CN113985194A - 一种基于堆栈自编码器的配电网故障定位方法 - Google Patents
一种基于堆栈自编码器的配电网故障定位方法 Download PDFInfo
- Publication number
- CN113985194A CN113985194A CN202111145412.0A CN202111145412A CN113985194A CN 113985194 A CN113985194 A CN 113985194A CN 202111145412 A CN202111145412 A CN 202111145412A CN 113985194 A CN113985194 A CN 113985194A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- data
- power distribution
- distribution network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 13
- 238000005070 sampling Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于堆栈自编码器的配电网故障定位方法，涉及配电网故障定位技术领域，通过搭建配电网模型和故障模型，配电网模型中的电路为T形状电路；对故障模型进行模拟故障获取故障数据，对故障数据进行预处理并构建数据集；构建深度学习的测距模型；将数据集输入测距模型进行训练和验证得到最终测距模型，最终测距模型的输出为故障点距离测量点的位置；将实时获取的故障数据进行预处理得到实时数据集，将实时数据集输入最终测距模型得到故障的准确位置，本发明利用故障数据与故障距离之间的关联关系，结合测距模型拟合该关联关系，实现故障距离的估算，从而解决了现有神经网络对配电网故障中没考虑电网多支路的影响。
Description
技术领域
本发明属于配电网故障定位技术领域，尤其涉及一种基于堆栈自编码器的配电网故障定位方法。
背景技术
配电网具有馈线众多，开关设备分布广，供电范围小，架空线路和电缆线路混联供电等特点。随着大规模分布式能源的接入，配电网络结构变得更加复杂。因此，当配电网发生故障时，传统方法难以满足故障定位需求。
从配电网故障定位功能来说可分为两类：故障区段定位和故障精确定位。故障区段定位主要用于故障支路的判断。由于中低压配电网线路一般为多分支结构，故障后只需定位故障支路并切除故障支路，即可恢复对非故障区段的供电，降低故障影响，减小停电范围。配电网故障精确定位主要用于对故障点位置的定位，一般认为配电网线路长度较短，故障点精确定位需求不明确。近年来，配电网建设中出现了以下趋势，促进了配电网精确故障定位研究的发展：(1)随着电缆应用的日益广泛，电缆-架空线混合线路数量增多，运营单位希望实现故障点的精确定位，便于故障抢修。(2)随着农网改造及建设的推进，出现了数量众多的长距离配电网线路，长距离线路对故障点精确定位的需求较为迫切。目前，配电网故障精确定位研究尚处于起步阶段，整体思路上是将在高电压等级输电线路故障定位方法推广至配电网领域。
由于在配电网中，单相接地故障占所有故障的80％以上，单相接地故障后系统可以带故障运行一段时间，但由于非故障相相对地电压升高，系统长时间带故障运行会严重威胁线路的绝缘和设备的正常运行，随着智能电网的发展，寻找故障支路及故障具体位置变得越来越重要。近年来，很多学者在配电网的故障定位领域做出了相关研究，也提出了大量的定位方法。这些定位方法大致可分为三类：阻抗法、行波法、广域通信法。目前国内外学者也有将传统方法与人工智能相结合，提出基于多层感知器前馈神经网络和反向传播算法，对智能定位过程进行了训练、测试和评估。但是，该类定位方法没有考虑配电网多支路的影响。
发明内容
本发明的目的在于提供一种基于堆栈自编码器的配电网故障定位方法，从而克服了现有配电网故障检测没有考虑电网多支路影响的缺点。
为实现上述目的，本发明提供了一种基于堆栈自编码器的配电网故障定位方法，包括以下步骤：
搭建配电网模型，并根据所述配电网模型搭建故障模型，所述配电网模型中的电路为T形状电路；
对所述故障模型进行模拟故障获取故障数据，并对所述故障数据进行预处理，并对预处理后的数据构建数据集；
构建深度学习的测距模型，所述测距模型采用堆栈自编码器；
将所述数据集输入所述测距模型进行训练和验证，得到最终测距模型，所述最终测距模型的输出为故障点距离测量点的位置；
将实时获取的故障数据进行预处理得到实时数据集，将所述实时数据集输入所述最终测距模型能够得到故障的准确位置。
优选地，所述故障数据为双端故障数据。
优选地，所述预处理包括以下步骤：
从故障数据中获取行波波头；
获取所述行波波头后的故障数据；
对所述行波波头后的故障数据的三相电压数据进行相模变换；
对相模变换后的数据进行归一化处理，得到数据集。
优选地，采用改进的导数法判断行波的波头到达时间来获取行波波头。
