CN114021671A - 一种有源配电网在线故障处理方法和系统 - Google Patents
一种有源配电网在线故障处理方法和系统 Download PDFInfo
- Publication number
- CN114021671A CN114021671A CN202210002304.6A CN202210002304A CN114021671A CN 114021671 A CN114021671 A CN 114021671A CN 202210002304 A CN202210002304 A CN 202210002304A CN 114021671 A CN114021671 A CN 114021671A
- Authority
- CN
- China
- Prior art keywords
- fault
- classifier
- data
- historical
- training
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Abstract
本发明提供了一种有源配电网在线故障处理方法和系统,包括:从有源配电网的运行数据中提取原始特征数据;将原始特征数据输入预先构建的在线故障处理模型,在确定出有源配电网发生故障时,识别出故障类型;其中,在线故障处理模型是采用有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据训练得到的;本发明采用的在线故障处理模型能够实现配电线路区域故障的准确定位,通过典型历史故障数据的训练模型和在线的特征提取、模型匹配实现故障定位,通过多个算例测试准确率均在85%以上。
Description
技术领域
本发明属于配电网继电保护与故障诊断技术领域,具体涉及一种有源配电网在线故障处理方法和系统。
背景技术
配电网故障处理(切除、定位、隔离与恢复供电)主要依赖继电保护与配电网自动化两套系统。这里的继电保护和配电网自动化主要是功能上的概念,继电保护是指能够直接切除故障的操作,可由单独的保护装置与/或配电自动化终端承担,配电网自动化是指故障的定位、隔离与健全区段恢复供电等操作。
以单相接地故障定位为例,来说明常规故障定位方法的局限性。如图1所示,小电流装置和数据集中器结合,先选线后定位,利用选线装置的可靠选线功能为故障指示器缩小故障指示范围,综合比较选线装置和故障指示器提取的特征故障量,集中数据分析,实现单相接地故障定位。
传统的故障定位设计思路如下:
1)短路故障的监测及定位由故障指示器独立完成,选线装置不介入;
2)接地故障判别和定位由选线装置和故障指示器配合完成,选线装置负责选线,并根据故障指示器提供的特征信号来定位;故障指示器负责捕捉特征故障量并上送给选线装置;
3)接地故障的监测及定位相关的报文显示由选线装置完成;
4)母线接地、瞬时性接地等故障只选线,不定位;
5)故障指示器上送尖峰电流值并且附带时标,小电流接地选线装置对收集的数据根据时标进行筛选,剔除非本次接地故障的数据。
随着新能源、分布式电源和多元化负荷的接入,配电网由“无源”变为“有源”,潮流由“单向”变为“多向”。有源配电网是分布式电源高渗透,功率双向流动的配电网络。随着分布式电源、电力电子设备和电动汽车的大量使用,有源配电网电能质量问题与故障耦合关联特性越来越多,配电网故障呈现的弱特征和高频暂态特性越来越明显,仅靠稳态信息很难对其进行准确分析、诊断和预测。
传统故障诊断面临以下两个个问题:1)大量电力电子装置接入有源配电网导致故障电流受限,故障特征不明显且谐波复杂,严重影响传统故障诊断方法的正确性。2)配电网故障特征与传统配电网存在较大差异,配电网故障与电能质量问题相互耦合,配电网故障呈现的弱特征和高频暂态特性愈加明显,配电网故障诊断及处理难度增大,使配电网现有的继电保护、故障诊断性能降低,容易发生误动和误判,严重威胁配电网安全运行。
发明内容
为克服上述现有技术的不足,本发明提出一种有源配电网在线故障处理方法,包括:
从有源配电网的运行数据中提取原始特征数据;
将所述原始特征数据输入预先构建的在线故障处理模型,在确定出所述有源配电网发生故障时,识别出故障类型;
其中,所述在线故障处理模型是采用有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据训练得到的。
优选的,所述在线故障处理模型的构建,包括:
获取有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据,并根据历史故障时段的运行数据提取历史故障原始特征,根据历史正常运行时段的运行数据提取历史正常运行原始特征;
以历史故障原始特征和历史正常运行原始特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器;
以历史故障原始特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器;
以历史故障原始特征为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到粗粒度故障区域定位分类器;
以历史故障原始特征为输入,以发生故障的各元件为输出,对判定各元件的发生故障的概率阈值进行训练,得到故障区段精确定位模型;
以所述故障状态分类器、故障类型分类器、粗粒度故障区域定位分类器和故障区段精确定位模型作为在线故障处理模型。
优选的,所述以历史故障原始特征和历史正常运行原始特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器,包括:
采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征筛选出用于判断故障状态的最优故障特征,并采用历史正常运行原始特征中对应维度的数据构成最优正常运行特征;
以用于判断故障状态的最优故障特征和最优正常运行特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器。
优选的,所述采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征筛选出用于判断故障状态的最优故障特征,包括:
S1:为前向数H和后向数f赋初值;
S2:令H=H+1;
S3:按照前向序惯搜索和距离可分性判据从历史故障原始特征中筛选最优H-f维特征组成训练样本对分类器进行训练,并测试分类器的准确率;若所述准确率达到预设要求,则返回S2,否则执行下一步;
S4:判断H是否达到预设指定值,若是,则以当前的H维特征为最优故障特征;否则执行下一步;
S5:令f=f+1,H=H-f;
S6:按照距离可分性判据及后向序惯搜索算法计算得到的最优H-f维特征组成训练样本对分类器进行训练,并测试分类器的准确率;若所述准确率达到预设要求,则将执行后向序惯搜索算法前的H-f+1维特征为最优故障特征,否则转入S5。
优选的,所述以历史故障原始特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器,包括:
采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征中筛选出用于判断故障类型的最优故障特征;
以用于判断故障类型的最优故障特征和最优正常运行特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器。
优选的,所述以历史故障原始特征为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到粗粒度故障区域定位分类器,包括:
将历史故障原始特征中的电压标准化,并以预设频率的电压作为电压样本;
以电压样本为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到电压粗粒度区域分类器;
筛选故障类型为单相金属性接地或经过渡电阻接地之外其他类型的历史故障原始特征;
将其他类型的历史故障原始特征中的电流标准化,并以预设频率的电流作为电流样本;
以电流样本为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到电流粗粒度区域分类器;
以电压粗粒度区域分类器和电流粗粒度区域分类器构成粗粒度故障区域定位分类器。
优选的,所述以历史故障原始特征为输入,以发生故障的各元件为输出,对判定各元件的发生故障的概率阈值进行训练,得到故障区段精确定位模型,包括:
对各元件,分别根据历史故障原始特征,采用差动电流判据计算元件发生故障的第一概率,并采用负序功率方向判据计算元件发生故障的第二概率;
基于所述第一概率和第二概率,采用信息融合算法计算各元件发生故障的概率;
以各元件发生故障的概率为输入,以发生故障的各元件为输出,分别对判定各元件的发生故障的概率阈值进行训练,得到各元件的概率阈值的值;
基于各元件的概率阈值的值,建立故障区段精确定位模型。
优选的,所述将所述原始特征数据输入预先构建的在线故障处理模型,在确定出所述有源配电网发生故障时,识别出故障类型,包括:
将所述原始特征数据输入故障状态分类器,得到有源配电网是否发生故障的故障状态;
若未发生故障,则结束;
若发生故障,则将所述原始特征数据输入故障类型分类器,得到故障类型;
将所述原始特征数据输入粗粒度故障区域定位分类器,得到疑似故障区域定位结果;
将所述原始特征数据输入故障区段精确定位模型,得到从疑似故障区域定位结果找出故障区段准确定位结果。
基于同一发明构思,本发明还提供了一种有源配电网在线故障处理系统,包括:数据采集模块和识别定位模块;
所述数据采集模块,用于从有源配电网的运行数据中提取原始特征数据;
所述识别定位模块,用于将所述原始特征数据输入预先构建的在线故障处理模型,在确定出所述有源配电网在发生故障时,识别出故障类型;
其中,所述在线故障处理模型是采用有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据训练得到的。
优选的,所述在线故障处理模型的构建,包括:
获取有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据,并根据历史故障时段的运行数据提取历史故障原始特征,根据历史正常运行时段的运行数据提取历史正常运行原始特征;
以历史故障原始特征和历史正常运行原始特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器;
以历史故障原始特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器;
以历史故障原始特征为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到粗粒度故障区域定位分类器;
以历史故障原始特征为输入,以发生故障的各元件为输出,对判定各元件的发生故障的概率阈值进行训练,得到故障区段精确定位模型;
以所述故障状态分类器、故障类型分类器、粗粒度故障区域定位分类器和故障区段精确定位模型作为在线故障处理模型。
优选的,所述以历史故障原始特征和历史正常运行原始特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器,包括:
采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征筛选出用于判断故障状态的最优故障特征,并采用历史正常运行原始特征中对应维度的数据构成最优正常运行特征;
以用于判断故障状态的最优故障特征和最优正常运行特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器。
优选的,所述采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征筛选出用于判断故障状态的最优故障特征,包括:
S1:为前向数H和后向数f赋初值;
S2:令H=H+1;
S3:按照前向序惯搜索和距离可分性判据从历史故障原始特征中筛选最优H-f维特征组成训练样本对分类器进行训练,并测试分类器的准确率;若所述准确率达到预设要求,则返回S2,否则执行下一步;
S4:判断H是否达到预设指定值,若是,则以当前的H维特征为最优故障特征;否则执行下一步;
S5:令f=f+1,H=H-f;
S6:按照距离可分性判据及后向序惯搜索算法计算得到的最优H-f维特征组成训练样本对分类器进行训练,并测试分类器的准确率;若所述准确率达到预设要求,则将执行后向序惯搜索算法前的H-f+1维特征为最优故障特征,否则转入S5。
优选的,所述以历史故障原始特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器,包括:
采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征中筛选出用于判断故障类型的最优故障特征;
以用于判断故障类型的最优故障特征和最优正常运行特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器。
优选的,所述以历史故障原始特征为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到粗粒度故障区域定位分类器,包括:
将历史故障原始特征中的电压标准化,并以预设频率的电压作为电压样本;
以电压样本为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到电压粗粒度区域分类器;
筛选故障类型为单相金属性接地或经过渡电阻接地之外其他类型的历史故障原始特征;
将其他类型的历史故障原始特征中的电流标准化,并以预设频率的电流作为电流样本;
以电流样本为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到电流粗粒度区域分类器;
以电压粗粒度区域分类器和电流粗粒度区域分类器构成粗粒度故障区域定位分类器。
优选的,所述以历史故障原始特征为输入,以发生故障的各元件为输出,对判定各元件的发生故障的概率阈值进行训练,得到故障区段精确定位模型,包括:
对各元件,分别根据历史故障原始特征,采用差动电流判据计算元件发生故障的第一概率,并采用负序功率方向判据计算元件发生故障的第二概率;
基于所述第一概率和第二概率,采用信息融合算法计算各元件发生故障的概率;
以各元件发生故障的概率为输入,以发生故障的各元件为输出,分别对判定各元件的发生故障的概率阈值进行训练,得到各元件的概率阈值的值;
基于各元件的概率阈值的值,建立故障区段精确定位模型。
优选的,所述识别定位模块具体用于:
将所述原始特征数据输入故障状态分类器,得到有源配电网是否发生故障的故障状态;
若未发生故障,则结束;
若发生故障,则将所述原始特征数据输入故障类型分类器,得到故障类型;
将所述原始特征数据输入粗粒度故障区域定位分类器,得到疑似故障区域定位结果;
将所述原始特征数据输入故障区段精确定位模型,得到从疑似故障区域定位结果找出故障区段准确定位结果。
本发明还提供一种计算机设备,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如前所述的方法。
