CN114089121B - 一种针对不对称接地短路的风电场集电线故障测距方法 - Google Patents

Abstract

一种针对不对称接地短路的风电场集电线故障测距方法，进行故障选线和故障类型判断，采集故障集电线的电气量，将单相接地故障类型的故障集电线的电气量输入到单相接地一维卷积神经网络回归测距模型，将两相接地故障类型的故障集电线的电气量输入到两相接地一维卷积神经网络回归测距模型，根据测距模型的输出计算得到故障距离。本发明可以自动、迅速、有效地计算出故障距离，工程应用方便，所需测点少，经济性好，故障类型的预判断降低了一维卷积神经网络回归测距模型的训练难度，有利于减少测距模型训练所需样本数目。

Description

一种针对不对称接地短路的风电场集电线故障测距方法

技术领域

本发明涉及电力线路故障测距技术领域，尤其涉及一种针对不对称接地短路的风电场集电线故障测距方法。

背景技术

随着国家政策对于新能源发电尤其是风力发电的扶持力度越来越大，风电技术快速进步，越来越多的风电场建成投运。鉴于风能的地区分布特征，我国大型风电场一般位于东北、华北、西北等地区，而且地形往往为山地、荒原等，因此风电场运行环境较为恶劣，风电场集电线短路故障时有发生。集电线路故障会造成大批机组弃风窝电，带来较大损失，但是由于集电线结构的特殊性，目前已有的故障定位装置不能适用，集电线故障点查找已成为风电场运行人员最为棘手的问题。

集电线与大量风电机组相连，用于汇集各机组的功率，其首端接入风电场升压站母线，使风电经升压后送入电网。由于风电机组的存在，集电线呈现出多分支的结构，并且所有风机经箱式变压器通过电缆与集电线相连，再加上集电线一般也通过电缆连接母线，这使得集电线又存在线路混合的特点。另外，集电线一般较短，往往在20km以内，这也决定了相邻风机之间的距离会很小。为了风电场的安全可靠运行，现有风电场通常采用中性点经小电阻接地的接地方式，因此升压站内的升压变压器低压侧会采用星型接线以引出中性点来接地，或者在母线安装接地变压器实现接地。

鉴于集电线多分支、线路混合、线路短的特点，再加上风电场特殊的接地方式，目前还没有适用于集电线的故障定位方案实际使用。工程上常用的方式还是人工巡线、现场试验等，费时费力。在理论研究方面，有文献提出使用区段两端测点判断故障区段的方案，但是其需要大量测点，实现成本过高，并且其只能定位故障区段，不能够实现测距。另有文献提出在每个区段之间安装一个测点，先判断出故障区段，在此基础上利用传统阻抗法计算故障位置；此方法在理论上能够较好地进行故障测距，但是同样存在所需测量装置过多的问题。还有文献提出了利用少量测点的行波法测距方案；虽然其所用测点较少，但是由于风电场存在大量分支，特征行波的波头识别困难，并且集电线较短，行波传播迅速，使得传播时间的准确测量非常困难。除上述方案外，有研究人员计及风机电流对传统单端阻抗法进行改进，仅使用一个测点就能够完成集电线的测距；但是其设置了一些假设，因此方法的实用性还不明确，并且此方法需要逐个区段进行故障假设，方法应用较为繁琐、复杂。

可以看到，在工程实际、理论研究方面，目前仍然缺少经济、有效、简便的风电场集电线故障测距方法。

发明内容

本发明的目的在于提供一种针对不对称接地短路的风电场集电线故障测距方法，可以自动、迅速、有效地计算出故障距离，工程应用方便，所需测点少，经济性好。

为了达到上述目的，本发明提供一种针对不对称接地短路的风电场集电线故障测距方法，进行故障选线和故障类型判断，采集故障集电线的电气量输入测距模型，所述测距模型包含单相接地一维卷积神经网络回归测距模型和两相接地一维卷积神经网络回归测距模型，将单相接地故障类型的故障集电线的电气量输入到单相接地一维卷积神经网络回归测距模型，将两相接地故障类型的故障集电线的电气量输入到两相接地一维卷积神经网络回归测距模型，根据测距模型的输出计算得到故障距离。