优选地，所述相模变换采用凯伦鲍儿相模变换公式。
优选地，所述最终测距模型的隐藏层的层数为5。
优选地，所述最终测距模型的隐藏层的节点数的范围通过s1进行选取，s1的计算公式为：
式(8)中，n表示输入层的节点数，m表示输出层的节点数，s1表示中间层节点数，a为一个实常数。
优选地，所述最终测距模型的传递函数采用Singmoid和tangent传递函数。
优选地，将所述最终测距模型预测到故障点位置包括以下步骤：
判断所述测距模型是否进行数据特征提取，直至所述测距模型能够进行数据特征提取则进入下一步骤；
建立数据集与故障距离之间的关系；
结合数据集与故障距离之间的关系，采用网络微调对能够进行数据特征提取的测距模型进行有监督的学习，使所述测距模型具备测距能力。
优选地，建立数据集与故障距离之间的关系包括：
从所述故障数据中获取线路双端的行波，对线路双端的行波波形进行分析，计算故障点距离线路末端的长度；
根据所述故障点距离线路末端的长度，采用双端求和的方式，计算实际的故障点位置。
与现有的技术相比，本发明具有如下有益效果：
本发明所提供的基于堆栈自编码器的配电网故障定位方法，通过搭建配电网模型，并根据配电网模型搭建故障模型，配电网模型中的电路为T形状电路，来模拟配电网的输电线路；对故障模型进行模拟故障获取故障数据，并对故障数据进行预处理，并对预处理后的数据构建数据集；构建深度学习的测距模型，测距模型采用堆栈自编码器；将数据集输入测距模型进行训练和验证，得到最终测距模型，最终测距模型的输出为故障点距离测量点的位置；将实时获取的故障数据进行预处理得到实时数据集，将所述实时数据集输入最终测距模型能够得到故障的准确位置，即本发明利用故障数据与故障距离之间的关联关系，结合堆栈自编码器拟合该关联关系，实现故障距离的估算。本发明结合了故障数据和神经网络实现故障测距，从而解决了现有神经网络对配电网故障中没考虑电网多支路的影响。
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个实施例，对于本领域普通技术人员来说，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是本发明的基于堆栈自编码器的配电网故障定位方法流程图；
图2是本发明的故障定位原理图；
图3是本发明的配电网网络拓扑图；
图4是本发明的不同故障位置的故障行波故障特点示意图；
图5是本发明的不同的故障电阻的行波故障特点示意图；
图6是本发明的堆栈自编码器数据处理示意图；
图7是本发明的微调神经网络结构示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明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作出创造性劳动的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所示，本发明所提供的基于堆栈自编码器的配电网故障定位方法包括以下步骤：
S1、搭建配电网模型，并根据所述配电网模型搭建故障模型，所述配电网模型中的电路为T形状电路，当电路不是T形电路时，可以对原电路进行等效成T型电路；
S2、对所述故障模型进行模拟故障获取故障数据，并对所述故障数据进行预处理，并对预处理后的数据构建数据集；
S3、构建深度学习的测距模型，所述测距模型采用堆栈自编码器；
S4、将所述数据集输入所述测距模型进行训练和验证，得到最终测距模型，所述最终测距模型的输出为故障点距离测量点的位置；
S5、将实时获取的故障数据进行预处理得到实时数据集，将所述实时数据集输入所述最终测距模型能够得到故障的准确位置。
上述的，基于堆栈自编码器的配电网故障定位方法，通过搭建配电网模型，并根据配电网模型搭建故障模型，配电网模型中的电路为T形状电路，来模拟配电网的输电线路；对故障模型进行模拟故障获取故障数据，并对故障数据进行预处理，并对预处理后的数据构建数据集；构建深度学习的测距模型，测距模型采用堆栈自编码器；将数据集输入测距模型进行训练和验证，得到最终测距模型，最终测距模型的输出为故障点距离测量点的位置；将实时获取的故障数据进行预处理得到实时数据集，将实时数据集输入最终测距模型能够得到故障的准确位置，即本发明利用故障数据与故障距离之间的关联关系，结合堆栈自编码器拟合该关联关系，实现故障距离的估算。本发明结合了故障数据和神经网络实现故障测距，从而解决了现有神经网络对配电网故障中没考虑电网多支路的影响。
其中一个实施例，步骤S2中，所述故障数据为双端故障数据。
其中一个实施例，步骤S2中，所述预处理包括以下步骤：
S21、从故障数据中获取行波波头；
S22、获取所述行波波头后的故障数据；
S23、对所述行波波头后的故障数据的三相电压数据进行相模变换；
S24、对相模变换后的数据进行归一化处理，得到数据集。
其中一个实施例，步骤S21中，采用改进的导数法判断行波的波头到达时间来获取行波波头。