本发明还提供一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如前所述的方法。
与最接近的现有技术相比,本发明具有的有益效果如下:
本发明提供了一种有源配电网在线故障处理方法和系统,包括:从有源配电网的运行数据中提取原始特征数据;将原始特征数据输入预先构建的在线故障处理模型,在确定出有源配电网发生故障时,识别出故障类型;其中,在线故障处理模型是采用有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据训练得到的;本发明采用的在线故障处理模型能够实现配电线路区域故障的准确定位,通过典型历史故障数据的训练模型和在线的特征提取、模型匹配实现故障定位,通过多个算例测试准确率均在85%以上。
附图说明
图1为本发明涉及的配电网故障定位系统组成图;
图2为本发明提供的一种有源配电网在线故障处理方法流程示意图;
图3为本发明提供的一种有源配电网在线故障处理方法的总体流程示意图;
图4为本发明提供的一种有源配电网在线故障处理方法中的分类器示意图;
图5为本发明提供的有源配电网等效电路图;
图6为本发明提供的有源配电网故障与非故障状态各频率分量电压幅值示意图;
图7为本发明提供的有源配电网不同故障类型下提取的相电压差值及零序电压值示意图;
图8为本发明提供的有源配电网不同位置故障时各频率分量电压幅值示意图;
图9为本发明提供的基于距离可分性判据的故障分类最优特征选择流程示意图;
图10为本发明提供的有源配电网故障类型判别流程示意图;
图11为本发明提供的基于分层分类SVM的配电网故障分类模型示意图;
图12为本发明提供的基于频域的疑似故障特征区域定位方法流程示意图;
图13为本发明提供的元件故障概率与差流关系示意图;
图14为本发明提供的元件内部故障概率与负序功率相角差的关系示意图;
图15为本发明提供的故障准确定位流程示意图;
图16为本发明提供的一种有源配电网在线故障处理系统结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1:
本发明提供的一种有源配电网在线故障处理方法流程示意图如图2所示,包括:
步骤1:从有源配电网的运行数据中提取原始特征数据;
步骤2:将原始特征数据输入预先构建的在线故障处理模型,在确定出有源配电网发生故障时,识别出故障类型;
其中,在线故障处理模型是采用有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据训练得到的。
如图3所示,本发明提供有源配电网在线故障处理方法的在进行模型训练以及故障识别和定位时,总体流程都分为5个阶段,分别为故障特征提取、故障状态判别、故障类型判别、粗粒度故障区域定位和故障区段精确定位阶段。
本发明中,在线故障处理模型中包括多个分类器,如图4所示;其中,图4中示出的SVM分类器是一个N分类器的例子,本发明所提分类器不局限SVM分类器。
A:故障特征提取阶段具体内容如下:
步骤A1:对故障后一个工频周期内的运行数据(以三相电压故障分量为例)进行小波变换。
如附图5所示,为有源配电网等效电路图。配电网系统发生故障后,首先计算故障后的三相电压的故障分量:
其次,在计算出三相电压的故障分量后,提取故障信息最集中的频带内电压分量。本发明选用小波变换对三相电压故障分量进行处理。为了尽可能多的利用电磁暂态频率范围,同时避免系统中高次谐波的影响,选取二次样条小波作为母小波,其滤波器的系数如式(2)-(4)所示:
以发生故障与系统正常运行为例,经过样条小波提取的电压基波到7次谐波共8个低频分量如附图6所示。
以A相为例,与A相有关的4种故障,即单相接地故障(A-G)、AB相间短路(AB)、AB两相接地短路(AB-G)、三相短路(ABC),经过样条小波提取的各相间电压差及零序电压如附图7所示。
以f 1、f 2、f 3分别发生同种类型的故障时为例,经过样条小波提取的相电压各频率分量如附图8所示。
步骤A2:分别形成判别系统是否故障、故障类型、故障区域的原始特征矩阵。
A2-1:形成判别是否故障所需要的原始特征矩阵A 1
提取有源配电网各个节点多组故障后和多组正常运行状态下一个周期内的相电压,对每种状态下的数据通过小波变换得到各个节点相电压基波和2-30次谐波分量,形成判别是否故障所需要的原始特征矩阵A 1,对于一个n节点的有源配电网,A 1可表示为:
式中,N 1,1表示故障类样本数,N 1,2表示非故障类样本数。
A2-2:形成判别故障类型所需要的原始特征矩阵A 2
提取有源配电网各个节点发生不同类型故障后一个周期内的三相电压,通过小波变换得到A、B、C三相基波电压幅值,计算各个节点的各相基波电压幅值之差(即U a-b 、U b-c 、U c -a ),并与其零序基波电压幅值U 0共同作为故障类型判别原始特征空间中的特征。即判断故障类型时的原始特征矩阵A 2 为:
式中,N type 表示第type个故障类型的样本数。
A2-3:形成判别故障区段所需要的原始特征矩阵A3
提取有源配电网不同区段,即不同线路发生故障时每种故障状态下的数据,通过小波变换得到各个节点相电压基波和2-30次谐波分量,组成故障区段定位所需要的原始特征矩阵A 3 ,则A 3 可表示为:
式中, N section 表示第section条故障线路的样本数。
B:故障状态判别阶段具体内容如下:
对于高比例分布式电源接入的有源配电网,当发生短路故障后,由于分布式电源电力电子控制装置的作用,使短路电流受限,短路基频电流分量远小于传统配电网,呈现明显的故障弱特征,且故障电流、电压与电力电子装置控制特性密切相关。针对有源配电网故障的弱特征,需要采取不同于传统配电网故障分析的方法,采用高次谐波分量进行故障分析及诊断,提取高频信号中的故障特征,基于人工智能模型实现故障的辨识。
步骤B1:针对形成的有源配电网各种故障类型下的各节点电压原始特征矩阵A 1,基于距离的可分性判据和特征搜索算法,选择用于判别系统是否发生故障的最优故障特征。
B1-1:基于距离的可分性判据
由于原始特征矩阵中的特征量较多,对于一个复杂有源配电网来说,其原始特征矩阵维数更大,不可能将所有特征用于故障判别和定位,也无法通过量测获取所有特征的实时值。考虑到传统降维手段往往会使得原始特征矩阵的物理意义丢失,基于距离的可分性判据直接依靠样本计算,降维过程中仍能保持特征矩阵最初的物理意义。因此,本发明采用基于距离的可分性判据选择分类效果最优的故障特征,该判据的出发点是,由特征组成的各类样本之间的距离越大,同类样本内部距离越小,则该特征量分类效果越好。
从式(6)中的每一个样本中挑选出同一个特征,用该特征数据组成样本子集,
由于判别运行状态为二分类问题,对于正常运行状态和故障运行状态下的多个样本分
别组成的故障类样本集Ω1,1和非故障类样本集Ω1,2,以μ 1表示样本Ω1,1的平均值,以μ 2表示
样本Ω1,2的平均值,以μ表示总样本集的平均值。即:
定义两类样本间的类间离散度为S b ,即:
定义两类样本间的类内离散度为S w ,即:
若要使得所选特征分类效果好,则S b 应尽可能大,S w 应尽可能小,因此构造如下的判据衡量特征的分类效果:
式中,tr是主对角线元素之和,即矩阵的迹。J 1为基于距离的可分性判据,J 1越大,则分类效果越好。
根据式(14)定义的特征评判准则,建立如下决策:
用同样的方法针对其余的每个特征,分别计算J 1值的大小,选择使得J 1最大的特征作为最优1维特征。
B1-2:前向序惯选择(SFS)
由于1维特征误差较大,所选的最优故障特征至少为2维,首先挑选第一个最优特征作为第一个特征,下一特征从剩下的特征中挑选,使之与挑选好的特征共同组成维数加一的最优特征。从选择第二个特征开始,就要用到前向序惯搜索算法,即假设已经从原始特征矩阵A 1中挑选出H个特征组成特征子集η H ,则第H+1个特征需要从剩下的特征子集A 1-η H 中挑选,使得
