CN115291047B - 一种基于脉冲神经膜系统的配电网故障区段定位方法 - Google Patents

一种基于脉冲神经膜系统的配电网故障区段定位方法 Download PDF

Info

Publication number
CN115291047B
CN115291047B CN202211219238.4A CN202211219238A CN115291047B CN 115291047 B CN115291047 B CN 115291047B CN 202211219238 A CN202211219238 A CN 202211219238A CN 115291047 B CN115291047 B CN 115291047B
Authority
CN
China
Prior art keywords
neuron
fault
snps
fault section
pulse
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
CN202211219238.4A
Other languages
English (en)
Other versions
CN115291047A (zh
Inventor
王涛
曹智博
程亮
王怡
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.)
Xihua University
Original Assignee
Xihua University
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 Xihua University filed Critical Xihua University
Priority to CN202211219238.4A priority Critical patent/CN115291047B/zh
Publication of CN115291047A publication Critical patent/CN115291047A/zh
Application granted granted Critical
Publication of CN115291047B publication Critical patent/CN115291047B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Locating Faults (AREA)

Abstract

本发明公开了一种基于脉冲神经膜系统的配电网故障区段定位方法，涉及电能计量领域，其包括建立SNPS故障区段定位一次模型；获取故障动作信息，并将其输入到SNPS故障区段定位一次模型进行计算，得到初始故障区段；通过FTU获取初始故障区段的遥测信息和遥信信息，并对遥信信息进行校正，得到校正后的遥信信息；建立SNPS故障区段定位二次模型；将校正后的遥信信息输入SNPS故障区段定位二次模型进行计算，得到最终故障诊断结果。本发明采用遥测信息对一次定位确定的故障区段内等关键节点开关的遥信信息进行畸变信息校正，以提高故障信息的可信度；减小单次定位的运算维度，提高信息交互效率和计算速度，并使故障定位更加精准。

