CN114814468A - 考虑高比例dg接入的配电网单相接地故障智能选线方法 - Google Patents
考虑高比例dg接入的配电网单相接地故障智能选线方法 Download PDFInfo
- Publication number
- CN114814468A CN114814468A CN202210700961.8A CN202210700961A CN114814468A CN 114814468 A CN114814468 A CN 114814468A CN 202210700961 A CN202210700961 A CN 202210700961A CN 114814468 A CN114814468 A CN 114814468A
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution network
- matrix
- power distribution
- 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.)
- Granted
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
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑高比例DG接入的配电网单相接地故障智能选线方法。针对DG接入的影响,构建了表征DG接入情况的状态矩阵和用于智能选线的DNN模型。将小波变换提取的零序电流故障特征分量矩阵和表征DG接入情况的状态矩阵结合,构成含高比例DG接入的配网单相接地故障特征矩阵,将其作为后级DNN模型的输入量,由DNN模型形成配电网故障特征矩阵与故障标签的深度映射,最后智能诊断出故障线路。本发明是一种基于WE‑DNN模型的配电网单相接地故障智能选线方法。与传统基于小波变换的配网单相接地故障选线方法相比,保留了采用小波变换提取零序电流故障特征分量,提高了高比例DG接入的配电网单相接地故障选线精度。
Description
技术领域
本发明涉及复杂配电网故障检测技术领域,尤其涉及一种考虑高比例分布式电源(Distributed Generation,DG)接入配电网的中性点不接地系统单相接地故障智能选线方法。
背景技术
我国中低压配电网不少采用中性点不接地方式,该接线方式具有供电可靠性强、投资少等优点。随着经济和工业的快速发展,能源的需求与日俱增,可再生能源因其清洁、丰富等优点越来越受到青睐,如风电、光伏等。然而,风电和光伏接入配电网中一定程度上改变了传统配电网的潮流,使得配电网发生单相接地故障时的故障电流特征不完全等同于传统辐射式配电网。
传统判断单相接地故障线路的方法主要分为稳态法和暂态法,稳态法又包括零序电流幅相比较法、零序电流有功分量法,暂态法包括暂态能量法、小波分析法。但由于配电网潮流变化,这些方法在高比例DG接入配电网的中性点不接地系统单相接地故障选线可能会失效。本发明将小波变换提取的零序电流故障特征分量矩阵和表征DG接入情况的状态矩阵结合,构成含高比例DG接入的配网单相接地故障特征矩阵,并将其作为后级DNN模型的输入量,最后由深度神经网络(Deep Neural Network,DNN)智能诊断出故障线路。
发明内容
本发明为解决现有技术的问题,提出了一种考虑高比例DG接入的配电网单相接地故障智能选线方法。
考虑高比例DG接入的配电网单相接地故障智能选线方法,包括如下步骤:
S1:构建基于小波变换的配电网故障特征矩阵;
S2:基于DNN模型配电网单相接地故障智能选线。
优选的是,本发明步骤S1中构建配电网故障特征矩阵的具体过程为:
S11:配电网暂态小波能量矩阵的构建
为获取单相接地故障的故障分量,采用小波变换对原始故障零序电流进行小
波分解;将分解后的故障信号按不同尺度进行分类,再按照式(1)计算故障零序电流的暂态
小波能量值,并形成如式(2)所示的配电网故障时的暂态小波能量矩阵;其中,为线路的暂态小波能量值,为线路在尺度下的小波系数,;为采样
点,暂态小波能量矩阵包含了该配电网故障情况下各被监测节点的故障能量大小;
S12:配电网DG接入状态矩阵的构建
S13:配电网故障特征矩阵的构建
综合S11和S12中获得的配电网暂态小波能量矩阵和配电网DG接入状态矩阵,将配电网暂态小波能量矩阵和配电网DG接入状态矩阵合并,构建出配电网故障特征矩阵,该矩阵表征了配电网故障严重程度与配电网DG接入状态。
优选的是,本发明步骤S2中基于DNN模型配电网单相接地故障智能选线,具体过程为:
首先,模拟配电网各种单相接地故障的等效模型,构建相应故障工况的故障特征矩阵和表征故障线路标号的故障标签矩阵,综合两者得到故障数据集,并将故障数据集分为训练集、测试集1、测试集2;
接着,搭建由输入层、隐含层和输出层组成的DNN模型;为使DNN模型形成配电网故障特征矩阵与故障标签的映射关系,需采用故障数据集中的训练集和测试集1训练DNN模型,其中,故障特征矩阵为输入层的输入量,故障标签矩阵为输出层的输出量;选取故障选线精度最高的小波能量-深度神经网络(Wavelet Energy-Deep Neural Network,WE-DNN)模型;为完成故障选线,需将测试集2中的故障特征矩阵输入上述DNN模型的输入层,经隐含层的系列变换后,能够在输出层得到故障线路标号。
本发明将小波变换提取的零序电流故障特征分量矩阵和表征DG接入情况的状态矩阵结合,构成含高比例DG接入的配网单相接地故障特征矩阵,并将其作为后级DNN模型的输入量,最后由DNN智能诊断出故障线路。
本发明所提的基于WE-DNN模型的配电网单相接地故障智能选线方法,与传统基于小波变换的配网单相接地故障选线方法相比,保留了采用小波变换提取零序电流故障特征分量,但针对DG接入的影响,构建了表征DG接入情况的状态矩阵和用于智能选线的DNN模型。方法的创新在于将小波变换提取的零序电流故障特征分量矩阵和表征DG接入情况的状态矩阵结合,构成含高比例DG接入的配网单相接地故障特征矩阵,并将其作为后级DNN模型的输入量,最后由DNN智能诊断出故障线路。提高了高比例DG接入的配电网单相接地故障选线精度。
附图说明
为了更加清晰地描述本发明的具体实施,下面将对本发明实施方案所需使用的附图作简单介绍。
图1为基于WE-DNN模型的中性点不接地单相接地故障智能选线原理图。
图2为WE-DNN模型的基本原理图;
图3为模拟配电网各种单相接地故障的等效模型。
具体实施方式
如图1所述,考虑高比例DG接入的配电网单相接地故障智能选线方法,包括如下步骤:
S1:构建基于小波变换的配电网故障特征矩阵;
具体过程为:
S11:配电网暂态小波能量矩阵的构建
为获取单相接地故障的故障分量,采用小波变换对原始故障零序电流进
行小波分解;将分解后的故障信号按不同尺度进行分类,再按照式(1)计算故障零序电流的
暂态小波能量值,并形成如式(2)所示的配电网故障时的暂态小波能量矩阵;其中,为线
路的暂态小波能量值,为线路在尺度下的小波系数,;为采
样点,暂态小波能量矩阵包含了该配电网故障情况下各被监测节点的故障能量大小;
S12:配电网DG接入状态矩阵的构建
S13:配电网故障特征矩阵的构建
综合S11和S12中获得的配电网暂态小波能量矩阵和配电网DG接入状态矩阵,将配电网暂态小波能量矩阵和配电网DG接入状态矩阵合并,建出配电网故障特征矩阵,该矩阵表征了配电网故障严重程度与配电网DG接入状态。
S2:基于DNN模型配电网单相接地故障智能选线;
如图2所示,具体过程为:
模拟配电网各种单相接地故障的等效模型,构建相应故障工况的故障特征矩阵和表征故障线路标号的故障标签矩阵。
模拟配电网各种单相接地故障的等效模型,具体为:如图3所示,某10kV含DG接入的配电网模型,电源为110kV,变压器变比为110/10,采用中性点不接地方式。等效模型包含1条母线,3条馈线,其中,馈线1和馈线3各有一条支路,且馈线3的支路接入光伏类分布式电源。
构建故障特征矩阵:S11暂态小波能量矩阵的构建:采用db4小波对故障数据进行5
级分解,分别提取低频小波系数和1-5级高频小波系数,按照式(1)计算暂态小波能量,并形
成如式(2)的暂态小波能量矩阵。(这里的暂态小波能量矩阵由于数据过多无法展示)DG接
入状态矩阵的构建:若将故障按照f 1、f 2、f 3、f 4、f 5的顺序排列的,DG接入状态矩阵为,m为样本数。
构建故障标签矩阵:输出为故障线路标号,分类标签数为5个,标签1~5分别代表五个故障点,具体如表所示
输出 | f<sub>1</sub> | f<sub>2</sub> | f<sub>3</sub> | f<sub>4</sub> | f<sub>5</sub> |
标签 | 1 | 2 | 3 | 4 | 5 |
将故障特征矩阵和故障标签矩阵合并,综合两者得到故障数据集,并将故障数据集按照6:3:1的比例拆分为训练集、测试集1、测试集2;
接着,搭建由输入层、隐含层和输出层组成的DNN模型;本发明构建的DNN模型故障特征输入层维度为10×1。由于本发明所搭建的DNN最终输出结果为故障线路标号,故输出层的维度为1×1。经试验,本发明搭建的DNN模型每层隐含层有12个神经元,隐含层深度为7层。由于ReLU函数的收敛速度很快但很容易过拟合,而tanh函数可以扩大特征量,因此隐藏层采用了多个ReLU函数为前置激活函数tanh函数为底层激活函数的方法,有效加快训练速度和防止训练过拟合。
为使DNN模型形成配电网故障特征矩阵与故障标签的映射关系,需采用故障数据
集中的训练集和测试集1训练DNN模型,其中,故障特征矩阵为输入层的输入量,故障标签矩
阵为输出层的输出量;选取故障选线精度最高的WE-DNN模型;从故障数据集到搭建DNN模型
再到训练好DNN模型就得到一个WE-DNN模型,,其中为选线正确的数量,为测试集1中的样本总数。
为完成故障选线,需将测试集2中的故障特征矩阵输入上述DNN模型的输入层,经隐含层的系列变换后,能够在输出层得到故障线路标号。经过偏置矩阵、权重矩阵、激活函数的变换,DNN模型包括训练和使用。训练时需要用故障数据集的所有数据,包括故障特征矩阵和故障标签,训练的过程是DNN网络自身偏置、权重更新的过程,训练完毕可得到可使用的模型。DNN模型在使用时只需要给输入量,即故障特征矩阵。WE-DNN的基本原理:当配电网发生故障,采集配电网故障信号,并输入给WE环节。WE环节完成了故障特征矩阵的构建。将故障特征矩阵作为后级DNN环节的输入,即可选出故障线路。
Claims (3)
1.一种考虑高比例DG接入的配电网单相接地故障智能选线方法,其特征在于包括如下步骤:
S1:构建基于小波变换的配电网故障特征矩阵;
S2:基于DNN模型配电网单相接地故障智能选线。
2.根据权利要求1所述的单相接地故障智能选线方法,其特征在于上述步骤S1中构建配电网故障特征矩阵的具体过程为:
S11:配电网暂态小波能量矩阵的构建
为获取单相接地故障的故障分量,采用小波变换对原始故障零序电流进行小波
分解;将分解后的故障信号按不同尺度进行分类,再按照式(1)计算故障零序电流的暂态小
波能量值,并形成如式(2)所示的配电网故障时的暂态小波能量矩阵;其中,为线路
的暂态小波能量值,为线路在尺度下的小波系数,;为采样点,暂
态小波能量矩阵包含了该配电网故障情况下各被监测节点的故障能量大小;
S12:配电网DG接入状态矩阵的构建
S13:配电网故障特征矩阵的构建
综合S11和S12中获得的配电网暂态小波能量矩阵和配电网DG接入状态矩阵,构建出配电网故障特征矩阵,该矩阵表征了配电网故障严重程度与配电网DG接入状态。
3.根据权利要求1所述的单相接地故障智能选线方法,其特征在上述步骤S2中基于DNN模型配电网单相接地故障智能选线,具体过程为:
首先,模拟配电网各种单相接地故障的等效模型,构建相应故障工况的故障特征矩阵和表征故障线路标号的故障标签矩阵,综合两者得到故障数据集,并将故障数据集分为训练集、测试集1、测试集2;
接着,搭建由输入层、隐含层和输出层组成的DNN模型;为使DNN模型形成配电网故障特征矩阵与故障标签的映射关系,需采用故障数据集中的训练集和测试集1训练DNN模型,其中,故障特征矩阵为输入层的输入量,故障标签矩阵为输出层的输出量;选取故障选线精度最高的WE-DNN模型;为完成故障选线,需将测试集2中的故障特征矩阵输入上述DNN模型的输入层,经隐含层的系列变换后,能够在输出层得到故障线路标号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210700961.8A CN114814468B (zh) | 2022-06-20 | 2022-06-20 | 考虑高比例dg接入的配电网单相接地故障智能选线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210700961.8A CN114814468B (zh) | 2022-06-20 | 2022-06-20 | 考虑高比例dg接入的配电网单相接地故障智能选线方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114814468A true CN114814468A (zh) | 2022-07-29 |
CN114814468B CN114814468B (zh) | 2022-09-20 |
Family
ID=82522105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210700961.8A Active CN114814468B (zh) | 2022-06-20 | 2022-06-20 | 考虑高比例dg接入的配电网单相接地故障智能选线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114814468B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253307A (zh) * | 2011-04-19 | 2011-11-23 | 中国电力科学研究院 | 一种含分布式电源的配电网单相接地故障定位方法 |
CN103163430A (zh) * | 2013-03-29 | 2013-06-19 | 昆明理工大学 | 一种利用复小波和ann结合的谐振接地系统故障选线方法 |
CN105759167A (zh) * | 2016-01-28 | 2016-07-13 | 江苏省电力公司南京供电公司 | 一种基于小波神经网络的配电网单相短路选线方法 |
CN107589342A (zh) * | 2017-09-04 | 2018-01-16 | 云南电网有限责任公司电力科学研究院 | 一种配电网单相接地故障定位方法及系统 |
CN110687395A (zh) * | 2019-09-23 | 2020-01-14 | 南京理工大学 | 基于深度置信网络的含分布式电源的配电网故障选线方法 |
CN112098889A (zh) * | 2020-09-09 | 2020-12-18 | 青岛鼎信通讯股份有限公司 | 一种基于神经网络和特征矩阵的单相接地故障定位方法 |
CN112114232A (zh) * | 2020-09-22 | 2020-12-22 | 福州大学 | 基于小波分解和dbn的单极接地故障测距方法 |
CN112327104A (zh) * | 2020-11-19 | 2021-02-05 | 国网安徽省电力有限公司 | 一种含分布式电源配电网的故障检测与定位方法 |
CN114118150A (zh) * | 2021-11-24 | 2022-03-01 | 国网四川省电力公司营销服务中心 | 一种配电网单相接地故障选线方法及系统 |
CN114441900A (zh) * | 2022-02-10 | 2022-05-06 | 国网四川省电力公司营销服务中心 | 一种配电网单相接地故障选线方法及系统 |
-
2022
- 2022-06-20 CN CN202210700961.8A patent/CN114814468B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253307A (zh) * | 2011-04-19 | 2011-11-23 | 中国电力科学研究院 | 一种含分布式电源的配电网单相接地故障定位方法 |
CN103163430A (zh) * | 2013-03-29 | 2013-06-19 | 昆明理工大学 | 一种利用复小波和ann结合的谐振接地系统故障选线方法 |
CN105759167A (zh) * | 2016-01-28 | 2016-07-13 | 江苏省电力公司南京供电公司 | 一种基于小波神经网络的配电网单相短路选线方法 |
CN107589342A (zh) * | 2017-09-04 | 2018-01-16 | 云南电网有限责任公司电力科学研究院 | 一种配电网单相接地故障定位方法及系统 |
CN110687395A (zh) * | 2019-09-23 | 2020-01-14 | 南京理工大学 | 基于深度置信网络的含分布式电源的配电网故障选线方法 |
CN112098889A (zh) * | 2020-09-09 | 2020-12-18 | 青岛鼎信通讯股份有限公司 | 一种基于神经网络和特征矩阵的单相接地故障定位方法 |
CN112114232A (zh) * | 2020-09-22 | 2020-12-22 | 福州大学 | 基于小波分解和dbn的单极接地故障测距方法 |
CN112327104A (zh) * | 2020-11-19 | 2021-02-05 | 国网安徽省电力有限公司 | 一种含分布式电源配电网的故障检测与定位方法 |
CN114118150A (zh) * | 2021-11-24 | 2022-03-01 | 国网四川省电力公司营销服务中心 | 一种配电网单相接地故障选线方法及系统 |
CN114441900A (zh) * | 2022-02-10 | 2022-05-06 | 国网四川省电力公司营销服务中心 | 一种配电网单相接地故障选线方法及系统 |
Non-Patent Citations (1)
Title |
---|
荣雅君等: "利用小波神经网络实现含DG配电网单相接地故障的选线", 《中国高等学校电力系统及其自动化专业第二十七届学术年会论文集》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114814468B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN107505133A (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN109884459A (zh) | 一种电力变压器绕组变形智能在线诊断定位方法 | |
CN103064008A (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN102636742A (zh) | 基于小波神经网络的大规模模拟电路故障诊断方法 | |
CN111256965B (zh) | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 | |
CN106628097A (zh) | 一种基于改进径向基神经网络的船舶设备故障诊断方法 | |
CN111680820A (zh) | 分布式光伏电站故障诊断方法和装置 | |
CN106768933A (zh) | 一种基于遗传算法的风电机组叶片故障诊断方法 | |
CN114662414A (zh) | 一种基于图小波神经网络模型的油藏生产预测方法 | |
CN113804997B (zh) | 基于双向WaveNet深度学习的电压暂降源定位方法 | |
CN113866552B (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
CN105024645A (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
CN113112039B (zh) | 基于时频记忆递归神经网络的主动配电系统初期故障识别方法 | |
CN114814468B (zh) | 考虑高比例dg接入的配电网单相接地故障智能选线方法 | |
CN113848471A (zh) | 继电保护系统的故障智能定位方法及系统 | |
CN113610119A (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
CN116087692B (zh) | 一种配电网树线放电故障识别方法、系统、终端及介质 | |
CN117171544A (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 | |
CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
CN113092934B (zh) | 基于聚类和lstm的单相接地故障判定方法及系统 | |
CN116401572A (zh) | 一种基于cnn-lstm的输电线路故障诊断方法及系统 |
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 |