所述单相接地一维卷积神经网络回归测距模型包含8层神经层：一层输入层、两层卷积层、两层池化层、一层展开层和两层全连接层；

所述输入层含有24个神经元；

两层所述卷积层的设置相同，都含有64个神经元，卷积核的大小都为8，滑动步长都为2，都启用0填充；

两层所述池化层都采用最大池化方式，窗口尺寸分别为8和16，滑动步长都为2，都启用0填充；

所述展开层用于将上层的输出平展成一个向量，为后面的全连接层提供输入；

第一个全连接层含有512个神经元，第二个全连接层含有1个神经元，作为输出层，用于输出归一化故障距离；

所述卷积层、池化层以及第一个全连接层采用的激活函数均为LeakyReLU，其参数“负斜率系数”都为0.1；

第二个全连接层的激活函数为sigmoid。

所述两相接地一维卷积神经网络回归测距模型包含8层神经层：一层输入层、两层卷积层、两层池化层、一层展开层和两层全连接层；

所述输入层含有24个神经元；

两个所述卷积层设置相同，都含有256个神经元，卷积核的大小都为8，滑动步长都为2，都启用0填充；

两个所述池化层设置相同，都采用最大池化方式，窗口尺寸都为2，滑动步长都为2，都启用0填充；

所述展开层用于将上层的输出平展成一个向量，为后面的全连接层提供输入；

第一个全连接层含有512个神经元，第二个全连接层含有1个神经元，

第二个全连接层作为输出层，用于输出归一化故障距离；

所述卷积层和池化层的激活函数都为LeakyReLU，其参数“负斜率系数”都为0.1；

所述第一个全连接层采用的激活函数也为LeakyReLU，其负斜率系数为0.2；

所述第二个全连接层的激活函数为sigmoid。

所述故障集电线的电气量包含：故障稳态时母线三相电压、正序电压、负序电压、零序电压的有效值、相位以及故障集电线首端三相电流、正序电流、负序电流、零序电流的有效值、相位。

将故障集电线的电气量进行归一化处理和排序处理后，输入测距模型。

所述归一化处理包含：对故障集电线的电气量中的电气量H进行归一化：

其中，H_1n为归一化后的第n个故障状况对应电气量H的数值；H_n为归一化前的第n个故障状况对应电气量H的数值；H_max为所有故障状况对应电气量H中的最大值；H_min为所有故障状况对应电气量H中的最小值。

所述排序处理包含：将归一化后的电气量按照“A相电压有效值、A相电压相位、B相电压有效值、B相电压相位、C相电压有效值、C相电压相位、A相电流有效值、A相电流相位、B相电流有效值、B相电流相位、C相电流有效值、C相电流相位、正序电压有效值、正序电压相位、负序电压有效值、负序电压相位、零序电压有效值、零序电压相位、正序电流有效值、正序电流相位、负序电流有效值、负序电流相位、零序电流有效值、零序电流相位”的顺序进行排列，生成一组特征值向量。

所述进行故障选线的方法包含：采集各个集电线的首端零序电流有效值，当某个集电线首端零序电流有效值大于3A时，判定该集电线为故障集电线。

所述进行故障类型判断的方法包含：采集故障集电线的母线三相电压有效值，如果U_A<U_B≈U_C，或U_B<U_A≈U_C，或U_C<U_A≈U_B，则判断故障类型为单相接地，如果U_A≈U_B<U_C，或U_B≈U_C<U_A，或U_C≈U_A<U_B，则判断故障类型为两相接地，其中，U_A、U_B、U_C分别为母线处A相、B相、C相电压的有效值。

对所述测距模型输出的归一化故障距离与故障集电线的线路总长相乘得到故障距离。

预先采用训练样本集训练所述测距模型；

采用单相接地测距模型训练样本集训练单相接地一维卷积神经网络回归测距模型，训练所需的优化器为Nadam，设置学习率为0.001，损失函数、评估标准都为mse，小批量训练的批尺寸为32，训练迭代次数为8000次；

采用两相接地测距模型训练样本集训练两相接地一维卷积神经网络回归测距模型，训练所需的优化器为Nadam，设置学习率为0.002，损失函数、评估标准都为mse，小批量训练的批尺寸为400，训练迭代次数为12000次。

