一种基于信号注入法的单向接地故障定位方法与流程
本发明涉及电网故障诊断技术领域，特别涉及一种基于信号注入法的单向接地故障定位方法。
背景技术：
现如今，随着电网规模的扩大，用电负荷逐年增多，配电网的结构也越加繁复，配网用电安全越来越受到人们的关注。中低压配电网多采用小接地电流系统，且中低压配电网事故中单相接地故障所占比重最大。故障总是不可避免的，要想保证电力系统的稳定运行，保障人们用电安全，故障的快速处理与保护是关键，因此故障位置的确定，故障距离的测定对电力系统的可靠、安全运行就显得尤为重要。
对于配电网接地点的确定问题，早年的时候分两步来解决：先采用逐次拉路法找到故障线路，然后靠作业人员巡视线路，目测出故障点。拉路法，需要一条条线路实验性的拉闸、送闸，以确定哪条线路发生故障，毫无选择性，必会致使非故障区电力负荷不必要的供电中断；配网架构随电网的扩展越来越复杂，目测巡线定位法定会耗费相当多的人力物力，故障发生后停电时间较长，且自动化水平低，这两种方法已不能适应当代电网高度自动化的生产需要，更与现阶段配网建设发展趋势相背。
不管是国内还是国外，单相接地故障定位测距装置大多是针对长而简单的高压输电线路，对于中低压配电网的定位装置，选线装置已比较成熟，测距装置还未广泛应用，并且大多仅限理论研究。
技术实现要素：
本发明的目的是提供一种基于信号注入法的单向接地故障定位方法。
为此，本发明技术方案如下：
一种基于信号注入法的单向接地故障定位方法，包括按顺序进行的下列步骤：
1)在每条输电线上安装n个故障指示器，使输电线路分段，n的大小由线路长短确定；
2)利用双频频率比定位方法确定输电线路故障区段；
3)计算输电线路首端至故障点的距离。
进一步的，所述的步骤2)包括下列步骤：
2-1)在输电线路上施加频率为f1的信号源，计算线路首端电流和各故障指示器处的电流；
2-2)在输电线路上施加频率为f2的信号源，计算线路首端电流和各故障指示器处的电流；
2-3)判断施加频率为f1的信号源时的首端电流与施加频率为f2的信号源的首端电流的比值是否等于施加信号源的频率之比，若判断结果为“是”，则该输电线路上无单向接地故障，若判断结果为“否”，则进入下一步；
2-4)依次判断施加频率为f1的信号源时与施加频率为f2的信号源的各故障指示器电流的比值是否等于施加信号源的频率之比，若判断为“否”，则继续进行下一组比对；若判断结果为“是”，则该输电线路上单向接地故障点位与该故障指示器与上一个故障指示器之间。
进一步的，所述的步骤2-4)找到单向接地故障点后，将接地故障消除，然后重复步骤2)，直至找出输电线路上所有的单向接地故障点。
进一步的，所述的步骤3)中计算输电线路首端至故障点的距离的方法包括如下步骤：
3-1)采集数据；根据输电线路全长与故障指示器位置以及采集到的非接地区段的零序电流，得到接地区段对地容性电流，同时采集非接地区段接地相特征信号电流即非接地区段的感抗分流；
3-2)计算接地区内的测量阻抗zm；
其中：
3-3)计算接地区内的测量感抗xm；
其中：|zm|为测量阻抗zm的模值；l为故障线路电感；l为线路每公里电感；dmf为理论故障距离；
3-4)根据接地区内的测量感抗计算理论故障距离dmf，并对理论故障距离进行修正。
进一步的，所述的步骤3-4)中对理论故障距离进行修正时，采用人工鱼群优化bp神经网络模型进行修正，人工鱼群优化bp神经网络模型的输出与理论故障距离叠加之后得到实际故障距离；人工鱼群优化bp神经网络模型的搭建方法如下：
①确定bp神经网络的拓扑结构：bp网络的层数，尤其是除输入层和输出层外的隐含层的数目需确定，以及每层的神经元个数；
②初始化鱼群：根据bp网络结构，随机设置神经元间的初始权值与阈值，并将其作为人工鱼初始位置，确定人工鱼数目，形成初始鱼群；
③设置afsa的参数：视野范围visual，觅食行为中的试探次数try-number，步长step，最大迭代次数maxgen，拥挤度因子delta；
④计算水域中食物浓度：计算bp网络在初始权值与阈值条件下的网络误差，以其倒数作为鱼群中人工鱼的食物浓度；
⑤执行人工鱼行为准则：通过人工鱼的觅食、聚群、追尾行为，寻找食物，并及时更新找到最高食物浓度的人工鱼的位置；
⑥确定最优权值与阈值：将鱼群最终探索到的最高食物浓度的人工鱼位置作为新的初始权值与阈值赋给bp网络；
⑦bp训练与预测：输入训练样本，根据bp网络训练步骤，计算正向网络误差，根据误差再次逆向修正权、阈值后继续计算网络正向误差，不断往复，直到误差满足精度要求，结束训练，得到人工鱼群优化bp神经网络模型；训练完成，用测试样本做仿真预测。
进一步的，所述的人工鱼群优化bp神经网络模型的输入为注入信号频率、线路分布电容、接地回路感抗、接地电阻以及理论故障距离。
与现有技术相比，该基于信号注入法的单向接地故障定位方法可以实现双频注入信号频率比故障定位，确定故障区域，定位可靠且效率高，利用人工鱼群优化bp神经网络模型对故障距离离线修正，有效补偿初始测距结果，提高测距精度，达到准确找到故障位置的目的。
附图说明
图1为信号注入测距原理图。
图2为单相信号注入法寻迹定位原理简化模型图。
图3为afsa-bp神经网络算法流程图。
图4为afsa-bp神经网络模型距离修正策略图。
图5为afsa-bp神经网络预测误差与初始误差对比图。
图6为afsa-bp神经网络修正前后误差对比图。
图7为afsa-bp神经网络修正前后结果对比图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。
该基于信号注入法的单向接地故障定位方法，包括按顺序进行的下列步骤：
1)在每条输电线上安装n个故障指示器，使输电线路分段，n的大小由线路长短确定；
2)利用双频频率比定位方法确定输电线路故障区段；
3)计算输电线路首端至故障点的距离。
图1为信号注入测距原理图，为得到更多故障信息，获得更精确的测量阻抗，在每条输电线上加装3～4个故障指示器(图中以3个为例，实际情况中以线路长短确定)，使线路分段。图中：im为从工频信息中分离出来的接地相特征信号电流；ic为故障线路对地容性电流；il为接地线路非接地区段感抗分流；i′m为母线至接地点处接地回路接地电流；d为线路全长。
图2为单相信号注入法寻迹定位原理简化模型图。
根据图2，为输电线上各测量节点编号，取从0到n，则线路首端i0电流为线路上各节点电流和：
上式中：
输电线路的对地电容都很小，都是微法级，其容抗就相当大，即使对于电缆线路，其电容要大些，但也是微法级，容抗也远远大于电阻与感抗。因此线路上相当一部分电流都通过对地电容分流。若忽略线路上阻抗，并施加频率为f1的信号源，此时有：
则其有效值为：
接地点处之后的电流为：
有效值：
若施加频率为f2的信号源则有：
根据(5)式和(7)式，接地点之后的容性电流与注入信号的频率成正比；而(3)式和(6)式说明，故障区域的容性电流因接地电阻的影响则不满足正比关系。则非故障区注入双频特征信号后容性电流比即为它们频率的比值，而故障区则不满足，如式(8)、(9)所示。
所述的步骤2)包括下列步骤：
2-1)在输电线路上施加频率为f1的信号源，计算线路首端电流和各故障指示器处的电流；
2-2)在输电线路上施加频率为f2的信号源，计算线路首端电流和各故障指示器处的电流；
2-3)判断施加频率为f1的信号源时的首端电流与施加频率为f2的信号源的首端电流的比值是否等于施加信号源的频率之比，若判断结果为“是”，则该输电线路上无单向接地故障，若判断结果为“否”，则进入下一步；
2-4)依次判断施加频率为f1的信号源时与施加频率为f2的信号源的各故障指示器电流的比值是否等于施加信号源的频率之比，若判断为“否”，则继续进行下一组比对；若判断结果为“是”，则该输电线路上单向接地故障点位与该故障指示器与上一个故障指示器之间。
步骤2-4)找到单向接地故障点后，将接地故障消除，然后重复步骤2)，直至找出输电线路上所有的单向接地故障点。
所述的步骤3)中计算输电线路首端至故障点的距离的方法包括如下步骤：
3-1)采集数据；根据输电线路全长与故障指示器位置以及采集到的非接地区段的零序电流，得到接地区段对地容性电流，同时采集非接地区段接地相特征信号电流即非接地区段的感抗分流；
3-2)计算接地区内的测量阻抗zm；
其中：
3-3)计算接地区内的测量感抗xm；
其中：|zm|为测量阻抗zm的模值；l为故障线路电感；l为线路每公里电感；dmf为理论故障距离；
3-4)根据接地区内的测量感抗计算理论故障距离dmf，并对理论故障距离进行修正。
所述的步骤3-4)中对理论故障距离进行修正时，采用人工鱼群优化bp神经网络模型进行修正，人工鱼群优化bp神经网络模型的输出与理论故障距离叠加之后得到实际故障距离；如图3～4所示，人工鱼群优化bp神经网络模型的搭建方法如下：
①确定bp神经网络的拓扑结构：bp网络的层数，尤其是除输入层和输出层外的隐含层的数目需确定，以及每层的神经元个数；
②初始化鱼群：根据bp网络结构，随机设置神经元间的初始权值与阈值，并将其作为人工鱼初始位置，确定人工鱼数目，形成初始鱼群；
③设置afsa的参数：视野范围visual，觅食行为中的试探次数try-number，步长step，最大迭代次数maxgen，拥挤度因子delta；
④计算水域中食物浓度：计算bp网络在初始权值与阈值条件下的网络误差，以其倒数作为鱼群中人工鱼的食物浓度；
⑤执行人工鱼行为准则：通过人工鱼的觅食、聚群、追尾行为，寻找食物，并及时更新找到最高食物浓度的人工鱼的位置；
⑥确定最优权值与阈值：将鱼群最终探索到的最高食物浓度的人工鱼位置作为新的初始权值与阈值赋给bp网络；
⑦bp训练与预测：输入训练样本，根据bp网络训练步骤，计算正向网络误差，根据误差再次逆向修正权、阈值后继续计算网络正向误差，不断往复，直到误差满足精度要求，结束训练，得到人工鱼群优化bp神经网络模型；训练完成，用测试样本做仿真预测。
所述的人工鱼群优化bp神经网络模型的输入为注入信号频率、线路分布电容、接地回路感抗、接地电阻以及理论故障距离。
建立1个输入层、1个隐层和一个输出层的三层bp神经网络结构模型。输入层神经元数为i＝5，隐层取j＝20。输出层1个神经元。输出层与隐层神经元间的权值为wjm；隐层与输入层神经元间权值为wij；训练样本的输入数据，即注入信号频率、线路分布电容、接地回路感抗、接地电阻以及理论故障距离；样本的期望输出，即初始测距误差；测试样本的输出，即asfa-bp神经网络的预测结果。
人工鱼算法参数的设置为鱼群规模fishnum＝100，视野范围visual＝1.5，拥挤度因子delta＝0.618，最大步长step＝0.1，试探次数try-number＝100，最大迭代次数maxgen＝200。将bp网络的初始权值与阈值设为人工鱼初始位置，人工鱼寻找最高食物浓度的过程即为bp网络权值阈值优化的过程。
由图5可以看出，asfa-bp神经网络非线性逼近性能优良，预测误差与初始误差相差无几。图6中afsa-bp神经网络修正前后误差对比，说明经过afsa-bp神经网络补偿后，测距误差大大降低，基本趋近于0。图7为asfa-bp神经网络修正前后所测故障距离对比，修正后的曲线几乎与实际故障距离重合，精度相当高。且由计算结果可知，最终的测距相对误差均在1％以内，即使接地电阻超过1000ω，测距精度也相当高。
- 还没有人留言评论。精彩留言会获得点赞！