CN117892250A - 基于故障特征和bp神经网络的单相接地故障定位方法 - Google Patents
基于故障特征和bp神经网络的单相接地故障定位方法 Download PDFInfo
- Publication number
- CN117892250A CN117892250A CN202410302066.XA CN202410302066A CN117892250A CN 117892250 A CN117892250 A CN 117892250A CN 202410302066 A CN202410302066 A CN 202410302066A CN 117892250 A CN117892250 A CN 117892250A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- phase
- data
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 7
- 230000005684 electric field Effects 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- Locating Faults (AREA)
Abstract
本发明涉及配电网单相接地故障定位技术领域，公开了一种基于故障特征和BP神经网络的单相接地故障定位方法，步骤如下：采集变电站出线发生的单相接地故障历史数据。标记采集设备所在线路。将获取的历史数据划分为训练集和验证集。从训练集、验证集数据中提取特征向量。搭建神经网络模型，并使用提取的特征向量训练神经网络模型。新发生单相接地故障后，从故障数据中提取特征向量，输入训练好的神经网络模型。根据线路拓扑信息与神经网络模型输出的线路标记确定故障点位置。本发明结合多故障特征与神经网络实现故障定位，可以弥补单一故障特征判据和参考人工经验设定阈值方式带来的局限性，保证了配网单相接地故障区段定位准确率，工程实用性强。
Description
技术领域
本发明涉及配电网单相接地故障定位技术领域，尤其涉及一种基于故障特征和BP神经网络的单相接地故障定位方法。
背景技术
配电网单相接地故障占故障总数的80%以上，目前应用于单相接地故障区段定位的方法包括零序电流幅值、零序电流相位、零序无功功率、暂态能量、相似度、相不对称比值、3次谐波幅值和5次谐波幅值等，但是单一方法所具有的局限性使其无法具备100%的故障定位精度。多判据综合研判的方式是目前配电网单相接地故障区段定位的一种趋势，然而多种判据综合应用时，各个机理特征值的阈值选择是影响定位准确率的决定性因素，目前通过人工经验设定阈值的方式无法满足上述需求。BP神经网络是一种具有输入层、隐藏层和输出层的人工神将网络，具有任意复杂的模式分类能力和优良的多维函数映射能力，在无需事先确定输入输出之间映射关系的数学方程的情况下，仅通过自身的训练、学习，在给定输入值时得到最接近期望输出值的结果。
发明内容
本发明针对现有技术存在的不足和缺陷，提供了一种基于故障特征和BP神经网络的单相接地故障定位方法，结合多故障特征与BP神经网络实现故障定位，弥补单一故障特征判据和参考人工经验设定阈值方式带来的局限性，保证了配网单相接地故障区段定位准确率。
本发明的目的可以通过以下技术方案来实现。
一种基于故障特征和BP神经网络的单相接地故障定位方法，包括以下步骤。
S1：采集变电站出线发生的单相接地故障历史数据。
对采集设备所在线路进行标记。
S2：对数据进行预处理，过滤掉异常历史数据。
将过滤后的采集数据划分为训练集和验证集。
S3：从训练集、验证集数据中提取特征向量。
S4：搭建BP神经网络模型，并使用提取的特征向量训练BP神经网络模型。
S5：新发生单相接地故障后，从故障数据中提取特征向量，输入训练好的BP神经网络模型。
S6：根据线路拓扑信息与BP神经网络模型输出的线路标记确定故障点位置。
优选地，所述S1具体包括：
S1-1：采集单相接地故障发生前6个周波和发生后10个周波的三相电压、零序电压、三相电流、零序电流。
S1-2：根据采集的数据，按故障线路与非故障线路对采集设备所在线路进行标记。
优选地，所述S2中的异常历史数据包括三相电流采样异常数据与三相电场偏置异常数据。
优选地，所述S2中为避免在现有的有限数据中出现局部极值的情况，划分训练集和验证集的方法采用k折交叉验证，其中k为大于1的正整数。
优选地，所述S3、S5中提取的用于表征单相接地故障的特征向量包括零序电流幅值、零序电流相位、零序无功功率、暂态能量、零序有功功率、相不对称比值、3次谐波幅值和5次谐波幅值。
优选地，所述S4中搭建的BP神经网络模型为八输入、一输出的四层BP神经网络模型，所述八输入为提取的特征向量，一输出为线路标记。
优选地，所述S6中线路拓扑为以变电站为根节点，以采集设备为子节点的树型拓扑。
本发明的有益技术效果：结合多故障特征与BP神经网络实现故障定位，可以弥补单一故障特征判据和参考人工经验设定阈值方式带来的局限性，保证了配网单相接地故障区段定位准确率，具有很强的工程实用性。
附图说明
图1为本发明的总体流程图。
图2为本发明所搭建的BP神经网络。
图3为本发明实施例对应的拓扑图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不限定本发明。
实施例：结合附图1，一种基于故障特征和BP神经网络的单相接地故障定位方法，包括以下步骤。
S1：采集变电站出线发生的单相接地故障历史数据，历史数据具体包括：故障时刻附近采集到的电气量数据和该电气量数据对应的标签结论。本实施例中电气量数据包含单相接地故障发生前6个周波和发生后10个周波的三相电压、零序电压、三相电流、零序电流，对应标签结论为按故障线路与非故障线路对采集设备所在线路所进行的标记。
S2：首先，对历史数据预处理，逐点计算三相电流的变化量，如果一相电流连续三个采样点中相邻两采样点差值大于 500或一相电流相邻两采样点差值大于 900，则为三相电流采样异常数据。其次，分别逐点计算三相电场正负极性保持不变的采样点数，若至少有两相相电场的正负极性连续两个周波保持不变，则为三相电场偏置异常数据。最后，将剩余的历史数据划分为训练集和验证集，为避免在现有的有限数据中出现局部极值的情况，划分训练集和验证集的方法为k折交叉验证，其中k为大于1的正整数。k折交叉验证具体实施步骤包括：将数据随机、平均分为K份，其中（K-1）份作为训练集用来建立模型，在剩下的1份数据作为验证集进行验证，重复K次，得到最终训练好的模型。比如，常见的10折交叉验证，将数据随机、平均分为10份，其中9份用来建模，另外1份用来验证，这样依次做10次模型的训练和验证，可得到相对稳定的模型。
S3：从训练集、验证集数据中提取单相接地故障相关的特征向量，特征向量包括零序电流幅值、零序电流相位、零序无功功率、暂态能量、零序有功功率、相不对称比值、3次谐波幅值和5次谐波幅值，各个特征值的提取方式如下表所示。
表1、各个特征值的提取方式
| 特征值 | 提取方式 |
| 零序电流幅值 | 计算零序电流有效值的最大值 |
| 零序电流相位 | 计算工频零序电流的方向，其中由母线流向线路方向为1，由线路流向母线方向为-1 |
| 零序无功功率 | 计算零序电压和零序电流的无功功率 |
| 暂态能量 | 计算零序电压和零序电流乘积的积分 |
| 零序有功功率 | 计算零序电压和零序电流的有功功率 |
| 相不对称比值 | 计算故障相故障电流与另外两相故障电流之和的比值 |
| 3次谐波幅值 | 计算零序电流3次谐波分量的幅值 |
| 5次谐波幅值 | 计算零序电流5次谐波分量的幅值 |
S4：搭建BP神经网络模型，并使用提取的特征向量训练BP神经网络模型，本实施例中，BP神经网络如附图2所示，为八输入、一输出的四层BP神经网络，所述八输入为提取的特征向量，一输出为线路标记，使用S2中k折交叉验证划分好的训练集和验证集数据，依次做K次神经网络模型的训练和验证，每次训练神经网络模型都首先随机初始化神经网络的权重和偏置，其次将训练样本输入神经网络，并通过前向传播计算网络的输出，再次，使用损失函数（交叉熵）来比较网络输出和真实标签之间的差异，通过反向传播算法计算损失函数对每个神经网络模型参数的梯度，随后，使用优化算法（梯度下降法）根据梯度更新网络的参数。重复迭代多次得到本次训练的最佳模型参数。多次训练对比得到最佳的BP神经网络模型。
S5：新发生单相接地故障后，多套采集设备采集故障数据，从故障数据中提取与S3相同的特征向量，将多套采集设备的特征向量依次输入训练好的BP神经网络模型中。
S6：根据线路拓扑信息与BP神经网络模型输出的线路标记确定故障点位置，线路拓扑为以变电站为根节点，以采集设备为子节点的树型拓扑，本实施例中线路拓扑信息如附图3所示，采集设备3-1、采集设备3-2所采集数据的BP神经网络输出线路标记为故障线路，采集设备1-1、采集设备2-1、采集设备3-3、采集设备3-4所采集数据的BP神经网络输出线路标记为非故障线路，遍历拓扑中所有节点的BP神经网络输出信息，定位故障点位于故障线路和非故障线路采集设备之间，则本实施例中单相接地故障故障点位于采集设备3-2、采集设备3-3、采集设备3-4之间。
上述实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可做出各种变换和变化以得到相对应的等同的技术方案，因此所有等同的技术方案均应归入本发明的专利保护范围。
Claims (7)
1.一种基于故障特征和BP神经网络的单相接地故障定位方法，其特征在于，包括以下步骤：
S1：采集变电站出线发生的单相接地故障历史数据；
对采集设备所在线路进行标记；
S2：对数据进行预处理，过滤掉异常历史数据；
将过滤后的采集数据划分为训练集和验证集；
S3：从训练集、验证集数据中提取特征向量；
S4：搭建BP神经网络模型，并使用提取的特征向量训练BP神经网络模型；
S5：新发生单相接地故障后，从故障数据中提取特征向量，输入训练好的BP神经网络模型；
S6：根据线路拓扑信息与BP神经网络模型输出的线路标记确定故障点位置。
2.根据权利要求1所述的一种基于故障特征和BP神经网络的单相接地故障定位方法，其特征在于，所述S1具体包括：
S1-1：采集单相接地故障发生前6个周波和发生后10个周波的三相电压、零序电压、三相电流、零序电流；
S1-2：根据采集的数据，按故障线路与非故障线路对采集设备所在线路进行标记。
3.根据权利要求1所述的一种基于故障特征和BP神经网络的单相接地故障定位方法，其特征在于，所述S2中为避免在现有的有限数据中出现局部极值的情况，划分训练集和验证集的方法采用k折交叉验证，其中k为大于1的正整数。
4.根据权利要求1所述的一种基于故障特征和BP神经网络的单相接地故障定位方法，其特征在于，所述S3、S5中提取的用于表征单相接地故障的特征向量包括零序电流幅值、零序电流相位、零序无功功率、暂态能量、零序有功功率、相不对称比值、3次谐波幅值和5次谐波幅值。
5.根据权利要求1所述的一种基于故障特征和BP神经网络的单相接地故障定位方法，其特征在于，所述S4中搭建的BP神经网络模型为八输入、一输出的四层BP神经网络模型，所述八输入为提取的特征向量，一输出为线路标记。
6.根据权利要求1所述的一种基于故障特征和BP神经网络的单相接地故障定位方法，其特征在于，所述S6中线路拓扑为以变电站为根节点，以采集设备为子节点的树型拓扑。
7.根据权利要求1所述的一种基于故障特征和BP神经网络的单相接地故障定位方法，其特征在于，所述S2中的异常历史数据包括三相电流采样异常数据与三相电场偏置异常数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410302066.XA CN117892250A (zh) | 2024-03-18 | 2024-03-18 | 基于故障特征和bp神经网络的单相接地故障定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410302066.XA CN117892250A (zh) | 2024-03-18 | 2024-03-18 | 基于故障特征和bp神经网络的单相接地故障定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117892250A true CN117892250A (zh) | 2024-04-16 |
Family
ID=90652140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410302066.XA Pending CN117892250A (zh) | 2024-03-18 | 2024-03-18 | 基于故障特征和bp神经网络的单相接地故障定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117892250A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110687395A (zh) * | 2019-09-23 | 2020-01-14 | 南京理工大学 | 基于深度置信网络的含分布式电源的配电网故障选线方法 |
| CN113391164A (zh) * | 2021-06-10 | 2021-09-14 | 中国电力科学研究院有限公司 | 一种配电网单相接地故障智能化识别方法及装置 |
| CN116413553A (zh) * | 2023-04-12 | 2023-07-11 | 电子科技大学 | 一种小电流接地故障的快速选线方法 |
| CN117630569A (zh) * | 2023-11-30 | 2024-03-01 | 云南电网有限责任公司红河供电局 | 一种基于gru神经网络的小电流单相接地故障多判据融合选线方法 |
-
2024
- 2024-03-18 CN CN202410302066.XA patent/CN117892250A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110687395A (zh) * | 2019-09-23 | 2020-01-14 | 南京理工大学 | 基于深度置信网络的含分布式电源的配电网故障选线方法 |
| CN113391164A (zh) * | 2021-06-10 | 2021-09-14 | 中国电力科学研究院有限公司 | 一种配电网单相接地故障智能化识别方法及装置 |
| CN116413553A (zh) * | 2023-04-12 | 2023-07-11 | 电子科技大学 | 一种小电流接地故障的快速选线方法 |
| CN117630569A (zh) * | 2023-11-30 | 2024-03-01 | 云南电网有限责任公司红河供电局 | 一种基于gru神经网络的小电流单相接地故障多判据融合选线方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109286188B (zh) | 一种基于多源数据集的10kV配电网理论线损计算方法 | |
| CN101958543B (zh) | 一种变电站三相无阻抗非线性多源状态估计方法 | |
| CN103728535A (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
| CN112098889B (zh) | 一种基于神经网络和特征矩阵的单相接地故障定位方法 | |
| CN113536509B (zh) | 一种基于图卷积网络的微电网拓扑辨识方法 | |
| CN112285489B (zh) | 一种基于特征融合和模型融合的故障指示器故障定位方法 | |
| CN112180210A (zh) | 一种配电网单相接地故障选线方法及系统 | |
| CN107462810B (zh) | 一种适用于有源配电网的故障区段定位方法 | |
| CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
| CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
| Bassi et al. | Model-free voltage calculations for pv-rich lv networks: Smart meter data and deep neural networks | |
| CN111401792A (zh) | 一种基于极限梯度提升决策树的动态安全评估方法 | |
| Yang et al. | Fault diagnosis for boilers in thermal power plant by data mining | |
| Selim et al. | Power losses and energy cost minimization using shunt capacitors installation in distribution systems | |
| CN117892250A (zh) | 基于故障特征和bp神经网络的单相接地故障定位方法 | |
| Divya et al. | Optimal siting and sizing of DG in radial distribution system and identifying fault location in distribution system integrated with distributed generation | |
| Awasthi et al. | Identification of type of a fault in distribution system using shallow neural network with distributed generation | |
| CN113009279B (zh) | 基于Neo4j的配电网电压暂降故障定位及其可视化系统 | |
| CN114062832A (zh) | 一种配电网短路故障类型的识别方法及系统 | |
| CN107862150A (zh) | 一种基于杆塔结构与导线参数的同塔多回输电线路的统一建模方法 | |
| Lang et al. | Optimal allocation of voltage sag monitors in multi voltage grades distribution network based on improved MRA method | |
| Wei et al. | Fault location method for active distribution network based on SVM and feature search algorithm | |
| Chatterjee et al. | Cross-correlation based single-phase fault location scheme for transmission lines using one-end voltage | |
| Peng et al. | Fault Location Algorithm for Multi-Terminal Transmission Lines of Distribution System Based on Loop-Analysis | |
| Jain et al. | Classification and location of single line to ground faults in double circuit transmission lines using artificial neural networks |
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 |