配电网故障定位方法及装置

1.本发明涉及电力系统技术领域，尤其涉及一种配电网故障定位方法及装置。


背景技术：

2.在配电系统中，输电线路故障严重影响着配电网运行的安全性、稳定性以及供电可靠性，进一步也将造成电力生产运行部门以及用户造成相应的经济损失。又由于配电网结构复杂、规模庞大且覆盖范围广，接地故障时有发生，给地区电网的安全稳定运行带来了一定挑战。
3.现有的关于配电网故障诊断的方法主要包括：故障测距法。其中，阻抗法的故障测距原理是在假定线路参数保持均匀一致的条件下，由于故障回路阻抗与测量点到故障点的距离成正比，从而通过计算故障时测量点的阻抗除以线路的单位阻抗值得到测量点到故障点的距离。阻抗法投资少，但受实际线路阻抗、负荷以及电源参数影响大，不适合用于线路结构复杂的配电网故障定位使用。


技术实现要素：

4.针对现有技术存在的问题，本发明提供一种配电网故障定位方法及装置。
5.本发明提供一种配电网故障定位方法，包括：获取线路各节点三相电流采样数据，对所述采样数据进行特征提取；将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，所述自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入数据，进行训练后得到。
6.根据本发明一个的配电网故障定位方法，所述获取线路各节点三相电流采样数据，具体为获取具有同步时标的各节点三相电流采样数据；相应地，所述对故障节点采用双端故障定位，具体为：根据带有对应同步时标的故障线路两端故障录波数据，对故障线路采用双端故障定位。
7.根据本发明一个的配电网故障定位方法，所述对所述采样数据进行特征提取，包括：获取线路各节点预设时间段的三相电流采样值，按照矩阵形式排列，得到特征数据。
8.根据本发明一个的配电网故障定位方法，所述将提取的特征数据，输入预训练的自适应卷积神经网络模型，包括：将矩阵形式的特征数据输入所述自适应卷积神经网络模型的卷积层和自适应池化层进行特征提取，再输入全连接层和softmax分类器，得到输出故障节点间的故障线路相别；所述自适应池化层，设有自适应权重因子，所述自适应权重因子取值，根据网络训练次数以及池化域中的元素值确定。
9.根据本发明一个的配电网故障定位方法，将提取的特征数据，输入预训练的自适应卷积神经网络模型之前，还包括：获取输电线路各节点已知故障线路相别的电流故障录波数据，进行平滑处理和特征提取后，作为训练样本，输入到构建的自适应卷积神经网络模型中进行训练；通过损失函数计算损失值，当测试结果错误率降低到预设范围之后，保存训
练完成的自适应卷积神经网络模型，得到所述预训练的自适应卷积神经网络模型。
10.根据本发明一个的配电网故障定位方法，自适应池化层中的自适应池化模型计算如下：
[0011][0012][0013][0014]
其中，λ为自适应权重因子；为池化域内除最大值x
max
之外的元素平均值；β为补偿项，其取值范围为(0,1)；α为特征系数；c为池化域大小，n
iter
为cnn训练的次数；f
ij
为池化层输入，s
ij
为池化层输出。
[0015]
根据本发明一个的配电网故障定位方法，对所述故障线路采用双端故障定位，得到故障节点间故障线路的故障位置，包括：
[0016][0017]
其中，i
s2
、i
r2
、u
s2
、u
r2
为发生单相接地故障时发送端s、接收端r端负序电流相量和电压相量；z2为单位长度线路的负序阻抗；x为故障点f到测量点s的距离；l为线路全长。
[0018]
本发明还提供一种配电网故障定位装置，包括：特征提取模块，用于获取线路各节点三相电流采样数据，对所述采样数据进行特征提取；故障线路确定模块，用于将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；故障位置确定模块，用于对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，所述自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入数据，进行训练后得到。
[0019]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述配电网故障定位方法的步骤。
[0020]
本发明还提供一种非暂态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如上述任一种所述配电网故障定位方法的步骤。
[0021]
本发明提供的配电网故障定位方法及装置，通过预训练的自适应卷积神经网络模型，可缩短在线诊断时间，同时无需通过频率、故障位置、过渡电阻评估故障线路相别，从而受系统频率、故障位置、过渡电阻等因素影响小，在得到故障线路和相别之后，再利用故障测距法，从而能够避免只采用故障测距法在复杂输电故障检测中定位精度低的问题。
附图说明