本发明可以自动、迅速、有效地计算出故障距离，工程应用方便，所需测点少，经济性好，故障类型的预判断降低了一维卷积神经网络回归测距模型的训练难度，有利于减少测距模型训练所需样本数目。

附图说明

图1是本发明提供的一种针对不对称接地短路的风电场集电线故障测距方法的流程图。

图2是一维卷积神经网络回归测距模型的整体结构简单示意图。

具体实施方式

以下根据图1和图2，具体说明本发明的较佳实施例。

统计资料显示，在集电线的各种短路故障里，不对称接地故障占八成以上。因此，针对风电场集电线的不对称接地故障给出有效的故障测距方案能够极大地改善风电场运行状况。

如图1所示，本发明提供一种针对不对称接地短路的风电场集电线故障测距方法，具体包含以下步骤：

步骤S1、建立一维卷积神经网络回归测距模型，此一维卷积神经网络回归测距模型实质上是可以实现回归功能的一维卷积神经网络。

本发明针对每一条集电线都建立两类一维卷积神经网络回归测距模型，一类为单相接地一维卷积神经网络回归测距模型，用于单相接地的故障测距，一类为两相接地一维卷积神经网络回归测距模型，用于两相接地的故障测距。两类测距模型的整体结构类似，两类测距模型有相同的输入输出，输入为故障稳态时母线三相电压、正序电压、负序电压、零序电压的归一化有效值、相位以及故障集电线首端三相电流、正序电流、负序电流、零序电流的归一化有效值、相位，输出为归一化故障距离(故障距离是指故障点至母线的线路长)。

如图2所示，所建立的单相接地一维卷积神经网络回归测距模型共设置8层神经层：一层输入层、两层卷积层(卷积层1、卷积层2)、两层池化层(池化层1、池化层2)、一层展开层、两层全连接层。输入层含有24个神经元；卷积层1和卷积层2设置相同，都含有64个神经元，卷积核的大小都为8，滑动步长都为2，都启用0填充；池化层1和池化层2都采用最大池化方式，窗口尺寸分别为8、16，滑动步长都为2，都启用0填充；展开层用于将上层的输出平展成一个向量，为后面的全连接层提供输入；全连接层1含有512个神经元，全连接层2含有1个神经元，全连接层2作为输出层，用于输出归一化故障距离；卷积层、池化层以及全连接层1采用的激活函数均为LeakyReLU，其参数“负斜率系数”都为0.1；全连接层2的激活函数为sigmoid。

如图2所示，所建立的两相接地一维卷积神经网络回归测距模型共设置8层神经层：一层输入层、两层卷积层(卷积层1、卷积层2)、两层池化层(池化层1、池化层2)、一层展开层、两层全连接层。输入层含有24个神经元；卷积层1和卷积层2设置相同，都含有256个神经元，卷积核的大小都为8，滑动步长都为2，都启用0填充；池化层1和池化层2设置相同，都采用最大池化方式，窗口尺寸都为2，滑动步长都为2，都启用0填充；展开层用于将上层的输出平展成一个向量，为后面的全连接层提供输入；全连接层1含有512个神经元，全连接层2含有1个神经元，全连接层2作为输出层，用于输出归一化故障距离；卷积层和池化层的激活函数都为LeakyReLU，其参数“负斜率系数”都为0.1；全连接层1采用的激活函数也为LeakyReLU，但是其负斜率系数为0.2；全连接层2的激活函数为sigmoid。

步骤S2、训练一维卷积神经网络回归测距模型，以确定各个测距模型自身的权重。首先针对每一条集电线建立其对应的单相接地测距模型训练样本集与两相接地测距模型训练样本集，然后采用训练样本集分别训练相应的一维卷积神经网络回归测距模型。

步骤S21、构建训练样本集。以一条集电线为例，介绍其对应测距模型的训练样本集建立方法。

首先根据此集电线的实际结构与参数，在PSCAD/EMTDC中搭建仿真模型。然后在线路上每隔60m设置一处故障，过渡电阻分别考虑20Ω、50Ω、100Ω三种情况，风速分别设置为100％额定风速、50％额定风速。构建单相接地测距模型训练样本集时，故障类型包括A相接地、B相接地、C相接地；构建两相接地测距模型训练样本集时，故障类型包括AB相接地、BC相接地、CA相接地。仿真上述所有的故障状况，采集各故障状况下故障后仿真模型达到稳态时母线三相电压、正序电压、负序电压、零序电压的有效值、相位以及故障集电线首端三相电流、正序电流、负序电流、零序电流的有效值、相位共24个电气量。