具体的，本发明的方法需要提取传播至线路两端的行波信号特征，电压行波信号的到达时间就成了首先需要确定的问题。众多的国内外学者也对这个问题进行过大量的研究，提出许多的方法。其中应用比较广泛的就是小波法和导数法。小波法在使用的时候，需要考虑到小波基的选择，以及小波尺度的选择，小波基和尺度选择得好，效果才好。导数法就比较简单、快捷、高效，但是导数法比较容易受到噪声的影响，自身信号的幅值大小也会影响其效果。于是，为了保证实用性，采用改进的导数法判断行波的波头到达时间来获取行波波头，这种方法受信号幅值的影响较小，具体如下：
传统导数法是通过检测信号的一阶导数或者二阶导数的数值是否超过设定的阈值，来判定行波波头位置。以离散信号为例，导数法的计算如下式所示：
式(1)中，X(i)和X(i-1)为相邻两个采样点的采样值；Tc是离散信号的采样间隔时间；S为根据经验设定的阈值。将式(2)进行形式的变换，得到：
X(i)-X(i-1)＞sTc (2)
从式(2)看出，等式的左边是相邻两个采样点的差，等式的右边是采样时间乘上阈值，是一个固定值，与实际的信号没有任何联系。而相邻采样点的差值，与信号自身的大小有关，还与其变化率有关。这些原因都使得导数法的效果不好。如果X(i)和X(i-1)刚好遇上噪声或干扰，会使判断的结果产生很大的误差。不利于达到时间的准确判断，并且这种方法还会放大高频分量。
因此，为了改进传统导数法，改进的导数法计算公式为：
与关注信号的绝对变化量与阈值比较的传统导数法相比，改进导数法更加关注信号的相对变化量与阈值比较。这样的优点在于比较结果与信号的幅值大小没有关系，只跟信号的变化量有关系。为了提高式的可靠性以及抗干扰性，从以下两个方面对式进行改进：(1)信号的突变不一定会出现在连续的采样点上，它们之间可能间隔了几个采样点；(2)需要设定一个阈值，小于该阈值的采样值判定为系统的正常波动；(3)信号的起始点之前不可能连续出现好几个点的采样值大于起始点的采样值。根据以上三点改进，将式(3)改为:
X(n)＞K,n＝j-1,j,j+1,L,j+r-1 (4)
式(4)、式(5)和式(6)中，K为门槛值，X(i)为突变前的一个点(i＝j-1)，X(j)为波形的突变点，X(j+1)、X(j+r-1)为波形的突变后的点,s0、s1……，sr-1为不同的门槛值。j为波行突变点的采样排序。i和m+s-1都是小于j的。p{}＝0表示不可能发生，概率为零。
式(4)表示，波行突变点的前面1个点以及后面r-1个点的采样值都要大于门槛值，以免系统的正常波动干扰了判断的准确性；式(5)表示，行波起始点后的r个点采样值与波行突变点的前一个点的采样值的比值一定都要大于门槛值；式(6)表示，行波起始点前不可能连续出现s个点的采样值大于波行突变点X(j)的值。从s0、s1、s2一直到sr-1为了简单方便可以选择相同的门槛值。r和s的值根据采样频率和经验值判断。当采样频率达兆赫兹级别的时候，r的值在5到10之间选择，s的取值则应该比r的取值大一些。
因此，采用式(4)、式(5)以及式(6)来进行判断行波的波头到达时间。
其中一个实施例，步骤S23中，所述相模变换采用凯伦鲍儿(Karrenbauer)相模变换公式。
具体的，由于电网采用三相线路，线路与线路之间存在着电磁耦合。因此，需要利用相模变换公式，把相互之间存在耦合关系的相方程转化为不存在耦合关系的序方程，即线模与零模。因此，本发明采用的相模变换公式为凯伦鲍儿(Karrenbauer)相模变换公式，将序分量解耦成0模、1模和2模分量。
相模变换公式为：
式(7)中，U0、U1、U2分别为0模、1模和2模分量，UA、UB、UC分别为三相电压，0模称为零模分量，是三相线路在大地之间流；1模分量和2模分量都叫做线模分量，1模在A和B相线路之间流动，2模在A和C相线路之间流动。
当线路正常运行时，三相电压幅值相同、相位相差120°，即UA＝UB＝UC。利用相模变换公式可得到零模分量U0＝u，1模分量和2模分量U1＝U2。因此，可以分析得出，线路没有发生故障或者没有对称故障时，只有零模分量，没有线模分量，线路首端的量测装置无法检测到线模分量；而当线路中发生单相接地故障或者其他不对称故障时，三相线路在故障点处不在平衡，每条线路之间产生耦合，Karrenbauer变换公式不能将故障点解耦，在故障点处会发生不同模量之间的交叉渗透，会出现线模行波传送至母线端，因此，母线端将检测到线模行波分量。
其中一个实施例，步骤S24中，归一化处理是挖掘数据的一项基本工作，将数据进行归一化后不仅可以加快梯度下降求最优解的过程，也可能发挥发挥出算法的最优效果。步骤S23中，采用线性归一化处理，线性归一化是常用的归一化方法，特征量化公式为：
式(8)中，min(xi)和max(xi)为归一化前数据序列的最大值和最小值，xi为原始数值，z为归一化后的值。
线路首端检测到的行波脉冲数据经过归一化处理之后，接地电阻对也行波脉冲信号的影响小了很多。行波脉冲波形的上升沿斜率随故障距离的增加而下降，峰值的位置随着故障距离的增加而增加，波形的宽度随着故障距离的增加而增加。行波电压的波形形状中蕴含了故障距离的特征，这种关系难以用公式进行解析描述。因此，有必要采用深度学习模型来拟合行波电压波形与故障距离的非线性映射关系，实现故障距离的准确测量。
其中一个实施例，考虑到单端行波波形拟合的故障距离存在一定误差，本发明基于双端行波波形数据拟合故障距离，减少拟合误差对定位结果的影响。深度学习作为神经网络的延伸与发展，将浅层的神经网络发展为深层神经网络，主要包括四大典型模型：堆栈自编码器、长短时记忆网络、深度置信网络和卷积神经网络。堆栈自编码器(Stack Auto-encoder，SAE)作为一种典型的深度学习模型，由多个自动编码器组成。采用权值连接相邻单元，逐层采用贪婪算法进行训练，解决了深层网络容易达到局部最优、训练困难的问题。本发明考虑到行波波形特征维度和故障测距的需求，选取堆栈自编码器作为深度学习的测距模型，实现自监督的样本特征学习。
最终测距模型的选择具体如下：
线路行波原始数据选取为行波波头后的0.1ms的行波线模波形数据。经过归一化处理之后，形成一个维度为200的特征输入序列。将这个特征序列作为SAE网络的输入，故障点距离测量点的位置作为SAE网络的输出。因此，SAE网络的输入层维度为200，输出层维度为1。
在这整个网络中，最重要的就是网络的结构，具体为隐藏层的层数和隐藏层的节点数。确定隐藏层的层数以及隐藏层的节点数就是网络训练阶段的最重要的任务，对于网络的测距精度影响较大。本发明以训练误差最小为训练目标，即训练样本的标签数据与网络输出数据的均方误差最小。首先确定网络的隐藏层层数，由于配电线路行波线模波形维度不高，波形特征与故障距离的映射关系虽然为非线性，但是对应关系比较明显，隐藏层的层数不宜过多，过多的隐藏层会使得SAE网络难以学习和训练，容易陷入局部最优，通过多次仿真和验证，最终测距模型的隐藏层的层数为5。
隐藏层的节点数会影响网络的性能，选择好隐藏层节点数能够使得网络的性能提高。隐藏层的节点数必须要跟SAE网络的训练精度、所解决问题的复杂度、输入层的节点数与输出层的节点数都有很大的关系。现阶段的机器学习算法中，没有一个明确的标准去选择隐藏层的节点，都是通过实验的方法去选择最优的隐藏层的节点数。如果隐藏层的节点数的选择得合适，节点过少，会使得不管怎么训练改变实验参数，都无法达到所期望的预期结果；节点过多，很使得网络很复杂，增大训练难度，出现过拟合的问题。因此，一定要选择合适的隐藏层节点数。
其中一个实施例，最终测距模型的隐藏层的节点数的范围通过s1进行选取，s1的计算公式为：
式(8)中，n表示输入层的节点数，m表示输出层的节点数，s1表示中间层节点数，a为一个实常数。
根据式(8)能够计算出每个隐藏层节点数的大致范围。在此计算基础上，适当扩大一下范围，并在这个范围内，遍历神经元节点数，进行网络训练，选择出使网络训练误差最小的隐藏层节点数，最终，通过仿真对比训练误差得到：隐藏层节点数较小时，训练误差率随着隐藏层节点数的增加而减小；当隐藏层节点数继续增加时，训练误差并没有随着节点数的增加而减小，反而有误差增加的趋势。因此，隐藏层节点数太小，不能充分的表征信号，隐藏层节点数大了，难以训练，容易达到局部最优。因此，根据仿真误差结果，确定每个隐藏层的神经元个数为64、32、16、8、4，在此时，测距模型的训练结果较好。
其中一个实施例，除了确定神经网络的架构外，还有学习率、动量因子等参数需要调整，经过适量的微调选择推荐值就能达到很好的效果。本发明中的测距模型，传递函数采用Singmoid和tangent传递函数。在测距模型训练阶段，训练优化器选取adam方法，学习率为0.02，迭代次数根据误差收敛的曲线设定，设定为5000。在网络微调阶段，网络微调过程的优化器选取RMSprop方法，学习率选取为0.02，迭代次数为200。
其中一个实施例，步骤S4中，包括以下步骤：
S41、训练测距模型能够进行数据特征提取。
在测距模型的训练时，有两个过程，即编码过程和解码过程，最终的输出数据特征数与输入的数据特征数一样已达到数据重构的效果，测距模型的结构如附图6所示。编码和解码的过程用损失函数来进行评价，损失函数定义为：
式(9)中，n为样本组数，m为样本维度，yij为样本矩阵。
在测距模型的训练过程中，采用梯度下降法完成迭代过程，当损失函数下降到一定程度时，可认为训练过程已经完成，测距模型已经可以实现数据的特征提取。
S42、采用网络微调对测距模型进行有监督的学习，网络微调是对堆栈自编码器的测距模型参数的修改，即对修改过的网络进行有监督学习，使测距模型具备测距能力。在适用梯度下降法训练测距模型时，使用均方差损失函数,均方差损失函数能反映定位结果与真实结果的误差大小。均方差损失函数为：
式(10)中，n为样本组数，yi为模型输出，yi′为样本标签。在测距模型训练结束后，直接提取测距模型的自编码器的编码部分模型，如图7所示，自编码器的结果具有输入数据的主要特征，结合有标签数据训练，可见，对整个测距模型进行有监督的学习，结合数据标签为训练方向，最终建立起数据集与故障距离之间的关系。
