CN115730261A - 一种基于行波的配电网线路故障检测方法及系统 - Google Patents

Abstract

本发明提供一种基于行波的配电网线路故障检测方法及系统，包括从行波检测装置起以预设步长触发测试行波激励；行波检测装置采集并记录收到的行波信号；对行波信号进行快速傅里叶变换得到行波频域信号；对行波频域信号进行聚类；将聚类信号输入第一神经网络进行训练；将每一分类的聚类信号输入第二神经网络进行训练；出现故障时，检测装置采集行波信号，将行波信号进行快速傅里叶变换以及聚类，得到故障聚类信号；将所述故障聚类信号输入所述线路段分类模型，得到故障线路段分类；根据所述故障线路段分类得到对应的距离计算模型；将所述故障聚类信号输入距离计算模型，得到故障距离。通过上述方案解决了现有技术中和行波定位故障较难的技术问题。

Description

一种基于行波的配电网线路故障检测方法及系统

技术领域

本发明涉及电力领域，具体而言涉及一种基于行波的配电网线路故障检测方法及系统。

背景技术

在电力传输网络中，当线路发生故障时，故障行波会从故障点沿线路向系统各处传播，行波法就是利用互感器提取行波信号进行故障定位的。现有技术中对于单类型的电网行波故障定位技术如图2所示，当F点出现故障时，行波会从F点出发向a、b两点传播，在a点可以测得一个行波到达时间，行波到达b点后反射至a点，在a点可以测得第二个行波到达时间，通过两个时间差以及行波的传播速度即定位故障点。

以往配电网的结构多为单一架空线路，主要用于市内外输送电能，具有建设成本低、建设周期短、易于扩建等特点，但是近年来随着电网技术的发展和电网改造工作的深入开展，为了美化市容、节约土地资源，在市内广泛应用地下电缆，与建设在外面的架空线路相比，电缆线路一般不与外界直接接触，深埋于地下或者铺设于室内，不仅美化了城市环境，降低了安全隐患，而且不受外界天气和气候的影响，具有传输性能稳定的优点；而对于市外配电线路综合考虑经济性和实用性，采用易于扩建的适合远距离输电的架空线路，导致配电网由单一的架空线逐步发展为架空线-电缆混合线路。

对于架空线-电缆混合线路，在架空线与电缆的交接处的行波会产生折射、反射等现象。如图3所示，当F点出现故障时，行波会从F点出发向，在c、d点产生折射、反射等现象，多种折射、反射信号的叠加导致a点收到的行波信号杂乱，现有技术中通常使用复杂信号分解算法确定出行波信号的传播特征，进而对故障进行定位，现有技术对架空线-电缆混合线路的行波故障检测方法有过程复杂且对检测设备精度要求高的问题。

发明内容

为了解决上述背景技术中的问题，本发明提供一种基于行波的配电网线路故障检测方法及系统，采用神经网络对行波的频域特性进行分析，减少通过行波进行故障检测的难度。

在本发明的一个方面，提供一种基于行波的配电网线路故障检测方法，包括：在待检测配电网线路中设置一个行波检测装置；从所述行波检测装置起以预设步长触发测试行波激励；所述行波检测装置采集并记录收到的行波信号以及相应的测试行波激励触发位置；对所述行波信号进行快速傅里叶变换得到行波频域信号；对所述行波频域信号进行聚类得到聚类信号，所述聚类信号为聚类中心组成的频率序列；对聚类信号根据测试行波激励触发位置添加线路段标签以及距离标签；将所述聚类信号以及线路段标签输入第一神经网络进行训练，得到线路段分类模型；将所述聚类信号以线路段进行分类，将每一分类的聚类信号以及距离标签输入第二神经网络进行训练，得到每一线路段分类对应的距离计算模型；出现故障时，波检测装置采集行波信号，将行波信号进行快速傅里叶变换以及聚类，得到故障聚类信号；将所述故障聚类信号输入所述线路段分类模型，得到故障线路段分类；根据所述故障线路段分类得到对应的距离计算模型；将所述故障聚类信号输入对应的距离计算模型，得到故障距离。

