一种基于继电保护信息的电网故障区域识别方法与流程

本发明涉及电力系统故障识别技术领域，尤其是涉及一种基于继电保护信息的电网故障区域识别方法。

背景技术：

随着我国电力系统的发展，电网规模不断扩大，给电网的安全运行提出了更高的要求。电网发生故障时海量的故障数据将从本地上传至决策中心，需要调度人员从中发现故障原因，及时处理。同时互联网技术的进步，使得电网调控进入了大数据时代，故障诊断的数据来源更加多样，数据规模更加庞大，对电网故障诊断问题进行更为深入的研究具有理论和现实意义。

根据使用的故障征兆信息及处理方法不同，学者们提出了多种不同原理的输电网故障定位方法。文献《diagnosisofpowersystemfailuresusingobserverbaseddiscreteeventsystem》将有限状态自动机和产生式推理相结合，提出了一种简单推理模型，形成了基于有限状态机的专家推理系统，对复杂故障有一定的实时推理能力。利用专家系统进行故障诊断和定位的还有文献《电网故障最优诊断的查询方法》等。然而，在实际应用中，通过人工维护专家系统工作繁琐，对大规模电网应用中难以满足需求。文献《基于有色自控petri网的电网故障区域识别》在petri网的基础上，赋予电网元件有色属性，并为有向弧引入变权，从而形成有色自控petri网以实现对故障区域的快速搜索。文献《基于贝叶斯网络和故障区域识别的电网故障诊断研究》先利用故障区域识别算法缩小目标区域，减小诊断范围，然后再利用贝叶斯网络推算出故障元件，在级联跳闸的情况下也可诊断出故障。

变电站上传至调度的继电保护信息在中途有可能发生畸变，并使得调度得到的信息中含有错误信息，从而使得调度端的故障诊断算法错误地估计电网故障位置造成事故影响扩大、停电时间长等问题。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于继电保护信息的电网故障区域识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于继电保护信息的电网故障区域识别方法，包括以下步骤：

s1、采集发生故障的电网分区中智能电子设备发出的继电保护信息；

s2、通过继电保护信息中的特征信号构建特征向量，并按不同智能电子设备排列成特征向量矩阵；

s3、令聚类数量为3，利用改进谱聚类算法对特征向量矩阵进行聚类，将类别中所含智能电子设备数量最少的一类作为故障相关类，在故障相关类中根据智能电子设备组成的关联域识别出故障元件。

优选的，所述步骤s3中改进谱聚类算法的相似度矩阵函数为w′ij：

其中，xi和xj分别表示第i个和第j个智能电子设备的特征向量，σ表示宽度参数，

σi＝||xi-xk||2

σmax＝max{|σi-σj|；i＝1,...,n；j＝1,...,n}

其中，n表示故障相关类中智能电子设备的个数，k表示离xi第k邻近的特征向量。

优选的，所述步骤s3中在故障相关类中根据智能电子设备组成的关联域识别出故障元件具体包括：

在故障相关类中，若有2个智能电子设备之间所夹元件为线路，则这两个智能电子设备组成该线路的关联域，该元件为故障元件；

在故障相关类中，若有多个智能电子设备之间所夹元件为母线，则这几个智能电子设备组成该母线的关联域，该元件为故障元件。

优选的，还包括步骤s4：

若在步骤s3的故障相关类中没有智能电子设备组成关联域，则将聚类数量调至4的情况下重复步骤s3得到新的故障相关类，在新的故障相关类中根据智能电子设备组成的关联域识别出故障元件。

优选的，还包括步骤s5：

若在步骤s4得到的新的故障相关类中没有智能电子设备组成关联域，则将新的故障相关类中存在的智能电子设备相连元件作为疑似故障区域。

优选的，所述特征向量包含的继电保护信息中的特征信号有：线路主保护的出口信号，方向元件的判别情况，距离保护i段、ii段、iii段的启动情况，断路器的动作状态以及母线主保护的出口信号。

与现有技术相比，本发明具有以下优点：

1、基于保护状态值所形成的特征向量，提出一种基于继电保护状态信息与谱聚类分析相结合的电网故障区域识别方法，计算步骤简单，故障判别更具有精确性。

2、针对智能电子设备回传的继电保护状态量因通信畸变会使类内点数量较少的簇变为稀疏簇的问题，利用密度调整谱聚类分析法，改进了谱聚类算法在电网故障区域识别中某些情况下不能精确定位的缺陷，有更好的耐错误信息能力和故障元件定位能力。

附图说明

图1为ieee3机9节点图；

图2为本发明方法的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本申请提出一种基于继电保护信息的电网故障区域识别方法，包括以下步骤：

s1、采集发生故障的电网分区中智能电子设备发出的继电保护信息；

s2、通过继电保护信息中的特征信号构建特征向量，并按不同智能电子设备排列成特征向量矩阵；

s3、令聚类数量为3，利用改进谱聚类算法对特征向量矩阵进行聚类，将类别中所含智能电子设备数量最少的一类作为故障相关类，在故障相关类中根据智能电子设备组成的关联域识别出故障元件；

s4、若在步骤s3的故障相关类中没有智能电子设备组成关联域，则将聚类数量调至4的情况下重复步骤s3得到新的故障相关类，在新的故障相关类中根据智能电子设备组成的关联域识别出故障元件；

s5、若在步骤s4得到的新的故障相关类中没有智能电子设备组成关联域，则将新的故障相关类中存在的智能电子设备相连元件作为疑似故障区域。

步骤s1中，当电网发生故障时，电网继电保护会启动并发出信号让断路器跳闸，只需要检测到继电保护是否有出口信号、断路器是否跳闸就可以知道电网是否发生故障。并且当今由于电网规模巨大，电网都会进行分区，因此，本方法只需要得到显现出有故障的分区中的变电站中的智能电子设备(ied)上传的继电保护信息即可。

步骤s2中用于构建特征向量的继电保护信息中的特征信号如下：

1)线路主保护的出口信号m：

上传值为“1”代表主保护动作，“-1”代表主保护不动作或者拒动，“0”代表信号在上传时丢失——这可以由网络中回传掉包信号得知；

2)断路器的动作状态b：

上传值为“1”代表断路器动作，“-1”代表断路器不动作或者拒动，“0”代表断路器状态信号在上传时丢失——这可以由网络中回传掉包信号得知；

3)母线主保护的出口信号n：

上传值为“1”代表母线主保护动作，“-1”代表母线主保护不动作或者拒动，“0”代表母线主保护信号在上传时丢失——这可以由网络中回传掉包信号得知；

4)方向元件的判别情况f：

上传值为“1”代表故障在正方向，“-1”代表故障在反方向，“0”代表方向信号在上传时丢失——这可以由网络中回传掉包信号得知，“正方向”指的是由母线指向线路的方向；

5)距离保护(i段、ii段、iii段)的启动情况：

上传值为“1”代表距离保护启动，“-1”代表距离保护未启动，“0”代表距离保护信号在上传时丢失——这可以由网络中回传掉包信号得知。

以上述7种信号(距离保护中有3个信号)来构建特征向量如下：

xiedi＝[mfdidiidiiibn](1)

其中，di、dii、diii分别表示距离保护i段、ii段、iii段的启动情况。

由于电网的分区中ied数量不止一个，因此式(1)将是复数个，分别代表不同ied上传结果，将这些向量以行的形式构建成特征向量矩阵作为下一步计算时的输入。

利用聚类算法针对特征向量进行聚类并寻找故障的机理在于，电网发生故障后，故障相关类这一类中的ied特征向量在多维空间上要比其他类中的ied更为相似，会被聚为一类。这是由继电保护对故障的反应特性以及本发明特意挑选的继电保护值形成的特征性量所决定的。

本方法聚类时分类数量先定为3类，分别包含：与故障相关的ied、受故障影响的ied、与故障无关的ied。当分为3类无法准确寻找故障元件的时候，就分为4类。将类别中所含ied数量最少的那一类作为由故障相关的ied组成的故障相关类。

步骤s3中，对于在故障相关类中根据智能电子设备组成的关联域识别出故障元件的具体方法包括以下两个规则：

在故障相关类中，若有2个智能电子设备之间所夹元件为线路，则这两个智能电子设备组成该线路的关联域，该元件为故障元件；

在故障相关类中，若有多个智能电子设备之间所夹元件为母线，则这几个智能电子设备组成该母线的关联域，该元件为故障元件。

针对上面2条规则，利用电网图来进行说明，图1是ieee3机9节点图，图中的小长方形块就是ied示意图。

例如，ied3与ied4之间所夹为线路l2，那么l2的关联域就是ied3与ied4；ied16与ied17之间所夹元件为母线b9，那么ied16与ied17就为母线b9的关联域。

在谱聚类算法中，一般相似度矩阵函数采用公式(2)，其中有一个重要控制指标参数σ是宽度参数，用于控制函数的径向作用范围。

其中，i与j是ied序号标号，xi、xj分别表示第i个和第j个ied的特征向量，jij表示第i个和第j个ied的邻接矩阵。

当上传至调度的特征信号畸变时，受参数σ取值影响，会使得根据步骤3中的分类规则得到的聚类结果发生误判或是结果不稳定的情况。通过相关文献的阅读联想到，产生该现象的原因是由于经过分类后，分得的ied数量较少的故障相关类中的ied上传信号畸变时，原本密集的类会变为更稀疏的类，即ied特征向量所代表的多维空间上的点会因为某些ied特征向量值畸变而变分散，从而使得控制聚类范围的σ无法适应该问题。最后表现出来的是，原本应该属于故障相关类的ied被分到别的类别中去，从而使得按照步骤3中的2条寻找故障元件的规则在故障相关类中不适用。

针对该问题，本方法改进了原本的谱聚类算法的相似度矩阵函数，具体见式(3)：

其中，其中σi、σj、σmax、σ′的计算公式分别如式(4)、(5)、(6)、(7)。

σi＝||xi-xk||2(4)

σj＝||xj-xk||2(5)

σmax＝max{|σi-σj|；i＝1,...,n；j＝1,...,n}(6)

其中，n表示故障相关类中智能电子设备的个数，k表示离xi第k邻近的特征向量，该距离用欧氏距离计算。本实施例中，k取值为5，因为与ied相关数量最多的元件为母线，而输电网中在一般情况下母线的出线与进线一般在5条以下。

这里再具体解释一下公式(3)的作用，公式(3)其实就是将密度差引入了公式(2)中，即以对于ied特征向量xi与周围相邻最近的第k个ied特征向量xk的二范数作为密度来调整参数σ，从而减少参数σ对结果的影响。

改进后的谱聚类算法的实现步骤如下：

1)根据ied向量所形成的的矩阵x＝(x1,x2,x3,...,xn)建立相似度矩阵w，xn为ied特征向量，n表示的是这个故障分区当中ied的总数。

2)根据公式l＝d-j来计算莱普拉斯矩阵l，其中度矩阵d与邻接矩阵j实际由矩阵w来形成，如式(3)，d的形成如式(8)。

3)标准化莱普拉斯矩阵l＝d^-1/2ld^-1/2，并计算标准化后矩阵的前k个最小的特征值，及其对应的特征向量；

4)将k个特征向量组成n×k维特征矩阵p，并标准化；将标准化后的p每一行作为新样本进行一次k-means聚类，分类数亦为k；

5)得到聚类结果。

按照以上5步得到聚类结果以后，再按照步骤s3中的2条规则寻找故障元件即可。

如图2所示，本方法的具体流程如下：

(1)：电网发生故障后，由调度中心将收到来自各变电站ied的继电保护状态量，并知晓哪一分区发生故障；

(2)：将这一分区中的ied上传的信息分拣出需要的信息形成特征向量，并按行排列成矩阵x；

(3)：先将聚类数目设为3类，再利用改进谱聚类算法进行分类，得到分类结果后，将分类结果中ied数量最少的一类作为故障相关类；

(4)：利用2条规则对故障相关类进行判别，若能找出某元件所对应的关联域，则认定为故障元件；

(5)：若聚类为3时，故障相关类中的ied不能组成关联域，则进入步骤(6)；

(6)：将聚类数调至4并回到步骤(3)，若已分为4类还不能找到关联域，则进入步骤(7)；

(7)：将故障相关类中所存在的ied相连元件作为疑似故障区域。

与其他方案技术相比，本方法计算步骤简单，与专家系统相比，不需要审定预先的知识推理库，与petri网相比不需要复杂的概率计算。而谱聚类算法也是相当常见的聚类算法，其源代码在网上可以获得并按照公式(3)进行改进。专家系统与petri网则不容易实现，专家系统必须请专家形成推理库，而petri网代码难以获得。