一种单相接地故障定位方法
文献发布时间：2023-06-19 19:28:50
技术领域
本发明涉及配网故障定位技术领域，尤其涉及一种单相接地故障定位方法。
背景技术
在配电网中，单相接地故障最容易发生，由于故障电流小，线路可带故障运行，提高供电可靠性。若单相接地故障发现慢，则可能发展成相间短路故障，损坏设备，扩大故障范围，严重影响供电的可靠性。由于配电网发生单相接地后不会形成有效回路，故障电容电流微弱，尤其是在消弧线圈过补偿/欠补偿、接地过渡电阻、电网自身三相不平衡、量测装置功能/精度限制等多重因素叠加影响下，故障表征信息不明显。再加上受接地阻抗变化、间歇性电弧重燃以及故障演变、故障并发等因素的影响，故障特征的不确定性强，导致准确定位接地故障十分困难，严重威胁配电网可靠性。
现有的研究成果在单相接地故障定位中取得了一定效果，但大多只选取了配电网的部分特征，即利用手动特征提取器分析某类故障的特有属性，造成了对故障信息描述的不充分，通用性不足、准确度不高，不利于调度员制定有针对性的故障处理措施。而深度学习在工程领域的应用越来越广泛，其十分擅长从高维数据集中自动学习复杂且有用的特征，相比于过去出现的很多优秀的手动特征提取器，可直接实现端到端的任务训练或者提取抽象特征充分描述故障信息，保证故障定位算法的泛化性与准确性。
发明内容
本发明针对现有技术存在的不足和缺陷，提供了一种单相接地故障定位方法，针对传统方法使用手动特征提取器提取的特征信息不充分导致故障定位不准确的问题，本发明实现了故障波形特征的自动提取，特征提取充分，保证了故障定位的准确性。
本发明的目的可以通过以下技术方案来实现：
一种单相接地故障定位方法，包括以下步骤：
S1：利用Simulink仿真生成单相接地故障波形数据作为训练集、测试集；
S2：将各故障录波装置安装到中压输电线路中；
输电线路发生单相接地故障时，输电线路中的故障录波装置自动记录并保存故障发生前后时刻的三相电压信号与三相电流信号数据，记为故障录波数据；
将故障录波数据作为验证集；
S3：利用小数倍采样率变换算法处理训练集、测试集和验证集，统一训练集、测试集和验证集中三相电压信号与三相电流信号的采样率；
S4：构建神经网络并利用训练集、测试集训练该网络；
S5：将验证集输入至训练好的神经网络，判断故障录波装置位置与故障位置的关系，从而能够根据线路拓扑图定位故障位置。
进一步地，所述S1具体为：
S1-1：根据中压输电线路拓扑域创建Simulink线路拓扑仿真模型；
S1-2：利用Simulink仿真模型模拟不同参数下的单相接地故障故障波形数据；
参数包括：低压侧负荷、过渡电阻、故障位置、故障发生相位、故障持续时间和采样频率；
故障波形数据包括三相电压信号与三相电流信号数据；
S1-3：将所得故障波形数据按照3:2的比例随机划分成训练集与测试集。
进一步地，所述S2中的故障录波数据具体包括三相电压信号与三相电流信号数据。
进一步地，所述S3中的小数倍采样率变换算法具体为：
S3-1：利用傅里叶插值法提高训练集、测试集和验证集中的三相电压、电流信号采样率；
S3-2：利用整数倍抽取法降低并统一训练集、测试集和验证集中的三相电压、电流信号采样率。
进一步地，所述S4中的神经网络包括四部分：
第一部分为三相数据特征合成模块，该模块为独立双分支结构，每个分支独立处理三相电压、电流信号数据，每个分支包含两层卷积层；第一层卷积层将三相电压、电流信号输入数据视为3通道的一维数据，利用卷积核卷积操作将三相电压、电流信号数据扩展至8通道，第一层卷积层输出特征长度与输入数据长度一致；第二层卷积层的输入为第一层卷积层的输出，第二层卷积层利用卷积核卷积操作将输入特征压缩至1通道，第二层卷积层输出特征长度与输入特征长度一致；将双分支的输出特征拼接在一起作为后续输入；
