CN115097354B - 配电网故障线路确定方法、系统、电子设备及介质 - Google Patents

配电网故障线路确定方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN115097354B
CN115097354B CN202211022333.5A CN202211022333A CN115097354B CN 115097354 B CN115097354 B CN 115097354B CN 202211022333 A CN202211022333 A CN 202211022333A CN 115097354 B CN115097354 B CN 115097354B
Authority
CN
China
Prior art keywords
line
data
time
power distribution
distribution network
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
CN202211022333.5A
Other languages
English (en)
Other versions
CN115097354A (zh
Inventor
周鑫
王洪勉
李新军
谢云飞
李新龙
赵猛
翟长昊
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.)
Beijing Smartchip Microelectronics Technology Co Ltd
Beijing Smartchip Semiconductor Technology Co Ltd
Original Assignee
Beijing Smartchip Microelectronics Technology Co Ltd
Beijing Smartchip Semiconductor Technology 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 Beijing Smartchip Microelectronics Technology Co Ltd, Beijing Smartchip Semiconductor Technology Co Ltd filed Critical Beijing Smartchip Microelectronics Technology Co Ltd
Priority to CN202211022333.5A priority Critical patent/CN115097354B/zh
Publication of CN115097354A publication Critical patent/CN115097354A/zh
Application granted granted Critical
Publication of CN115097354B publication Critical patent/CN115097354B/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
    • G01R31/50—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
    • 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
    • G01R31/58—Testing of lines, cables or conductors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开涉及电力系统配电网保护技术领域，具体涉及一种配电网故障线路确定方法、系统、电子设备及介质，所述方法包括：在识别到零序电压突变时，获取所述配电网中各线路自所述零序电压突变起向后N个周期的电流时序数据；利用S变换获取各线路的电流时序数据的全频段时频特征数据；构建各线路的电流时序数据第一相关度矩阵Z；基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS‑ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T；确定所述相关度特征向量T中大于第一阈值的元素对应的线路为所述配电网的故障线路以提高模型的动态适应能力和模型精度。

Description

配电网故障线路确定方法、系统、电子设备及介质
技术领域
本公开涉及配电自动化技术领域，具体涉及一种配电网故障线路确定方法、系统、电子设备及介质。
背景技术
配电网是我国电力系统中非常重要的一环，其直接面对着广大用电客户，配电线路的安全稳定运行关系着电力系统供电服务质量。据统计我国配电网故障中约有80%的故障为单相接地故障，目前我国配电网一般采用中性点不接地或经消弧线圈接地的小电流接地方式。这种运行方式具有供电可靠性高的优点。
然而，当配电线路发生单相接地故障时，非接地相对地的电压会升高，并且断续性电弧接地时还会产生弧光过电压，长期运行可能会损坏线路绝缘，引发严重的相间故障，因此，当系统出现单相接地故障后，应该及时识别故障线路并切除。
现有技术方案中，配电网故障选线原理主要有两类，分别为基于稳态信号选线和基于暂态信号选线。由于发生故障时暂态分量幅值更大、突变更明显、信息更丰富，故近年来相关研究多倾向于基于暂态信号特征的故障选线方法。目前在配电网单相接地故障暂态信号分析中，主要以零序电流首半波相位作为特征或利用小波变换数学方法提取暂态电流的能量、相位、信息熵等信息作为特征，并基于聚类算法、负选择算法、支持向量机（SVM）等智能分类算法对故障线路进行识别。然而，现有技术方法中，零序电流信息提取方法易受到配电线路运行环境的干扰，容易造成误选的情况，同时当前常用的配电网单相接地故障识别方法，动态适应能力较弱，不能保证模型实时更新，无法满足配电网复杂多变的运行环境需求。因此，为实现具有强抗噪声能力和强泛化能力的故障选线方法，需进一步改进故障特征提取方法和选线判据。
发明内容
为了解决相关技术中的如下问题：现有零序电流信息提取方法易受到配电线路运行环境的干扰，容易造成误选的情况，同时当前常用的配电网单相接地故障识别方法，动态适应能力较弱，不能保证模型实时更新，无法满足配电网复杂多变的运行环境需求；当系统出现单相接地故障后，无法及时精确识别故障线路并切除，等等。此外，为了实现具有强抗噪声能力和强泛化能力的故障选线方法，需进一步改进故障特征提取方法和选线判据。本公开实施例提供一种配电网故障线路确定方法、系统、电子设备及介质。
鉴于上述问题，本发明第一方面，本公开实施例中提供了一种配电网故障线路确定方法，包括：在识别到零序电压突变时，获取所述配电网中各线路自所述零序电压突变起向后Q个周期的电流时序数据，Q为正整数；利用S变换获取各线路的电流时序数据的全频段时频特征数据；计算各线路的全频段时频特征数据之间的欧氏距离，基于所述欧氏距离构建各线路的电流时序数据第一相关度矩阵Z；基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS-ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T，其中，所述OS-ELM神经网络模型为根据所述配电网中各线路的历史电流时序数据训练得到，并具备实时在线更新能力的模型；确定所述相关度特征向量T中大于第一阈值的元素对应的线路为所述配电网的故障线路。
根据本公开的实施例，所述利用S变换获取各线路的电流时序数据的全频段时频特征数据，包括：
根据公式
Figure 566226DEST_PATH_IMAGE001
对所述各线路的电流时序数据进行S变换，其中，
Figure 882938DEST_PATH_IMAGE002
是频率点，N是采样点数，n是频率参数，n为整数且0≤n≤N/2，kT是时间点，k为时间参数， 0≤k≤（N-1），T为采样信号周期；m为整数且0≤m≤（N-1）；
自所述S变换后的数据中获取所述各线路的电流时序数据的全频段时频信息。
根据本公开的实施例，各线路的电流时序数据第一相关度矩阵Z为：
Figure 650911DEST_PATH_IMAGE003
，其中，apq为所述配电网中第p条线路与第q条线路的相关度，1≤p≤z，1≤q≤z。
根据本公开的实施例，所述OS-ELM神经网络模型通过以下方式训练得到：
获取M个训练样本
Figure 344061DEST_PATH_IMAGE004
，其中
Figure 874399DEST_PATH_IMAGE005
为输入样本，
Figure 727125DEST_PATH_IMAGE006
为输出样本，L为隐含层节点数，M为正整数，Rn为输入样本集合，Rm为输出样本集合；
