CN118259099A - 配电网线路相别故障类型识别方法、装置和计算机设备 - Google Patents
配电网线路相别故障类型识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN118259099A CN118259099A CN202410294209.7A CN202410294209A CN118259099A CN 118259099 A CN118259099 A CN 118259099A CN 202410294209 A CN202410294209 A CN 202410294209A CN 118259099 A CN118259099 A CN 118259099A
- Authority
- CN
- China
- Prior art keywords
- phase
- fault
- sample data
- distribution network
- power distribution
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000004590 computer program Methods 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 35
- 238000012795 verification Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000007704 transition Effects 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000000819 phase cycle Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 description 24
- 238000010187 selection method Methods 0.000 description 12
- 230000001052 transient effect Effects 0.000 description 11
- 230000001629 suppression Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本申请涉及一种配电网线路相别故障类型识别方法、装置、计算机设备、存储介质和计算机程序产品,涉及电力保护技术领域。所述方法包括:获取至少两个故障检测点的初始样本数据;根据各故障检测点对应的相别故障类型,对初始样本数据添加标签,得到样本数据集;根据样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的相别故障类型识别模型。采用本方法能够提升配电网线路中相别故障类型的识别准确度。
Description
技术领域
本申请涉及电力保护技术领域,特别是涉及一种配电网线路相别故障类型识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
配电网线路作为电力系统重要的组成设备,其一旦发生故障将对电能配送造成严重影响。配电网线路发生故障后,快速判断出故障相别对及时恢复线路供电和消除故障隐患具有重要意义。对于架空线-电缆混合配电线路故障选相问题目前仍未能很好地解决。
现阶段配电网应用较广的传统故障选相方法是通过比较各相电压幅值,根据接地方式不同选取相电压幅值最大相的超前或滞后相为故障相,然而,以上选相方法忽略了实际配电网中真实存在的三相导纳不对称,具有高阻故障时选相准确率低的明显弊端,导致配电网线路中相别故障类型的识别准确度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升配电网线路中相别故障类型的识别准确度的配电网线路相别故障类型识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种配电网线路相别故障类型识别方法。所述方法包括:
获取至少两个故障检测点的初始样本数据;所述初始样本数据包括三相电流、三相电压、正负零序电流和正负零序电压;每个所述故障检测点对应有至少一种故障工况,所述故障工况包括故障支路、故障位置和过渡电路;
根据各所述故障检测点对应的相别故障类型,对所述初始样本数据添加标签,得到样本数据集;
根据所述样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型;所述相别故障类型识别模型用于输出配电网线路中待检测点对应的相别故障类型。
在其中一个实施例中,所述获取至少两个故障检测点的初始样本数据,包括:
获取预构建的配电网线路模型;所述配电网线路模型用于对目标伏值规格的配电网线路的故障状况进行模拟;
根据所述配电网线路模型获取至少两个故障检测点对应的所述初始样本数据。
在其中一个实施例中,所述根据所述配电网线路模型获取至少两个故障检测点对应的所述初始样本数据,包括:
根据所述配电网线路模型获取至少两个故障检测点对应的所述三相电流的幅值、所述三相电压的幅值;