[0022]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一
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。
[0023]
图1是本发明提供的配电网故障定位方法的流程示意图；
[0024]
图2是本发明提供的卷积过程原理图；
[0025]
图3是本发明提供的双端故障定位原理图；
[0026]
图4是本发明提供的配电网拓扑图；
[0027]
图5是本发明提供的权值调整次数与均方差关系图；
[0028]
图6是本发明提供的配电网故障定位装置的结构示意图；
[0029]
图7是本发明提供的电子设备的结构示意图。
具体实施方式
[0030]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0031]
下面结合图1-图7描述本发明的配电网故障定位方法及装置。图1是本发明提供的配电网故障定位方法的流程示意图，如图1所示，本发明提供配电网故障定位方法，包括：
[0032]
101、获取线路各节点三相电流采样数据，对所述采样数据进行特征提取。
[0033]
利用配电终端获取输电线路各节点已知故障线路相别的电流故障录波数据，得到线路各节点三相电流采样数据。节点可以是线路设有配电终端的节点。例如，一条总线路通过设置的5个配电终端，被分为l1～l4四条线路，每个配电终端是一个线路节点。
[0034]
在一个实施例中，对所述采样数据进行特征提取，包括：获取线路各节点预设时间段的三相电流采样值，按照矩阵形式排列，得到特征数据。
[0035]
通常可选区故障时刻之前四个周波20ms的采样数据，得到的采样点数根据采样率有关。以采样率为1200为例，一个周波有24个采样点，若获取每条线路两端三相电流4个周波采样数据，则是24
×4×
6的采样数据。通过对其进行矩阵变换，得到24
×
24的特征矩阵，作为神经网络的输入。
[0036]
102、将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别。
[0037]
自适应卷积神经网络模型，此前采用已知故障线路相别作为样本标签，以各节点三相电流采样数据作为样本，进行了训练。例如，作为样本标签的故障线路相别包括，4条线路中某条线路的a、b或c相故障。训练的输入数据为故障前一个周波20ms的采样数据，和101中输入数据的形式相同，如24
×
24的特征矩阵。通过大量已知故障类型标签的采样数据进行训练后，102中输入的特征数据，便可识别出对应的故障线路相别，如l1线路a相故障。
[0038]
103、对所述故障线路采用双端故障定位，得到故障节点间故障线路的故障位置。
[0039]
再确定了具体的线路，以及线路故障类型后，采样现有的双端测距方法，便可得到线路的进一步故障位置。例如，1号和2号节点间l1号线路总长1.2km，故障位置为1号起始0.8km处。
[0040]
本发明的配电网故障定位方法，通过预训练的自适应卷积神经网络模型，可缩短
在线诊断时间，同时无需通过频率、故障位置、过渡电阻评估故障线路相别，从而受系统频率、故障位置、过渡电阻等因素影响小，在得到故障线路和相别之后，再利用故障测距法，从而能够避免只采用故障测距法在复杂输电故障检测中定位精度低的问题。
[0041]
在一个实施例中，获取线路各节点三相电流采样数据，具体为获取具有同步时标的各节点三相电流采样数据；相应地，所述对故障节点采用双端故障定位，具体为：根据带有对应同步时标的故障线路两端故障录波数据，对故障线路采用双端故障定位。
[0042]
随着全球定位系统技术的不断成熟，由其提供的同步时钟精度已在1us以内，在电力系统中相角测量误差可小于1
°
。因此采用配电终端同步采集模块获取故障线路两端电压、电流相量可以认为是同步采样。
[0043]
输入神经网络的故障数据是具有时标的故障数据，故障测距时，根据带有对应同步时标的故障线路两端故障录波数据，对故障线路采用双端故障定位，可以保证测距的精度。
[0044]
在一个实施例中，所述将提取的特征数据，输入预训练的自适应卷积神经网络模型，包括：将矩阵形式的特征数据输入所述自适应卷积神经网络模型的卷积层和自适应池化层进行特征提取，再输入全连接层和softmax分类器，得到输出故障节点间的故障线路相别；所述自适应池化层，设有自适应权重因子，所述自适应权重因子取值根据网络训练次数以及池化域中的元素值确定。
[0045]
图2是本发明提供的卷积过程原理图，如图2所示。其作用是提取输入神经元数据的局部特征。其输入特征矩阵大小为n
×
n，记为x，卷积核大小为k
×
k的矩阵c，输出为m
×
m的矩阵，记为y，三者的维度关系如下。
[0046]
m＝n-k+1；
[0047]
具体计算公式如下：
[0048][0049]
其中，x
ij
、y
ij
为输入层与输出层与卷积核相对应的元素，a为偏置，s为sigmoid函数。
[0050]
池化层作为卷积层的子采样，其目的是通过对上一层特征输出矩阵进行缩放映射以降低数据维数，防止过拟合。
[0051]
本发明实施例中，对在常规自适应卷积神经网络模型的基础上，设置自适应池化层。通过增加自适应池化权重因子，优化自适应卷积神经网络特征提取能力，权重因子取值根据网络训练次数以及池化域中的元素值确定。
[0052]
在一个实施例中，自适应池化层中的自适应池化模型计算如下：
[0053][0054]
[0055][0056]
其中，λ为自适应权重因子；为池化域内除最大值x
max
之外的元素平均值；β为补偿项，其取值范围为(0,1)；α为特征系数；c为池化域大小，n
iter
为cnn训练的次数；f
ij
为池化层输入，s
ij
为池化层输出。
[0057]
训练集在网络中完整训练一遍为一个iter，因此，自适应权重因子λ的取值不仅与池化域中的各元素以及池化域大小有关，还与网络训练次数相关。在测试阶段，取n
iter
为1，可以通过调整池化域边长c，优化池化效果。当池化域大小确定后，自适应权重因子又会会随着样本数据集训练次数的增加进行动态的调整。因为自适应池化因子λ∈(0,1)，因此该动态池化模型兼顾上述两种经典池化模型，不仅保留了最大池化模型在处理池化域内存在明显最大值特征值时的精度，同时在一般情况下又能避免对池化域内最大元素的弱化。
[0058]
在一个实施例中，将提取的特征数据，输入预训练的自适应卷积神经网络模型之前，还包括：获取输电线路各节点已知故障线路相别的电流故障录波数据，进行平滑处理和特征提取后，作为训练样本，输入到构建的自适应卷积神经网络模型中进行训练；通过损失函数计算损失值，当测试结果错误率降低到预设范围之后，保存训练完成的自适应卷积神经网络模型，得到所述预训练的自适应卷积神经网络模型。
[0059]
将特征提取后的线路各节点电流相量采样数据分为训练样本集和测试集。利用训练数据对softmax分类器进行训练，测试样本集用于计算训练后的cnn网络对故障选线进行分类的结果的准确率。通过损失函数计算，当测试结果错误率降低到允许范围之后，保存训练完成的具备高准确率的cnn网络。
[0060]
当配电网发生接地故障时，由配电终端实时上传的各节点故障电流数据，输入到已训练好的自适应自适应卷积神经网络中，进行故障选线。
[0061]
在一个实施例中，对所述故障线路采用双端故障定位，得到故障节点间故障线路的故障位置，包括：
[0062][0063]
其中，i
s2
、i
r2
、u
s2
、u
r2
为发生单相接地故障时发送端s、接收端r的负序电流相量和电压相量；z2为单位长度线路的负序阻抗；x为故障点f到测量点s的距离；l为线路全长。
[0064]
阻抗法投资少，能够实现故障点的精确定位，通过结合本发明的选线方法缩短整定距离，可以减少因线路参数不均匀带来的对定位精度的影响。
[0065]
图3是本发明提供的双端故障定位原理图，如图3所示。其中，后缀r代表接收端，s代表发送端，pmu为同步向量处理单元，es为电源，rf为接地电阻，v、i和z为对应端的电压、电流和阻抗。
[0066]
当线路f点处发生单相接地故障时发送端，发送端(s端)与接收端(r端)负序电压表达式如下：
[0067]us2
＝i
s2
z2x+i
f2
rf+u
f2
；
[0068]ur2
＝i
r2
z2(l-x)+i
f2
rf+u
f2
；
[0069]
式中，i
s2
、i
r2
、u
s2
、u
r2
为发生单相接地故障时发送端s、r端负序电流相量和电压相
量；z2为单位长度线路的负序阻抗；x为故障点f到测量点s的距离；l为线路全长。
[0070]
通过合并等号右侧后两项可以将其化简为：
[0071]us2
＝i
s2
z2x+u
fs2
；
[0072]ur2
＝i
r2
z2(l-x)+u
fr2
；
[0073]
其中，u
fs2
、u
fr2
分别为由s端、r端推算的故障点负序电压相量。
[0074]
当线路两端采集到的数据是完全同步时，则
[0075]ufs2
＝u
fr2
；
[0076]
进一步，可求出在同步采样数据下故障距离x。
[0077][0078]
本例以ieee 33节点配电系统为例进行说明，拓扑图如图4所示。
[0079]
图4是本发明提供的配电网拓扑图，如图4所示选用l1～l4四条线路为故障支路模拟不同单相接地故障，线路单位阻抗选用lj-120型，即0.335+j0.27，其参数设置如表1所示。
[0080]
表1故障线路参数
[0081][0082]
设置采样率为1200hz，即每周波采样点数为n
t
＝24；在节点1至5设配电终端装置；在线路l1至l4不同距离设置故障点，其具体参数设置如表2所示。
[0083]
表2故障数据集参数遍历
[0084]
[0085][0086]
通过参数遍历包含组合有共6000个样本数据，以此输入故障样本集，并通过分层抽样将其分为训练集与测试集，其大小分别为4200与1800。
[0087]
通过设置不同的acnn网络结构，得到不同网络结构下故障选线的错误率和训练时间，仿真结果如表3所示。
[0088]
表3基于acnn的配电网单相接地故障选线训练结果
[0089][0090]
通过多次试验发现在6c-1s-12c-2s结构下，卷积核依次为6
×
6和6
×
6时故障选线效果最好，正确率为97.1％。该网络在训练过程中网络结构参数调整次数与均方差关系如图5所示，改进acnn为本发明的方法。
[0091]
图5是本发明提供的权值调整次数与均方差关系图，由图5可知，随着迭代次数的增加，误差值不断下降，而自适应自适应卷积神经网络相较于传统自适应卷积神经网络在对网络参数进行调整时，能够更快达到权值最优，以此提高网络收敛速度，缩短训练时间。
[0092]
表4为在线路l1不同位置设置不同大小的过渡电阻由双端故障定位原理计算出的定位误差与误差占线路总长的百分比，从结果可以看出本发明中所用方法受过渡电阻影响
较小。
[0093]
表4不同故障位置、过渡电阻下定位结果
[0094][0095]
下面对本发明提供的配电网故障定位装置进行描述，下文描述的配电网故障定位装置与上文描述的配电网故障定位方法可相互对应参照。
[0096]
图6是本发明提供的配电网故障定位装置的结构示意图，如图6所示，该配电网故障定位装置包括特征提取模块601、故障线路确定模块602和故障位置确定模块603。其中，特征提取模块601用于获取线路各节点三相电流采样数据，对所述采样数据进行特征提取；故障线路确定模块602用于将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；故障位置确定模块603用于对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，所述自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入数据，进行训练后得到。
[0097]
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
[0098]
本发明实施例提供的配电网故障定位装置，通过预训练的自适应卷积神经网络模型，可缩短在线诊断时间，同时无需通过频率、故障位置、过渡电阻评估故障线路相别，从而受系统频率、故障位置、过渡电阻等因素影响小，在得到故障线路和相别之后，再利用故障测距法，从而能够避免只采用故障测距法在复杂输电故障检测中定位精度低的问题。
[0099]
图7是本发明提供的电子设备的结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(communications interface)702、存储器(memory)703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令，以执行配电网故障定位方法，该方法包括：获取线路各节点三相电流采样数据，对所述采样数据进行特征提取；将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；对故障线路
采用双端故障定位，得到故障节点间故障线路的故障位置；其中，所述自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入数据，进行训练后得到。
[0100]
此外，上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0101]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的配电网故障定位方法，该方法包括：获取线路各节点三相电流采样数据，对所述采样数据进行特征提取；将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，所述自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入数据，进行训练后得到。
[0102]
又一方面，本发明还提供一种非暂态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以执行上述各实施例提供的配电网故障定位方法，该方法包括：获取线路各节点三相电流采样数据，对所述采样数据进行特征提取；将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，所述自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入数据，进行训练后得到。
[0103]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0104]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0105]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。