一种低压配电网线路故障预警方法及系统与流程

本发明涉及线路故障识别，尤其涉及一种低压配电网线路故障预警方法及系统。

背景技术：

1、配电网是电网运行中关键的一环，随着智能电网战略的逐步实现，智能电网成为电网技术发展的必然趋势和社会经济发展的必然选择。作为智能电网的重要组成部分，智能配电网是推动智能电网发展的源头和动力，也是智能电网建设的关键技术领域。配电网故障自动定位技术的研究是保证智能配电网安全可靠运行的一项基础性工作，具有重要的现实意义。

2、随着配网自动化开始大规模应用，相对于传统配电网，配网自动化产生了海量数据。配网大数据来源覆盖了调度、检修、营销等多个业务领域，以及绝大部分低压配电网监控和采集信息，具有数据类型繁多、数据变化速度快、数据量巨大、价值密度低等特征。从数据源类型来讲，配网大数据覆盖了配变、配电变电站、配电开关站、电表、电能质量、台区等配用电自动化和信息化数据，以及用户数据和社会经济等数据。配网数据类型多样，数据规模庞大，如何利用好配网现有的海量数据，改变低压配电网运维人员日常巡检方式，改被动抢修为主动抢修，提高供电稳定性和用户满意度，是当前亟待解决的重要性难题。

3、目前，对于小电流接地配电网发生单相接地故障时，其故障预警与故障定位的手段仍难以快速反馈，这将导致配电网线路故障预警效率大大降低。

技术实现思路

1、本发明提供了一种低压配电网线路故障预警方法及系统，解决了配电网线路故障预警效率较低的技术问题。

2、有鉴于此，本发明第一方面提供了一种低压配电网线路故障预警方法，包括以下步骤：

3、获取配电网线路的监测数据，构建监测数据集，所述监测数据包括台账数据、历史运行数据和雷击数据；

4、将所述监测数据集进行向量化，形成多维向量矩阵，对所述多维向量矩阵进行奇异值分解，得到降维向量矩阵，对所述降维向量矩阵中的每一个元素进行归一化处理；

5、对经过归一化处理后的降维向量矩阵中的每一个元素进行标注，形成标签，所述标签包括故障和非故障，对经标注后的元素划分为训练集和测试集；

6、构建支持向量机分类模型，以经标注后的元素为所述支持向量机分类模型的输入，以元素相应的标签为所述支持向量机分类模型的输出进行训练，得到支持向量机故障分类模型；

7、根据所述支持向量机故障分类模型对所述测试集进行分类，得到分类准确率，根据所述分类准确率对所述支持向量机故障分类模型的网络参数进行优化，得到优化后的支持向量机故障分类模型。

8、优选地，将所述监测数据集进行向量化，形成多维向量矩阵，对所述多维向量矩阵进行奇异值分解，得到降维向量矩阵，对所述降维向量矩阵中的每一个元素进行归一化处理的步骤具体包括：

9、将每个所述监测数据集进行向量化，得到相应的向量矩阵为，

10、

11、

12、

13、式中，a表示线路台账数据矩阵，amn表示第m维度第n个的线路台账数据，其中，线路台账数据包括线路编号、线路类型、线路所属变电站以及所属区局线路，台账数据采用one-hot编码形成，b表示历史运行数据矩阵，bpq表示第p维度第q个的历史运行数据，c表示雷击数据矩阵，cht表示第h维度第t个的雷击数据；

14、将雷击数据矩阵和历史运行数据矩阵映射到线路台账数据矩阵中得到多维向量矩阵为，

15、

16、式中，abc表示多维向量矩阵，abgck表示第g个运行数据k个雷击数据的线路；

17、对所述多维向量矩阵进行奇异值分解，得到降维向量矩阵，对所述降维向量矩阵中的每一个元素进行归一化处理。

18、优选地，支持向量机分类模型的线性约束优化数学模型为，

19、

20、支持向量机分类模型的决策函数为，

21、

22、式中，xi、xj均表示输入向量，yi和yj分别表示xi和xj对应的标签，ai和aj均拉格朗日系数，n表示样本总数，a*表示线性约束优化数学模型的最优解b*＝-1/2(w*(xi+xj))；表示核函数；

23、支持向量机分类模型选用高斯径向基核函数作为激活函数为，

24、

25、式中，|x-y|为向量之间的距离，σ为常数且σ≠0。

26、优选地，本方法还包括：

27、随机生成粒子，构建粒子群，每个粒子包含支持向量机分类模型的权值，通过下式计算每个粒子的自适应度值为，

28、

29、f表示适应度函数，z表示样本数，yi表示样本的实际输出，在每一次的迭代中通过追踪个体历史最佳位置和群体历史最佳位置来更新粒子的速度和位置，获得种群中最优适应度即最小均方误差对应的粒子的适应度；

30、粒子的速度和位置的更新公式分别为：

31、

32、

33、式中，表示第i个粒子第t时刻第d次迭代中的移动速度，为第t时刻第d次迭代中个体历史最佳位置，为粒子群第t时刻第d次迭代中历史最佳位置，c1和c2为加速度因子，c1和c2取非负常数，rand为0～1间的随机数，表示第i个粒子第t+1时刻第d次迭代中的移动速度，表示第i个粒子第t时刻第d次迭代中的位置，ω为惯性权重，惯性权重ω的自适应计算公式为：

34、

35、式中，ωmin表示最小惯性权重，ωmax表示最大惯性权重，favg为粒子群平均适应度，fmin为粒子群最小适应度，fmax为粒子群最大适应度；

36、重新计算新粒子的适应度值，更新粒子的速度和位置，当迭代次数达到预设次数时，停止迭代，否则再次更新粒子的速度和位置进行计算，得到群体最小均方误差对应的粒子的最佳适应度，将群体最佳适应度粒子对应的可变惯性权重的值作为支持向量机分类模型的初始权值。

37、优选地，本方法还包括：

38、当线路发生故障后，根据所述多维向量矩阵确定故障线路；

39、将所述故障线路设置多个检测点，对每个检测点进行录波，得到相应的零模电流信号；

40、对所述零模电流信号进行傅里叶变换，得到频域电流数据，从所述频域电流数据中提取每个频率值对应的频域幅值，构成频域幅值序列；

41、对所述频域幅值序列进行差分运算，构建差分频域幅值序列，对所述差分频域幅值序列进行曲线拟合，得到差分频域幅值曲线；

42、将所述差分频域幅值曲线与预设的故障频域幅值曲线进行计算相似度，得到多个检测点分别对应的相似度；

43、根据多个检测点分别对应的相似度确定两个相似度最高的检测点，两个相似度最高的检测点之间的线路区段为故障区段。

44、第二方面，本发明提供了一种低压配电网线路故障预警系统，包括：

45、数据获取模块，用于获取配电网线路的监测数据，构建监测数据集，所述监测数据包括台账数据、历史运行数据和雷击数据；

46、向量模块，用于将所述监测数据集进行向量化，形成多维向量矩阵，对所述多维向量矩阵进行奇异值分解，得到降维向量矩阵，对所述降维向量矩阵中的每一个元素进行归一化处理；

47、标注模块，用于对经过归一化处理后的降维向量矩阵中的每一个元素进行标注，形成标签，所述标签包括故障和非故障，对经标注后的元素划分为训练集和测试集；

48、模型构建模块，用于构建支持向量机分类模型，以经标注后的元素为所述支持向量机分类模型的输入，以元素相应的标签为所述支持向量机分类模型的输出进行训练，得到支持向量机故障分类模型；

49、模型测试模块，用于根据所述支持向量机故障分类模型对所述测试集进行分类，得到分类准确率，根据所述分类准确率对所述支持向量机故障分类模型的网络参数进行优化，得到优化后的支持向量机故障分类模型。

50、优选地，所述向量模块具体包括：

51、向量化模块，用于将每个所述监测数据集进行向量化，得到相应的向量矩阵为，

52、

53、

54、

55、式中，a表示线路台账数据矩阵，amn表示第m维度第n个的线路台账数据，其中，线路台账数据包括线路编号、线路类型、线路所属变电站以及所属区局线路，台账数据采用one-hot编码形成，b表示历史运行数据矩阵，bpq表示第p维度第q个的历史运行数据，c表示雷击数据矩阵，cht表示第h维度第t个的雷击数据；

56、多维向量模块，用于将雷击数据矩阵和历史运行数据矩阵映射到线路台账数据矩阵中得到多维向量矩阵为，

57、

58、式中，abc表示多维向量矩阵，abgck表示第g个运行数据k个雷击数据的线路；

59、降维模块，用于对所述多维向量矩阵进行奇异值分解，得到降维向量矩阵，对所述降维向量矩阵中的每一个元素进行归一化处理。

60、优选地，支持向量机分类模型的线性约束优化数学模型为，

61、

62、支持向量机分类模型的决策函数为，

63、

64、式中，xi、xj均表示输入向量，yi和yj分别表示xi和xj对应的标签，ai和aj均拉格朗日系数，n表示样本总数，a*表示线性约束优化数学模型的最优解b*＝-1/2(w*(xi+xj))；表示核函数；

65、支持向量机分类模型选用高斯径向基核函数作为激活函数为，

66、

67、式中，|x-y|为向量之间的距离，σ为常数且σ≠0。

68、优选地，本系统还包括：

69、粒子生成模块，用于随机生成粒子，构建粒子群，每个粒子包含支持向量机分类模型的权值，通过下式计算每个粒子的自适应度值为，

70、

71、f表示适应度函数，z表示样本数，yi‘表示样本的实际输出，在每一次的迭代中通过追踪个体历史最佳位置和群体历史最佳位置来更新粒子的速度和位置，获得种群中最优适应度即最小均方误差对应的粒子的适应度；

72、粒子更新模块，用于粒子的速度和位置的更新公式分别为：

73、

74、

75、式中，表示第i个粒子第t时刻第d次迭代中的移动速度，为第t时刻第d次迭代中个体历史最佳位置，为粒子群第t时刻第d次迭代中历史最佳位置，c1和c2为加速度因子，c1和c2取非负常数，rand为0～1间的随机数，表示第i个粒子第t+1时刻第d次迭代中的移动速度，表示第i个粒子第t时刻第d次迭代中的位置，ω为惯性权重，惯性权重ω的自适应计算公式为：

76、

77、式中，ωmin表示最小惯性权重，ωmax表示最大惯性权重，favg为粒子群平均适应度，fmin为粒子群最小适应度，fmax为粒子群最大适应度；

78、粒子迭代模块，用于重新计算新粒子的适应度值，更新粒子的速度和位置，当迭代次数达到预设次数时，停止迭代，否则再次更新粒子的速度和位置进行计算，得到群体最小均方误差对应的粒子的最佳适应度，将群体最佳适应度粒子对应的可变惯性权重的值作为支持向量机分类模型的初始权值。

79、优选地，本系统还包括：

80、故障线路确定模块，用于当线路发生故障后，根据所述多维向量矩阵确定故障线路；

81、录波模块，用于将所述故障线路设置多个检测点，对每个检测点进行录波，得到相应的零模电流信号；

82、变换模块，用于对所述零模电流信号进行傅里叶变换，得到频域电流数据，从所述频域电流数据中提取每个频率值对应的频域幅值，构成频域幅值序列；

83、差分运算模块，用于对所述频域幅值序列进行差分运算，构建差分频域幅值序列，对所述差分频域幅值序列进行曲线拟合，得到差分频域幅值曲线；

84、相似度模块，用于将所述差分频域幅值曲线与预设的故障频域幅值曲线进行计算相似度，得到多个检测点分别对应的相似度；

85、区段确定模块，用于根据多个检测点分别对应的相似度确定两个相似度最高的检测点，两个相似度最高的检测点之间的线路区段为故障区段。

86、从以上技术方案可以看出，本发明具有以下优点：

87、本发明通过获取配电网线路的监测数据，构建监测数据集，将监测数据集进行向量化，形成多维向量矩阵，对多维向量矩阵进行降维，还对降维向量矩阵中的每一个元素进行归一化处理，对经过归一化处理后的降维向量矩阵中的每一个元素进行标注，形成标签，对经标注后的元素划分为训练集和测试集，构建支持向量机分类模型，利用支持向量机分类模型对训练集进行训练，得到支持向量机故障分类模型，利用支持向量机故障分类模型对测试集进行分类，优化支持向量机故障分类模型的网络参数，得到优化后的支持向量机故障分类模型，从而提高配电网线路故障预警效率和准确性。