对隐含层与输入层神经元的连接权值
Figure 608493DEST_PATH_IMAGE007
和第j个隐含层神经元的偏置
Figure 574175DEST_PATH_IMAGE008
随机赋值，j=1，2，...，L；
计算初始隐藏层输出矩阵
Figure 693441DEST_PATH_IMAGE009
，其中，
Figure 991436DEST_PATH_IMAGE010
为激活函数，M0为初始训练样本数；
计算初始权值
Figure 828942DEST_PATH_IMAGE011
，其中，
Figure 863894DEST_PATH_IMAGE012
是矩阵
Figure 339131DEST_PATH_IMAGE013
的穆尔-彭罗斯Moore-Penrose广义逆，T0是输出样本矩阵[t1，t2，…，tM0]的穆尔-彭罗斯Moore-Penrose广义逆，
Figure 309492DEST_PATH_IMAGE014
；
当
Figure 899874DEST_PATH_IMAGE015
非奇异时，得到所述OS-ELM神经网络模型的初始权值
Figure 705893DEST_PATH_IMAGE016
，其中，P0是初始中间变量，
Figure 799751DEST_PATH_IMAGE017
。
根据本公开的实施例，所述OS-ELM神经网络模型通过以下方式进行实时在线更新：
获取实时数据（xk+1，tk+1），k为时间参数；
基于所述实时数据（xk+1，tk+1）计算实时隐藏层输出矩阵Hk+1；
基于所述实时隐藏层输出矩阵Hk+1计算得到实时中间变量
Figure 268910DEST_PATH_IMAGE018
，其中，Pk为所述OS-ELM神经网络模型上一次迭代时确定的中间变量，Hk为所述OS-ELM神经网络模型上一次迭代时确定的隐藏层输出矩阵；
基于所述Hk+1和Pk+1计算得到实时权值
Figure 815429DEST_PATH_IMAGE019
，
其中，
Figure 428069DEST_PATH_IMAGE020
，Nk+1为实时训练样本数，βk为所述OS-ELM神经网络模型上一次迭代时确定的实时权值。
根据本公开的实施例，所述M个训练样本，包括：基于所述配电网中各线路在正常运行时，自零序电压突变起向后M个周期的电流时序数据得到的第二相关度矩阵；以及基于所述配电网中各线路发生单相接地故障时，自发生故障时刻起向后M个周期的电流时序数据得到的第三相关度矩阵。
根据本公开的实施例，所述基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS-ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T，包括：以所述第一相关度矩阵Z作为所述OS-ELM神经网络模型的输入，以所述实时权值
Figure 376434DEST_PATH_IMAGE021
对所述第一相关度矩阵Z进行分类，得到所述相关度特征向量T。
根据本公开的实施例，在利用S变换获取各线路的电流时序数据的全频段时频特征数据之前，还包括：对所述各线路的电流时序数据进行标准化处理。
根据本公开的实施例，所述对所述各线路的电流时序数据进行标准化处理，包括：利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理。
根据本公开的实施例，所述利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理，包括：
根据公式
Figure 16493DEST_PATH_IMAGE022
或
Figure 50309DEST_PATH_IMAGE023
对各线路的电流时序数据进行标准化，以将所述电流时序数据缩放至[0,1]或 [-1,0]范围内，其中，x为所述各线路的电流时序数据，Amin为所述各线路的电流时序数据中的最小值，Amax为所述各线路的电流时序数据中的最大值，x’为标准化后的各线路的电流时序数据。
根据本公开的实施例，所述第一阈值大于等于0.4小于等于0.7。
第二方面，本公开实施例中提供了一种配电网线路故障确定系统，所述配电网线路故障确定系统包括：零序电压监测单元，用于监测配电线路零序电压，判断零序电压是否突变，其中，在识别到零序电压突变时，获取所述配电网中各线路自所述零序电压突变起向后Q个周期的电流时序数据，Q为正整数；第一数据处理单元，用于利用S变换获取各线路的电流时序数据的全频段时频特征数据；第二数据处理单元，用于计算各线路的全频段时频特征数据之间的欧氏距离，基于所述欧氏距离构建各线路的电流时序数据第一相关度矩阵Z；模型构建单元，基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS-ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T，其中，所述OS-ELM神经网络模型为根据所述配电网中各线路的历史电流时序数据训练得到，并具备实时在线更新能力的模型；故障选线单元，用于确定所述相关度特征向量T中大于第一阈值的元素对应的线路为所述配电网的故障线路。
根据本公开的实施例，包括：
根据公式
Figure 666972DEST_PATH_IMAGE024
对所述各线路的电流时序数据进行S变换，其中，
Figure 735423DEST_PATH_IMAGE002
是频率点，N是采样点数，n是频率参数，n为整数且0≤n≤N/2，kT是时间点，k为时间参数，0≤k≤（N-1），T为采样信号周期；m为整数且0≤m≤（N-1）；
自所述S变换后的数据中获取所述各线路的电流时序数据的全频段时频信息。
根据本公开的实施例，各线路的电流时序数据第一相关度矩阵Z为：
Figure 811963DEST_PATH_IMAGE025
，其中，apq为所述配电网中第p条线路与第q条线路的相关度，1≤p≤z，1≤q≤z。
根据本公开的实施例，所述模型构建单元包括训练单元，所述训练单元用于获取M个训练样本
Figure 333074DEST_PATH_IMAGE004
，其中
Figure 379528DEST_PATH_IMAGE005
为输入样本，
Figure 944894DEST_PATH_IMAGE006
为输出样本，L为隐含层节点数，M为正整数，Rn为输入样本集合，Rm为输出样本集合；
对隐含层与输入层神经元的连接权值
Figure 51391DEST_PATH_IMAGE007
和第j个隐含层神经元的偏置
Figure 794219DEST_PATH_IMAGE008
随机赋值，j=1，2，...，L；
计算初始隐藏层输出矩阵
Figure 785309DEST_PATH_IMAGE009
，其中，
Figure 530148DEST_PATH_IMAGE010
为激活函数，M0为初始训练样本数；
计算初始权值
Figure 948491DEST_PATH_IMAGE011
，其中，
Figure 178616DEST_PATH_IMAGE012
是矩阵
Figure 832451DEST_PATH_IMAGE013
的穆尔-彭罗斯Moore-Penrose广义逆，T0是输出样本矩阵[t1，t2，…，tM0]的穆尔-彭罗斯Moore-Penrose广义逆，
Figure 464420DEST_PATH_IMAGE014
；
当
Figure 566848DEST_PATH_IMAGE015
非奇异时，得到所述OS-ELM神经网络模型的初始权值
Figure 284269DEST_PATH_IMAGE016
，其中，P0是初始中间变量，
Figure 351582DEST_PATH_IMAGE017
。
根据本公开的实施例，还包括实时更新单元，所述实时更新单元用于获取实时数据（xk+1，tk+1），k为时间参数；
基于所述实时数据（xk+1，tk+1）计算实时隐藏层输出矩阵Hk+1；
基于所述实时隐藏层输出矩阵Hk+1计算得到实时中间变量
Figure 838058DEST_PATH_IMAGE018
，其中，Pk为所述OS-ELM神经网络模型上一次迭代时确定的中间变量，Hk为所述OS-ELM神经网络模型上一次迭代时确定的隐藏层输出矩阵；
基于所述Hk+1和Pk+1计算得到实时权值
Figure 96739DEST_PATH_IMAGE019
，
其中，
Figure 160510DEST_PATH_IMAGE020
，Nk+1为实时训练样本数，βk为所述OS-ELM神经网络模型上一次迭代时确定的实时权值。
根据本公开的实施例，所述M个训练样本，包括：基于所述配电网中各线路在正常运行时，自零序电压突变起向后M个周期的电流时序数据得到的第二相关度矩阵；以及基于所述配电网中各线路发生单相接地故障时，自发生故障时刻起向后M个周期的电流时序数据得到的第三相关度矩阵。
根据本公开的实施例，包括：以所述第一相关度矩阵Z作为所述OS-ELM神经网络模型的输入，以所述实时权值
Figure 172459DEST_PATH_IMAGE021
对所述第一相关度矩阵Z进行分类，得到所述相关度特征向量T。
根据本公开的实施例，在利用S变换获取各线路的电流时序数据的全频段时频特征数据之前，还包括：对所述各线路的电流时序数据进行标准化处理。
根据本公开的实施例，包括：利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理。
根据本公开的实施例，所述利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理，包括：
根据公式
Figure 638076DEST_PATH_IMAGE022
或
Figure 477112DEST_PATH_IMAGE023
对各线路的电流时序数据进行标准化，以将所述电流时序数据缩放至[0,1]或 [-1,0]范围内，其中，x为所述各线路的电流时序数据，Amin为所述各线路的电流时序数据中的最小值，Amax为所述各线路的电流时序数据中的最大值，x’为标准化后的各线路的电流时序数据。
根据本公开的实施例，所述第一阈值大于等于0.4小于等于0.7。
第三方面，本公开实施例提供了一种芯片，所述芯片包括如第二方面中任一项所述的系统。
第四方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如本公开的第一方面或第二方面中任一项所述的方法。
第五方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如本公开的第一方面或第二方面中任一项所述的方法。
根据本公开实施例提供的技术方案，本公开的第一方面通过利用S变换求取配电网单相接地故障期间各线路暂态零序电流的全频段时频信息，其既克服了短时窗傅立叶变换不能调节分析窗口频率的问题，又引入了小波变换的多分辨率分析，提高了信息特征获取的抗噪声能力，同时通过OS-ELM算法构建的机器模型（即在线顺序超限学习机OS-ELM神经网络模型）选取故障线路，在保证快速性、泛化性的基础上，能够批次训练模型，将模型应用时的实测数据源源不断地输入神经网络模型作为在线样本数据，保持模型实时更新，提高模型的动态适应能力和模型精度，解决了样本覆盖度不够广的问题，同时也提高了线路故障诊断的准确性，确保在复杂多变的运行环境下，实现了对配电线路的监测与故障选线。
此外，本公开的第二方面通过零序电压监测单元监测配电线路零序电压，以判断零序电压是否突变，并进一步识别到零序电压突变时，获取所述配电网中各线路自所述零序电压突变起向后N个周期的电流时序数据；通过数据处理单元基于各线路的全频段时频特征数据经多次计算得到各线路的电流时序数据第一相关度矩阵，并使用于构建的OS-ELM算法构建的机器模型（即在线顺序超限学习机OS-ELM神经网络模型）选取故障线路，确定故障线路或故障线路选线，能够在保证快速性、泛化性的基础上，提高模型的动态适应能力和模型精度，解决了样本覆盖度不够广的问题，同时也提高了线路故障诊断的准确性，确保在复杂多变的运行环境下，实现了对配电线路的精确监测、精准故障选线。
此外，所述模型构建过程通过批次训练模型，将模型应用时的实测数据源源不断地输入神经网络模型作为在线样本数据，保持模型实时更新，能够进一步提高模型的动态适应能力和模型精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中。
图1示出根据本公开实施例的配电网故障线路确定方法的一示例的流程图。
图2示出根据本公开实施例的配电网故障线路确定方法的一应用示例的示意图。
图3示出根据本公开实施例的配电网及其各线路的一示例的示意图。
图4示出根据本公开的实施例的所获取的电流时序数据的一示例的示意图。
图5示出根据本公开的实施例的配电网故障线路确定系统的一示例的结构框图。
图6示出根据本公开的实施例的配电网故障线路确定系统的另一示例的结构框图。
图7示出根据本公开的实施例的电子设备的结构框图。
图8示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在本公开中，如涉及对用户信息或用户数据的获取操作或向他人展示用户信息或用户数据的操作，则所述操作均为经用户授权、确认，或由用户主动选择的操作。
为克服现有技术的不足，本公开提出了一种配电网故障线路确定方法和系统，利用S变换求取配电网单相接地故障期间各线路暂态零序电流的全频段时频信息，其既克服了短时窗傅立叶变换不能调节分析窗口频率的问题，又引入了小波变换的多分辨率分析，提高了信息特征获取的抗噪声能力，同时通过OS-ELM算法构建的机器模型（即在线顺序超限学习机OS-ELM神经网络模型）选取故障线路，在保证快速性、泛化性的基础上，能够批次训练模型，将模型应用时的实测数据源源不断地输入神经网络模型作为在线样本数据，保持模型实时更新，提高模型的动态适应能力和模型精度，解决了样本覆盖度不够广的问题，同时也提高了线路故障诊断的准确性，确保在复杂多变的运行环境下，实现了对配电线路的监测与故障选线。
下面将参照图1、图2和图3具体说明本发明的配电网故障线路确定方法。
图1示出根据本公开的实施例的配电网故障线路确定方法的一示例的流程图。如图1所示，所述配电网故障线路确定方法包括以下步骤S101 - S105：
在步骤S101中，在识别到零序电压突变时，获取所述配电网中各线路自所述零序电压突变起向后Q个周期的电流时序数据，Q为正整数。
在步骤S102中，利用S变换获取各线路的电流时序数据的全频段时频特征数据。
在步骤S103中，计算各线路的全频段时频特征数据之间的欧氏距离，基于所述欧氏距离构建各线路的电流时序数据第一相关度矩阵Z。
在步骤S104中，基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS-ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T，其中，所述OS-ELM神经网络模型为根据所述配电网中各线路的历史电流时序数据训练得到，并具备实时在线更新能力的模型。
在步骤S105中，确定所述相关度特征向量T中大于第一阈值的元素对应的线路为所述配电网的故障线路。
需要说明的是，本公开的方法应用广泛，特别适用于配电网单相接地故障线路的确定等的应用场景。
图2示出根据本公开实施例的配电网故障线路确定方法的一应用示例的示意图。
如图2所示，是本发明的方法在配电网单相接地故障线路确定的应用场景，在该应用场景下，先通过判断各线路中零序电压是否有突变，在对有零序电压突变的线路进一步判断故障线路。
下面将结合图2的应用示例对本发明方法的实现过程进行具体说明。
首先，在步骤S101中，在识别到零序电压突变时，获取所述配电网中各线路自所述零序电压突变起向后Q个周期的电流时序数据，Q为正整数。
具体地，对零序电压进行监测，并判断零序电压是否有突变，其中，有突变使用Y表示，而无突变使用N表示。例如使用零序电压监测单元对各线路的电压进行监测。
进一步地，在识别到零序电压突变时，获取所述配电网中各线路自所述零序电压突变起向后N个周期的电流时序数据，其中，这里的N个周期是指1、2、3、4...N的正整数。
例如，使用零序电流录波单元对各线路的电流进行监测，并获取所述零序电流录波单元所监测的电流时序数据。
图3示出根据本公开实施例的配电网及其各线路的一示例的示意图。
在图3所示的示例中，所述配电网包括L1、L2、L3和L4四条线路。
在一实施方式中，例如，在识别到图3所示的配电网的零序电压超过指定值时，或者在识别到图3所示的配电网的零序电压越限时，获取所述配电网中各线路（包括L1、L2、L3和L4四条线路）自所述零序电压突变起向后1个周期的电流时序数据。
需要说明的是，在其他实施方式中，还可以获取配电网中各线路自所述零序电压突变起向后2个周期的电流时序数据等。此外，所述线路的数量还可以包括五条或更多条线路，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
具体地，获取每条线路的电流时序数据，即以x轴为时间，y轴为电流幅值的波形，（获取的信号是数字信号，即为离散信号，是由无数个点组成的最终波形），具体可参见图4。
优选地，对所获取的各线路的电流时序数据进行标准化处理，例如利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理。具体使用如下公式（1）和（2）对所述各线路的电流时序数据进行预处理，将各电流时序数据缩放至[0,1]或者[-1,1]范围内：
Figure 903545DEST_PATH_IMAGE022
（1）
Figure 702874DEST_PATH_IMAGE023
（2）
其中，x为所述各线路的电流时序数据，Amin为所述各线路的电流时序数据中的最小值，Amax为所述各线路的电流时序数据中的最大值，x’为标准化后的各线路的电流时序数据。
通过将电流时序数据进行标准化处理，能够便于后续数据处理。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S102中，利用S变换获取各线路的电流时序数据的全频段时频特征数据。
具体地，根据如下公式（3）对所述各线路的电流时序数据进行S变换。
Figure 898363DEST_PATH_IMAGE026
（3）
其中，
Figure 734732DEST_PATH_IMAGE002
是频率点，N是采样点数，n是频率参数，n为整数且0≤n≤N/2，kT是时间点，k为时间参数， 0≤k≤（N-1），T为采样信号周期；m为整数且0≤m≤（N-1）。
需要说明的是，S变换是由连续小波变换和短时傅里叶变换结合发展而来的一种时序信号分析方法，其同时具有短时傅里叶变换处理局部时频信息的能力和小波变换通过改变时间窗的宽度和高度得到不同时频分辨率的优点，且其特征提取量基本不受噪声影响。
进一步地，自所述S变换后的数据中获取所述各线路的电流时序数据的全频段时频信息。由此，利用S变换来获取各线路的电流时序数据的全频段时频特征数据，能够得到更精确的全频段时频信息。
在一优选实施方式中，在利用S变换获取各线路的电流时序数据的全频段时频特征数据之前，对所述各线路的电流时序数据进行标准化处理。例如，利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理，以将所述电流时序数据缩放至[0,1]或[-1,0]范围内。
具体地，是将步骤S101中的电流时序数据（即数字信号，或者连续时序信号）变换为离散的时频信号（即全频段时频特征数据），经S变换后的结果是一个二维矩阵，列对应采样点时间，行对应频率值，矩阵元素是一个复数，即可从这个元素里面获取幅值和相位信息。
需要说明的是，由于这里的min-max标准化方法的计算公式和计算过程与步骤S101中的min-max标准化方法的计算公式和计算过程是相同的，因此，省略了对相同部分的说明。
由此，利用S变换能够更精确求取配电网单相接地故障期间各线路暂态零序电流的全频段时频信息，其既克服了短时窗傅立叶变换不能调节分析窗口频率的问题，又引入了小波变换的多分辨率分析，提高了信息特征获取的抗噪声能力。
接下来，在步骤S103中，计算各线路的全频段时频特征数据之间的欧氏距离，基于所述欧氏距离构建各线路的电流时序数据第一相关度矩阵Z。
具体地，计算各线路的全频段时频特征数据之间的欧氏距离，作为各线路的零序电流的相关度，将所有线路零序电流相关度构成零序电流相关度矩阵Z。
例如，线路L1和线路L2的零序电流经S变换获取各自相应的全频段时频信息，再计算两线路的全频段时频信息之间的欧氏距离作为Z矩阵中两线路的相关度。并且依次计算任意两条线路的全频段时频信息之间的欧氏距离，由此，通过计算配电网任意两条线路之间零序电流的时频信息的相关度，得到所有线路零序电流相关度，以构建矩阵Z，Z表达式如下所示。
各线路的电流时序数据第一相关度矩阵Z为：
Figure 412576DEST_PATH_IMAGE027
其中，apq为所述配电网中第p条线路与第q条线路的相关度，1≤p≤z，1≤q≤z。
如图3的示例所对应的相关度矩阵Z为：
Figure 890962DEST_PATH_IMAGE028
，其中，a11表示所述配电网中第1条线路与第1条线路的相关度；a12表示所述配电网中第1条线路与第2条线路的相关度；a13表示所述配电网中第1条线路与第3条线路的相关度；依次类推，可知第2条线路与其他三个线路的相关度、第3条线路与其他三个线路的相关度，以及第3条线路与其他三个线路的相关度。
需要说明的是，非故障线路的零序电流的时频信息基本一致，两线路之间欧氏距离越小，即相关度越小，且越接近于0。而故障线路与非故障线路的零序电流的时频信息差异性较大，两线路之间的相关度越大，即相关度越大，则越接近于1。
进一步地，基于所计算的欧氏距离，构建各线路的电流时序数据第一相关度矩阵Z，以用作模型输入特征，用于模型计算，并确定故障线路。
接下来，在步骤S104中，基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS-ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T，其中，所述OS-ELM神经网络模型为根据所述配电网中各线路的历史电流时序数据训练得到，并具备实时在线更新能力的模型。
具体地，使用OS-ELM算法，预先构建在线顺序超限学习机OS-ELM神经网络模型（下文中，也简称为OS-ELM神经网络模型）。
对于所述模型的构建，先建立数据库，所述数据库包括初始样本库和在线样本库，其中，所述初始样本库包括用于训练模型的训练数据集，即OS-ELM的初始训练样本的样本集合；在线样本库包括用于实时更新的在线样本，是在训练好的模型应用过程中，所述在线样本是实时采集配电网各线路中的电流时序数据（零序电流波形）而形成的在线样本数据。
对于初始样本库，获取配电线路的历史运行数据，主要分为两部分，一部分是，基于所述配电网中各线路在正常运行时，自零序电压突变起向后M个周期的电流时序数据得到的第二相关度矩阵，在本实施方式中，所述第二相关度矩阵是将在配电网正常运行时各线路的电流时序数据（例如，零序电流一周期波形、指定周期内的零序电流一周期波形等），经S变换后得到的各线路的电流时序数据的全频段时频特征数据，再进一步构建各线路的电流时序数据相关度矩阵Z（对应于模型的输入特征，也对应于正样本数据）。
而另一部分是，基于所述配电网中各线路发生单相接地故障时，自发生故障时刻起向后M个周期的电流时序数据得到的第三相关度矩阵，在本实施方式中，所述第三相关度矩阵是将在配电网线路发生单相接地故障时，各线路发生故障时刻起向后一周期的电流时序数据（例如，零序电流波形），经S变换后得到的各线路的电流时序数据的全频段时频特征数据，再进一步构建各线路的电流时序数据相关度矩阵Z（对应于模型的输入特征，也对应于负样本数据）。
对于在线样本库，在训练好的模型应用过程中，实时获取的电流时序数据（例如指定周期内的电流时序数据），用作在线样本数据。
进一步地，使用训练样本，对在线顺序超限学习机OS-ELM神经网络模型进行训练，即所述OS-ELM神经网络模型通过以下方式训练得到：
第一阶段为初始学习阶段（或者初始训练阶段），其中，获取M个训练样本
Figure 206536DEST_PATH_IMAGE004
，其中
Figure 479386DEST_PATH_IMAGE005
为输入样本，
Figure 381876DEST_PATH_IMAGE006
为输出样本，L为隐含层节点数，M为正整数，Rn为输入样本集合，Rm为输出样本集合；
对隐含层与输入层神经元的连接权值和第j个隐含层神经元的偏置随机赋值，j=1，2，...，L；
计算初始隐藏层输出矩阵
Figure 523008DEST_PATH_IMAGE009
，其中，
Figure 693089DEST_PATH_IMAGE010
为激活函数，M0为初始训练样本数；
计算初始权值
Figure 136840DEST_PATH_IMAGE011
，其中，
Figure 25161DEST_PATH_IMAGE012
是矩阵
Figure 343885DEST_PATH_IMAGE013
的穆尔-彭罗斯Moore-Penrose广义逆，T0是输出样本矩阵[t1，t2，…，tM0]的穆尔-彭罗斯Moore-Penrose广义逆，
Figure 368473DEST_PATH_IMAGE014
。
当
Figure 983125DEST_PATH_IMAGE015
非奇异时，得到所述OS-ELM神经网络模型的初始权值
Figure 217797DEST_PATH_IMAGE016
，其中，P0是初始中间变量，
Figure 841676DEST_PATH_IMAGE017
。
第二阶段为实时在线学习阶段，具体通过以下方式进行实时在线更新，对OS-ELM进行训练并更新网络权值，实现模型实时更新：
获取实时数据（xk+1，tk+1），k为时间参数，例如获取自当前时间起向后的指定周期的电流时序数据；
基于所述实时数据（xk+1，tk+1）计算实时隐藏层输出矩阵Hk+1；
基于所述实时隐藏层输出矩阵Hk+1计算得到实时中间变量
Figure 487815DEST_PATH_IMAGE018
，其中，Pk为所述OS-ELM神经网络模型上一次迭代时确定的中间变量，Hk为所述OS-ELM神经网络模型上一次迭代时确定的隐藏层输出矩阵；
基于所述Hk+1和Pk+1计算得到实时权值
Figure 273368DEST_PATH_IMAGE019
，其中，
Figure 136282DEST_PATH_IMAGE020
，Nk+1为实时训练样本数，βk为所述OS-ELM神经网络模型上一次迭代时确定的实时权值。
