一种配电网的故障检测方法与流程

1.本发明涉及电网领域，特别是涉及一种配电网的故障检测方法。


背景技术：

2.由于配电网线路结构极其复杂，分支线路繁多，再加上配电网线路的中性点多采用中性点不接地或经消弧线圈接地的系统，这样使得配电网发生故障时，很难判断故障发生的线路以及线路分支。常规状态下，供电部门需要调配大量的线路巡视与故障排查人员进行人工巡查并消除隐患，采用变电站的小电流接地系统分析软件，该软件利用配电网线路发生接地故障时会出现较大的零序电流或零序电压来判断是否出线接地故障，进一步判断出接地故障的线路，然后通知运行人员巡检，大量的消耗人力物力；后来电网公司利用配电网线路故障指示器来进一步判断接地故障发生的线路分支与线路区间，其原理是利用小电流接地系统分析软件，判断出配电网线路发生接地故障时，通过短时投入一与消弧线圈并联的小接地电阻，使得出现接地故障的分支线路电流增大，同时保证线路过流保护设备不动作，这样故障指示器会发生翻转，待故障指示器发生翻转后再将小电阻接地支路切除，恢复到原来的中性点不接地或经消弧线圈接地系统。线路巡检人员可以利用故障指示器的翻转位置，判断出故障发生的具体线路及线路区间。然而由于故障指示器本身不具备定位功能，因此仍然需要耗费人力物力进行巡检，同时也需要进行现场的检测才能够得出故障的类别，操作复杂且需要耗费众多的人力物力。
3.例如，一种在中国专利文献上公开的“一种配电网线路故障检测方法”，其公告号cn105334429b，包括，电流采集单元采集配电网线路及分支线路的电流值，经微处理器处理后，采用zigbee无线通信模块发送给电流采集单元通信模块；电流采集单元通信模块接收到电流值后发送给配电网线路故障检测分析后台；配电网线路故障检测分析后台对接收到的电流值进行处理、分析，将处理后的电流值与预设的正常电流值范围进行对比；配电网线路故障检测分析后台将故障信息发送给移动终端，并在移动终端进行声音报警。此发明直接定位到故障线路或线路的分支线路，定位精度更高、更方便线路运检人员进行线路故障的快速巡查与故障排除，大大的减少线路巡检人员的巡检工作量。然而该检测方法仍然无法快速准确的得到电网故障的故障类别，无法第一时间根据故障类别排除隐患，同时定位系统信息存在误差，不能精确得到故障点所在位置。


技术实现要素：

4.本发明主要针对现有配电网检测中，人工检测难且无法有效提供故障位置信息、故障类别提供不准确的问题；提供了一种配电网的故障检测方法；使用神经网络的深度学习建立故障模型，并通过故障指示器和定位模块的结合，将故障信息和位置信息发送至控制中心，自动判断故障类型，方便简洁，且判断更为准确。
5.本发明的上述技术问题主要是通过下述技术方案得以解决的：一种配电网的故障检测方法，所述配电网的故障检测方法如下：
步骤s1、建立深度学习的故障检测模型；步骤s2、故障指示器实时检测电缆线的各项数据，同时通过无线模块将信号数据和相对应的位置信息传输到控制中心，将位置信息储存在控制中心后台，将信号数据与控制中心后台储藏的故障检测模型进行对比；步骤s3、当所检测到的故障模型与控制中心内部数据存储的故障类型比对成功后，控制中心自动报警，并生成故障类型；步骤s4、系统定位故障处，并与环网柜分布图相比较，确认故障处，并将故障处的位置信息传递给工作人员。
6.使用神经网络的深度学习建立故障模型，控制台接收到电流信号后自动与故障模型进行比较，自动判断故障类型并报警，方便简洁，且判断更为准确。
7.作为优选，所述配电网的故障检测训练步骤如下：步骤s11、分别采集正常状态下的电流数据和电压数据、故障状态下的电流数据和电压数据、仿真系统下的电流数据和电压数据多组；步骤s12、对采集到的电流数据和电压数据进行预处理，提取电流数据和电压数据的基本特征；步骤s13、训练神经网络，提取训练特征，生成训练样本；步骤s14、基于训练样本，采用深度学习方式建立故障检测模型。
8.建立基本的故障检测模型，当接收到电流电压信号时，可直接与模型数据比对，确定故障类型，更准确且方便快捷。
9.作为优选，所述预处理为采用时域变换对电流数据和电压数据进行预处理，计算基波至高次谐波相量，相量包括电流信号和电压信号的幅值、相角、频率、有功功率、无功功率；建立频率、幅值和相角计算的基本电流、电压特征与故障类型之间的映射关系，作为训练样本。通过建立训练样本，方便神经网络进行深度学习，并自主判断故障类型。
10.作为优选，所述故障的定位方法的如下：步骤s41、工作人员布置环网柜时通过智能计算出合适的环网柜布置地域，并自动在控制中心生成环网柜分布图，根据计算结果在相应地点安装环网柜；步骤s42、环网柜内部设置的位模块连接导航系统，定位模块与无线模块连接，无线模块将导航系统采集到的位置信息实时传送至控制中心，并将位置信息和电流、电压信息编码后保存在后台；步骤s43、当检测到故障信息时，控制中心自动从后台对应编码处调取故障处的位置信息。
11.直接将每个时段、不同地点的信号数据分别存储，若出现故障，则可直接从后台调取故障信号所在的位置信息，方便准确，且能够快速得到有效真实的位置信息。
12.作为优选，所述导航系统为cnss定位系统。国家配电网系统使用cnss定位系统来作导航，保证了电网数据的安全可靠。
13.作为优选，故障s2所述的与故障检测模型的对比方法为：步骤s21、将需要对比的数据重新转换成波形信号；步骤s22、在同坐标系下，将数据波形与故障检测模型的模拟波形进行拟合，进行初步判断；
步骤s23、比对需要对比数据的幅度、相位、频率，当误差大小在
±
2%以内则判定数据拟合比对成功。
14.通过拟合对比的方法能够快速完成实时信号与模型的对比，快捷且准确。
15.作为优选，若信号数据判定为正常数据，则控制中心控制清除后台存储的信号数据，保证后台能够有足够的空间存储故障模型，避免因为存储空间不够导致数据无法存储，造成误差。
16.作为优选，步骤s41所述智能计算方法为根据不同距离下的故障指示器仿真结果来确定最佳间隔距离，再根据电网分部图、信号覆盖范围和最佳间隔距离，模拟故障指示器的位置，迭代后产生最佳结果，最佳结果即为环网柜分布位置。通过多项数据得出最合适的故障指示器分部情况，本发明的有益效果是：使用神经网络的深度学习建立故障模型，并建立环网柜的区域分布图，通过故障指示器和定位模块的结合，实时对配电网的电流电压信号进行判断，及时预警故障信息并通过定位模块和分布图的结合得到准确的故障点，方便快捷，信息精确。
附图说明
17.图1为本方法的流程图。
具体实施方式
18.应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
19.下面通过实施例，对本发明的技术方案作进一步具体的说明。
20.一种配电网的故障检测方法，配电网设置有环网柜；环网柜与故障指示器连接，环网柜内部设置有无线模块、定位模块，故障指示器通过无线模块与控制中心连通；故障指示器为弧形高压电感装置，包括软磁磁芯、线圈导线，并在表面涂覆耐高压绝缘层。
21.配电网的故障检测方法如下：步骤s1、建立深度学习的故障检测模型；步骤s2、将故障指示器实时检测到的数据通过无线模块传输到控制中心，与故障检测模型对比；步骤s3、当所检测到的故障模型与控制中心内部数据存储的故障类型比对成功后，控制中心自动报警，并生成故障类型；步骤s4、系统定位故障处，并将故障处的位置信息传递给工作人员。
22.配电网的故障检测训练步骤如下：步骤s11、分别采集正常状态下的电流数据和电压数据、故障状态下的电流数据和电压数据、仿真系统下的电流数据和电压数据多组；步骤s12、对采集到的电流数据和电压数据进行预处理，提取电流数据和电压数据的基本特征；所述预处理为采用时域变换对电流数据和电压数据进行预处理，计算基波至高次谐波相量，相量包括电流信号和电压信号的幅值、相角、频率、有功功率、无功功率；
步骤s13、训练神经网络，提取训练特征，建立频率、幅值和相角计算的基本电流、电压特征与故障类型之间的映射关系，作为训练样本；步骤s14、基于训练样本，采用深度学习方式建立故障检测模型。
23.在通过深度学习后得到的模型能够直接对比上不同种类的故障模型，此时再将故障模型与检测到的电流模型进行拟合，快速有效的得出故障的类型。
24.故障s2所述的与故障检测模型的对比方法为：步骤s21、将需要对比的数据重新转换成波形信号；步骤s22、在同坐标系下，将数据波形与故障检测模型的模拟波形进行拟合，进行初步判断；步骤s23、比对需要对比数据的幅度、相位、频率，当误差大小在
±
2%以内则判定数据拟合比对成功。
25.所述故障的定位方法的如下：步骤s41、工作人员布置环网柜时通过智能计算出合适的环网柜布置地域，并自动在控制中心生成环网柜分布图，根据计算结果在相应地点安装环网柜；步骤s42、环网柜内部设置的位模块连接导航系统，所述导航系统为cnss定位系统，定位模块与无线模块连接，无线模块将导航系统采集到的位置信息实时传送至控制中心，并将位置信息和电流、电压信息编码后保存在后台；步骤s43、当检测到故障信息时，控制中心自动从后台对应编码处调取故障处的位置信息。
26.而步骤s41所述智能计算方法为根据不同距离下的故障指示器仿真结果来确定最佳间隔距离，再根据电网分部图、信号覆盖范围和最佳间隔距离，模拟故障指示器的位置，迭代后产生最佳结果，最佳结果即为环网柜分布位置。
27.故障指示器检测到电缆当中的电流信息时，将实时的电流信息传输到环网柜内的无线模块，而同时电流信息与地方的位置信息同时通过无线模块转换为电磁波信号，并发送至控制台。控制中心接收到电流信号后，先与深度学习后建立的故障模型进行比较，如果电流信号符合正常状态下的模型，便判断为正常信号，清除该信号与后台存储的位置信息；当与深度学习后建立的故障模型进行比较后，若该信号属于故障信号，则将与故障信号同时传输的位置信息从后台调出，并直接报警提示，工作人员即可依照位置信息和最初的环网柜分布图判断故障信号的具体位置，并派人完成检修。