的技术效果，能够更清楚更完善的披露，兹提供了以下实施例，并结合附图作如下详细说明：

如图1所示，本实施例基于离散贝叶斯网络的配电网故障区段定位方法，包括以下步骤：

步骤(1)简化配电网物理模型；

具体而言，简化过程包括：

11)忽略拓扑模型中与故障定位无关的一、二次设备，只保留母线、开关、测点和线路这四种电气设备。

12)对于环网柜、开闭所等含有多个开关的设备，仅保留其中一个开关，设备的开断状态取它们的并集。

配电网区段进行如下划分：

(a)两开关间的线路为“区”，当发生永久故障时，只需要辨识出故障所属的区，即可完成故障隔离；

(b)两测量点间的线路为“段”，线路两侧的电气量可以观测，“段”的范围小于等于“区”，对故障线路段进行定位，可进一步缩小故障排查范围。

步骤(2)通过电力系统暂态分析线路段故障对两侧测量装置内的故障信息的影响，建立故障区段定位的离散贝叶斯网络模型，依据简化的配电网模型确定离散贝叶斯的结构。

无论是辐射状配电网还是开环运行的配电网，若线路上某一测量点采集不到故障信息，那么与其相邻的测点中，最多只有一个测点可以采集到故障信息。即当某一段线路Li发生接地故障时，该段线路至母线间的所有测量点将检测到高于其整定值的故障电流、电压，而靠近线路末端一侧的测量点则无法采集到故障信息。选取线路段两侧的测量点故障信息作为观测变量，故障信息包含故障电压和故障电流。引入0-1变量S_Li表示线路段i状态：S_Li＝{0，1}，S_Li为1代表线路段i有故障，0代表线路段i无故障。同时，引入0-1变量S_MUi表示测量点i采集数据中是否包含故障信息：S_MUi＝{0，1}，S_MUi为1代表测量点i采集到故障信息(电压或电流)，0代表未采集到。故障信息包含故障电压S_MUVi和故障电流S_MUIi。以图2中线路段2是否发生故障为隐变量，构建的单隐变量离散贝叶斯网络如图3所示。S_MUV2、S_MUV3表示线路段2两侧测量点是否测到故障电压的状态；S_MUI2、S_MUI3表示线路段2两侧测量点是否测到故障电流的状态。

离散贝叶斯网络模型包含概率图模型中有效迹的概念，即构建的离散贝叶斯网络模型具备一定的冗余度时，不需要所有变量的值精确无误也可以推理出结果。在实际工程中，故障电压、故障电流通过不同的光纤通道采集。当单一光纤通道受挤压变形等因素影响，出现数据畸变时，依然可以通过离散贝叶斯网络模型的有效迹推断出故障线路段。

步骤3，依据历史故障信息确定离散贝叶斯网络的参数。离散贝叶斯网络模型中的概率分布一共分为两类：(a)初始概率分布表：用来表示每个变量初始状态的概率向量；(b)条件概率分布：用来表示变量间不同状态下对于的条件概率向量。

使用期望最大算法训练离散贝叶斯网络的具体步骤包括：

31)首先用等分法生成条件概率分布的初始值θ⁰，开始迭代；

32)E步，求期望，依据条件概率分布初始值θ⁰或上一步迭代所得的条件概率θⁱ来计算隐变量S_Li的后验概率，作为隐变量S_Li的现期望值；

Q(S_Li)＝P(S_Li|S_MUi；θ⁰)

其中，Q(S_Li)为隐变量S_Li的条件概率分布在此轮迭代中的现期望值，P(S_Li|S_MUi；θ⁰)为隐变量S_Li的后验概率分布。

33)M步，求极大以似然函数最大化为目标更新条件概率分布θⁱ⁺¹；

其中，L(θ,θⁱ)为迭代过程中优化算法的代理函数。

34)迭代步骤31)和步骤32)，当依据离散贝叶斯模型中条件概率分布表抽到训练数据样本的概率最大时，EM算法迭代结束。

步骤4，在发生线路故障时，获取线路测量装置故障信息。

步骤5，使用置信度传播算法推理离散贝叶斯网络，得到当前观测信息下各线路段故障状态的概率分布。历史故障信息中记录离散贝叶斯网络中所有结点共同发生的概率，即模型中各变量的联合概率。模型的推理过程就是从各结点联合概率中推断出目标变量的边际概率分布，将目标变量的边缘化。采用置信度传播算法推断离散贝叶斯网络模型中目标变量的概率分布的具体步骤如下：

51)获取离散贝叶斯网络模型的结构和参数；

52)初始化各结点的置信度：

式中Y代表隐变量，即线路故障状态，X代表观测变量，即线路两侧测量点的是否有故障信息，G代表由离散贝叶斯网络中结点构成的集合。

53)指定离散贝叶斯网络中的一个根结点，通过和积算法更新它网络中相邻的结点的置信度，即。

式中m_XY(Y)代表隐变量Y带观测变量X间传递的信息。

54)从根结点开始依次向叶结点传递消息，直到所有叶结点均收到消息；

55)不断重复步骤(2)和(3)，直至满足收敛条件：

b⁽ⁿ⁾(Y)-b^(n-1)(Y)＜10^-5

56)将最终隐变量的置信度b(Y)作为隐变量概率分布的推断结果。

置信度传播法通过迭代和积算法来传递图中各顶点间的信息，从而不断更新离散贝叶斯网络模型的状态直至收敛。

步骤6，依据线路段的故障状态概率分布确定发生故障的线路段，作为故障区段定位的结果。

以上内容是结合本发明的优选实施方式对所提供技术方案所作的进一步详细说明，不能认定本发明具体实施只局限于上述这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种基于离散贝叶斯网络的混合线路配电网故障区段定位方法，其特征在于，包括以下步骤：

