CN114636900B - 一种配电网多重故障诊断方法 - Google Patents

一种配电网多重故障诊断方法 Download PDF

Info

Publication number
CN114636900B
CN114636900B CN202210506365.6A CN202210506365A CN114636900B CN 114636900 B CN114636900 B CN 114636900B CN 202210506365 A CN202210506365 A CN 202210506365A CN 114636900 B CN114636900 B CN 114636900B
Authority
CN
China
Prior art keywords
fault
line
current
branch
sampling
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.)
Active
Application number
CN202210506365.6A
Other languages
English (en)
Other versions
CN114636900A (zh
Inventor
罗金满
邹钟璐
翟柱新
刘飘
余凌
姚子汭
高承芳
邓雄荣
刘卓贤
刘丽媛
叶思淇
周彦吉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202210506365.6A priority Critical patent/CN114636900B/zh
Publication of CN114636900A publication Critical patent/CN114636900A/zh
Application granted granted Critical
Publication of CN114636900B publication Critical patent/CN114636900B/zh
Priority to PCT/CN2022/133889 priority patent/WO2023216553A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01R31/088—Aspects of digital computing
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Locating Faults (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种配电网多重故障诊断方法，所述方法包括：S1、利用MATLAB平台对配电网线路进行短路故障分析，得出基于电气量的故障信息决策表；S2、利用Simulink平台对故障信息决策表进行建模仿真；S3、采用小波变换法对神经网络的输出训练数据进行去噪、采集处理，形成相关故障信息决策表作为神经网络的训练样本；S4、采用改进的Artificial Tree智能优化算法优化神经网络的权值和阈值，选择部分数据作为故障数据将训练好的神经网络用来检测故障，不仅能提高电网故障诊断准确性与可靠性，还可在故障信息存在误动时对故障进行检测，从而达到定位电网故障区域的效果，有效增强了电网故障检测的能力。

