CN114113909A - 一种配电网单相接地故障选线方法及系统 - Google Patents
一种配电网单相接地故障选线方法及系统 Download PDFInfo
- Publication number
- CN114113909A CN114113909A CN202111470868.4A CN202111470868A CN114113909A CN 114113909 A CN114113909 A CN 114113909A CN 202111470868 A CN202111470868 A CN 202111470868A CN 114113909 A CN114113909 A CN 114113909A
- Authority
- CN
- China
- Prior art keywords
- fault
- data set
- line
- matrix
- diagnosis model
- 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
- 238000010187 selection method Methods 0.000 title claims description 11
- 238000001514 detection method Methods 0.000 claims abstract description 113
- 238000003745 diagnosis Methods 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000004913 activation Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 122
- 238000012549 training Methods 0.000 claims description 64
- 238000012360 testing method Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 32
- 230000008569 process Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance 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
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Maintenance And Management Of Digital Transmission (AREA)
Abstract
本发明公开了一种配电网单相接地故障选线方法及系统，涉及电网电力技术领域，上述方法包括以下步骤：A1、构建故障检测模型和故障诊断模型；A2、接收数据至故障检测模型，判断线路是否故障，输出检测结果；A21、若线路正常，则输出表示正常线路的标志；A22、若线路故障，则输出表示故障线路的标志，并标记接收数据，生成错误数据集；A3、将错误数据集发送至故障诊断模型，根据错误数据集的类型选择故障诊断模型；A4、在故障诊断模型中对错误数据集进行Softmax激活函数计算，得到故障类别的概率，比对故障类别的概率选出概率最高者，输出故障线路的故障类别；解决了配电网单相接地故障线路可靠性低的问题。
Description
技术领域
本发明涉及电网电力技术领域，具体涉及一种配电网单相接地故障选线方法及系统。
背景技术
随着电力系统自动化程度也越来越高，电力计量装置和电信息采集装置系统不断完善，为机器学习应用到电力系统故障诊断提供了数据基础。深度学习作为机器学习的分支，使自身的模型网络能够学习并得到分类任务中最具代表性的特征。前很多研究表明，深度学习的方法通过大量的训练样本，可以对故障特征较弱的复杂系统进行特征提取，实现故障的分类。从最本质的角度出发，故障选线就是一个多变量时间序列的分类问题。
目前存在的大多数选线技术在现场的选线精度并不理想，主要受中性点运行方式的多样性、线路结构的变化、接地故障种类以及故障信号微弱等影响，国内外学者提出了一些配电网单相接地故障时的选线方法，有基于稳态信息和暂态信息作为选线依据的，也有信息融合选线的，但是面对选线问题时选用的手段大都相对单一，对于不同的故障类型，可靠性难以保证，因此通过对故障信息进行综合处理分析以应对不同故障类型的选线研究，对故障线路进行可靠地辨识作用重大。
