CN115494349B - 有源配电网单相接地故障区段定位方法 - Google Patents
有源配电网单相接地故障区段定位方法 Download PDFInfo
- Publication number
- CN115494349B CN115494349B CN202211377677.8A CN202211377677A CN115494349B CN 115494349 B CN115494349 B CN 115494349B CN 202211377677 A CN202211377677 A CN 202211377677A CN 115494349 B CN115494349 B CN 115494349B
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- graph
- positioning
- line
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了有源配电网单相接地故障区段定位方法,包括步骤1,建立有源配电网单相接地故障样本集,样本集包括训练集和测试集;步骤2,构建基于边图和图注意力网络的故障定位模型,模型输出各线路是否发生故障的置信度;步骤3,使用训练集训练故障定位模型,当模型的损失函数在迭代过程中不再减小且评估指标不再变化时结束训练;步骤4,使用训练完成的模型进行故障定位,通过测试集评价模型的误判率及定位准确率。本发明不仅能够弥补传统GNN框架难以处理边特征的缺陷,而且能解决人工处理特征造成定位效果下降的问题,用少量的训练样本就能实现准确的故障区段定位,在考虑数据丢失、负荷波动等情形下有较好的鲁棒性。
Description
技术领域
本发明涉及电力系统技术领域,尤其是指有源配电网单相接地故障区段定位方法。
背景技术
为提高供电可靠性,中低压配电网多采用中性点不直接接地方式。当配电网发生单相接地故障时,线电压仍保持对称且故障电流较小,在故障排除前允许短时运行,但是微弱的故障特征给故障定位带来了一定的困难。此外,量大面广的配电网为降低建设成本,多在线路上仅装设电流互感器,电压互感器仅在必要时装设,而以同步相量测量单元(PMU)为代表的精确量测设备很少配置,不充足的量测信息条件使得基于精确电气量的定位方法难以应用。目前,大量以风电和光伏为代表的逆变器型分布式电源(inverter interfaceddistributed generation,IIDG)接入配电网。IIDG在配电网故障时具备一定的低电压穿越(low voltage ride through,LVRT)能力,在电压跌落时会根据电压跌落深度输出相应无功支撑电流。IIDG的无功支撑电流不仅影响故障电流的分布,还影响基于故障时电压电流特征的故障定位方法的使用。因此,有必要研究有源配电网在量测信息受限条件下的单相接地故障定位问题。
针对传统中性点不接地配电网中的单相接地故障区段定位问题,按照利用信息的范围可分为基于就地信息的方法和基于广域信息的方法。前者一般通过机理分析设置阈值且定位准确性受阈值影响较大;后者在一定的通信条件下能够利用更广的信息进行定位,主要分为矩阵法和人工智能法。矩阵法存在特征提取能力不足和容错性差的问题,而人工智能算法凭借其强大的拟合能力在故障定位中展现出了巨大优势,尤其是图神经网络(GNN),其能够将配电网的拓扑特征也考虑在内,大大提升了定位效果,但传统的图神经网络难以处理边上的高维特征,在基于线路特征的定位模型中难以应用。
发明内容
本发明的目的是克服现有技术中单相接地故障区段定位准确性较低,缺乏人工智能算法进行精准定位的缺陷,提供一种有源配电网单相接地故障区段定位方法。
本发明的目的是通过下述技术方案予以实现:
有源配电网单相接地故障区段定位方法,包括以下步骤:
步骤1,建立有源配电网单相接地故障样本集,样本集包括训练集和测试集;
步骤2,构建基于边图和图注意力网络(GAT)的故障定位模型,故障定位模型输出各线路是否发生故障的置信度;
步骤3,使用训练集训练故障定位模型,当故障定位模型的损失函数在迭代过程中不再减小且评估指标不再变化时结束训练;
步骤4,使用训练完成的故障定位模型进行故障定位,通过测试集评价故障定位模型的误判率及定位准确率;
步骤5,若通过测试集评价故障定位模型的误判率未超过设定的第一阈值且定位准确率超过设定的第二阈值,则在有源配电网单相接地故障时,故障定位模型对有源配电网单相接地故障区段进行定位,若通过测试集评价故障定位模型的误判率超过设定的第一阈值且/或定位准确率未超过设定的第二阈值,则跳转至步骤6;测试集评价故障定位模型的误判率超过设定的第一阈值与定位准确率未超过设定的第二阈值,两个条件只需要满足中一个就判断故障定位模型存在的误差较大,因此需要优化故障定位模型。
步骤6,调整故障定位模型的参数,重复步骤2至步骤5。
作为优选,所述的步骤1中,故障样本集包括故障样本和非故障样本,故障样本的获取方式为通过仿真在各相线路上设置相同数量的单相接地故障,获取故障前后的电流有效值,三相、两相和单相线路的故障样本数量比为3:2:1;非故障样本采样电流有效值作为故障前的电流值,故障后的电流值为故障前的电流值经过数据加噪实现。
作为优选,所述的故障定位模型包括输入模块、图嵌入模块和分类器模块,所述的步骤2具体为:
输入模块包括边图转换模块,边图转换模块包括节点图模型和边图模型,在节点图模型中,将线路抽象为边,节点特征取自母线上的电气量;在边图模型中,将线路抽象成节点成为边图节点,边图节点特征取自线路上的电气量,相邻线路对应的边图节点用边相连;然后输入模块将边图节点特征按边图节点顺序排列成特征矩阵,边图节点的顺序与边图邻接矩阵一致;
图嵌入模块包括图注意力层和线性层,图注意力层根据线路的邻接关系进行更新,更新后的节点特征长度为D,线性层对边图节点特征做线性变换,变换后节点特征长度也为D,最后图嵌入模块对图注意力层和线性层的输出结果进行相加;
分类器模块将图嵌入模块输出的各节点特征展平成一个长向量作为层数至少为2的多层感知机的输入;使用归一化指数函数Softmax以概率的形式输出
M+1维的向量,分别表示
M条线路发生故障的置信度和无故障的置信度,取最大置信度对应的类别作为最终的输出。
作为优选,所述的图嵌入模块还包括批量归一化层,在图嵌入模块对图注意力层和线性层的输出结果进行相加后,使用批量归一化稳定每层输入数据的分布,批量归一化层后的激活函数选择ReLU。
作为优选,所述的多层感知机中的每一层均添加丢失概率50%的Rropout层,用于减少故障定位模型的过拟合程度。
作为优选,所述的输入模块中还包括数据预处理模型,对于进入图转换模块的数据需要首先经过预处理模型对数据进行预处理,对于三相电流的有效值不需要进行处理,对于两相电流和单相电流中无效项用0填充,对于缺失的数据也用0填充。
作为优选,所述的步骤3具体为:
首先对训练集中的训练样本进行随机采样,采用带权重的随机采样解决采样过程中类别不平衡的问题,每轮训练中不放回地对训练样本进行采样,构成若干个小批量的数据进行训练,直到某一类的样本被全部取完进入下一轮训练,其中每类样本的采样概率与其在训练集中占的比例呈反比;
选择交叉熵损失函数来衡量两个独立概率分布的差异并训练故障定位模型:
式中,H(p,q)表示标签
p和模型输出
q的交叉熵损失值,
pi和
qi分别表示标签中和模型输出结果中类别
i的概率,优化器使用Adam。
作为优选,所述的步骤4具体为:首先定义故障的类型,A类故障类型表示真实的标签为无故障,故障定位模型输出的结果是线路
i故障;B类故障类型表示真实的标签为线路
i故障,故障定位模型输出的结果是无故障;C类故障类型表示真实的标签为线路
i故障,故障定位模型输出的结果是线路
j故障;
在测试集中,若是非故障样本,则用A类故障类型样本数占非故障样本数的百分比表示故障定位模型A类故障误判率;若是故障样本,用B类故障样本数所占故障样本数的百分比表示B类故障误判率;对于C类故障类型,通过
k阶定位准确率
acc k 来判断:
式中,
N f 是测试集中的故障样本数,
N k 是模型定位的线路与真实故障线路存在
k阶相邻关系的样本数,
N p 是故障定位模型定位的线路为真实故障线路的样本数;1阶定位准确率的含义是故障定位模型定位到故障线路一阶相邻线路的情况也被认定为定位正确; 2阶定位准确率的含义是定位到故障线路二阶相邻线路的情况也被认定为定位正确。定义不同阶次的定位准确率是为了能够对模型的定位性能给出更加层次化的评价。
本发明的有益效果是:本发明提出一种基于边图和GAT的有源配电网单相接地故障区段定位方法,不仅能够弥补传统GNN框架难以处理边特征的缺陷,而且能解决人工处理特征造成定位效果下降的问题,用少量的训练样本就能实现准确的故障区段定位,在考虑数据丢失、负荷波动等情形下有较好的鲁棒性。
附图说明
图1是本发明的一种流程图;
图2是本发明的一种节点图;
图3是本发明的节点图对应的一种边图;
图4是本发明故障定位模型框架图;
图5是本发明IEEE 123节点配电网系统接线图;
图6是本发明训练样本数对不同模型定位性能的影响曲线图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例:
有源配电网单相接地故障区段定位方法,如图1所示,包括以下步骤:
步骤1,建立有源配电网单相接地故障样本集,样本集包括训练集和测试集;
步骤2,构建基于边图和图注意力网络的故障定位模型,故障定位模型输出各线路是否发生故障的置信度;
步骤3,使用训练集训练故障定位模型,当故障定位模型的损失函数在迭代过程中不再减小且评估指标不再变化时结束训练;
步骤4,使用训练完成的故障定位模型进行故障定位,通过测试集评价故障定位模型的误判率及定位准确率;
步骤5,若通过测试集评价故障定位模型的误判率未超过设定的第一阈值且定位准确率超过设定的第二阈值,则在有源配电网单相接地故障时,故障定位模型对有源配电网单相接地故障区段进行定位,若通过测试集评价故障定位模型的误判率超过设定的第一阈值且/或定位准确率未超过设定的第二阈值,则跳转至步骤6;测试集评价故障定位模型的误判率超过设定的第一阈值与定位准确率未超过设定的第二阈值,两个条件只需要满足中一个就判断故障定位模型存在的误差较大,因此需要优化故障定位模型。
步骤6,调整故障定位模型的参数,重复步骤2至步骤5。参数的更改可以是对故障样本集的数据重新选取,或对训练集和测试集中的数据进行调整,抑或是图嵌入模块堆叠层数的调整等等,根据实际需求相关人员可以灵活调整以达到故障定位模型精准定位的需求。
所述的步骤1中,故障样本集包括故障样本和非故障样本,故障样本的获取方式为通过仿真在各相线路上设置相同数量的单相接地故障,获取故障前后的电流有效值,三相、两相和单相线路的故障样本数量比为3:2:1;非故障样本采样电流有效值作为故障前的电流值,故障后的电流值为故障前的电流值经过数据加噪实现。
所述的故障定位模型包括输入模块、图嵌入模块和分类器模块,本实施例中图嵌入模块堆叠3层,故障定位模型如图4所示。
输入模块包括边图转换模块,边图转换模块包括节点图模型和边图模型,在节点图模型中,将线路抽象为边,节点特征取自母线上的电气量,例如PMU设备测得的量测信息;在边图模型中,将线路抽象成节点成为边图节点,边图节点特征取自线路上的电气量,例如线路电流或线路的电导和电纳。相邻线路对应的边图节点用边相连;然后输入模块将边图节点特征按边图节点顺序排列成特征矩阵,边图节点的顺序与边图邻接矩阵一致。假设各线路在故障前、后的三相电流有效值分别为
I A,
I B,
I C和
I' A,
I' B,
I' C,各边图的节点特征取对应线路在故障前后的三相电流幅值{
I A,
I B,
I C,
I' A,
I' B,
I' C},将各节点的特征按行排列构成节点特征矩阵,其中
N是边图节点的个数,
F是每个节点特征的长度。
如图2-图3所示,
v i 表示对应编号的母线,
l ij 表示连接母线
i与母线
j之间的线路。图2中的虚线将存在相邻关系的支路相连,构成了图3中的边。两节点间最短路径的阶数称为节点间的距离。若两条线路在边图上对应的节点间的距离为
s,则称两条线路存在
s阶相邻关系。在图3中,
l 23和
l 13间存在1阶相邻关系,而
l 23和
l 45间存在2阶相邻关系。
图嵌入模块包括图注意力层(GAT Layer)和线性层(Linear Layer),图注意力层根据线路的邻接关系进行更新,更新后的节点特征长度为D。为了增强模型的表征能力并缓解图神经网络层堆叠过多带来的特征过平滑问题,提出每个图注意力层添加残差连接,即用线性层对边图节点特征做线性变换,变换后节点特征长度也为D,最后图嵌入模块对图注意力层和线性层的输出结果进行相加;
所述的图嵌入模块还包括批量归一化层(Batch Normalization Layer),在图嵌入模块对图注意力层和线性层的输出结果进行相加后,使用批量归一化稳定每层输入数据的分布,批量归一化层后的激活函数选择ReLU,此设计用以解决多层神经网络容易出现训练不稳定以及过拟合问题。ReLU全名Rectified Linear Unit,意思是修正线性单元。Relu激活函数是常用的神经激活函数。ReLU函数其实是分段线性函数,把所有的负值都变为0,而正值不变,这种操作被成为单侧抑制。ReLu具有稀疏性,可以使稀疏后的模型能够更好地挖掘相关特征,拟合训练数据;在x>0区域上,不会出现梯度饱和、梯度消失的问题;计算复杂度低,不需要进行指数运算,只要一个阈值就可以得到激活值。
分类器模块将图嵌入模块输出的各节点特征展平成一个长向量作为层数为2的多层感知机(multilayer perceptron, MLP)的输入;使用归一化指数函数以概率的形式输出
M+1维的向量,分别表示
M条线路发生故障的置信度和无故障的置信度,取最大置信度对应的类别作为最终的输出。
所述的多层感知机中的每一层均添加丢失概率50%的Rropout层,用于减少故障定位模型的过拟合程度。
所述的输入模块中还包括数据预处理模型,对于进入图转换模块的数据需要首先经过预处理模型对数据进行预处理,对于三相电流的有效值不需要进行处理,对于两相电流和单相电流中无效项用0填充,对于缺失的数据也用0填充。
所述的步骤3具体为:
首先对训练集中的训练样本进行随机采样,采用带权重的随机采样解决采样过程中类别不平衡的问题,每轮训练中不放回地对训练样本进行采样,构成若干个小批量的数据进行训练,直到某一类的样本被全部取完进入下一轮训练,其中每类样本的采样概率与其在训练集中占的比例呈反比;
选择交叉熵损失函数来衡量两个独立概率分布的差异并训练故障定位模型:
式中,H(p,q)表示标签
p和模型输出
q的交叉熵损失值,
pi和
qi分别表示标签中和模型输出结果中类别
i的概率,优化器使用Adam,Adam吸收了Adagrad(自适应学习率的梯度下降算法)和动量梯度下降算法的优点,既能适应稀疏梯度(即自然语言和计算机视觉问题),又能缓解梯度震荡的问题。
为提高训练速度和稳定性,采用批量训练方式,将多张图组成一个更大的图数据进行训练,各子图的邻接矩阵满足分块对角关系,各特征矩阵沿着节点变化的维度拼接。
所述的步骤4具体为:首先定义故障的类型,A类故障类型表示真实的标签为无故障,故障定位模型输出的结果是线路
i故障;B类故障类型表示真实的标签为线路
i故障,故障定位模型输出的结果是无故障;C类故障类型表示真实的标签为线路
i故障,故障定位模型输出的结果是线路
j故障;
在测试集中,若是非故障样本,则用A类故障类型样本数占非故障样本数的百分比表示故障定位模型A类故障误判率δA;若是故障样本,用B类故障样本数所占故障样本数的百分比表示B类故障误判率δB;对于C类故障类型,通过
k阶定位准确率
acc k 来判断:
式中,
N f 是测试集中的故障样本数,
N k 是模型定位的线路与真实故障线路存在
k阶相邻关系的样本数,
N p 是故障定位模型定位的线路为真实故障线路的样本数;1阶定位准确率的含义是故障定位模型定位到故障线路一阶相邻线路的情况也被认定为定位正确; 2阶定位准确率的含义是定位到故障线路二阶相邻线路的情况也被认定为定位正确。定义不同阶次的定位准确率是为了能够对模型的定位性能给出更加层次化的评价。
为验证本发明所述有源配电网单相接地故障区段定位方法的有效性,以图5所示的IEEE 123节点配电网系统作为算例进行验证。系统共接入了16台IIDG,其中12台单相IIDG的总基础容量为984kW,4台三相IIDG的总基础容量为1440kW。
每次仿真生成样本时,各负荷在80%~120%之间独立地随机波动,各IIDG用修正系数
K i 乘以其基础容量来模拟实际输出容量,各修正系数在给定范围内独立地随机取值,过渡电阻也随机地在给定范围内取值,故障点在故障线路中的位置随机选取,系统阻抗的随机变化范围为0.2jΩ~2jΩ。每个样本包含联络开关的开断信息以及添加40dB白噪声干扰的全网线路故障前和故障后的三相电流有效值。将IIDG注入有功占全网有功负荷的比例定义为IIDG渗透率。
在样本集的组成方面,保证每种联络开关开断组合下在每条线路的每相上生成的故障样本数相等。
选择GCN、LGBM和RF三类算法与本发明所述的图注意力网络(GAT)方法进行比较,各算法在变化量特征(ΔI+SBK)和原始特征(I+I'+SBK)下的各项评估指标如表1和表2所示。其中ΔI为故障前后的三相电流有效值按相做差后的结果,SBK表示联络开关的组合,最终体现在边图邻接矩阵上。
表1 变化量特征下不同算法的表现比较
表2 原始特征下不同算法的表现比较
由表1和表2可知,本发明所述的基于边图和GAT的定位方法在两类特征下的0-2阶定位准确率均优于其他三类方法,且具备一定的故障辨识能力。使用原始特征后,两类GNN算法的定位性能不减反增,可见它们对特征工程的依赖性较小,能自动从数据中提取出对定位有用的特征,能够避免人工处理导致特征丢失情况的发生,而且两者中GAT模型得到的定位模型效果更佳。
使用不同大小的训练集训练模型,上述4类算法在同一测试集上的0阶定位准确率如图6所示,可见本发明所述的方法能融合配网拓扑结构特征从而降低对训练样本数量的要求。
考虑不同程度的数据缺失、负荷波动以及IIDG波动对本发明所述的故障定位方法的影响,结果如表3至表5所示:
表3 数据缺失对故障区段定位准确率的影响
表4 负荷短时波动对故障区段定位准确率的影响
表5 IIDG短时波动对故障区段定位准确率的影响
由以上3个表格可知,本发明所述方法能够耐受一定程度的量测缺失、负荷波动和IIDG波动。
由上述应用例可以看出,本发明所述的有源配电网单相接地故障区段定位方法不需要人工筛选特征,能够使用更少的训练样本量获得更高的定位准确率,具备良好的故障辨识能力,针对数据缺失等恶劣工况具有鲁棒性。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中可以根据需要而将上述功能分配由不同的功能模块完成,即将具体计算的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中,应该理解到,所描述的结构和方法,可以通过其它的方式实现。例如,以上所描述的关于结构的实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个结构,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (6)
1.有源配电网单相接地故障区段定位方法,其特征在于,包括以下步骤:
步骤1,建立有源配电网单相接地故障样本集,样本集包括训练集和测试集;
步骤2,构建基于边图和图注意力网络的故障定位模型,故障定位模型输出各线路是否发生故障的置信度;
步骤3,使用训练集训练故障定位模型,当故障定位模型的损失函数在迭代过程中不再减小且评估指标不再变化时结束训练;
步骤4,使用训练完成的故障定位模型进行故障定位,通过测试集评价故障定位模型的误判率及定位准确率;
步骤5,若通过测试集评价故障定位模型的误判率未超过设定的第一阈值且定位准确率超过设定的第二阈值,则在有源配电网单相接地故障时,故障定位模型对有源配电网单相接地故障区段进行定位,若通过测试集评价故障定位模型的误判率超过设定的第一阈值且/或定位准确率未超过设定的第二阈值,则跳转至步骤6;
步骤6,调整故障定位模型的参数,重复步骤2至步骤5;
所述的故障定位模型包括输入模块、图嵌入模块和分类器模块,所述的步骤2具体为:
输入模块包括边图转换模块,边图转换模块包括节点图模型和边图模型,在节点图模型中,将线路抽象为边,节点特征取自母线上的电气量;在边图模型中,将线路抽象成节点成为边图节点,边图节点特征取自线路上的电气量,相邻线路对应的边图节点用边相连;然后输入模块将边图节点特征按边图节点顺序排列成特征矩阵,边图节点的顺序与边图邻接矩阵一致;
图嵌入模块包括图注意力层和线性层,图注意力层根据线路的邻接关系进行更新,更新后的节点特征长度为D,线性层对边图节点特征做线性变换,变换后节点特征长度也为D,最后图嵌入模块对图注意力层和线性层的输出结果进行相加;
分类器模块将图嵌入模块输出的各节点特征展平成一个长向量作为层数至少为2的多层感知机的输入;使用归一化指数函数以概率的形式输出M+1维的向量,分别表示M条线路发生故障的置信度和无故障的置信度,取最大置信度对应的类别作为最终的输出;
所述的步骤4具体为:首先定义故障的类型,A类故障类型表示真实的标签为无故障,故障定位模型输出的结果是线路i故障;B类故障类型表示真实的标签为线路i故障,故障定位模型输出的结果是无故障;C类故障类型表示真实的标签为线路i故障,故障定位模型输出的结果是线路j故障;
在测试集中,若是非故障样本,则用A类故障类型样本数占非故障样本数的百分比表示故障定位模型A类故障误判率δA;若是故障样本,用B类故障样本数所占故障样本数的百分比表示B类故障误判率;对于C类故障类型,通过k阶定位准确率acc k 来判断:
式中,N f 是测试集中的故障样本数,N k 是模型定位的线路与真实故障线路存在k阶相邻关系的样本数,N p 是故障定位模型定位的线路为真实故障线路的样本数;1阶定位准确率的含义是故障定位模型定位到故障线路一阶相邻线路的情况也被认定为定位正确; 2阶定位准确率的含义是定位到故障线路二阶相邻线路的情况也被认定为定位正确。
2.根据权利要求1所述的有源配电网单相接地故障区段定位方法,其特征是,所述的步骤1中,故障样本集包括故障样本和非故障样本,故障样本的获取方式为通过仿真在各相线路上设置相同数量的单相接地故障,获取故障前后的电流有效值,三相、两相和单相线路的故障样本数量比为3:2:1;非故障样本采样电流有效值作为故障前的电流值,故障后的电流值为故障前的电流值经过数据加噪实现。
3.根据权利要求1所述的有源配电网单相接地故障区段定位方法,其特征在于,所述的图嵌入模块还包括批量归一化层,在图嵌入模块对图注意力层和线性层的输出结果进行相加后,使用批量归一化稳定每层输入数据的分布,批量归一化层后的激活函数选择ReLU。
4.根据权利要求1所述的有源配电网单相接地故障区段定位方法,其特征在于,所述的多层感知机中的每一层均添加丢失概率50%的Rropout层,用于减少故障定位模型的过拟合程度。
5.根据权利要求1所述的有源配电网单相接地故障区段定位方法,其特征是,所述的输入模块中还包括数据预处理模型,对于进入图转换模块的数据需要首先经过预处理模型对数据进行预处理,对于三相电流的有效值不需要进行处理,对于两相电流和单相电流中无效项用0填充,对于缺失的数据也用0填充。
6.根据权利要求2所述的有源配电网单相接地故障区段定位方法,其特征是,所述的步骤3具体为:
首先对训练集中的训练样本进行随机采样,采用带权重的随机采样解决采样过程中类别不平衡的问题,每轮训练中不放回地对训练样本进行采样,构成若干个小批量的数据进行训练,直到某一类的样本被全部取完进入下一轮训练,其中每类样本的采样概率与其在训练集中占的比例呈反比;
选择交叉熵损失函数来衡量两个独立概率分布的差异并训练故障定位模型:
式中,H(p,q)表示标签p和模型输出q的交叉熵损失值,p i 和q i 分别表示标签中和模型输出结果中类别i的概率,优化器使用Adam。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211377677.8A CN115494349B (zh) | 2022-11-04 | 2022-11-04 | 有源配电网单相接地故障区段定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211377677.8A CN115494349B (zh) | 2022-11-04 | 2022-11-04 | 有源配电网单相接地故障区段定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115494349A CN115494349A (zh) | 2022-12-20 |
CN115494349B true CN115494349B (zh) | 2023-04-07 |
Family
ID=85115456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211377677.8A Active CN115494349B (zh) | 2022-11-04 | 2022-11-04 | 有源配电网单相接地故障区段定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115494349B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117826019A (zh) * | 2024-03-06 | 2024-04-05 | 国网吉林省电力有限公司长春供电公司 | 中性点不接地系统的线路单相接地故障区及类型检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4896115A (en) * | 1987-06-04 | 1990-01-23 | Merlin Gerin | Electrical network insulation monitoring and measuring device |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
CN113077003A (zh) * | 2021-04-09 | 2021-07-06 | 南京邮电大学 | 基于图采样的图注意力网络归纳学习方法 |
JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
WO2022048652A1 (zh) * | 2020-09-04 | 2022-03-10 | 中兴通讯股份有限公司 | 故障定位的方法、电子设备及存储介质 |
CN114219147A (zh) * | 2021-12-13 | 2022-03-22 | 南京富尔登科技发展有限公司 | 一种基于联邦学习的配电站故障预测方法 |
CN114779015A (zh) * | 2022-04-28 | 2022-07-22 | 浙江大学 | 基于超分辨率和图神经网络的配电网故障诊断与定位方法 |
CN115144694A (zh) * | 2022-06-29 | 2022-10-04 | 东北电力大学 | 基于s-tgcn的有源配电网故障定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361176B (zh) * | 2019-06-05 | 2021-11-19 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
-
2022
- 2022-11-04 CN CN202211377677.8A patent/CN115494349B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4896115A (en) * | 1987-06-04 | 1990-01-23 | Merlin Gerin | Electrical network insulation monitoring and measuring device |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
WO2022048652A1 (zh) * | 2020-09-04 | 2022-03-10 | 中兴通讯股份有限公司 | 故障定位的方法、电子设备及存储介质 |
JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
CN113077003A (zh) * | 2021-04-09 | 2021-07-06 | 南京邮电大学 | 基于图采样的图注意力网络归纳学习方法 |
CN114219147A (zh) * | 2021-12-13 | 2022-03-22 | 南京富尔登科技发展有限公司 | 一种基于联邦学习的配电站故障预测方法 |
CN114779015A (zh) * | 2022-04-28 | 2022-07-22 | 浙江大学 | 基于超分辨率和图神经网络的配电网故障诊断与定位方法 |
CN115144694A (zh) * | 2022-06-29 | 2022-10-04 | 东北电力大学 | 基于s-tgcn的有源配电网故障定位方法 |
Non-Patent Citations (5)
Title |
---|
A GAN-Based Fully Model-Free Learning Method for Short-Term Scheduling of Large Power System;Jinyu Guan等;《IEEE Transactions on Power Systems》;第37卷(第4期);全文 * |