B1-3:后向惯序选择(SBS)
假设该最优H维特征已经满足式(15)中的要求,再进行后向序贯搜索,以便剔除混杂进来的无效数据,从而获得最简洁有效的特征数据。
假设已从原始特征全集A={a d |d=1,2,…,e}中删去f个特征,剩下的特征组成特征子集η e-f ,则第f+1将要删去的特征需从η e-f 中挑选,使得
基于距离的可分性判据和特征搜索算法,可实现有源配电网仿真模型中最优故障特征的快速挑选。
B1-4:首先按照式(16)原则用从原始特征矩阵A 1中挑选出H个特征组成特征子集η H 。
B1-5:判断该最优H维特征是否满足应用要求,若满足,则继续进行后向序贯搜索。维数每减少1,若满足要求,则维数继续降低,若不满足或者维数已降为2,则停止降低。
B1-6:假设已经从前向序惯搜索得到的H维特征子集中删掉f个特征组成特征子集η H-f ,该特征子集仍然满足要求,则根据式(17)删掉第f+1个特征组成最优H-f-1维特征子集η H-f-1 ,而该H-f-1维特征子集不再满足要求,则确定η H-f 为最终满足要求的维数最少的最优特征,由该特征子集组成新的样本集。
步骤B2:根据提取的H-f维故障特征,应用SVM进行故障状态的判别。
判别运行状态的非线性二分类SVM模型训练过程如下:
为了使结果尽量准确,令特征维数至少等于2,因此:
B2-1:令H=1,f=0。
B2-2:令H=H+1。
B2-3:将步骤B1中按照前向序惯搜索和距离可分性判据计算得到的最优H-f维特征组成训练样本,训练SVM分类器模型,并用测试样本测试分类结果准确率。若分类准确率A H <95%,返回步骤B2-2;否则进行下一步骤。其中A H 表示由最优H维特征组成的测试样本的分类结果准确率。
B2-4:若H=2,跳到步骤B2-7;否则进行下一步骤。
B2-5:令f=f+1,H=H-f。
B2-6:按照距离可分性判据及后向序惯搜索算法计算得到的最优H-f维特征组成训练样本。训练SVM分类器模型,并用测试样本测试分类结果准确率。若A H-f <95%,则得到执行最近一次后向序惯搜索算法计算前的H-f+1维特征为最优特征,SVM分类器模型为最优分类器模型;否则,返回步骤B2-5。
B2-7:结束。
基于距离可分性判据的故障分类最优特征选择流程图如附图9所示。
C:故障类型判别阶段具体内容如下:
配电网发生故障后会产生大量的暂态信号,通过暂态信号对发生的故障进行分类可以转化为模式识别问题。在模式识别中,构造有效的特征量和选择合理的识别器是模式识别成败的关键。本实施例提出了一种基于分层分类SVM的配电网故障类型判别方法,其流程如附图10所示。首先利用小波变换提取故障特征频带内的电气量信息,形成故障分类原始特征矩阵;其次基于距离可分性判据选择出用于故障分类的最优特征;最后,基于分层分类SVM算法,判别有源配电网的故障类型。
步骤C1:针对形成的有源配电网各种故障类型下的各节点电压原始特征矩阵A 2,同理,基于距离的可分性判据和特征搜索算法,选择用于判别故障类型的最优故障特征。
步骤C2:判别故障类型
常见的配电网故障主要包括单相接地、两相接地、三相短路以及相间短路四大类故障。其中,单相接地又可分为A-G、B-G、C-G单相短路故障,两相接地又可分为AB-G、BC-G、AC-G两相短路故障,相间短路又可分为AB、BC、AC相间短路故障,以及三相短路ABC共10小类不同类型的故障。本实施例采用分层分类SVM算法,先进行大类分类,然后在大类中分出小类,以提高分类的速度。
首先,考虑配电网实际情况,按照故障严重程度三相故障>两相故障>单相故障,故障发生率单相故障>两相故障>三相故障两大原则,对故障分类模型识别过程的优先级进行排序,依次识别三相故障、单相故障、两相故障。其次,当线路发生接地故障时电流中将会检测出零序电流信息,而不接地故障不会产生零序分量,根据故障的接地与否,将两相故障划分为两相接地、相间短路故障。最后,按照A、B、C三相的顺序依次对单相接地、两相接地、相间短路三大类故障中的每一小类故障进行划分。构建的基于分层分类SVM的配电网故障分类模型如附图11所示。图11中为一个N分类器,先进行四个大类的分类,每个大类再分别进行分类;分类方法采用SVM多分类方法中的“一对多”的方法。此处SVM分类器是一个N分类器的例子,本发明所提方法不局限SVM方法。
D:粗粒度故障区域定位阶段具体内容如下:
根据定位范围的大小又分为区域定位和区段精确定位,区域定位为首要进行阶段,可以为运维人员提供大致方位,有经验的工程人员可以不需要精确定位即可完成故障查找和维修任务,并且由于定位范围大,成本低,速度快,无需太过专业的手段和人员,以及昂贵的设备,因此是定位功能的首选。
本发明提出基于频域的疑似故障特征区域定位方法,本发明的目的通过以下技术方案实现:
步骤D1:故障频域特征样本建立
有源配电网在正常运行时,由于逆变器的死区效应,会产生低次谐波。为此,分别提取历史数据库正常运行和故障运行时指定测点的故障相电压、电流矢量,然后用FFT对这些电压、电流矢量进行分解。提取故障相的50Hz-350Hz谐波电压、电流幅值。
步骤D2:将样本数据特征进行标准化处理,本方法数据特征包含电压、电流的基波和2-7次各个谐波,取奇次分别为1、3、5、7次,共8维数据,采用对每个维度进行标准化的方法:
步骤D3:根据实时数据和历史数据的相关性,对实时数据进行频域特征提取,对有源配电网实际运行频域特征进行更新。
步骤D4:电压法故障定位:针对主动配电网不同位置发生故障的情况,对每一段线路单相金属性接地或经过渡电阻接地故障工况,均提取历史数据库中指定测量点的故障相电压向量。对这些电压向量进行FFT分解,只取50Hz、350Hz的电压向量作为样本数据。根据式(18)、(19)对样本数据进行同样的标准化处理。
步骤D5:将步骤D4中标准化后的样本数据进行训练获得SVM分类器,训练过程与故
障判别的过程类似。不同点在于,每个位置故障时,指定测量点数据为不同类,若故障区域
为m个,则该分类器为二分类器,通过判断测量数据为哪一类来判断故障位置,测量数据
可以直接从样本数据中取。
步骤D6:谐波电流法故障二次定位:进一步判断故障类别是否为单相金属性接地或经过渡电阻接地故障,若是,直接输出电压法故障定位的故障区域;若不是,在电压法故障定位的故障区域基础上利用谐波电流法对故障进行二次定位。
首先,对网络中分支线路的电流向量进行FFT分解,选取150Hz、250Hz谐波电流向量作为样本集,再标准化处理后应用支持向量机方法对故障区域和故障类型进行分类,分类过程与前文类似。
其次,判断谐波电流法故障分类结果,若存在其他故障类型,则将电压法故障定位结果和谐波电流法故障定位结果进行合并,作为故障定位结果进行输出,若不存在其他故障类型,则输出无故障结果。
其主要流程如附图12所示。
E:故障区段精确定位阶段具体内容如下:
在确定疑似故障区域后,利用疑似区域内各元件的电气量信息,将其组成多种判据,利用多种判据的冗余信息进行融合(即基于贝叶斯网络的概率信息融合),实现有源配电网故障的准确定位。
步骤E1:针对疑似故障区域内各电气元件,采集电压、电流量,构成以下判据:
E1-1:差动电流判据
根据基尔霍夫电流定律,当元件处于正常运行状态时,该元件连接的所有线路的电流和应等于0;但当元件发生内部故障时,与元件相连的所有线路的电流即为故障电流,其应远大于0。
图13为元件故障概率与差流关系示意图。
E1-2:负序功率方向判据
对于元件发生内部故障时,其负序功率方向判据表达式为:
定义Δα为元件同侧电流和电压相量的相角差,即,