随着深度学习算法逐渐融合到电力系统的应用中，也为给智能选线法创造了很大条件。深度学习算法的优势在于从原始信号到特征提取、降维和模式识别的端到端故障诊断过程。但现有很多深度学习方法都有共同的应用局限性，即整个模型的训练过程都是有监督的，通常标记样本的数量必须足够多，否则容易出现过拟合。
在单相接地故障情况中，就算能采集到大量的故障数据，对故障数据进行打标签也是一个耗时耗力的过程。而且在现实应用中，一旦出现单相接地故障，就会立即停电检修，单相接地故障情况下的样本会更少。因此，研究少量标记样本下的单相接地故障选线就显得尤为必要。
发明内容
本发明所要解决的技术问题是配电网的单相接地故障选线可靠性低，目的在于提供一种配电网单相接地故障选线方法及系统，先检测出故障线路，再对故障线路进行分类，以此来达到高可靠性的单相接地故障选线，提高了选线精度。
本发明通过下述技术方案实现：
一种配电网单相接地故障选线方法，用于选出发生单相接地故障的线路以及发生单相接地故障线路的故障类别，包括以下步骤：
A1、构建故障检测模型和故障诊断模型；
A2、接收数据至故障检测模型，判断线路是否故障，输出检测结果；
A21、若线路正常，则输出表示正常线路的标志；
A22、若线路故障，则输出表示故障线路的标志，并标记故障线路的接收数据，生成错误数据集；
A3、将错误数据集发送至故障诊断模型，根据上述错误数据集的类型选择故障诊断模型；
A4、在故障诊断模型中对错误数据集进行Softmax激活函数计算，得到故障类别的概率，比对故障类别的概率选出概率最高者，输出故障线路的故障类别。
上述故障类别包括潜在空间矩阵故障和残差矩阵故障。
根据故障线路的接收数据选择故障诊断模型，进入多层感知机神经网络模型，上述多层感知机神经网络模型包括输入层、隐含层和输出层，在隐含层使用ReLU激活函数，在输出层使用Softmax激活函数，计算故障类别的概率，再比对出概率最高的故障类别作为故障诊断结果，对发生单相接地故障的故障线路进行分类，以故障检测模型的检测结果为基础进行诊断，得到诊断结果，使选线更加可靠，以此来提高选线的精度。
进一步的，上述构建故障检测模型的方法包括以下步骤：
B1、建立配电网单相接地故障场景，生成故障场景集合，采集所有场景下的各线路故障零序电流，形成训练数据集；
B2、将训练数据集输入至自编码器，利用自编码器构建故障检测模型；
B3、上述自编码器包括输入层和输出层，提取自编码器的输入层数据和输出层数据，并计算出故障检测指数，建立故障检测阈值。
上述配电网单相接地故障场景包括电网电压、节点负荷、线路故障位置、过渡电阻及故障相角取值范围等，上述训练数据集包括故障场景集合中所有故障场景下的仿真工况，上述仿真工况包括零序电流和故障线路；上述训练数据集以零序电流为数据主体，对应的故障线路为数据标签。
进一步的，构建故障检测模型还包括以下步骤：
C1、对训练故障检测模型的训练数据进行标记，生成错误数据集；
C2、随机抽取80％的错误数据集作为训练集，剩余20％作为测试集，利用上述训练集训练故障诊断模型。
故障诊断模型以故障检测模型的错误数据集为输入进行训练，形成与故障检测模型的联系，利用训练集训练故障检测模型，利用测试集测试训练结束的故障诊断模型的正确率，增加了故障诊断模型可靠性。
进一步的，上述构建故障诊断模型的方法包括以下步骤：
D1、将上述训练集输入至自编码器，自编码器对训练集进行数据重构，得到重构数据，上述重构数据包括残差矩阵和潜在空间矩阵的数据集；
D2、提取上述自编码器中输入层的数据和输出层的数据，生成输入矩阵和输出矩阵，上述输入矩阵和输出矩阵的差，得到残差矩阵，利用残差矩阵作为故障诊断模型的输入，构建基于残差矩阵的故障诊断模型；
上述残差矩阵的公式为：
其中，X是输入矩阵，
是输出矩阵。
上述残差矩阵具有输入层与输出层相同维数的矩阵，残差矩阵表示将单个输入层的数据在给定的条件下有意义的重构到输出层。
D3、上述自编码器还包括潜在空间层，提取上述自编码器的潜在空间层的数据，得到潜在空间矩阵，利用潜在空间矩阵作为故障诊断模型的输入，构建基于潜在空间矩阵的故障诊断模型；
上述潜在空间矩阵的公式为：
LSM＝fenc(Wenc,FDDX+Benc,FDD)
其中，f是激活函数，W是权重矩阵，X是输入矩阵，B是偏置矩阵，enc是编码，FDD是数据驱动的故障检测和诊断。
潜在空间矩阵的维数根据自编码器的结构设计而改变，若潜在空间矩阵的维数小于输入矩阵的维数，则输入矩阵的维数减少到潜在空间矩阵的维数；若潜在空间矩阵的维数不小于输入矩阵的维数，则输入矩阵的维数通过扩张达到潜在空间矩阵的维数。
D4、上述故障诊断模型使用多层感知机神经网络，利用Softmax激活函数，计算出故障类别的概率，将故障类别的概率进行比对，选出概率最高的故障类别。
进一步的，上述故障检测模型和故障诊断模型使用Adam机制，损失函数为均方误差，若上述故障检测模型或故障诊断模型在3个训练周期内损失函数小于2％，则停止训练，防止过拟合。