基于所述三相电流的幅值、所述三相电压的幅值进行相序变换,得到正负零序电流的幅值、正负零序电压的幅值;
基于所述三相电流的幅值、所述三相电压的幅值、所述正负零序电流的幅值、所述正负零序电压的幅值进行快速傅里叶变换,得到所述三相电流的相角、所述三相电压的相角、所述正负零序电流的相角、所述正负零序电压的相角;
将各故障检测点对应的各所述幅值和所述相角作为所述初始样本数据。
在其中一个实施例中,所述根据所述样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型,包括:
获取预设的数据集划分比例信息;
根据所述数据集划分比例信息对所述样本数据集进行划分,得到训练集、验证集和测试集;
根据所述训练集和所述验证集对所述相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型。
在其中一个实施例中,所述根据所述训练集和所述验证集对所述相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型,包括:
基于遗传算法的优化算法,根据所述验证集更新所述相别故障类型识别模型对应的权重和偏置参数,得到更新后的所述相别故障类型识别模型;
基于交叉熵损失函数,根据所述训练集对更新后的所述相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型。
在其中一个实施例中,所述方法还包括:
将所述测试集中的样本数据,输入到训练好的所述相别故障类型识别模型中,得到所述测试集对应的分类结果;
比对所述分类结果和所述测试集中样本数据对应的所述相别故障类型,确定所述测试集对应的测试效果信息。
第二方面,本申请还提供了一种配电网线路相别故障类型识别装置。所述装置包括:
样本数据获取模块,用于获取至少两个故障检测点的初始样本数据;所述初始样本数据包括三相电流、三相电压、正负零序电流和正负零序电压;每个所述故障检测点对应有至少一种故障工况,所述故障工况包括故障支路、故障位置和过渡电路;
样本数据集确定模块,用于根据各所述故障检测点对应的相别故障类型,对所述初始样本数据添加标签,得到样本数据集;
故障类型识别模型训练模块,用于根据所述样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型;所述相别故障类型识别模型用于输出配电网线路中待检测点对应的相别故障类型。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取至少两个故障检测点的初始样本数据;所述初始样本数据包括三相电流、三相电压、正负零序电流和正负零序电压;每个所述故障检测点对应有至少一种故障工况,所述故障工况包括故障支路、故障位置和过渡电路;
根据各所述故障检测点对应的相别故障类型,对所述初始样本数据添加标签,得到样本数据集;
根据所述样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型;所述相别故障类型识别模型用于输出配电网线路中待检测点对应的相别故障类型。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取至少两个故障检测点的初始样本数据;所述初始样本数据包括三相电流、三相电压、正负零序电流和正负零序电压;每个所述故障检测点对应有至少一种故障工况,所述故障工况包括故障支路、故障位置和过渡电路;
根据各所述故障检测点对应的相别故障类型,对所述初始样本数据添加标签,得到样本数据集;
根据所述样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型;所述相别故障类型识别模型用于输出配电网线路中待检测点对应的相别故障类型。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取至少两个故障检测点的初始样本数据;所述初始样本数据包括三相电流、三相电压、正负零序电流和正负零序电压;每个所述故障检测点对应有至少一种故障工况,所述故障工况包括故障支路、故障位置和过渡电路;
根据各所述故障检测点对应的相别故障类型,对所述初始样本数据添加标签,得到样本数据集;
根据所述样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型;所述相别故障类型识别模型用于输出配电网线路中待检测点对应的相别故障类型。
上述配电网线路相别故障类型识别方法、装置、计算机设备、存储介质和计算机程序产品,首先获取至少两个故障检测点的初始样本数据,然后根据各故障检测点对应的相别故障类型,对初始样本数据添加标签,得到样本数据集,最后根据样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的相别故障类型识别模型;将深度学习用于故障选相问题,提出了一种基于神经网络的配电网混合线路故障选相方法,基于线路故障后的故障电流及电压数据进行故障选相模型的训练和测试,提升了配电网线路中相别故障类型的识别准确度,另外,在应对配电网高阻接地故障时,实现了快速准确地故障相辨识,提升了配电网单相接地故障抑制技术水平,提升了电力系统安全水平。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,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为一个实施例中配电网线路相别故障类型识别方法的应用环境图;