当元件(如变压器、线路)内部发生故障时,同侧的相角差Δα∈(-180°,90°),否则该元件处
于正常运行状态,因此,可设定元件内部故障的负序功率方向判据为
考虑到配电网中测量装置自身误差以及系统不同步情况带来的影响,可认为Δα越接近区间中心值-90°,元件发生故障的概率越大,接近于1,随着Δα由区间中间值向区间端点值靠近,元件的故障概率逐渐降低,且当Δα接近区间端点值时,由于误差以及不同步问题的存在,无法确定元件是否真实发生故障,设定当Δα为区间端点值时,元件的故障概率为0.5,即故障与正常情况为等可能发生。因此,线路和变压器这类双端元件基于模拟量的故障概率为:
其中,M为折算系数,一般取为2000。
图14示出了元件内部故障概率与负序功率相角差的关系。
步骤E2:基于信息融合的配电网故障线路准确定位算法
基于电流差动值判断的故障概率、负序功率方向判断的故障概率,融合两个判据的结果进行准确定位。
D-S证据理论是最常用的信息融合技术。Ω={ω 1,ω 2,ω 3…ω z },其中z=2,即Ω={ω 1,ω 2 }。ω 1、ω 2为上节得到的故障概率值。Ω为识别框架,其包含了对于所有判据的判据结果;m(ω)即mass函数,表示基于识别框架Ω展开的基本信度分配函数,m 1(ω 1),m 2(ω 2)为识别框架Ω上的基本信度,是Ω的基本概率分配值,需要满足
对于多概率分配函数正交和,即基于D-S证据理论融合后的信度函数和m(ω)= m 1(ω 1)⊕m 2(ω 2)⊕…⊕m n (ω n )定义为:
根据上式可将z条独立证据进行信息融合,进而进行综合评价,得到最终结果m(ω)即元件的发生故障的概率。模型训练阶段进行训练得到各元件发生故障的概率阈值,定位阶段,算出某元件发生故障的概率超过对应的概率阈值,就认为该元件发生故障,也就将故障准确定位到了发生故障的元件。
图15示出了故障准确定位流程示意图。
实施例2:
基于同一发明构思,本发明还提供了一种有源配电网在线故障处理系统,该系统结构如图16所示,包括:数据采集模块和识别定位模块;
数据采集模块,用于从有源配电网的运行数据中提取原始特征数据;
识别定位模块,用于将原始特征数据输入预先构建的在线故障处理模型,在确定出有源配电网发生故障时,识别出故障类型;
其中,在线故障处理模型是采用有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据训练得到的。
其中,在线故障处理模型的构建,包括:
获取有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据,并根据历史故障时段的运行数据提取历史故障原始特征,根据历史正常运行时段的运行数据提取历史正常运行原始特征;
以历史故障原始特征和历史正常运行原始特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器;
以历史故障原始特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器;
以历史故障原始特征为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到粗粒度故障区域定位分类器;
以历史故障原始特征为输入,以发生故障的各元件为输出,对判定各元件的发生故障的概率阈值进行训练,得到故障区段精确定位模型;
以故障状态分类器、故障类型分类器、粗粒度故障区域定位分类器和故障区段精确定位模型作为在线故障处理模型。
其中,以历史故障原始特征和历史正常运行原始特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器,包括:
采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征筛选出用于判断故障状态的最优故障特征,并采用历史正常运行原始特征中对应维度的数据构成最优正常运行特征;
以用于判断故障状态的最优故障特征和最优正常运行特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器。
其中,采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征筛选出用于判断故障状态的最优故障特征,包括:
S1:为前向数H和后向数f赋初值;
S2:令H=H+1;
S3:按照前向序惯搜索和距离可分性判据从历史故障原始特征中筛选最优H-f维特征组成训练样本对分类器进行训练,并测试分类器的准确率;若准确率达到预设要求,则返回S2,否则执行下一步;
S4:判断H是否达到预设指定值,若是,则以当前的H维特征为最优故障特征;否则执行下一步;
S5:令f=f+1,H=H-f;
S6:按照距离可分性判据及后向序惯搜索算法计算得到的最优H-f维特征组成训练样本对分类器进行训练,并测试分类器的准确率;若准确率达到预设要求,则将执行后向序惯搜索算法前的H-f+1维特征为最优故障特征,否则转入S5。
其中,以历史故障原始特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器,包括:
采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征中筛选出用于判断故障类型的最优故障特征;
以用于判断故障类型的最优故障特征和最优正常运行特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器。
其中,以历史故障原始特征为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到粗粒度故障区域定位分类器,包括:
将历史故障原始特征中的电压标准化,并以预设频率的电压作为电压样本;
以电压样本为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到电压粗粒度区域分类器;
筛选故障类型为单相金属性接地或经过渡电阻接地之外其他类型的历史故障原始特征;
将其他类型的历史故障原始特征中的电流标准化,并以预设频率的电流作为电流样本;
以电流样本为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到电流粗粒度区域分类器;
以电压粗粒度区域分类器和电流粗粒度区域分类器构成粗粒度故障区域定位分类器。
其中,以历史故障原始特征为输入,以发生故障的各元件为输出,对判定各元件的发生故障的概率阈值进行训练,得到故障区段精确定位模型,包括:
对各元件,分别根据历史故障原始特征,采用差动电流判据计算元件发生故障的第一概率,并采用负序功率方向判据计算元件发生故障的第二概率;
基于第一概率和第二概率,采用信息融合算法计算各元件发生故障的概率;
以各元件发生故障的概率为输入,以发生故障的各元件为输出,分别对判定各元件的发生故障的概率阈值进行训练,得到各元件的概率阈值的值;
基于各元件的概率阈值的值,建立故障区段精确定位模型。
其中,识别定位模块具体用于:
将原始特征数据输入故障状态分类器,得到有源配电网是否发生故障的故障状态;
若未发生故障,则结束;
若发生故障,则将原始特征数据输入故障类型分类器,得到故障类型;
将原始特征数据输入粗粒度故障区域定位分类器,得到疑似故障区域定位结果;
将原始特征数据输入故障区段精确定位模型,得到从疑似故障区域定位结果找出故障区段准确定位结果。
实施例3:
本发明还提供了一种计算机设备,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如前所述的方法。
实施例4:
本发明还提供一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如前所述的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (18)
1.一种有源配电网在线故障处理方法,其特征在于,包括:
从有源配电网的运行数据中提取原始特征数据;
将所述原始特征数据输入预先构建的在线故障处理模型,在确定出所述有源配电网发生故障时,识别出故障类型;
其中,所述在线故障处理模型是采用有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据训练得到的。
2.如权利要求1所述的方法,其特征在于,所述在线故障处理模型的构建,包括:
获取有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据,并根据历史故障时段的运行数据提取历史故障原始特征,根据历史正常运行时段的运行数据提取历史正常运行原始特征;
以历史故障原始特征和历史正常运行原始特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器;
以历史故障原始特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器;
以历史故障原始特征为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到粗粒度故障区域定位分类器;
以历史故障原始特征为输入,以发生故障的各元件为输出,对判定各元件的发生故障的概率阈值进行训练,得到故障区段精确定位模型;
以所述故障状态分类器、故障类型分类器、粗粒度故障区域定位分类器和故障区段精确定位模型作为在线故障处理模型。
3.如权利要求2所述的方法,其特征在于,所述以历史故障原始特征和历史正常运行原始特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器,包括:
采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征筛选出用于判断故障状态的最优故障特征,并采用历史正常运行原始特征中对应维度的数据构成最优正常运行特征;
以用于判断故障状态的最优故障特征和最优正常运行特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器。
4.如权利要求3所述的方法,其特征在于,所述采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征筛选出用于判断故障状态的最优故障特征,包括:
S1:为前向数H和后向数f赋初值;
S2:令H=H+1;
S3:按照前向序惯搜索和距离可分性判据从历史故障原始特征中筛选最优H-f维特征组成训练样本对分类器进行训练,并测试分类器的准确率;若所述准确率达到预设要求,则返回S2,否则执行下一步;
S4:判断H是否达到预设指定值,若是,则以当前的H维特征为最优故障特征;否则执行下一步;
S5:令f=f+1,H=H-f;
S6:按照距离可分性判据及后向序惯搜索算法计算得到的最优H-f维特征组成训练样本对分类器进行训练,并测试分类器的准确率;若所述准确率达到预设要求,则将执行后向序惯搜索算法前的H-f+1维特征为最优故障特征,否则转入S5。
5.如权利要求2所述的方法,其特征在于,所述以历史故障原始特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器,包括:
采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征中筛选出用于判断故障类型的最优故障特征;
以用于判断故障类型的最优故障特征和最优正常运行特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器。
6.如权利要求2所述的方法,其特征在于,所述以历史故障原始特征为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到粗粒度故障区域定位分类器,包括:
将历史故障原始特征中的电压标准化,并以预设频率的电压作为电压样本;
以电压样本为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到电压粗粒度区域分类器;
筛选故障类型为单相金属性接地或经过渡电阻接地之外其他类型的历史故障原始特征;
将其他类型的历史故障原始特征中的电流标准化,并以预设频率的电流作为电流样本;
以电流样本为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到电流粗粒度区域分类器;
以电压粗粒度区域分类器和电流粗粒度区域分类器构成粗粒度故障区域定位分类器。
7.如权利要求2所述的方法,其特征在于,所述以历史故障原始特征为输入,以发生故障的各元件为输出,对判定各元件的发生故障的概率阈值进行训练,得到故障区段精确定位模型,包括:
对各元件,分别根据历史故障原始特征,采用差动电流判据计算元件发生故障的第一概率,并采用负序功率方向判据计算元件发生故障的第二概率;
基于所述第一概率和第二概率,采用信息融合算法计算各元件发生故障的概率;
以各元件发生故障的概率为输入,以发生故障的各元件为输出,分别对判定各元件的发生故障的概率阈值进行训练,得到各元件的概率阈值的值;
基于各元件的概率阈值的值,建立故障区段精确定位模型。
8.如权利要求2所述的方法,其特征在于,所述将所述原始特征数据输入预先构建的在线故障处理模型,在确定出所述有源配电网发生故障时,识别出故障类型,包括:
将所述原始特征数据输入故障状态分类器,得到有源配电网是否发生故障的故障状态;
若未发生故障,则结束;
若发生故障,则将所述原始特征数据输入故障类型分类器,得到故障类型;
将所述原始特征数据输入粗粒度故障区域定位分类器,得到疑似故障区域定位结果;
将所述原始特征数据输入故障区段精确定位模型,得到从疑似故障区域定位结果找出故障区段准确定位结果。
9.一种有源配电网在线故障处理系统,其特征在于,包括:数据采集模块和识别定位模块;
所述数据采集模块,用于从有源配电网的运行数据中提取原始特征数据;
所述识别定位模块,用于将所述原始特征数据输入预先构建的在线故障处理模型,在确定出所述有源配电网发生故障时,识别出故障类型;
其中,所述在线故障处理模型是采用有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据训练得到的。
10.如权利要求9所述的系统,其特征在于,所述在线故障处理模型的构建,包括:
获取有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据,并根据历史故障时段的运行数据提取历史故障原始特征,根据历史正常运行时段的运行数据提取历史正常运行原始特征;
以历史故障原始特征和历史正常运行原始特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器;
以历史故障原始特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器;
以历史故障原始特征为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到粗粒度故障区域定位分类器;
以历史故障原始特征为输入,以发生故障的各元件为输出,对判定各元件的发生故障的概率阈值进行训练,得到故障区段精确定位模型;
以所述故障状态分类器、故障类型分类器、粗粒度故障区域定位分类器和故障区段精确定位模型作为在线故障处理模型。
11.如权利要求10所述的系统,其特征在于,所述以历史故障原始特征和历史正常运行原始特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器,包括:
采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征筛选出用于判断故障状态的最优故障特征,并采用历史正常运行原始特征中对应维度的数据构成最优正常运行特征;
以用于判断故障状态的最优故障特征和最优正常运行特征为输入,以对应的故障状态数据为输出,对分类器模型进行训练,得到故障状态分类器。
12.如权利要求11所述的系统,其特征在于,所述采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征筛选出用于判断故障状态的最优故障特征,包括:
S1:为前向数H和后向数f赋初值;
S2:令H=H+1;
S3:按照前向序惯搜索和距离可分性判据从历史故障原始特征中筛选最优H-f维特征组成训练样本对分类器进行训练,并测试分类器的准确率;若所述准确率达到预设要求,则返回S2,否则执行下一步;
S4:判断H是否达到预设指定值,若是,则以当前的H维特征为最优故障特征;否则执行下一步;
S5:令f=f+1,H=H-f;
S6:按照距离可分性判据及后向序惯搜索算法计算得到的最优H-f维特征组成训练样本对分类器进行训练,并测试分类器的准确率;若所述准确率达到预设要求,则将执行后向序惯搜索算法前的H-f+1维特征为最优故障特征,否则转入S5。
13.如权利要求10所述的系统,其特征在于,所述以历史故障原始特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器,包括:
采用基于距离的可分性判据和特征搜索算法,从历史故障原始特征中筛选出用于判断故障类型的最优故障特征;
以用于判断故障类型的最优故障特征和最优正常运行特征为输入,以对应的故障类型数据为输出,对分类器模型进行训练,得到故障类型分类器。
14.如权利要求10所述的系统,其特征在于,所述以历史故障原始特征为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到粗粒度故障区域定位分类器,包括:
将历史故障原始特征中的电压标准化,并以预设频率的电压作为电压样本;
以电压样本为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到电压粗粒度区域分类器;
筛选故障类型为单相金属性接地或经过渡电阻接地之外其他类型的历史故障原始特征;
将其他类型的历史故障原始特征中的电流标准化,并以预设频率的电流作为电流样本;
以电流样本为输入,以对应的故障区段数据为输出,对分类器模型进行训练,得到电流粗粒度区域分类器;
以电压粗粒度区域分类器和电流粗粒度区域分类器构成粗粒度故障区域定位分类器。
15.如权利要求10所述的系统,其特征在于,所述以历史故障原始特征为输入,以发生故障的各元件为输出,对判定各元件的发生故障的概率阈值进行训练,得到故障区段精确定位模型,包括:
对各元件,分别根据历史故障原始特征,采用差动电流判据计算元件发生故障的第一概率,并采用负序功率方向判据计算元件发生故障的第二概率;
基于所述第一概率和第二概率,采用信息融合算法计算各元件发生故障的概率;
以各元件发生故障的概率为输入,以发生故障的各元件为输出,分别对判定各元件的发生故障的概率阈值进行训练,得到各元件的概率阈值的值;
基于各元件的概率阈值的值,建立故障区段精确定位模型。
16.如权利要求10所述的系统,其特征在于,所述识别定位模块具体用于:
将所述原始特征数据输入故障状态分类器,得到有源配电网是否发生故障的故障状态;
若未发生故障,则结束;
若发生故障,则将所述原始特征数据输入故障类型分类器,得到故障类型;
将所述原始特征数据输入粗粒度故障区域定位分类器,得到疑似故障区域定位结果;
将所述原始特征数据输入故障区段精确定位模型,得到从疑似故障区域定位结果找出故障区段准确定位结果。
17.一种计算机设备,其特征在于,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1至8中任一项所述的方法。
18.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002304.6A CN114021671B (zh) | 2022-01-05 | 2022-01-05 | 一种有源配电网在线故障处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002304.6A CN114021671B (zh) | 2022-01-05 | 2022-01-05 | 一种有源配电网在线故障处理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114021671A true CN114021671A (zh) | 2022-02-08 |
CN114021671B CN114021671B (zh) | 2022-04-05 |
Family
ID=80069167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210002304.6A Active CN114021671B (zh) | 2022-01-05 | 2022-01-05 | 一种有源配电网在线故障处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021671B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494343A (zh) * | 2022-09-22 | 2022-12-20 | 国网山东省电力公司武城县供电公司 | 基于配网故障机理的故障自动识别方法 |
CN116540028A (zh) * | 2023-06-09 | 2023-08-04 | 广州友智电气技术有限公司 | 电缆故障的智能定位方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
US20210003640A1 (en) * | 2019-07-01 | 2021-01-07 | Wuhan University | Fault locating method and system based on multi-layer evaluation model |
CN112285482A (zh) * | 2020-07-30 | 2021-01-29 | 中国电力科学研究院有限公司 | 一种有源配电网故障确定方法和系统 |
CN113452025A (zh) * | 2021-06-18 | 2021-09-28 | 华中科技大学 | 一种模型-数据混合驱动的电网预想故障评估方法和系统 |
CN113447759A (zh) * | 2021-06-24 | 2021-09-28 | 中国电力科学研究院有限公司 | 一种多分类的rvm电网故障判别方法和系统 |
-
2022
- 2022-01-05 CN CN202210002304.6A patent/CN114021671B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