Construction of power grid digital twin model based on GAN;Chengyun Li等;《2021 China Automation Congress (CAC)》;全文 * |
基于 LightGBM 算法的配电网单相接地故障区段定位方法;郑一斌等;《电力自动化设备》;第41卷(第12期);全文 * |
基于图注意力网络的配电网故障定位方法;李佳玮等;《电网技术》;第45卷(第6期);全文 * |
基于图注意力网络算法的电网连锁故障关键线路辨识;刘彤等;《中国电机工程学报》;第42卷(第15期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115494349A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10503839B2 (en) | Detecting state estimation network model data errors | |
CN110543720B (zh) | 基于sdae-elm伪量测模型的状态估计方法 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
Liu et al. | Data-driven transient stability assessment model considering network topology changes via mahalanobis kernel regression and ensemble learning | |
CN110348114B (zh) | 一种电网完备性状态信息重构的非精确故障识别方法 | |
CN115494349B (zh) | 有源配电网单相接地故障区段定位方法 | |
CN112288326A (zh) | 一种适用于输电系统韧性评估的故障场景集削减方法 | |
CN114006413A (zh) | 一种基于图神经网络的电力系统暂态稳定控制方法及系统 | |
CN111159841B (zh) | 一种基于数据融合的配电网短路电流计算方法 | |
Yan et al. | Deep learning based total transfer capability calculation model | |
Zhang et al. | Identification of power network branch parameters based on state space transformation | |
CN113988558B (zh) | 基于盲区识别和电气坐标系扩展的电网动态安全评估方法 | |
CN112103950B (zh) | 一种基于改进gn分裂算法的电网分区方法 | |
Wang et al. | Application of multiattention mechanism in power system branch parameter identification | |
Stefanidou-Voziki et al. | Feature selection and optimization of a ML fault location algorithm for low voltage grids | |
CN116432023A (zh) | 基于样本迁移学习的新型电力系统故障分类方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN113991652A (zh) | 数据驱动的含iidg配电网短路电流多输出计算方法 | |
CN113595072A (zh) | 基于gpu并行加速共轭梯度算法的配网抗差状态估计方法 | |
CN109193617B (zh) | 基于紧约束识别的电力系统脆弱点评价方法及系统 | |
Wehenkel | A statistical approach to the identification of electrical regions in power systems | |
CN113092934A (zh) | 基于聚类和lstm的单相接地故障判定方法及系统 | |
CN106296461B (zh) | 基于粒子群优化算法及局部状态估计的电网参数辨识方法 | |
Dufour et al. | Renewable integration and protection studies on a 750-node distribution grid using a real-time simulator and a delay-free parallel solver |
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 |