CN114660418B - 基于特征融合和聚类的配电网单相接地故障选线方法 - Google Patents
基于特征融合和聚类的配电网单相接地故障选线方法 Download PDFInfo
- Publication number
- CN114660418B CN114660418B CN202210565784.7A CN202210565784A CN114660418B CN 114660418 B CN114660418 B CN 114660418B CN 202210565784 A CN202210565784 A CN 202210565784A CN 114660418 B CN114660418 B CN 114660418B
- Authority
- CN
- China
- Prior art keywords
- fault
- characteristic
- matrix
- line
- phase earth
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 238000010187 selection method Methods 0.000 title abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 105
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 230000001052 transient effect Effects 0.000 description 17
- 230000007935 neutral effect Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000001629 suppression Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 230000002035 prolonged effect Effects 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Locating Faults (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请公开了基于特征融合和聚类的配电网单相接地故障选线方法,包括:步骤1,基于设定的单相接地故障条件,提取配电网中各线路的零序电流波形,并根据零序电流波形确定各线路的故障特征矩阵;步骤2,对各线路的故障特征矩阵进行重构,并计算重构后故障特征矩阵的相关系数矩阵;步骤3,根据相关系数矩阵和预设特征方程,计算由相关系数矩阵的特征值构成的特征数据库矩阵;步骤4,基于K‑means聚类算法对特征数据库矩阵中的主成分特征向量进行聚类运算,得到故障聚类中心模型,以确定待检测线路的单相接地故障线路。通过本申请中的技术方案,解决了现有单相接地故障选线过程中准确率较低以及特征计算量较大的问题。
Description
技术领域
本申请涉及电力系统配电网保护的技术领域,具体而言,涉及基于特征融合和聚类的配电网单相接地故障选线方法。
背景技术
配电网在电力系统中扮演着非常重要的角色,其能够从变电站或地方发电厂获得电能并逐级分配给电力用户,与用户的关系最为紧密。而我国配电网分布范围广、配置相对较低,是整个大电网中相对薄弱的环节。我国6~66kV电压等级的配电网广泛采用中性点非直接接地运行方式,即小电流接地运行方式,这种方式主要包括:中性点不接地运行方式和中性点经消弧线圈接地运行方式。
此类配电网故障主要以接地故障为主,由于单相接地故障发生后可以带电继续运行1~2个小时,虽然供电可靠性一定程度上得到了提高,但是由于故障电流较小,为故障点位置的确定增加了难度。
另外,单相接地故障发生后,非故障相电压升高,若不及时将故障切除,将可能导致故障范围扩大。因此,当故障发生后快速确定故障位置、切除故障、恢复供电就显得格外重要。
而现有的单相接地故障特征提取方法主要有单个故障特征提取和多个故障特征提取两种。对于单个故障特征,具有一定的局限性和适用性,但选线的准确率得不到保证,在过度电阻高阻接地时往往不适用。对于多个故障特征,虽然能够得到大部分的故障信息,但计算量较大,不能快速选出单相接地故障线,具有一定的局限性。
发明内容
本申请的目的在于:解决现有单相接地故障选线过程中准确率较低以及特征计算量较大的问题。
本申请的技术方案是:提供了基于特征融合和聚类的配电网单相接地故障选线方法,该方法包括:步骤1,基于设定的单相接地故障条件,提取配电网中各线路的零序电流波形,并根据零序电流波形确定各线路的故障特征矩阵;步骤2,对各线路的故障特征矩阵进行重构,并计算重构后故障特征矩阵的相关系数矩阵;步骤3,根据相关系数矩阵和预设特征方程,计算由相关系数矩阵的特征值构成的特征数据库矩阵;步骤4,基于K-means聚类算法对特征数据库矩阵中的主成分特征向量进行聚类运算,得到故障聚类中心模型,其中,故障聚类中心模型用于对待检测线路的零序电流进行聚类运算,以确定待检测线路的单相接地故障线路。