通过使用初始样本库中训练样本对OS-ELM神经网络模型进行初始阶段训练，并通过使用在线样本库中的在线样本对OS-ELM神经网络模型进行实时在线更新（即将模型应用时的实测数据源源不断地输入神经网络模型作为在线样本数据以用于实时在线更新），由此，即所述模型构建过程通过批次训练模型，具体对模型参数进行更新，能够保持模型实时更新，能够进一步优化模型参数，能够进一步提高模型的动态适应能力和模型精度，还能够更精确地确定配电线路的故障线路。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S105中，确定所述相关度特征向量T中大于第一阈值的元素对应的线路为所述配电网的故障线路。
具体地，基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS-ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T，更具体地，将步骤S103所得到的第一相关度矩阵Z作为所述OS-ELM神经网络模型的输入，以所述实时权值
Figure 298273DEST_PATH_IMAGE021
对所述第一相关度矩阵Z进行分类，得到所述相关度特征向量T。
进一步地，确定所述相关度特征向量T中是否有大于第一阈值的元素，其中，在所述相关度特征向量T中有大于第一阈值的元素时，则该元素所对应的线路为所述配电网的故障线路。而在所述相关度特征向量T中没有大于第一阈值的元素时，则确定无故障线路。
具体地，所述第一阈值大于等于0.4小于等于0.7。
优选地，所述第一阈值可以取0.5。但是不限于此，在其他实施方式中，还可以为0.4、0.6或者其他数值。
例如，待确定的配电网线路包括三条线路，将根据所述三条线路的电流时序数据得到的相关度矩阵
Figure 61567DEST_PATH_IMAGE029
，输入所述OS-ELM神经网络模型，输出相关度特征向量
Figure 283601DEST_PATH_IMAGE030
，其中，a23大于0.5，其他均小于0.5，则确定线路1、线路2正常，线路3为故障线路。
在另一实施方式中，将步骤S103所得到的第一相关度矩阵Z作为所述OS-ELM神经网络模型的输入，直接输出是否有故障线路以及故障线路。
通过OS-ELM算法构建的机器模型（即在线顺序超限学习机OS-ELM神经网络模型）选取故障线路，在保证快速性、泛化性的基础上，能够批次训练模型，将模型应用时的实测数据源源不断地输入神经网络模型作为在线样本数据，保持模型实时更新，提高模型的动态适应能力和模型精度，解决了样本覆盖度不够广的问题，同时也提高了线路故障诊断的准确性，确保在复杂多变的运行环境下，实现了对配电线路的监测与故障选线。
需要说明的是，上述仅作为示例进行说明，不能理解成对本公开的限制。
参照图5和图6，将说明本公开的第二方面的配电网线路故障确定系统。
图5示出根据本公开的实施例的配电网线路故障确定系统的一示例的结构框图。其中，该系统可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图5所示，所述配电网线路故障确定系统500包括零序电压监测单元510、第一数据处理单元520、第二数据处理单元530、模型构建单元540和故障选线单元550。
具体地，零序电压监测单元510用于监测配电线路零序电压，判断零序电压是否突变，其中，在识别到零序电压突变时，获取所述配电网中各线路自所述零序电压突变起向后Q个周期的电流时序数据，Q为正整数。
进一步地，第一数据处理单元520，用于利用S变换获取各线路的电流时序数据的全频段时频特征数据；第二数据处理单元530用于计算各线路的全频段时频特征数据之间的欧氏距离，基于所述欧氏距离构建各线路的电流时序数据第一相关度矩阵Z。
可选地，模型构建单元540基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS-ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T，其中，所述OS-ELM神经网络模型为根据所述配电网中各线路的历史电流时序数据训练得到，并具备实时在线更新能力的模型。
进一步地，故障选线单元550用于确定所述相关度特征向量T中大于第一阈值的元素对应的线路为所述配电网的故障线路，所述第一阈值的取值范围为0.4-0.7，优选为0.5。
具体地，包括：
根据公式
Figure 102653DEST_PATH_IMAGE001
对所述各线路的电流时序数据进行S变换，其中，
Figure 802756DEST_PATH_IMAGE002
是频率点，N是采样点数，n是频率参数，n为整数且0≤n≤N/2，kT是时间点，k为时间参数，0≤k≤（N-1），T为采样信号周期；m为整数且0≤m≤（N-1）。
进一步地，自所述S变换后的数据中获取所述各线路的电流时序数据的全频段时频信息。
各线路的电流时序数据第一相关度矩阵Z为：
Figure 781076DEST_PATH_IMAGE003
，其中，apq为所述配电网中第p条线路与第q条线路的相关度，1≤p≤z，1≤q≤z。
在一实施方式中，所述模型构建单元640包括训练单元。
具体地，所述训练单元用于获取M个训练样本
Figure 663757DEST_PATH_IMAGE004
，其中
Figure 235684DEST_PATH_IMAGE005
为输入样本，
Figure 473898DEST_PATH_IMAGE006
为输出样本，L为隐含层节点数，M为正整数，Rn为输入样本集合，Rm为输出样本集合；
对隐含层与输入层神经元的连接权值
Figure 447671DEST_PATH_IMAGE007
和第j个隐含层神经元的偏置
Figure 604982DEST_PATH_IMAGE008
随机赋值，j=1，2，...，L；
计算初始隐藏层输出矩阵
Figure 897161DEST_PATH_IMAGE009
，其中，
Figure 939067DEST_PATH_IMAGE010
为激活函数，M0为初始训练样本数；
计算初始权值
Figure 767345DEST_PATH_IMAGE011
，其中，
Figure 361138DEST_PATH_IMAGE012
是矩阵
Figure 642078DEST_PATH_IMAGE013
的穆尔-彭罗斯Moore-Penrose广义逆，T0是输出样本矩阵[t1，t2，…，tM0]的穆尔-彭罗斯Moore-Penrose广义逆，
Figure 723559DEST_PATH_IMAGE014
；
当
Figure 406345DEST_PATH_IMAGE015
非奇异时，得到所述OS-ELM神经网络模型的初始权值
Figure 171038DEST_PATH_IMAGE016
，其中，P0是初始中间变量，
Figure 939274DEST_PATH_IMAGE017
。
如图6所示，所述配电网线路故障确定系统600还包括实时更新单元660。
需要说明的是，图5中的零序电压监测单元510、第一数据处理单元520、第二数据处理单元530、模型构建单元540和故障选线单元550与图6中的零序电压监测单元610、第一数据处理单元620、第二数据处理单元630、模型构建单元640和故障选线单元650相同，因此，省略了对该相同部分的说明。
具体地，所述实时更新单元660用于获取实时数据（xk+1，tk+1），k为时间参数；
基于所述实时数据（xk+1，tk+1）计算实时隐藏层输出矩阵Hk+1；
基于所述实时隐藏层输出矩阵Hk+1计算得到实时中间变量
Figure 588561DEST_PATH_IMAGE018
，其中，Pk为所述OS-ELM神经网络模型上一次迭代时确定的中间变量，Hk为所述OS-ELM神经网络模型上一次迭代时确定的隐藏层输出矩阵；
基于所述Hk+1和Pk+1计算得到实时权值
Figure 155547DEST_PATH_IMAGE019
，其中，
Figure 966508DEST_PATH_IMAGE020
，Nk+1为实时训练样本数，βk为所述OS-ELM神经网络模型上一次迭代时确定的实时权值。
对于训练数据集，基于所述配电网中各线路在正常运行时，自零序电压突变起向后M个周期的电流时序数据得到的第二相关度矩阵；以及基于所述配电网中各线路发生单相接地故障时，自发生故障时刻起向后M个周期的电流时序数据得到的第三相关度矩阵。
对于待确定的配电网，以第二数据处理单元630所得到的第一相关度矩阵Z作为所述OS-ELM神经网络模型的输入，以所述实时权值对所述第一相关度矩阵Z进行分类，得到所述相关度特征向量T。
在一可选实施方式中，在利用S变换获取各线路的电流时序数据的全频段时频特征数据之前，还包括：对所述各线路的电流时序数据进行标准化处理。
例如，利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理。
具体地，所述利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理，包括：
根据公式
Figure 956461DEST_PATH_IMAGE022
或
Figure 268493DEST_PATH_IMAGE023
对各线路的电流时序数据进行标准化，以将所述电流时序数据缩放至[0,1]或 [-1,0]范围内，其中，x为所述各线路的电流时序数据，Amin为所述各线路的电流时序数据中的最小值，Amax为所述各线路的电流时序数据中的最大值，x’为标准化后的各线路的电流时序数据。
本公开实施例还提供一种芯片，所述芯片包括上述配电网故障线路确定系统，所述系统可以通过软件、硬件或者两者的结合实现成为芯片的部分或者全部。
本公开还公开了一种电子设备，图7示出根据本公开的实施例的电子设备的结构框图。
如图7所示，所述电子设备包括存储器和处理器，其中，存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现根据本公开的第一方面所述的配电网线路故障确定方法。
具体地，所述自动识别方法包括：获取历史特定时间段的低压配电台区中与新能源设备接入相关的电气量监测数据，并进行特征数据提取；基于所提取的特征数据，建立训练数据集，以用于训练设备接入识别模型，所述特征数据包括电流特征数据、电压特征数据、功率特征数据和特征现象持续时间；将指定时间段的电气量监测数据输入训练好的设备接入识别模型，以确定是否接入新能源设备。
进一步地，所述自动定位方法包括采用上述自动识别方法识别是否接入新能源设备；在确定接入新能源设备时，使用拓扑关系结构图对所述新能源设备进行定位。
图8示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
如图8所示，计算机系统包括处理单元，其可以根据存储在只读存储器（ROM）中的程序或者从存储部分加载到随机访问存储器（RAM）中的程序而执行上述实施例中的各种方法。在RAM中，还存储有计算机系统操作所需的各种程序和数据。处理单元、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信过程。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。其中，所述处理单元可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地，根据本公开的实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (17)

1.一种配电网故障线路确定方法，其特征在于，包括：
对零序电压进行监测，并判断零序电压是否有突变，在识别到零序电压突变时，获取所述配电网中各线路自所述零序电压突变起向后Q个周期的电流时序数据，Q为正整数；
利用S变换获取各线路的电流时序数据的全频段时频特征数据；
计算各线路的全频段时频特征数据之间的欧氏距离，基于所述欧氏距离构建各线路的电流时序数据第一相关度矩阵Z；
基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS-ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T，其中，所述OS-ELM神经网络模型为根据所述配电网中各线路的历史电流时序数据训练得到，并具备实时在线更新能力的模型；
确定所述相关度特征向量T中大于第一阈值的元素对应的线路为所述配电网的故障线路；
所述OS-ELM神经网络模型通过以下方式训练得到：
获取M个训练样本
Figure DEST_PATH_IMAGE001
，其中
Figure 751354DEST_PATH_IMAGE002
为输入样本，
Figure DEST_PATH_IMAGE003
为输出样本，L为隐含层节点数，M为正整数，Rn为输入样本集合，Rm为输出样本集合；
对隐含层与输入层神经元的连接权值
Figure 370292DEST_PATH_IMAGE004
和第j个隐含层神经元的偏置
Figure DEST_PATH_IMAGE005
随机赋值，j=1，2，...，L；
计算初始隐藏层输出矩阵
Figure 25396DEST_PATH_IMAGE006
，其中，
Figure DEST_PATH_IMAGE007
为激活函数，M0为初始训练样本数；
计算初始权值
Figure 794506DEST_PATH_IMAGE008
，其中，
Figure DEST_PATH_IMAGE009
是矩阵
Figure 15403DEST_PATH_IMAGE010
的穆尔-彭罗斯Moore-Penrose广义逆，T0是输出样本矩阵[t1，t2，…，tM0]的穆尔-彭罗斯Moore-Penrose广义逆，
Figure DEST_PATH_IMAGE011
；
当
Figure 415029DEST_PATH_IMAGE012
非奇异时，得到所述OS-ELM神经网络模型的初始权值
Figure DEST_PATH_IMAGE013
，其中，P0是初始中间变量，
Figure 557429DEST_PATH_IMAGE014
；
所述OS-ELM神经网络模型通过以下方式进行实时在线更新：
获取实时数据（xk+1，tk+1），k为时间参数；
基于所述实时数据（xk+1，tk+1）计算实时隐藏层输出矩阵Hk+1；
基于所述实时隐藏层输出矩阵Hk+1计算得到实时中间变量
Figure DEST_PATH_IMAGE015
，其中，Pk为所述OS-ELM神经网络模型上一次迭代时确定的中间变量，Hk为所述OS-ELM神经网络模型上一次迭代时确定的隐藏层输出矩阵；
基于所述Hk+1和Pk+1计算得到实时权值
Figure 162854DEST_PATH_IMAGE016
，
其中，
Figure DEST_PATH_IMAGE017
，Nk+1为实时训练样本数，βk为所述OS-ELM神经网络模型上一次迭代时确定的实时权值；
所述M个训练样本，包括：
基于所述配电网中各线路在正常运行时，自零序电压突变起向后M个周期的电流时序数据得到的第二相关度矩阵；以及
基于所述配电网中各线路发生单相接地故障时，自发生故障时刻起向后M个周期的电流时序数据得到的第三相关度矩阵；
所述基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS-ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T，包括：
以所述第一相关度矩阵Z作为所述OS-ELM神经网络模型的输入，以所述实时权值
Figure 211493DEST_PATH_IMAGE018
对所述第一相关度矩阵Z进行分类，得到所述相关度特征向量T。
2.根据权利要求1所述的方法，其特征在于，所述利用S变换获取各线路的电流时序数据的全频段时频特征数据，包括：
根据公式
Figure DEST_PATH_IMAGE019
对所述各线路的电流时序数据进行S变换，其中，
Figure 80223DEST_PATH_IMAGE020
是频率点，N是采样点数，n是频率参数，n为整数且0≤n≤N/2，kT是时间点，k为时间参数， 0≤k≤（N-1），T为采样信号周期；m为整数且0≤m≤（N-1）；
自所述S变换后的数据中获取所述各线路的电流时序数据的全频段时频信息。
3.根据权利要求1所述的方法，其特征在于，各线路的电流时序数据第一相关度矩阵Z为：
Figure DEST_PATH_IMAGE021
，其中，apq为所述配电网中第p条线路与第q条线路的相关度，1≤p≤z，1≤q≤z。
4.根据权利要求1所述的方法，其特征在于，在利用S变换获取各线路的电流时序数据的全频段时频特征数据之前，还包括：
对所述各线路的电流时序数据进行标准化处理。
5.根据权利要求4所述的方法，其特征在于，所述对所述各线路的电流时序数据进行标准化处理，包括：
利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理。
6.根据权利要求5所述的方法，其特征在于，所述利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理，包括：
根据公式
Figure 208454DEST_PATH_IMAGE022
或
Figure DEST_PATH_IMAGE023
对各线路的电流时序数据进行标准化，以将所述电流时序数据缩放至[0,1]或 [-1,0]范围内，其中，x为所述各线路的电流时序数据，Amin为所述各线路的电流时序数据中的最小值，Amax为所述各线路的电流时序数据中的最大值，x’为标准化后的各线路的电流时序数据。
7.根据权利要求1所述的方法，其特征在于，所述第一阈值大于等于0.4小于等于0.7。
8.一种配电网故障线路确定系统，其特征在于，所述配电网故障线路确定系统包括：
零序电压监测单元，用于监测配电线路零序电压，判断零序电压是否突变，其中，在识别到零序电压突变时，获取所述配电网中各线路自所述零序电压突变起向后Q个周期的电流时序数据，Q为正整数；
第一数据处理单元，用于利用S变换获取各线路的电流时序数据的全频段时频特征数据；
第二数据处理单元，用于计算各线路的全频段时频特征数据之间的欧氏距离，基于所述欧氏距离构建各线路的电流时序数据第一相关度矩阵Z；
模型构建单元，基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS-ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T，其中，所述OS-ELM神经网络模型为根据所述配电网中各线路的历史电流时序数据训练得到，并具备实时在线更新能力的模型；
故障选线单元，用于确定所述相关度特征向量T中大于第一阈值的元素对应的线路为所述配电网的故障线路；
所述模型构建单元包括训练单元，
所述训练单元用于获取M个训练样本
Figure 617570DEST_PATH_IMAGE001
，其中
Figure 577173DEST_PATH_IMAGE002
为输入样本，
Figure 679121DEST_PATH_IMAGE003
为输出样本，L为隐含层节点数，M为正整数，Rn为输入样本集合，Rm为输出样本集合；
对隐含层与输入层神经元的连接权值
Figure 655168DEST_PATH_IMAGE004
和第j个隐含层神经元的偏置
Figure 867974DEST_PATH_IMAGE005
随机赋值，j=1，2，...，L；
计算初始隐藏层输出矩阵
Figure 150926DEST_PATH_IMAGE006
，其中，
Figure 423775DEST_PATH_IMAGE007
为激活函数，M0为初始训练样本数；
计算初始权值
Figure 887118DEST_PATH_IMAGE008
，其中，
Figure 903615DEST_PATH_IMAGE009
是矩阵
Figure 870434DEST_PATH_IMAGE010
的穆尔-彭罗斯Moore-Penrose广义逆，T0是输出样本矩阵[t1，t2，…，tM0]的穆尔-彭罗斯Moore-Penrose广义逆，
Figure 299140DEST_PATH_IMAGE011
；
当
Figure 984199DEST_PATH_IMAGE012
非奇异时，得到所述OS-ELM神经网络模型的初始权值
Figure 7650DEST_PATH_IMAGE013
，其中，P0是初始中间变量，
Figure 297817DEST_PATH_IMAGE014
；
所述的配电网故障线路确定系统，还包括实时更新单元，
所述实时更新单元用于获取实时数据（xk+1，tk+1），k为时间参数；
基于所述实时数据（xk+1，tk+1）计算实时隐藏层输出矩阵Hk+1；
基于所述实时隐藏层输出矩阵Hk+1计算得到实时中间变量
Figure 676583DEST_PATH_IMAGE015
，其中，Pk为所述OS-ELM神经网络模型上一次迭代时确定的中间变量，Hk为所述OS-ELM神经网络模型上一次迭代时确定的隐藏层输出矩阵；
基于所述Hk+1和Pk+1计算得到实时权值
Figure 317780DEST_PATH_IMAGE016
，
其中，
Figure 410501DEST_PATH_IMAGE017
，Nk+1为实时训练样本数，βk为所述OS-ELM神经网络模型上一次迭代时确定的实时权值；
所述M个训练样本，包括：
基于所述配电网中各线路在正常运行时，自零序电压突变起向后M个周期的电流时序数据得到的第二相关度矩阵；以及
基于所述配电网中各线路发生单相接地故障时，自发生故障时刻起向后M个周期的电流时序数据得到的第三相关度矩阵；
所述基于所述第一相关度矩阵Z和预先构建的在线顺序超限学习机OS-ELM神经网络模型，得到由所述各线路的电流时序数据的相关度构成的相关度特征向量T，包括：
以所述第一相关度矩阵Z作为所述OS-ELM神经网络模型的输入，以所述实时权值
Figure 820754DEST_PATH_IMAGE018
对所述第一相关度矩阵Z进行分类，得到所述相关度特征向量T。
9.根据权利要求8所述的配电网故障线路确定系统，其特征在于，包括：
根据公式
Figure 370422DEST_PATH_IMAGE024
对所述各线路的电流时序数据进行S变换，其中，
Figure 233336DEST_PATH_IMAGE020
是频率点，N是采样点数，n是频率参数，n为整数且0≤n≤N/2，kT是时间点，k为时间参数，0≤k≤（N-1），T为采样信号周期；m为整数且0≤m≤（N-1）；
自所述S变换后的数据中获取所述各线路的电流时序数据的全频段时频信息。
10.根据权利要求8所述的配电网故障线路确定系统，其特征在于，各线路的电流时序数据第一相关度矩阵Z为：
Figure DEST_PATH_IMAGE025
，其中，apq为所述配电网中第p条线路与第q条线路的相关度，1≤p≤z，1≤q≤z。
11.根据权利要求8所述的配电网故障线路确定系统，其特征在于，在利用S变换获取各线路的电流时序数据的全频段时频特征数据之前，还包括：
对所述各线路的电流时序数据进行标准化处理。
12.根据权利要求11所述的配电网故障线路确定系统，其特征在于，包括：
利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理。
13.根据权利要求8所述的配电网故障线路确定系统，其特征在于，所述利用min-max标准化方法对所述各线路的电流时序数据进行标准化处理，包括：
根据公式
Figure 129747DEST_PATH_IMAGE022
或
Figure 361883DEST_PATH_IMAGE023
对各线路的电流时序数据进行标准化，以将所述电流时序数据缩放至[0,1]或 [-1,0]范围内，其中，x为所述各线路的电流时序数据，Amin为所述各线路的电流时序数据中的最小值，Amax为所述各线路的电流时序数据中的最大值，x’为标准化后的各线路的电流时序数据。
14.根据权利要求8所述的配电网故障线路确定系统，其特征在于，所述第一阈值大于等于0.4小于等于0.7。
15.一种芯片，其特征在于，
所述芯片包括如权利要求8-14中任一项所述的系统。
16.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1至7中任一项所述的配电网故障线路确定方法。
17.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1至7中任一项所述的配电网故障线路确定方法。
CN202211022333.5A 2022-08-25 2022-08-25 配电网故障线路确定方法、系统、电子设备及介质 Active CN115097354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211022333.5A CN115097354B (zh) 2022-08-25 2022-08-25 配电网故障线路确定方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211022333.5A CN115097354B (zh) 2022-08-25 2022-08-25 配电网故障线路确定方法、系统、电子设备及介质

Publications (2)

Publication Number Publication Date
CN115097354A CN115097354A (zh) 2022-09-23
CN115097354B true CN115097354B (zh) 2023-01-20

Family

ID=83300074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211022333.5A Active CN115097354B (zh) 2022-08-25 2022-08-25 配电网故障线路确定方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN115097354B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930302A (zh) * 2012-10-18 2013-02-13 山东大学 基于在线序贯极限学习机的递增式人体行为识别方法
CN103593670A (zh) * 2013-10-14 2014-02-19 浙江工业大学 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN110362989A (zh) * 2019-04-22 2019-10-22 浙江师范大学 基于记忆减退型在线序列极限学习机的恶意网页检测方法
CN112180210A (zh) * 2020-09-24 2021-01-05 华中科技大学 一种配电网单相接地故障选线方法及系统
CN112378619A (zh) * 2020-11-06 2021-02-19 东北财经大学 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用
CN113673580A (zh) * 2021-07-28 2021-11-19 贵州电网有限责任公司 基于大数据建模的窃电嫌疑判断方法
CN114757520A (zh) * 2022-04-09 2022-07-15 合肥工业大学 变电站运维管理信息系统健康诊断方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10030602B2 (en) * 2014-07-22 2018-07-24 The Regents Of The University Of Michigan Adaptive machine learning method to predict and control engine combustion

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930302A (zh) * 2012-10-18 2013-02-13 山东大学 基于在线序贯极限学习机的递增式人体行为识别方法
CN103593670A (zh) * 2013-10-14 2014-02-19 浙江工业大学 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN110362989A (zh) * 2019-04-22 2019-10-22 浙江师范大学 基于记忆减退型在线序列极限学习机的恶意网页检测方法
CN112180210A (zh) * 2020-09-24 2021-01-05 华中科技大学 一种配电网单相接地故障选线方法及系统
CN112378619A (zh) * 2020-11-06 2021-02-19 东北财经大学 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用
CN113673580A (zh) * 2021-07-28 2021-11-19 贵州电网有限责任公司 基于大数据建模的窃电嫌疑判断方法
CN114757520A (zh) * 2022-04-09 2022-07-15 合肥工业大学 变电站运维管理信息系统健康诊断方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于OS-ELM的变压器局部放电模式识别;张秦梫等;《高电压技术》;20180416;第44卷(第04期);1122-1130 *

Also Published As

Publication number Publication date
CN115097354A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
Ciancetta et al. A new convolutional neural network-based system for NILM applications
Lin et al. Detection and classification of multiple power-quality disturbances with wavelet multiclass SVM
EP3422518A1 (en) A method for recognizing contingencies in a power supply network
CN112051480A (zh) 基于变分模态分解的神经网络配电网故障诊断方法及系统
Cheng et al. Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting
CN113625103B (zh) 小电流接地系统单相接地故障的选线方法
Baumann et al. Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network
Moravej et al. A new approach based on S-transform for discrimination and classification of inrush current from internal fault currents using probabilistic neural network
Omar et al. Fault classification on transmission line using LSTM network
Liu et al. Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements
Nguyen et al. Spatial-temporal recurrent graph neural networks for fault diagnostics in power distribution systems
Chen et al. Real‐time recognition of power quality disturbance‐based deep belief network using embedded parallel computing platform
Sima et al. Diagnosis of small-sample measured electromagnetic transients in power system using DRN-LSTM and data augmentation
CN109635430B (zh) 电网输电线路暂态信号监测方法和系统
Li et al. A single-phase-to-ground fault location method based on convolutional deep belief network
CN111654392A (zh) 基于互信息的低压配电网拓扑识别方法及系统
Kanwal et al. Artificial intelligence based faults identification, classification, and localization techniques in transmission lines-a review
CN113901666A (zh) 应用于智能电网的实时监控和异常检测方法
EP4226473A1 (en) Estimating energy consumption for a building using dilated convolutional neural networks
Jiang et al. Application of a hybrid model of big data and BP network on fault diagnosis strategy for microgrid
CN115097354B (zh) 配电网故障线路确定方法、系统、电子设备及介质
Hassani et al. Design of a cost-effective deep convolutional neural network–based scheme for diagnosing faults in smart grids
Abrishami et al. Using real-world store data for foot traffic forecasting
Petladwala et al. Canonical correlation based feature extraction with application to anomaly detection in electric appliances
Barros et al. Detection and classification of voltage disturbances in electrical power systems using a modified Euclidean ARTMAP neural network with continuous training

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