第二部分为电压电流特征比对模块，该模块由多层卷积层堆叠构成，每层卷积层都对其上层卷积层的输出特征进行进一步比对，最终输出特征的通道数为1、长度为该模块输入长度的四分之一；
第三部分为特征自适应选择模块，该模块由多层感知机组成；一段特征在输入该模块后会被划分为多段特征；多层感知机计算每段特征的重要程度，随后根据计算结果将多段特征合成为整段特征，即特征自适应选择模块的输出，其过程用下式表示：
，
，
，
上式中MLP为多层感知机；Fe_in
第四部分为分类器模块，该模块由4层全连接层构成，其中前三层输出采用LeakyRelu激活函数，最后一层输出采用Softmax激活函数；具体地：
，/>
，
式中in为前三层全连接层输入值，z
进一步地，所述S4中，利用Adam优化器训练构建的神经网络，学习率设置为0.0001，损失函数使用交叉熵函数；
神经网络训练过程到达1000轮次或测试集准确率在任意连续20训练轮次准确率提升不足0.1%时，终止训练并保存测试集准确率最高的参数模型。
进一步地，所述S5具体为：
S5-1，对配电网系统，根据其拓扑关系建立网络描述矩阵D；矩阵中元素的赋值原则如下：
若节点i与节点j之间存在线路连接且节点编号i 若节点i与节点j之间存在线路连接且节点编号i 否则令d S5-2，基于验证集，利用训练好的神经网络生成单相接地故障信息序列E=[e 将故障信息序列E=[e S5-3，若故障判別矩阵P中p 进一步地，所述S5-3中的i不等于j。 本发明的有益技术效果：利用深度学习自动提取特征的能力，避免了传统方法使用手工特征提取器提取特征对故障信息不充分，通用性不足、准确度不高的问题，实现了更加准确的故障定位算法，能够辅助电网运维人员快速、有效的处理解决配电网单相接地故障事故。 附图说明 图1为本发明的总体流程图。 图2为本发明实施例中的Simulink线路拓扑仿真模型整体图。 图3为本发明的神经网络结构图。 图4为本发明实施例中的配电网系统拓扑结构图。 图5为本发明实施例中的Simulink线路拓扑仿真模型分图第1部分。 图6为本发明实施例中的Simulink线路拓扑仿真模型分图第2部分。 图7为本发明实施例中的Simulink线路拓扑仿真模型分图第3部分。 图8为本发明实施例中的Simulink线路拓扑仿真模型分图第4部分。 具体实施方式 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不限定本发明。 实施例： 在中压配电网中时常发生单相接地故障，如不能及时排除故障，则可能发展成相间短路故障，损坏设备，扩大故障范围，严重影响供电的可靠性。使用基于机理逻辑架构神经网络的单相接地故障定位算法能够辅助运维人员快速定位故障位置，排除故障，保证供电可靠性。 如图1所示，一种单相接地故障定位方法，包括以下步骤： S1：利用Simulink仿真生成单相接地故障波形数据作为训练集、测试集；具体地： S1-1：根据中压输电线路拓扑域创建Simulink线路拓扑仿真模型，如图2、5、6、7、8所示。 S1-2：利用Simulink仿真模型模拟不同参数下的单相接地故障故障波形数据。 参数包括：低压侧负荷、过渡电阻、故障位置、故障发生相位、故障持续时间和采样频率。 故障波形数据包括三相电压信号与三相电流信号数据。 S1-3：将所得故障波形数据按照3:2的比例随机划分成训练集与测试集。 S2：获取故障录波装置采集的故障录波数据作为验证集；具体为：所述故障录波数据为利用故障录波装置在实际中压运行线路上储存、探明的故障录波的三相电压、电流信号数据。 S3：利用小数倍采样率变换算法处理训练集、测试集和验证集，统一训练集、测试集和验证集中三相电压信号与三相电流信号的采样率。 小数倍采样率变换算法具体为： S3-1：利用傅里叶插值法提高信号序列的采样率；其具体过程为： 将时域中的三相电压、电流信号X转换为频域进行插值，以0填充插值点，利用插值因子合理缩放以保持频域上的对称性，然后将逆变换回时域，此时的数据用表示。如下式所示： ， ， ， ， 上式中，S为频域信号、 S3-2：利用整数倍抽取法降低并统一信号采样率；具体过程为： 对时域信号序列 ，/> 上式表示对序列 S4：构建神经网络并利用训练集、测试集训练该网络； 神经网络包括四部分，如图3所示： 第一部分为三相数据特征合成模块，该模块为独立双分支结构，每个分支独立处理三相电压、电流信号数据，每个分支包含两层卷积层；第一层卷积层将三相电压、电流信号输入数据视为3通道的一维数据，利用卷积核卷积操作将三相电压、电流信号数据扩展至8通道，第一层卷积层输出特征长度与输入数据长度一致；第二层卷积层的输入为第一层卷积层的输出，第二层卷积层利用卷积核卷积操作将输入特征压缩至1通道，第二层卷积层输出特征长度与输入特征长度一致；将双分支的输出特征拼接在一起作为后续输入。 第二部分为电压电流特征比对模块，该模块由多层卷积层堆叠构成，每层卷积层都对其上层卷积层的输出特征进行进一步比对，最终输出特征的通道数为1、长度为该模块输入长度的四分之一。 第三部分为特征自适应选择模块，该模块由多层感知机组成；一段特征在输入该模块后会被划分为多段特征；多层感知机计算每段特征的重要程度，随后根据计算结果将多段特征合成为整段特征，即特征自适应选择模块的输出，其过程用下式表示： ， ， ， 上式中MLP为多层感知机；Fe_in 第四部分为分类器模块，该模块由4层全连接层构成，其中前三层输出采用LeakyRelu激活函数，最后一层输出采用Softmax激活函数；具体地： ， ， 式中in为前三层全连接层输入值，z S4-2：基于机理逻辑构建的神经网络的训练过程：基于S1所述训练集，利用Adam优化器训练基于机理逻辑构建的神经网络，学习率设置为0.0001，损失函数选择使用交叉熵函数，设置训练轮次为1000轮。 神经网络训练过程到达1000轮次或测试集准确率在任意连续20训练轮次准确率提升不足0.1%时终止，保存神经网络在测试集性能最好的参数模型。 S5：将验证集输入至训练好的神经网络，判断故障录波装置位置与故障位置的关系，从而能够根据线路拓扑图定位故障位置。具体为： S5-1：对配电网系统根据其节点以及拓扑关系建立网络描述矩阵D，配电网系统拓扑结构如图4所示，存在节点1~6，矩阵中元素的赋值原则如下： 若节点i与节点j之间存在线路连接且节点编号i 若节点i与节点j之间存在线路连接且节点编号i 否则令d 基于图4并根据上述赋值原则可以建立其网络描述矩阵D为： ， S5-2：根据故障内外信息生成故障判别矩阵P，具体为： 基于验证集，利用训练好的神经网络生成单相接地故障信息序列E=[e 将故障信息序列E=[e 设E=[1，0，0，0，0，0]代入网络描述矩阵D的对角元素，则故障判别矩阵P为 ， S5-3：若故障判別矩阵P中p 所述S5-3中的i不等于j。 根据本实施例中的故障判别矩阵P判断节点1与节点 2 之间的线路为故障区段。 上述实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可做出各种变换和变化以得到相对应的等同的技术方案，因此所有等同的技术方案均应归入本发明的专利保护范围。