进一步的，上述故障检测指数为自编码器的输入层的数据与对应输入数据的重构数据的差的绝对值总和。
上述故障检测指数的公式为：
其中，t是测量时间点，k是系统变量的计数器，FDI是故障检测指数，n是用于自编码器系统的所有系统变量的总和。
进一步的，上述故障检测阈值为输入自编码器的零序电流中正常数据的90％。
根据故障检测指数和故障检测阈值来判断线路是否故障。
进一步的，上述训练数据集在自编码器中进行预处理和移动平均值处理。
上述预处理公式为：
其中，xnorm是标准化向量，x是输入向量。
上述移动平均值处理公式为：
其中，是xSMA移动平均值向量，I是移动平均的定义区间。
选择合适的时间段进行数据移动平均，以减少平滑数据。
进一步的，上述判断线路是否故障包括以下步骤：
E1、判断故障检测指数是否小于故障检测阈值，公式如下：
其中，M是故障检测模型，FDI是故障检测指数。
E12、若故障检测指数小于故障检测阈值，则线路正常；
E13、若故障检测指数不小于故障检测阈值，则线路故障。
进一步的，根据上述错误数据集的类型选择故障诊断模型包括以下步骤：
Cm＝Mdiag(REM or LSM)
其中，C是故障类别，m是故障类别的计数器，REM是残差矩阵，LSM是潜在空间矩阵。
F1、若上述错误数据集的类型是残差矩阵，则将错误数据集发送至基于残差矩阵的故障诊断模型；
F2、若上述错误数据集的类型是潜在空间矩阵，则将错误数据集发送至基于潜在空间矩阵的故障诊断模型。
上述错误数据集的类型由接收数据决定，若接收数据为残差矩阵，则选用基于残差矩阵的故障诊断模型；若输入数据为潜在空间矩阵，则选用基于潜在空间矩阵的故障诊断模型；
进一步的，上述自编码器用于重构输入层，上述重构输入层的公式为：
上述输入层维度为m维，潜在空间层的维度为n维，将输入层的m维压缩到潜在空间层n维的过程为编码，上述编码的公式为：
L＝fenc(WencX+Benc)
将潜在空间层n维解压缩到输出层的过程为解码，重新构建输入层，上述解码的公式为：
编码和解码的权重矩阵和偏置向量训练的最小损失函数公式为：
其中，x是输入向量，X是输入矩阵，
是输出向量，
是输出矩阵，L是编码的潜在空间矩阵，f是激活函数，W是权重矩阵，B是偏置矩阵，enc是编码，dec是解码，Loss是损失函数，AE是自编码器。
自编码器是以最小的损失在输出层重构输入层，自编码器在潜在层也能生成自编码器原始输入数据的新特征。
自编码器用于数据驱动的故障检测和诊断，公式如下：
其中，AEFDD是自编码器用于故障检测和诊断。
一种配电网单相接地故障选线系统，包括
信息采集模块，用于采集各线路的零序电流，形成训练数据集；
运算模块，用于接收训练数据集，计算故障检测指数或函数运算，判断故障检测指数是否小于故障检测阈值，标记检测故障的接收数据，生成错误数据集，并输出检测结果；
数据库模块，用于存储训练数据集和错误数据集；
分类模块，用于读取检测结果，判断错误数据类型，进行函数运算，比对运算结果，并输出最大值；
上述信息采集模块与运算模块连接，运算模块与分类模块连接，数据库模块与信息采集模块、运算模块连接。
本发明与现有技术相比，具有如下的优点和有益效果：
构建故障检测和故障诊断模型，故障检测模型对线路是否故障进行检测，若线路故障则将故障线路的错误数据集发送至故障诊断模型，进行故障类别诊断，使用Softmax激活函数，对故障类别的概率进行计算，再比对故障类别的概率，选出概率最高的故障类别作为故障诊断结果，使选线的可靠性更高，解决了配电网单相接地故障线路可靠性低的问题，提高了选线精度。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。在附图中：
图1为实施例1提供的构建故障检测模型和故障诊断模型的流程图；
图2为自编码器结构图；
图3为实施例1提供的用于产生故障诊断模型的输入数据模型图；
图4为实施例1提供的故障诊断模型图；
图5为实施例2提供的应用流程图；
图6为实施例3提供的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图1至图4所示，本实施例1提供一种配电网单相接地故障选线方法，首先需要构建故障检测模型和故障诊断模型，包括以下步骤：
S1、建立配电网单相接地故障场景，生成故障场景集合，采集所有场景下的各线路故障零序电流，形成训练数据集；
上述配电网单相接地故障场景包括电网电压、节点负荷、线路故障位置、过渡电阻及故障相角取值范围等，上述训练数据集包括故障场景集合中所有故障场景下的仿真工况，上述仿真工况包括零序电流和故障线路；上述训练数据集以零序电流为数据主体，对应的故障线路为数据标签。
