CN114649809A

CN114649809A - 微电网的集中电气保护方法、装置和系统

Info

Publication number: CN114649809A
Application number: CN202111569131.8A
Authority: CN
Inventors: M.拉马尼
Original assignee: Schneider Electric Industries SAS
Current assignee: Schneider Electric Industries SAS
Priority date: 2020-12-21
Filing date: 2021-12-21
Publication date: 2022-06-21
Also published as: US20220196711A1; EP4016779A1

Abstract

一种训练用于电气故障检测系统的机器学习分类器系统的方法包括：获取目标微电网配电系统(2)的数字表示，所述配电系统包括多个电气开关装置(10)、电源和负载，在不同操作条件下和/或在目标配电系统的数字表示中的多个位置处模拟电气故障，确定配电系统对每个模拟电气故障的模拟电气响应，通过由分类器系统将确定的模拟响应与对应的模拟电气故障相关联来生成分类器参数。

Description

微电网的集中电气保护方法、装置和系统

技术领域

本公开涉及用于配电系统(例如微电网)的电气保护方法、装置和系统。

背景技术

低压配电系统，例如微电网，越来越多地用于许多应用。

众所周知，微电网能够容纳分布式发电源，例如可再生能源。微电网通常用于为一个或多个电力负载供电，其中电力的流动是可逆的，如电力存储系统或连接到充电站的电动车辆的情况。微电网还能够以所谓的孤岛运行模式独立于公共电网运行。

与许多配电系统一样，微电网需要电气保护装置，例如断路器或其他开关装置，以检测和抑制危险的电气故障，例如短路。然而，在实施有效的电气保护系统时，微电网的某些特定功能带来了许多挑战。

例如，基于本地保护装置(如熔断器或断路器)的分散式电气保护系统并不总是能够充分处理微电网中的短路故障。原因之一是许多微电网通常依赖于基于逆变器的发生器，即电源包括电源转换电路，电源转换电路包括电力电子开关。这通常是直流(DC)电源(例如光伏太阳能电池板)或存储系统(例如电化学电池或氢燃料电池)的情况。

基于逆变器的发生器的问题是短路故障难以检测，因为对于此类发生器，短路电流的幅度低于柴油发生器等电源或公用电网产生的短路故障。例如，与基于逆变器的发生器相关联的故障的短路电流(Icc)可以介于标称输出电流幅度的1到2.5倍之间。相比之下，在基于柴油发生器的系统中，短路电流更大，例如高达标称输出电流幅度的4倍或更多。

因此，在许多情况下，仅依赖于测量的电流幅度的本地保护装置(例如熔断器或断路器)将无法检测和抑制来自基于逆变器的发生器的短路故障。

此外，基于继电器的经典分散式保护系统，例如ANSI67和ANSI51V系统，传统上设计用于中压配电系统，在低压系统中使用它们会产生大量的经济成本。此外，调整此类保护装置可能是非常复杂和漫长的过程。

为了减轻这些缺点，可以改为使用基于监督和控制多个保护装置的中央电子控制器的集中保护方案。然而，由于微电网的灵活性，集中保护系统可能难以实施。例如，中央控制器需要使用基于物理方程的规则进行编程，这些规则对于复杂的微电网来说可能难以推导出来。这些规则还需要许多变量和运行参数，例如电流流动的方向，并且对短路期间电源的频率行为高度敏感。因此，对此类规则进行编程和微调可能是非常复杂和漫长的过程。

发明内容

因此需要提供系统、装置和方法以促进配电系统例如微电网中的电气保护系统的配置和改进其操作。

根据本发明的一方面，一种训练用于电气故障检测系统的机器学习分类器系统的方法包括：

获取目标微电网配电系统的数字表示，配电系统包括多个电气保护装置、电源和负载，

在不同操作条件下和/或在目标配电系统的数字表示中的多个位置模拟电气故障，

确定配电系统对每个模拟电气故障的模拟电气响应，

通过由分类器系统将确定的模拟响应与对应的模拟电气故障相关联来生成分类器参数。

在其他可选实施例中，本发明可以有利地包括一个或多个以下技术特征，单独考虑或根据所有可能的技术组合考虑：

构建目标微电网配电系统的数字表示包括：

获取目标配电系统的数字模型，

在获取的目标配电系统的数字模型中自动识别电网形成电源，

通过用虚拟发生器替换在获取的数字表示中识别的每个电网形成电源，基于获取的数字模型创建目标配电系统的简化数字表示。

目标配电系统的简化数字表示中不包括电网形成电源以外的电源。

虚拟发生器是与三相短路电阻串联连接的三相交流电压源。

在不同操作条件下模拟电气故障包括为虚拟发生器选择不同的运行参数，例如不同的频率或不同的电压幅值。

在不同操作条件下模拟电气故障包括模拟不同位置和类型的短路故障，至少包括：三相短路故障、相间短路故障、相中性短路故障。

确定对每个模拟电气故障的模拟电气响应包括为一个或多个电气保护装置确定以下值中的至少一个：每相的电流、每相的电压、每相的电流流动方向。

分类器系统是支持向量机，或神经网络，或逻辑回归算法。

根据另一方面，一种用于识别微电网配电系统中的电气故障的方法包括：

使用与连接在配电系统中的电气开关装置相关联的传感器测量配电系统中的电气参数，

通过训练机器学习分类器系统，

获取测量的电参数，

从获取的电气参数识别电气故障并估计配电系统中电气故障的位置，

识别与配电系统中识别的位置相关联的至少一个电气开关装置以隔离电气故障，其中分类器系统用通过如上所述的训练方法获得的分类器参数进行参数化。

根据另一方面，该方法还包括发送命令信号以断开至少一个识别的电气开关装置。

根据另一方面，一种电子控制器配置为通过以下方式训练用于电气故障检测系统的机器学习分类器系统：

获取目标微电网配电系统的简化数字表示，所述配电系统包括多个电气开关装置、电源和负载，

确定配电系统对每个模拟电气故障的模拟电气响应，

根据另一方面，一种电子控制器配置为通过以下方式自动识别微电网配电系统中的电气故障：

使用与电气开关装置、电源和负载相关联的传感器测量配电系统中的电气参数，

通过由电子控制器实现的训练的机器学习分类器系统：

获取测量的电气参数，

识别与配电系统中识别的位置相关联的至少一个电气开关装置，以隔离电气故障，

其中分类器系统是用如先前描述的训练方法确定的分类器参数参数化的。

根据另一方面，微电网配电系统包括一个或多个电气保护装置和联接到电保护装置的电子控制器，其中电子控制器配置为通过以下方式自动识别配电系统中的电气故障：

使用与电气开关装置相关联的传感器测量配电系统中的电气参数，

通过由电子控制器实现的训练的机器学习分类器系统：

获取测量的电气参数，

附图说明

通过阅读以下仅作为非限制性示例提供并参考附图的描述，将进一步理解本发明，其中：

图1是包括根据本发明实施例的电气保护系统的微电网的简化图，

图2是根据本发明实施例的电气保护系统的简化框图，

图3是示例性微电网的示意图，

图4是发生器的电气图，

图5是描绘用于训练图2的电气保护系统的机器学习分类器的示例性方法的流程图，

图6是描绘由图2的电气保护系统实施的示例性操作方法的流程图。

具体实施方式

图1示出了示例性配电系统2。

在优选实施例中，配电系统2是微电网。

例如，配电系统2是低压(LV)配电系统，例如配置为分配电压低于1500伏的电力。

在所示示例中，微电网2包括多个电导体4、一个或多个电源6、一个或多个电负载8以及电开关装置10和12。电源6、电负载8及开关装置10和12通过电导体4连接起来。

在一些示例中，电源6可以并联连接到电气总线。电负载8组和/或单个负载8可以并联连接到电气总线。尽管如此，其他配置也是可能的。

开关装置10和12可以连接在微电网2的特定位置，以便能够隔离微电网2的关键元件和/或微电网2的部分。

例如，微电网2可以包括电源6组和/或负载8组。这些组中的每一个都可以通过开关装置10或12连接到微电网2的其余部分。开关装置10、12也可以用于选择性地连接或隔离微电网2的各个元件和/或微电网2的较小部分。例如，开关装置10、12可以与各个电源6和电负载8相关联，以便单独断开所述电源或负载。

在所示示例中，出于说明目的给出并且不旨在将应用的范围限制到该特定实施例，每个单独的电源6和/或电源6组可以联接到开关装置12，并且可以通过该开关装置12与微电网2的其余部分断开。类似地，单独的负载8和/或负载8组可以通过开关装置12断开。

开关装置10、12可以包括断路器、或继电器、或接触器、或开关、或任何适当的电气开关设备。

在图示的示例中，一些开关装置(由附图标记10标识)连接到电子控制器并且可以进一步包括测量装置，例如传感器，测量装置被配置为收集与开关装置10的操作相关的数据。这样的数据可以包括例如电气操作变量的值，例如电流的幅度、电压、频率、电流流动方向或任何适当的参数。所述开关装置10还可包括电子控制电路和通信接口。

除了这些差异之外，开关装置10可以类似于开关装置12并且可以起到与开关装置12相似的作用。

其他实施例是可能的。例如，这种测量装置可以独立于开关装置10安装在微电网2中。

在一些实施例中，微电网2是交流(AC)配电系统。因此，电导体4可以包括分离的相导体，并且可选地包括中性导体，例如用于分配三相电流。然而，在一些其他实施例中，微电网2可以是直流(DC)配电系统。

实际上，多个电源6可以连接到微电网2，通常在多个位置，从而实现分布式发电。在优选实施例中，至少一些电源6是可再生能源。

在许多实施例中，至少一些电源6是直流电源，其需要连接到电转换电路，例如逆变器，以便向微电网2输送电力。在下文中这样的电源被命名为“基于逆变器的发生器”。

在所示示例中，一个或多个电源6可以是包括或关联到DC/AC功率转换电路14的光伏太阳能电池板PV。

一个或多个电源16还可以包括与DC/AC转换电路16相关联的电存储装置，例如电化学电池BAT。该示例不是限制性的，并且在替代实施例中，可以使用不同的能量存储系统，例如氢燃料电池、飞轮或任何适当的系统。

此外，电源6可包括一个或多个交流发生器，例如发生器组G(例如，柴油发生器)，或更一般地，基于旋转机器的任何发生器，例如风力涡轮机或水轮机，或燃气涡轮机。这种发生器不需要转换电路14或16来向微电网2输送电力。

在许多实施例中，微电网2可以连接到公共电网，并且优选地可以选择性地连接到电网或从电网断开。

微电网2包括通过诸如工业数据总线的本地通信网络22连接到保护装置10的电子控制器20。

例如，控制器20是可编程逻辑控制器(PLC)。

控制器20可以包括被配置为执行各种操作的电子电路并且可以包括处理器和存储器装置(或任何合适的非暂时性计算机可读数据存储介质)。存储器装置具有存储在其中的程序指令或计算机代码，用于当所述程序指令或计算机代码由处理器执行时自动执行这里描述的一个或多个功能。

例如，处理器是通用处理器，例如微处理器或微控制器，或专用处理器，例如数字信号处理器(DSP)或图形处理器单元(GPU)。在替代实施例中，控制器20的一个或多个功能可以由专用集成电路(ASIC)或由现场可编程门阵列(FPGA)或由模拟电路来实现。

在一些实施例中，控制器20可以通过电信链路与计算机服务器通信，例如局域网、或互联网、或蜂窝通信网络、或任何适当的通信方式。

开关装置10、12和控制器20是电气保护系统的一部分并且被配置为保护微电网免于电气故障，尤其是短路。优选地，它们被配置为保护微电网2免受以下故障中的一个或多个(在AC微电网中)：相间短路故障(即，两个电相之间的短路)、相-中性短路故障(即，相和中性之间的短路故障)和三相短路故障。

然而，要注意的是，本文公开的实施例不一定排除微电网2包括用于检测和抑制其他类型的电故障，例如差动故障的附加电保护装置。

参考图2，示出了至少部分地由控制器20实现的用于检测电气故障的系统30。

控制器20被编程为使用由开关装置10或由任何合适的测量装置测量的数据(和/或根据由保护装置10或测量装置测量的数据计算的数据)来识别和估计微电网2中的短路电气故障的位置。

为此，在许多实施例中，控制器20包括：

-机器学习分类器系统40，被训练成识别和定位微电网2中的电气故障，

-用于识别与所识别的位置相关联的至少一个开关装置10、12的模块42，

-用于获取由与电气开关装置10、12相关联的传感器44测量的电气参数的采集接口，以及

-可选地，用于发送命令信号以断开至少一个识别的电气开关装置46的输出接口。

模块42和分类器系统40可以由控制器20的处理器执行的程序指令或计算机代码来实现。

分类器系统40可以是支持向量机、或神经网络、或逻辑回归算法、或任何适当的机器学习系统。

实际上，分类器系统40的特征在于一组分类器参数，例如矩阵的系数。

例如，分类器系统40被配置为接收由与电气开关装置10相关联的传感器44测量的电气参数作为输入数据。

优选地，对于每个对应的开关装置10、12以及对于所述开关装置10、12的每个电相，输入数据包括：电流值、RMS电压、电流流动方向或任何适当的参数。优选地，RMS值(均方根)可用于电流或电压。

例如，输入数据被记录在输入向量中，其维度被选择为等于保护系统的开关装置10、12部件的数量，输入向量的每个系数包括与对应的开关装置10、12相关联的相关电气参数(例如，输入数据可以被连结起来)。

优选地，分类器系统40被配置为提供信息作为输出数据，该信息指示微电网2中的预定位置列表中的特定位置是否已经发生电气故障(例如短路)。这些位置可以选择在可能发生故障的地方。

例如，预定义位置可以与开关装置10、12或微电网2的其他元件相关联。输出数据可以包括与每个预定义位置相关联的标签，或与每个预定义位置相关联的故障概率分数，指示是否已在相应位置识别出电气故障。

例如，可以将输出数据记录为输出向量，其维度等于预定义位置的数量。

输出向量的每个系数可以包括数值，例如概率分数。根据可能的约定，每个系数可以是包含在0和1之间的十进制数。例如，如果输出值之一的值高于所有其他输出值，则认为电气故障发生在与较高输出值相关的位置。

例如，分类器系统40可以被配置为将每个故障位置视为需要检测的类别。因此，每个故障位置都被标记并且分类器系统40的输出代表对应于所识别故障位置的类别标签。

在示例性实施例中，分类器系统40基于神经网络分类器，该神经网络分类器包括输入层、输出层及连接在输入层和输出层之间的至少一个隐藏层，每层包括多个节点。输入层接收输入数据并可以被建模为输入向量，例如记为X＝(x₁x₂…x_n)^T。

输入向量可以通过连结由每个开关装置10(或由相关测量装置)提供的数据来构建。实际上，输入向量的维度等于n_Bxn_F，其中n_B是开关装置10(或测量装置)的数量，n_F是特征的数量(例如，每个开关装置10传输的作为输入数据的电气参数的数量)。

例如，如果仅将每个相位的电流值用作输入数据，则特征的数量n_F可能等于3。

神经网络对输入数据向量的作用可以通过以下方程组建模：

a⁽¹⁾＝x

a⁽²⁾＝g(z⁽²⁾),

Y＝a⁽³⁾＝g(z⁽³⁾)，

其中Y是包含输出值的输出向量，a⁽²⁾是系数a_i ⁽²⁾与隐藏层的节点相关联的向量，a_i ⁽³⁾是与输出层的节点相关联的系数,g(.)是由公式g(z)＝1/(1+exp(-z))、z⁽²⁾＝θ⁽¹⁾a⁽¹⁾和z⁽³⁾＝θ⁽²⁾a⁽²⁾定义的sigmoid函数，θ⁽¹⁾和θ⁽²⁾是参数矩阵。

尽管如此，其他实施例也是可能的，并且可以根据分类器系统40的类型而变化。

使用本文公开的实施例的分类器的优点是基于主控制器20的集中保护系统可以自动配置，具有最少的人为干预，同时仍然提供针对电气故障的可靠保护。

根据本发明的实施例，分类器系统40在微电网2的数字表示(例如，数字孪生)上训练，并且优选在微电网的简化数字表示上训练，如下文将更详细地解释。

例如，训练环境32包括：

-用于获取微电网2的数字模型或构建微电网2的简化数字表示的第一模块34，

-第二模块36，配置为通过以下方式确定分类器参数：

о模拟在不同操作条件下和/或在微电网2的简化数字表示中的多个位置处的电气故障，

о确定配电系统对每个模拟电气故障的模拟电气响应(或更准确地说，配电系统的数字模型的模拟响应)，

о通过将确定的模拟响应与对应的模拟电气故障相关联来生成分类器参数。

在一些情况下，生成分类器参数可以包括使用对应的模拟电气故障的标记模拟响应来学习分类器参数。

第一模块34和第二模块36可以由处理器执行的程序指令或计算机代码实现，例如在控制器20上，或在计算机服务器(优选地连接到控制器20)上。

训练环境32可以是软件环境并且可以在控制器20或计算机服务器(优选地连接到控制器20)上运行。

训练环境32能够基于作为输入提供的微电网的数字模型并且基于微电网的各种装置的已知电气定律和特性来模拟微电网的操作。训练环境32可包括电气模拟软件，例如

软件，或任何等效软件。

在许多实施例中，微电网2的数字表示可以包括电源6、电负载8、开关装置10、12的列表，以及这些元件之间的电连接4(例如，作为线路阻抗)的列表，最后是所述元件的属性列表，最好是计算机可读的形式。在非限制性示例中，所获取的数字表示38可以是微电网2的

模型。这些元件的图形表示可以表示为微电网2的单线图(SLD)。

微电网2的简化数字表示可以从微电网2的获取的数字表示38(数字模型)构建。

图3图示了微电网的示例性简化表示50，出于解释的目的，这里将其描绘为单线电气图。

在该特定示例中，仅出于说明目的而给出并且不旨在将应用范围限制于该唯一实施例，简化表示50包括：

-三个电压发生器“Source_1”、“Source_2”、“Source_3”，

-两个电负载“Load_1”，“Load_2”，

-三个电导体总线C1、C2和C3，以及

-多个开关装置，连续编号为B1到B9。

例如，发生器“Source_1”和“Source_2”通过保护装置B1和B2连接到第一总线C1。第一总线C1通过两个串联的保护装置B3和B4连接到第二总线C2。发生器“Source_3”通过保护装置B5连接到第二总线C2。第二总线C2通过两个串联的保护装置B6和B7连接到第三总线C3。负载“Load_1”和“Load_2”通过保护装置B8和B9连接到第三总线C3。

在数字表示50中微电网2的特定位置处定义了多个预定义故障位置，连续编号为S1到S8。

尽管如此，其他实施例也是可能的。

在优选实施例中，微电网2的简化表示是通过用虚拟电压发生器替换电网形成电源而从获取的数字模型38构建的。

在本说明书的含义中，电网形成电源是连接到微电网并被配置为在微电网2运行期间产生和维持指定电压和频率的电源。例如，基于逆变器的电源是电网形成电源。

优选地，在数字模型38中找到但不是电网形成电源的电源不包括在简化数字表示中。

在实践中，只有电网形成电源与短路故障建模相关，因为它们在固定的时间长度(这可能取决于电源类型)期间产生恒定幅度的短路电流(Icc)。从数字模型中去除不相关的电源减少了在训练阶段模拟不同情况和场景所需的模拟时间。

因此，分类器系统40可以被更快地训练并且不需要尽可能多的计算资源。

在优选实施例中，如图4所示，虚拟发生器是与三相短路电阻Rcc串联的三相交流电压源。

在所示示例中，对于具有中性线P_N的三相交流系统，每相P₁、P₂、P₃分别包括与短路电阻Rcc串联连接的虚拟交流电压发生器G₁、G₂和G₃。

发生器G₁、G₂和G₃产生的电压信号具有相同的电压幅度“E”和相同的频率“f”，并且可以具有等于2*π/3的相位差。

例如，由发生器G₁、G₂和G₃产生的作为时间“t”函数的电压信号可由以下公式给出，其中sin()是正弦函数：

-G₁(t)＝E.sin(2π.f.t)

-G₂(t)＝E.sin(2π.f.t-2π/3)

-G₃(t)＝E.sin(2π.f.t+2π/3)。

图5的插图b)显示了用于构建微电网2的简化数字表示的示例性方法。

在框S110，第一模块34获取目标配电系统的数字模型38。

在框S112，第一模块34在获取的数字模型38中识别电网形成电源。

在框S114，第一模块34通过用虚拟发生器替换获取的数字表示中识别的每个电网形成电源，基于获取的数字模型38创建微电网2的简化数字表示。

可以对每个识别的电网形成电源重复步骤S114。

尽管如此，其他实施例也是可能的。

图5的插图a)现在描绘了用于训练分类器系统40的示例性方法。该方法可以由控制器20或由计算机服务器(优选地连接到控制器20)来执行。

在框S100，自动获取微电网2的简化数字表示。优选地，已经使用上述方法生成了所述简化数字表示。

在框S102，模块36在不同操作条件下和/或在目标配电系统的简化数字表示中的多个位置处自动模拟电气故障。

例如，针对每个预定义位置S1-S8模拟所有不同的故障。

优选地，在不同操作条件下模拟电气故障包括模拟不同类型的短路故障，例如：三相短路故障、相间短路故障、相中性短路故障。

此外，在不同操作条件下模拟电气故障还可以包括为虚拟发生器选择不同的运行参数，例如不同的频率(f)或不同的电压幅值(E)。

优选地，对于每个预定义位置，模块36模拟不同类型的电气故障中的每一个，每次具有不同的运行参数(特别是通过改变每个模拟发生器的幅度E和频率f)，以便模拟和预测尽可能多的现实生活情况。这增加了分类器系统40的准确度。

在框S104，对于每个模拟故障(例如，对于每个操作条件和/或每个位置和/或对于每种类型的模拟故障)，开关装置对每个模拟电气故障的模拟电气响应被自动确定。

因此，在该步骤S104期间，为开关装置和每个模拟故障获取多个模拟电气参数。

这些参数对应于在微电网2运行期间将由传感器44测量或确定的电气参数。

例如，这些参数包括每相的RMS电流、每相的RMS电压、每相的电流流动方向等。

在框S106，分类器参数通过由分类器系统将确定的模拟响应与对应的模拟电气故障相关联来生成，优选地通过使用使用标记的模拟结果的学习方法。例如，“标记”是指，对于每个模拟结果，相关的标记是对应于故障位置的标记。

例如，对于每个模拟故障，分类器系统40被提供在步骤S104期间获取的模拟电气参数(作为输入数据)和模拟电气故障的位置(作为预期输出数据)。

相关分类器参数可以通过找到最小化与分类器相关联的成本函数的一组参数的最佳值来计算。

例如，在用作分类器系统40的示例性神经网络中，要最小化的成本函数可以是以下成本函数：

其中“m”是训练集的维度(大小)，“K”是(预定义位置的)类别的数量，“λ”是调整参数，“y_k”是对于第k个样本的预期故障位置，“L”是分类器参数矩阵θ的大小，h_θ(x)是特定输入向量的输出层值，并等于上面描述的函数g(z⁽³⁾)，“sl”是神经网络的“l”层中“激活单元”或节点的数量。在该示例中，通过找到参数矩阵θ⁽¹⁾和θ⁽²⁾的值来确定相关分类器参数。该说明性示例不是限制性的并且其他实施例是可能的。可以使用常见的优化算法来最小化成本函数。

在步骤S106结束时，分类器已经“训练”，即已经确定了一组分类器参数，并且当被馈送有从微电网2测量的数据时，所述参数将允许分类器系统40识别和定位微电网2中的电气故障。

现在参考图6描述控制器20的示例性操作方法。例如，存储在控制器20的存储器中的程序代码使处理器执行以下步骤。

该方法开始于框S120。

例如，控制器20被启动并且分类器系统40被提供有如上计算的分类器参数。

在框S122，配电网中的电气参数由与电气开关装置相关联的传感器44测量。这些测量可以连续或有规律地重复。

由传感器44测量的数据，例如在每个开关装置处，由控制器20获取，例如通过通信链路22。

在框S124，分类器系统40获取由传感器44测量的电气参数。该步骤可以连续或有规律地重复。

在框S126，分类器系统40自动分析测量数据。

如果发生诸如短路故障的电气故障，则在该步骤S126期间，分类器系统40识别电气故障并估计电气故障的位置。

例如，由上述成本函数的最小化产生的输出向量可以包括指示在预定义位置S1-S8之一处发生故障的高概率的值。

然后模块42获取故障的位置。

在框S128，模块42自动识别与微电网中识别的故障位置相关联的至少一个电气开关装置。

此步骤的目的是识别一个或多个开关装置，这些开关装置在断开时会将识别的故障位置与微电网2的其余部分隔离，同时对微电网2的其余部分造成最小的干扰。

例如，识别的开关装置可以是连接在识别的故障位置上游的开关装置，或者是位于最靠近识别的故障位置的开关装置。

在一些实施例中，如果预定义位置S1-S8中的每一个对应于开关装置，则目标开关装置被自动识别为对应于已经识别出故障的预定义位置的那个。

或者，模块42可能不得不依赖于描述了微电网2的元件之间的连接的附加信息(例如电气图)。

在图5所示的示例中，如果故障在预定义位置S4处被识别，则开关装置B4、D5和B6必须断开以隔离故障。

在框S130，控制器20发送命令信号以断开识别的开关装置，以便将故障与微电网2的其余部分隔离。

在其他实施例中，上述方法步骤可以不同的顺序执行。一个或几个方法步骤可以省略或由等效步骤代替，或者组合或分解为不同的方法步骤。在不脱离所要求保护的主题的范围的情况下，所公开的示例性实施例不旨在限制并且不阻止其他方法步骤的执行。

上述实施例和替代方案可以相互组合以创建新的实施例。

Claims

1.一种训练用于电气故障检测系统的机器学习分类器系统(40)的方法，所述方法包括：

获取(S100)目标微电网配电系统(2)的数字表示，所述配电系统包括多个电气开关装置(10)、电源和负载，

在不同操作条件下和/或在目标配电系统的数字表示中的多个位置(S1-S8)处模拟(S102)电气故障，

确定(S104)配电系统对每个模拟电气故障的模拟电气响应，

通过由分类器系统将确定的模拟响应与对应的模拟电气故障相关联来生成(S106)分类器参数。

2.如权利要求1所述的方法，其中，构建目标微电网配电系统的数字表示包括：

获取(S110)目标配电系统的数字模型(38)，

在获取的配电系统的数字模型中自动识别(S112)电网形成电源，

通过用虚拟发生器(60)替换在获取的数字表示中识别的每个电网形成电源，基于获取的数字模型创建(S114)配电系统的简化数字表示。

3.如权利要求2所述的方法，其中，所述目标配电系统的简化数字表示中不包括电网形成电源以外的电源。

4.如权利要求2或权利要求3所述的方法，其中，所述虚拟发生器(60)是与三相短路电阻(Rcc)串联连接的三相交流电压源(G1、G2、G3)。

5.如权利要求4所述的方法，其中，在不同操作条件下模拟(S102)电气故障包括为所述虚拟发生器选择不同的操作参数，例如不同的频率或不同的电压幅度值。

6.如前述权利要求中任一项所述的方法，其中，在不同操作条件下模拟(S102)电气故障包括模拟不同位置和类型的短路故障，至少包括：三相短路故障、相间短路故障、相中性短路故障。

7.如前述权利要求中任一项所述的方法，其中，确定(S104)对每个模拟电气故障的模拟电气响应包括为一个或多个电气保护装置确定以下值中的至少一个：每相的RMS电流、每相的RMS电压、每相的电流流动方向。

8.如前述权利要求中任一项所述的方法，其中，所述分类器系统(40)是支持向量机、或神经网络、或逻辑回归算法。

9.一种用于识别微电网配电系统(2)中的电气故障的方法，该方法包括：

使用与连接在配电系统中的电气开关装置(10)相关联的传感器(44)测量(S122)配电系统中的电气参数，

通过训练的机器学习分类器系统(40)：

获取(S124)测量的电气参数，

从获取的电气参数识别(S126)电气故障并估计配电系统中电气故障的位置，

识别(S128)与配电系统中识别的位置相关联的至少一个电气开关装置以隔离电气故障，

其中分类器系统(40)用通过根据前述权利要求中任一项的训练方法获得的分类器参数进行参数化。

10.如权利要求9所述的方法，其中，所述方法还包括发送(S130)命令信号以断开至少一个识别的电气开关装置。

11.一种电子控制器，配置为通过以下方式训练用于电气故障检测系统的机器学习分类器系统：

获取(S100)目标微电网配电系统的数字表示，所述配电系统包括多个电气开关装置、电源和负载，

在不同操作条件下和/或在目标配电系统的数字表示中的多个位置处模拟(S102)电气故障，

确定(S104)配电系统对每个模拟电气故障的模拟电气响应，

12.一种电子控制器(20)，配置为通过以下方式自动识别微电网配电系统中的电气故障：

使用与电气开关装置相关联的传感器测量(S122)配电系统中的电气参数，

通过由电子控制器实现的训练的机器学习分类器系统(40)：

获取(S124)测量的电气参数，

其中分类器系统(40)用通过根据权利要求1至8中任一项的训练方法确定的分类器参数进行参数化。

13.一种微电网配电系统(2)，包括一个或多个电气保护装置(10)和联接到所述电气开关装置的电子控制器(20)，其中所述电子控制器是根据权利要求12所述的电子控制器。