S43、建立数据集与故障距离之间的关系，具体包括：从故障数据中获取线路双端的行波，对线路双端的行波波形进行分析，计算故障点距离线路末端的长度；然后采用双端求和的方式，计算实际的故障点位置。
如图2所示，具体流程分为两个步骤：
S431、判断故障发生在哪条线路；具体为：当测距距离之和大于主干线长度时，说明故障发生在支路上。反之，故障发生在主干线上
S432、故障位置距离两端的距离。
通过步骤S41-S43完成了最终测距模型的训练和故障距离的预测。
S44、最后，通过分析故障定位的结果，对训练出模型进行测试，验证该模型是否满足误差标准需求。利用双端数据求和来判定故障点位置，在一定程度上避免了训练过程中误差的累积，有利于消除双端测距模型的误差。
对本发明基于堆栈自编码器的配电网故障定位方法的实施例进行详细说明，以使本领域技术人员更了解本发明：
S1、在PACAD/EMTDC搭建一个单电源输入的220/10kV的配电网仿真模型，配网结构图如图3，设置中性点为不接地方式，线路采用Frequency Dependent Model Options等值模型。在配网线路上C、D、E、F、G、H的每200m设置一个故障，每个故障设置的接地电阻2Ω，4Ω，6Ω，8Ω，10Ω；故障发生的相角分别设置为0°，72°，144°，216°，288°。每个故障位置设置故障参数如下表1所示，
表1：故障参数设置表
| 故障发生的相角 | 故障时间设置(s) | 故障电阻(Ω) |
| 0° | 0.3 | 2Ω |
| 72° | 0.304 | 2Ω |
| 144° | 0.308 | 6Ω |
| 216° | 0.312 | 8Ω |
| 288° | 0.316 | 10Ω |
S2、采集两端的行波电压信息，采样间隔时间为5×10-7s，采样频率为2MHz；每个故障点仿真25种工况，最终共形成1250组样本。本发明是基于双端的故障定位，故障数据都是对应双端故障数据。对行波电压信息进行行波波头的提取，确定行波波头到达行波检测装置的时刻后，提取波头后面0.1ms后的故障数据，根据将提取故障数据的三相电压数据经KarenbauerTransform(卡伦包尔变换)变换到0模分量、1模分量和2模分量。本发明取1模分量数据得到1500×200维的数组。由于线路存在电阻，电压行波在线路上传播的过程中，会出现幅值的衰减和陡度的降低。图4和图5显示故障的远近对电压行波的幅值的影响和故障电阻对电压行波的影响。以此为数据特征，来完成故障距离的识别。最后对数据进行归一化处理得到测试模型使用的数据集。
S3、将步骤S2得到数据集的80％作为训练样本集，采用自监督的学习方式，训练采用堆栈自编码器的测距模型，训练堆栈自编码器神经网络(SAE)，测距模型如附图6，实现数据特征的稀疏化，然后将稀疏后的数据特征送进行网络微调，微调网络结构如附图7，该过程是有监督训练，将数据标签为特征相匹配。采用均方差函数(MSE)为损失函数。采用平均绝对误差(MAE)为评价函数误差的函数。测距模型搭建的过程中隐藏层神经元个数，激活函数，等设置如表2所示，
表2：测距模型的参数设置表
| 隐藏层 | 激活函数 |
| 64 | ‘sigmiod’ |
| 32 | ‘tanh’ |
| 16 | ‘tanh’ |
| 8 | ‘sigmiod’ |
| 4 | ‘sigmiod’ |
| 1 | ‘sigmiod’ |
| 4 | ‘sigmiod’ |
| 8 | ‘sigmiod’ |
| 16 | ‘tanh’ |
| 32 | ‘tanh’ |
| 64 | ‘sigmiod’ |
S4、对测距模型训练和网络微调的参数设置如表3所示，完成对；
表3：测距模型训练参数设置表
在PYTHON/TENSORFLOW框架下，按照表2和表3设置训练好测距模型，并完成训练模型以及模型的验证，得到最终测距模型。
在配电网系统中的线路上采集6条故障数据并对其进行编号，将数据输入到进行预处理后输入最终测距模型，将最终测距模型输出的预测结果和真实位置的对比结果如表4所示。
表4：最终测距模型输出的预测结果和真实位置的对比结果表
由表4的预测结果可以初步得到最终测距模型的定位平均误差不超过100m，满足工程实际定位的需求。根据母线1与母线2的预测结果平均值，可从表4中得到，故障1、2、3、4、5的线路双端模型测距结果分别为:10.0585km、9.9403km、9.8185km、9.9504km、9.9142km。结合线路拓扑结构，可以判断出，故障1、2、3、4、5分别发生在C、D、E、F、G线路，故障皆发生在主线上；故障6的双端模型的测距结果为:11.5134km，结合配电线路拓扑结构，可知该故障发生在支线，且距离分支节点1.5134Km。
综上，本发明一种基于堆栈自编码器的配电网故障定位方法，总结有益效果，利用线路故障时产生的行波线模分量与故障距离之间的关联关系，结合堆栈自编码器拟合该关联关系，实现故障距离的估算。
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于堆栈自编码器的配电网故障定位方法，其特征在于，包括以下步骤：