Description

一种配电网多重故障诊断方法
技术领域
本发明涉及配电网故障诊断技术领域，具体涉及一种配电网多重故障诊断方法。
背景技术
当今时代，电力能源已成为人类生活中不可缺少的重要资源，在电网运行时一旦出现故障将会给社会生产和人民生活带来巨大的损失，因此当电网发生故障时，应采取必要的措施，快速准确地定位故障发生的区域，找出具体的故障线路，提高电网故障后恢复供电的速度和检测精度。
现有的配电网故障检测系统还存在一下缺陷：
（1）实际配电网中的采集信号装置和其他保护装置容易受到人为或者各种电磁设备之间产生的相互影响，使得配电网中存在着很多不确定因素，现有的故障检测方法针对线路动态变化时，无法及时对故障定位检测，在故障信息存在误动信息的情况下，容错能力较差。
（2）目前针对故障检测的拓扑结构规划完成后，当遇到实际电网的结构和相关保护器件发生改变之后，将很难对网络的拓扑结构进行改变，而是需要重新进行设计，在实际操作中会变得非常繁琐。
发明内容
本发明的目的在于提供一种配电网多重故障诊断方法，以解决现有技术中针对线路动态变化时，无法及时对故障定位检测，在故障信息存在误动信息的情况下，容错能力较差，拓扑结构规划繁琐的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种配电网多重故障诊断方法，包括以下步骤：
步骤S1、利用MATLAB平台对所述配电网线路进行短路故障分析，得出基于电气量的故障信息决策表；
步骤S2、利用Simulink平台对所述基于电气量的故障信息决策表进行建模仿真，获取配电网线路神经网络的输出训练数据；
步骤S3、采用小波变换法对所述神经网络的输出训练数据进行去噪、采集处理，形成相关故障信息决策表作为神经网络的训练样本；
步骤S4、采用改进的Artificial Tree 智能优化算法优化神经网络的权值和阈值，通过迭代达到相关误差精度的要求，选择部分数据作为故障数据并利用训练好的神经网络来检测故障。
作为本发明的一种优选方案，所述步骤S1中，所述MATLAB平台采集配电网线路发生小电流接地短路故障后产生的零序电流、零序功率和零序导纳信号，基于这三种信息形成基于电气量的故障信息决策表。
作为本发明的一种优选方案，依据所述零序电流、零序功率和零序导纳信号用离散采样时间和连续采样时间相混合的采样模式进行故障分析，具体步骤如下：
步骤S201、在每条线路两个终端中的一个终端上采样并存储正负极零序电流；
步骤S202、选择固定长度的时间窗内的采样电流作为线路参考电流，对动态采样电流与线路参考电流进行比较，使用改进Pearson方法实时求解二者的相关系数大小；
步骤S203、设定相关系数阈值，判断相关系数与所述设定阈值的大小，并输出故障所在线路及故障类型。
作为本发明的一种优选方案，所述步骤S1中，所述改进Pearson方法采用线路相关系数的累加值进行故障检测的相关系数分析，所述改进Pearson方法具体步骤如下：
步骤S2021、定义具有固定长度的时间窗内可移动窗口值
Figure 223202DEST_PATH_IMAGE001
、
Figure 327293DEST_PATH_IMAGE002
，所述
Figure 107030DEST_PATH_IMAGE003
、
Figure 502239DEST_PATH_IMAGE004
窗口的末端固定时刻分别为
Figure 254295DEST_PATH_IMAGE005
，
Figure 76757DEST_PATH_IMAGE006
，将所述
Figure 343791DEST_PATH_IMAGE007
中的采样电流与稳态参考电流进行比较，检测直流微电网的故障，所述
Figure 729641DEST_PATH_IMAGE008
和
Figure 398520DEST_PATH_IMAGE004
的关系式为：
Figure 391884DEST_PATH_IMAGE009
其中
Figure 83896DEST_PATH_IMAGE010
为线路电流的采样频率，
Figure 820908DEST_PATH_IMAGE011
为采样点的数量，
Figure 344294DEST_PATH_IMAGE012
从故障发生时刻
Figure 964018DEST_PATH_IMAGE013
到故障被检测到时刻
Figure 205644DEST_PATH_IMAGE014
之间的时长；
步骤S2022、采用线路相关系数的累加值进行故障检测的相关系数分析，将稳态参考电流曲线和采样电流曲线的第
Figure 480767DEST_PATH_IMAGE015
个对比值可分别表示为
Figure 61921DEST_PATH_IMAGE016
、
Figure 397088DEST_PATH_IMAGE017
：
Figure 126009DEST_PATH_IMAGE018
其中
Figure 204824DEST_PATH_IMAGE019
为第
Figure 702801DEST_PATH_IMAGE020
个暂态线路电流，
Figure 474448DEST_PATH_IMAGE021
为第
Figure 612037DEST_PATH_IMAGE020
个采样线路电流；
步骤S2023、引入调整因子
Figure 494543DEST_PATH_IMAGE022
优化Pearson相关系数调整因子
Figure 847027DEST_PATH_IMAGE023
表达式为：
Figure 789575DEST_PATH_IMAGE024
其中，
Figure 227509DEST_PATH_IMAGE025
为数学常数，表示为自然对数的底数，
Figure 648126DEST_PATH_IMAGE026
为两条曲线所对比点的总数；
步骤S2024、依据所述调整因子
Figure 58379DEST_PATH_IMAGE027
优化相关系数
Figure 171829DEST_PATH_IMAGE028
，所述相关系数
Figure 97059DEST_PATH_IMAGE028
的表达式为：
Figure 321367DEST_PATH_IMAGE029
Figure 382864DEST_PATH_IMAGE030
Figure 854166DEST_PATH_IMAGE031
Figure 266692DEST_PATH_IMAGE032
其中，
Figure 294691DEST_PATH_IMAGE033
表示皮尔逊相关系数，
Figure 476274DEST_PATH_IMAGE034
表示稳态参考电流均值，
Figure 665947DEST_PATH_IMAGE035
表示采样电流曲线均值，根据
Figure 565770DEST_PATH_IMAGE034
、
Figure 69563DEST_PATH_IMAGE035
与实际值的相关性求解皮尔逊相关系数
Figure 371232DEST_PATH_IMAGE033
。
作为本发明的一种优选方案，所述步骤S2中，依据所述故障分析获取故障位置和故障电阻通过Simulink平台构建模型输出训练数据，采用小波变换法处理训练数据。
作为本发明的一种优选方案，所述小波变换法处理训练数据具体步骤为：
步骤S301、对含噪声的训练数据信号
Figure 731806DEST_PATH_IMAGE036
作小波变换，获取一组小波分解系数；
步骤S302、采样软阈值函数对得到的小波分解系数进行阈值处理，得到一组估计小波系数，所述软阈值函数
Figure 118925DEST_PATH_IMAGE037
表达式为：
Figure 488726DEST_PATH_IMAGE038
Figure 566273DEST_PATH_IMAGE039
其中，
Figure 363327DEST_PATH_IMAGE040
为符号函数，
Figure 972163DEST_PATH_IMAGE041
为小波系数，
Figure 145656DEST_PATH_IMAGE042
为阈值，
Figure 156337DEST_PATH_IMAGE043
为噪声强度，
Figure 61976DEST_PATH_IMAGE044
为信号长度，
Figure 158108DEST_PATH_IMAGE045
为幅值因子，
Figure 869712DEST_PATH_IMAGE046
、
Figure 734900DEST_PATH_IMAGE047
为调节因子；
步骤S303、通过调节
Figure 873757DEST_PATH_IMAGE048
使得在阈值点
Figure 641206DEST_PATH_IMAGE049
处连续且降低对原信号产生的震荡误差，提取去噪后的信号。
作为本发明的一种优选方案，在步骤S4中，将所述震荡误差的均方误差采用Artificial Tree 算法优化获取线路神经网络，所述Artificial Tree 算法优化步骤如下：
步骤S401、以所述震荡误差的均方误差MSE作为目标函数，将收集到的数据进行整理，准备好训练样本和测试样本；
步骤S402、设置Artificial Tree 算法的相关参数，确定分支个数
Figure 890922DEST_PATH_IMAGE050
、空间维数
Figure 876196DEST_PATH_IMAGE051
、迭代次数
Figure 185954DEST_PATH_IMAGE052
，并对分支进行初始化操作，生成初始分支；
步骤S402、计算每个分支所对应的函数值，根据函数值选出最好分支
Figure 256678DEST_PATH_IMAGE053
和最好分支所对应的函数值
Figure 310085DEST_PATH_IMAGE054
；
步骤S403、判断是否满足误差精度的要求或者是否达到了最大迭代次数，如果都不满足要求则准备进入IAT算法的迭代寻优过程；
步骤S404、如果搜索次数达到了搜索次数的上限，将进行随机操作生成新的分支，将新产生的分支与旧的分支进行比较，如果新的分支优于旧的分支则新的分支将取代旧分支，否则仍以旧的分支为最优分支；
步骤S405、再次判断最优分支是否满足误差精度或者当前迭代次数是否达到了设定的最大迭代次数
Figure 87548DEST_PATH_IMAGE052
。
作为本发明的一种优选方案，所述Artificial Tree 算法的相关参数依据配电网线路保护装置的动作信息及对应发生故障的区域设定，形成相应的神经网络训练样本。
作为本发明的一种优选方案，所述配电网线路保护装置的动作信息主要采集基于开关量的电网信号，用0、1对电网开关动作进行编号。
一种配电网多重故障诊断方法的系统，包括：电路采样模块、线路保护装置、故障分析模块、仿真模块以及检测输出模块
所述电路采样模块，用于采集和预处理导入到所述MATLAB平台和Simulink平台的各项数据；
所述线路保护装置，用于配电网发生故障时会进行跳闸或者报警等相应的保护动作，根据保护装置不同的保护动作，判断故障发生的大致区间，并且将电网的区间进行编号；
所述故障分析模块，用于分析故障发生位置及故障电阻阻值，判断故障大致区域；
所述仿真模块，利用Simulink平台通过Artificial Tree智能优化算法获取故障检测数据，显示仿真结果。
所述检测输出模块，依据仿真结果选用部分数据检测线路神经网络对电网故障检测的准确率分析适应性报告。
本发明与现有技术相比较具有如下有益效果：
本发明利用MATLAB平台用改进后的小波阈值去噪方法去除信号中的噪声源建立电网故障模型，提高信号采集准确度，运行仿真软件进行仿真，并建立基于开关量的电网故障模型得到电网故障信息决策表，训练神经网络，检测故障发生的区间，对复杂电网采取分而治之的策略，使得线路拓扑结构能够灵活多变，这样不仅能提高电网故障诊断的准确性与可靠性，还可以在故障信息存在误动信息的情况下对故障进行检测，从而达到电网故障区域定位的效果，有效的增强了电网故障检测的能力。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的配电网多重故障诊断方法流程图；
图2为本发明实施例提供的动态故障检测时间轴示意图；
图3为本发明实施例提供的故障检测系统结构框图。
图中的标号分别表示如下：
1-电路采样模块；2-线路保护装置；3-故障分析模块；4-仿真模块；5-检测输出模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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他实施例，都属于本发明保护的范围。
如图1-3所示，本发明提供了一种配电网多重故障诊断方法，包括以下步骤：
步骤S1、利用MATLAB平台对所述配电网线路进行短路故障分析，得出基于电气量的故障信息决策表；
步骤S2、利用Simulink平台对所述基于电气量的故障信息决策表进行建模仿真，获取配电网线路神经网络的输出训练数据；
步骤S3、采用小波变换法对所述神经网络的输出训练数据进行去噪、采集处理，形成相关故障信息决策表作为神经网络的训练样本；
步骤S4、采用改进的Artificial Tree 智能优化算法优化神经网络的权值和阈值，通过迭代达到相关误差精度的要求，选择部分数据作为故障数据并利用训练好的神经网络来检测故障。
本实施例中，根据配电网线路数据建立电网故障模型，收集所需要的神经网络输入训练的数据，在收集信息的同时采用小波变换理论对收集的数据进行去噪处理，去除干扰数据准确性的噪声源，然后将去噪后的数据进行采集处理，形成相关故障信息决策表作为神经网络的训练样本，然后应用Artificial Tree智能优化算法来优化神经网络的权值和阈值，通过迭代达到相关误差精度的要求，选择部分数据作为故障数据将训练好的神经网络用来检测故障。
所述步骤S1中，所述MATLAB平台采集配电网线路发生小电流接地短路故障后产生的零序电流、零序功率和零序导纳信号，基于这三种信息形成基于电气量的故障信息决策表。
本实施例中，在应用神经网络解决电网故障检测问题时，将保护装置的动作信息作为神经网络的输入值，将对应发生故障的区域作为输出值，形成相应的神经网络训练样本，从而用来建立检测模型。
依据所述零序电流、零序功率和零序导纳信号用离散采样时间和连续采样时间相混合的采样模式进行故障分析，具体步骤如下：
步骤S201、在每条线路两个终端中的一个终端上采样并存储正负极零序电流；
步骤S202、选择固定长度的时间窗内的采样电流作为线路参考电流，对动态采样电流与线路参考电流进行比较，使用改进Pearson方法实时求解二者的相关系数大小；
步骤S203、设定相关系数阈值，判断相关系数与所述设定阈值的大小，并输出故障所在线路及故障类型。
本实施例中，如果正负两极中的一个极的电流相关程度低于阈值，且该线路中两个极点的电流和不为零，则认为该线路发生极地短路故障；如果线路正负极的电流相关程度均低于阈值，且该线路中两个极点的电流和近似为零，则认为该线路发生极间短路故障；否则，认为该线路没有发生故障。
本实施例中，电网故障保护由故障检测、故障隔离和故障定位三部分组成，如图2所示：假定在
Figure 568208DEST_PATH_IMAGE055
时刻发生短路故障，故障线路的电流迅速增大。故障检测设备会在之后的某时刻检测到故障，定义该时刻为
Figure 860649DEST_PATH_IMAGE056
，从
Figure 717747DEST_PATH_IMAGE056
时刻开始，故障隔离和故障定位同步进行：一方面故障隔离设备开始动作，并于之后的
Figure 412033DEST_PATH_IMAGE057
时刻成功开断故障线路；另一方面故障定位设备开始预测故障的发生位置，并于之后的
Figure 250545DEST_PATH_IMAGE058
时刻给出预测的故障发生位置，分析故障保护中各部分的时间顺序，可以发现：
一、故障隔离需要故障被检测到后才会动作，由于直流微电网故障隔离需要在几个毫秒内完成，因此系统对故障检测的快速性要求很高；
二、故障定位是在故障被检测到后，与故障隔离同步开始进行，且故障定位与故障隔离两个过程相互解耦，因此系统对故障定位的快速性要求不高；
三、由于故障隔离设备动作后线路电流变化与故障隔离设备的动作情况相关且难以预测，因此只有故障被检测到前的系统状态量是可供故障检测与故障定位的优质数据。
所述步骤S202中，所述改进Pearson方法采用线路相关系数的累加值进行故障检测的相关系数分析，所述改进Pearson方法具体步骤如下：
步骤S2021、定义具有固定长度的时间窗内可移动窗口值
Figure 295862DEST_PATH_IMAGE059
、
Figure 691071DEST_PATH_IMAGE060
，所述
Figure 239864DEST_PATH_IMAGE061
、
Figure 327906DEST_PATH_IMAGE002
窗口的末端固定时刻分别为
Figure 532622DEST_PATH_IMAGE062
，
Figure 731522DEST_PATH_IMAGE063
，将所述
Figure 134822DEST_PATH_IMAGE061
中的采样电流与稳态参考电流进行比较，检测直流微电网的故障，所述
Figure 393765DEST_PATH_IMAGE008
和
Figure 148094DEST_PATH_IMAGE004
的关系式为：
Figure 885106DEST_PATH_IMAGE064
其中
Figure 595442DEST_PATH_IMAGE065
为线路电流的采样频率，
Figure 25286DEST_PATH_IMAGE066
为采样点的数量，
Figure 1332DEST_PATH_IMAGE067
从故障发生时刻
Figure 542035DEST_PATH_IMAGE068
到故障被检测到时刻
Figure 185506DEST_PATH_IMAGE069
之间的时长；
步骤S2022、采用线路相关系数的累加值进行故障检测的相关系数分析，将稳态参考电流曲线和采样电流曲线的第
Figure 458356DEST_PATH_IMAGE015
个对比值可分别表示为
Figure 187277DEST_PATH_IMAGE070
、
Figure 266092DEST_PATH_IMAGE071
：
Figure 764069DEST_PATH_IMAGE072
其中
Figure 270137DEST_PATH_IMAGE073
为第
Figure 486354DEST_PATH_IMAGE020
个暂态线路电流，
Figure 555810DEST_PATH_IMAGE074
为第
Figure 908294DEST_PATH_IMAGE020
个采样线路电流；
步骤S2023、引入调整因子
Figure 850843DEST_PATH_IMAGE075
优化Pearson相关系数调整因子
Figure 288777DEST_PATH_IMAGE027
表达式为：
Figure 709394DEST_PATH_IMAGE076
其中，
Figure 181964DEST_PATH_IMAGE025
为数学常数，表示为自然对数的底数，
Figure 967517DEST_PATH_IMAGE026
为两条曲线所对比点的总数；
步骤S2024、依据所述调整因子
Figure 892748DEST_PATH_IMAGE075
优化相关系数
Figure 117056DEST_PATH_IMAGE077
，所述相关系数
Figure 444132DEST_PATH_IMAGE077
的表达式为：
Figure 728483DEST_PATH_IMAGE078
Figure 330890DEST_PATH_IMAGE030
Figure 93310DEST_PATH_IMAGE031
Figure 274892DEST_PATH_IMAGE032
其中，
Figure 730144DEST_PATH_IMAGE033
表示皮尔逊相关系数，
Figure 629967DEST_PATH_IMAGE034
表示稳态参考电流均值，
Figure 133761DEST_PATH_IMAGE035
表示采样电流曲线均值，根据
Figure 169850DEST_PATH_IMAGE034
、
Figure 796003DEST_PATH_IMAGE035
与实际值的相关性求解皮尔逊相关系数
Figure 183122DEST_PATH_IMAGE033
。
本实施例中，在步骤S2022中，如果直接对采样电流和稳态计算电流进行对比，相关系数将随电流纹波的变化而变化，可能出现大量的误检测，为防止误检测的发生，采用线路的累加值进行故障检测的相关系数分析，消除由这种现象引起的干扰，导致的故障定位准确性不高的现象。
本实施例中，在故障检测中对采样电流与稳态参考电流进行比较，使用改进Pearson 方法实时求解二者的相关系数大小，当相关系数降低到设定阈值以下时，认为发生短路故障，并输出故障所在线路及故障类型；
本实施例中，在故障定位中采用基于遗传算法的迭代方法来实现所预测故障位置和故障阻抗的生成与更新，计算所预测故障位置和故障阻抗对应的故障电流曲线，并采用改进Pearson方法求解采样曲线与所计算曲线的相关系数大小，当相关系数升高到设定阈值以上时，认为所预测故障位置和故障阻抗足够准确，并输出预测的故障位置和故障阻抗。
所述步骤S2中，依据所述故障分析获取故障位置和故障电阻通过Simulink平台构建模型输出训练数据，采用小波变换法处理训练数据。
所述小波变换法处理训练数据具体步骤为：
步骤S301、对含噪声的训练数据信号
Figure 474295DEST_PATH_IMAGE079
作小波变换，获取一组小波分解系数；
步骤S302、采样软阈值函数对得到的小波分解系数进行阈值处理，得到一组估计小波系数，所述软阈值函数
Figure 630470DEST_PATH_IMAGE080
表达式为：
Figure 427525DEST_PATH_IMAGE081
Figure 974044DEST_PATH_IMAGE082
其中，
Figure 147536DEST_PATH_IMAGE083
为符号函数，
Figure 158218DEST_PATH_IMAGE041
为小波系数，
Figure 126174DEST_PATH_IMAGE049
为阈值，
Figure 222306DEST_PATH_IMAGE043
为噪声强度，
Figure 668330DEST_PATH_IMAGE084
为信号长度，
Figure 986048DEST_PATH_IMAGE085
为幅值因子，
Figure 124905DEST_PATH_IMAGE086
、
Figure 708334DEST_PATH_IMAGE087
为调节因子；
步骤S303、通过调节
Figure 958049DEST_PATH_IMAGE088
使得在阈值点
Figure 943323DEST_PATH_IMAGE089
处连续且降低对原信号产生的震荡误差，提取去噪后的信号。
本实施例中，噪声源引起的小波系数的值将会小于预先设置的临界阈值，而原始信号所引起的小波系数将会大于预先设置的临界阈值，利用这个特性，将小波系数小于临界阈值的噪声信号去除，将小波系数大于临界阈值的原始信号保留，然后进行小波逆变换对信号进行重构，达到去噪的目的。
本实施例中，通过调节
Figure 190765DEST_PATH_IMAGE090
、
Figure 261489DEST_PATH_IMAGE091
的值来增强阈值函数使用的灵活性，参数
Figure 314895DEST_PATH_IMAGE092
决定阈值的逼近程度，通过调节
Figure 154675DEST_PATH_IMAGE092
使得在阈值点
Figure 635335DEST_PATH_IMAGE093
处连续且降低对原信号产生的震荡误差，使得提取到的去噪后的原始信号更为准确，可信度更高，由此提高了电网故障检测中对于故障信号去噪的精度，从而提高了电网故障检测的准确性。
在步骤S4中，将所述震荡误差的均方误差采用Artificial Tree 算法优化获取线路神经网络，所述Artificial Tree 算法优化步骤如下：
步骤S401、以所述震荡误差的均方误差MSE作为目标函数，将收集到的数据进行整理，准备好训练样本和测试样本；
步骤S402、设置Artificial Tree 算法的相关参数，确定分支个数
Figure 114727DEST_PATH_IMAGE094
、空间维数
Figure 971825DEST_PATH_IMAGE095
、迭代次数
Figure 666111DEST_PATH_IMAGE096
，并对分支进行初始化操作，生成初始分支；
步骤S402、计算每个分支所对应的函数值，根据函数值选出最好分支
Figure 317672DEST_PATH_IMAGE053
和最好分支所对应的函数值
Figure 362989DEST_PATH_IMAGE097
；
步骤S403、判断是否满足误差精度的要求或者是否达到了最大迭代次数，如果都不满足要求则准备进入IAT算法的迭代寻优过程；
步骤S404、如果搜索次数达到了搜索次数的上限，将进行随机操作生成新的分支，将新产生的分支与旧的分支进行比较，如果新的分支优于旧的分支则新的分支将取代旧分支，否则仍以旧的分支为最优分支；
步骤S405、再次判断最优分支是否满足误差精度或者当前迭代次数是否达到了设定的最大迭代次数
Figure 758198DEST_PATH_IMAGE052
。
所述Artificial Tree 算法的相关参数依据配电网线路保护装置的动作信息及对应发生故障的区域设定，形成相应的神经网络训练样本。
所述配电网线路保护装置的动作信息主要采集基于开关量的电网信号，用0、1对电网开关动作进行编号。
一种配电网多重故障诊断方法的系统，包括：电路采样模块1、线路保护装置2、故障分析模块3、仿真模块4以及检测输出模块5
所述电路采样模块1，用于采集和预处理导入到所述MATLAB平台和Simulink平台的各项数据；
所述线路保护装置2，用于配电网发生故障时会进行跳闸或者报警等相应的保护动作，根据保护装置不同的保护动作，判断故障发生的大致区间，并且将电网的区间进行编号；
所述故障分析模块3，用于分析故障发生位置及故障电阻阻值，判断故障大致区域；
所述仿真模块4，利用Simulink平台通过Artificial Tree智能优化算法获取故障检测数据，显示仿真结果。
所述检测输出模块5，依据仿真结果选用部分数据检测线路神经网络对电网故障检测的准确率分析适应性报告。
本发明利用MATLAB平台用改进后的小波阈值去噪方法去除信号中的噪声源建立电网故障模型，提高信号采集准确度，运行仿真软件进行仿真，并建立基于开关量的电网故障模型得到电网故障信息决策表，训练神经网络，检测故障发生的区间，对复杂电网采取分而治之的策略，使得线路拓扑结构能够灵活多变，这样不仅能提高电网故障诊断的准确性与可靠性，还可以在故障信息存在误动信息的情况下对故障进行检测，从而达到电网故障区域定位的效果，有效的增强了电网故障检测的能力。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (3)

1.一种配电网多重故障诊断方法，其特征在于，包括以下步骤：
步骤S1、利用MATLAB平台对配电网线路进行短路故障分析，得出基于电气量的故障信息决策表；
步骤S2、利用Simulink平台对所述基于电气量的故障信息决策表进行建模仿真，获取配电网线路神经网络的输出训练数据；
步骤S3、采用小波变换法对所述神经网络的输出训练数据进行去噪、采集处理，形成相关故障信息决策表作为神经网络的训练样本；
步骤S4、采用改进的Artificial Tree 智能优化算法优化神经网络的权值和阈值，通过迭代达到相关误差精度的要求，选择部分数据作为故障数据并利用训练好的神经网络检测故障；
所述步骤S1中，所述MATLAB平台采集配电网线路发生小电流接地短路故障后产生的零序电流、零序功率和零序导纳信号，基于这三种信息形成基于电气量的故障信息决策表；
依据所述零序电流、零序功率和零序导纳信号用离散采样时间和连续采样时间相混合的采样模式进行故障分析，具体步骤如下：
步骤S201、在每条线路两个终端中的一个终端上采样并存储正负极零序电流；
步骤S202、选择固定长度的时间窗内的采样电流作为线路参考电流，对动态采样电流与线路参考电流进行比较，使用改进Pearson方法实时求解二者的相关系数大小；
步骤S203、设定相关系数阈值，判断相关系数与设定阈值的大小，并输出故障所在线路及故障类型；
所述步骤S202中，所述改进Pearson方法采用线路相关系数的累加值进行故障检测的相关系数分析，所述改进Pearson方法具体步骤如下：
步骤S2021、定义具有固定长度的时间窗内可移动窗口值
Figure 113449DEST_PATH_IMAGE001
、
Figure 388441DEST_PATH_IMAGE002
，所述
Figure 655474DEST_PATH_IMAGE003
、
Figure 588795DEST_PATH_IMAGE004
窗口的末端固定时刻分别为
Figure 195357DEST_PATH_IMAGE005
，
Figure 454300DEST_PATH_IMAGE006
，将所述
Figure 943050DEST_PATH_IMAGE007
中的采样电流与稳态参考电流进行比较，检测直流微电网的故障，所述
Figure 132592DEST_PATH_IMAGE008
和
Figure 655977DEST_PATH_IMAGE002
的关系式为：
Figure 820242DEST_PATH_IMAGE009
其中
Figure 61868DEST_PATH_IMAGE010
为线路电流的采样频率，
Figure 602571DEST_PATH_IMAGE011
为采样点的数量，
Figure 918145DEST_PATH_IMAGE012
从故障发生时刻
Figure 518891DEST_PATH_IMAGE013
到故障被检测到时刻
Figure 982233DEST_PATH_IMAGE014
之间的时长；
步骤S2022、采用线路相关系数的累加值进行故障检测的相关系数分析，将稳态参考电流曲线和采样电流曲线的第
Figure 326627DEST_PATH_IMAGE015
个对比值可分别表示为
Figure 11555DEST_PATH_IMAGE016
、
Figure 517623DEST_PATH_IMAGE017
：
Figure 733841DEST_PATH_IMAGE018
其中
Figure 616346DEST_PATH_IMAGE019
为第
Figure 906513DEST_PATH_IMAGE020
个暂态线路电流，
Figure 583482DEST_PATH_IMAGE021
为第
Figure 21416DEST_PATH_IMAGE020
个采样线路电流；
步骤S2023、引入调整因子
Figure 707613DEST_PATH_IMAGE022
优化Pearson相关系数调整因子
Figure 914603DEST_PATH_IMAGE023
表达式为：
Figure 217933DEST_PATH_IMAGE024
其中，
Figure 143164DEST_PATH_IMAGE025
为数学常数，表示为自然对数的底数，
Figure 367472DEST_PATH_IMAGE026
为两条曲线所对比点的总数；
步骤S2024、依据所述调整因子
Figure 694548DEST_PATH_IMAGE022
优化相关系数
Figure 978899DEST_PATH_IMAGE027
，所述相关系数
Figure 63529DEST_PATH_IMAGE027
的表达式为：
Figure 91528DEST_PATH_IMAGE028
Figure 273111DEST_PATH_IMAGE029
Figure 915314DEST_PATH_IMAGE030
Figure 815136DEST_PATH_IMAGE031
其中，
Figure 381247DEST_PATH_IMAGE032
表示皮尔逊相关系数，
Figure 417336DEST_PATH_IMAGE033
表示稳态参考电流均值，
Figure 981173DEST_PATH_IMAGE034
表示采样电流曲线均值，根据
Figure 102712DEST_PATH_IMAGE033
、
Figure 472514DEST_PATH_IMAGE034
与实际值的相关性求解皮尔逊相关系数
Figure 628689DEST_PATH_IMAGE032
；
所述步骤S2中，依据所述故障分析获取故障位置和故障电阻，通过Simulink平台构建模型输出训练数据，采用小波变换法处理训练数据；
所述小波变换法处理训练数据的具体步骤为：
步骤S301、对含噪声的训练数据信号
Figure 425743DEST_PATH_IMAGE035
作小波变换，获取一组小波分解系数；
步骤S302、采样软阈值函数对得到的小波分解系数进行阈值处理，得到一组估计小波系数，所述软阈值函数
Figure 221530DEST_PATH_IMAGE036
表达式为：
Figure 67126DEST_PATH_IMAGE037
Figure 77808DEST_PATH_IMAGE038
其中，
Figure 45764DEST_PATH_IMAGE039
为符号函数，
Figure 328846DEST_PATH_IMAGE040
为小波系数，
Figure 40450DEST_PATH_IMAGE041
为阈值，
Figure 171217DEST_PATH_IMAGE042
为噪声强度，
Figure 247758DEST_PATH_IMAGE043
为信号长度，
Figure 565607DEST_PATH_IMAGE044
为幅值因子，
Figure 80902DEST_PATH_IMAGE045
、
Figure 66175DEST_PATH_IMAGE046
为调节因子；
步骤S303、通过调节
Figure 583392DEST_PATH_IMAGE047
使得在阈值点
Figure 388537DEST_PATH_IMAGE041
处连续且降低对原信号产生的震荡误差，提取去噪后的信号；
在步骤S4中，将所述震荡误差的均方误差采用Artificial Tree 算法优化获取线路神经网络，所述Artificial Tree 算法优化步骤如下：
步骤S401、以所述震荡误差的均方误差MSE作为目标函数，将收集到的数据进行整理，准备好训练样本和测试样本；
步骤S402、设置Artificial Tree 算法的相关参数，确定分支个数
Figure 441944DEST_PATH_IMAGE048
、空间维数
Figure 281724DEST_PATH_IMAGE049
、迭代次数
Figure 762384DEST_PATH_IMAGE050
，并对分支进行初始化操作，生成初始分支；
步骤S402、计算每个分支所对应的函数值，根据函数值选出最好分支
Figure 258087DEST_PATH_IMAGE051
和最好分支所对应的函数值
Figure 849606DEST_PATH_IMAGE052
；
步骤S403、判断是否满足误差精度的要求或者是否达到了最大迭代次数，如果都不满足要求则准备进入IAT算法的迭代寻优过程；
步骤S404、如果搜索次数达到了搜索次数的上限，将进行随机操作生成新的分支，将新产生的分支与旧的分支进行比较，如果新的分支优于旧的分支则新的分支将取代旧分支，否则仍以旧的分支为最优分支；
步骤S405、再次判断最优分支是否满足误差精度或者当前迭代次数是否达到了设定的最大迭代次数
Figure 996422DEST_PATH_IMAGE053
。
2.根据权利要求1所述的配电网多重故障诊断方法，其特征在于：所述ArtificialTree 算法的相关参数依据配电网线路保护装置的动作信息及对应发生故障的区域设定，形成相应的神经网络训练样本。
3.根据权利要求2所述的配电网多重故障诊断方法，其特征在于：所述配电网线路保护装置的动作信息包括基于开关量的电网信号，用0、1对电网开关动作进行编号。
CN202210506365.6A 2022-05-11 2022-05-11 一种配电网多重故障诊断方法 Active CN114636900B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210506365.6A CN114636900B (zh) 2022-05-11 2022-05-11 一种配电网多重故障诊断方法
PCT/CN2022/133889 WO2023216553A1 (zh) 2022-05-11 2022-11-24 一种配电网多重故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210506365.6A CN114636900B (zh) 2022-05-11 2022-05-11 一种配电网多重故障诊断方法

Publications (2)

Publication Number Publication Date
CN114636900A CN114636900A (zh) 2022-06-17
CN114636900B true CN114636900B (zh) 2022-09-30

Family

ID=81953165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210506365.6A Active CN114636900B (zh) 2022-05-11 2022-05-11 一种配电网多重故障诊断方法

Country Status (2)

Country Link
CN (1) CN114636900B (zh)
WO (1) WO2023216553A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114636900B (zh) * 2022-05-11 2022-09-30 广东电网有限责任公司东莞供电局 一种配电网多重故障诊断方法
CN117310353B (zh) * 2023-11-30 2024-02-09 淮安苏达电气有限公司 一种变电站一、二次回路通流加压故障测试方法及系统
CN117388641B (zh) * 2023-12-11 2024-03-08 武汉邢仪新未来电力科技股份有限公司 一种基于分布式物联网终端的线路故障远程监测系统
CN117390407B (zh) * 2023-12-13 2024-04-05 国网山东省电力公司济南供电公司 变电站设备的故障识别方法、系统、介质和设备
CN117538689A (zh) * 2024-01-10 2024-02-09 高唐县恒诚建筑工程有限公司 一种基于物联网的电路故障检测方法、系统、装置及介质
CN117668622B (zh) * 2024-02-01 2024-05-10 山东能源数智云科技有限公司 设备故障诊断模型的训练方法、故障诊断方法及装置
CN117909909A (zh) * 2024-03-19 2024-04-19 青岛鼎信通讯股份有限公司 一种配电网弧光接地故障识别方法
CN118017606A (zh) * 2024-04-10 2024-05-10 长沙润伟机电科技有限责任公司 一种变流器并离网切换控制系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508076A (zh) * 2011-11-09 2012-06-20 东北大学 一种基于多智能体系统和小波分析的故障诊断装置及方法
CN104502795A (zh) * 2014-11-26 2015-04-08 国家电网公司 一种适用于微电网的智能故障诊断方法
CN111239549A (zh) * 2020-02-18 2020-06-05 国网信通亿力科技有限责任公司 一种基于离散小波变换的配电故障快速定位方法
CN111537830A (zh) * 2020-03-26 2020-08-14 南方电网科学研究院有限责任公司 一种基于云边架构和小波神经网络的配电网故障诊断方法
CN111537841A (zh) * 2020-06-30 2020-08-14 上海交通大学 一种适用于接地故障类型识别的优化方法及系统
CN111896890A (zh) * 2020-08-06 2020-11-06 山东大学 基于希尔伯特-黄变换的微电网线路故障诊断方法及系统
CN113902050A (zh) * 2021-08-30 2022-01-07 广东电网有限责任公司 一种适用于电网故障预案信息的检测提取方法
WO2022064350A1 (en) * 2020-09-22 2022-03-31 Victoria Link Limited Electricity distribution network fault detection system and method

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05298105A (ja) * 1992-04-22 1993-11-12 Mitsubishi Electric Corp 故障原因推論装置
DE19905814A1 (de) * 1999-02-12 2000-08-17 Deutsche Telekom Ag Verfahren zur Überwachung der Übertragungsqualität eines optischen Übertragungssystems, insbesondere eines optischen Wellenlängenmultiplexnetzes
WO2014154164A1 (zh) * 2013-03-29 2014-10-02 北京映翰通网络技术股份有限公司 一种小电流接地配电网单相接地故障检测定位方法与系统
CN103713237B (zh) * 2013-12-30 2016-08-17 华北电力大学 一种电力系统输电线路短路故障诊断方法
CN103778479A (zh) * 2014-01-10 2014-05-07 国网上海市电力公司 自适应信息容错保护方法
CN104360227B (zh) * 2014-10-31 2017-05-24 国家电网公司 基于行波法和暂态主频法的变电站电缆出线故障监测方法
CN106597260B (zh) * 2016-12-29 2020-04-03 合肥工业大学 基于连续小波分析和elm网络的模拟电路故障诊断方法
CN110457750B (zh) * 2019-07-09 2023-10-24 国家电网有限公司 基于神经网络响应面的有载分接开关弹簧储能不足故障识别方法
CN110533549B (zh) * 2019-07-12 2022-04-29 杭州电子科技大学 一种基于ga优化rs-bp神经网络电网故障定位方法
CN111339872A (zh) * 2020-02-18 2020-06-26 国网信通亿力科技有限责任公司 一种基于分类模型的电网故障分类方法
CN112749509B (zh) * 2020-12-30 2022-06-10 西华大学 一种基于lstm神经网络的智能变电站故障诊断方法
CN113902250A (zh) * 2021-09-03 2022-01-07 广东电网有限责任公司 一种基于人工神经网络的风险评估分析方法
CN114636900B (zh) * 2022-05-11 2022-09-30 广东电网有限责任公司东莞供电局 一种配电网多重故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508076A (zh) * 2011-11-09 2012-06-20 东北大学 一种基于多智能体系统和小波分析的故障诊断装置及方法
CN104502795A (zh) * 2014-11-26 2015-04-08 国家电网公司 一种适用于微电网的智能故障诊断方法
CN111239549A (zh) * 2020-02-18 2020-06-05 国网信通亿力科技有限责任公司 一种基于离散小波变换的配电故障快速定位方法
CN111537830A (zh) * 2020-03-26 2020-08-14 南方电网科学研究院有限责任公司 一种基于云边架构和小波神经网络的配电网故障诊断方法
CN111537841A (zh) * 2020-06-30 2020-08-14 上海交通大学 一种适用于接地故障类型识别的优化方法及系统
CN111896890A (zh) * 2020-08-06 2020-11-06 山东大学 基于希尔伯特-黄变换的微电网线路故障诊断方法及系统
WO2022064350A1 (en) * 2020-09-22 2022-03-31 Victoria Link Limited Electricity distribution network fault detection system and method
CN113902050A (zh) * 2021-08-30 2022-01-07 广东电网有限责任公司 一种适用于电网故障预案信息的检测提取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
High impedance fault line selection method for resonant grounding system based on wavelet packet analysis;QIN Hao 等;《 2018 China International Conference on Electricity Distribution (CICED)》;20181231;1174-1179 *
Research on Network Topology Analysis Method of Distribution Management Based on GIS;ZhiLing Yin 等;《2021 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS)》;20210903;145-148 *
小波包能量和LM-BP神经网络的发电机机端故障类型识别;孙其东;《电子质量》;20160720(第07期);20-24 *
考虑源网荷储协调的主动配电网优化调度方法研究;罗金满 等;《电力系统保护与控制》;20220101;第50卷(第1期);167-173 *
配电网单相接地故障定位方法研究;訾小娜;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210215(第02期);C042-1980 *

Also Published As

Publication number Publication date
WO2023216553A1 (zh) 2023-11-16
CN114636900A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN114636900B (zh) 一种配电网多重故障诊断方法
Mirshekali et al. A novel fault location methodology for smart distribution networks
CN112415414A (zh) 一种锂离子电池剩余使用寿命预测方法
CN104166067A (zh) 单相接地故障定位检测方法及装置
CN110907754B (zh) 一种基于psd-bpa的故障线路严重程度评估方法
Asada et al. Identifying multiple interacting bad data in power system state estimation
Purushothama et al. ANN applications in fault locators
Mirshekali et al. Linear and nonlinear fault location in smart distribution network under line parameter uncertainty
CN111426905B (zh) 一种配电网同母线变关系异常诊断方法、装置及系统
CN112098889B (zh) 一种基于神经网络和特征矩阵的单相接地故障定位方法
CN113937764A (zh) 一种低压配电网高频量测数据处理与拓扑识别方法
Chen et al. An improved recursive Bayesian approach for transformer tap position estimation
Coban et al. Artificial neural network based fault location on 230 kv transmission line using voltage and current signals
KR101988670B1 (ko) 배전계통의 상태추정 장치
CN106646106A (zh) 基于变点探测技术的电网故障检测方法
CN108539716B (zh) 一种基于暂态量的保护启动方法和装置
Bohórquez et al. One-ended fault location method based on machine learning models
CN111935762B (zh) 一种5g承载网下基于ewt和cnn的配网故障诊断方法和系统
Nagam et al. Gaussian process regression based fault location in DC microgrid
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
CN114594344A (zh) 一种输电线路故障定位识别的方法及系统
CN110108971B (zh) 一种架空裸导线经树木接地故障的电弧检测方法
CN114595746A (zh) 配电网故障原因的分类方法、装置、设备及存储介质
Mohamed et al. Fast line outage detection using PMU measurements in partially observed networks
Kezunovic et al. Selection of optimal fault location algorithm

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