中性点不接地系统的线路单相接地故障区及类型检测方法与流程

本发明属于电力信息自动化，尤其涉及一种中性点不接地系统的线路单相接地故障区及类型检测方法。

背景技术：

1、电力是现代经济活动的基石。一个稳定和可靠的电力系统是工业生产、商业活动和日常生活顺利进行的保障。然而，频繁的电力中断或大规模停电会造成严重影响。在我国的电网系统中，一部分10kv系统采用的是非直接接地方式。这意味着一旦10kv线路发生单相接地故障，相应的10kv馈线保护不会立即断开，而是会导致该馈线母线上一相电压降至零，其余两相电压升高。这种情况可能引发一系列问题，如电压不平衡、设备过压、谐波产生、保护装置误动作和系统运行不稳定等。

2、如果不能在规定时间内处理故障，长时间的故障存在会增加触电事故的风险，威胁人身安全。在我国的配电网中，由于城市发展条件的差异，许多地区的配电网建设还未达到理想状态。线路结构复杂，现场运行条件不断变化，这些因素增加了单相接地故障定位的难度。为应对这些问题，目前的研究通常采用特定的保护和控制策略。例如，安装接地故障检测装置，以便在单相接地故障发生时迅速检测并采取相应措施，从而减少对电网和设备的影响。此外，通过电网设计和运营策略的改进，可以提高系统对此类故障的容忍度和稳定性。有研究提出了一种风电场集电线单相接地故障定位方法，该方法能够有效定位单相接地故障，但往往需要结合大量的线路运行数据开展较为复杂的计算。也有研究采用神经网络和特征矩阵的方法，有效实现了快速计算故障位置的目标，但并未讨论如何一次性给出接地类型的结论。

3、综上所述，有必要提出一种中性点不接地系统的线路单相接地故障区段判断方法，并且能够实现一次性同时给出故障类型和故障区段的目标。

技术实现思路

1、针对背景技术中提及的技术问题，本发明提供一种中性点不接地系统的线路单相接地故障区及类型检测方法，目的在于仅利用故障线路某一点的零序数据，构建海量数据集，建立线路零序数据与故障位置和故障类型的伪数学关系，利用数据驱动的方法对故障类型分类和区段智能定位模型进行训练，获取精确的故障区段位置信息和故障类型。经检索，未发现与本发明相同或相近似的现有技术的文献。

2、本发明提出的一种中性点不接地系统的线路单相接地故障区及类型检测方法的具体技术方案包括以下步骤：

3、一种中性点不接地系统的线路单相接地故障区及类型检测方法，包括以下步骤，且以下步骤顺次进行：

4、步骤a1：在“待检测区域”内所有线路中选定一段“待检测线路”，在首端的数据采集设备中获取“待检测线路”的零序电压u0、零序电流i0和零序电流的方向；

5、步骤a2：判断所述步骤a1中“待检测线路”的首端零序电流方向与其它未被选定的线路首端零序电流的方向，当出现方向相反时，得出该线路发生“单相接地故障”的结论，并进行步骤a3；若未出现方向相反现象，则重复所述步骤a1并选定另一段“待检测线路”；

6、步骤a3：在所述步骤a2的判断基础上，将所述步骤a1选定的“待检测线路”平均分成k段，并测量每一段线路的零序电容c0、零序阻抗r0和零序感抗l0；

7、步骤a4：使用数字仿真的方法，对所述步骤a1选定的“待检测线路”进行数字仿真，得到“数字仿真电路”；利用所述步骤a3中得到的参数对“数字仿真电路”中对应的各个节点进行赋值，并运行“数字仿真电路”，得到“仿真数据集”；并将“仿真数据集”按一定比例划分为训练集、测试集和验证集；

8、步骤a5：利用所述步骤a4中得到的训练集、测试集和验证集训练“残差神经网络”；其中训练集用于“残差神经网络”训练的初步训练，测试集用于评估“残差神经网络”的训练度，验证集用来表征“残差神经网络”的训练度是否满足要求；当“残差神经网络”完成训练，且“残差神经网络”的训练度满足给定值时，进行步骤a6；

9、步骤a6：将所述步骤a1和步骤a2中选取“待检测线路”的测量数据输入至所述步骤a5得到的“残差神经神经网络”，即可判断故障线路零序分量与故障位置区段和故障类型的关系，完成故障位置的区段定位和故障类型的给出。

10、进一步，所述步骤a1中零序电压u0包括零序电压的数值信息u0和相位信息 θ ut，零序电流i0包括零序电流的数值信息i0和相位信息 θ it。

11、进一步，所述步骤a3中假设线路的阻抗参数是均匀分布的，那么每一段的零序电容值为：

12、

13、式中，cd表示线路每一子区段的零序电容值，c0为线路的单位零序电容值，l为故障线路总长度。

14、进一步，所述步骤a3中的k应为不小于3的正整数。

15、进一步，所述步骤a4，针对每一个“数字仿真电路”，根据步骤a3中的方法进行线路划分，分别在每一个划分的线路区段的不同位置设置不同的故障类型构建数据集，其中对划分的每一个区段以一定距离为间距构建位置关系的数据集，以一定欧姆为间距构建除弧光接地故障以外的故障类型数据集构建的数据集，表示为：

16、

17、式中， c0表示线路单位长度的零序电容值， z0表示线路单位长度的零序阻抗，包括线路的单位零序电阻和零序电感值， l表示故障线路的长度， t表示采样时间， v0表示当前时间仪表测量的零序电压，包括零序电压瞬时大小u0和相位信息 θ u， i0表示当前时间仪表测量的零序电流，包括零序电流瞬时大小i0和相位信息 θ i；

18、将 c0、 z0、 l、 t、 v0、u0、 θ u、 i0、 θ i建为一个包含时间信息的二维数据，并将“位置关系的数据集”的时不变数据如线路阻抗广播成时变数据的维度。

19、进一步，所述步骤a4将得到的“仿真数据集”按照训练集：测试集：验证集=7:2:1或7:1.5:1.5进行划分，保证训练集的占比不低于总数据集的70%。

20、本发明的一种中性点不接地系统的线路单相接地故障区及类型检测方法具有以下优点：

21、本发明通过针对我国电网系统中10kv不接地系统存在的单相接地故障问题，提出了一种创新性的解决方案，主要集中在单相接地故障定位和类型识别的技术领域。

22、通过在输电线路上设置电力数据检测装置，该装置能够获取零序电压、零序电流瞬时值和方向信息。这些数据被用于构建深度残差神经网络模型，以实现对不同故障类型的准确分类。相比传统方法，该技术方案通过深度学习提高了故障定位和故障类型检测的准确性。

23、其次，通过在故障线路上平均划分为k段，每段构建不同位置、不同故障类型的数据集，以及对不同位置的高密度采样，确保了深度神经网络的训练数据具有丰富的多维度信息。这样的数据集设计能够更全面地覆盖各种故障情况，提高了模型的泛化能力。

24、此外，技术方案在深度残差神经网络中对接地故障进行定位并识别故障类型，实现了对金属接地、小电阻接地、大电阻接地和高阻接地的准确故障定位和类型识别。这样的分类能力使得该技术方案在实际应用中更为灵活可靠。

25、总体而言，本发明弥补了现有技术在单相接地故障定位中的不足，提供了一种高效、准确、可行的解决方案，对提高电网系统的安全性、可靠性和运行效率具有重要的实际应用价值。