一种配电网故障定位方法、装置、设备及介质与流程

1.本发明属于配电网自动化技术领域，具体涉及一种配电网故障定位方法、装置、设备及介质。


背景技术：

2.配电网具有馈线众多，开关设备分布广，供电范围小，架空线路和电缆线路混联供电等特点。随着大规模分布式能源的接入，配电网络结构变得更加复杂。
3.从配电网故障定位功能来说可分为两类：故障区段定位和故障精确定位。故障区段定位主要用于故障支路的判断。由于中低压配电网线路一般为多分支结构，故障后只需定位故障支路并切除故障支路，即可恢复对非故障区段的供电，降低故障影响，减小停电范围。配电网故障精确定位主要用于对故障点位置的定位，一般认为配电网线路长度较短，故障点精确定位需求不明确。近年来，配电网建设中出现了以下趋势，促进了配电网精确故障定位研究的发展：(1)随着电缆应用的日益广泛，电缆-架空线混合线路数量增多，运营单位希望实现故障点的精确定位，便于故障抢修。(2)随着农网改造及建设的推进，出现了数量众多的长距离配电网线路，长距离线路对故障点精确定位的需求较为迫切。目前，配电网故障精确定位研究尚处于起步阶段。


技术实现要素：

4.本发明的目的在于提供一种配电网故障定位方法、装置、设备及介质，以解决现有技术中故障定位不准确的问题。
5.为了实现上述目的，本发明采用如下技术方案：
6.第一方面，一种配电网故障定位方法，包括如下步骤：
7.获取配电网中的实时故障行波数据，并转化为故障数据集；其中，所述配电网由不同的t形电路组成；
8.将所述故障数据集输入预先训练好的sae故障定位模型中，所述sae故障定位模型输出故障点距离量测装置的距离，得到故障点在配电网中的位置；其中，所述sae故障定位模型的训练数据来自含t形电路的配电网，所述sae故障定位模型部署于jestson nano边缘装置中。
9.进一步的，所述将所述故障数据集输入预先训练好的sae故障定位模型中，所述sae故障定位模型输出故障点在配电网中的位置的步骤中，所述sae故障定位模型的训练方式如下：
10.搭建包含t形状电路的配电网等效模型，并根据配电网等效模型，搭建故障模块，将故障模块和配电网等效模型相对接组成综合模型；
11.通过故障模块设置不同工况下的故障，对综合模型进行故障模拟，综合模型仿真获取仿真故障行波数据，对仿真故障行波数据进行预处理，得到多组数据，构建数据集得到故障样本；
12.将所述故障样本划分为训练集和测试集进行训练，得到训练好的sae故障定位模型。
13.进一步的，所述对故障行波数据进行预处理的步骤，包括如下：
14.采用小波模极大值的方法获取故障行波数据中行波波头，并截取波头达到时刻前后预设时间的波形数据；
15.采用karrenbauer变换从波形数据提取行波线模分量；
16.采用min-max方法，对行波线模分量进行归一化。
17.进一步的，所述综合模型仿真获取故障行波数据的步骤中，所述故障行波数据为双端行波波形数据。
18.进一步的，所述sae故障定位模型部署于jestson nano边缘装置中的方式如下：
19.将训练好的所述sae故障定位模型封装为api，创建demo包，生成build、demo.egg-info、dist三个目录，并在边缘设备上调用demo包，实现模型部署。
20.进一步的，所述获取配电网中的实时故障行波数据，并转化为故障数据集的步骤，具体包括：
21.获取配电网中的实时故障行波数据；
22.识别故障行波数据中的行波波头；
23.获取行波波头后的故障数据；
24.对行波波头后故障数据的三相电压数据进行相模变换；
25.对相模变换后的数据进行归一化处理，得到故障数据集。
26.进一步的，所述sae故障定位模型部署于jestson nano边缘装置中后，用仿真数据对jestson nano边缘装置的故障定位开发板卡进行测试，验证是否满足误差标准需求。
27.第二方面，一种配电网故障定位装置，包括：
28.获取模块，用于获取配电网中的实时故障行波数据，并转化为故障数据集；其中，所述配电网由不同的t形电路组成；
29.故障识别模块，用于将所述故障数据集输入预先训练好的sae故障定位模型中，所述sae故障定位模型输出故障点距离量测装置的距离，得到故障点在配电网中的位置；其中，所述sae故障定位模型的训练数据来自含t形电路的配电网，所述sae故障定位模型部署于jestson nano边缘装置中。
30.第三方面，一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现上述的配电网故障定位方法。
31.第三方面，一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现上述的配电网故障定位方法。
32.与现有技术相比较，本发明的有益效果如下：
33.1)本发明提供的配电网故障定位方法，获取配电网中的实时故障行波数据，配电网由不同的t形电路组成；将故障数据集输入预先训练好的sae故障定位模型中，sae故障定位模型输出故障点距离量测装置的距离，得到故障点在配电网中的位置；所用到的sae故障定位算法训练数据来自于含t形状电路的电网模型，具备对带有分支的配电网故障位置进行有效定位的能力。
34.2)本发明提供的配电网故障定位方法，其sae故障定位模型部署于jestson nano
边缘装置中，利用jetson nano平台强大的现代ai算法计算性能与可同时处理多个高分辨率传感器的能力，结合sae故障定位算法，实现故障距离的估算。
35.3)本发明结合了jetson nano平台和sae故障定位算法，从而解决了现有神经网络在配电网故障中难以实际落地的窘境。
附图说明
36.构成本技术的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
37.图1为本发明实施例一种配电网故障定位方法的工作流程图；
38.图2为本发明实施例中sae故障定位模型的训练流程图；
39.图3为本发明实施例一种配电网故障定位装置的结构框图；
40.图4为本发明实施例一种电子设备的结构框图。
具体实施方式
41.下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
42.以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本技术所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
43.实施例1
44.如图1和图2所示，一种配电网故障定位方法，包括如下步骤：
45.步骤s1：从预先搭建得电网的综合模型中获取sae故障定位模型的训练数据，训练sae故障定位模型，对带有分支的配电网故障位置进行有效定位。
46.如图2所示，sae故障定位模型的训练方法为：
47.s21、在simulink平台搭建包含t形状电路的配电网等效模型，并根据配电网等效模型，搭建故障模块，将故障模块和配电网等效模型相对接组成综合模型，确保综合模型两部分的协同工作。
48.需要说明的是，配电网中分支较多，行波通过分支节点导致的折反射过程将影响波头衰减特性。当配电线路含有分支时，故障可能发生在主干线路上，也有可能发生在分支线路上。
49.(1)当故障发生在主干线路时，行波经过分支点，传向测量点的电压行波幅值u3可由公式(1)求出，其中，测量点部署有量测装置：
[0050][0051]
(2)当故障发生在分支线路时，行波经过分支点，传向测量点的电压行波幅值u3可由公式(2)求出：
[0052][0053]
通常配电网主干线路和分支线路参数基本一致，可认为其波阻抗相同，z1＝z2＝z3，则：
[0054][0055]
上式中，u为电压行波入射幅值，z1，z2，z3为线路波阻抗。
[0056]
由此可见，当配电线路中至多一条大分支线路时，无论故障发生在分支线路还是主干线，行波波头的衰减特性相同，只与故障点和测量点间的距离有关。然而，由公式(1)可知，配电线路故障行波波头衰减特性受线路参数、运行环境等影响，很难用解析方式求解。因此，本方案利用机器学习模型，如堆栈自编码器，拟合故障位置和行波波头衰减之间的映射关系，在不精确计算线路参数和提高行波采样需求的前提下，实现较为准确的故障定位。
[0057]
s22、根据上述搭建的综合模型，考虑不同故障条件，通过故障模块设置不同工况下的故障，对综合模型进行故障模拟，综合模型仿真获取仿真故障行波数据，并对仿真故障行波数据进行预处理(主要是线模变换和归一化)，得到多组数据，构建数据集得到故障样本。
[0058]
在生成故障样本的过程中，为了全面的模拟实际故障工况，配电线路上每1km设置一个故障位置。每个故障位置设置15种故障参数，包括3种故障电阻：1ω、10ω和50ω，和5种故障相角：0
°
、72
°
、144
°
、216
°
、288
°
。原始的仿真故障行波数据需要预处理后生成故障样本作为sae网络的输入。具体来说，是采用小波模极大值来获取仿真故障行波数据中行波波头并截取波头达到时刻前1μs和后49μs的波形数据；采用karrenbauer变换提取行波线模分量，以减小配电线路相互耦合的影响；采用min-max方法，如公式(4)所示，对线模行波进行归一化以提高训练过程的收敛速度。
[0059][0060]
本方案中，采用堆栈自编码器(sae)作为模型主结构，构建深度学习的测距模型，确保特征提取的效果。
[0061]
s23、将故障样本的数据集，依据7:3比例划分为训练集和测试集，输入测距模型进行训练和验证，经训练对模型参数进行优调，得到最终的测距模型，最终版本测距模型的输入为预处理后的实时故障行波数据，输出为故障点距离测量装置部署节点的距离。
[0062]
本方案中，考虑到单端行波波形拟合的故障距离存在一定误差，本发明所使用的算法采集双端行波波形数据拟合故障距离，以减少拟合误差对定位结果的影响。
[0063]
本方案所采用的配电网故障定位方法基于堆栈自编码器，通过搭建含t形状电路的配电网模型、故障模块，并将两部分结合构成综合模型，用来模拟配电网的输电线路；对
综合模型进行模拟故障获取仿真故障行波数据，采集到的仿真故障行波数据经预处理，之后将其构成数据集；构建以特征提取为目标的深度学习测距模型，采用堆栈自编码器(sae)；将数据集输入测距模型，划分比例，在不同部分数据集上对测距模型进行训练和验证，得到最终版本测距模型，输入为预处理后的故障信息，输出为故障点距离测量装置部署节点的距离。
[0064]
本方案中，所采用的堆栈自编码器(stack auto-encoder，sae)由多个自动编码器(auto encoder,ae)组成。采用权值连接相邻单元，层与层结构之间采用贪婪算法进行参数训练，可以有效避免深层网络容易达到局部最优、训练困难的问题。考虑到行波波形特征维度和故障测距的需求，选取堆栈自编码器作为深度学习的测距模型，采用自监督学习的方式在构建故障数据集上对故障信息的特征进行学习。可以理解的是，本方案也可以采用其他的深度模型实现，例如深度信念网络(dbn)、卷积神经网络(cnn)以及这些模型的大量变体。
[0065]
在一个具体的实施例中，将实时获取的故障行波数据进行预处理得到数据集，将数据集输入最终版本的测距模型能够得到故障点距离测量装置部署节点的准确距离。即本发明所利用的sae故障定位算法，通过堆栈自编码器(sae)拟合采集到的故障行波数据与故障距离之间的关联关系，实现了对故障距离的估算。本发明使用该算法实现了神经网络对故障位置精准测距部分的功能。
[0066]
上述步骤得到了用于识别配电网故障点的测距模型，即sae故障定位模型。
[0067]
步骤s2：将步骤s1得到的sae故障定位模型部署在jestson nano边缘装置中。
[0068]
具体的，sae故障定位模型部署包括中心服务器云端部署和边缘部署两种方式。云端部署常见的模式是部署在云端服务器，用户通过网页访问或者api接口调用等形式向云端服务器发出请求，云端收到请求后处理并返回结果。边缘部署则主要用于嵌入式设备，主要通过将模型打包封装到sdk，集成到嵌入式设备，数据的处理和模型推理都在终端设备上执行。相应的模型部署方式也包含两种部署方案，service部署和sdk部署。service部署：主要用于中心服务器云端部署，一般直接以训练的引擎库作为推理服务模式。sdk部署：主要用于嵌入式端部署场景，以c++等语言实现一套高效的前后处理和推理引擎库(高效推理模式下的operation/layer/module的实现)，用于提供高性能推理能力。此种方式一般需要考虑模型转换(动态图静态化)、模型联合编译等进行深度优化。
[0069]
本方案中，将训练好的sae故障定位模型部署在嵌入式设备中。对步骤一中训练好的sae故障定位模型封装为api，创建简单的demo包，生成build、demo.egg-info、dist三个目录，并在边缘设备上调用demo包，实现模型部署。
[0070]
步骤s3：获取配电网中的实时故障行波数据，将实时故障行波数据进行预处理，转化为故障数据集，流程如下：
[0071]
1)获取配电网中的实时故障行波数据；
[0072]
2)识别实时故障行波数据中的行波波头；
[0073]
3)获取行波波头后的故障数据；
[0074]
4)对行波波头后故障数据的三相电压数据进行相模变换；
[0075]
5)对相模变换后的数据进行归一化处理，得到故障数据集。
[0076]
步骤s4：将预处理后的故障数据集输入部署有sae故障定位模型的jestson nano
边缘装置中，sae故障定位模型输出故障点在配电网中的准确位置(即故障点距离量测装置的距离)。
[0077]
在实验验证的过程中，利用仿真生成故障行波数据，通过usb将电脑和jeson nano开发板相连接，模拟实际应用过程中的ad数据采集板卡与jetson nano开发板的数据传输过程。通过仿真数据对故障定位开发板卡进行测试，验证该设备是否满足误差标准需求。利用单端行波数据求和来判定故障点位置，在一定程度上避免了训练过程中误差的累积，有利于消除故障定位模型的误差。
[0078]
通过由量测装置得到的实时数据输入jestson nano边缘装置，上数据经处理得到数据集，将数据集输入sae故障定位模型能够得到故障的准确位置，之后由jestson nano边缘装置输出。本发明结合了jestson nano平台和sae故障定位算法，可为运行现代ai算法提供472gflops的计算性能，且能够并行运行多个神经网络并同时处理多个高分辨率的传感器，为故障测距作业提供强大支撑，从而解决了现有神经网络在配电网故障中难以实际落地的窘境。
[0079]
下面，结合具体的实施例对本方案进一步的解释和说明。
[0080]
步骤一：sae故障定位模型训练。
[0081]
在一个实施例中，将配电网分解为不同的t形电路。本方案以t形状电路为研究对象，在pacad/emtdc搭建一个单电源输入的220/10kv的配电网仿真模型，设置中性点为不接地方式，线路采用依频等值模型。在配电网线路主干线和分支线路上每1km设置一个故障，每个故障设置3种故障电阻：1ω、10ω和50ω，和5种故障相角：0
°
、72
°
、144
°
、216
°
、288
°
。采集线路首端的行波电压信息，采样间隔时间为5
×
10-7
s，采样频率为2mhz。每个故障点仿真15种工况，最终共形成1500组样本。将故障数据样本集的80％作为训练样本集，采用自监督的学习方式，训练sae，然后将稀疏后的数据特征送进行网络微调，该过程是有监督训练，将数据标签为特征相匹配。采用均方差函数(mse)为损失函数。采用平均绝对误差(mae)为评价函数误差的函数。
[0082]
步骤二：sae故障定位模型部署。
[0083]
在jetson nano开发板中更新numpy版本、安装jetson sdk组件和相应的依赖项，在jetson nano板卡上完成部署需要的相应程序的初始化和配置准备。获取sae故障定位模型的源代码，并在tensorflow框架下，构建sae故障定位模型的api封装接口。创建简单的demo包，生成build、demo.egg-info、dist三个目录，并在边缘设备上调用demo包，实现dae模型的部署。
[0084]
步骤三：测试数据生成。
[0085]
在pscad/emtdc环境下完成仿真故障行波数据的采集，并将没有使用的仿真故障行波数据作为测试集。在python/tensorflow框架下，设置训练好模型。并完成训练模型以及模型的验证。通过usb连接接口将故障测试数据样本集传送到jetson nano开发板的数据接收端口，在jetson nano开发板上运行故障定位模型程序，计算出故障距离并反馈到计算机中景行展示。
[0086]
步骤四：有效性验证。
[0087]
故障测试数据样本可以传送到jetson nano数据开发板，并在开发板中实现故障定位模型的调用，故障数据集的定位准确度较高，平均定位误差小于1km。
[0088]
jetson nano数据开发板的部分参数如下：
[0089][0090][0091]
实施例2
[0092]
如图3所示，基于与实施例1相同的发明构思，本发明实施例2提供了一种配电网故障定位装置，包括如下步骤：
[0093]
获取模块，用于获取配电网中的实时故障行波数据，并转化为故障数据集；其中，所述配电网由不同的t形电路组成。
[0094]
获取模块中，所述获取配电网中的实时故障行波数据，并转化为故障数据集的步骤，具体包括：获取配电网中的实时故障行波数据；识别实时故障行波数据中的行波波头；获取行波波头后的故障数据；对行波波头后故障数据的三相电压数据进行相模变换；对相模变换后的数据进行归一化处理，得到故障数据集。
[0095]
故障识别模块，用于将所述故障数据集输入预先训练好的sae故障定位模型中，所述sae故障定位模型输出故障点距离量测装置的距离，得到故障点在配电网中的位置；其
中，所述sae故障定位模型部署于jestson nano边缘装置中。
[0096]
故障识别模块中，所述sae故障定位模型的训练方式如下：
[0097]
搭建包含t形状电路的配电网等效模型，并根据配电网等效模型，搭建故障模块，将故障模块和配电网等效模型相对接组成综合模型；通过故障模块设置不同工况下的故障，对综合模型进行故障模拟，综合模型仿真获取仿真故障行波数据，对仿真故障行波数据进行预处理，构建数据集得到故障样本；将所述故障样本划分为训练集和测试集进行训练，得到训练好的sae故障定位模型。
[0098]
故障识别模块中，对仿真故障行波数据进行预处理的的步骤，包括如下：
[0099]
采用小波模极大值的方法获取仿真故障行波数据中行波波头，并截取波头达到时刻前后预设时间的波形数据；采用karrenbauer变换从波形数据提取行波线模分量；采用min-max方法，对行波线模分量进行归一化。
[0100]
实施例3
[0101]
如图4所示，基于与上述实施例的同一发明构思，本发明还提供一种用于实现上述配电网故障定位方法的电子设备100；电子设备100包括存储器101、至少一个处理器102、存储在存储器101中并可在至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。存储器101可用于存储计算机程序103，处理器102通过运行或执行存储在存储器101内的计算机程序，以及调用存储在存储器101内的数据，实现实施例1一种配电网故障定位方法步骤。存储器101可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外，存储器101可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
[0102]
至少一个处理器102可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等，处理器102是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
[0103]
电子设备100中的存储器101存储多个指令以实现一种配电网故障定位方法，处理器102可执行多个指令从而实现：
[0104]
获取配电网中的实时故障行波数据，并转化为故障数据集；其中，所述配电网由不同的t形电路组成；
[0105]
将所述故障数据集输入预先训练好的sae故障定位模型中，所述sae故障定位模型输出故障点距离量测装置的距离，得到故障点在配电网中的位置；其中，所述sae故障定位模型部署于jestson nano边缘装置中。
[0106]
实施例4
[0107]
电子设备100集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(rom，read-only memory)。
[0108]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0109]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0110]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0111]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0112]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。