为减小不同电气量的数值差异对后续测距效果的影响，需要对各电气量进行归一化处理，本发明采用最大最小归一化方式，即，若对以上24个电气量里的电气量H进行归一化，所采用的归一化公式就为：

式中，H_1n为归一化后的第n个故障状况对应电气量H的数值；H_n为归一化前的第n个故障状况对应电气量H的数值；H_max为所有故障状况对应电气量H中的最大值；H_min为所有故障状况对应电气量H中的最小值。

将归一化后的采集量按照“A相电压有效值、A相电压相位、B相电压有效值、B相电压相位、C相电压有效值、C相电压相位、A相电流有效值、A相电流相位、B相电流有效值、B相电流相位、C相电流有效值、C相电流相位、正序电压有效值、正序电压相位、负序电压有效值、负序电压相位、零序电压有效值、零序电压相位、正序电流有效值、正序电流相位、负序电流有效值、负序电流相位、零序电流有效值、零序电流相位”的顺序进行排列，从而生成一组向量，称作特征值向量。

另外，每一个故障状况都对应一个故障距离，其也参与训练样本集的构成。同样也需要对故障距离进行归一化处理，故障距离的归一化公式为：

式中，l_1n为归一化后的第n个故障状况对应故障距离；l_n为归一化前的第n个故障状况对应故障距离；l为故障集电线的线路总长。

一个故障状况对应的特征值向量与归一化后的故障距离共同构成一个样本。汇集所有单相接地的样本与两相接地的样本，分别构成单相接地测距模型训练样本集和两相接地测距模型训练样本集。

步骤S22、采用训练样本集训练测距模型。

采用单相接地测距模型训练样本集训练单相接地一维卷积神经网络回归测距模型，训练所需的优化器为Nadam，设置学习率为0.001，损失函数、评估标准都为mse，小批量训练的批尺寸为32，训练迭代次数为8000次。

采用两相接地测距模型训练样本集训练两相接地一维卷积神经网络回归测距模型，训练所需的优化器为Nadam，设置学习率为0.002，损失函数、评估标准都为mse，小批量训练的批尺寸为400，训练迭代次数为12000次。

步骤S3、测距模型的实际应用。实际应用测距模型前，需经过启动、故障选线、故障类型判断，再由测距模型输出归一化故障距离，最终经反归一化得到故障距离完成测距。

步骤31：(启动)采集母线零序电压有效值，判断是否启动后续测距方法。

具体判断方法为：当母线零序电压大于3kV时，启动后续测距方法。其原理在于，当集电线不存在不对称接地故障时，风电场电网结构对称，各处电压电流的零序分量均约为0。当集电线出现不对称接地故障时，由于风电场采用中性点经小电阻接地的接地方式，风电场内部可以形成有效的零序电流流通路径，所以故障点处会出现较大的零序电压。加之集电线较短，因此母线零序电压也会较大，一般其有效值会增大到母线额定相电压有效值的15％以上。由于与母线相连的集电线电压等级通常为35kV，所以母线额定相电压有效值的15％约为3kV。可以认为当母线零序电压有效值大于3kV时，风电场出现不对称接地故障，可以启动后续测距方法。

步骤S32、(故障选线)采集各集电线首端零序电流有效值，进行故障选线。

具体选线方法为：当集电线首端零序电流有效值大于3A时，认为此集电线为故障集电线。其原理在于，当集电线出现不对称接地故障时，风电场内形成的零序电流流通路径主要是故障点-故障集电线首端-主变压器(或接地变压器)，因此故障集电线首端会有较大的零序电流，一般其有效值会达到几十安培。虽然通过集电线的对地电容也能够形成零序电流的流通路径，但由于集电线对地电容很小，因此经线路对地电容流动的零序电流也会很小。对于正常集电线来讲，其上流经的零序电流只有上述经对地电容流动的零序电流，所以正常集电线上只存在很小的零序电流，其有效值一般不会超过1A。通过测量各集电线首端的零序电流，可以有效判断出故障集电线。

步骤S33、(故障类型判断)采集母线三相电压有效值，根据表1判断故障类型。

表1

表1中的U_A、U_B、U_C分别为母线处A相、B相、C相电压的有效值。表1中有效值之间的大小关系“<”与“≈”采用做比值的方式确定，即对三相电压有效值两两做比值，当U_i/U_j大于1.1时，认为U_j<U_i；当0.9≤U_i/U_j≤1.1时，认为U_i≈U_j(i、j＝A或B或C，且i≠j)。

上述故障类型判断方法的原理在于，在出现不对称接地故障时，故障点处的故障相电压有效值会出现跌落，从而低于正常相电压有效值。由于风电场集电线较短，母线三相电压的有效值也会被影响到，从而表现出同故障点处三相电压相同的特征。因此，由母线三相电压的有效值大小关系就可以判断出故障相，进而判断出故障类型。

步骤S34采集母线三相电压、正序电压、负序电压、零序电压的有效值、相位以及故障集电线首端三相电流、正序电流、负序电流、零序电流的有效值、相位，将这些电气量按照步骤S21所述归一化方式归一化，并按照步骤S21所述采集量排列顺序排列，然后输入故障集电线训练后的与步骤32所判断故障类型相对应的一维卷积神经网络回归测距模型，

步骤S35、测距模型可以输出归一化故障距离。

步骤S36、对测距模型输出进行反归一化，即将输出的归一化故障距离与故障集电线的线路总长相乘得到故障距离。

步骤S4、人工复位，返回步骤S3，进行下一次测距。

上述故障距离计算的原理在于，当集电线不同位置出现不对称接地短路时，在故障稳态下母线电压、故障集电线首端电流是不同的，其与故障位置密切相关，但是由于风电场拓扑结构复杂，很难使用明确的解析式去描述它们之间的关系。因此，本发明采用了神经网络建立测距模型，其能够从大量故障样本里自行学习输入与输出之间的复杂关系，形成一个端到端的回归模型，有效表征母线电压、故障集电线首端电流与故障位置之间的关系。实际使用时，只需提供神经网络所需的输入量，神经网络就可以通过其内部经训练建立起来的输入-输出映射关系计算出较为准确的故障位置。由于出现单相接地、两相接地时母线电压、故障集电线首端电流与故障位置之间的关系是存在一定差异的，因此若将两类故障混在一起构建神经网络测距模型，测距模型就需要在存在差异的两种关系间寻找共同点，才能针对两类故障都能完成测距，这使得测距模型训练难度较大，并且需要较多故障样本，所以本发明针对两类故障分别建立神经网络测距模型，以避免上述问题。

本发明具有以下有益效果：

1、通过计算故障点至母线的线路长，可以准确得到故障点的位置。

2、只利用母线电压、集电线首端电流即可完成测距，所需测点少，现场既有测量装置就已经可以满足本发明的测点需求，因此无需增加测点，经济性好。

3、可以自动、迅速、有效地计算出故障距离，工程应用方便，不需要人工巡线、现场实验。

4、在使用神经网络回归测距模型前先判断故障类型，故障类型的预判断降低了神经网络的训练难度，有利于减少训练所需样本数目。

需要说明的是，在本发明的实施例中，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述实施例，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (7)

1.一种针对不对称接地短路的风电场集电线故障测距方法，其特征在于，进行故障选线和故障类型判断，采集故障集电线的电气量输入测距模型，所述测距模型包含单相接地一维卷积神经网络回归测距模型和两相接地一维卷积神经网络回归测距模型，将单相接地故障类型的故障集电线的电气量进行归一化处理和排序处理后，输入到单相接地一维卷积神经网络回归测距模型，将两相接地故障类型的故障集电线的电气量输入到两相接地一维卷积神经网络回归测距模型，根据测距模型的输出计算得到故障距离；