图2为一个实施例中配电网线路相别故障类型识别方法的流程示意图;
图3为另一个实施例中配电网线路相别故障类型识别方法的流程示意图;
图4为一个实施例中配电网线路相别故障类型识别方法的整体流程图;
图5为一个实施例中配电网线路相别故障类型识别方法的仿真示意图;
图6为一个实施例中配电网线路相别故障类型识别方法的模型结构示意图;
图7为一个实施例中配电网线路相别故障类型识别方法的激活函数原理示意图;
图8为一个实施例中配电网线路相别故障类型识别装置的结构框图;
图9为一个实施例中计算机设备的内部结构图;
图10为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本申请实施例提供的配电网线路相别故障类型识别方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种配电网线路相别故障类型识别方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
S201,获取至少两个故障检测点的初始样本数据。
其中,初始样本数据包括三相电流、三相电压、正负零序电流和正负零序电压。
其中,故障检测点指的是在仿真的模型中被设置为存在故障的点位。
其中,每个故障检测点对应有至少一种故障工况,故障工况包括故障支路、故障位置和过渡电路。
示例性地,初始样本数据包括A相电流幅值和相角、B相电流幅值和相角、C相电流幅值和相角、A相电压幅值和相角、B相电压幅值和相角、C相电压幅值和相角、正序电流幅值和相角、负序电流幅值和相角、零序电流幅值和相角、正序电压幅值和相角、负序电压幅值和相角、零序电压幅值和相角,共24个特征。
S202,根据各故障检测点对应的相别故障类型,对初始样本数据添加标签,得到样本数据集。
其中,相别故障类型指的是与相位密切相关的电力系统中电网线路的故障类型。
示例性地,按照一定的输入顺序,将步骤S201中的24个特征进行排列生成一组[1x24]的张量,并给其打上故障类型标签以构建成为一个故障样本,将所得对应不同故障工况的多组原始样本数据进行处理即可得到故障输入数据样本集。
S203,根据样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的相别故障类型识别模型。
其中,相别故障类型识别模型用于输出配电网线路中待检测点对应的相别故障类型,待检测点为在应用阶段的待进行故障分析识别的配电网中的点位、
上述配电网线路相别故障类型识别方法中,首先获取至少两个故障检测点的初始样本数据,然后根据各故障检测点对应的相别故障类型,对初始样本数据添加标签,得到样本数据集,最后根据样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的相别故障类型识别模型;将深度学习用于故障选相问题,提出了一种基于神经网络的配电网混合线路故障选相方法,基于线路故障后的故障电流及电压数据进行故障选相模型的训练和测试,提升了配电网线路中相别故障类型的识别准确度,另外,在应对配电网高阻接地故障时,实现了快速准确地故障相辨识,提升了配电网单相接地故障抑制技术水平,提升了电力系统安全水平。
在一个实施例中,获取至少两个故障检测点的初始样本数据,包括:获取预构建的配电网线路模型;根据配电网线路模型获取至少两个故障检测点对应的初始样本数据。
其中,配电网线路模型用于对目标伏值规格的配电网线路的故障状况进行模拟;目标伏值规格包括10kV。
示例性地,利用电磁暂态仿真程序PSCAD/EMTDC中搭建10kV配电网模型进行仿真,来获取样本数据集。
本实施例中,首先获取预构建的配电网线路模型,然后根据配电网线路模型获取至少两个故障检测点对应的初始样本数据,利用电磁暂态仿真程序搭建仿真模型,便于获取丰富的训练数据,提升了模型的训练效果和训练效率,进而提升了配电网线路中相别故障类型的识别准确度。
在一个实施例中,根据配电网线路模型获取至少两个故障检测点对应的初始样本数据,包括:根据配电网线路模型获取至少两个故障检测点对应的三相电流的幅值、三相电压的幅值;基于三相电流的幅值、三相电压的幅值进行相序变换,得到正负零序电流的幅值、正负零序电压的幅值;基于三相电流的幅值、三相电压的幅值、正负零序电流的幅值、正负零序电压的幅值进行快速傅里叶变换,得到三相电流的相角、三相电压的相角、正负零序电流的相角、正负零序电压的相角;将各故障检测点对应的各幅值和相角作为初始样本数据。
示例性地,采集故障支路首端测点的三相电流和三相电压数据,并计算正负零序电流和正负零序电压相量,选取不同故障工况下的故障后1周波数据作为故障特征输入样本。其中,正负零序电流和电压采用相-序变换获得,三相电流和电压相量、正负零序电流和电压相量采用FFT计算得到。
本实施例中,首先根据三相电流和电压的幅值,通过相序变换得到正负零序电流和电压的幅值,然后通过快速傅里叶变换得到各种电压和电流幅值对应的相角,最后将各故障检测点对应的各幅值和相角作为初始样本数据,实现了对初始样本数据的构建,实现了样本数据的丰富性,为后续模型训练提供了充分的准备。
