CN117250436A - 基于动态模式和双端行波法的配电网行波信号定位方法 - Google Patents

Abstract

本发明公开了一种基于动态模式和双端行波法的配电网行波信号定位方法，属于电力配电技术领域；包括以下步骤：在配电网各支路节点上安装工频电流传感器、工频电压传感器和行波电流传感器，并将上述设备集成在柱上智能开关中；根据采集得到的零序电流信号和零序电压信号进行动态模式建模，得到零序电流‑电压动态模式；依据得到的零序电流‑电压动态模式进行故障区间判定；在所选定的故障区间内，进行双端行波电流信号达到时差计算，实现对故障点的准确定位。本发明方法可以有效避免输电线路分支过多造成的信号衰减等影响，同时在故障区间判定时又不需要计算波头达到时间，即简便又高效，最后还能给出比较准确的配电网故障位置点信息。

Description

基于动态模式和双端行波法的配电网行波信号定位方法

技术领域

本发明属于电力配电技术领域，具体涉及一种基于动态模式和双端行波法的配电网行波信号定位方法。

背景技术

配电网的实时健康监测技术发展已经成为电网安全运行和提升电网供能质量可靠性的重要保障。在配电网线路中，当故障发生后，如何能快速的判断出故障发生的区间(或支路)，进而对配电网区间中的故障点进行准确定位，具有重要意义。

随着配电网故障点定位技术的发展，行波法在众多故障点定位技术(如阻抗法等)中脱颖而出，具有支路简单时精度较高、定位速度较快的优点。然而，现代电力系统的不断扩容，配电网支路越来越多，加上变压器等电力系统设备发射作用，导致单依靠基于行波法在配电网区间判定和故障点判定都存在可靠性不高的问题，特别是行波信号衰减导致的波头和波速都收到了影响，进而影响了对故障点位的可靠判定。

目前已有的配电网行波信号定位方法有：基于行波法的配电网故障定位技术包括基于单端测距法的行波定位、基于双端测距发的行波定位、基于多段测距法的行波定位(如三端)等。基于单端的测距方法主要使用了神经网络、时频分析(如小波分析、变分模态分解)等技术。基于双端和多端测距方法主要是通过构建行波时差矩阵进行故障的判定。虽然这些技术已经在配电网行波定位中得到了应用，但是还存在如下的问题：一是基于单端和双端方法定位精度不高；二是基于多端方法定位算法复杂；三是配电网支路旁多，进一步加大上述方法的定位难度。

配电网每个支路发生短路故障后，达到智能开关上的零序电压和零序电流信号的波形是不相同的，因此，亟需设计一种配电网行波信号定位方法，能够将每条支路发生短路后的零序电压和零序电流模式保存并标定清楚，实现对配电网故障区间的准确测定。

发明内容

本发明的目的是：解决配电网故障区间的快速判定和故障点的准确定位问题，提供一种基于动态模式和双端行波法的配电网行波信号定位方法，根据零序电压信号和零序电流信号的动态模式，能够将每条支路发生短路后的零序电压和零序电流模式保存并标定清楚，进行故障区间判定，进一步结合双端行波电流信号达到时差进行故障点定位，可以实现对故障点的准确定位。

为实现上述目的，本发明采用了以下技术方案：基于动态模式和双端行波法的配电网行波信号定位方法，包括以下步骤：

S1、布置传感装置采集零序电流信号和零序电压信号：

依据所在配电网支路分布情况，在配电网各支路节点上布置多个工频电流传感器、工频电压传感器和行波电流传感器，并将该传感装置集成在柱上智能开关中，通过该传感装置分别采集所在节点处的零序电流、零序电压和行波信号；

S2、对零序电流信号和零序电压信号进行动态模式建模，构建零序电流-电压动态模式：

采用RBF神经网络作为参数模型结构，对步骤S1中采集得到的零序电流信号和零序电压信号的内在动力学进行神经网络逼近，对其内在动力学的局部进行准确建模，建模结果以时不变且空间部分的方式进行表达、以常值神经网络权值的方式进行存储，最终得到零序电流-电压动态模式；

具体动态模式建模过程包括以下步骤：

S21、获得零序电压-电流信号回归轨迹：

根据步骤S1中采集得到的零序电流信号和零序电压信号，得到零序电压-电流信号回归轨迹x＝[x₁，x₂]^T，式中，x₁表示通过工频电流传感器采集得到的零序电流信号，x₂表示通过工频电压信号采集得到的零序电压信号；

S22、构建RBF神经网络动态估计器：

采用径向基神经网络作为参数模型结构，将零序电压-电流信号回归轨迹作为模型输入，并采用高斯核函数对于具有周期或回归特性的零序电压、零序电流信号进行学习训练，构建RBF神经网络动态估计器，其表达式为：

式中，x＝[x₁，x₂]^T，是径向基神经网络学习器的状态，/>表示径向基神经网络学习器的状态/>的导数，a是设计常数，表示径向基神经网络学习器的增益，/>是神经网络权值，S(x)是径向基神经网络；

S23、获得零序电压-电流信号动力学轨迹：

在RBF神经网络动态估计器的基础上，获得对零序电流和零序电压信号动态辨识结果，包括零序电流信号动态零序电压信号动态/>进行时域上的组合得到二位的零序电流-电压信号动力学轨迹/>定义为零序电流-电压动态模式；

S3、进行故障与正常状态时的动力学轨迹比对，确定故障区间：

对配电网每个柱上智能开关上的工频电流传感器和工频电压传感器进行所在位置点的零序电流和零序电压监测，并当配电网某区间点发生单相接地故障时，基于零序电流-电压动态模式与标定过的各柱上智能开关正常工作时零序电流-电压动态模式进行动力学轨迹比对，确定不同柱上智能开关的位置参数信息，并通过最大欧式距离值原则确定故障点所在的配电网支路区间；

S4、依据双端行波法进行故障点定位，输出配电网故障发生具体位置：

依据步骤S3中确定的故障区间，在所选定的故障区间内，进行行波电流传感器在区间两端智能开关上达到的时间差计算，得到故障点的准确定位。

所述步骤S1中，所述柱上智能开关为一二次融合开关，所采集的零序电流信号、零序电压信号和行波信号为配电网发生故障后工频电流传感器、工频电压传感器和行波电流传感器上的数据。

所述步骤S2中，神经网络权值是采用基于Lyapunov的学习方法，表达式为：

式中，为神经网络权值的估计值，/>为权值/>的转置，Γ＝Γ^T是权值更新率增益常数，/>是转子系统振动信号的状态误差，σ＞0是一个很小的常数值，用来补偿或修正权值更新过程。

所述步骤S3中，标定过的各智能开关正常工作时零序电流-电压动态模式指的是在实际中未发生接地故障，即配电网正常运行时，对零序电流信号和零序电压信号进行动态建模后得到的动态模式，并分别对其进行标定清楚保存，包括零序电流信号动态零序电压信号动态/>N表示智能开关的个数。

所述步骤S3中，动力学轨迹比对指的是对故障和正常状态下的零序电流-电压动态模式分别求取欧式距离，得到零序电流和零序电压信号动态区间判定矩阵DOF，表达式为：

式中，L₂为2-范数。

所述步骤S4中，故障点定位的具体步骤包括：

S41、采集故障区间柱上智能开关上的行波电流传感器监测到行波信号的时间；

S42、比较故障区间下游柱上智能开关上的行波电流传感器采集到行波信号的时刻，确定出最先采集的行波信号的行波电流传感器；

S43、根据故障区间上游柱上智能开关中行波电流传感器最先采集到行波信号时刻，与故障区间下游确定最先采集到的行波电流传感器时刻的时间差，计算得到故障点的位置，故障点位置表达式为：

L₁＝L+(t₁-t₂)V/2，L₂＝L-(t₁-t₂)V/2，

式中，其中，L为两个柱上智能开关的距离，L₁为故障点到故障区间上游智能开关的距离，L₂为故障点到故障区间下游智能开关的距离，t₁为行波信号到故障区间上游行波电流传感器的时间，t₂为行波信号到故障区间下游行波电流传感器的时间，V为行波信号在配电网线路中的传播速度。

本发明的有益效果是：

1)本发明方法中根据零序电压信号和零序电流信号的动态模式，能够将每条支路发生短路后的零序电压和零序电流模式保存并标定清楚，进行故障区间判定，进一步结合双端行波电流信号达到时差进行故障点定位，可以实现对故障点的准确定位。

2)本发明方法可以有效避免输电线路分支过多造成的信号衰减等影响，同时，在故障区间判定时又不需要计算波头达到时间，即简便又高效，最后还能给出比较准确的配电网故障位置点信息。

3)本发明方法中所得的动力学轨迹信息可以从零序电流和零序电压信号内在变化的角度，有效避免输电线路分支过多造成的信号衰减影响，及时提取出零序电流和电压信号特征。

附图说明

图1为本发明方法中配电网行波信号定位算法的流程图；

图2为本发明实施例中配电网分支结构图；

图3为本发明实施例中零序电压信号和电流信号的波形示例图；

图4为本发明实施例中动态RBF神经网络布局图；

图5为本发明实施例中零序电压-电流信号动力学轨迹图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的解释说明。

实施例：本实施例以某配电网支路真实接地故障数据为例，其配电网的分支结构图如图2所示。

本发明提供一种基于动态模式和双端行波法的配电网行波信号定位方法，其流程图如图1所示，包括以下步骤：

S1、布置传感装置采集零序电流信号和零序电压信号：

依据所在配电网支路分布情况，给定配电网各支路基本参数，并对配电网中各终端开关进行编号，在配电网各支路节点上安装多个工频电流传感器、工频电压传感器和行波电流传感器，并将该传感装置集成在柱上智能开关中，通过该传感装置分别采集所在节点处的零序电流、零序电压和行波信号。

在本实施例中，该10kV配电网上分别有4个分支AE、BF、CG、DH，P1、P2、P3、P4、P5是安装在配电网上的智能开关终端，通过安装在智能开关上的零序电压、零序电流和行波电流传感器进行行波信号采集。

其中，配电网线路的长度如下：AP1＝1.519km，P1E＝0.105km，AP2＝1.346km，P2B＝1.515km，BP3＝0.362km，BC＝0.344km，CP6＝1.683km，CP4＝0.464km，P4D＝0.686km，DP5＝5.526km。

S2、对零序电流信号和零序电压信号进行动态模式建模，构建零序电流-电压动态模式：

采用RBF神经网络作为参数模型结构，对步骤S1中采集得到的零序电流信号和零序电压信号的内在动力学进行神经网络逼近，对其内在动力学的局部进行准确建模，建模结果以时不变且空间部分的方式进行表达、以常值神经网络权值的方式进行存储，最终得到零序电流-电压动态模式；

当线路P2B段上发生单相接地故障时，故障点距离P2点为1.027km,距离B点为0.448km，在终端上P3上获取的零序电压和电流信号波形如图3所示，故障发生后，系统的三相零序电压信号(ABC三相)会发生变化，同时，三相零序电流信号也会跟着改变，但是很明显零序电流信号变化较小，采样频率为2MHz。

对获取的零序电压和零序电流信号进行建模，所使用的动态RBF神经网络模型结构如图4所示，考虑到零序电压信号和电流信号都是三维的，所以本实施例构建了三维RBF神经网络动态估计器。其中，动态网络模型中的参数a＝1.98，Γ＝200，σ＝0.02，经过动力学建模，可以获得零序电流信号的动力学轨迹，其结果如图5所示，采用本发明定位方法，可以实现对微小零序电流信号的动力学轨迹的准确获取，反映了配电网系统在发生故障后的工作模式。

S3、进行故障与正常状态时的动力学轨迹比对，确定故障区间：

对配电网每个柱上智能开关上的工频电流传感器和工频电压传感器进行所在位置点的零序电流和零序电压监测，并当配电网某区间点发生单相接地故障时，基于零序电流-电压动态模式与标定过的各柱上智能开关正常工作时零序电流-电压动态模式进行动力学轨迹比对，确定不同柱上智能开关的位置参数信息，并通过最大欧式距离值原则确定故障点所在的配电网支路区间。

基于所获取的零序电压和电流信号动力学轨迹，并与模式库中的估计进行比对，得到与五个智能开关对比后的故障区间判定矩阵，如下，第一行是零序电压动态模式对比值，第二行是零序电流信号动态模式对比值。

故障区间判定矩阵为基于故障区间判定矩阵和最大值判定原则，故障应该是发生在智能开关P2和P3之间。

S4、依据双端行波法进行故障点定位，输出配电网故障发生具体位置：

依据步骤S3中确定的故障区间，在所选定的故障区间内，进行行波电流传感器在区间两端智能开关上达到的时间差计算，得到故障点的准确定位。

当确定故障点所在支路后，即可基于行波电流信号使用双端法进行精确位置定位。当分支P2B上发生故障后，使用本发明所得的故障点距离P2端的距离为1.089km，与实际故障点位置的误差为：1.027-1.189＝0.162km。

本发明方法中根据零序电压信号和零序电流信号的动态模式，能够将每条支路发生短路后的零序电压和零序电流模式保存并标定清楚，进行故障区间判定，进一步结合双端行波电流信号达到时差进行故障点定位，可以实现对故障点的准确定位。

以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.基于动态模式和双端行波法的配电网行波信号定位方法，其特征在于：包括以下步骤：

S1、布置传感装置采集零序电流信号和零序电压信号：

依据所在配电网支路分布情况，在配电网各支路节点上布置多个工频电流传感器、工频电压传感器和行波电流传感器，并将该传感装置集成在柱上智能开关中，通过该传感装置分别采集所在节点处的零序电流、零序电压和行波信号；

S2、对零序电流信号和零序电压信号进行动态模式建模，构建零序电流-电压动态模式：

采用RBF神经网络作为参数模型结构，对步骤S1中采集得到的零序电流信号和零序电压信号的内在动力学进行神经网络逼近，对其内在动力学的局部进行准确建模，建模结果以时不变且空间部分的方式进行表达、以常值神经网络权值的方式进行存储，最终得到零序电流-电压动态模式；

具体动态模式建模过程包括以下步骤：

S21、获得零序电压-电流信号回归轨迹：

根据步骤S1中采集得到的零序电流信号和零序电压信号，得到零序电压-电流信号回归轨迹x＝[x₁，x₂]^T，式中，x₁表示通过工频电流传感器采集得到的零序电流信号，x₂表示通过工频电压信号采集得到的零序电压信号；

S22、构建RBF神经网络动态估计器：

采用径向基神经网络作为参数模型结构，将零序电压-电流信号回归轨迹作为模型输入，并采用高斯核函数对于具有周期或回归特性的零序电压、零序电流信号进行学习训练，构建RBF神经网络动态估计器，其表达式为：

式中，x＝[x₁，x₂]^T，是径向基神经网络学习器的状态，/>表示径向基神经网络学习器的状态/>的导数，a是设计常数，表示径向基神经网络学习器的增益，/>是神经网络权值，S(x)是径向基神经网络；

S23、获得零序电压-电流信号动力学轨迹：

在RBF神经网络动态估计器的基础上，获得对零序电流和零序电压信号动态辨识结果，包括零序电流信号动态零序电压信号动态/>进行时域上的组合得到二位的零序电流-电压信号动力学轨迹/>定义为零序电流-电压动态模式；

S3、进行故障与正常状态时的动力学轨迹比对，确定故障区间：

对配电网每个柱上智能开关上的工频电流传感器和工频电压传感器进行所在位置点的零序电流和零序电压监测，并当配电网某区间点发生单相接地故障时，基于零序电流-电压动态模式与标定过的各柱上智能开关正常工作时零序电流-电压动态模式进行动力学轨迹比对，确定不同柱上智能开关的位置参数信息，并通过最大欧式距离值原则确定故障点所在的配电网支路区间；

S4、依据双端行波法进行故障点定位，输出配电网故障发生具体位置：

依据步骤S3中确定的故障区间，在所选定的故障区间内，进行行波电流传感器在区间两端智能开关上达到的时间差计算，得到故障点的准确定位。

2.根据权利要求1所述的基于动态模式和双端行波法的配电网行波信号定位方法，其特征在于：所述步骤S1中，所述柱上智能开关为一二次融合开关，所采集的零序电流信号、零序电压信号和行波信号为配电网发生故障后工频电流传感器、工频电压传感器和行波电流传感器上的数据。

3.根据权利要求1所述的基于动态模式和双端行波法的配电网行波信号定位方法，其特征在于：所述步骤S2中，神经网络权值是采用基于Lyapunov的学习方法，表达式为：

式中，为神经网络权值的估计值，/>为权值/>的转置，Γ＝Γ^T是权值更新率增益常数，/>是转子系统振动信号的状态误差，σ＞0是一个很小的常数值，用来补偿或修正权值更新过程。

4.根据权利要求1所述的基于动态模式和双端行波法的配电网行波信号定位方法，其特征在于：所述步骤S3中，标定过的各智能开关正常工作时零序电流-电压动态模式指的是在实际中未发生接地故障，即配电网正常运行时，对零序电流信号和零序电压信号进行动态建模后得到的动态模式，并分别对其进行标定清楚保存，包括零序电流信号动态零序电压信号动态/>N表示智能开关的个数。

5.根据权利要求4所述的基于动态模式和双端行波法的配电网行波信号定位方法，其特征在于：所述步骤S3中，动力学轨迹比对指的是对故障和正常状态下的零序电流-电压动态模式分别求取欧式距离，得到零序电流和零序电压信号动态区间判定矩阵DOF，表达式为：

式中，L₂为2-范数。

6.根据权利要求5所述的基于动态模式和双端行波法的配电网行波信号定位方法，其特征在于：所述步骤S4中，故障点定位的具体步骤包括：

S41、采集故障区间柱上智能开关上的行波电流传感器监测到行波信号的时间；

S42、比较故障区间下游柱上智能开关上的行波电流传感器采集到行波信号的时刻，确定出最先采集的行波信号的行波电流传感器；

S43、根据故障区间上游柱上智能开关中行波电流传感器最先采集到行波信号时刻，与故障区间下游确定最先采集到的行波电流传感器时刻的时间差，计算得到故障点的位置，故障点位置表达式为：

L₁＝L+(t₁-t₂)V/2，L₂＝L-(t₁-t₂)V/2，

式中，其中，L为两个柱上智能开关的距离，L₁为故障点到故障区间上游智能开关的距离，L₂为故障点到故障区间下游智能开关的距离，t₁为行波信号到故障区间上游行波电流传感器的时间，t₂为行波信号到故障区间下游行波电流传感器的时间，V为行波信号在配电网线路中的传播速度。