US20210003640A1 (en) * | 2019-07-01 | 2021-01-07 | Wuhan University | Fault locating method and system based on multi-layer evaluation model |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
CN112285482A (zh) * | 2020-07-30 | 2021-01-29 | 中国电力科学研究院有限公司 | 一种有源配电网故障确定方法和系统 |
CN113452025A (zh) * | 2021-06-18 | 2021-09-28 | 华中科技大学 | 一种模型-数据混合驱动的电网预想故障评估方法和系统 |
CN113447759A (zh) * | 2021-06-24 | 2021-09-28 | 中国电力科学研究院有限公司 | 一种多分类的rvm电网故障判别方法和系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494343A (zh) * | 2022-09-22 | 2022-12-20 | 国网山东省电力公司武城县供电公司 | 基于配网故障机理的故障自动识别方法 |
CN115494343B (zh) * | 2022-09-22 | 2024-02-27 | 国网山东省电力公司武城县供电公司 | 基于配网故障机理的故障自动识别方法 |
CN116540028A (zh) * | 2023-06-09 | 2023-08-04 | 广州友智电气技术有限公司 | 电缆故障的智能定位方法及系统 |
CN116540028B (zh) * | 2023-06-09 | 2023-11-14 | 广州友智电气技术有限公司 | 电缆故障的智能定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114021671B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114021671B (zh) | 一种有源配电网在线故障处理方法和系统 | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
Resmi et al. | Detection, classification and zone location of fault in transmission line using artificial neural network | |
Kezunovic | Translational knowledge: From collecting data to making decisions in a smart grid | |
CN111190121A (zh) | 基于序分量的含分布式电源配电网故障分类方法及系统 | |
Narasimhulu et al. | LWT based ANN with ant lion optimizer for detection and classification of high impedance faults in distribution system | |
Bhuyan et al. | Convolutional neural network based fault detection for transmission line | |
CN106019043B (zh) | 一种基于模糊积分多源信息融合理论的电网故障诊断方法 | |
Prasad et al. | Optimal threshold-based high impedance arc fault detection approach for renewable penetrated distribution system | |
Harish et al. | Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine | |
Cheng et al. | Adaptive compressive sensing and machine learning for power system fault classification | |
Bouchiba et al. | Application of Machine Learning algorithms for power systems fault detection | |
Hassani et al. | Design of a cost-effective deep convolutional neural network–based scheme for diagnosing faults in smart grids | |
Bala et al. | Random forest based fault analysis method in IEEE 14 bus system | |
CN112285482A (zh) | 一种有源配电网故障确定方法和系统 | |
Xia et al. | A transferrable and noise-tolerant data-driven method for open-circuit fault diagnosis of multiple inverters in a microgrid | |
Banerjee et al. | A machine learning approach based on decision tree algorithm for classification of transient events in microgrid | |
Hosseini | Short circuit fault classification and location in transmission lines using a combination of wavelet transform and support vector machines | |
Babayomi et al. | Intelligent fault diagnosis in a power distribution network | |
Kezunovic | Automated analysis of voltage sags, their causes and impacts | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子系统故障诊断方法 | |
Elbaset et al. | Fault detection and classification in transmission lines using ANFIS | |
Khazraj et al. | Addressing single and multiple bad data in the modern PMU-based power system state estimation | |
Paul et al. | ANFIS based single line to ground fault location estimation for transmission lines | |
Lukomski et al. | Utilization of support vector machine classifiers to power system topology verification |
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 |