(1)简化混合线路配电网物理模型；

(2)依据简化的配电网模型确定离散贝叶斯网络模型的结构；

(3)依据历史故障信息确定离散贝叶斯网络的参数；

(4)在发生线路故障时，获取线路测量装置故障信息；

(5)使用置信度传播算法推理离散贝叶斯网络，得到当前观测信息下各线路段故障状态的概率分布；

(6)依据线路段的故障状态概率分布确定发生故障的线路段，作为故障区段定位的结果；

所述步骤(1)的具体简化过程包括：

11)忽略拓扑模型中与故障定位无关的一、二次设备，只保留母线、开关、测点和线路这四种电气设备；

12)对于含有多个开关的设备，仅保留各自其中一个开关，设备的开断状态取它们的并集；

所述步骤(2)中，无论是辐射状配电网还是开环运行的配电网，若线路上某一测量点采集不到故障信息，那么与其相邻的测点中，最多只有一个测点可以采集到故障信息。

2.如权利要求1所述的基于离散贝叶斯网络的混合线路配电网故障区段定位方法，其特征在于，所述步骤(1)中，对配电网区段进行如下划分：

(a)两开关间的线路为“区”，当发生永久故障时，只需要辨识出故障所属的区，即可完成故障隔离；

(b)两测量点间的线路为“段”，线路两侧的电气量可以观测，“段”的范围小于等于“区”。

3.如权利要求1所述的基于离散贝叶斯网络的混合线路配电网故障区段定位方法，其特征在于，所述步骤(2)中，引入变量S_Li表示线路段i状态，S_Li＝{0，1}，其中S_Li为1代表线路段i有故障，0代表线路段i无故障；引入变量S_MUi表示测量点i采集数据中是否包含故障信息，S_MUi＝{0，1}，其中S_MUi为1代表测量点i采集到故障信息，0代表未采集到故障信息；选取线路段两侧的测量点故障信息作为观测变量，故障信息包含故障电压S_MUVi和故障电流S_MUIi。

4.如权利要求1所述的基于离散贝叶斯网络的混合线路配电网故障区段定位方法，其特征在于，所述步骤(2)中，离散贝叶斯网络模型包含概率图模型中有效迹的概念。

5.如权利要求3所述的基于离散贝叶斯网络的混合线路配电网故障区段定位方法，其特征在于，所述步骤(3)中，离散贝叶斯网络模型中的概率分布分为两类：(a)初始概率分布表：用来表示每个变量初始状态的概率向量；(b)条件概率分布：用来表示变量间不同状态下对于的条件概率向量；

使用EM期望最大算法获得离散贝叶斯网络参数的步骤如下：

(31)首先用等分法生成网络的初始参数θ⁰即隐变量的条件概率分布初始值，开始迭代；

(32)E步，求期望，依据条件概率分布初始值θ⁰或上一步迭代所得的条件概率θⁱ来计算隐变量S_Li的后验概率，作为隐变量S_Li的现期望值；

Q(S_Li)＝P(S_Li|S_MUi；θ⁰)

其中，Q(S_Li)为隐变量S_Li的条件概率分布在此轮迭代中的现期望值，P(S_Li|S_MUi；θ⁰)为隐变量S_Li的后验概率分布；

(33)M步，求极大以似然函数最大化为目标更新条件概率分布θⁱ⁺¹；

其中，L(θ,θⁱ)为迭代过程中优化算法的代理函数；

(34)迭代步骤(31)和步骤(32)，当依据离散贝叶斯网络中条件概率分布表抽到训练数据样本的概率最大时，EM算法迭代结束。

6.如权利要求1所述的基于离散贝叶斯网络的混合线路配电网故障区段定位方法，其特征在于，所述步骤(5)中，使用置信度传播算法推断混合线路配电网故障所属区段，具体步骤如下：

(51)获取离散贝叶斯网络模型的结构和参数；

(52)初始化各结点的置信度：

式中Y代表隐变量，即线路故障状态，X代表观测变量，即线路两侧测量点的是否有故障信息，G代表由离散贝叶斯网络中结点构成的集合；

(53)指定离散贝叶斯网络中的一个根结点，通过和积算法计算根结点信息，更新网络中与其相邻的结点的置信度，即

式中m_XY(Y)代表隐变量Y观测变量X间传递的信息；

(54)从根结点开始依次向叶结点传递消息，直到所有叶结点均收到消息；

(55)不断重复步骤(52)和(53)，直至满足收敛条件：

b⁽ⁿ⁾(Y)-b^(n-1)(Y)＜10^-5

(56)将最终隐变量的置信度b(Y)作为隐变量概率分布的推断结果。

Images