进一步地，所述线路为架空线-电缆混合线路。

进一步地，进行聚类时去掉振幅小于第二预设值的信号簇和/或信号簇频域宽度小于第三预设值的信号簇。

进一步地，所述第一神经网络为DNN网络。

进一步地，所述第二神经网络为BP神经网络。

本发明另一个方法还提供一种基于行波的配电网线路故障检测系统，所述配电网线中包括一个行波检测装置，其特征在于所述系统包括：激励模块，用于从所述行波检测装置起以预设步长触发测试行波激励；采集模块，用于所述行波检测装置采集并记录收到的行波信号以及相应的测试行波激励触发位置；第一变换模块，用于对所述行波信号进行快速傅里叶变换得到行波频域信号；第二变换模块，用于对所述行波频域信号进行聚类得到聚类信号，所述聚类信号为聚类中心组成的频率序列；第三变换模块，用于对聚类信号根据测试行波激励触发位置添加线路段标签以及距离标签；第一训练模块，用于将所述聚类信号以及线路段标签输入第一神经网络进行训练，得到线路段分类模型；第二训练模块，用于将所述聚类信号以线路段进行分类，将每一分类的聚类信号以及距离标签输入第二经网络进行训练，得到每一线路段分类对应的距离计算模型；故障信号检测模块，用于出现故障时，波检测装置采集行波信号，将行波信号进行快速傅里叶变换以及聚类，得到故障聚类信号；分类模块，用于将所述故障聚类信号输入所述线路段分类模型，得到故障线路段分类；计算模块，用于根据所述故障线路段分类得到对应的距离计算模型，将所述故障聚类信号输入对应的距离计算模型，得到故障距离。

进一步地，所述线路为架空线-电缆混合线路。

进一步地，进行聚类时去掉振幅小于第二预设值的信号簇和/或信号簇频域宽度小于第三预设值的信号簇。

进一步地，所述第一神经网络为DNN网络。

进一步地，所述第二神经网络为BP神经网络。

本发明通过上述技术方案，通过神经网络对行波的频域特性进行分析，减少通过行波进行故障检测的难度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1本发明方法示意图；

图2行波示意图；

图3混合线路行波示意图；

图4行波频域分解示意图；

图5干扰波示意图。

具体实施方式

下面，结合附图以及具体实施方式，对发明做出优选的描述。

本实施例通过如下步骤解决上术问题:

在一个实施例中，参考图1，本发明提供基于行波的配电网线路故障检测方法，包括如下步骤：

在待检测配电网线路中设置一个行波检测装置。

待检测配电网可以是一段需要进行维护的电网线路，可以是一个局端的电网，也可以是若干变压器之间的电网；行波检测装置可以检测电网中的行波，可使用常规的行波检测装置，获得行波的频率、振幅、持续时间等基本行波参数；进一步地，所述行波检测装置可以设置于等检测线路的一端，如图2所示，可以将行波检测装置设置于a点。

从所述行波检测装置起以预设步长触发测试行波激励。

本发明在后续步骤中需要神经网络对行波数据进行片，因此需要要获取大量的训练数据。为了获得训练数据，事前从所述行波检测装置起以预设步长触发测试行波激励；示例性地，如图2所示，将行波检测装置设置于a点，则从a点起每隔一段的距离触发一次测试行波，具体长度可根据线路长度以及精度要求进行设定，例如可以每隔1Km触发一次测试行波激励。触发测试行波激励可以采用现有技术中的任意技术，可以使用激波装置或人为造成线路故障触发产生行波。

所述行波检测装置采集并记录收到的行波信号以及相应的测试行波激励触发位置。

触发测试行波激励后行波检测装置即可以检测到相应的行波信号，为了将行波信号与触发位置对应，还需要进行对应位置的记录，对应位置的记录可以采用坐标等任意形式；优先地，采用与行波检测装置的相对距离记录行波激励的触发位置，示例性地，如表1所示为若干行波信号记录。

表1

行波信号	位置
		行波信号1	1km
行波信号2	2km
		行波信号3	8km

对所述行波信号进行快速傅里叶变换得到行波频域信号。

在混合网络中，行波信号由各种杂波混合而成，如图4所示，从频域来看，信号的分布有较为明显的离散特性，由于不同位置产生的行波经过不同的连接点的反射、折射程度不同，产生的杂波特性也不同，从频域来看分布的规律也不同，本发明根据此原理进行后续步骤的检测，因此在获得行波信号后对获得的信号进行快速傅里叶变换得到行波频域信号。

对所述行波频域信号进行聚类得到聚类信号，所述聚类信号为聚类中心组成的频率序列；

行波的频域由不同频率的信号簇组成，为了提取簇特征，对每一个簇进行聚类，并取得聚类中心。对于如图3所示的信号，其由4个信号簇组成，将其聚类后获得的聚类中心分别为55、110、230、310，则这个的频率序列为(55，110，230，310)，也就是该行波频域信号的聚类信号。

进一步地，为了减少干扰，去掉振幅小于第二预设值的信号簇，另外，还可以去掉信号簇频域宽度小于第三预设值的信号簇；上述两种删除干扰信号的方法可以任意组合使用。如图5所示，频率150附近的信号(虚线表示)振幅过小，可将其删除；频率250附近的信号(虚线表示)频域宽度过小，可将其删除。