所述归一化处理包含：对故障集电线的电气量中的电气量H进行归一化：

其中，H_1n为归一化后的第n个故障状况对应电气量H的数值；H_n

为归一化前的第n个故障状况对应电气量H的数值；H_max为所有故障状况对应电气量H中的最大值；H_min为所有故障状况对应电气量H中的最小值；

所述排序处理包含：将归一化后的电气量按照“A相电压有效值、A相电压相位、B相电压有效值、B相电压相位、C相电压有效值、C相电压相位、A相电流有效值、A相电流相位、B相电流有效值、B相电流相位、C相电流有效值、C相电流相位、正序电压有效值、正序电压相位、负序电压有效值、负序电压相位、零序电压有效值、零序电压相位、正序电流有效值、正序电流相位、负序电流有效值、负序电流相位、零序电流有效值、零序电流相位”的顺序进行排列，生成一组特征值向量。

2.如权利要求1所述的针对不对称接地短路的风电场集电线故障测距方法，其特征在于，所述单相接地一维卷积神经网络回归测距模型包含8层神经层：一层输入层、两层卷积层、两层池化层、一层展开层和两层全连接层；

所述输入层含有24个神经元；

两层所述卷积层的设置相同，都含有64个神经元，卷积核的大小都为8，滑动步长都为2，都启用0填充；

两层所述池化层都采用最大池化方式，窗口尺寸分别为8和16，滑动步长都为2，都启用0填充；

所述展开层用于将上层的输出平展成一个向量，为后面的全连接层提供输入；

第一个全连接层含有512个神经元，第二个全连接层含有1个神经元，作为输出层，用于输出归一化故障距离；

所述卷积层、池化层以及第一个全连接层采用的激活函数均为LeakyReLU，其参数“负斜率系数”都为0.1；

第二个全连接层的激活函数为sigmoid。

3.如权利要求1所述的针对不对称接地短路的风电场集电线故障测距方法，其特征在于，所述两相接地一维卷积神经网络回归测距模型包含8层神经层：一层输入层、两层卷积层、两层池化层、一层展开层和两层全连接层；

所述输入层含有24个神经元；

两个所述卷积层设置相同，都含有256个神经元，卷积核的大小都为8，滑动步长都为2，都启用0填充；

两个所述池化层设置相同，都采用最大池化方式，窗口尺寸都为2，滑动步长都为2，都启用0填充；

所述展开层用于将上层的输出平展成一个向量，为后面的全连接层提供输入；

第一个全连接层含有512个神经元，第二个全连接层含有1个神经元，

第二个全连接层作为输出层，用于输出归一化故障距离；

所述卷积层和池化层的激活函数都为LeakyReLU，其参数“负斜率系数”都为0.1；

所述第一个全连接层采用的激活函数也为LeakyReLU，其负斜率系数为0.2；

所述第二个全连接层的激活函数为sigmoid。

4.如权利要求2或3所述的针对不对称接地短路的风电场集电线故障测距方法，其特征在于，所述故障集电线的电气量包含：故障稳态时母线三相电压、正序电压、负序电压、零序电压的有效值、相位以及故障集电线首端三相电流、正序电流、负序电流、零序电流的有效值、相位。

5.如权利要求1所述的针对不对称接地短路的风电场集电线故障测距方法，其特征在于，所述进行故障选线的方法包含：采集各个集电线的首端零序电流有效值，当某个集电线首端零序电流有效值大于3A时，判定该集电线为故障集电线。

6.如权利要求5所述的针对不对称接地短路的风电场集电线故障测距方法，其特征在于，所述进行故障类型判断的方法包含：采集故障集电线的母线三相电压有效值，如果U_A<U_B≈U_C，或U_B<U_A≈U_C，或U_C<U_A≈U_B，则判断故障类型为单相接地，如果U_A≈U_B<U_C，或U_B≈U_C<U_A，或U_C≈U_A<U_B，则判断故障类型为两相接地，其中，U_A、U_B、U_C分别为母线处A相、B相、C相电压的有效值。

7.如权利要求1所述的针对不对称接地短路的风电场集电线故障测距方法，其特征在于，预先采用训练样本集训练所述测距模型；

采用单相接地测距模型训练样本集训练单相接地一维卷积神经网络回归测距模型，训练所需的优化器为Nadam，设置学习率为0.001，损失函数、评估标准都为mse，小批量训练的批尺寸为32，训练迭代次数为8000次；

采用两相接地测距模型训练样本集训练两相接地一维卷积神经网络回归测距模型，训练所需的优化器为Nadam，设置学习率为0.002，损失函数、评估标准都为mse，小批量训练的批尺寸为400，训练迭代次数为12000次。

Images