Description

一种基于脉冲神经膜系统的配电网故障区段定位方法
技术领域
本发明涉及电能计量领域，具体涉及一种基于脉冲神经膜系统的配电网故障区段定位方法。
背景技术
为构建以可再生能源为主体的新型电力系统，大量分布式电源(DistributedGeneration，DG)并网成为配电网发展的新趋势，与此同时也使得传统的单电源辐射状配电网变成复杂的多电源网络。当含分布式电源的配电网发生故障时，故障过电流方向不唯一，馈线终端单元(Feeder Terminal Unit，FTU) 上传故障信息畸变以及配电网规模不断扩大等问题对故障区段定位提出了更高的要求。因此，快速准确的故障区段定位方法对含DG的配电网具有重要意义。
在配电网发生故障时，安装于断路器和分段开关处的各FTU可检测到故障过电流，若超过预先整定的故障电流定值，FTU则会将故障报警信息上传至系统主站。而在实际工程应用中，因恶劣环境和通信过程中噪声的干扰、延迟以及大量分布式电源渗入等因素的影响，可能会导致FTU上传的故障信息发生缺失或畸变，从而产生对故障区段的漏判或误判。此外，在节点数目众多、分布式电源接入单机容量小、渗透率高且并网位置分散的配电网中，若对大规模配电网建模进行故障定位，存在操作难度大、搜索范围广、定位速度慢且模型易出现组合爆炸的问题，难以满足现阶段下快速完成故障定位的要求。为了解决以上问题，研究新形势下具有快速性、高容错性的配电网故障定位方法相关工作亟待展开。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于脉冲神经膜系统的配电网故障区段定位方法解决了现有技术中故障区段判断准确率的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于脉冲神经膜系统的配电网故障区段定位方法，其包括以下步骤：
S1、根据物理拓扑结构，为配电网建立SNPS故障区段定位一次模型；
S2、获取故障动作信息，并将其输入到SNPS故障区段定位一次模型进行计算，得到初始故障区段；
S3、通过FTU获取初始故障区段的遥测信息和遥信信息，并对遥信信息进行校正，得到校正后的遥信信息；
S4、建立SNPS故障区段定位二次模型；
S5、将校正后的遥信信息输入SNPS故障区段定位二次模型进行计算，得到最终故障诊断结果。
本发明的有益效果为：
1、针对由于FTU上传故障信息发生缺失或畸变所引发的故障区段漏判或误判问题，本发明将主站所采集到的遥测信息与遥信信息进行提取，并采用遥测信息来校正存在畸变的遥信信息，考虑到同一节点的遥测与遥信信息同时畸变的可能性比较小，故采用遥测信息对一次定位确定的故障区段内等关键节点开关的遥信信息进行畸变信息校正，以提高故障信息的可信度；
2、针对含DG 配电网区域保护中故障定位存在计算量大、耗时长等问题，本发明采用分层定位方法，以减小单次定位的运算维度，提高信息交互效率和计算速度，并且使故障定位更加精准。具体为：首先，利用断路器、故障方向指示器等保护装置的动作信息进行一次定位，确定故障所在的区段；然后，进一步利用FTU所提供的节点过流信息进行二次定位，缩小区段范围，确定故障所位于的节点位置。
附图说明
图1本发明的流程图；
图2为含DG的配电网馈线示意图；
图3为SNPS故障区段定位一次模型；
图4为SNPS故障区段定位二次模型。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该基于脉冲神经膜系统的配电网故障区段定位方法，包括以下步骤：
S1、根据物理拓扑结构，为配电网建立SNPS故障区段定位一次模型；
S2、获取故障动作信息，并将其输入到SNPS故障区段定位一次模型进行计算，得到初始故障区段；
S3、通过FTU获取初始故障区段的遥测信息和遥信信息，并对遥信信息进行校正，得到校正后的遥信信息；
S4、建立SNPS故障区段定位二次模型；
S5、将校正后的遥信信息输入SNPS故障区段定位二次模型进行计算，得到最终故障诊断结果。
步骤S1中：SNPS包括三大类神经元，即感知神经元、执行神经元和比对神经元；感知神经元包括：外感知神经元、内感知神经元、中间神经元和输出神经元；SNPS故障区段定位一次模型包括外感知神经元、中间神经元、执行神经元和输出神经元；其中外感知神经元用于接收故障动作信息作为初始脉冲；中间神经元用于传递脉冲；执行神经元用于接收外感知神经元和中间神经元的脉冲并进行计算，并传递给中间神经元和输出神经元；输出神经元用于输出执行神经元的计算结果。
步骤S2的具体方法为：
S2-1、获取故障动作信息，将故障动作信息作为SNPS故障区段定位一次模型外感知神经元的脉冲，并判断SNPS故障区段定位一次模型外感知神经元是否接收到至少一个脉冲，若是则进入步骤S2-2；否则继续接收脉冲；
S2-2、判断SNPS故障区段定位一次模型当前外感知神经元是否连接执行神经元，若是则消耗SNPS故障区段定位一次模型当前外感知神经元的一个脉冲，同时产生并向SNPS故障区段定位一次模型执行神经元传输一个具有相同脉冲值的脉冲，并进入步骤S2-3；否则累积SNPS故障区段定位一次模型当前外感知神经元的脉冲，并等待下一次判断SNPS故障区段定位一次模型当前外感知神经元是否连接执行神经元；
S2-3、判断SNPS故障区段定位一次模型当前执行神经元是否接收到
Figure DEST_PATH_IMAGE001
个脉冲，若是则消耗SNPS故障区段定位一次模型执行神经元的
Figure 728689DEST_PATH_IMAGE001
个脉冲，同时产生并向SNPS故障区段定位一次模型下一个神经元传输一个更新后的脉冲，并进入步骤S2-4；否则累积SNPS故障区段定位一次模型当前执行神经元的脉冲，并等待SNPS故障区段定位一次模型当前外感知神经元的下一个脉冲输入；
S2-4、判断SNPS故障区段定位一次模型当前外感知神经元的脉冲或当前执行神经元的脉冲是否任一为0，若是则进入步骤S2-5；否则进入步骤S2-6；
S2-5、更新SNPS故障区段定位一次模型中外感知神经元和执行神经元的脉冲值，直到结束SNPS故障区段定位一次模型的循环，并通过SNPS故障区段定位一次模型最后一级的输出神经元输出处理结果，得到初始故障区段；
S2-6、继续更新SNPS故障区段定位一次模型当前外感知神经元的脉冲和当前执行神经元的脉冲值，直到结束SNPS故障区段定位一次模型的循环，并通过SNPS故障区段定位一次模型最后一级的输出神经元输出计算结果，得到初始故障区段。
步骤S2-2产生的向执行神经元传输的一个具有相同脉冲值的脉冲
Figure DEST_PATH_IMAGE002
为：
Figure DEST_PATH_IMAGE003
其中
Figure DEST_PATH_IMAGE004
为表示外感知神经元到执行神经元的有向突触连接关系的矩阵，T为矩阵转置，
Figure DEST_PATH_IMAGE005
为SNPS故障区段定位一次模型第g次运算后外感知神经元的脉冲值向量，
Figure DEST_PATH_IMAGE006
为SNPS故障区段定位一次模型第g+1次运算后执行神经元的脉冲值向量；
Figure DEST_PATH_IMAGE007
为计算算子，表示将
Figure 12034DEST_PATH_IMAGE007
前的矩阵的第j列元素构成的向量与
Figure 679776DEST_PATH_IMAGE007
后的向量相乘后得到的向量中的最大元素值作为第j个计算结果值。以
Figure DEST_PATH_IMAGE008
为例，
Figure DEST_PATH_IMAGE009
是一个
Figure DEST_PATH_IMAGE010
阶矩阵，
Figure DEST_PATH_IMAGE011
，则
Figure 762702DEST_PATH_IMAGE002
中第j个元素的值为
Figure DEST_PATH_IMAGE012
，其中max表示取最大值。
步骤S2-3产生的向下一个神经元传输的一个更新后的脉冲
Figure DEST_PATH_IMAGE013
为：
Figure DEST_PATH_IMAGE014
其中
Figure DEST_PATH_IMAGE015
为执行神经元到外感知神经元的有向突触连接关系的矩阵，
Figure DEST_PATH_IMAGE016
为SNPS故障区段定位一次模型第g次运算后执行神经元的脉冲值向量。
步骤S3中遥信信息包括X、Y、Z三相故障过流信息，其中X相的故障过流信息
Figure DEST_PATH_IMAGE017
：
当
Figure DEST_PATH_IMAGE018
时，表示节点X相的故障过流信息为正向；
当
Figure DEST_PATH_IMAGE019
时，表示节点X相未上传故障过流信息；
当
Figure DEST_PATH_IMAGE020
时，表示节点X相的故障过流信息为反向；
遥测信息包括X、Y、Z三相故障电流信息，其中X相的故障电流信息
Figure DEST_PATH_IMAGE021
：
当
Figure DEST_PATH_IMAGE022
时，表示节点X相的故障电流为正向且其电流值大于等于保护整定值；
当
Figure DEST_PATH_IMAGE023
时，表示节点X相没有故障电流；
当
Figure DEST_PATH_IMAGE024
时，表示节点X相的故障电流为反向且其电流值大于等于保护整定值。
步骤S3的具体方法为：
S3-1、通过FTU获取遥测信息；
S3-2、判断遥信信息某个节点三相中一相的故障信息是否与该节点该相的遥测信息相等，若是则进入步骤S3-3；否则进入步骤S3-4；
S3-3、进入该节点下一个相位的判断，到完成所有节点的每一相校正，得到校正后的故障信息序列；
S3-4、将该节点的该相的遥测信息赋予遥信信息中的该节点的该相信息位，得到校正后的故障信息点。
步骤S4中：SNPS故障区段定位二次模型包括内感知神经元、比对神经元和输出神经元；其中内感知神经元用于接收校正后的遥信信息；比对神经元用于比对相邻神经元的脉冲信息是否相似，并传递给输出神经元；输出神经元用于输出执行神经元的计算结果，即最终故障诊断结果。
步骤S5的具体方法为：
S5-1、将校正后的遥信信息输入SNPS故障区段定位二次模型内感知神经元；其中校正后的遥信信息包括至少两个节点的脉冲；
S5-2、根据公式：
Figure DEST_PATH_IMAGE025
更新SNPS故障区段定位二次模型比对神经元的脉冲值向量
Figure DEST_PATH_IMAGE026
；其中
Figure DEST_PATH_IMAGE027
为表示SNPS故障区段定位二次模型内感知神经元到比对神经元的有向突触连接关系的矩阵，
Figure DEST_PATH_IMAGE028
为SNPS故障区段定位二次模型第
Figure DEST_PATH_IMAGE029
次运算后内感知神经元脉冲值向量，
Figure DEST_PATH_IMAGE030
为计算算子，表示相邻两内感知神经元的脉冲值作差并取绝对值；
S5-3、根据公式：
Figure DEST_PATH_IMAGE031
更新SNPS故障区段定位二次模型输出神经元的脉冲值向量
Figure DEST_PATH_IMAGE032
；其中
Figure DEST_PATH_IMAGE033
为表示比对神经元到内感知神经元的有向突触连接关系的矩阵，
Figure DEST_PATH_IMAGE034
为SNPS故障区段定位二次模型第
Figure DEST_PATH_IMAGE035
次运算后比对神经元的脉冲值向量；
S5-4、判断SNPS故障区段定位二次模型更新的输出神经元脉冲值是否为1，若是则输出最终故障诊断结果为1，即该相邻两个脉冲对应的两个节点之间存在故障；否则输出最终故障诊断结果为0，即该相邻两个脉冲对应的两个节点之间无故障。
SNPS：脉冲神经膜系统
FTU：馈线终端单元
在本发明的一个实施例中，一个度为
Figure DEST_PATH_IMAGE036
的脉冲神经膜系统形式化定义如下：
Figure DEST_PATH_IMAGE037
其中，
(1)
Figure DEST_PATH_IMAGE038
为单字母集合，a表示一个神经脉冲；
(2)
Figure DEST_PATH_IMAGE039
，神经元
Figure DEST_PATH_IMAGE040
表示第i个感知神经元；
Figure DEST_PATH_IMAGE041
，
Figure DEST_PATH_IMAGE042
，神经元
Figure DEST_PATH_IMAGE043
表示第j个执行神经元，
Figure DEST_PATH_IMAGE044
，神经元
Figure DEST_PATH_IMAGE045
表示第k个比对神经元且
Figure DEST_PATH_IMAGE046
，其中：
(a)
Figure DEST_PATH_IMAGE047
、
Figure DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
是值为0或1的自然数，表示其对应神经元内部的脉冲值；
(b)
Figure DEST_PATH_IMAGE051
表示感知神经元
Figure 460793DEST_PATH_IMAGE040
的点火规则，其形式为
Figure DEST_PATH_IMAGE052
，表示当且仅当感知神经元
Figure 277439DEST_PATH_IMAGE040
接收到至少一个脉冲时，才能够执行点火规则；其中，
Figure DEST_PATH_IMAGE054
是0或1的自然数。当点火规则被执行，感知神经元
Figure 873505DEST_PATH_IMAGE040
将消耗一个脉冲值为
Figure DEST_PATH_IMAGE054A
的脉冲
Figure DEST_PATH_IMAGE055
，同时产生并向后传输一个具有相同脉冲值为
Figure DEST_PATH_IMAGE054AA
的新脉冲
Figure 350885DEST_PATH_IMAGE055
，若感知神经元
Figure 374205DEST_PATH_IMAGE040
突触后无神经元，则积累脉冲值；
(c)
Figure DEST_PATH_IMAGE056
表示执行神经元
Figure DEST_PATH_IMAGE057
的点火规则，其形式为
Figure DEST_PATH_IMAGE058
且
Figure DEST_PATH_IMAGE059
，表示当且仅当
Figure 53315DEST_PATH_IMAGE057
接收到至少s个脉冲时，才能执行点火规则；其中，
Figure DEST_PATH_IMAGE060
和
Figure DEST_PATH_IMAGE061
都是0或1的自然数。当点火规则
Figure DEST_PATH_IMAGE062
被执行，执行神经元
Figure 423379DEST_PATH_IMAGE057
将消耗s个脉冲，同时产生并向后传输一个脉冲值为
Figure 660325DEST_PATH_IMAGE061
的新脉冲
Figure DEST_PATH_IMAGE063
且
Figure DEST_PATH_IMAGE064
，即取突触前神经元的脉冲值依次两两乘积，取其最大值作为当前执行神经元的脉冲值，并将计算结果传递至下一神经元；
(d)
Figure DEST_PATH_IMAGE065
表示比对神经元
Figure DEST_PATH_IMAGE066
的点火规则，其形式为
Figure DEST_PATH_IMAGE067
且
Figure DEST_PATH_IMAGE068
，表示当且仅当
Figure 415398DEST_PATH_IMAGE066
接收到至少s个脉冲时，才能执行点火规则；其中，
Figure 737795DEST_PATH_IMAGE060
和
Figure 613347DEST_PATH_IMAGE061
都是0或1的自然数。当点火规则
Figure 580166DEST_PATH_IMAGE065
被执行，执行神经元
Figure 945289DEST_PATH_IMAGE066
将消耗s个脉冲，同时产生并向后传输一个脉冲值为
Figure 630348DEST_PATH_IMAGE061
的新脉冲