在一个实施例中,根据样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的相别故障类型识别模型,包括:获取预设的数据集划分比例信息;根据数据集划分比例信息对样本数据集进行划分,得到训练集、验证集和测试集;根据训练集和验证集对相别故障类型识别模型进行训练,得到训练好的相别故障类型识别模型。
其中,数据集划分比例信息包括训练集、验证集和测试集占有样本数据集的比例。
示例性地,将故障输入数据样本集按照0.6:0.2:0.2的比例,随机划分为训练集、验证集和测试集。使用训练集样本对CNN模型进行训练,验证集和测试集主要用以验证训练得到的网络是否存在过拟合等问题。
本实施例中,首先获取预设的数据集划分比例信息,然后根据数据集划分比例信息对样本数据集进行划分,得到训练集、验证集和测试集,最后根据训练集和验证集对相别故障类型识别模型进行训练,得到训练好的相别故障类型识别模型,通过对样本数据集的合理划分,为模型的训练和测试过程做了充足的数据准备。
在一个实施例中,根据训练集和验证集对相别故障类型识别模型进行训练,得到训练好的相别故障类型识别模型,包括:基于遗传算法的优化算法,根据验证集更新相别故障类型识别模型对应的权重和偏置参数,得到更新后的相别故障类型识别模型;基于交叉熵损失函数,根据训练集对更新后的相别故障类型识别模型进行训练,得到训练好的相别故障类型识别模型。
其中,遗传算法的优化算法用于更新网络中的权重和偏置参数,从而降低拟合误差。
其中,损失函数描述的是模型输出值与真实值之间的误差,交叉损失函数表示模型输出的概率分布和真实分布之间的差距,通过交叉熵函数来计算输出概率与真实概率的误差,利用基于遗传算法的优化算法不断更新参数,反向传播训练CNN网络模型,使得交叉熵损失函数值变得越来越小。
本实施例中,首先基于遗传算法的优化算法,根据验证集更新相别故障类型识别模型对应的权重和偏置参数,得到更新后的相别故障类型识别模型,然后基于交叉熵损失函数,根据训练集对更新后的相别故障类型识别模型进行训练,得到训练好的相别故障类型识别模型;通过遗传算法并结合交叉熵损失函数的定制设计,完成了对模型的调整,提升了模型的训练效果,进而提升了配电网线路中相别故障类型的识别准确度。
在一个实施例中,方法还包括:将测试集中的样本数据,输入到训练好的相别故障类型识别模型中,得到测试集对应的分类结果;比对分类结果和测试集中样本数据对应的相别故障类型,确定测试集对应的测试效果信息。
其中,测试集对应的分类结果指的是模型输出的针对测试集数据进行故障类型分类的结果。比如,分类结果为:该数据对应的故障类型为第一类型。
其中,测试效果信息用于展示该数据对应的分类类型,与该数据在仿真过程对应的故障类型是否一致,进而根据一致性来评判模型训练的好坏。
本实施例中,首先将测试集中的样本数据,输入到训练好的相别故障类型识别模型中,得到测试集对应的分类结果,然后比对分类结果和测试集中样本数据对应的相别故障类型,确定测试集对应的测试效果信息,通过测试集对模型训练结果进行测试,用于评估模型的训练效果,提升了模型在应用阶段的准确性。
在另一个实施例中,如图3所示,提供了一种配电网线路相别故障类型识别方法,包括以下步骤:
S301,获取预构建的配电网线路模型。
S302,根据配电网线路模型获取至少两个故障检测点对应的三相电流的幅值、三相电压的幅值。
S303,基于三相电流的幅值、三相电压的幅值进行相序变换,得到正负零序电流的幅值、正负零序电压的幅值。
S304,基于三相电流的幅值、三相电压的幅值、正负零序电流的幅值、正负零序电压的幅值进行快速傅里叶变换,得到三相电流的相角、三相电压的相角、正负零序电流的相角、正负零序电压的相角。
S305,将各故障检测点对应的各幅值和相角作为初始样本数据。
需要说明的是,上述步骤的具体限定可以参见上文对一种配电网线路相别故障类型识别方法的具体限定,在此不再赘述。
在一个实施例中,当配电网发生故障后,准确识别出故障相别是线路故障查找过程中的一个重要环节。故障查找过程中,重点关注故障相有利于及时发现故障痕迹快速采取措施恢复供电。因此,在故障定位基础上进一步研究准确的故障选相方法也具有重要意义。
随着深度学习算法的快速发展,其通过对输入信息的分级表达,来实现特征提取、预测和分类的核心思想逐渐在电力系统中得到应用。其中,卷积神经网络(ConvolutionalNeural Network,CNN)具有权值共享、泛化能力强以及可并行学习等优点,能够实现深层特征的提取,成为效果较好的深度学习型之一,已广泛应用于电力系统分析中。区别于计算机视觉领域的二维CNN,一维CNN网络在信号处理方面有着其他神经网络难以企及的优势。因此,本申请采用一维CNN来处理故障暂态数据,目的是设计一个强大和计算高效的一维CNN模型,使其具有良好的泛化能力,以快速准确实现对各种配电网故障相的分类识别。
判断故障相别指的是根据电力系统中的电压或电流信号来确定故障点所在的相位。由于消弧线圈无法补偿有功电流、谐波电流,随着配电网规模的迅速扩大,发生单相接地故障后故障电流迅速增大,消弧线圈熄灭电弧能力难以满足实际需求。为此,本申请提出了其他故障抑制技术,其中包括电流型或电压型全补偿有源消弧技术以及主动干预消弧技术,而以上故障抑制技术的关键前提便是准确判定故障相。一旦选相错误,不仅会导致单相接地故障扩大为两相接地故障,同时还会将故障点引入变电站,产生极大安全隐患。
