CN114355100A - 配电网单相弧光接地故障选线方法、系统、设备及介质 - Google Patents
配电网单相弧光接地故障选线方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN114355100A CN114355100A CN202111489175.XA CN202111489175A CN114355100A CN 114355100 A CN114355100 A CN 114355100A CN 202111489175 A CN202111489175 A CN 202111489175A CN 114355100 A CN114355100 A CN 114355100A
- Authority
- CN
- China
- Prior art keywords
- fault
- random forest
- training
- line
- sequence current
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 57
- 238000010187 selection method Methods 0.000 title claims description 20
- 238000007637 random forest analysis Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 43
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000003066 decision tree Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Landscapes
- Locating Faults (AREA)
Abstract
一种配电网单相弧光接地故障选线方法、系统、设备及介质,包括:当发生单相接地故障时,获取配电网各线路的故障前后的零序电流数据;将所述零序电流数据基于预先训练的随机森林故障选线器对所述零序电流数据进行处理,确定故障线路;所述随机森林故障选线器,利用核主成分分析法对故障零序电流信号中的特征信息进行降维后利用随机森林算法进行训练得到,本发明的随机森林算法的选线方法具有训练速度快、选线速度快、选线准确度高的特点,可用于配电网单相弧光接地实时故障选线,有效地选择出发生单相弧光接地故障的馈线。
Description
技术领域
本发明涉及配电网与故障选线领域,具体涉及一种配电网单相弧光接地故障选线方法、系统、设备及介质。
背景技术
在配电网系统中,电弧性接地故障往往占绝大多数,准确地选出故障线路,对提高配电网运行安全性、稳定性具有重要意义。近年的故障选线方法主要有利用注入信号选线、利用稳态量选线和利用暂态量选线。
利用注入信号的方法向发生故障的配电网注入功率或方波进行故障选线,信号发生器设计复杂,并难以应用于高电压等级的场景。利用稳态量选线的主要问题是当中性点非直接接地系统发生单相弧光接地故障时,稳态量幅值较小。尤其在消弧线圈采取过补偿方式接地时,利用稳态量难以区分故障线路与正常线路。而故障后的暂态分量幅值较大,易于检测,蕴含着丰富的时频信息,可通过时频分析方法提取其故障特征,以此区分正常线路和故障线路。但是目前利用暂态电流相关系数进行选线时,由于暂态零序电流常常呈现小幅值特性以及噪声环境对零序电流之间的幅值和极性差异造成削弱,导致暂态变换所选取的特征频带可能为非有效频带,使得相关系数阈值难以确定,故障选线的难度增加。
发明内容
为了解决现有技术中所存在的无法准确选出故障线路问题,本发明提供一种配电网单相弧光接地故障选线方法,包括:
当发生单相接地故障时,获取配电网各线路的故障前后的零序电流数据;
将所述零序电流数据基于预先训练的随机森林故障选线器对所述零序电流数据进行处理,确定故障线路;
所述随机森林故障选线器,利用核主成分分析法对故障零序电流信号中的特征信息进行降维后利用随机森林算法进行训练得到。
优选的,所述随机森林故障选线器的训练包括:
构建故障信息的零序电流样本数据,并确定故障特征集;
对所述故障特征集采用核主成分分析法进行降维得到训练集特征向量集合;
基于所述训练集特征向量集合采用随机森林法进行训练得到随机森林故障选线器。
优选的,所述构建故障信息的零序电流样本数据,包括:
基于配电网结构构建模拟配电网出线拓扑;
依次在模拟配电网出线拓扑中的各线路上设置故障信息,并以一定采样频率,记录故障前后的零序电流波形数据,作为零序电流样本数据。
优选的,所述确定故障特征集包括:
从所有零序电流样本数据中随机选取若干组零序电流样本数据作为训练数据;
基于每组训练数据均利用设定阶数的多贝西小波函数进行多层分解,得到各组训练数据对应的故障特征向量;
基于所有故障特征向量得到故障特征向量矩阵,并将所述故障特征向量矩阵作为故障特征集。
优选的,所述各组训练数据中各出线的各层各节点能量的表达式如下:
式中,Ei,j表示小波包分解后第i层j节点的能量;dj,k(j=0,1,2,···,2i-1;k=1,2,···,N)为节点W(i,j)的第k个小波包分解系数,N为该节点所含的分解系数总个数。
优选的,所述基于所述训练集特征向量集合采用随机森林法进行训练得到随机森林故障选线器,包括:
对所述训练特征向量集合进行重采样,产生多个随机的故障特征集作为训练集;
基于所述训练集采用随机森林法进行训练得到各故障特征集对应的决策树;
基于各故障特征集对应的决策树分别构建各故障特征对应的随机森林故障选线器。
优选的,所述基于所述训练集采用随机森林法进行训练得到各故障特征集对应的决策树,包括:
在所述决策树的每个分支节点选择属性前,从所有样本属性中随机抽取多个属性作为当前节点的分裂属性集;
以所述多个属性中最好的分裂方式对所述节点进行分裂;
所述样本属性为故障特征。
优选的,所述随机森林故障选线器构建完成后还包括:
将预先构建的测试集样本分别输入到各个决策树中进行判别,得到每个决策树的判别结果;
基于随机森林算法对各决策树的判别结果进行分类得到故障特征;
基于所述分类得到故障特征与测试集样本中对应的故障对所述随机森林故障选线器进行验证。
基于同一种发明构思,本发明还提供一种配电网单相弧光接地故障选线系统,包括:
获取模块,用于当发生单相接地故障时,获取配电网各线路的故障前后的零序电流数据;
故障确定模块,用于将所述零序电流数据基于预先训练的随机森林故障选线器对所述零序电流数据进行处理,得到故障线路;
所述随机森林故障选线器,利用核主成分分析法对故障零序电流信号中的特征信息进行降维后利用随机森林算法进行训练得到。
优选的,所述随机森林故障选线器由训练模块得到;所述训练模块包括:
故障特征集构建子模块,用于构建故障信息的零序电流样本数据,并确定故障特征集;
降维子模块,用于对所述故障特征集采用核主成分分析法进行降维得到训练集特征向量集合;
随机训练子模块,用于基于所述训练集特征向量集合采用随机森林法进行训练得到随机森林故障选线器。
基于同一发明构思,本发明还提供一种配电网单相弧光接地故障选线系统,包括:
基于同一发明构思,本发明还提供一种计算机设备,包括:一个或多个处理器;
所述处理器,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,实现如本发明提供的一种配电网单相弧光接地故障选线方法。
基于同一发明构思,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,实现如本发明提供的一种配电网单相弧光接地故障选线方法。
与现有技术相比,本发明的有益效果为:
本发明提出的一种配电网弧光接地故障选线方法及系统,包括:当发生单相接地故障时,获取配电网各线路的故障前后的零序电流数据;将所述零序电流数据基于预先训练的随机森林故障选线器对所述零序电流数据进行处理,确定故障线路;所述随机森林故障选线器,利用核主成分分析法对故障零序电流信号中的特征信息进行降维后利用随机森林算法进行训练得到,本发明的随机森林算法的选线方法具有训练速度快、选线速度快、选线准确度高的特点,可用于配电网单相弧光接地实时故障选线,有效地选择出发生单相弧光接地故障的馈线。
附图说明
图1为本发明的配电网单相弧光接地故障选线方法示意图;
图2为本发明的随机森林故障选线器的训练方法过程图;
图3为本发明的配电网电路拓扑;
图4为本发明的测试样本分类残差;
图5为本发明的测试结果对比图;
图6为本发明的配电网单相弧光接地故障选线系统结构图。
具体实施方式
目前已有基于衰减直流分量解决过零点选线困难的问题,但未考虑对暂态电流起主导作用的高频分量。而近年来,随机森林算法被广泛应用于多分类问题,若以故障线路作为分类目标,把配电网故障选线视为多分类问题,利用随机森林算法对故障特征进行分类,深度挖掘各线路故障特征量的内部关系,具有重要现实意义。
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:
本发明针对配电网中发生弧光接地时的故障选线问题,提出一种配电网单相弧光接地故障选线方法,本方法基于随机森林算法实现对故障线路的选择。本发明采用配电网单相弧光接地时的零序电流作为原始样本数据;使用小波包分解对原始样本数据进行分解,将小波包分解后的各条线路的频带能量串联在一起作为初步故障特征集;使用核主成分分析对小波包分解后获得的初步故障特征集进行降维,形成故障特征集;使用随机森林算法对核主成分分析法获得的故障特征集进行训练,形成随机森林故障选线器;使用随机森林故障选线器可以在配电网发生单相接地故障时实时处理故障数据并控制线路保护装置及时动作,实现故障线路的选择性切除。
本发明提供的一种配电网弧光接地故障选线方法,具体如图1所示,包括:
S1:当发生单相接地故障时,获取配电网各线路的故障前后的零序电流数据;
S2:将所述零序电流数据基于预先训练的随机森林故障选线器对所述零序电流数据进行处理,确定故障线路;
所述随机森林故障选线器,利用核主成分分析法对故障零序电流信号中的特征信息进行降维后利用随机森林算法进行训练得到。
本发明步骤S2中随机森林故障选线器的训练主要包括如下4个步骤,如图2所示:
步骤1:获取样本数据
采用一种配电网四出线拓扑,如图3所示,线路参数为r1=0.17Ω/km,l1=0.38×10-3H/km,c1=9.69×10-9F/km,r0=0.23Ω/km,l0=1.72×10-3H/km,c0=6×10-9F/km。为模拟真实配电网各个线路长短不一的情况,改变线路长度,依次取5、10、15km共3种长度,四条线路轮次更改,故障初始角取0°、30°、60°、90°共4种角度,对4条线路依次设置故障,总共可得到3×3×3×3×4×4=1296组样本。在不同参数下对配电网单相弧光接地故障进行实验,以10kHz的采样频率记录零序电流数据作为样本,不同参数下记录零序电流共1296组样本数据。
步骤2:故障特征提取
由于所述配电网故障线路采样频率设置为10kHz,考虑到时频分辨率和计算量问题,通过3阶Daubechies(db3)小波函数对样本数据进行4层小波包分解,第一层形成2个节点,第二层形成4个节点,第三层形成8个节点,第四层形成16个节点,用W(i,j)(i=0,1,2,3,4;j=0,1,···,15)表示分解树第i层的第j个节点。将发生单相弧光接地故障的前半个周期及后两个周期的波形数据作为原始数据进行小波包分解,每条线路得到一组维数为1×16的特征向量,四条线路所得向量拼在一起得到一组维数为1×64的特征向量作为初步故障特征向量。
本发明中的小波包分解是一种时频域分析方法,一层小波包分解后的两个节点分别代表了原信号中的低频部分与时间的关系及高频部分与时间的关系,第二层分解即将第一层信号的进一步分解为低频、高频两部分,第三层、第四层……亦是如此。时频域分析方法更适合处理含有突变信号的问题,各节点能量作为特征值更容易区分不同种类的信号。
具体步骤为:
(1)对零序电流样本数据进行小波包分解,小波包分解递推公式为
这里k和l都是小波包分解系数的序号,只是因为表示的不是同一个值,所以需要用两个不同的字母表示。
(2)为解决时域分辨率随小波包分解而下降的问题,需要重构小波包分解系数。小波包重构递推公式为
(3)用Ei,j表示小波包分解后第i层j节点的能量:
式中,dj,k(j=0,1,2,···,2i-1;k=1,2,···,N)为节点W(i,j)的小波包分解系数,N为该节点所含的分解系数总个数。则第i层各节点能量为:
E=[Ei,0,Ei,1,···,Ei,2i-1] (4)
则4条出线配电网系统的能量特征矩阵可表示为:
X=[E1,E2,E3,E4] (5)
在1296组样本中随机选取1000组作为训练样本,经4层小波包分解后,每组样本可提取一个64维的故障特征向量,最终得到1000×64维的初步训练集特征向量矩阵。
步骤3:核主成分分析法降维
单相弧光接地故障零序电流数据经小波包分解后得到64维初步故障特征向量,对其进行核主成分分析。
具体方法为:
将故障特征向量{X1,X2,···,XM}做为系统输入,通过非线性函数Φ,将其映射到故障特征空间F,即F由Φ(X1),Φ(X2),···,Φ(XM)生成。当映射已经中心化,即:
故障特征空间中的协方差矩阵为
因此,在故障特征空间中,降维算法(KPCA)即为求解如下特征问题
并且存在参数αr(r=1,2,···,M),使得v由Φ(Xr)(r=1,2,···,M)线性表示,即
合并式(8)和式(9),并定义M×M阶核矩阵K,确定核函数k(X,Y),则其元素为
Kpq=(Φ(Xp)T·Φ(Xq))=k(Xp,Xq) (11)
则式(7)可等价表示为
nλα=Kα (12)
式中,α=[α1,α2,···,αM]T。
设K的特征值为λ1≥λ2≥…≥λM,相应的特征向量为αp(p=1,2,···,M),并设λm是最小的不为零的特征值。由于F中的特征向量需要规范化,即:
(vp)T·vp=1 p=1,2,···,m (13)
因此根据式(10)和式(12)可得
主成分提取的目的就是计算测试样本在特征向量vp(p=1,2,···,M)上的投影。设X是一个测试样本点,在F中的投影为Φ(X),则
当式(6)的假设不成立时,需对映射进行调整,设
定义一个M×M阶矩阵I,其中Ipq=1/M,则
降维后的核主成分对原始故障信息的表征程度可用贡献率Rr来表示:
前S个特征值的累积贡献率R为:
构建参数σ为10000的高斯核函数,在此基础上对初步训练集特征矩阵进行核主成分分析,将累计贡献率阈值设为98%,获得1000×13维的训练集特征向量矩阵。
步骤4:构建随机森林故障选线器
将训练集特征向量矩阵和对应的故障类型作为故障选线器的输入,取随机森林中树的棵树为100棵,对故障选线模型进行训练,生成随机森林故障选线器。
具体步骤为:
(1)通过Bootstrap法(自助法)对经KPCA降维后的1000×13维故障特征集A重采样,产生Q个随机的故障特征集A1,A2,···,AQ。
(2)利用训练集A1,A2,···,AQ,生成对应的决策树C1,C2,···,CQ;在每个分支节点选择属性前,从T(T为样本属性个数)个属性中随机抽取t(t为大于零且小于T的整数)个属性作为当前节点的分裂属性集,并以这t个属性中最好的分裂方式对该节点进行分裂。
