一种配电网故障定位方法及终端

技术领域

本发明涉及配电网故障检测技术领域，尤其涉及一种配电网故障定位方法及终端。

背景技术

近年来，随着生态环境的变化和国家生态文明建设整体布局的需要，新能源的发展成为备受瞩目的焦点。配电网是电网的重要组成，是连接能源生产与消费的枢纽，也是构建新型电力系统的关键组成部分。大规模分布式新能源、不同的储能等装置接入电网，在提升电网供电性能的同时，也对配电网的生产运行方式产生了深刻的影响，促使传统的配网保护方式进一步改善提升。配电网是直接连接用户的电网末梢，是服务民生的重要公共基础设施，因此其对电能质量、供电安全等方面的要求更为严格。据统计，80％以上的用户停电都是由配网故障导致的，其中单相接地故障占80％以上，对于中压配电网，若有单相接地故障发生，短时间内系统仍能够保持正常运行，但是在新型配电网中，由于分布式新能源的引入可能导致故障电流增大，若故障点没有被尽快隔离，易导致故障扩大，因此，快速、准确、可靠的确定故障点位置，并将故障隔离、修复故障区段尽快恢复正常供电极为重要。

目前，配电网故障点定位方法主要有直接方法和间接方法，直接算法主要有矩阵算法等，采用矩阵算法进行配电网故障定位，利用配电网拓扑结构形成一个表征配电网模型的描述矩阵，经过一系列运算后得到故障位置判别矩阵，得到故障点的点位，但这类算法定位成功与否与传感器采集信息直接相关，对于故障信息的容错能力较差。在配电网故障定位的间接算法应用中，采用一种改进仿生电磁学法，基于开关函数建立求解模型将故障区段作为解空间以获取最优解。该方法容错性好、种类多样且更新速度快，但存在运算速度慢、容易陷入局部最优等缺点。另外，采用卷积神经网络对配电网故障数据进行训练，神经网络具有较强的运算能力，数据较多较复杂时均可以进行处理，但是在含分布式电源配电网故障定位中应用时，由于分布式电源出力不固定，可能随时投退的特点，算法不容易收敛，并且基于神经网络的配电网故障定位前期需要进行大量的数据训练，计算量较大。在基于电流信号处理的故障点检测方法中，现有的信号采集过程主要是采样、压缩、传输、解压缩是四个过程，其采样过程必须遵循Shannon-Nyquist(奈奎斯特-香农)采样定理，如果对配电网的故障电流数据采用这一过程，会产生大量的数据堆叠，不仅增大了信息的冗余量，也延长了处理时间，占用了线路的传输带宽和存储空间，会严重制约数据高效利用和高速传输。

发明内容

本发明所要解决的技术问题是：提供了一种配电网故障定位方法及终端，能够准确、高效地实现故障点的定位。

为了解决上述技术问题，本发明采用的一种技术方案为：

一种配电网故障定位方法，包括步骤：

构建配电网系统拓扑结构，并根据所述配电网系统拓扑结构采集各子节点终端之间的电流信号；

对所述电流信号进行压缩采集，得到压缩信号；

对所述压缩信号进行重构，得到重构后的压缩信号，并使用自适应噪声完备集合经验模态分解算法对所述重构后的压缩信号进行分解，得到一系列本征模态函数；

基于所述一系列本征模态函数使用模糊C均值聚类算法进行聚类分析，得到故障点位置信息。

为了解决上述技术问题，本发明采用的另一种技术方案为：

一种配电网故障定位终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

构建配电网系统拓扑结构，并根据所述配电网系统拓扑结构采集各子节点终端之间的电流信号；

对所述电流信号进行压缩采集，得到压缩信号；

对所述压缩信号进行重构，得到重构后的压缩信号，并使用自适应噪声完备集合经验模态分解算法对所述重构后的压缩信号进行分解，得到一系列本征模态函数；

基于所述一系列本征模态函数使用模糊C均值聚类算法进行聚类分析，得到故障点位置信息。

本发明的有益效果在于：对电流信号进行压缩采集，得到压缩信号，对压缩信号进行重构，并使用自适应噪声完备集合经验模态分解算法对重构后的压缩信号进行分解，得到一系列本征模态函数，基于一系列本征模态函数使用模糊C均值聚类算法进行聚类分析，得到故障点位置信息，使用压缩采样方法对电流信号进行采样，能够以较低的采样率完成信号采样，充分发挥了信号有用信息的作用，降低了信息的冗余，使用自适应噪声完备集合经验模态分解算法(CEEMDAN)进行信号分解能够抑制EMD存在的模态混叠问题，获得更好的分解效果，最后利用模糊C均值聚类算法可快速准确地定位故障线路，从而准确、高效地实现故障点的定位。

附图说明

图1为本发明实施例的一种配电网故障定位方法的步骤流程图；

图2为本发明实施例的一种配电网故障定位终端的结构示意图；

图3为本发明实施例的一种配电网故障定位方法中的配电网网络架构示意图；

图4为本发明实施例的一种配电网故障定位方法中的某地区网络架构下对应的故障识别和故障隔离示意图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

请参照图1，本发明实施例提供了一种配电网故障定位方法，包括步骤：

构建配电网系统拓扑结构，并根据所述配电网系统拓扑结构采集各子节点终端之间的电流信号；

对所述电流信号进行压缩采集，得到压缩信号；

对所述压缩信号进行重构，得到重构后的压缩信号，并使用自适应噪声完备集合经验模态分解算法对所述重构后的压缩信号进行分解，得到一系列本征模态函数；

基于所述一系列本征模态函数使用模糊C均值聚类算法进行聚类分析，得到故障点位置信息。

从上述描述可知，本发明的有益效果在于：对电流信号进行压缩采集，得到压缩信号，对压缩信号进行重构，并使用自适应噪声完备集合经验模态分解算法对重构后的压缩信号进行分解，得到一系列本征模态函数，基于一系列本征模态函数使用模糊C均值聚类算法进行聚类分析，得到故障点位置信息，使用压缩采样方法对电流信号进行采样，能够以较低的采样率完成信号采样，充分发挥了信号有用信息的作用，降低了信息的冗余，使用自适应噪声完备集合经验模态分解算法(CEEMDAN)进行信号分解能够抑制EMD存在的模态混叠问题，获得更好的分解效果，最后利用模糊C均值聚类算法可快速准确地定位故障线路，从而准确、高效地实现故障点的定位。

进一步地，所述对所述电流信号进行压缩采集，得到压缩信号包括：

确定离散余弦变换基为稀疏变换基矩阵，并初始化稀疏变换字典；

根据所述电流信号使用正交匹配追踪算法求解稀疏表示，得到稀疏表示系数；

对所述稀疏变换字典进行迭代更新，得到更新后的稀疏变换字典；

根据所述更新后的稀疏变换字典对所述电流信号进行稀疏变换，得到稀疏信号；

将所述稀疏变换基矩阵中所有列向量不相关的且符合高斯分布的矩阵确定为测量矩阵；

根据所述测量矩阵和所述稀疏信号得到压缩信号。

由上述描述可知，压缩采集是一个低采样率数据采集的理念，以远低于奈奎斯特采样定理的频率完成采样，降低了信息冗余和网络负载，从而提高了故障点定位的效率，同时使用的基矩阵是离散余弦变换基，相对于离散傅里叶变换可以减少一半以上的计算量，更好地满足对故障定位信号处理的时效性要求，同时可以以较高的压缩率完成信号压缩，并在配网子站端以较低的均方误差完成重构，减少了数据在网络中的传输量，降低了网络负载。

进一步地，所述根据所述电流信号使用正交匹配追踪算法求解稀疏表示，得到稀疏表示系数

I

式中，I

所述根据所述更新后的稀疏变换字典对所述电流信号进行稀疏变换，得到稀疏信号I

/>

所述根据所述测量矩阵和所述稀疏信号得到压缩信号R为：

R＝Φ*I

式中，Φ表示所述测量矩阵。

由上述描述可知，由于电流信号在时域上不具有稀疏性或稀疏性不明显，需要对原始电流信号进行稀疏变换，稀疏变换后的信号可通过测量矩阵处理后便于后续进行观测，从而实现故障点的定位。

进一步地，所述使用自适应噪声完备集合经验模态分解算法对所述重构后的压缩信号进行分解，得到本征模态函数包括：

在所述重构后的压缩信号中添加高斯白噪音并进行自适应噪声完备集合经验模态分解，得到一系列的初始本征模态函数；

对所述一系列的初始本征模态函数进计算算术平均，得到第一本征模态函数；

从所述电流信号中去除所述第一本征模态函数，得到最新信号，并根据所述最新信号返回执行所述在所述重构后的压缩信号中添加高斯白噪音并进行自适应噪声完备集合经验模态分解步骤，直至得到不符合分解条件的唯一残差和一系列本征模态函数。

由上述描述可知，基于故障点电流不具备相似性的特征，使用自适应噪声完备集合经验模态分解算法对重构后的压缩信号进行分解，能增强信号特征，提高后续故障点定位的准确率。

进一步地，所述在所述重构后的压缩信号中添加高斯白噪音并进行自适应噪声完备集合经验模态分解，得到一系列的初始本征模态函数为：

式中，

所述对所述一系列的初始本征模态函数进计算算术平均，得到第一本征模态函数为：

式中，IMF

由上述描述可知，使用上述方法对信号进行分解，能够有效提取信号中的有用信息，便于后续故障点的判断。

进一步地，所述基于所述一系列本征模态函数使用模糊C均值聚类算法进行聚类分析，得到故障点位置信息包括：

使用归一化能量熵剔除所述一系列本征模态函数中的虚假模态，得到重组后的本征模态函数；

根据所述重组后的本征模态函数使用模糊C均值聚类算法进行聚类分析，得到故障点位置信息。

由上述描述可知，由于CEEMDAN算法分解后，早期分解会存在的大量噪声和虚假模态产生的问题，因此进一步采用归一化能量熵剔除虚假模态，使信号模态所包含的信息更准确，从而提高了故障点定位的准确率。

进一步地，所述使用归一化能量熵剔除所述一系列本征模态函数中的虚假模态，得到重组后的本征模态函数包括：

计算所述一系列本征模态函数的能量；

对所述能量进行归一化处理，得到归一化后的能量；

根据所述归一化后的能量计算所述一系列本征模态函数对应的归一化能量熵值；

将所述一系列本征模态函数中所述归一化能量熵值小于第一预设阈值的本征模态函数确定为虚假模态，并剔除所述虚假模态，得到重组后的本征模态函数。

由上述描述可知，使用归一化能量熵能够快速且有效地剔除虚假模态，提高数据的可靠性。

进一步地，所述根据所述重组后的本征模态函数使用模糊C均值聚类算法进行聚类分析，得到故障点位置信息包括：

将所述重组后的本征模态函数确定为样本，并初始化隶属度矩阵；

确定所述样本中各样本子集的聚类中心；

基于所述各样本子集的聚类中心确定模糊C均值聚类算法的目标函数和所述目标函数对应的约束条件；

获取所述目标函数的迭代改变量，并将所述迭代改变量与第二预设阈值进行比较；

若所述迭代改变量大于或等于所述第二预设阈值，则更新所述隶属度矩阵，得到更新后的隶属度矩阵，并按照更新后的隶属度矩阵返回执行所述确定各样本子集的聚类中心步骤；

若所述迭代改变量小于所述第二预设阈值，则获取隶属度最大的类别，并将所述重组后的本征模态函数分类至所述隶属度最大的类别；

根据所述隶属度矩阵确定与故障点相邻的上游检测点和下游检测点；

根据所述上游检测点和所述下游检测点计算相邻隶属度的差值；

判断所述差值是否大于第三预设阈值，若是，则确定所述相邻隶属度对应的检测点之间的区段为故障点位置。

由上述描述可知，以此能够高效、准确地对故障点进行定位，便于配网子站及时准确地切断故障线路，保护配电网线路安全。

进一步地，所述确定所述样本中各样本子集的聚类中心为：

式中，c

所述基于所述各样本子集的聚类中心确定模糊C均值聚类算法的目标函数和所述目标函数对应的约束条件为：

/>

式中，q表示聚类中心的数量，x

由上述描述可知，基于上述目标函数及其约束条件即可准确确定出故障点的位置，能够便于工作人员根据位置信息对故障上游节点的分段器执行闭合与断开操作，从而保护整个配电网的安全，提高配电网的工作稳定性。

请参照图2，本发明另一实施例提供了一种配电网故障定位终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述配电网故障定位方法中的各个步骤。

本发明上述的一种配电网故障定位方法及终端能够适用于需要对配电网进行故障检测的场景，以下通过具体实施方式进行说明：

实施例一

请参照图1和图3-图4，本实施例的一种配电网故障定位方法，包括步骤：

S1、构建配电网系统拓扑结构，并根据所述配电网系统拓扑结构采集各子节点终端之间的电流信号；

所述配电网系统拓扑结构定义了配网子站和终端的上下级关系。

S2、对所述电流信号进行压缩采集，得到压缩信号，具体包括：

S21、确定离散余弦变换基为稀疏变换基矩阵，并初始化稀疏变换字典；

S22、根据所述电流信号使用正交匹配追踪算法(Orthogonal Matching Pursuit，OMP)求解稀疏表示，得到稀疏表示系数

I

式中，I

S23、对所述稀疏变换字典进行迭代更新，得到更新后的稀疏变换字典；

具体的，对所述稀疏变换字典中每个原子进行迭代更新，k次迭代求解后可以得到更新后的稀疏变换字典。

S24、根据所述更新后的稀疏变换字典对所述电流信号进行稀疏变换，得到稀疏信号I

S25、将所述稀疏变换基矩阵中所有列向量不相关的且符合高斯分布的矩阵确定为测量矩阵；

所述稀疏变换基矩阵Ψ为：

/>

r∈{0,...,M-1}；

式中，R

其中，当i＝0时，

在一种可选的实施方式中，还采用等距性条件检验所述测量矩阵的有效性，以此判别将产生的随机高斯矩阵作为测量矩阵进行投影后能否有效重构出原始信号。如果满足条件，则重新生成一个满足高斯分布的随机矩阵即可。采用随机高斯矩阵而不直接采用高斯矩阵的原因是有一定的随机性和一定的自适应性。S26、根据所述测量矩阵和所述稀疏信号得到压缩信号R，具体的：

R＝Φ*I

式中，Φ表示所述测量矩阵。

S3、对所述压缩信号进行重构，得到重构后的压缩信号，并使用自适应噪声完备集合经验模态分解算法对所述重构后的压缩信号进行分解，得到一系列本征模态函数，具体包括：

S31、对所述压缩信号进行重构，得到重构后的压缩信号；

所述重构后的压缩信号

S32、在所述重构后的压缩信号中添加高斯白噪音并进行自适应噪声完备集合经验模态分解，得到一系列的初始本征模态函数，具体的：

式中，

S33、对所述一系列的初始本征模态函数进计算算术平均，得到第一本征模态函数，具体的：

式中，IMF

S34、从所述电流信号中去除所述第一本征模态函数，得到最新信号，并根据所述最新信号返回执行S32～S33，直至得到不符合分解条件的唯一残差和一系列本征模态函数。

具体的，从所述电流信号I

比如，在得到第一本征模态函数后，计算信号残差r

接着在r

分解结束得到n个m维模态能量序列表示为：X

其中，所述分解条件为：

式中，N

具体的，采用三次样条差值算法分别对极大值和极小值点进行曲线拟合，得到极大值点对应的上包络线和极小值点对应的下包络线，并计算两者的平均值记为m(t)，令y(t)为信号与m(t)的差值，判断y(t)是否满足所述分解条件。

S4、基于所述一系列本征模态函数使用模糊C均值聚类算法进行聚类分析，得到故障点位置信息，具体包括：

S41、使用归一化能量熵剔除所述一系列本征模态函数中的虚假模态，得到重组后的本征模态函数，具体包括：

S411、计算所述一系列本征模态函数的能量E(X)，具体的：

式中，X

S412、对所述能量进行归一化处理，得到归一化后的能量p(n)，具体的：

S413、根据所述归一化后的能量计算所述一系列本征模态函数对应的归一化能量熵值EN

EN

信号的能量谱能够表征各状态变量在整个系统中所占能量的相对关系，并且其所受信号内的噪声干扰影响较小，对原信号特征信息敏感的本征模态函数应占据主要能量，而虚假模态的能量占有比例较小。其中，所述第一预设阈值为0.1；

所述重组后的本征模态函数X

X

S42、根据所述重组后的本征模态函数使用模糊C均值聚类算法进行聚类分析，得到故障点位置信息，具体包括：

S421、将所述重组后的本征模态函数确定为样本，并初始化隶属度矩阵；

其中，满足样本集的隶属度总和为1。

S422、确定所述样本中各样本子集的聚类中心，具体的：

式中，c

S423、基于所述各样本子集的聚类中心确定模糊C均值聚类算法的目标函数和所述目标函数对应的约束条件，具体的：

式中，q表示聚类中心的数量，x

其中，采用拉格朗日乘数法获得u

S424、获取所述目标函数的迭代改变量，并将所述迭代改变量与第二预设阈值进行比较；

S425、若所述迭代改变量大于或等于所述第二预设阈值，则更新所述隶属度矩阵，得到更新后的隶属度矩阵，并按照更新后的隶属度矩阵返回执行S422步骤；

其中，所述更新后的隶属度矩阵U为：

S426、若所述迭代改变量小于所述第二预设阈值，则获取隶属度最大的类别，并将所述重组后的本征模态函数分类至所述隶属度最大的类别；

S427、根据所述隶属度矩阵确定与故障点相邻的上游检测点和下游检测点；

S428、根据所述上游检测点和所述下游检测点计算相邻隶属度的差值；

S429、判断所述差值是否大于第三预设阈值，若是，则确定所述相邻隶属度对应的检测点之间的区段为故障点位置，反之，则不是故障点。

其中，所述第三预设阈值为0.1；

配电子站可根据故障点位置对故障点上游节点的分段器执行闭合与断开操作。

如图3所示，图3为某地区配电网网络架构示意图。该架构是由若干有直接电气连接的配电房/开闭所构成一个配网区域，在此区域内部署一个配网子站，用于实现主站的控制功能，其余各配电房/开闭所作为智能终端服务对象。

如图4所示，图4为该地区网络架构下对应的故障识别和故障隔离示例图。在区域集中式配网节点间利用电流传感器采集个终端节点间的电流信号进行压缩采样、传输重构和聚类分析。当线路发生故障时，配网子站接收聚类分析结果，控制本级重合器断开，同时发送分段器闭锁信号至故障发生的上级节点，收到闭锁信号的节点控制本级分段器闭锁，未收到该闭锁信号的节点控制本级分段器断开，经过时延后重合器合闸，进而迅速恢复非故障区域的供电。

图4中所示节点之间的关系为：配网子站有下属T1-T8共8个终端节点，T3-T4之间的B点为发生故障的区段。配网子站接收到故障信号的结果后，首先T1控制K1-1重合器断开，配网子站下发节点分段器闭锁信号，T1和T2节点收到分段器闭锁信号后控制分段器K1-2和K2-2完成闭锁操作，T3控制分段器K3-1断开，经过时延后重合器合闸，进而迅速恢复非故障区域的供电。

实施例二

请参照图2，本实施例的一种配电网故障定位终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一中的配电网故障定位方法中的各个步骤。

综上所述，本发明提供的一种配电网故障定位方法及终端，构建配电网系统拓扑结构，并根据所述配电网系统拓扑结构采集各子节点终端之间的电流信号；对所述电流信号进行压缩采集，得到压缩信号；对所述压缩信号进行重构，得到重构后的压缩信号，并使用自适应噪声完备集合经验模态分解算法对所述重构后的压缩信号进行分解，得到一系列本征模态函数；基于所述一系列本征模态函数使用模糊C均值聚类算法进行聚类分析，得到故障点位置信息，具体的，由于CEEMDAN算法分解后，早期分解会存在的大量噪声和虚假模态产生的问题，进一步采用归一化能量熵剔除虚假模态，使信号模态所包含的信息更准确，使用压缩采样方法对电流信号进行采样，能够以较低的采样率完成信号采样，充分发挥了信号有用信息的作用，降低了信息的冗余，使用自适应噪声完备集合经验模态分解算法进行信号分解能够抑制EMD存在的模态混叠问题，获得更好的分解效果，最后利用模糊C均值聚类算法可快速准确地定位故障线路，从而准确、高效地实现故障点的定位。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。