搭建配电网模型，并根据所述配电网模型搭建故障模型，所述配电网模型中的电路为T形状电路；
对所述故障模型进行模拟故障获取故障数据，并对所述故障数据进行预处理，并对预处理后的数据构建数据集；
构建深度学习的测距模型，所述测距模型采用堆栈自编码器；
将所述数据集输入所述测距模型进行训练和验证，得到最终测距模型，所述最终测距模型的输出结果包括故障点位置；
将实时获取的故障数据进行预处理得到实时数据集，将所述实时数据集输入所述最终测距模型能够得到故障点位置。
2.根据权利要求1所述的基于堆栈自编码器的配电网故障定位方法，其特征在于，所述故障数据为双端故障数据。
3.根据权利要求1所述的基于堆栈自编码器的配电网故障定位方法，其特征在于，所述预处理包括以下步骤：
从故障数据中获取行波波头；
获取所述行波波头后的故障数据；
对所述行波波头后的故障数据的三相电压数据进行相模变换；
对相模变换后的数据进行归一化处理，得到数据集。
4.根据权利要求3所述的基于堆栈自编码器的配电网故障定位方法，其特征在于，采用改进的导数法判断行波的波头到达时间来获取行波波头。
5.根据权利要求3所述的基于堆栈自编码器的配电网故障定位方法，其特征在于，所述相模变换采用凯伦鲍儿相模变换公式。
6.根据权利要求1所述的基于堆栈自编码器的配电网故障定位方法，其特征在于，所述最终测距模型的隐藏层的层数为5。
7.根据权利要求1所述的基于堆栈自编码器的配电网故障定位方法，其特征在于，所述最终测距模型的隐藏层的节点数的范围通过s1进行选取，s1的计算公式为：
式(8)中，n表示输入层的节点数，m表示输出层的节点数，s1表示中间层节点数，a为一个实常数。
8.根据权利要求1所述的基于堆栈自编码器的配电网故障定位方法，其特征在于，所述最终测距模型的传递函数采用Singmoid和tangent传递函数。
9.根据权利要求1所述的基于堆栈自编码器的配电网故障定位方法，其特征在于，将所述最终测距模型预测到故障点位置包括以下步骤：
判断所述测距模型是否进行数据特征提取，直至所述测距模型能够进行数据特征提取则进入下一步骤；
建立数据集与故障距离之间的关系；
结合数据集与故障距离之间的关系，采用网络微调对能够进行数据特征提取的测距模型进行有监督的学习，使所述测距模型具备故障距离预测能力。
10.根据权利要求9所述的基于堆栈自编码器的配电网故障定位方法，其特征在于，建立数据集与故障距离之间的关系包括：
从所述故障数据中获取线路双端的行波，对线路双端的行波波形进行分析，计算故障点距离线路末端的长度；
根据所述故障点距离线路末端的长度，采用双端求和的方式，计算实际的故障点位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111145412.0A CN113985194A (zh) | 2021-09-28 | 2021-09-28 | 一种基于堆栈自编码器的配电网故障定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111145412.0A CN113985194A (zh) | 2021-09-28 | 2021-09-28 | 一种基于堆栈自编码器的配电网故障定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113985194A true CN113985194A (zh) | 2022-01-28 |
Family
ID=79737091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111145412.0A Pending CN113985194A (zh) | 2021-09-28 | 2021-09-28 | 一种基于堆栈自编码器的配电网故障定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113985194A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115469188A (zh) * | 2022-09-29 | 2022-12-13 | 国网北京市电力公司 | 一种配电网故障定位方法、装置、设备及介质 |
| CN115754588A (zh) * | 2022-11-07 | 2023-03-07 | 国网江苏省电力有限公司南通市海门区供电分公司 | 一种节约通道资源的输电线路行波测距方法 |
| CN115860714A (zh) * | 2022-11-28 | 2023-03-28 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理系统及方法 |
| CN115905959A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于缺陷因子的电力断路器关联性故障分析方法及装置 |
| CN117233538A (zh) * | 2023-11-13 | 2023-12-15 | 湖北华中电力科技开发有限责任公司 | 一种输电线路的故障定位方法及系统 |
| CN117668471A (zh) * | 2024-02-02 | 2024-03-08 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于故障行波电流特征的树线放电故障识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103852692A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
| CN106291261A (zh) * | 2016-10-26 | 2017-01-04 | 四川大学 | 混联配电网单相接地故障的定位方法 |
| CN112946425A (zh) * | 2021-02-08 | 2021-06-11 | 长沙理工大学 | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 |
-
2021
- 2021-09-28 CN CN202111145412.0A patent/CN113985194A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103852692A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
| CN106291261A (zh) * | 2016-10-26 | 2017-01-04 | 四川大学 | 混联配电网单相接地故障的定位方法 |
| CN112946425A (zh) * | 2021-02-08 | 2021-06-11 | 长沙理工大学 | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 |
Non-Patent Citations (5)
| Title |
|---|
| GUOMIN LUO 等: "Stacked Auto-Encoder Based Fault Location in VSC-HVDC", IEEE ACCESS, vol. 06, pages 33216 - 33224 * |
| GUOMIN LUO 等: "Stacked Auto-Encoder-Based Fault Location in Distribution Network", SPECIAL SECTION ON ARTIFICIAL INTELLIGENCE TECHNOLOGIES FOR ELECTRIC POWER SYSTEMS, vol. 08, pages 28043 - 28053 * |
| 和敬涵 等: "新一代人工智能在电力系统故障分析及定位中的研究综述", 中国电机工程学报, vol. 40, no. 17, pages 5506 - 5515 * |
| 李胜辉 等: "基于小波与栈式稀疏自编码器的电力电缆早期故障定位方法研究", 国外电子测量技术, vol. 38, no. 05, pages 146 - 151 * |
| 谭颖婕: "基于堆栈自编码器的配电网单相接地故障定位方法研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, no. 3, pages 4 - 7 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115469188A (zh) * | 2022-09-29 | 2022-12-13 | 国网北京市电力公司 | 一种配电网故障定位方法、装置、设备及介质 |
| CN115754588A (zh) * | 2022-11-07 | 2023-03-07 | 国网江苏省电力有限公司南通市海门区供电分公司 | 一种节约通道资源的输电线路行波测距方法 |
| CN115754588B (zh) * | 2022-11-07 | 2023-12-29 | 国网江苏省电力有限公司南通市海门区供电分公司 | 一种节约通道资源的输电线路行波测距方法 |
| CN115860714A (zh) * | 2022-11-28 | 2023-03-28 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理系统及方法 |
| CN115860714B (zh) * | 2022-11-28 | 2023-08-08 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理系统及方法 |
| CN115905959A (zh) * | 2023-01-06 | 2023-04-04 | 佰聆数据股份有限公司 | 基于缺陷因子的电力断路器关联性故障分析方法及装置 |
| CN117233538A (zh) * | 2023-11-13 | 2023-12-15 | 湖北华中电力科技开发有限责任公司 | 一种输电线路的故障定位方法及系统 |
| CN117668471A (zh) * | 2024-02-02 | 2024-03-08 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于故障行波电流特征的树线放电故障识别方法 |
| CN117668471B (zh) * | 2024-02-02 | 2024-04-05 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于故障行波电流特征的树线放电故障识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113985194A (zh) | 一种基于堆栈自编码器的配电网故障定位方法 | |
| CN109270407B (zh) | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 | |
| Zhang et al. | Novel fault location method for power systems based on attention mechanism and double structure GRU neural network | |
| CN103728535B (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
| CN111239549A (zh) | 一种基于离散小波变换的配电故障快速定位方法 | |
| CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
| CN112114232B (zh) | 基于小波分解和dbn的单极接地故障测距方法 | |
| CN113109669B (zh) | 一种基于行波特征频率的配电网混联线路故障定位方法 | |
| CN112130026B (zh) | 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法 | |
| CN109521330B (zh) | 一种基于arima波头预测的输电线路故障行波测距方法 | |
| CN115267428B (zh) | 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 | |
| CN115201627B (zh) | 基于皮尔森相关系数与小波包分解的线路接地故障定位法 | |
| CN112946425A (zh) | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 | |
| CN113884818B (zh) | 一种基于lstm的配电网故障行波到达时间精确估算方法 | |
| CN113221068A (zh) | 一种基于sstdr的光伏阵列故障检测方法 | |
| CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
| CN116224158A (zh) | 基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法 | |
| CN114966320A (zh) | 一种基于深度学习的单端故障行波测距新算法 | |
| CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
| Shang et al. | Transfer learning-based fault location with small datasets in VSC-HVDC | |
| CN113376480A (zh) | 配电网接地故障选线方法 | |
| CN114966324B (zh) | 一种基于改进变分模态分解的单相接地故障定位方法 | |
| CN115047296B (zh) | 一种配电网故障区段定位方法 | |
| Mosavi et al. | Stability comparison of fault location techniques against faulty GPS time tagging for three-terminal lines | |
| CN115222160A (zh) | 一种基于实测大数据的轨道交通牵引负荷预测方法 |
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: 20220128 |
|
| RJ01 | Rejection of invention patent application after publication |