现阶段配电网应用较广的传统故障选相方法是通过比较各相电压幅值,根据接地方式不同选取相电压幅值最大相的超前或滞后相为故障相,然而,以上选相方法忽略了实际配电网中真实存在的三相导纳不对称,具有高阻故障时选相准确率低的明显弊端。为此,针对配电网故障选相提出了许多新方法,根据选相依据的故障特征又可以分为基于变化量的故障相识别、基于稳态分量的故障相识别以及基于暂态分量的故障相识别方法。
中性点附加阻抗的故障选相方法,通过投切电阻分别在故障前后对中性点电压进行扰动,跟踪计算各线路对地参数,利用故障相对地参数发生变化而非故障相不变的特点实现故障相辨识,该方法虽然考虑了不对称的影响,但其改变了系统中性点接地方式,实现流程复杂,实用意义有待考察。
此外,通过减小选相判据特征量实现单相接地故障的快速选相的方法,该方法虽然在一定程度上缩减了故障选相时间,但仍存在高阻故障选相可能错误的原理性缺陷。在其他实施例中,通过详细分析不对称情况下的零序电压偏移轨迹,构建出考虑全面、结构精细的故障选相判据,提出可以消除三相不对称影响的故障选相判据,但构建的判据结构复杂,难以在实际应用中实现。
随着信息处理技术、大数据等其他领域技术的不断发展,基于学科融合的故障选相方法被不断提出。利用故障前后电流波形发生畸变的特性,引入网格分析算法构造非正弦度判据,其中非正弦度超过设定阈值即判定为故障相;将改进的时域反演算法应用与故障定位领域,利用该算法处理故障暂态信息,并比较各相信号能量值大小实现故障选相;将图像识别技术与选相技术相结合的选相新方法,通过对三相电流进行相空间重构并对比相似性实现故障相识别。总体而言,以上所述基于学科融合的选相方法提供了全新选相思路,但是在现阶段仍难以应对配电网复杂多变的运行工况,无法实现工程应用推广。
综上所述,上述实施例中,配电网故障选相方法或多或少存在各自的缺点,在应对配电网高阻接地故障时,难以实现快速、准确的故障相辨识,对配电网单相接地故障抑制技术水平的提升造成巨大困扰,不利于电力系统安全水平的提高。
基于此,本申请提供了一种配电网线路相别故障类型识别方法,又称为一种配电网的故障相辨识方法,针对配电网混合线路故障选相问题开展研究,将深度学习用于故障选相问题,提出了一种基于卷积神经网络的配电网混合线路故障选相方法,对线路故障后1个周波的故障电流、电压数据进行预处理后作为特征输入,使用深度学习框架搭建卷积神经网络模型,进行故障选相模型的训练和测试。
下面参考图4、图5、图6和图7,以一个具体的实施例详细描述配电网线路相别故障类型识别方法。值得理解的是,下述描述仅是示例性说明,而不是对申请的具体限制。
参考图4,本申请提供的配电网线路相别故障类型识别方法,主要包括以下四个步骤:
步骤1:搭建10kV配电网线路模型,在不同故障支路、故障位置、过渡电阻下设置不同故障类型(Ag、Bg、Cg、AB、BC、CA、ABg、BCg、CAg、ABC)进行模拟实验。其中,过渡电阻是指电路中在瞬态过程中产生的电阻,可以影响电路的瞬态响应和稳定性。
步骤2:采集故障支路首端测点的三相电流和三相电压数据,并计算正负零序电流和正负零序电压相量,选取不同故障工况下的故障后1周波数据作为故障特征输入样本。其中,正负零序电流和电压采用相-序变换获得,三相电流和电压相量、正负零序电流和电压相量采用FFT计算得到。将每个样本对应的故障类型作为标签添加到样本数据中,最终得到不同故障工况下包含多种故障类型的特征样本数据集。最后,将样本数据集按照一定比例划分为训练集、验证集和测试集。
其中,验证集主要用于在模型训练过程中调整超参数,例如网络层数、节点数量、迭代次数和学习率等,通过在验证集上的表现来挑选最优的模型参数设置;测试集用于评估模型最终的性能,即泛化能力,测试集中的数据是模型在训练和验证过程中未曾见过的,因此可以用来检验模型是否能够在新的、未见过的数据上表现良好。
步骤3:在深度学习框架上搭建CNN网络模型,通过最大最小归一化方法对样本数据集进行归一化处理,并将训练样本集用于模型的训练。采用基于遗传算法的优化算法来更新网络中的权重和偏置参数,从而降低拟合误差。经过多次迭代训练,当误差满足一定条件时结束训练,即可得到故障选相模型(即CNN模型结构及权重等信息)。进一步,可采用测试样本集对所得CNN故障选相模型准确率进行测试。
步骤4:实际配电网线路发生故障后,将故障支路实测故障电流、电压数据进行预处理后,输入训练好的CNN故障选相网络模型中,即可自动输出故障类型。
如图5所示,在步骤1和步骤2中,卷积神经网络模型需要大量数据进行训练,利用电磁暂态仿真程序PSCAD(Power System Computer Aided Design,电力系统计算机辅助设计)或者EMTDC(Electromagnetic Transients Including DC,电磁暂态数字仿真)中搭建10kV配电网模型进行仿真,来获取样本数据集。
