一种配电网二端故障定位方法

1.本发明属于电力系统领域，涉及一种配电网二端故障定位方法。


背景技术：

2.配电网具有结构复杂、规模大、覆盖面广、接地故障频繁等特点。配电网中最常见故障为单相接地故障。该故障发生时，一般允许带故障运行一到两个小时，这可能导致故障进一步发展，例如正常工作时不接地的相电压会上升到p3倍电压，单相接地故障的过电压容易形成相间短路，接地故障点可能造成人员伤亡，威胁电力系统的安全运行。因此，当小电流系统发生接地故障时，必须快速诊断，以缩短故障运行时间。
3.目前，基于先进遗传算法的配电网故障定位方法容错性高，可用于多源、多故障的复杂情况。但是这种方法不能及时利用网络的反馈信息，搜索速度慢，需要更多的训练时间来获得精确的解决方案，且计算量大。基于远程终端单元(rtu)的配电自动化系统故障断面判断与隔离统一矩阵方法计算量大，且仅限于单电源系统故障定位。基于相量测量单元(pmu)的多端输电线路故障定位方法需要将多端线路转化为等效的三端线路，并将三端线路的故障定位问题进一步转化为两端故障定位。该方法受线结构影响较大，线变换过程中误差较大。
4.为了减少计算时间，提高故障定位搜索速度，减少配电网络结构对算法的影响，实现全线无盲区故障定位，本发明提出了一种将en-cnn与两端故障定位方法相结合的配电网故障定位方法。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种配电网二端故障定位方法，通过增强卷积神经网络(en-cnn)与两端故障定位相结合的方法，进行配电网故障定位。减少计算时间，提高故障定位搜索速度，减少配电网络结构对算法的影响，实现全线无盲区故障定位
6.为达到上述目的，本发明提供如下技术方案：
7.一种配电网二端故障定位方法，该方法具体包括以下步骤：
8.s1：数据收集：利用电源管理单元pmu获取输电线路各节点当前故障记录数据，对原始数据进行预处理；将预处理后的所述历史异常数据作为训练集；
9.s2：故障特征提取：训练en-cnn模型，并提取故障特征；
10.s3：故障选线：当配电网发生单相接地故障时，将pmu实时上传的各节点故障电流数据输入训练好的acnn模型进行故障选线；
11.s4：故障定位：确定故障线路时，从后台调用带有同步标记的故障线路两端的故障记录数据，并应用故障定位算法准确定位故障。
12.可选的，所述s1中，对配电网数据进行预处理，具体包括以下步骤：
13.s11：首先对收集数据添加同步时间标记；
14.s12：对数据进行平滑处理。
15.可选的，所述s2中，改进卷积神经网络cnn，将预处理后的数据输入到en-cnn模型中进行训练，提取故障特征，具体包括如下步骤：
16.s21：在最大池化模型的基础上加入自适应权重来优化池化结果，解决传统cnn模型的特征提取不足的问题；
17.在经典池化模型的基础上，建立en-cnn模型；在网络的训练过程中，模型通过卷积层和自适应池化层自动提取输入数据的特征。
18.可选的，所述s3中，将特征提取后线的每个节点的当前相量采样数据分为训练样本集和测试集，具体包括如下步骤：
19.s31：样本集用于训练softmax分类器；设置两个softmax分类器，分别用于故障选择和故障判断，实现同一网络对两个不同分类问题的权重共享；
20.s32：测试集用于计算训练后故障线的en-cnn网络分类准确率；通过损失函数的计算，当测试结果的错误率降低到允许的范围时，保存训练后准确率较高的en-cnn网络参数；
21.s33：将pmu实时上传的各节点故障电流数据输入训练好的en-cnn模型进行故障选线。
22.可选的，所述故障选线后，从后台调用带有同步标记的故障线路两端的故障记录数据，并利用故障线路两端的负序电压和负序电流分量进行故障定位。
23.本发明的有益效果在于：
24.(1)本发明所提en-cnn将花费更少的时间来获取样本、训练权重和偏差。
25.(2)en-cnn具有强大的学习和泛化能力，可通过使用相同的权重偏差参数实现对不同电网的准确故障选线。
26.(3)减少配电网络结构对算法的影响，实现全线无盲区故障定位。
27.(4)减少计算时间，提高故障定位搜索速度。
28.本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
29.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
30.图1为基于en-cnn的故障定位原理图；
31.图2为en-cnn的网络整体架构图。
具体实施方式
32.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相
互组合。
33.其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
34.本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
35.请参阅图1～图2，图1为本发明提出的分布式物联网设备异常检测方法，主要包括以下内容：
36.1)利用pmu获取输电线路各节点当前故障记录数据，对原始数据进行预处理。将预处理后的所述历史异常数据作为训练集。
37.2)利用en-cnn模型提取故障特征。
38.3)当配电网发生单相接地故障时，将pmu实时上传的各节点故障电流数据输入训练好的acnn模型进行故障选线。
39.4)当确定故障线路时，从后台调用带有同步标记的故障线路两端的故障记录数据，并应用故障定位算法准确定位故障。
40.该异常定位方法具体包括以下步骤：
41.s1：利用pmu获取输电线路各节点当前故障记录数据，对原始数据进行预处理。将预处理后的所述历史异常数据作为训练集。原始数据处理步骤包括：
42.s11：添加同步时间标记；
43.s12：经过add-k smoothing平滑处理；
44.s2：将所述预处理后的数据输入到en-cnn模型中进行训练，提取故障特征；
45.此步骤中，需改进卷积神经网络(cnn)。平均池化模型和最大池化模型为cnn最常见的两种池化模型，但这两种经典池化模型对池化域的特征提取不足，因此应在经典池化模型的基础上进行适当改进，建立了en-cnn模型，在最大池化模型的基础上加入自适应权重来优化池化结果，解决传统cnn模型的特征提取不足的问题。
46.s3：将特征提取后线的每个节点的当前相量采样数据分为训练样本集和测试集。
47.s31：样本集用于训练softmax分类器。本发明设置了两个softmax分类器。分别用于故障选择和故障判断。实现同一网络对两个不同分类问题的权重共享。
48.s32：测试集用于计算训练后故障线的en-cnn网络分类准确率。通过损失函数的计算，当测试结果的错误率降低到允许的范围时，保存训练后准确率较高的en-cnn网络参数。
49.s33：将pmu实时上传的各节点故障电流数据输入训练好的en-cnn模型进行故障选线。
50.s4：确定故障线路后，从后台调用带有同步标记的故障线路两端的故障记录数据，并利用故障线路两端的负序电压和负序电流分量进行故障定位。
51.实施例1：
52.本实施例先对利用pmu获取输电线路各节点当前故障记录数据，并添加同步时间标记。经过平滑处理后，将其输入到设计的模型中进行训练。
53.本实施例采用en-cnn网络模型，该模型整体架构包括三个功能，分别为特征提取、故障选线、故障定位，其整体网络流程图如图1所示。
54.接下来将逐一进行介绍：
55.1)特征提取：
56.为了减少计算时间，提高故障定位搜索速度，减少配电网络结构对算法的影响，实现全线无盲区故障定位，本发明将经网络(cnn)应用配电网故障诊断。由于传统卷积神经网络池化层存在特征提取不足的问题，本发明在经典最大池化层的基础上进行了适当的改进，引入了自适应权重来优化池化效果，如公式1所示：
[0057][0058]
其中f
ij
是第i行第j列元素的输入特征图，b是偏差，s是子采样特征矩阵，c是池化矩阵的大小。λ为自适应权重因子，其值与网络训练层数和池域中的元素值有关。计算公式如公式2所示：
[0059][0060]
其中为池域中除最大值x
max
以外的元素的平均值，β为补偿项，取值范围为(0,1)，α为特征系数，计算如公式3所示：
[0061][0062]
其中c是池域的大小，n
iter
是cnn训练的次数，
iter
是训练集在网络中训练的次数。因此，自适应权重因子的值不仅与池域中的元素及其大小有关，还与网络训练的数量有关。在测试阶段，当n
iter
设置为1时，可以通过调整池化域的边长来优化池化效果。当池域的大小确定后，自适应权重因子将通过增加样本数据集的训练次数来动态调整。由于自适应池化因子λ∈(0,1)，它不仅在池域存在明显的最大特征值时保留了最大池化模型的准确性，而且避免了最大元素的弱化。
[0063]
2)故障选线：
[0064]
将特征提取后线各节点的当前相量采样数据分为训练样本集和测试集。训练集用于训练softmax分类器。测试集用于计算训练后故障线的en-cnn网络分类准确率。通过损失函数的计算，当测试结果的错误率降低到允许的范围时，保存训练后准确率高的en-cnn网络参数。当配电网发生单相接地故障时，将pmu实时上传的各节点故障电流数据输入训练好的acnn模型进行故障选线。
[0065]
3)故障定位：
[0066]
为了进一步确定故障的位置，引入了双端定位原理。当配电网发生单相接地故障时，根据对称分量法和线性叠加原理，故障电网可分为正序网、负序网和零序网。本文利用故障线路两端的负序电压和负序电流分量进行故障定位。
[0067]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较
佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。