进一步地，获得所有频率序列最长长度，对于小于最长长度的频率序列以0补齐至最长长度；示例性地，获得的所有频率序列最长长度为6，则将(55，110，230，310)补齐为(55，110，230，310，0，0)

对聚类信号根据测试行波激励触发位置添加线路段标签以及距离标签；

经发明人验证，如果直接使用距离与聚类信号进行训练，训练量非常大，且非常难以收敛，为了解决此问题，本发明对聚类信号进行分段训练，因此首先需要获得每个聚类信号的线路段标签以及距离标签。

示例性地，如图2所示，其中包括了三个线路段，分别以ac、cd、db表示，由于每一个聚类信号对应了一个测试激励的位置，因此其对应了线路段中的一个，并且对应了一个与行波检测装置的距离值，如表2所示为部分示例性的数据。

表2

聚类信号	线路段	距离
			55，110，230，310，0，0	ac	1km
50，100，210，250，265，0	ac	2km
			54，103，200，230，235，0	cd	8km
30，40，159，180，231，267	db	18km

将所述聚类信号以及线路段标签输入第一神经网络进行训练，得到线路段分类模型；

对聚类信号增加线路段标签即变成常规的数据分类样本，聚类信号由频率序列组成，也就是一维数据，可以使用常规的DNN网络进行分类，当然也可以采用其它任意的分类网络，本发明不做特别的限定。得到线路段分类模型后，将聚类信号输入模型后即可得到线路段的分类，如输入一组数据后，输出线路段为ac。

将所述聚类信号以线路段进行分类，将每一分类的聚类信号以及距离标签输入第二神经网络进行训练，得到每一线路段分类对应的距离计算模型；

由于每一线路段产生故障时产生的行波影响因素不同，距离影响因素叠加不同线路段节点因素之后，很难拟合出一个合理的函数表达全局情况，训练无法有效收敛，因此本发明对聚类信号以线路段进行分类，以图2中的线路为例，即将所有的聚类信号分为ac、cd、db几类，同时每一个样本都有一个距离标签。训练模型的目的是为了通过输入聚类信号以输出距离值，本质上是拟合一个函数，因此本发明的第二神经网络使用BP神经网络，由于是一维数据拟合，本发明选择常规的BP神经网络即可。对每一线路段分类(ac、cd、db几类)均训练一个BP神经网络模型，将相应线路段分类的聚类信号输入对应的模型后即可输出距离值。

出现故障时，波检测装置采集行波信号，将行波信号进行快速傅里叶变换以及聚类，得到故障聚类信号。

通过前述步骤准备好了进行计算的全部模型，当出现故障时，波检测装置在线检测行波信号，采集与前述训练阶段相同的方法进行快速傅里叶变换以及聚类，得到故障聚类信号，故障聚类信号与前述的聚类信号都是以聚类中心组成的频率序列，具体变换过程与训练阶段的相同，这里不再详细描述。

将所述故障聚类信号输入所述线路段分类模型，得到故障线路段分类。

线路段分类模型可以输出线路段分类，当出现故障时，将故障信号处理成与训练阶段相同格式的信号输入线路段分类模型即可得到故障线路段分类，以图2的线路为例，即输出ac、cd、db几类中的一个。

根据所述故障线路段分类得到对应的距离计算模型；

在模型训练阶段得到了每一线路段分类对应的距离计算模型，因此得到障线路段分类后即可得到相应的距离计算模型。以图2的线路为例，即得到ac、cd、db几个线路分类中的一个对就的距离计算模型。

将所述故障聚类信号输入对应的距离计算模型，得到故障距离。

距离计算模型的输出为故障距离，在前述步骤中，将检测到的故障信号处理为与训练阶段相同的数据格式，因此可以直接将处理后的故障聚类信号输入对应的距离计算模型，得到故障距离，从而检测出故障的具体位置。

本发明另一个方面还公开了一种基于行波的配电网线路故障检测系统，所述配电网线中包括一个行波检测装置，其特征在于所述系统包括：

激励模块，用于从所述行波检测装置起以预设步长触发测试行波激励；

采集模块，用于所述行波检测装置采集并记录收到的行波信号以及相应的测试行波激励触发位置；

第一变换模块，用于对所述行波信号进行快速傅里叶变换得到行波频域信号；

第二变换模块，用于对所述行波频域信号进行聚类得到聚类信号，所述聚类信号为聚类中心组成的频率序列；

第三变换模块，用于对聚类信号根据测试行波激励触发位置添加线路段标签以及距离标签；

第一训练模块，用于将所述聚类信号以及线路段标签输入第一神经网络进行训练，得到线路段分类模型；

第二训练模块，用于将所述聚类信号以线路段进行分类，将每一分类的聚类信号以及距离标签输入第二神经网络进行训练，得到每一线路段分类对应的距离计算模型；

故障信号检测模块，用于出现故障时，波检测装置采集行波信号，将行波信号进行快速傅里叶变换以及聚类，得到故障聚类信号；

分类模块，用于将所述故障聚类信号输入所述线路段分类模型，得到故障线路段分类；

计算模块，用于根据所述故障线路段分类得到对应的距离计算模型，将所述故障聚类信号输入对应的距离计算模型，得到故障距离。

需要说明的是上述基于行波的配电网线路故障检测系统的详细实现原理以及进一步的改进措施都与前述的基于行波的配电网线路故障检测方法相同，本实施例中不再进行详细描述，本领域技术人员可以根据现有技术基于行波的配电网线路故障检测方法在基于行波的配电网线路故障检测系统中进行具体实现。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

本发明未特别明确的部分模块结构，以现有技术记载的内容为准。本发明在前述背景技术部分以及具体实施例部分提及的现有技术可作为本发明的一部分，用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。

Claims (10)

1.一种基于行波的配电网线路故障检测方法，其特征在于所述方法包括：

在待检测配电网线路中设置一个行波检测装置；

从所述行波检测装置起以预设步长触发测试行波激励；

所述行波检测装置采集并记录收到的行波信号以及相应的测试行波激励触发位置；

对所述行波信号进行快速傅里叶变换得到行波频域信号；

对所述行波频域信号进行聚类得到聚类信号，所述聚类信号为聚类中心组成的频率序列；

对聚类信号根据测试行波激励触发位置添加线路段标签以及距离标签；

将所述聚类信号以及线路段标签输入第一神经网络进行训练，得到线路段分类模型；

将所述聚类信号以线路段进行分类，将每一分类的聚类信号以及距离标签输入第二神经网络进行训练，得到每一线路段分类对应的距离计算模型；

出现故障时，波检测装置采集行波信号，将行波信号进行快速傅里叶变换以及聚类，得到故障聚类信号；

将所述故障聚类信号输入所述线路段分类模型，得到故障线路段分类；

根据所述故障线路段分类得到对应的距离计算模型；

将所述故障聚类信号输入对应的距离计算模型，得到故障距离。

2.根据权利要求1所述的基于行波的配电网线路故障检测方法，其特征在于：所述线路为架空线-电缆混合线路。

3.根据权利要求1所述的基于行波的配电网线路故障检测方法，其特征在于：进行聚类时去掉振幅小于第二预设值的信号簇和/或信号簇频域宽度小于第三预设值的信号簇。

4.根据权利要求1所述的基于行波的配电网线路故障检测方法，其特征在于：所述第一神经网络为DNN网络。

5.根据权利要求1所述的基于行波的配电网线路故障检测方法，其特征在于：所述第二神经网络为BP神经网络。

6.一种基于行波的配电网线路故障检测系统，所述配电网线中包括一个行波检测装置，其特征在于所述系统包括：

激励模块，用于从所述行波检测装置起以预设步长触发测试行波激励；

采集模块，用于所述行波检测装置采集并记录收到的行波信号以及相应的测试行波激励触发位置；

第一变换模块，用于对所述行波信号进行快速傅里叶变换得到行波频域信号；

第二变换模块，用于对所述行波频域信号进行聚类得到聚类信号，所述聚类信号为聚类中心组成的频率序列；

第三变换模块，用于对聚类信号根据测试行波激励触发位置添加线路段标签以及距离标签；

第一训练模块，用于将所述聚类信号以及线路段标签输入第一神经网络进行训练，得到线路段分类模型；

第二训练模块，用于将所述聚类信号以线路段进行分类，将每一分类的聚类信号以及距离标签输入第二神经网络进行训练，得到每一线路段分类对应的距离计算模型；

故障信号检测模块，用于出现故障时，波检测装置采集行波信号，将行波信号进行快速傅里叶变换以及聚类，得到故障聚类信号；

分类模块，用于将所述故障聚类信号输入所述线路段分类模型，得到故障线路段分类；

计算模块，用于根据所述故障线路段分类得到对应的距离计算模型，将所述故障聚类信号输入对应的距离计算模型，得到故障距离。

7.根据权利要求6所述的基于行波的配电网线路故障检测系统，其特征在于：所述线路为架空线-电缆混合线路。

8.根据权利要求6所述的基于行波的配电网线路故障检测系统，其特征在于：进行聚类时去掉振幅小于第二预设值的信号簇和/或信号簇频域宽度小于第三预设值的信号簇。

9.根据权利要求6所述的基于行波的配电网线路故障检测系统，其特征在于：所述第一神经网络为DNN网络。

10.根据权利要求6所述的基于行波的配电网线路故障检测系统，其特征在于：所述第二神经网络为BP神经网络。

Images