CN116298684A - 一种配电网用故障研判定位系统 - Google Patents

Abstract

本发明公开了一种配电网用故障研判定位系统，涉及智能配电技术领域，解决了现有技术对复杂配电网故障定位效率低，难以准确识别配电网的故障类型的技术问题；本发明采集配电链路上流经智能开关的电流；当电流存在异变时，实时分析智能开关下游相邻拓扑节点的电流平衡来判断是否线路故障；是，上传故障线路同时刻的录波数据；本发明能够避免数据传输过程带来的时延，根据同时刻拓扑节点的电流平衡定位故障；本发明提取故障线路的录波数据，对录波数据中线路故障时刻前后电气数据进行特征提取，整合生成故障特征序列，结合故障判断模型确定故障类型；本发明以同时刻为基准提取前后录波数据的特征，结合故障判断模型高效准确地确定故障类型。

Description

一种配电网用故障研判定位系统

技术领域

本发明属于智能配电领域，涉及配电网故障定位技术，具体是一种配电网用故障研判定位系统。

背景技术

配电网具有电压等级多、网络结构复杂、设备类型多样、作业点多面广以及安全环境相对较差等特点。对配电网进行实时监控和移动运维，一旦配电网出现问题，迅速定位到故障位置能够提高配电网的使用寿命，且可以保障配电网安全稳定供电，因此在发生线路故障后对实时监控数据进行分析是非常必要的。

在配电网的故障定位中，一般通过实时采集配电网中各配电线路的电气数据，通过比较各电气数据与对应阈值或者各电气数据的波形变化与对应标准波形的区别来判断配电线路是否发生故障。现有技术在对配电网中复杂的配电线路进行故障定位时，需要处理大量数据影响定位效率，且由于配电线路的复杂难以准确识别故障类型，无法对配电网故障进行及时的抢修维护；因此，亟须一种配电网用故障研判定位系统。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种配电网用故障研判定位系统，用于解决现有技术对复杂配电网故障定位效率低，难以准确识别配电网的故障类型，导致无法进行及时抢修维护的技术问题。

为实现上述目的，本发明的第一方面提供了一种配电网用故障研判定位系统，包括中枢控制模块，以及与之相连接的智能采集模块；

中枢控制模块建立电网拓扑模型；将电网拓扑模型中相邻变电单元之间的配电线路标记为配电链路，以及将配电链路中各用电支路标记为拓扑链路；其中，配电支路或者配电支路上设置有智能开关，变电单元包括变压器或者变电站；

智能采集模块采集配电链路上流经智能开关的电流；当电流存在异变时，实时分析智能开关下游相邻拓扑节点的电流平衡来判断是否线路故障；是，上传故障线路同时刻的录波数据；其中，拓扑节点为配电链路和拓扑链路的交点；

中枢控制模块提取录波数据，对录波数据中线路故障时刻前后电气数据进行特征提取，整合生成故障特征序列，结合故障判断模型确定故障类型；其中，故障判断模型基于人工智能模型建立，电气数据包括电压和电流。