考虑到故障后1个周波内包含的故障暂态信息较为丰富,故选取故障发生后1个周波的数据作为训练样本与测试样本的原始输入数据,即将故障发生后1个周波(200个采样数据点)的三相电流、三相电压、正负零序电流和正负零序电压作为故障特征计算数据。故障工况设置如表所示,通过排列组合共生成2700组故障样本。
其中,周波是指电力系统中的一个周期,通常用来描述电流或电压信号的频率,1个周波包含了一个完整的电信号周期。
表1
在表1中,Li指故障支路;Si线路长度,i=1,2…,6。
输入特征构建的合理与否关系到故障选相结果的准确性,本申请选取配电网线路中故障所在支路的三相电流、三相电压、正负零序电流、正负零序电压共12组电气量采样数据构成原始特征数据。
将每组原始样本数据经过FFT变换,得到其相量值,然后按照A相电流幅值和相角、B相电流幅值和相角、C相电流幅值和相角、A相电压幅值和相角、B相电压幅值和相角、C相电压幅值和相角、正序电流幅值和相角、负序电流幅值和相角、零序电流幅值和相角、正序电压幅值和相角、负序电压幅值和相角、零序电压幅值和相角的输入顺序,将24个特征进行排列生成一组[1x24]的张量,并给其打上故障类型标签以构建成为一个故障样本。按照该方法,将所得对应不同故障工况的2700组原始样本数据进行处理即可得到故障输入数据样本集。
将故障输入数据样本集按照0.6:0.2:0.2的比例,随机划分为训练集、验证集和测试集。使用训练集样本对CNN模型进行训练,验证集和测试集主要用以验证训练得到的网络是否存在过拟合等问题。
在步骤3中,搭建用于配电网故障选相的一维CNN网络结构,需要充分考虑输电线路发生故障后,产生的故障行波信号具有的时间序列特点,从而来确定卷积层、池化层的个数与叠加方式,以及卷积核大小、步长、损失函数等参数。另外,设计CNN的网络结构时,除了要求模型性能较高的同时,还应该考虑到要尽可能降低模型的复杂程度和计算成本。
本申请通过使用控制变量法,逐步确定CNN网络结构各参数,构建了一个既能保证故障选相精度又将模型的复杂程度和计算成本降到最低的CNN网络结构模型。CNN网络模型的结构如图6所示,包括1个卷积层、1个最大池化层、1个展平层和1个全连接层。
在图6中,输入层又称为“Input”,其输入的数据示例可以为:“(None,24,1)”;卷积层又称为“convld_1:ConvlD”,其输入的数据示例可以为:“input:(None,24,1)”,其输出的数据示例可以为:“output:(None,12,32)”;最大池化层又称为“max_poolingld_1:(MaxPooling1D)”,其输入的数据示例可以为:“input:(None,12,32)”,其输出的数据示例可以为:“output:(None,6,32)”;展平层又称为“flatten_1:Flatten”,其输入的数据示例可以为:“input:(None,2,64)”,其输出的数据示例可以为:“output:(None,128)”;全连接层又称为“dense_1:Dense”,其输入的数据示例可以为:“input:(None,128)”,其输出的数据示例可以为:“output:(None,512)”;输出层又称为“Output”,其输入的数据示例可以为:“input:(None,24,1)”,其输出的数据示例可以为:“output:(None,10)”。
在图6中,第一函数指的是ReLU函数,第二函数指的是Softmax函数。
从图6中可以看出,使用ReLU函数作为卷积层convld-1和全连接层dense1的激活函数,以交叉熵(Cross EntropyLoss,CE)作为损失函数。
(1)ReLU函数
式(1)为ReLU函数表达,函数图像如图7所示。
从ReLU函数图像可以得出,Sigmoid激活函数存在的梯度消失问题在ReLU上没有出现,因为当x≥0时,ReLU函数为线性函数,并且相比于Sigmoid和tanh函数来说,计算更加简单,收敛速度更快,模型训练时间更短。
(2)交叉熵损失函数
损失函数描述的是模型输出值与真实值之间的误差,交叉损失函数表示模型输出的概率分布和真实分布之间的差距,通过交叉熵函数来计算输出概率与真实概率的误差,利用基于遗传算法的优化算法不断更新参数,反向传播训练CNN网络模型,使得交叉熵损失函数值变得越来越小,输出概率分布与真实分布越来越接近,模型性能也变得越来越好。交叉熵计算公式如式(2)所示:
式中,p(x)表示真实的概率分布,q(x)表示模型预测的概率分布。
(3)Softmax函数
Softmmax函数是归一化函数,可以将多分类的输出结果以概率的形式展现出来,作为输出层的激活函数可以解决对10种故障类型进行分类的问题,将输出个数设置为10,对应的索引号依次为1~10。
配电网短路故障类型共10种,分别为:Ag、Bg、Cg、AB、BC、CA、ABg、BCg、CAg和ABC,故障数据集中的故障类型分别用1、2、3、…、10共10种标签来表示这10种故障类型。CNN输出时,分类结果将以概率的形式展现,将10个输出中概率值最大的分类结果设置为1,其余的输出值均设置为0,则输出为1所对应的索引号即为相应分类。故障类型与对应索引号如表2所示。
其中,故障类型的标识中的字母代表了电力系统中可能出现的故障相别。在电力系统中,通常使用字母来表示不同的相别,例如:A相代表系统中的A相;B相代表系统中的B相;C相代表系统中的C相。
表2
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的配电网线路相别故障类型识别方法的配电网线路相别故障类型识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个配电网线路相别故障类型识别装置实施例中的具体限定可以参见上文中对于配电网线路相别故障类型识别方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种配电网线路相别故障类型识别装置,包括:样本数据获取模块801、样本数据集确定模块802、故障类型识别模型训练模块803,其中:
样本数据获取模块801,用于获取至少两个故障检测点的初始样本数据;初始样本数据包括三相电流、三相电压、正负零序电流和正负零序电压;每个故障检测点对应有至少一种故障工况,故障工况包括故障支路、故障位置和过渡电路;
样本数据集确定模块802,用于根据各故障检测点对应的相别故障类型,对初始样本数据添加标签,得到样本数据集;
故障类型识别模型训练模块803,用于根据样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的相别故障类型识别模型;相别故障类型识别模型用于输出配电网线路中待检测点对应的相别故障类型。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种配电网线路相别故障类型识别方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种配电网线路相别故障类型识别方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9和图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种配电网线路相别故障类型识别方法,其特征在于,所述方法包括:
获取至少两个故障检测点的初始样本数据;所述初始样本数据包括三相电流、三相电压、正负零序电流和正负零序电压;每个所述故障检测点对应有至少一种故障工况,所述故障工况包括故障支路、故障位置和过渡电路;
根据各所述故障检测点对应的相别故障类型,对所述初始样本数据添加标签,得到样本数据集;
根据所述样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型;所述相别故障类型识别模型用于输出配电网线路中待检测点对应的相别故障类型。
2.根据权利要求1所述的方法,其特征在于,所述获取至少两个故障检测点的初始样本数据,包括:
获取预构建的配电网线路模型;所述配电网线路模型用于对目标伏值规格的配电网线路的故障状况进行模拟;
根据所述配电网线路模型获取至少两个故障检测点对应的所述初始样本数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述配电网线路模型获取至少两个故障检测点对应的所述初始样本数据,包括:
根据所述配电网线路模型获取至少两个故障检测点对应的所述三相电流的幅值、所述三相电压的幅值;
基于所述三相电流的幅值、所述三相电压的幅值进行相序变换,得到正负零序电流的幅值、正负零序电压的幅值;
基于所述三相电流的幅值、所述三相电压的幅值、所述正负零序电流的幅值、所述正负零序电压的幅值进行快速傅里叶变换,得到所述三相电流的相角、所述三相电压的相角、所述正负零序电流的相角、所述正负零序电压的相角;
将各故障检测点对应的各所述幅值和所述相角作为所述初始样本数据。
4.根据权利要求1所述的方法,其特征在于,所述根据所述样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型,包括:
获取预设的数据集划分比例信息;
根据所述数据集划分比例信息对所述样本数据集进行划分,得到训练集、验证集和测试集;
根据所述训练集和所述验证集对所述相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述训练集和所述验证集对所述相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型,包括:
基于遗传算法的优化算法,根据所述验证集更新所述相别故障类型识别模型对应的权重和偏置参数,得到更新后的所述相别故障类型识别模型;
基于交叉熵损失函数,根据所述训练集对更新后的所述相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
将所述测试集中的样本数据,输入到训练好的所述相别故障类型识别模型中,得到所述测试集对应的分类结果;
比对所述分类结果和所述测试集中样本数据对应的所述相别故障类型,确定所述测试集对应的测试效果信息。
7.一种配电网线路相别故障类型识别装置,其特征在于,所述装置包括:
样本数据获取模块,用于获取至少两个故障检测点的初始样本数据;所述初始样本数据包括三相电流、三相电压、正负零序电流和正负零序电压;每个所述故障检测点对应有至少一种故障工况,所述故障工况包括故障支路、故障位置和过渡电路;
样本数据集确定模块,用于根据各所述故障检测点对应的相别故障类型,对所述初始样本数据添加标签,得到样本数据集;
故障类型识别模型训练模块,用于根据所述样本数据集对预构建的相别故障类型识别模型进行训练,得到训练好的所述相别故障类型识别模型;所述相别故障类型识别模型用于输出配电网线路中待检测点对应的相别故障类型。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118259099A true CN118259099A (zh) | 2024-06-28 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Imaging nodal knots in momentum space through topolectrical circuits | |
De Oliveira-De Jesus et al. | PMU-based system state estimation for multigrounded distribution systems | |
Lin et al. | Comparison of probabilistic production cost simulation methods | |
Cao et al. | Hadoop‐based framework for big data analysis of synchronised harmonics in active distribution network | |
Wang et al. | Fault location of transmission line based on CNN-LSTM double-ended combined model | |
CN116720447B (zh) | 变速发电电动机转子偏心故障的数学解析建模方法和装置 | |
CN117289097A (zh) | 电力设备局部放电检测方法、模型训练方法、装置和设备 | |
Liu et al. | CNN-based fault phase identification method of double circuit transmission lines | |
CN116029618B (zh) | 一种电力系统动态安全分区评估方法及系统 | |
CN118259099A (zh) | 配电网线路相别故障类型识别方法、装置和计算机设备 | |
CN115494349B (zh) | 有源配电网单相接地故障区段定位方法 | |
Dang et al. | Fast single-phase fault location method based on community graph depth-first traversal for distribution network | |
Bujack et al. | Visualizing electrical power systems as flow fields | |
Ni et al. | A topology identification method based on one-dimensional convolutional neural network for distribution network | |
Wang et al. | Fault location recognition in transmission lines based on Support Vector Machines | |
Chen et al. | Generalised‐fast decoupled state estimator | |
CN117723895B (zh) | 基于多端幅值比矩阵的配电网故障区段定位方法和装置 | |
Song et al. | On the investigation of triangular interpolation-based multilevel fast multipole algorithm | |
CN117368648B (zh) | 配电网单相接地故障检测方法、系统、设备和存储介质 | |
CN116735942B (zh) | 针对变速发电电动机转子侧低频电流的测量系统和方法 | |
Liu et al. | Voltage sag source location based on sag event amplitude information | |
Wang et al. | A disturbance localization method for power system based on group sparse representation of compressed sensing | |
CN116128835B (zh) | 基于点云分析的输电导线弧垂测量方法、装置和设备 | |
Mahata et al. | Determination of multiple solutions of load flow equations | |
CN117741336A (zh) | 用于复合接地系统的故障选线方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |