CN114184883A - 一种基于配电网故障仿真的配网故障检测精度计算方法 - Google Patents

Abstract

本发明公开了一种基于配电网故障仿真的配网故障检测精度计算方法，包括：利用仿真数据构建配电网故障仿真模型；根据所述配电网故障仿真模型，利用基于孪生时序图网络对故障进行实时判别；根据判别结果与输入的仿真故障数据进行比对，输出比对成功率，完成配网故障检测精度的计算。小样本学习是配电网早期故障辨识中的关键问题，除了搭建实际波形数据库外，合理使用仿真数据，能够提高故障辨识准确率，利用仿真数据和少量实际数据先对初步判断，再针对性地核实分类结果，之后将核实后的结果加入数据库，大大提高了配电网的自动化和智能化程度。

Description

一种基于配电网故障仿真的配网故障检测精度计算方法

技术领域

本发明涉及配电网故障检测的技术领域，尤其涉及一种基于配电网故障仿真的配网故障检测精度计算方法。

背景技术

配电网早期故障诊断方法研究一般分为两类：基于机理的物理模型和基于数据的数学模型。前者主要通过搭建故障线路的电路模型进行辨识，例如：首先利用模态分析获得故障波形的主模态，然后利用主模态搭建线路暂态电路；推导了电弧故障模型和非电弧故障模型，并基于这两种电路模型给出了电弧故障识别算法。后者主要通过数据推导波形和事件类别之间的数学关系，例如：提出了基于小波分解的线路早期故障判据；提出了类人概念学习算法，即仿照人类认知分解波形，并计算分解结果属于各事件类型的概率。上述两类研究其实都存在一定的局限性，前者受网架结构复杂性和电弧随机性的影响较大，后者受样本量限制需要降低模型的数据依赖性。

尽管现场实际运行数据很难收集，仿真数据易于获得且能够覆盖配电网各种运行环境，但两者之间的差异使得基于仿真数据训练的模型在现场实际应用中表现不佳，如何利用仿真数据帮助模型学习通用特征使得其同样适用实际数据，成为解决配电网故障辨识这一小样本问题的关键。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现场实际运行数据很难收集，现有故障辨识技术都存在一定的局限性。

为解决上述技术问题，本发明提供如下技术方案：利用仿真数据构建配电网故障仿真模型；根据所述配电网故障仿真模型，利用基于孪生时序图网络对故障进行实时判别；根据判别结果与输入的仿真故障数据进行比对，输出比对成功率，完成配网故障检测精度的计算。

作为本发明所述的基于配电网故障仿真的配网故障检测精度计算方法的一种优选方案，其中：所述仿真数据包括，故障起始角：取值范围为0～360；故障距离：故障位置与所在区域的长度之比取值范围为0～1；故障电弧参数；负载参数：有功功率和无功功率变化倍数取值范围为0.8～1.2；线路参数：单位长度电阻、电感和电容变化倍数取值范围为0.8～1.2。

作为本发明所述的基于配电网故障仿真的配网故障检测精度计算方法的一种优选方案，其中：所述故障电弧参数包括，采用Kizilcay电弧模型，即：

其中，g(t)为电弧电导，i_f(t)为电弧电流，u_f(t)为电弧电压，τ为电弧时间常数，r_o为电弧特征电阻，u_o为电弧特征电压，上述参数取值范围如下：τ＝0.2～0.4ms，u_o＝300～4000V，r_o＝0.01～0.015Ω。

作为本发明所述的基于配电网故障仿真的配网故障检测精度计算方法的一种优选方案，其中：所述基于孪生时序图网络对故障进行实时判别包括，将配电网仿真运行数据转化为波形数据；将所述波形数据转化为时序图网络格式；利用定义的时序图网络卷积进行特征提取和映射；在特征空间比较两组特征向量的相似性，判断两组输入波形是否属于同一类别，根据所述判断结果进行故障判别。

作为本发明所述的基于配电网故障仿真的配网故障检测精度计算方法的一种优选方案，其中：还包括，定义单个周期的图卷积网络：

以f_in表示通道数为c的输入特征，经过尺寸为K×K的卷积核，位置x处的单通道输出特征f_out可表示为：

其中，利用采样函数P获得位置x周围h×w范围的特征值，权重W与采样得到的c维向量作内积获得输出结果，同时权重W与位置x无关。

作为本发明所述的基于配电网故障仿真的配网故障检测精度计算方法的一种优选方案，其中：还包括，定义多个周期的图卷积网络：

其中，Γ为时序卷积核尺度。

作为本发明所述的基于配电网故障仿真的配网故障检测精度计算方法的一种优选方案，其中：所述孪生时序图网络的误差函数为：

其中，N为样本数，d＝|f₁-f₂|为两个特征向量之间的欧氏距离，指示变量y(f₁,f₂)在特征向量f₁和f₂属于同一类时等于1，否则等于0，m为不同类样本之间的距离阈值，即当两个不同类样本的特征向量距离超过m时损失为0，否则损失为(m-d)²。

作为本发明所述的基于配电网故障仿真的配网故障检测精度计算方法的一种优选方案，其中：利用所述孪生时序图网络直接预测输入类别，对于未知类别输入w_x，计算其特征向量f_x到每个类别的平均距离，将其归为最近距离类别：

其中，n_i表示类别i中已知样本数量，k为w_x的类别预测结果。

作为本发明所述的基于配电网故障仿真的配网故障检测精度计算方法的一种优选方案，其中：根据判别结果与输入的仿真故障数据进行比对包括，定义每种仿真故障数据都有其唯一的编码；将判别结果转化为相应的故障编码，并将所述故障编码与所述仿真输入故障编码进行匹配；若匹配成功，则故障检测准确。

本发明的有益效果：小样本学习是配电网早期故障辨识中的关键问题，除了搭建实际波形数据库外，合理使用仿真数据，能够提高故障辨识准确率，利用仿真数据和少量实际数据先对初步判断，再针对性地核实分类结果，之后将核实后的结果加入数据库，大大提高了配电网的自动化和智能化程度。

附图说明

为了更清楚地说明本发明实施例的技术方案，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些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种基于配电网故障仿真的配网故障检测精度计算方法的时序图网络构建示意图；

图2为本发明一个实施例提供的一种基于配电网故障仿真的配网故障检测精度计算方法的孪生时序图网络结构示意图；

图3为本发明一个实施例提供的一种基于配电网故障仿真的配网故障检测精度计算方法的单相单次燃弧单周波故障示意图；

图4为本发明一个实施例提供的一种基于配电网故障仿真的配网故障检测精度计算方法的单相单次燃弧多周波故障示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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，仅是为了便于描述本发明和简化描述，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、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～2，为本发明的一个实施例，提供了一种基于配电网故障仿真的配网故障检测精度计算方法，包括：

S1：利用仿真数据构建配电网故障仿真模型。

需要说明的是，仿真数据包括：

故障起始角：取值范围为0～360；

故障距离：故障位置与所在区域的长度之比取值范围为0～1；

故障电弧参数；

负载参数：有功功率和无功功率变化倍数取值范围为0.8～1.2；

线路参数：单位长度电阻、电感和电容变化倍数取值范围为0.8～1.2。

进一步的，故障电弧参数包括：

采用Kizilcay电弧模型，即：

其中，g(t)为电弧电导，i_f(t)为电弧电流，u_f(t)为电弧电压，τ为电弧时间常数，r_o为电弧特征电阻，u_o为电弧特征电压，上述参数取值范围如下：τ＝0.2～0.4ms，u_o＝300～4000V，r_o＝0.01～0.015Ω。

S2：根据配电网故障仿真模型，利用基于孪生时序图网络对故障进行实时判别。

需要说明的是，基于孪生时序图网络对故障进行实时判别包括：

将配电网仿真运行数据转化为波形数据；

将波形数据转化为时序图网络格式；

利用定义的时序图网络卷积进行特征提取和映射；

在特征空间比较两组特征向量的相似性，判断两组输入波形是否属于同一类别，根据判断结果进行故障判别。

其中，波形序列由每个周期的波形组成，本实施例用时序图网络(temporalgraph)来层次化描述这一序列。即对于周期内采样长度为N，周期数为T的波形序列，采用无向时序图G＝(V,E)描述同一周期内不同采样点之间和同一采样点不同周期之间的联系。在这一图网络中，顶点集V＝{v_ti|t＝1,…,T,i＝1,…,N}包含波形序列中的所有点，对于每个顶点，其特征向量F(v_ti)为此刻的波形幅值，时序图网络构建方式如图1所示：首先依次连接同周期内的所有采样点，然后依次连接不同周期下的同一采样点，这一结构设计完全基于波形采样点间的关系，并且适用于不同采样频率、周期数的波形序列。边集E包含两类子集，即周期内不同点之间的连接E_S＝{v_tiv_t(i+1)}和同一点的不同周期间的连接E_F＝{v_tiv_(t+1)i}，E_F本质为同一个点在不同周期间的变化情况。