(3)根据实时获取的配电网故障时零序电流数据所形成的故障特征集构建测试集样本X,并将测试集样本分别输入到各个决策树中进行判别,得到每个决策树的判别结果。
(4)选取Q个决策树输出结果中的众数作为测试集样本X所属的类别。
对其余的296组测试样本重复步骤2和步骤3,得到测试集特征向量矩阵,输入随机森林故障选线器验证其性能。由本文训练集数据生成的随机森林故障选线器,输入为经KPCA降维后得到的13维故障特征向量,因此需将故障数据经特征提取后所得的初步特征向量与训练集特征向量矩阵共同降维后,再作为输入送到随机森林故障选线器进行选线。随机森林故障选线器选线效果如图4、图5所示。
故障选线器构建完毕后可投入应用,尽量选择与训练时所用的电网结构相似的配电网,配电网系统中的零序电流监测装置在系统发生单相接地故障后,将各线路的故障前后的零序电流数据传输给随机森林故障选线器,故障选线器将实时处理这些数据将故障线路筛选出来,并将结果实时传输给继电保护装置实现线路的有选择性保护。
本发明提供的技术手段使用小波包分析提取故障零序电流信号中的特征信息,使用核主成分分析降维以降低样本数据的复杂程度,使用随机森林算法训练出适用于配电网单相弧光接地故障的故障选线器。利用本发明提供的一种基于随机森林算法的选线方法可以实现当配电网发生单相弧光接地时,能及时准确地选出故障线路,为接下来的故障保护及故障修复提供条件,以维护配电网地安全、稳定运行。因此本发明提供的技术方案在配电网单相弧光接地的故障选线方面具有现实意义。
实施例2:
基于同一发明构思,本发明还提供一种配电网单相弧光接地故障选线系统,如图6所示,包括:
获取模块,用于当发生单相接地故障时,获取配电网各线路的故障前后的零序电流数据;
故障确定模块,用于将所述零序电流数据基于预先训练的随机森林故障选线器对所述零序电流数据进行处理,得到故障线路;
所述随机森林故障选线器,利用核主成分分析法对故障零序电流信号中的特征信息进行降维后利用随机森林算法进行训练得到。
本发明中随机森林故障选线器由训练模块得到;所述训练模块包括:
故障特征集构建子模块,用于构建故障信息的零序电流样本数据,并确定故障特征集;
降维子模块,用于对所述故障特征集采用核主成分分析法进行降维得到训练集特征向量集合;
随机训练子模块,用于基于所述训练集特征向量集合采用随机森林法进行训练得到随机森林故障选线器。
本实施例中的各功能模块是为了实现本发明所提供的配电网单相弧光接地故障选线方法,具体参见实施例1,这里不再赘述。
实施例3
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于一种配电网单相弧光接地故障选线方法的步骤,这里配电网单相弧光接地故障选线方法的步骤具体可以参照实施例1。
实施例4
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中一种配电网单相弧光接地故障选线方法的步骤。
显然,所描述的实施例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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
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。
以上仅为本发明的实施例而已,并不用于限制本发明,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,均包含在申请待批的本发明的权利要求范围之内。
Claims (12)
1.一种配电网单相弧光接地故障选线方法,其特征在于,包括:
当发生单相接地故障时,获取配电网各线路的故障前后的零序电流数据;
将所述零序电流数据基于预先训练的随机森林故障选线器对所述零序电流数据进行处理,确定故障线路;
所述随机森林故障选线器,利用核主成分分析法对故障零序电流信号中的特征信息进行降维后利用随机森林算法进行训练得到。
2.如权利要求1所述的选线方法,其特征在于,所述随机森林故障选线器的训练包括:
构建故障信息的零序电流样本数据,并确定故障特征集;
对所述故障特征集采用核主成分分析法进行降维得到训练集特征向量集合;
基于所述训练集特征向量集合采用随机森林法进行训练得到随机森林故障选线器。
3.如权利要求2所述的选线方法,其特征在于,所述构建故障信息的零序电流样本数据,包括:
基于配电网结构构建模拟配电网出线拓扑;
依次在模拟配电网出线拓扑中的各线路上设置故障信息,并以一定采样频率,记录故障前后的零序电流波形数据,作为零序电流样本数据。
4.如权利要求2所述的选线方法,其特征在于,所述确定故障特征集包括:
从所有零序电流样本数据中随机选取若干组零序电流样本数据作为训练数据;
基于每组训练数据均利用设定阶数的多贝西小波函数进行多层分解,得到各组训练数据对应的故障特征向量;
基于所有故障特征向量得到故障特征向量矩阵,并将所述故障特征向量矩阵作为故障特征集。
6.如权利要求2所述的选线方法,其特征在于,所述基于所述训练集特征向量集合采用随机森林法进行训练得到随机森林故障选线器,包括:
对所述训练特征向量集合进行重采样,产生多个随机的故障特征集作为训练集;
基于所述训练集采用随机森林法进行训练得到各故障特征集对应的决策树;
基于各故障特征集对应的决策树分别构建各故障特征对应的随机森林故障选线器。
7.如权利要求6所述的选线方法,其特征在于,所述基于所述训练集采用随机森林法进行训练得到各故障特征集对应的决策树,包括:
在所述决策树的每个分支节点选择属性前,从所有样本属性中随机抽取多个属性作为当前节点的分裂属性集;
以所述多个属性中最好的分裂方式对所述节点进行分裂;
所述样本属性为故障特征。
8.如权利要求6所述的选线方法,其特征在于,所述随机森林故障选线器构建完成后还包括:
将预先构建的测试集样本分别输入到各个决策树中进行判别,得到每个决策树的判别结果;
基于随机森林算法对各决策树的判别结果进行分类得到故障特征;
基于所述分类得到故障特征与测试集样本中对应的故障对所述随机森林故障选线器进行验证。
9.一种配电网单相弧光接地故障选线系统,其特征在于,包括:
获取模块,用于当发生单相接地故障时,获取配电网各线路的故障前后的零序电流数据;
故障确定模块,用于将所述零序电流数据基于预先训练的随机森林故障选线器对所述零序电流数据进行处理,得到故障线路;
所述随机森林故障选线器,利用核主成分分析法对故障零序电流信号中的特征信息进行降维后利用随机森林算法进行训练得到。
10.如权利要求9所述的选线系统,其特征在于,所述随机森林故障选线器由训练模块得到;所述训练模块包括:
故障特征集构建子模块,用于构建故障信息的零序电流样本数据,并确定故障特征集;
降维子模块,用于对所述故障特征集采用核主成分分析法进行降维得到训练集特征向量集合;
随机训练子模块,用于基于所述训练集特征向量集合采用随机森林法进行训练得到随机森林故障选线器。
11.一种计算机设备,其特征在于,包括:一个或多个处理器;
所述处理器,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中任一所述的选线方法。
12.一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中任一所述的选线方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111489175.XA CN114355100A (zh) | 2021-12-08 | 2021-12-08 | 配电网单相弧光接地故障选线方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111489175.XA CN114355100A (zh) | 2021-12-08 | 2021-12-08 | 配电网单相弧光接地故障选线方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114355100A true CN114355100A (zh) | 2022-04-15 |
Family
ID=81097670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111489175.XA Pending CN114355100A (zh) | 2021-12-08 | 2021-12-08 | 配电网单相弧光接地故障选线方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355100A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114764599A (zh) * | 2022-04-26 | 2022-07-19 | 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灵敏度分析方法和系统 |
CN117706278A (zh) * | 2024-02-04 | 2024-03-15 | 昆明理工大学 | 配电网的故障选线方法、系统以及可读存储介质 |
CN117706278B (zh) * | 2024-02-04 | 2024-06-07 | 昆明理工大学 | 配电网的故障选线方法、系统以及可读存储介质 |
-
2021
- 2021-12-08 CN CN202111489175.XA patent/CN114355100A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114764599A (zh) * | 2022-04-26 | 2022-07-19 | 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灵敏度分析方法和系统 |
CN117706278A (zh) * | 2024-02-04 | 2024-03-15 | 昆明理工大学 | 配电网的故障选线方法、系统以及可读存储介质 |
CN117706278B (zh) * | 2024-02-04 | 2024-06-07 | 昆明理工大学 | 配电网的故障选线方法、系统以及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845010B (zh) | 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法 | |
Perera et al. | Recognition of fault transients using a probabilistic neural-network classifier | |
Gowrishankar et al. | Transmission line fault detection and classification using discrete wavelet transform and artificial neural network | |
CN112748359A (zh) | 一种基于随机森林的配电网接地故障辨识方法及系统 | |
Cheng et al. | Fault line selection of distribution network based on modified CEEMDAN and GoogLeNet neural network | |
CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
CN114355100A (zh) | 配电网单相弧光接地故障选线方法、系统、设备及介质 | |
Ekici et al. | Comparison of different regression models to estimate fault location on hybrid power systems | |
CN112486137A (zh) | 有源配电网故障特征库构建方法、系统及故障诊断方法 | |
CN108089100A (zh) | 小电流接地系统弧光电阻接地故障的检测方法 | |
CN113076892A (zh) | 一种基于深度学习sdae-bp的暂降类型识别方法、装置和系统 | |
CN113092933A (zh) | 一种基于lstm的单相接地故障选线方法及系统 | |
Sendilkumar et al. | Differential protection for power transformer using wavelet transform and PNN | |
Alshumayri et al. | Distribution grid fault diagnostic employing Hilbert-Huang transform and neural networks | |
CN116031828A (zh) | 基于小波变换与随机森林算法的10kV电缆早期故障辨识方法 | |
bin Sulaiman et al. | Using probabilistic neural network for classification high impedance faults on power distribution feeders | |
CN114062832A (zh) | 一种配电网短路故障类型的识别方法及系统 | |
Dong et al. | Partial Discharge Data Augmentation and Pattern Recognition for Unbalanced and Small Sample Scenarios | |
Lopes et al. | Harmonic selection-based analysis for high impedance fault location using Stockwell transform and random forest | |
CN111027587A (zh) | 一种交直流电网运行数据的属性标定方法及系统 | |
Baqui et al. | High impedance faults detection in power distribution system by combination of artificial neural network and wavelet transform | |
Zheng et al. | Networked synthetic dynamic PMU data generation: A generative adversarial network approach | |
CN117314883B (zh) | 基于EWT和VGGNet的配电网故障选线方法及系统 | |
CN115407162B (zh) | 一种基于稀疏表示的小电流接地故障选线方法及系统 | |
Fard et al. | Synchronous generator model identification using Volterra series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |