基于电网大数据的小电流接地系统单相接地故障选线方法与流程

本发明涉及一种基于电网大数据的小电流接地系统单相接地故障选线方法。

背景技术：

随着我国国民经济的不断增长与人民生活水平的不断提高，用户对供电质量提出了更高的要求。提高供电可靠性是供电部门的一项基本任务。据统计，全国用户遭受的停电事故有95％以上是配电网引起的，而配电网的单相接地故障选线问题使得单相接地故障难以短时间内排除。为此，提高配电网故障选线的准确度对提高电力系统稳定性有着重大的意义。

配电网电压等级较低，线路长度较短但是分支线较多，负荷变化大，供电半径长，并且变压器中性点多采用不接地或经消弧线圈接地的方式，这使得配电网故障选线十分困难。现有的小电流系统故障选线方法可以分为三种：

第一种是使用故障后的故障特征量来选线的选线法，这类方法主要使用故障发生后母线处的零序电压和各出线的零序电流暂态、稳态信号，使用不同信号处理方法从信号中获取故障特征，通过比较各出线的故障特征差异来进行选线。这种方法在过去一直是主流选线方法，但是其直接面临故障电流过小带来的难题，对互感器精度有较高的要求，加上线路结构和复杂故障接地方式的影响，容易造成误判。

第二种是不使用故障特征量来选线的选线法，这类方法通过注入信号或通过中电阻瞬时接地来回避故障电流过小的难题，其缺点是对电网造成冲击，影响电网运行安全稳定，并且不能识别瞬时接地故障。

第三种是使用多种故障判据的综合选线法，其相比使用单一判据的选线方法有明显的优势，但是由于其融合的多种选线方法依然存在缺陷，依赖于线路出口的零序互感器采集数据，导致受到互感器精度影响较大，综合选线法仍然没有很好的解决选线问题。

随着配电网自动化的普及，主站及其他应用系统实时记录着大量的电气量、非电气量数据，这些数据记录了配电网在故障发生前后的运行状态，在原理上可以反映故障或者故障发生的趋势，因此包含了大量的故障信息，而这些信息在故障选线中难以被利用起来。近年来大数据理论的兴起促进了大数据思想的转变和大数据挖掘技术的发展，这为使用电网大数据进行故障选线提供了基础。

技术实现要素：

为了解决现有技术的不足，本发明提供了一种基于电网大数据的小电流接地系统单相接地故障选线方法。该方法通过对电网大数据进行预处理与特征提取，使用大数据挖掘分类算法从电网大数据中挖掘获得高精度选线判据，从而实现故障选线。

本发明的一种基于电网大数据的小电流接地系统单相接地故障选线方法，包括：

步骤1：对电网故障大数据进行相关性分析，选择与故障相关的数据类型；

步骤2：对确定与故障相关的原始数据进行数据清洗与特征提取，将非结构化数据结构化，获得特征大数据；

步骤3：对特征大数据进行数据挖掘，获得选线判据分类器；

步骤4：使用选线判据分类器对待选线故障进行类别，将分类结果作为选线结果。

进一步的，在所述步骤1中，电网故障大数据包括电气量数据与非电气量数据。

进一步的，在所述步骤1中，对电网故障大数据进行相关性分析得到最大信息系数，利用最大信息系数来衡量某一类型数据与故障选线结果的关联程度。

进一步的，对电网故障大数据进行相关性分析得到最大信息系数的具体过程包括：

步骤1.1：将相应电网故障大数据进行预处理，得到的一维的电网故障大数据；

步骤1.2：对于任意两个一维的电网故障大数据构成的散点图进行网格化，计算互信息值。并且在不同的网格划分下，寻找最大互信息值，并进行归一化；

步骤1.3：筛选出归一化后最大的最大互信息值作为最大信息系数。

进一步的，在所述步骤2中，对确定与故障相关的原始数据进行数据清洗的过程中，包括对空缺值与错误数据的处理。

进一步的，对空缺值的处理包括：人工填补，或设置为全局常量或所属属性下的平均值填补，或通过插值填补。

进一步的，当电网故障大数据为零序电压和电流数据时，特征大数据包括故障零序电流稳态值的基波/五次谐波幅值和极性特征量。

进一步的，当电网故障大数据为零序电压和电流数据时，特征大数据还包括小波包能量特征量、首半波幅值与极性特征量和暂态零模特征电流幅值与极性特征量。

进一步的，在步骤3中，使用大数据挖掘分类算法对特征大数据进行数据挖掘。

进一步的，大数据挖掘分类算法为人工神经网络与支持向量机。

与现有技术相比，本发明的有益效果是：

(1)本发明提高了故障选线的准确度，适用于不同的中性点接地方式，能识别不同的单相接地故障类型。

(2)本发明提出的方法使用了电网大数据，能结合其投入的系统的实际故障特点，增强了对错误故障信息的容错性，在数据缺失的情况下仍然能够进行选线。

(3)本发明提出的故障选线方法具有自学习功能，在投入运行后可以通过更新历史故障大数据，逐步提高选线功能。

(4)本发明提出的选线方法使用了先进算法，拥有复杂但完整的故障判据，具有很高的鲁棒性，抗干扰能力强。

(5)本发明提出的选线方法不改变中性点运行方式，不注入信号，不会对系统造成冲击，不影响系统的安全稳定。

(6)本发明提出的选线方法不需增设任何信息采集设备，成本低，收益大。

(7)本发明的后期可扩展功能强，在数据获取与处理的基础上，后期可以扩展故障预测、故障定位等功能。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本发明的一种基于电网大数据的小电流接地系统单相接地故障选线方法流程图。

图2为分类模式示意图。

图3为神经网络示意图。

图4为支持向量机示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

图1为本发明的一种基于电网大数据的小电流接地系统单相接地故障选线方法流程图。

如图1所示，本发明的一种基于电网大数据的小电流接地系统单相接地故障选线方法，包括：

步骤1：对电网故障大数据进行相关性分析，选择与故障相关的数据类型。

在具体实施中，在所述步骤1中，电网故障大数据包括电气量数据与非电气量数据。

在所述步骤1中，对电网故障大数据进行相关性分析得到最大信息系数，利用最大信息系数来衡量某一类型数据与故障选线结果的关联程度。

而且，对电网故障大数据进行相关性分析得到最大信息系数的具体过程包括：

步骤1.1：将相应电网故障大数据进行预处理，得到的一维的电网故障大数据；

步骤1.2：对于任意两个一维的电网故障大数据构成的散点图进行网格化，计算互信息值。并且在不同的网格划分下，寻找最大互信息值，并进行归一化；

步骤1.3：筛选出归一化后最大的最大互信息值作为最大信息系数。

例如：本发明使用最大信息系数(maximalinformationcoefficient,mic)来衡量某一类型数据与故障选线结果的关联程度。mic的计算过程如下：

a)确保所分析数据维数是一维的，若为高维数据，则进行特征提取或使用主成分分析(principlecomponentanalysis,pca)进行降维。从而获得两组一维数组：x—所分析数据的降维结果，y—故障实际所在线路。

b)给定网格g，对xy构成的散点图进行网格化，以格子内包含的样点数在总样本中所占的比例作为该格子内的概率密度函数值，计算互信息值：

其中：p(x,y)为x与y的联合概率密度函数在当前网格内计算出的概率，p(x)为x的概率密度函数在当前x取值网格内计算出的概率，p(y)为y的概率密度函数在当前y取值网格内计算出的概率，i[x；y]为x与y的互信息值。

在不同的网格g划分下，寻找最大互信息值：

i^*(x；y)＝maxg(i(x；y))

其中：i(x；y)为某一网格g划分下的互信息值，i^*(x；y)为不同网格划分下的最大互信息值。

c)求取mic的值：

其中b(n)为可搜索网格的上限，一般设置为b(n)＝n^0.6，n为数据总量，i^*(x；y)为最大互信息值，log2(min(|x|,|y|))用于归一化，|x|表示在x方向上的网格数，|y|同理。

mic值体现了x与y的关联程度：如果x是y的函数，则mic将趋近1，证明xy的相关性较大；若x与y在统计意义上独立，则mic将趋近0，证明xy的相关性较小。

对于每种类型的故障大数据，计算其与故障线路的mic值，从而选择mic值较大的数据种类作为选线所用的大数据。

在该步骤中，为实时准确获取电网故障大数据，在中确定选线所用的大数据之后，对作为所选大数据数据源的多个电网应用系统建立数据接口，为在故障发生时获取实时故障数据提供接口保证。

步骤2：对确定与故障相关的原始数据进行数据清洗与特征提取，将非结构化数据结构化，获得特征大数据。

1)对原始数据进行数据清洗。

主要解决的问题是空缺值与错误数据的处理。

对于空缺值，采用以下方法进行处理：a)人工填补，如果缺失数据是可获得的，且数据无实时性要求，则通过人工查找后填补；b)设置为全局常量或所属属性下的平均值，如果缺失数据是一个常量则以常量填补，如果缺失数据波动较小，则以所属属性下平均值填补；c)通过插值填补，如果缺失数据符合时间序列模型，且周围数据已知，可使用插值进行填补。对于错误数据，我们通过判断其超出该类数据的允许范围来确定，删除错误数据后，可使用与空缺值相同的处理方法来填补。

2)对部分非结构化的电气量数据进行特征提取。

主要是针对零序电压、电流采集数据，原始数据为离散的采样点，需要通过特征提取之后才能进行数据挖掘，使用以下几种方法提取故障特征：

a)故障零序电流稳态值的基波/五次谐波幅值、极性特征量：

零序电流到达稳态后，提取一个周期采样值，使用全波傅里叶算法提取基波/五次谐波幅值与相角。

b)小波包能量特征量：

截取线路出口处的故障暂态零序电流采样值，对暂态过程以db15基函数进行三层分解，计算第四尺度能量函数，获得每条出线的小波包能量ep。

c)首半波幅值与极性特征量：

截取线路出口处的故障暂态零序电流采样值，对故障后半个周期使用龙格-库塔法求取数值积分，积分结果取绝对值作为首半波幅值ah，积分结果取符号作为首半波极性sh。

d)暂态零模特征电流幅值与极性特征量：

截取线路出口处的故障暂态零序电流采样值，母线处的零序电压暂态采样值，通过傅里叶算法在频域下求取零序电流的幅频特性曲线与零序阻抗的相频特性曲线。在200～2000hz频段内求取幅频曲线最大值as，相频曲线符号ss。

以上只给出对零序电流采集数据的四种特征数据的特征提取方法为例：

对于零序电流采集数据的其他特征数据的特征提取方法与其他数据的特征提取方法，可采用现有的数据特征提取方法来实现。

步骤3：对特征大数据进行数据挖掘，获得选线判据分类器。

根据数据挖掘的任务划分，数据挖掘算法的常用模式有分类、聚类、回归和关联分析等。对于故障选线，其目的是将未知故障(数据项)分类到不同的故障类型集合(类别)中，因此符合分类的模式。分类模式示意图如图2所示。

分类模式通过机器学习算法从训练数据集中学习数据与类别的关系，即分类器。上图中，训练数据集包括n组数据，每组数据由两部分构成：x为数据所包含的信息，一般是一个高维向量，每一维度代表了数据的一个属性；y为数据的类别，对于训练数据集中的数据，每组数据的类别是已知的。通过机器学习，获得x与y的复杂映射关系(分类器)，即可使用分类器对未分类的数据xn+1进行分类，获得分类结果^*yn+1，用以估计待分类数据实际所属的类别yn+1。本专利提出的故障选线方法使用机器学习算法从历史故障数据集中学习获得高精度分类器，用于对新发生的故障进行分类，确定其类别即故障所在线路。

本发明根据小电流接地系统及电网大数据的具体特点选择机器学习算法。具体的，本发明采用人工神经网络(artificialneuralnetwork，ann)与支持向量机(supportvectormachine，svm)作为大数据分类算法。一般来说，人工神经网络擅长学习较复杂的非线性关系，对于复杂系统的适用性比较高，而需要的训练数据比较多，因此适合用于结构复杂且历史故障较多的小电流系统；当历史数据量不够时，可以使用支持向量机作为分类算法，其对训练数据的要求不高，训练速度快，但是需要确定核函数。

a)人工神经网络通过模拟大脑的某些机理与机制来实现学习。常用的神经网络示意图如图3所示。

bp神经网络是使用最多的一种神经网络，又称为反向传播网络，其数据向前传播，误差向后传播，从而更新权重。实际使用时至少具有三层结构，理论上三层的结构网络就可以对样本的任意组合进行分割，增加中间层层数或者中间层的节点数可以得到更精确的映射关系，但是对数据的数量要求增加，训练的时间、规模也增加。

b)支持向量机通过核函数将输入向量映射到一个高维特征区间，在这个高维特征区间中构造最优分类超平面，从而实现分类。svm示意图如图4所示。

svm的输出是中间节点的线性组合，每个中间节点对应于一个支持向量，表示为：

其中b为偏置，wi为权值，k(x,xi)为核函数，x＝(x1,x2,…,xn)为输入向量。

本发明使用径向基函数(rbf)作为核函数，原因是选线所用大数据的特征数远小于样本数，在这种情况下rbf核函数对非线性可分问题有较好的分类结果。rbf函数为：

其中xc为核函数中心，σ为函数的宽度参数，控制了函数的径向作用范围。

步骤4：使用选线判据分类器对待选线故障进行类别，将分类结果作为选线结果。

本发明提高了故障选线的准确度，适用于不同的中性点接地方式，能识别不同的单相接地故障类型。

本发明提出的方法使用了电网大数据，能结合其投入的系统的实际故障特点，增强了对错误故障信息的容错性，在数据缺失的情况下仍然能够进行选线。

本发明提出的故障选线方法具有自学习功能，在投入运行后可以通过更新历史故障大数据，逐步提高选线功能。

本发明提出的选线方法使用了先进算法，拥有复杂但完整的故障判据，具有很高的鲁棒性，抗干扰能力强。

本发明提出的选线方法不改变中性点运行方式，不注入信号，不会对系统造成冲击，不影响系统的安全稳定。

本发明提出的选线方法不需增设任何信息采集设备，成本低，收益大。

本发明的后期可扩展功能强，在数据获取与处理的基础上，后期可以扩展故障预测、故障定位等功能。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。