上述任一项技术方案中,进一步地,故障特征矩阵至少包括零序电流的基波幅值、五次谐波幅值、小波能量值以及有功功率分量。
上述任一项技术方案中,进一步地,步骤2中,对各线路的故障特征矩阵进行重构,具体包括:步骤21,根据故障特征矩阵中故障特征最大值所在的线路编号,确定重构向量;步骤22,根据重构向量,对故障特征矩阵进行重构,重构后的故障特征矩阵的计算公式为:
上述任一项技术方案中,进一步地,步骤3,具体包括:利用雅可比法求解预设特征方程|λI-R|=0的解,并将得到的解进行排序,得到特征值λ d;基于主成分分析法对得到的特征值λ d进行选取,选取前三个特征值组成主成分特征向量;改变单相接地故障条件,重复执行步骤1,得到改变单相接地故障条件后对应的主成分特征向量;基于得到的多个主成分特征向量,组成特征数据库矩阵;
上述任一项技术方案中,进一步地,步骤2中相关系数矩阵R的计算公式为:
上述任一项技术方案中,进一步地,步骤2中还包括:对重构后的故障特征矩阵X中的向量进行标准化处理:
本申请的有益效果是:
本申请中的技术方案,由于非故障线路样本数据要远远大于故障线路样本,因此造成样本数据的不均衡,导致配电网单相接地故障选线准确率较低,因此,通过对基于配电网中各线路的零序电流波形确定各线路的故障特征矩阵进行重构,并计算对应的相关系数矩阵,以生成特征数据库矩阵,进而利用K-means聚类算法求得故障聚类中心模型,实现了利用特征融合和K-means聚类算法,对配电网单相接地故障进行选线。
首先,本申请针对现有配电网单相接地故障选线方法的局限性,结合小电流接地故障稳态特征分析、暂态特征分析,采用傅里叶变换、小波包变换、有功功率分量法依次提取暂态零序电流基波幅值、五次谐波幅值、暂态能量值、有功功率分量值作为故障特征矩阵,有助于提高特征数据库矩阵中特征向量的准确性。
其次,为了提高配电网单相接地故障选线效率,避免因构建的特征数据库矩阵中样本数据过多、维数过高,导致选线时间延长、计算机开销大、收敛性降低的问题,本申请利用主成分分析法,对预设特征方程的解进行特征值提取,实现故障特征融合,将多个具有关联的故障信息转化为几个少数的综合指标,可以从本质上减少特征数据库矩阵中的样本数据量。
同时,K-means聚类算法收敛速度快,聚类效果较优,可以较好的实现配电网单相接地故障选线,且提出的方法不受故障条件的影响,可以结合实际情况广泛应用到实际运行中。
附图说明
本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请实施例的单相接地故障的示意图;
图2是根据本申请实施例的基于特征融合和聚类的配电网单相接地故障选线方法的示意流程图;
图3是根据本申请实施例的单相接地故障选线方法的示意流程图;
图4是根据本申请实施例的单相接地故障选线实验结果的示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中,阐述了很多具体细节以便于充分理解本申请,但是,本申请还可以采用其他不同于在此描述的其他方式来实施,因此,本申请的保护范围并不受下面公开的具体实施例的限制。
如图1所示,在仿真软件MATLAB/Simulink中建立5线路10kV配电网单相接地故障仿真模型,线路L1、L2、L3、L4、L5为全电缆线路,长度分别为10km、20km、25km、5km、8km,电缆线路参数如表1所示。
表1
在构建本实施例中的仿真数据时,分别对5条馈线设置不同类型的单相接地故障,包括:不同中性点接地方式(包括中性点不接地、中性点经消弧线圈接地、中性点经小电阻接地);不同接地故障类型(包括金属性接地、接地电阻5Ω、接地电阻10Ω、接地电阻50Ω、接地电阻100Ω、接地电阻500Ω、电弧接地故障);不同故障初相角(如0°、30°、45°、60°、90°)以及不同故障位置(如10%、50%、90%)。
如图2和图3所示,本实施例提供了基于特征融合和聚类的配电网单相接地故障选线方法,该方法包括:
步骤1,基于设定的单相接地故障条件,提取配电网中各线路的零序电流波形,并根据零序电流波形确定各线路的故障特征矩阵,其中,故障特征矩阵至少包括零序电流的基波幅值、五次谐波幅值、小波能量值、有功功率分量。
具体的,通过仿真实验的方式,提取上述不同类型单相接地故障条件下各线路的零序电流波形。通过傅里叶变换、小波包变换、有功功率分量法分解零序电流,计算各线路零序电流的基波幅值、五次谐波幅值、小波能量值、有功功率分量四种故障特征,组成故障特征矩阵。
在计算零序电流基波幅值时,利用快速傅里叶变换FFT算法提取各条线路的零序电流基波幅值。小电流接地故障发生后,故障线路的零序电流基波幅值等于所有非故障线路的稳态零序电流基波幅值,因此,可以将零序电流基波幅值作为故障特征矩阵中的故障特征。
在计算五次谐波幅值时,利用快速傅里叶变换FFT算法提取各条线路的五次谐波幅值。由于高次谐波值不受消弧线圈补偿作用的影响,而故障线路的五次谐波幅值大于非故障线路的五次谐波幅值,因此,可以将五次谐波幅值作为故障特征矩阵中的故障特征。
小电流接地故障发生后,故障线路的暂态零序电流基波幅值等于所有健全线路的暂态零序电流基波幅值之和,高次谐波值不受消弧线圈补偿作用的影响,故障线路的五次谐波幅值大于健全线路的五次谐波幅值,因此将暂态零序电流的基波幅值、五次谐波幅值作为故障特征矩阵中的故障特征。
通过傅里叶变换能够对零序电流信号的成分进行分析,将时域信号变换成不同频率的正弦信号的叠加。提取各线路故障后一个周期的零序电流信号f(t),其正、反傅里叶变换如下:
在计算小波能量值时,可利用db4小波包变换对各条线路的暂态零序电流进行4层分解,通过计算每一个频带的能量值,得到暂态能量值。暂态电容电流幅值、频率较大,其故障特征主要集中于能量较大的频带,因此,选择除工频所在频带(4,0)外,能量最大的频带为特征频带,特征频带的能量值作为暂态能量值。
当配电网发生单相接地故障时,线路零序电流的暂态分量的能量较大,而稳态分量的能量相对较小。由于小波包变换能对非平稳信号进行精确分析,还能对信号的低频及高频部分进行分解,因此,可用小波包变换提取暂态能量值,得到小波能量值,作为单相接地故障特征矩阵中的故障特征。
本实施例中,考虑到配电网暂态电容电流自由振荡的频率一般集中在300~1500Hz,仿真中采样频率为4000Hz,采样时间为故障后半个周期(0.01s),因此,选择db4小波对故障后各线路的暂态零序电流进行分解。考虑到用于故障特征的频带宽度应选择适当,若过细,则频带对应采样点数过少,将降低故障选线的可靠性;若过宽,则信息含量增加,将不利于进一步信号分析。综合考虑,将本实施例中的频带宽度定为125Hz,根据小波包的频率二分特性,分解层数应为4层。选择第4层频带中能量最大值作为小波能量值。
在计算有功功率分量值的过程中,当发生单相接地故障时,故障线路零序有功能量远大于健全线路,且两者方向相反。本实施例选取各线路故障后一个周期的零序电压和零序电流数据,通过平均值处理的方式,得到暂态过程中的平均零序有功分量。
中性点经消弧线圈接地系统中的消弧线圈对电网的电容电流进行补偿,而不对有功电流产生影响。当发生单相接地故障时,故障线路的零序电流有功功率分量等于各健全线路零序电流有功功率分量之和。选取各线路故障后半个周期的零序电流和零序电压数据,通过平均值处理得到暂态过程中的平均零序有功功率分量,其计算公式为:
步骤2,对各线路的故障特征矩阵进行重构,并计算重构后故障特征矩阵的相关系数矩阵。
具体的,在配电网发生单相接地故障后,由各线路提取到的基波幅值、五次谐波幅值、有功功率分量、小波能量值四种特征值构成一个故障特征矩阵。本实施例中引入主成分分析法,将高维数据转化为几个互不关联的综合指标,提取故障特征矩阵的主成分特征向量,作为配电网单相接地故障的特征指标,实现特征融合。重复实验,获得多个主成分特征向量,建立特征数据库。
假设配电网有n条馈电线路,发生故障后,可构成一个n×4的故障特征矩阵Q,其表达式为:
其中,为第i条线路中的第j个故障特征值(j=1,2,3,4; i=1,2,3,…,n),(j=
1,2,3,4)为由故障特征矩阵Q中所有线路的第j个故障特征值组成的向量,j=1,2,3,4,分别
为零序电流的基波幅值、五次谐波幅值、有功功率分量、小波能量值。
步骤21,根据故障特征矩阵中故障特征最大值所在的线路编号,确定重构向量;
式中,为n条线路中第一个故障特征最大值所在的线路编号,为n条线路中
第二个故障特征最大值所在的线路编号,为n条线路中第三个故障特征最大值所在的线
路编号,为n条线路中第四个故障特征最大值所在的线路编号。
为了消除量纲的影响,对重构后的故障特征矩阵X中的向量进行标准化处理:
式中:
步骤3,根据相关系数矩阵和预设特征方程,计算由相关系数矩阵的特征值构成的特征数据库矩阵。该步骤3中具体包括:
步骤301,利用雅可比法求解预设特征方程|λI-R|=0的解,并将得到的解进行排序,得到特征值λ d;
步骤302,基于主成分分析法对得到的特征值λ d进行选取,选取前三个特征值组成主成分特征向量;
具体的,在计算相关系数矩阵R的特征值时,利用雅可比法求解预设特征方程|λI-R|=0,并将计算结果按从大到小顺序排列,将排列后的计算结果记作特征值λ d(d=1,2,3,4),将各特征值λ d与特征向量a 1,a 2,a 3,a 4一一对应,构成中间矩阵A为
令Y=X * A,得到成分矩阵Y
步骤303,改变单相接地故障条件,重复执行步骤1,得到改变单相接地故障条件后对应的主成分特征向量;
步骤304,基于得到的多个主成分特征向量,组成特征数据库矩阵;
具体的,改变上述单相接地故障条件,重复上述过程,可以获得多个单相接地故障时的主成分特征向量,从而构成特征数据库矩阵Z set,表达式为
本实施例中,通过主成分分析法提取各故障特征矩阵的主成分分量对应的特征值,选择前三个特征值(λ 1,λ 2, λ 3)组成的主成分特征向量,进而构成特征数据库矩阵。随机从特征数据库选取1050组数据作为训练集数据,450组数据作为测试集数据。