进一步的，首先讨论单个周期的图卷积网络，即对于周期τ，图网络中存在N个顶点，顶点间的连接为边集合E_S(τ)＝{v_τiv_τ(i+1)}，对于二维矩阵的卷积操作，通过选取合适的步长和填充方式，可以不改变特征图大小，即输出特征和输入特征的尺寸相等，以f_in表示通道数为c的输入特征，经过尺寸为K×K的卷积核，位置x处的单通道输出特征f_out可表示为：

其中，利用采样函数P获得位置x周围h×w范围的特征值，权重W与采样得到的c维向量作内积获得输出结果，同时权重W与位置x无关，即权重在不同位置共享，这是卷积操作的核心特征。

因此二维矩阵卷积扩展到图网络卷积可以从采样函数和权重矩阵两方面入手。首先是采样函数，参考二维矩阵中相邻位置的定义，可以定义图网络中的相邻节点B(v_ti)＝{v_tj|d(v_tj,v_ti)＜D}，即v_ti的相邻节点是与其距离不超过D的节点v_tj，采样函数P可写为，其中最佳D值在实验中可通过交叉验证获得：

P(v_ti,D)＝v_tj

权重矩阵W的定义关键在于如何使其通用化，相比于二维矩阵，图网络中不同节点的相邻节点数并不一致，如何实现权重共享成为设计难点，本发明采用分组策略，即将集合B(v_ti)分为固定的K个组，组内元素权重一致，可写为：

W(v_ti,v_tj)＝W′(l_ti(v_tj))

其中，W′∈R^K为分组后的权重向量，l_ti(v_tj)为分组函数，即将v_tj划分到K组中的其中一组，而这K组共同组成了v_ti的相邻节点集合。

结合上述两点可以获得图网络卷积方程：

其中，Z_ti(v_tj)为正则项，是与v_tj划分为同一组的点的个数，其作用为平衡不同个数的分组情况，即：

Z_ti(v_tj)＝|{v_tk|l_ti(v_tk)＝l_ti(v_tj)}|

结合式P(v_ti,D)＝v_tj和式W(v_ti,v_tj)＝W′(l_ti(v_tj))，上式最终写为：

可以注意到，如果将二维矩阵写作图网络的形式，式f_out(v_ti)可推导出式f_out(x)。

上述内容完成了单个周期的图网络卷积定义，下面讨论多个周期的情况，即时序图网络卷积，由于时序图网络相比于图网络增加了不同周期间采样点的连接，因此相邻节点除了考虑同周期内节点外，还需增加不同周期间节点，即：

其中，Γ为时序卷积核尺度，控制相邻节点与中心节点的周期差异，此时的采样函数P将采集不同周期间的相邻节点。

进一步的，权重矩阵W在时序图网络中的扩展较为简单，单个周期内相邻节点被分为K组，每组对应一个权重值，即W′∈R^K，现在有Γ个周期，只需增加权重矩阵维度W′∈R^K×Γ，以及修改分组函数：

其中，v_tj为v_qj在周期t内的对应点，l_ti(v_tj)为单周期分组函数。

相比于其他模型，孪生网络受样本数量以及错误样本影响较小，适用于小样本学习，且其内部特征提取网络可以更换为任意类型，具有很强的通用性，本实施例即将内部特征提取网络更换为时序图网络。孪生网络的设计目的在于比较两个输入变量之间的相似性，并通过最大化同类别特征向量的相似性来不断优化特征提取网络。图2展示了孪生时序图网络的结构，即两组原始波形首先分别构建各自的时序图网络，然后利用时序图网络卷积获得两组特征向量，最后通过计算这两组特征向量之间的相似度判断两组输入波形属于同类别的概率，需要注意的是，两个时序图卷积网络权值共享。不难看出，两组原始波形提取出的特征越相似，其属于同一类别的概率越大。

孪生网络的误差函数选择对比误差(contrastive loss)，其核心思想是在特征空间中，减小同类样本之间的距离，增大不同类样本之间的距离，其计算公式为：

其中，N为样本数，d＝|f₁-f₂|为两个特征向量之间的欧氏距离，指示变量y(f₁,f₂)在特征向量f₁和f₂属于同一类时等于1，否则等于0，m为不同类样本之间的距离阈值，即当两个不同类样本的特征向量距离超过m时损失为0，否则损失为(m-d)²。

根据这一阈值也可以判断两组输入是否属于同类别，即在特征空间中，两组特征向量间距离未超过阈值m时属于同一类别，否则属于不同类别，即若特征向量的欧式距离小，则表示网络映射下同一类别的事件。

除了判断两组输入是否属于同一类别，孪生网络也可以直接预测输入类别，对于未知类别输入w_x，计算其特征向量f_x到每个类别的平均距离，将其归为最近距离类别即可：

其中，n_i表示类别i中已知样本数量，k为w_x的类别预测结果。

S3：根据判别结果与输入的仿真故障数据进行比对，输出比对成功率，完成配网故障检测精度的计算。

需要说明的是，根据判别结果与输入的仿真故障数据进行比对包括：

定义每种仿真故障数据都有其唯一的编码；

将判别结果转化为相应的故障编码，并将故障编码与仿真输入故障编码进行匹配；

若匹配成功，则故障检测准确。

其中，所使用的匹配算法为欧式距离方法。

实施例2

参照图3～4为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了一种基于配电网故障仿真的配网故障检测精度计算方法的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行测试，以科学论证的手段验证本方法所具有的真实效果。

图3～4给出了部分仿真结果：图3为单相单周波早期故障的电压电流波形，期间电弧燃烧一次后熄灭；图4为单相多周波早期故障的电压电流波形，期间电弧燃烧一次后熄灭，所有波形都在母线测量点处采集，可以看到，仿真结果与实际故障波形接近，且考虑了故障相数、故障持续时间、电弧燃烧与熄灭次数等一系列实际因素，为实验验证阶段提供了充分的数据基础。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于配电网故障仿真的配网故障检测精度计算方法，其特征在于，包括：

利用仿真数据构建配电网故障仿真模型；

根据所述配电网故障仿真模型，利用基于孪生时序图网络对故障进行实时判别；

根据判别结果与输入的仿真故障数据进行比对，输出比对成功率，完成配网故障检测精度的计算。

2.如权利要求1所述的基于配电网故障仿真的配网故障检测精度计算方法，其特征在于：所述仿真数据包括，

故障起始角：取值范围为0～360；

故障距离：故障位置与所在区域的长度之比取值范围为0～1；

故障电弧参数；

负载参数：有功功率和无功功率变化倍数取值范围为0.8～1.2；

线路参数：单位长度电阻、电感和电容变化倍数取值范围为0.8～1.2。

3.如权利要求2所述的基于配电网故障仿真的配网故障检测精度计算方法，其特征在于：所述故障电弧参数包括，

采用Kizilcay电弧模型，即：

其中，g(t)为电弧电导，i_f(t)为电弧电流，u_f(t)为电弧电压，τ为电弧时间常数，r_o为电弧特征电阻，u_o为电弧特征电压，上述参数取值范围如下：τ＝0.2～0.4ms，u_o＝300～4000V，r_o＝0.01～0.015Ω。

4.如权利要求1所述的基于配电网故障仿真的配网故障检测精度计算方法，其特征在于：所述基于孪生时序图网络对故障进行实时判别包括，

将配电网仿真运行数据转化为波形数据；

将所述波形数据转化为时序图网络格式；

利用定义的时序图网络卷积进行特征提取和映射；

在特征空间比较两组特征向量的相似性，判断两组输入波形是否属于同一类别，根据所述判断结果进行故障判别。

5.如权利要求4所述的基于配电网故障仿真的配网故障检测精度计算方法，其特征在于：还包括，

定义单个周期的图卷积网络：

以f_in表示通道数为c的输入特征，经过尺寸为K×K的卷积核，位置x处的单通道输出特征f_out可表示为：

其中，利用采样函数P获得位置x周围h×w范围的特征值，权重W与采样得到的c维向量作内积获得输出结果，同时权重W与位置x无关。

6.如权利要求4所述的基于配电网故障仿真的配网故障检测精度计算方法，其特征在于：还包括，

定义多个周期的图卷积网络：

其中，Γ为时序卷积核尺度。

7.如权利要求4～6任一所述的基于配电网故障仿真的配网故障检测精度计算方法，其特征在于：所述孪生时序图网络的误差函数为：

其中，N为样本数，d＝|f₁-f₂|为两个特征向量之间的欧氏距离，指示变量y(f₁,f₂)在特征向量f₁和f₂属于同一类时等于1，否则等于0，m为不同类样本之间的距离阈值，即当两个不同类样本的特征向量距离超过m时损失为0，否则损失为(m-d)²。

8.如权利要求7所述的基于配电网故障仿真的配网故障检测精度计算方法，其特征在于：利用所述孪生时序图网络直接预测输入类别，对于未知类别输入w_x，计算其特征向量f_x到每个类别的平均距离，将其归为最近距离类别：

其中，n_i表示类别i中已知样本数量，k为w_x的类别预测结果。

9.如权利要求1所述的基于配电网故障仿真的配网故障检测精度计算方法，其特征在于：根据判别结果与输入的仿真故障数据进行比对包括，

定义每种仿真故障数据都有其唯一的编码；

将判别结果转化为相应的故障编码，并将所述故障编码与所述仿真输入故障编码进行匹配；

若匹配成功，则故障检测准确。

Images