Figure 811056DEST_PATH_IMAGE063
且
Figure DEST_PATH_IMAGE069
，即取突触前神经元的脉冲值依次两两作差，取其绝对值作为当前比对神经元的脉冲值，并将计算结果传递至下一神经元。
(3)
Figure DEST_PATH_IMAGE070
，表示脉冲神经膜系统中各神经元之间突触的有向连接关系 (传递弧)，其作用是允许脉冲传递的通道；对于
Figure DEST_PATH_IMAGE071
，有
Figure DEST_PATH_IMAGE072
。
(4)
Figure DEST_PATH_IMAGE073
分别表示脉冲神经膜系统的输入和输出神经元集合。
本发明的SNPS故障区段定位一次模型和SNPS故障区段定位二次模型均基于该脉冲神经膜系统形式化设计。
步骤S2-2中
Figure DEST_PATH_IMAGE074
矩阵转置矩阵中的元素依次与当前外感知神经元的一个脉冲依次相乘，并选出其中一个最大值作为当前外感知神经元的一个脉冲输出，当前外感知神经元的p个脉冲构成一个序列输出到神经元，步骤S2-3中的计算同理。
步骤S3的校正过程如表1所示：
表1
Figure DEST_PATH_IMAGE075
如图2所示，其中，外感知神经元用黑色同心圆圈表示，执行神经元用黑色方块表示，中间神经元用黑色圆圈表示，而输出神经元则用黑色虚线圆圈表示。假设故障发生在节点
Figure DEST_PATH_IMAGE076
与节点
Figure DEST_PATH_IMAGE077
之间，检测到故障动作信息有断路器CB、
Figure DEST_PATH_IMAGE078
，故障方向指示器有
Figure DEST_PATH_IMAGE079
、
Figure DEST_PATH_IMAGE080
，与故障发生相关的外感知神经元有
Figure DEST_PATH_IMAGE081
、
Figure DEST_PATH_IMAGE082
、
Figure DEST_PATH_IMAGE083
、
Figure DEST_PATH_IMAGE084
；中间神经元有
Figure DEST_PATH_IMAGE085
、
Figure DEST_PATH_IMAGE086
、
Figure DEST_PATH_IMAGE087
。
如图3所示，根据各保护装置的动作信息可得外感知神经元与执行神经元的初始脉冲值向量分别为
Figure DEST_PATH_IMAGE088
，
Figure DEST_PATH_IMAGE089
，保护装置包括断路器和故障方向指示器。
矩阵
Figure DEST_PATH_IMAGE090
分别表示如下：
Figure DEST_PATH_IMAGE091
，
Figure DEST_PATH_IMAGE092
其中：
Figure DEST_PATH_IMAGE093
，
Figure DEST_PATH_IMAGE094
，
Figure DEST_PATH_IMAGE095
，
Figure DEST_PATH_IMAGE096
，
Figure DEST_PATH_IMAGE097
为零矩阵。
通过步骤S3的推理算法计算后可得输出神经元
Figure DEST_PATH_IMAGE098
的脉冲值为1，即
Figure DEST_PATH_IMAGE099
，表明区段Sec5内存在故障；Sec1到Sec5表示五个不同区段。
确定故障区段后，采集区段内的节点故障信息进行畸变校正。
校正完成后，建立SNPS故障区段定位二次模型，如图4所示，其中，内感知神经元用黑色实心圆圈表示，比对神经元用黑色圆角方块表示，而输出神经元与一次模型中的含义一致，所以表示方法相同。
根据FTU所上传的节点过流信息可得区段5内的节点校正后的故障信息序列为
Figure DEST_PATH_IMAGE100
，因此，内感知神经元的初始脉冲值为
Figure DEST_PATH_IMAGE101
。
连接矩阵
Figure DEST_PATH_IMAGE102
、
Figure DEST_PATH_IMAGE103
分别表示如下：
Figure DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE105
。
通过推理算法计算后可得输出神经元
Figure DEST_PATH_IMAGE106
的脉冲值为1，即
Figure DEST_PATH_IMAGE107
，表明故障位于节点13与节点14之间。
本发明将主站所采集到的遥测信息与遥信信息进行提取，并用遥测信息来校正存在畸变的遥信信息，以提高故障信息的可信度；
本发明针对由于FTU上传故障信息发生缺失或畸变所引发的故障区段漏判或误判问题，本发明将主站所采集到的遥测信息与遥信信息进行提取，并采用遥测信息来校正存在畸变的遥信信息，考虑到同一节点的遥测与遥信信息同时畸变的可能性比较小，可采用遥测信息对一次定位确定的故障区段内等关键节点开关的遥信信息进行畸变信息校正，以提高故障信息的可信度；
针对含DG 配电网区域保护中故障定位存在计算量大、耗时长等问题，本发明采用分层定位方法，以减小单次定位的运算维度，提高信息交互效率和计算速度，并且使故障定位更加精准。具体为：首先，利用断路器、故障方向指示器等保护装置的动作信息进行一次定位，确定故障所在的区段；然后，进一步利用FTU所提供的节点过流信息进行二次定位，缩小区段范围，确定故障所位于的节点位置。

Claims (5)

1.一种基于脉冲神经膜系统的配电网故障区段定位方法，其特征在于，包括以下步骤：
S1、根据物理拓扑结构，为配电网建立SNPS故障区段定位一次模型；
S2、获取故障动作信息，并将其输入到SNPS故障区段定位一次模型进行计算，得到初始故障区段；
S3、通过FTU获取初始故障区段的遥测信息和遥信信息，并对遥信信息进行校正，得到校正后的遥信信息；
S4、建立SNPS故障区段定位二次模型；
S5、将校正后的遥信信息输入SNPS故障区段定位二次模型进行计算，得到最终故障诊断结果；
步骤S1中：SNPS包括三大类神经元，即感知神经元、执行神经元和比对神经元；感知神经元包括：外感知神经元、内感知神经元、中间神经元和输出神经元；SNPS故障区段定位一次模型包括外感知神经元、中间神经元、执行神经元和输出神经元；其中外感知神经元用于接收故障动作信息作为初始脉冲；中间神经元用于传递脉冲；执行神经元用于接收外感知神经元和中间神经元的脉冲并进行计算，并传递给中间神经元和输出神经元；输出神经元用于输出执行神经元的计算结果；
步骤S3中遥信信息包括X、Y、Z三相故障过流信息，其中X相的故障过流信息
Figure 614961DEST_PATH_IMAGE001
：
当
Figure 899574DEST_PATH_IMAGE002
时，表示节点X相的故障过流信息为正向；
当
Figure 658452DEST_PATH_IMAGE003
时，表示节点X相未上传故障过流信息；
当
Figure 818038DEST_PATH_IMAGE004
时，表示节点X相的故障过流信息为反向；
遥测信息包括X、Y、Z三相故障电流信息，其中X相的故障电流信息
Figure 417908DEST_PATH_IMAGE005
：
当
Figure 637537DEST_PATH_IMAGE006
时，表示节点X相的故障电流为正向且其电流值大于等于保护整定值；
当
Figure 618131DEST_PATH_IMAGE007
时，表示节点X相没有故障电流；
当
Figure 286135DEST_PATH_IMAGE008
时，表示节点X相的故障电流为反向且其电流值大于等于保护整定值；
步骤S3的具体方法为：
S3-1、通过FTU获取遥测信息；
S3-2、判断遥信信息某个节点三相中一相的故障信息是否与该节点该相的遥测信息相等，若是则进入步骤S3-3；否则进入步骤S3-4；
S3-3、进入该节点下一个相位的判断，到完成所有节点的每一相校正，得到校正后的故障信息序列；
S3-4、将该节点的该相的遥测信息赋予遥信信息中的该节点的该相信息位，得到校正后的故障信息点；
步骤S4中：SNPS故障区段定位二次模型包括内感知神经元、比对神经元和输出神经元；其中内感知神经元用于接收校正后的遥信信息；比对神经元用于比对相邻神经元的脉冲信息是否相似，并传递给输出神经元；输出神经元用于输出执行神经元的计算结果，即最终故障诊断结果。
2.根据权利要求1所述的一种基于脉冲神经膜系统的配电网故障区段定位方法，其特征在于，步骤S2的具体方法为：
S2-1、获取故障动作信息，将故障动作信息作为SNPS故障区段定位一次模型外感知神经元的脉冲，并判断SNPS故障区段定位一次模型外感知神经元是否接收到至少一个脉冲，若是则进入步骤S2-2；否则继续接收脉冲；
S2-2、判断SNPS故障区段定位一次模型当前外感知神经元是否连接执行神经元，若是则消耗SNPS故障区段定位一次模型当前外感知神经元的一个脉冲，同时产生并向SNPS故障区段定位一次模型执行神经元传输一个具有相同脉冲值的脉冲，并进入步骤S2-3；否则累积SNPS故障区段定位一次模型当前外感知神经元的脉冲，并等待下一次判断SNPS故障区段定位一次模型当前外感知神经元是否连接执行神经元；
S2-3、判断SNPS故障区段定位一次模型当前执行神经元是否接收到
Figure 35786DEST_PATH_IMAGE009
个脉冲，若是则消耗SNPS故障区段定位一次模型执行神经元的
Figure 426316DEST_PATH_IMAGE010
个脉冲，同时产生并向SNPS故障区段定位一次模型下一个神经元传输一个更新后的脉冲，并进入步骤S2-4；否则累积SNPS故障区段定位一次模型当前执行神经元的脉冲，并等待SNPS故障区段定位一次模型当前外感知神经元的下一个脉冲输入；
S2-4、判断SNPS故障区段定位一次模型当前外感知神经元的脉冲或当前执行神经元的脉冲是否任一为0，若是则进入步骤S2-5；否则进入步骤S2-6；
S2-5、更新SNPS故障区段定位一次模型中外感知神经元和执行神经元的脉冲值，直到结束SNPS故障区段定位一次模型的循环，并通过SNPS故障区段定位一次模型最后一级的输出神经元输出处理结果，得到初始故障区段；
S2-6、继续更新SNPS故障区段定位一次模型当前外感知神经元的脉冲和当前执行神经元的脉冲值，直到结束SNPS故障区段定位一次模型的循环，并通过SNPS故障区段定位一次模型最后一级的输出神经元输出计算结果，得到初始故障区段。
3.根据权利要求2所述的一种基于脉冲神经膜系统的配电网故障区段定位方法，其特征在于：
步骤S2-2产生的向执行神经元传输的一个具有相同脉冲值的脉冲
Figure 333354DEST_PATH_IMAGE011
为：
Figure 100322DEST_PATH_IMAGE012
其中
Figure 970058DEST_PATH_IMAGE013
为表示外感知神经元到执行神经元的有向突触连接关系的矩阵，T为矩阵转置，
Figure 32954DEST_PATH_IMAGE014
为SNPS故障区段定位一次模型第g次运算后外感知神经元的脉冲值向量，
Figure 925824DEST_PATH_IMAGE015
为SNPS故障区段定位一次模型第g+1次运算后执行神经元的脉冲值向量；
Figure 230903DEST_PATH_IMAGE016
为计算算子，表示将
Figure 456610DEST_PATH_IMAGE016
前的矩阵的第j列元素构成的向量与
Figure 923364DEST_PATH_IMAGE016
后的向量相乘后得到的向量中的最大元素值作为第j个计算结果值。
4.根据权利要求3所述的一种基于脉冲神经膜系统的配电网故障区段定位方法，其特征在于：
步骤S2-3产生的向下一个神经元传输的一个更新后的脉冲
Figure 100267DEST_PATH_IMAGE017
为：
Figure 987800DEST_PATH_IMAGE018
其中
Figure 566549DEST_PATH_IMAGE019
为执行神经元到外感知神经元的有向突触连接关系的矩阵，
Figure 236827DEST_PATH_IMAGE020
为SNPS故障区段定位一次模型第g次运算后执行神经元的脉冲值向量。
5.根据权利要求1所述的一种基于脉冲神经膜系统的配电网故障区段定位方法，其特征在于，步骤S5的具体方法为：
S5-1、将校正后的遥信信息输入SNPS故障区段定位二次模型内感知神经元；其中校正后的遥信信息包括至少两个节点的脉冲；
S5-2、根据公式：
Figure 104289DEST_PATH_IMAGE021
更新SNPS故障区段定位二次模型比对神经元的脉冲值向量
Figure 751171DEST_PATH_IMAGE022
；其中
Figure 951470DEST_PATH_IMAGE023
为表示SNPS故障区段定位二次模型内感知神经元到比对神经元的有向突触连接关系的矩阵，
Figure 228868DEST_PATH_IMAGE024
为SNPS故障区段定位二次模型第
Figure 114784DEST_PATH_IMAGE025
次运算后内感知神经元脉冲值向量，
Figure 332401DEST_PATH_IMAGE026
为计算算子，表示相邻两内感知神经元的脉冲值作差并取绝对值；
S5-3、根据公式：
Figure 620163DEST_PATH_IMAGE027
更新SNPS故障区段定位二次模型输出神经元的脉冲值向量
Figure 68462DEST_PATH_IMAGE028
；其中
Figure 208719DEST_PATH_IMAGE029
为表示比对神经元到内感知神经元的有向突触连接关系的矩阵，
Figure 462982DEST_PATH_IMAGE030
为SNPS故障区段定位二次模型第
Figure 605251DEST_PATH_IMAGE031
次运算后比对神经元的脉冲值向量；
Figure 788233DEST_PATH_IMAGE016
为计算算子，表示将
Figure 852004DEST_PATH_IMAGE016
前的矩阵的第j列元素构成的向量与
Figure 909958DEST_PATH_IMAGE016
后的向量相乘后得到的向量中的最大元素值作为第j个计算结果值；
S5-4、判断SNPS故障区段定位二次模型更新的输出神经元脉冲值是否为1，若是则输出最终故障诊断结果为1，即该相邻两个脉冲对应的两个节点之间存在故障；否则输出最终故障诊断结果为0，即该相邻两个脉冲对应的两个节点之间无故障。
CN202211219238.4A 2022-10-08 2022-10-08 一种基于脉冲神经膜系统的配电网故障区段定位方法 Active CN115291047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211219238.4A CN115291047B (zh) 2022-10-08 2022-10-08 一种基于脉冲神经膜系统的配电网故障区段定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211219238.4A CN115291047B (zh) 2022-10-08 2022-10-08 一种基于脉冲神经膜系统的配电网故障区段定位方法

Publications (2)

Publication Number Publication Date
CN115291047A CN115291047A (zh) 2022-11-04
CN115291047B true CN115291047B (zh) 2022-12-20

Family

ID=83834037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211219238.4A Active CN115291047B (zh) 2022-10-08 2022-10-08 一种基于脉冲神经膜系统的配电网故障区段定位方法

Country Status (1)

Country Link
CN (1) CN115291047B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4689752A (en) * 1983-04-13 1987-08-25 Niagara Mohawk Power Corporation System and apparatus for monitoring and control of a bulk electric power delivery system
EP2798361A1 (de) * 2011-07-19 2014-11-05 Robert Bosch GmbH Vorrichtung und verfahren zur messung einer minimalen zellspannung
CN109633372A (zh) * 2018-12-19 2019-04-16 西南交通大学 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法
CN110907757A (zh) * 2019-12-06 2020-03-24 国网天津市电力公司电力科学研究院 基于电突触传递的snp系统含分布式电源配电网故障定位方法
CN112684281A (zh) * 2020-11-12 2021-04-20 国网河北省电力有限公司电力科学研究院 配电网单相接地故障区段定位方法、装置及终端设备
CN112926023A (zh) * 2021-01-26 2021-06-08 西华大学 一种基于考虑气象因素p系统的输电网故障诊断方法
CN113159113A (zh) * 2021-03-09 2021-07-23 西华大学 信息恶意篡改下可修复遥测量的智能电网故障诊断方法
CN113256096A (zh) * 2021-05-18 2021-08-13 西华大学 一种计及虚假数据注入攻击的电网故障诊断方法
CN113887157A (zh) * 2021-09-28 2022-01-04 贵州电网有限责任公司 基于rtds的主动配电网自动化终端网络闭环测试方法
CN115062026A (zh) * 2022-07-04 2022-09-16 广东电网有限责任公司 一种用电数据的检测方法、装置、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109142969A (zh) * 2018-07-20 2019-01-04 西南交通大学 一种基于连续隐马尔可夫模型的输电线路故障选相方法
CN112345858B (zh) * 2020-11-03 2021-06-01 西华大学 一种计及量测篡改攻击引发虚假故障的电网故障诊断方法
CN112926752B (zh) * 2021-01-26 2022-07-01 西华大学 考虑储能系统的智能输电网故障线路检测及故障恢复方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4689752A (en) * 1983-04-13 1987-08-25 Niagara Mohawk Power Corporation System and apparatus for monitoring and control of a bulk electric power delivery system
EP2798361A1 (de) * 2011-07-19 2014-11-05 Robert Bosch GmbH Vorrichtung und verfahren zur messung einer minimalen zellspannung
CN109633372A (zh) * 2018-12-19 2019-04-16 西南交通大学 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法
CN110907757A (zh) * 2019-12-06 2020-03-24 国网天津市电力公司电力科学研究院 基于电突触传递的snp系统含分布式电源配电网故障定位方法
CN112684281A (zh) * 2020-11-12 2021-04-20 国网河北省电力有限公司电力科学研究院 配电网单相接地故障区段定位方法、装置及终端设备
CN112926023A (zh) * 2021-01-26 2021-06-08 西华大学 一种基于考虑气象因素p系统的输电网故障诊断方法
CN113159113A (zh) * 2021-03-09 2021-07-23 西华大学 信息恶意篡改下可修复遥测量的智能电网故障诊断方法
CN113256096A (zh) * 2021-05-18 2021-08-13 西华大学 一种计及虚假数据注入攻击的电网故障诊断方法
CN113887157A (zh) * 2021-09-28 2022-01-04 贵州电网有限责任公司 基于rtds的主动配电网自动化终端网络闭环测试方法
CN115062026A (zh) * 2022-07-04 2022-09-16 广东电网有限责任公司 一种用电数据的检测方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于决策树与脉冲神经膜系统的输电网故障诊断方法;刘伟 等;《西华大学学报（自然科学版）》;20200331;第39卷(第2期);第33-38、94页 *

Also Published As

Publication number Publication date
CN115291047A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
Zheng et al. A novel equivalent model of active distribution networks based on LSTM
CN109633372B (zh) 一种基于膜系统的电力系统故障自动诊断方法
CN108120903B (zh) 一种基于脉冲神经膜系统的小电流单相接地故障选线方法
Peng et al. New Approach on Robust Delay-Dependent ${H} _\infty $ Control for Uncertain T--S Fuzzy Systems With Interval Time-Varying Delay
CN100367620C (zh) 基于混成状态估计的电力网络拓扑错误辨识方法
CN111008502A (zh) 一种数字孪生驱动的复杂装备故障预测方法
CN108270248A (zh) 一种基于准稳态灵敏度分析的有功安全校正控制方法
CN115291047B (zh) 一种基于脉冲神经膜系统的配电网故障区段定位方法
CN107730153A (zh) 一种基于改进关联矩阵的电网拓扑动态分析方法
Yu et al. Data-driven distributed grid topology identification using backtracking Jacobian matrix approach
Zhou et al. Fault location for distribution networks with distributed generation sources using a hybrid DE/PSO algorithm
CN112926752A (zh) 考虑储能系统的智能输电网故障线路检测及故障恢复方法
CN109932617B (zh) 一种基于深度学习的自适应电网故障诊断方法
Liu et al. Distribution network topology error identification method based on D-PMU and branch state function
CN105224736B (zh) 一种基于约束求解的智能电网系统鲁棒性验证方法
CN109193645B (zh) 一种数据驱动的环形电网电抗参数评估方法及评估系统
Sepehry et al. A new algorithm for reliability assessment of distribution system based on reliability network equivalent technique
CN115293073A (zh) Bpa机电暂态模型至adpss电磁暂态模型的转换方法和装置
CN109861214B (zh) 判断区域电网暂态功角稳定薄弱线路的方法、系统
Shao et al. Improved Temporal Fuzzy Reasoning Spiking Neural P Systems for Power System Fault Diagnosis
Sobhuza et al. Study of Fault Detection on a 230kV Transmission Line Using Artificial Neural Network (ANN)
Li et al. Distributed Fault Section Location for Active Distribution Network Based on Bayesian Complete Analytic Model
CN117217008B (zh) 一种输电网变压器的数字孪生模型构建方法
Wan The fault diagnosis of smart substation equipment based on fuzzy Petri nets
Chen et al. Research on branches group based method for adding mutual inductance branches to Y-matrix and Z-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