步骤4,基于K-means聚类算法对特征数据库矩阵中的主成分特征向量进行聚类运算,得到故障聚类中心模型,其中,故障聚类中心模型用于对待检测线路的零序电流进行聚类运算,以确定待检测线路的单相接地故障线路。
K-means聚类算法是一种迭代求解的聚类分析算法,其步骤是从配电网单相接地故障的特征数据库矩阵中随机选取H个主成分特征向量作为初始的聚类中心,然后计算其它主成分特征向量与各个初始的聚类中心之间的距离,把每个其它主成分特征向量分配给距离它最近的初始的聚类中心。
初始的聚类中心以及分配给它的其它主成分特征向量就代表一个聚类,即一条单相接地故障线路。每分配一个主成分特征向量的样本,聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)主成分特征向量被重新分配给不同的聚类,或者没有(或最小数目)聚类中心再发生变化,或者误差平方和局部最小。其具体实现方式本实施例并不限定。
在计算其它主成分特征向量与初始的聚类中心的距离时,通常采用欧氏距离计算各样本到聚类中心的距离,计算公式为
其中,x、y分别为样本与聚类中心的主成分特征向量;x i、y i分别为x、y的第i个主成分特征值;L为主成分特征向量中选取的主成分特征值个数。
采用K-means聚类算法实现配电网单相接地故障选线的过程描述如下:
(1)将配电网单相接地故障的特征数据库矩阵Z set输入,随机将特征数据库矩阵Z set中样本数据(主成分特征向量)的70%作为训练集,30%作为测试集。这些样本数据是完全无序的、没有被标记的。
(2)随机选取H个训练集的样本数据,作为初始的聚类中心。
(3)计算训练集中各个样本数据到每个聚类中心的欧氏距离,并将样本数据分到最小欧氏距离所对应的聚类中心进行聚类。
(4)重新计算各个聚类中所有样本的平均值作为新的聚类中心。
(5)计算各个样本数据到所有新聚类中心的距离,并将其划分到距离最小的聚类中,同时,将原聚类中的样本数据删除。
(6)重复步骤(4)、(5),直到每个聚类不再发生变化为止。
(7)获取到K个聚类、输出训练集的聚类中心,作为故障聚类中心模型。
(8)将训练集输出的聚类中心作为选线依据,每一个聚类中心代表一条故障线路,通过测试集中的样本数据测试聚类中心选取单相接地故障线路的精度,计算测试集样本与训练集中的聚类中心的欧式距离,并将其划分到距离最小的类别中,输出测试类别,计算测试精度。
本实施例中,设定聚类数M=5,主成分特征向量中选取的主成分特征值个数L=3,测试集中数据测试结果如图4所示,各线路故障样本均匀分布在各聚类中心附近,选线准确率可以达到100%,且不受故障条件的影响,具有较强的实用性。
以上结合附图详细说明了本申请的技术方案,本申请提出了基于特征融合和聚类的配电网单相接地故障选线方法,包括:步骤1,基于设定的单相接地故障条件,提取配电网中各线路的零序电流波形,并根据零序电流波形确定各线路的故障特征矩阵;步骤2,对各线路的故障特征矩阵进行重构,并计算重构后故障特征矩阵的相关系数矩阵;步骤3,根据相关系数矩阵和预设特征方程,计算由相关系数矩阵的特征值构成的特征数据库矩阵;步骤4,基于K-means聚类算法对特征数据库矩阵中的主成分特征向量进行聚类运算,得到故障聚类中心模型,以确定待检测线路的单相接地故障线路。通过本申请中的技术方案,解决了现有单相接地故障选线过程中准确率较低以及特征计算量较大的问题。
本申请中的步骤可根据实际需求进行顺序调整、合并和删减。
本申请装置中的单元可根据实际需求进行合并、划分和删减。
尽管参考附图详地公开了本申请,但应理解的是,这些描述仅仅是示例性的,并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定,并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
Claims (4)
1.基于特征融合和聚类的配电网单相接地故障选线方法,其特征在于,所述方法包括:
步骤1,基于设定的单相接地故障条件,提取配电网中各线路的零序电流波形,并根据所述零序电流波形确定各线路的故障特征矩阵;
步骤2,对各线路的所述故障特征矩阵进行重构,并计算重构后故障特征矩阵的相关系数矩阵;其中,所述步骤2中,对各线路的所述故障特征矩阵进行重构,具体包括:
步骤21,根据故障特征矩阵中故障特征最大值所在的线路编号,确定重构向量;
步骤22,根据所述重构向量,对所述故障特征矩阵进行重构,重构后的故障特征矩阵的计算公式为:
X=[w1q1 w2q2 w3q3 w4q4]
式中,X为重构后的故障特征矩阵,w1、w2、w3和w4为重构向量中的元素,q1、q2、q3和q4为所述故障特征矩阵中的向量;
步骤3,根据所述相关系数矩阵和预设特征方程,计算由相关系数矩阵的特征值构成的特征数据库矩阵;其中,所述步骤3,具体包括:
利用雅可比法求解所述预设特征方程|λI-R|=0的解,并将得到的所述解进行排序,得到特征值λd;其中,R为相关系数矩阵,
基于主成分分析法对得到的所述特征值λd进行选取,选取前三个特征值组成主成分特征向量;
改变所述单相接地故障条件,重复执行步骤1,得到改变所述单相接地故障条件后对应的主成分特征向量;
基于得到的多个主成分特征向量,组成特征数据库矩阵;
步骤4,基于K-means聚类算法对所述特征数据库矩阵中的主成分特征向量进行聚类运算,得到故障聚类中心模型,其中,所述故障聚类中心模型用于对待检测线路的零序电流进行聚类运算,以确定待检测线路的单相接地故障线路。
2.如权利要求1所述的基于特征融合和聚类的配电网单相接地故障选线方法,其特征在于,所述故障特征矩阵至少包括零序电流的基波幅值、五次谐波幅值、小波能量值以及有功功率分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210565784.7A CN114660418B (zh) | 2022-05-24 | 2022-05-24 | 基于特征融合和聚类的配电网单相接地故障选线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210565784.7A CN114660418B (zh) | 2022-05-24 | 2022-05-24 | 基于特征融合和聚类的配电网单相接地故障选线方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114660418A CN114660418A (zh) | 2022-06-24 |
CN114660418B true CN114660418B (zh) | 2022-08-23 |
Family
ID=82036595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210565784.7A Active CN114660418B (zh) | 2022-05-24 | 2022-05-24 | 基于特征融合和聚类的配电网单相接地故障选线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114660418B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104793104A (zh) * | 2015-04-18 | 2015-07-22 | 安庆师范学院 | 基于多判据融合的小电流单相接地故障选线方法 |
CN105932774A (zh) * | 2016-05-11 | 2016-09-07 | 国网冀北电力有限公司张家口供电公司 | 基于ica算法的智能变电站设备状态预警方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09145772A (ja) * | 1995-11-20 | 1997-06-06 | Furukawa Electric Co Ltd:The | 送配電線故障区間標定方法及びその装置 |
CN107589341B (zh) * | 2017-08-16 | 2020-10-23 | 珠海许继芝电网自动化有限公司 | 一种基于配电自动化主站的单相接地在线故障定位方法 |
CN108896875B (zh) * | 2018-07-16 | 2020-06-16 | 国网福建晋江市供电有限公司 | 一种单相接地故障选线方法及装置 |
US20210003626A1 (en) * | 2019-07-03 | 2021-01-07 | King Fahd University Of Petroleum And Minerals | Method for inaccuracy prediction and mitigation of impedance-based fault location in distribution grids |
CN110824299B (zh) * | 2019-11-25 | 2021-11-16 | 云南电网有限责任公司临沧供电局 | 基于零序电流曲线簇的二维平面判断的故障选线方法 |
CN111025084A (zh) * | 2019-12-13 | 2020-04-17 | 三峡大学 | 一种基于meemd分解和高频能量的小电流接地故障选线方法 |
CN111474442B (zh) * | 2020-03-30 | 2022-05-24 | 国网山东省电力公司德州供电公司 | 一种配电网单相接地故障定位方法及系统 |
CN111596167A (zh) * | 2020-05-14 | 2020-08-28 | 中国南方电网有限责任公司 | 基于模糊c均值聚类算法的故障区段定位方法及装置 |
CN111721536B (zh) * | 2020-07-20 | 2022-05-27 | 哈尔滨理工大学 | 一种改进模型迁移策略的滚动轴承故障诊断方法 |
CN112801135B (zh) * | 2020-12-31 | 2023-04-18 | 浙江浙能镇海发电有限责任公司 | 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备 |
-
2022
- 2022-05-24 CN CN202210565784.7A patent/CN114660418B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104793104A (zh) * | 2015-04-18 | 2015-07-22 | 安庆师范学院 | 基于多判据融合的小电流单相接地故障选线方法 |
CN105932774A (zh) * | 2016-05-11 | 2016-09-07 | 国网冀北电力有限公司张家口供电公司 | 基于ica算法的智能变电站设备状态预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114660418A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109307824B (zh) | 一种基于聚类的配电网单相接地故障区段定位方法 | |
CN107167702A (zh) | 一种配电网馈线故障类型识别方法及装置 | |
CN109142851B (zh) | 一种新型的配电网内部过电压识别方法 | |
Guo et al. | Features-clustering-based earth fault detection using singular-value decomposition and fuzzy c-means in resonant grounding distribution systems | |
CN103760464B (zh) | 基于解析图求解与svm的小电流接地系统故障选线方法 | |
CN101924354B (zh) | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 | |
CN111239549A (zh) | 一种基于离散小波变换的配电故障快速定位方法 | |
CN110596530A (zh) | 一种小电流接地故障选线方法 | |
CN102510044A (zh) | 基于小波变换和概率神经网络的励磁涌流鉴别方法 | |
CN112557950B (zh) | 基于矩阵相似性的配电网谐振接地系统故障选线方法 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
CN111308272A (zh) | 一种小电流接地故障区段定位方法 | |
CN112114232A (zh) | 基于小波分解和dbn的单极接地故障测距方法 | |
CN109659957B (zh) | 基于apit-memd电力系统低频振荡模式辨识方法 | |
CN115980514B (zh) | 一种基于多端行波频率矩阵的复杂配电网故障定位方法 | |
CN112130026A (zh) | 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法 | |
CN103823158B (zh) | 采用不变矩的谐振接地系统故障选线方法 | |
CN110646703B (zh) | 一种配电网单相接地故障选线方法及系统 | |
Zhang et al. | A CNN based transfer learning method for high impedance fault detection | |
CN115112992A (zh) | 基于模糊熵权的Vague集的小电流接地故障综合选线方法 | |
CN114660418B (zh) | 基于特征融合和聚类的配电网单相接地故障选线方法 | |
Acácio et al. | Evaluation of the impact of different neural network structure and data input on fault detection | |
CN109375058B (zh) | 一种基于多点监测与电流电压相差二阶差分的故障线路识别方法 | |
Gupta et al. | Voltage Based Transmission Line Protection Algorithm Using Signal Processing Techniques | |
Zeng et al. | Fault Location Scheme for Multi-terminal Transmission Line Based on Frequency-dependent Traveling Wave Velocity and Distance Matrix |
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 |