优选的，所述中枢控制模块与所述智能采集模块通信和/或电气连接；且所述智能采集模块与智能开关关联配置在配电网的拓扑链路中；

所述智能采集模块通过关联的智能开关采集电气数据；且所述智能开关在所属拓扑链路发生线路故障且故障电流大于电流阈值时断开。

优选的，所述中枢控制模块建立电网拓扑模型，包括：

通过智能终端获取配电网铺设数据；其中，智能终端包括手机或者电脑；

通过配电网铺设数据识别变电单元以及对应的配电链路，以及识别配电链路中的拓扑节点和拓扑链路，整合之后进行可视化展示，生成电网拓扑模型。

优选的，所述智能采集模块采集配电链路上流经智能开关的电流，并判断电流是否存在异变，包括：

实时采集流经智能开关的电流；

比较电流的特征数据与对应的标准特征是否一致；是，判断没有发生异变；否，判断发生电流异变；其中，特征数据包括波形或者有效值。

优选的，所述实时分析智能开关下游相邻拓扑节点的电流平衡判断是否线路故障，包括：

当电流存在异变时，则识别对应智能开关下游的若干拓扑节点；其中，智能开关的上游与下游由电流流向确定；

基于基尔霍夫第一定律验证同时刻下游拓扑节点的电流是否平衡，之后根据电流平衡验证结果确定故障线路。

优选的，所述基于基尔霍夫第一定律验证同时刻下游拓扑节点的电流是否平衡，包括：

基于电网拓扑模型识别下游拓扑节点的数量，进而确定验证间隔；

根据验证间隔将下游的拓扑节点连续分割成若干节点组；将每个节点组中的最下游拓扑节点作为目标节点，其余拓扑节点转化为目标节点的拓扑链路；

通过基尔霍夫第一定律验证同时刻下目标节点的电流是否平衡；是，则验证下一目标节点；否，则对该目标节点对应的节点组中的拓扑节点进行逐一验证。

优选的，所述对录波数据中线路故障时刻前后电气数据进行特征提取，整合生成故障特征序列，包括：

从录波数据中提取线路故障时刻前后电气数据的电气特征，以及前后电气数据对应电气特征的差异；其中，电气特征包括波形、相位或者有效值；

整合线路故障时刻前后的电气特征和电气特征的差异，生成故障特征序列。

优选的，所述故障判断模型基于人工智能模型建立，包括：

获取标准训练数据；其中，标准训练数据包括与故障特征序列内容属性一致的标准输入数据，以及表示故障类型的标准输出数据；

通过标准训练数据训练构建的人工智能模型，训练完成之后标记为故障判断模型；其中，人工智能模型包括BP神经网络模型或者RBF神经网络模型。

与现有技术相比，本发明的有益效果是：

1.本发明采集配电链路上流经智能开关的电流；当电流存在异变时，实时分析智能开关下游相邻拓扑节点的电流平衡来判断是否线路故障；是，上传故障线路同时刻的录波数据；本发明能够避免数据传输过程带来的时延，根据同时刻拓扑节点的电流平衡定位故障。

2.本发明提取故障线路的录波数据，对录波数据中线路故障时刻前后电气数据进行特征提取，整合生成故障特征序列，结合故障判断模型确定故障类型；本发明以同时刻为基准提取前后录波数据的特征，结合故障判断模型高效准确地确定故障类型。

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，下面将对实施例或现有技术描述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为本发明的系统原理示意图；

图2为本发明的方法步骤示意图；

图3为本发明的配电链路和拓扑链路连接示意图；

图4为本发明的节点组分割示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-图2，本发明第一方面实施例提供了一种配电网用故障研判定位系统，包括中枢控制模块，以及与之相连接的智能采集模块；中枢控制模块建立电网拓扑模型；将电网拓扑模型中相邻变电单元之间的配电线路标记为配电链路，以及将配电链路中各用电支路标记为拓扑链路；智能采集模块采集配电链路上流经智能开关的电流；当电流存在异变时，实时分析智能开关下游相邻拓扑节点的电流平衡来判断是否线路故障；是，上传故障线路同时刻的录波数据；中枢控制模块提取录波数据，对录波数据中线路故障时刻前后电气数据进行特征提取，整合生成故障特征序列，结合故障判断模型确定故障类型。

本发明中中枢控制模块与智能采集模块通信和/或电气连接；且智能采集模块与智能开关关联配置在配电网的拓扑链路中；智能采集模块通过关联的智能开关采集电气数据；且智能开关在所属拓扑链路发生线路故障且故障电流大于电流阈值时断开。

中枢控制模块主要负责数据处理分析，主要包括构建故障判断模型以及根据故障线路的电气数据判断故障类型，其主要从智能采集模块和智能终端获取相关数据。智能终端传输一些配电网基础数据至中枢控制模块，以便能够构建电网拓扑模型。智能采集模块与智能开关相关联，采集流经智能开关的电气数据。

值得注意的是，为了保证故障定位的及时准确，智能采集模块之间通信连接，以保证数据的快速传输，即智能采集模块可以快速从其他智能采集模块中提取数据。同时，智能采集模块还需要具备一定的数据存储功能，以保证“同时刻”数据分析的可能性。

本发明中相邻变电单元之间的配电线路标记为配电链路，将配电链路中各用电支路标记为拓扑链路。标记配电链路和拓扑链路是为了将配电网由整化零，在故障定位中能够更好地使用基尔霍夫第一定律来快速定位故障线路。而且配电链路和拓扑链路的交点作为拓扑节点。智能开关设置在配电链路和拓扑链路中，且配电链路上相邻拓扑节点之间设置有智能开关。

请参阅图3，本发明中的变电单元包括变压器或者变电站。如变压器A与其直接连接的变压器B之间的配电线路为配电链路，从该配电链路上引出的用电线路为拓扑链路，引出点则为拓扑节点。通过变电单元来确定配电线路主要是为了满足基尔霍夫第一定律的应用条件。因此变电单元可以引申，如电力从变电站引入居民家中时，则配电线路的接地端也可以作为变电单元，即变压器和接地端之间形成配电链路，居民用电线路作为拓扑链路。

在一个优选的实施例中，中枢控制模块建立电网拓扑模型，包括：通过智能终端获取配电网铺设数据；通过配电网铺设数据识别变电单元以及对应的配电链路，以及识别配电链路中的拓扑节点和拓扑链路，整合之后进行可视化展示，生成电网拓扑模型。

识别配电网铺设数据中的配电线路、变电单元、用电设备等，通过GIS技术将配电线路进行可视化，生成电网拓扑模型。在电网拓扑模型中根据配电链路和拓扑链路的定义对配电链路和拓扑链路标记起来，同时在电网拓扑模型中标记出拓扑节点。后续的故障定位过程可以在电网拓扑模型中实时更新，如多个拓扑节点需要进行电流平衡验证时，将验证过程实时展示在电网拓扑模型中，可以帮助维保人员了解进度，还可以帮助维保人员在短时间内缩小故障范围。可以理解的是，电网拓扑模型可以在维保人员的智能终端上及时更新展示。

在进行配电网故障定位时，先大致判断配电网中是否发生故障。智能采集模块采集配电链路上流经智能开关的电流，并判断电流是否存在异变，包括：实时采集流经智能开关的电流；比较电流的特征数据与对应的标准特征是否一致；是，判断没有发生异变；否，判断发生电流异变。

电网拓扑模型中的每条配电链路均属于一个独立的、也是最小的故障监测单元。通过对配电链路上流经智能开关的电流进行异变分析，可以快速判断该配电链路是否故障；若故障，则对与该配电链路上的拓扑节点进行电流平衡分析，进而实现故障定位。

本实施例判断电流是否异变，实际是判断电流的特征数据，如波形或者有效值。当电流的波形与正常波形一致，且有效值相较于正常情况下的有效值偏离较小，则判定电流没有异变；否则，判定电流发生异常，即同一时刻对应配电链路中肯定存在拓扑节点的电流不平衡。

本发明中的同时刻或者同一时刻主要是指线路故障时刻和数据采集时刻之间的对应。如分析到电流出现异变时，接下来需要进行电流平衡分析，则电流平衡分析用到的电流数据与异变电流数据的采集时刻一致，这样能够保证分析判断的准确性，避免数据传输导致时延影响数据分析结果。

接着需要进一步确定电流是否故障。实时分析智能开关下游相邻拓扑节点的电流平衡判断是否线路故障，包括：当电流存在异变时，则识别对应智能开关下游的若干拓扑节点；基于基尔霍夫第一定律验证同时刻下游拓扑节点的电流是否平衡，之后根据电流平衡验证结果确定故障线路。

基尔霍夫第一定律可以在本发明中应用时可以概括为流入拓扑节点的电流与流出拓扑节点的电流大小相等。在根据电流异变分析可以判定配电线路是否故障，是，则下游的拓扑节点需要逐一分析，即逐一进行电流平衡分析。一旦出现电流不平衡则可以判断该拓扑节点对应的拓扑链路故障，或者部分配电链路故障。请参阅图3，通过与变电站A直接连接的智能开关判断变电站A和变电站B之间的配电链路出现电流异变，则只要分析图3中的拓扑节点(白色填充的点)是否满足电流平衡即可，即通过拓扑节点周围的三个智能开关(黑色填充的点)的电流来判断是否电流平衡。

本发明中智能开关的上游与下游由电流流向确定。电流流向为正向，电流经过拓扑节点1流经智能开关，再流经拓扑节点2，则拓扑节点1相对于智能开关为上游，拓扑节点2相对于智能开关为下游。

通过逐一分析拓扑节点的电流是否平衡可以可定位到故障线路，此刻也就完成了配电网的故障定位工作。但是，若同一配电线路对应的拓扑节点过多时，则逐一分析会严重影响故障定位效率。

请参阅图4，在另外一个可选的实施例中，基于基尔霍夫第一定律验证同时刻下游拓扑节点的电流是否平衡，包括：基于电网拓扑模型识别下游拓扑节点的数量，进而确定验证间隔；根据验证间隔将下游的拓扑节点连续分割成若干节点组；将每个节点组中的最下游拓扑节点作为目标节点，其余拓扑节点转化为目标节点的拓扑链路；通过基尔霍夫第一定律验证同时刻下目标节点的电流是否平衡；是，则验证下一目标节点；否，则对该目标节点对应的节点组中的拓扑节点进行逐一验证。

当下游的拓扑节点过多时，根据拓扑节点数量确定验证间隔。如100个拓扑节点分为5个等分，则验证间隔为20，也就是说每个节点组有20个拓扑节点。之后从节点组中确定目标节点，其他拓扑节点简化为该目标节点的负载(相当于拓扑链路)，对目标节点进行电流平衡验证，可以快速判断该节点组中是否存在故障线路；若存在，则可以对节点组中的拓扑节点逐一进行电流平衡验证；否则，直接进行下一节点组的电流平衡验证。本实施例在配电链路对应的拓扑节点较多的情况下，能够提高故障定位的效率。

在拓扑节点较多，通过节点组来确定目标节点以及定位故障线路时，对目标节点进行电流平衡验证时，尽可能通过同一节点组中拓扑链路上的智能开关采集电流。必要时刻可以考虑配电线路中的电流损耗。需要说明的是，通过节点组的方式来定位故障线路时，不需要在配电线路中设置过多的智能开关，保证配电链路中节点组前后存在可用的智能开关即可，通过少量智能开关来判断配电链路是否存在故障，减少智能开关之间的数据交互，进而通过节点组进一步定位故障和提高故障定位效率。

在一个优选的实施例中，对录波数据中线路故障时刻前后电气数据进行特征提取，整合生成故障特征序列，包括：从录波数据中提取线路故障时刻前后电气数据的电气特征，以及前后电气数据对应电气特征的差异；整合线路故障时刻前后的电气特征和电气特征的差异，生成故障特征序列。

从录波数据中提取线路故障前后各一个周期(也可以是波段)的电气数据，前一周期的电气数据中提取电流波形、相位、有效值等，后一周期的电气数据提取同样的数据。将特征数据数字化之后整合成故障特征序列。以电流波形为例，前一周期的电流波形为1(表示与标准波形一致)，后一周期的电流波形为0(表示与标准波形不一致)，波形差异为0(表示前一周期、后一周期的波形不均为1)。

之后，将故障特征序列输入至故障判断模型即可。故障判断模型基于人工智能模型建立，包括：获取标准训练数据；通过标准训练数据训练构建的人工智能模型，训练完成之后标记为故障判断模型。

标准训练数据包括与故障特征序列内容属性一致的标准输入数据，以及表示故障类型的标准输出数据；标准训练数据通过历史经验整合提取获得，或者通过实验室模拟获取。

本发明的工作原理：

建立电网拓扑模型；将电网拓扑模型中相邻变电单元之间的配电线路标记为配电链路，以及将配电链路中各用电支路标记为拓扑链路。

采集配电链路上流经智能开关的电流；当电流存在异变时，实时分析智能开关下游相邻拓扑节点的电流平衡来判断是否线路故障；是，上传故障线路同时刻的录波数据。

提取录波数据，对录波数据中线路故障时刻前后电气数据进行特征提取，整合生成故障特征序列，结合故障判断模型确定故障类型。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.一种配电网用故障研判定位系统，包括中枢控制模块，以及与之相连接的智能采集模块；其特征在于：

中枢控制模块建立电网拓扑模型；将电网拓扑模型中相邻变电单元之间的配电线路标记为配电链路，以及将配电链路中各用电支路标记为拓扑链路；其中，配电支路或者配电支路上设置有智能开关，变电单元包括变压器或者变电站；

智能采集模块采集配电链路上流经智能开关的电流；当电流存在异变时，实时分析智能开关下游相邻拓扑节点的电流平衡来判断是否线路故障；是，上传故障线路同时刻的录波数据；其中，拓扑节点为配电链路和拓扑链路的交点；

中枢控制模块提取录波数据，对录波数据中线路故障时刻前后电气数据进行特征提取，整合生成故障特征序列，结合故障判断模型确定故障类型；其中，故障判断模型基于人工智能模型建立，电气数据包括电压和电流。

2.根据权利要求1所述的一种配电网用故障研判定位系统，其特征在于，所述中枢控制模块与所述智能采集模块通信和/或电气连接；且所述智能采集模块与智能开关关联配置在配电网的拓扑链路中；

所述智能采集模块通过关联的智能开关采集电气数据；且所述智能开关在所属拓扑链路发生线路故障且故障电流大于电流阈值时断开。

3.根据权利要求1所述的一种配电网用故障研判定位系统，其特征在于，所述中枢控制模块建立电网拓扑模型，包括：

通过智能终端获取配电网铺设数据；其中，智能终端包括手机或者电脑；

通过配电网铺设数据识别变电单元以及对应的配电链路，以及识别配电链路中的拓扑节点和拓扑链路，整合之后进行可视化展示，生成电网拓扑模型。

4.根据权利要求1所述的一种配电网用故障研判定位系统，其特征在于，所述智能采集模块采集配电链路上流经智能开关的电流，并判断电流是否存在异变，包括：

实时采集流经智能开关的电流；

比较电流的特征数据与对应的标准特征是否一致；是，判断没有发生异变；否，判断发生电流异变；其中，特征数据包括波形或者有效值。

5.根据权利要求1所述的一种配电网用故障研判定位系统，其特征在于，所述实时分析智能开关下游相邻拓扑节点的电流平衡判断是否线路故障，包括：

当电流存在异变时，则识别对应智能开关下游的若干拓扑节点；其中，智能开关的上游与下游由电流流向确定；

基于基尔霍夫第一定律验证同时刻下游拓扑节点的电流是否平衡，之后根据电流平衡验证结果确定故障线路。

6.根据权利要求5所述的一种配电网用故障研判定位系统，其特征在于，所述基于基尔霍夫第一定律验证同时刻下游拓扑节点的电流是否平衡，包括：

基于电网拓扑模型识别下游拓扑节点的数量，进而确定验证间隔；

根据验证间隔将下游的拓扑节点连续分割成若干节点组；将每个节点组中的最下游拓扑节点作为目标节点，其余拓扑节点转化为目标节点的拓扑链路；

通过基尔霍夫第一定律验证同时刻下目标节点的电流是否平衡；是，则验证下一目标节点；否，则对该目标节点对应的节点组中的拓扑节点进行逐一验证。

7.根据权利要求1所述的一种配电网用故障研判定位系统，其特征在于，所述对录波数据中线路故障时刻前后电气数据进行特征提取，整合生成故障特征序列，包括：

从录波数据中提取线路故障时刻前后电气数据的电气特征，以及前后电气数据对应电气特征的差异；其中，电气特征包括波形、相位或者有效值；

整合线路故障时刻前后的电气特征和电气特征的差异，生成故障特征序列。

8.根据权利要求7所述的一种配电网用故障研判定位系统，其特征在于，所述故障判断模型基于人工智能模型建立，包括：

获取标准训练数据；其中，标准训练数据包括与故障特征序列内容属性一致的标准输入数据，以及表示故障类型的标准输出数据；

通过标准训练数据训练构建的人工智能模型，训练完成之后标记为故障判断模型；其中，人工智能模型包括BP神经网络模型或者RBF神经网络模型。

Images