S2、将训练数据集输入至自编码器，利用自编码器结构构建故障检测模型；
S3、上述自编码器包括输入层和输出层，提取自编码器输入层的数据和输出层的数据，并计算出故障检测指数，建立故障检测阈值；
S4、对训练故障检测模型的训练数据进行标记，生成错误数据集；
S5、若故障检测模型在3个训练周期内损失函数小于2％，则停止训练；
S6、随机抽取80％的错误数据集作为训练集，剩余20％作为测试集；
故障诊断模型以故障检测模型的错误数据集为输入进行训练，形成与故障检测模型的联系，利用训练集训练故障检测模型，利用测试集测试训练结束的故障诊断模型的正确率，增加了故障诊断模型可靠性。
S7、将上述训练集输入至自编码器，自编码器对训练集进行数据重构，得到重构数据，上述重构数据包括残差矩阵和潜在空间矩阵的数据集；
S8、提取上述自编码器中输入层的数据和输出层的数据，生成输入矩阵和输出矩阵，上述输入矩阵和输出矩阵的差，得到残差矩阵，利用残差矩阵作为故障诊断模型的输入，构建基于残差矩阵的故障诊断模型；
上述残差矩阵的公式为：
其中，X是输入矩阵，
是输出矩阵。
上述残差矩阵具有输入层与输出层相同维数的矩阵，残差矩阵表示将单个输入层的数据在给定的条件下有意义的重构到输出层。
S9、上述自编码器还包括潜在空间层，提取上述自编码器的潜在空间层的数据，得到潜在空间矩阵，利用潜在空间矩阵作为故障诊断模型的输入，构建基于潜在空间矩阵的故障诊断模型；
上述潜在空间矩阵的公式为：
LSM＝fenc(Wenc,FDDX+Benc,FDD)
其中，f是激活函数，W是权重矩阵，X是输入矩阵，B是偏置矩阵，enc是编码，FDD是数据驱动的故障检测和诊断。
S10、上述故障诊断模型使用多层感知机神经网络，利用Softmax激活函数，得到故障类别的概率，再将两故障类别进行比对，选出概率最高的故障类别。
上述故障类别包括潜在空间矩阵故障和残差矩阵故障。
S11、若上述故障诊断模型在3个训练周期内损失函数小于2％，则停止训练；
S12、将测试集输入至训练结束的故障检测模型，用于验证故障检测模型和故障诊断模型整体的正确性。
具体的实施例，如表1所示，
表1
上述故障检测模型包括输入层、编码层、隐含层1、潜在空间层、解码层、隐含层2和输出层，在编码层、隐含层1和潜在空间层使用ReLU激活函数，使得故障检测模型自行引入稀疏性，同时大大地提高了故障检测模型的训练速度；在解码层、隐含层2和输出层使用Sigmoid激活函数，计算出故障检测指数和故障检测阈值。
具体的实施例，如表2所示，
表2
上述多层感知机神经网络模型包括输入层、隐含层1、隐含层2、隐含层3和输出层，在隐含层1、隐含层2和隐含层3使用ReLU激活函数，使得故障诊断模型自行引入稀疏性，同时大大地提高了故障诊断模型的训练速度；在输出层使用Softmax激活函数，计算故障类别的概率，再比对出故障类别概率最高的作为故障诊断结果，得到故障线路的故障类别，选出的配电网单相接地故障线路更加可靠。
具体的实施例，上述故障检测指数为自编码器的输入层的数据与对应输入数据的重构数据的差的绝对值总和。
上述故障检测指数的公式为：
其中，t是测量时间点，k是系统变量的计数器，FDI是故障检测指数，n是用于自编码器系统的所有系统变量的总和。
具体的实施例，上述故障检测阈值为输入自编码器的零序电流中正常数据的90％。
根据故障检测指数和故障检测阈值来判断线路是否故障。
具体的实施例，上述故障检测模型训练的Batchsize为35，Epochs为50，损失函数为均方误差；上述故障诊断模型训练的Batchsize为256，Epochs为200，损失函数是分类交叉熵；上述故障检测模型和故障诊断模型使用Adam机制，故障检测模型和故障诊断模型的训练机制均使用了停止机制，防止过拟合。
上述Batchsize指每个batch中训练样本的数量，Epochs指训练周期。
具体的实施例，提取自编码器中输入层数据和输出层数据，生成输入矩阵和输出矩阵，上述输入矩阵和输出矩阵的差得到残差矩阵。
上述残差矩阵的公式为：
其中，X是输入矩阵，
是输出矩阵。
上述残差矩阵具有输入层与输出层相同维数的矩阵，残差矩阵表示将单个输入层的数据在给定的条件下有意义的重构到输出层。
具体的实施例，提取自编码器的潜在空间层的数据，得到上述潜在空间矩阵。
上述潜在空间矩阵的公式为：
LSM＝fenc(Wenc,FDDX+Benc,FDD)
其中，f是激活函数，W是权重矩阵，X是输入矩阵，B是偏置矩阵，enc是编码，FDD是数据驱动的故障检测和诊断。
潜在空间矩阵的维数根据自编码器的结构设计而改变，若潜在空间矩阵的维数小于输入矩阵的维数，则输入矩阵的维数减少到潜在空间矩阵的维数；若潜在空间矩阵的维数不小于输入矩阵的维数，则输入矩阵的维数通过扩张达到潜在空间矩阵的维数。
具体的实施例，上述训练数据集在自编码器中进行预处理和移动平均值处理。
上述预处理公式为：
其中，xnorm是标准化向量，x是输入向量。
上述移动平均值处理公式为：
其中，是xSMA移动平均值向量，I是移动平均的定义区间；
选择合适的时间段进行数据移动平均，以减少平滑数据。
具体的实施例，如图2所示，上述自编码器包括输入层、潜在空间层和输出层，上述自编码器用于重构输入层，上述重构输入层的公式为：
上述输入层维度为m维，潜在空间层的维度为n维，将输入层的m维压缩到潜在空间层n维的过程为编码，上述编码的公式为：
L＝fenc(WencX+Benc)
将潜在空间层n维解压缩到输出层的过程为解码，重新构建输入层，上述解码的公式为：
编码和解码的权重矩阵和偏置向量训练的最小损失函数公式为：
其中，x是输入向量，X是输入矩阵，
是输出向量，
是输出矩阵，L是编码的潜在空间矩阵，f是激活函数，W是权重矩阵，B是偏置矩阵，enc是编码，dec是解码，Loss是损失函数，AE是自编码器。
自编码器是以最小的损失在输出层重构输入层，自编码器在潜在层也能生成自编码器原始输入数据的新特征。
自编码器用于数据驱动的故障检测和诊断，公式如下：
其中，AEFDD是自编码器用于故障检测和诊断。
实施例2
如图5所示，本实施例2为实施例1的应用方法，在构建故障检测模型和故障诊断模型完成后，对该模型进行运用，包括以下步骤：
M1、接收数据至故障检测模型，判断故障检测指数是否小于故障检测阈值；
上述根据故障检测指数是否小于故障检测阈值来判断线路是否故障，公式如下：
其中，M是故障检测模型，FDI是故障检测指数。
M11、若故障检测指数小于故障检测阈值，则线路正常，输出表示正常线路的标志；
M12、若故障检测指数不小于故障检测阈值，则线路故障，输出表示故障线路的标志,并标记检测故障的接收数据，生成错误数据集；
M2、将错误数据集发送至故障诊断模型，根据上述错误数据集的类型选择故障诊断模型，公式如下：
Cm＝Mdiag(REM or LSM)
其中，C是故障类别，m是故障类别的计数器，REM是残差矩阵，LSM是潜在空间矩阵。
M21、若上述错误数据集的类型是残差矩阵，则将错误数据集输入至基于残差矩阵的故障诊断模型；
M22、若上述错误数据集的类型是潜在空间矩阵，则将错误数据集输入至基于潜在空间矩阵的故障诊断模型；
M3、在故障诊断模型中对错误数据集进行Softmax激活函数计算，得到故障类别的概率，比对故障类别的概率选出故障概率最高者，输出故障线路的故障类别。
上述错误数据集的类型由接收数据决定，若接收数据为残差矩阵，则选用基于残差矩阵的故障诊断模型；若接收数据为潜在空间矩阵，则选用基于潜在空间矩阵的故障诊断模型；
选择故障诊断模型后，进入多层感知机神经网络模型，在隐含层使用ReLU激活函数，在输出层使用Softmax激活函数，计算故障类别的概率，再比对出故障概率最高的作为故障诊断结果。
实施例3
如图6所示，本实施例3提供一种配电网单相接地故障选线系统，包括
信息采集模块，用于采集各线路的零序电流，形成训练数据集；
运算模块，用于接收训练数据集，计算故障检测指数或函数运算，判断故障检测指数是否小于故障检测阈值，标记检测故障的接收数据，生成错误数据集，并输出检测结果；
数据库模块，用于存储训练数据集和错误数据集；
分类模块，用于读取检测结果，判断错误数据类型，进行函数运算，比对运算结果，并输出最大值；
上述信息采集模块与运算模块连接，运算模块与分类模块连接，数据库模块与信息采集模块、运算模块连接。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种配电网单相接地故障选线方法，用于选出发生单相接地故障的线路以及发生单相接地故障线路的故障类别，其特征在于，包括以下步骤：
A1、构建故障检测模型和故障诊断模型；
A2、接收数据至故障检测模型，判断线路是否故障，输出检测结果；
A21、若线路正常，则输出表示正常线路的标志；
A22、若线路故障，则输出表示故障线路的标志，并标记故障线路的接收数据，生成错误数据集；
A3、将错误数据集发送至故障诊断模型，根据所述错误数据集的类型选择故障诊断模型；
A4、在故障诊断模型中对错误数据集进行Softmax激活函数计算，得到故障类别的概率，比对故障类别的概率选出概率最高者，输出故障线路的故障类别。
2.根据权利要求1所述的一种配电网单相接地故障选线方法，其特征在于，所述构建故障检测模型的方法包括以下步骤：
B1、建立配电网单相接地故障场景，生成故障场景集合，采集所有场景下的各线路故障零序电流，形成训练数据集；
B2、将训练数据集输入至自编码器，利用自编码器构建故障检测模型；
B3、所述自编码器包括输入层和输出层，提取自编码器的输入层的数据和输出层的数据，并计算出故障检测指数，建立故障检测阈值。
3.根据权利要求2所述的一种配电网单相接地故障选线方法，其特征在于，构建故障检测模型还包括以下步骤：
C1、对训练故障检测模型的训练数据进行标记，生成错误数据集；
C2、随机抽取80％的错误数据集作为训练集，剩余20％作为测试集，利用所述训练集训练故障诊断模型。
4.根据权利要求3所述的一种配电网单相接地故障选线方法，其特征在于，所述构建故障诊断模型的方法包括以下步骤：
D1、将所述训练集输入至自编码器；
D2、提取所述自编码器中输入层的数据和输出层的数据，生成输入矩阵和输出矩阵，所述输入矩阵和输出矩阵的差，得到残差矩阵，利用残差矩阵作为故障诊断模型的输入，构建基于残差矩阵的故障诊断模型；
D3、所述自编码器还包括潜在空间层，提取所述自编码器的潜在空间层的数据，得到潜在空间矩阵，利用潜在空间矩阵作为故障诊断模型的输入，构建基于潜在空间矩阵的故障诊断模型；
D4、所述故障诊断模型使用多层感知机神经网络，利用Softmax激活函数，得到故障类别的概率，将故障类别的概率进行比对，选出概率最高的故障类别。
5.根据权利要求4所述的一种配电网单相接地故障选线方法，其特征在于，所述故障检测模型和故障诊断模型使用Adam机制，损失函数为均方误差，若所述故障检测模型和故障诊断模型在3个训练周期内损失函数小于2％，则停止训练。
6.根据权利要求2所述的一种配电网单相接地故障选线方法，其特征在于，所述故障检测指数为自编码器的输入层的数据与对应输入层数据的重构数据的差的绝对值总和。
7.根据权利要求2所述的一种配电网单相接地故障选线方法，其特征在于，所述训练数据集在自编码器中进行预处理和移动平均值处理。
8.根据权利要求2所述的一种配电网单相接地故障选线方法，其特征在于，所述判断线路是否故障包括以下步骤：
E1、判断故障检测指数是否小于故障检测阈值；
E12、若故障检测指数小于故障检测阈值，则线路正常；
E13、若故障检测指数不小于故障检测阈值，则线路故障。
9.根据权利要求4所述的一种配电网单相接地故障选线方法，其特征在于，根据所述错误数据集的类型选择故障诊断模型包括以下步骤：
F1、若所述错误数据集的类型是残差矩阵，则将错误数据集发送至基于残差矩阵的故障诊断模型；
F2、若所述错误数据集的类型是潜在空间矩阵，则将错误数据集发送至基于潜在空间矩阵的故障诊断模型。
10.一种配电网单相接地故障选线系统，其特征在于，包括
信息采集模块，用于采集各线路的零序电流，形成训练数据集；
运算模块，用于接收训练数据集，计算故障检测指数或函数运算，判断故障检测指数是否小于故障检测阈值，标记检测故障的接收数据，生成错误数据集，并输出检测结果；
数据库模块，用于存储训练数据集和错误数据集；
分类模块，用于读取检测结果，判断错误数据类型，进行函数运算，比对运算结果，并输出最大值；
所述信息采集模块与运算模块连接，运算模块与分类模块连接，数据库模块与信息采集模块、运算模块连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111470868.4A CN114113909A (zh) | 2021-12-03 | 2021-12-03 | 一种配电网单相接地故障选线方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111470868.4A CN114113909A (zh) | 2021-12-03 | 2021-12-03 | 一种配电网单相接地故障选线方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114113909A true CN114113909A (zh) | 2022-03-01 |
Family
ID=80366779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111470868.4A Pending CN114113909A (zh) | 2021-12-03 | 2021-12-03 | 一种配电网单相接地故障选线方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114113909A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117347788A (zh) * | 2023-10-17 | 2024-01-05 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障类别概率预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020076413A (ko) * | 2001-03-28 | 2002-10-11 | 학교법인 성균관대학 | 뉴로퍼지 네트워크를 이용한 전력계통의 고장검출 및 그판별방법 |
| CN109298993A (zh) * | 2017-07-21 | 2019-02-01 | 深圳市中兴微电子技术有限公司 | 一种检测故障的方法、装置及计算机可读存储介质 |
| CN110221178A (zh) * | 2019-06-28 | 2019-09-10 | 国网四川省电力公司电力科学研究院 | 小电流接地系统单相接地故障的故障线选线方法及装置 |
| CN110650052A (zh) * | 2019-09-26 | 2020-01-03 | 科大国创软件股份有限公司 | 一种基于智能算法的客户原因故障识别处理方法及系统 |
| CN111650921A (zh) * | 2020-05-20 | 2020-09-11 | 国网江苏省电力有限公司泰州供电分公司 | 一种智能电网调控控制系统设备故障诊断方法及系统 |
| CN112710923A (zh) * | 2020-12-16 | 2021-04-27 | 中国电建集团华东勘测设计研究院有限公司 | 基于故障后稳态信息的数据驱动单相接地故障选线方法 |
| CN113092934A (zh) * | 2021-03-23 | 2021-07-09 | 武汉大学 | 基于聚类和lstm的单相接地故障判定方法及系统 |
| CN113447766A (zh) * | 2021-08-17 | 2021-09-28 | 广东电网有限责任公司东莞供电局 | 一种高阻接地故障的检测方法、装置、设备和存储介质 |
| CN113625107A (zh) * | 2021-08-02 | 2021-11-09 | 四川轻化工大学 | 一种配电网单相接地故障选线方法 |
-
2021
- 2021-12-03 CN CN202111470868.4A patent/CN114113909A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020076413A (ko) * | 2001-03-28 | 2002-10-11 | 학교법인 성균관대학 | 뉴로퍼지 네트워크를 이용한 전력계통의 고장검출 및 그판별방법 |
| CN109298993A (zh) * | 2017-07-21 | 2019-02-01 | 深圳市中兴微电子技术有限公司 | 一种检测故障的方法、装置及计算机可读存储介质 |
| CN110221178A (zh) * | 2019-06-28 | 2019-09-10 | 国网四川省电力公司电力科学研究院 | 小电流接地系统单相接地故障的故障线选线方法及装置 |
| CN110650052A (zh) * | 2019-09-26 | 2020-01-03 | 科大国创软件股份有限公司 | 一种基于智能算法的客户原因故障识别处理方法及系统 |
| CN111650921A (zh) * | 2020-05-20 | 2020-09-11 | 国网江苏省电力有限公司泰州供电分公司 | 一种智能电网调控控制系统设备故障诊断方法及系统 |
| CN112710923A (zh) * | 2020-12-16 | 2021-04-27 | 中国电建集团华东勘测设计研究院有限公司 | 基于故障后稳态信息的数据驱动单相接地故障选线方法 |
| CN113092934A (zh) * | 2021-03-23 | 2021-07-09 | 武汉大学 | 基于聚类和lstm的单相接地故障判定方法及系统 |
| CN113625107A (zh) * | 2021-08-02 | 2021-11-09 | 四川轻化工大学 | 一种配电网单相接地故障选线方法 |
| CN113447766A (zh) * | 2021-08-17 | 2021-09-28 | 广东电网有限责任公司东莞供电局 | 一种高阻接地故障的检测方法、装置、设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 常宛露;许刚;张丙旭;郑伟彦;俞腾飞;: "基于改进堆叠去噪自编码的接地故障选线方法", 计算机应用与软件, no. 07, 12 July 2020 (2020-07-12), pages 49 - 55 * |
| 饶超平;肖博文;严星;廖方帆;王琦婷;: "基于Seq2Seq技术的输电线路故障类型识别方法", 智慧电力, no. 05, 20 May 2020 (2020-05-20), pages 99 - 105 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117347788A (zh) * | 2023-10-17 | 2024-01-05 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障类别概率预测方法 |
| CN117347788B (zh) * | 2023-10-17 | 2024-06-11 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障类别概率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111721535B (zh) | 一种基于卷积多头自注意力机制的轴承故障检测方法 | |
| CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
| CN101614786B (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
| CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
| CN115327286A (zh) | 一种应用于发电站的变压器监测方法及系统 | |
| CN110726898A (zh) | 一种配电网故障类型识别方法 | |
| CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
| CN112485597A (zh) | 基于多源数据的电力系统输电线路故障诊断方法及系统 | |
| Xi et al. | Online fault diagnosis for photovoltaic arrays based on fisher discrimination dictionary learning for sparse representation | |
| CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
| CN114113909A (zh) | 一种配电网单相接地故障选线方法及系统 | |
| Yan et al. | Deep learning based total transfer capability calculation model | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN106526465A (zh) | 一种基于改进的模糊Petri网络的高压断路器故障智能诊断方法 | |
| 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 | |
| CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
| CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
| Gnetchejo et al. | Faults diagnosis in a photovoltaic system based on multivariate statistical analysis | |
| CN111521905A (zh) | 一种基于多维数据故障度智能融合的电网故障诊断方法 | |
| CN116127354A (zh) | 基于深度学习的高压电缆局部放电故障定位方法及系统 | |
| Hassan et al. | Fault classification of power plants using artificial neural network | |
| CN115184054A (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
| CN113327008A (zh) | 一种基于时序自动编码器的窃电检测方法、系统及介质 | |
| Flavin et al. | Bayesian Ridge Regression Based Model to Predict Fault Location in HVdc Network |
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 |