CN112285482A - 一种有源配电网故障确定方法和*** - Google Patents
一种有源配电网故障确定方法和*** Download PDFInfo
- Publication number
- CN112285482A CN112285482A CN202010750545.XA CN202010750545A CN112285482A CN 112285482 A CN112285482 A CN 112285482A CN 202010750545 A CN202010750545 A CN 202010750545A CN 112285482 A CN112285482 A CN 112285482A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- state
- samples
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012549 training Methods 0.000 claims description 94
- 239000006185 dispersion Substances 0.000 claims description 63
- 238000005259 measurement Methods 0.000 claims description 52
- 238000000605 extraction Methods 0.000 claims description 15
- 230000016507 interphase Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 4
- 241001632422 Radiola linoides Species 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 15
- 238000013145 classification model Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种有源配电网故障确定方法和***,包括:采集有源配电网中各测量点的相电压,并分别将各测量的相电压分解为基波和多个次数的电压谐波;将多个测量点的多个电压谐波输入预先训练的运行状态分类器,判断有源配电网是否发生故障;若发生故障,将多个测量点的各相间电压差及零序电压输入预先训练的故障分类器,得到故障类型,并将多个测量点的多个电压谐波输入预先训练的位置分类器,得到故障发生的疑似位置;否则结束。本发明提供的有源配电网故障确定方法和***能够有效确定有源配电网的故障,不需要加装电压互感器或传感器,不增加计算工作量,也能实现较高的故障检测灵敏度。
Description
技术领域
本发明属于有源配电网运行控制技术领域,具体涉及一种有源配电网故障确定方法和***。
背景技术
有源配电网是指大量接入分布式电源、功率双向流动的配电网,又称主动配电网。有源配电网与传统配电网相比具有结构复杂、分支众多等特点,而且由于分布式电源的加入使得电压电流等特征量大小方向不确定,使得传统配电网故障确定方法不再适用于有源配电网。
在现有技术中,针对分布式电源对有源配电网故障区段定位的影响及相应解决方案的研究成果较少。目前较为常见的方法是:1、通过比较故障区段两侧开关处的故障电流方向实现对故障区段的识别,但该方法要求在馈线开关处加装电压互感器或传感器。2、根据馈线上所有分布式电源可以提供的最大短路电流提高过电流检测定值,基于短路电流计算,对分布式电源的最大接入容量作出限制,通过调整开关过电流整定值,将***电源提供的最小短路电流及分布式电源提供的最大短路电流分开,然后采用传统故障区段定位方案进行故障定位,该方法会大大增加计算工作量,而且会降低故障检测灵敏度。
发明内容
为克服上述现有技术的不足,本发明提出一种有源配电网故障确定方法,包括:
采集有源配电网中各测量点的相电压,并分别将各测量的相电压分解为基波和多个次数的电压谐波;
将多个测量点的多个电压谐波输入预先训练的运行状态分类器,判断所述有源配电网是否发生故障;
若发生故障,将多个测量点的各相间电压差及零序电压输入预先训练的故障分类器,得到故障类型,并将多个测量点的多个电压谐波输入预先训练的位置分类器,得到故障发生的疑似位置;否则结束。
优选的,所述运行状态分类器的训练包括:
获取历史时刻有源配电网中多个发生故障时各测量点的相电压谐波,以及正常状态时各测量点的相电压谐波;
分别以发生故障时以及正常状态时各测量点的相电压谐波作为状态样本,构建状态样本集,以对应状态样本的是否发生故障为状态标签构建状态标签集;
采用所述状态样本集和状态标签集对二分类SVM模型进行训练,得到状态分类器。
优选的,所述采用所述状态样本集和状态标签集对二分类SVM模型进行训练,得到状态分类器,包括:
步骤A1:获取最优特征维度数M1的初值;
步骤A2:以离散程度值最大为目标并基于当前的最优特征维度数M1,从所有所述状态样本中选择测量点和谐波次数作为最优M1维状态样本子集;
步骤A3:基于所述最优M1维状态样本子集和对应的状态标签集对二分类SVM模型进行训练;
步骤A4:判断M1是否为初值:若是,则将M1取值加1并转入步骤A2,否则进行下一步;
步骤A5:判断采用当前最优M1维状态样本子集训练的二分类SVM模型分类的准确率是否小于预设准确率阈值,并且判断采用上一个最优M1维状态样本子集训练的二分类SVM模型分类的准确率是否小于所述准确率阈值:若任一项为是,则M1取值加1并转入步骤A2,否则进行下一步;
步骤A6:判断采用当前最优M1维状态样本子集和上一个最优M1维状态样本子集训练的二分类SVM模型分类的准确率间的差值是否小于预设差值:若是,则以上一个最优M1维状态样本子集训练的二分类SVM模型作为最终得到的状态分类器并结束,否则M1取值加1并转入步骤A2。
优选的,所述以离散程度值最大为目标原则并基于当前的最优特征维度数M1,从所有所述状态样本中选择测量点和谐波次数作为最优M1维状态样本子集,包括:
针对每个状态样本中包含的各测量点和谐波次数,根据测量点和谐波次数的不同取M1个不同元素作为该样本的M1维特征,每个元素对应一个测量点的一个谐波次数的电压值,共种取法;其中,为组合数,n为测量点个数,z为谐波次数的个数;
针对每种取法选择元素后的状态样本,分别计算发生故障时的各状态样本的均值、正常状态时各状态样本的均值和所有状态样本的均值;
根据发生故障时的各样本的均值、正常状态时各样本的均值和所有样本的均值,计算类内离散度和类间离散度;
根据所述类内离散度和类间离散度,分别计算各种取法的离散程度值;
根据离散程度值最大的取法,从所有所述状态样本中选择测量点和谐波次数作为最优M1维状态样本子集。
优选的,所述离散程度值的计算式如下:
J1=tr(Sw -1Sb)
式中,J1表示离散程度值,tr()表示求迹,Sb表示类间离散度,Sw -1表示类间内离散度Sw的逆;
所述类间离散度Sb的计算式如下:
式中,N表示所有样本的个数,i表示样本的种类,i为1时表示发生故障时的样本,i为2时表示正常状态时的样本,μi表示i类样本的均值,μ表示所有样本的均值,Ni表示i类样本的个数;
所述类内离散度Sw的计算式如下:
优选的,所述故障分类器的训练,包括:
针对每种故障,获取历史时刻有源配电网中多个发生对应种类的故障时各测量点的各相间电压差及零序电压;
以发生各类型的故障时各测量点的各相间电压差及零序电压作为故障类型样本,构建故障类型样本集,以对应故障类型类样本的故障类型为故障类型标签构建故障类型标签集;
优选的,通过将两类故障类型样本集分别设为正、负样本并结合对应的故障类型标签集训练二分类SVM模型,包括:
以离散程度值最大为目标,从两类故障类型样本集中的所有所述故障类型样本中选择一个测量点的各相间电压差及零序电压作为最优4维故障类型样本子集;
将两类故障类型分别设为正、负样本并采用对应的最优4维特征故障类型样本子集对二分类SVM模型进行训练,得到对两类故障类型进行分类的二分类SVM模型。
优选的,所述以离散程度值最大为目标,从两类故障类型样本集中的所有所述故障类型样本中选择一个测量点的各相间电压差及零序电压作为最优4维故障类型样本子集,包括:
针对每个故障类型样本中包含的各测量点和测量点各相间电压差及零序电压,根据测量点不同取同一测量点的各相间电压差及零序电压作为该样本的4维特征;
针对每种取法选择测量点后的故障类型样本,分别计算两种故障类型时各故障类型样本的均值和所有两种故障类型的故障类型样本的均值;
根据两种故障类型时各故障类型样本的均值和所有两种故障类型的故障类型样本的均值,计算计算类内离散度和类间离散度;
根据所述类内离散度和类间离散度,分别计算各种取法的离散程度值;
根据离散程度值最大的取法,从两种故障类型样本中所有所述故障类型样本中选择对应测量点的各相间电压差及零序电压作为最优4维故障类型样本子集。
优选的,所述将多个测量点的各相间电压差及零序电压输入预先训练的故障分类器,得到故障类型,包括:
将多个测量点的各相间电压差及零序电压输入预先训练的故障分类器;
统计每一个二分类SVM模型识别出的故障类型,计数最大的故障类型即为最终故障类型。
优选的,所述位置分类器的训练,包括:
针对有源配电网的各区段,获取历史时刻有源配电网中多个对应区段发生故障时各测量点的相电压谐波;
以各区段发生故障时各测量点的相电压谐波作为位置样本,构建位置样本集,以对应位置样本的区段为位置标签构建位置标签集;
优选的,通过将两个区段对应的位置样本集分别设为正、负样本并结合对应的位置标签集训练二分类SVM模型,包括:
步骤B1:获取最优特征维度数M2的初值;
步骤B2:以离散程度值最大为目标并基于当前的最优特征维度数M2,从所有两个区段的所述位置样本中选择测量点和谐波次数作为最优M2维位置样本子集;
步骤B3:基于所述最优M2维状态位置样本子集和对应的位置标签集对二分类SVM模型进行训练;
步骤B4:判断M2是否为初值:若是,则将M1取值加1并转入步骤B2,否则进行下一步;
步骤B5:判断采用当前最优M2维位置样本子集训练的二分类SVM模型分类的准确率是否小于预设准确率阈值,并且判断采用上一个最优M2维位置样本子集训练的二分类SVM模型分类的准确率是否小于所述准确率阈值:若任一项为是,则M2取值加1并转入步骤B2,否则进行下一步;
步骤B6:判断采用当前最优M2维位置样本子集和上一个最优M2维位置样本子集训练的二分类SVM模型分类的准确率间的差值是否小于预设差值:若是,则以上一个最优M2维状态样本子集训练的二分类SVM模型作为最终得到对应的两个区段的二分类SVM模型并结束,否则M2取值加1并转入步骤B2。
优选的,所述以离散程度值最大为目标并基于当前的最优特征维度数M2,从所有两个区段的所述位置样本中选择测量点和谐波次数作为最优M2维位置样本子集,包括:
针对每个位置样本中包含的各测量点和谐波次数,根据测量点和谐波次数的不同取M2个不同元素作为该样本的M2维特征,每个元素对应一个测量点的一个谐波次数的电压值,共种取法;其中,为组合数,n为测量点个数,z为谐波次数的个数;
针对每种取法选择元素后的位置样本,分别计算两个区段发生故障时的各位置样本的均值和所有两个区段发生故障时的位置样本的均值;
根据两个区段发生故障时各位置样本的均值和两个区段发生故障时的位置样本的均值,计算计算类内离散度和类间离散度;
根据所述类内离散度和类间离散度,分别计算各种取法的离散程度值;
根据离散程度值最大的取法,从两个区段发生故障时的所有所述位置样本中选择测量点和谐波次数作为最优M2维位置样本子集。
优选的,所述将多个测量点的多个电压谐波输入预先训练的位置分类器,得到故障发生的疑似位置,包括:
将多个测量点的多个电压谐波输入预先训练的位置分类器;
统计每一个二分类SVM模型识别出的区段,计数最大的区段为初步判定的故障区段;
将所述初步判定的故障区段向首末两端方向各延伸一个区段,共同构成故障发生的疑似位置。
基于同一发明构思,本申请还提供了一种有源配电网故障确定***,包括:数据采集模块、状态判断模块、故障分类模块和故障定位模块;
所述数据采集模块,用于采集有源配电网中各测量点的相电压,并分别将各测量的相电压分解为基波和多个次数的电压谐波;
所述状态判断模块,用于将多个测量点的多个电压谐波输入预先训练的运行状态分类器,判断所述有源配电网是否发生故障;
所述故障分类模块,用于发生故障时,将多个测量点的各相间电压差及零序电压输入预先训练的故障分类器,得到故障类型;
所述故障定位模块,用于发生故障时,将多个测量点的多个电压谐波输入预先训练的位置分类器,得到故障发生的疑似位置。
与最接近的现有技术相比,本发明具有的有益效果如下:
本发明提供了一种有源配电网故障确定方法和***,包括:采集有源配电网中各测量点的相电压,并分别将各测量的相电压分解为基波和多个次数的电压谐波;将多个测量点的多个电压谐波输入预先训练的运行状态分类器,判断有源配电网是否发生故障;若发生故障,将多个测量点的各相间电压差及零序电压输入预先训练的故障分类器,得到故障类型,并将多个测量点的多个电压谐波输入预先训练的位置分类器,得到故障发生的疑似位置;否则结束。本发明提供的有源配电网故障确定方法和***能够有效确定有源配电网的故障,不需要加装电压互感器或传感器,不增加计算工作量,也能实现较高的故障检测灵敏度。
判别有源配电网运行状态时,将测量点和电压谐波分量都作为待选择量,根据基于距离的可分性判据,挑选出与运行状态相关性最强的M1维特征,用该最优M1维特征量组成的样本训练出一个SVM分类器模型,再将测试数据输入至该模型中,根据测试数据与支持向量的相关性对测试数据进行分类,综合考虑经济性和准确率两方面因素判断是否需要更新特征维数,以获得更优异的SVM模型,直到得到满足条件的最优特征量和SVM模型及分类准确率。
对故障类型进行判别时,相电压之差和零序电压共同组成4维特征,将测量点作为待选择量,同样按照基于距离的可分性判据选取最优测量点,训练出多分类SVM模型。根据测试数据与支持向量的相关性对测试数据进行分类,从而完成故障类型判别。
对***进行故障区域定位时,其最优M2维特征量的选择过程与运行状态判别相似,同样基于数据相关性测试SVM分类模型,利用实时数据和历史数据的相关关系对实时数据进行分类,最终实现疑似故障区域定位。
附图说明
图1为本发明提供的一种有源配电网故障确定方法流程示意图;
图2为一个有源配电网***示例的示意图;
图3为图2示出的有源配电网故障与非故障状态各频率分量电压幅值示意图;
图4为图2示出的有源配电网不同故障类型下某一测量点的相电压差值及零序电压值;
图5为图2示出的有源配电网不同位置故障时某已测量点的各频率分量电压幅值;
图6为本发明涉及的数据映射原理示意图;
图7为本发明涉及的基于1-a-1法的多分类SVM分类原理;
图8为本发明提供的故障判别及故障定位流程图;
图9为本发明涉及的IEEE 33节点有源配电网PSCAD模型示意图;
图10为本发明实施例中故障判别2维样本SVM分类可视化图形;
图11为本发明提供的一种有源配电网故障确定***基本结构示意图;
图12为本发明提供的一种有源配电网故障确定***详细结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
本发明的目的在于针对在有源配电网发生故障时:
1、基于保护和断路器信息进行故障诊断的传统方法不再适用的问题;
以及大量自动化设备上传数据种类和数量繁多,2、无法有效辨别并提取有用的数据用来故障诊断的问题。
基于数据驱动的人工智能技术思想,提出一种以测量电压为特征量,利用SVM分类模型实现有源配电网故障判别及故障定位的方法。
实施例1:
本发明提供的一种有源配电网故障确定方法流程示意图如图1所示,包括:
步骤1:采集有源配电网中各测量点的相电压,并分别将各测量的相电压分解为基波和多个次数的电压谐波;
步骤2:将多个测量点的多个电压谐波输入预先训练的运行状态分类器,判断有源配电网是否发生故障;
步骤3若发生故障,将多个测量点的各相间电压差及零序电压输入预先训练的故障分类器,得到故障类型,并将多个测量点的多个电压谐波输入预先训练的位置分类器,得到故障发生的疑似位置;否则结束。
本发明的目的通过以下技术方案实现:
(1)测量电压各频率分量大小与***运行状态以及与故障发生位置之间,相电压之差与故障类型之间均具有一定的相关性关系。图2所示的简化有源配电网***图为例进行说明,其中Vs表示***测电源,DG表示分布式电源,数字表示配电线路上各测量点序号,f1,f2,f3表示线路上发生故障的位置。位置f1发生故障时与***正常运行时,测量点在两种状态下提取到的低频电压分量有很大区别,因此可利用这种不同来判断***运行状态。位置f1发生不同类型的故障时,测量点在不同故障类型下提取到的各相间电压差及零序电压有很大区别,因此可利用这种差别来判断故障类型。位置f1、f2、f3分别发生同种类型的故障时,反映到测量点的故障相低频电压分量大小也不同,因此基于运行状态和故障类型的判断,可利用故障相电压低频分量来进行故障定位。图3示出了图2所示的有源配电网故障与非故障状态各频率分量电压幅值,图4示出了图2所示的有源配电网不同故障类型下某一测量点的相电压差值及零序电压值,图5示出了图2所示的有源配电网不同位置故障时某已测量点的各频率分量电压幅值。
(2)运行状态判别、故障类型判别、故障定位的数据预处理和数据预处理后的最优M维特征选择。
(3)基于二分类SVM的运行状态判别。由(2)中最优M维特征组成的新的样本集为X={X1,X2,...,XN},包含故障类和非故障类样本,故障类和非故障类样本共同构成状态样本。每一个样本Xi对应一个样本标签,Yi∈{-1,1},1表示故障类,-1表示非故障类,i=1,2,...,N,N样本数目。所有样本标签组成标签集Y。样本集X和标签集Y共同组成训练样本集φ。将实时数据输入到经过样本训练获得的SVM分类器。
(4)基于多分类SVM的故障类型判别。多分类SVM是基于二分类SVM,通过将任意两类样本集分别设为正、负样本来训练一个二分类SVM模型,故障类型数为w时,需训练个SVM二分类模型。每个二分类SVM训练过程都如(3)中所述。依次查看每一个模型的分类结果及其对应的故障类型,统计频数最大的故障类型即为最终分类结果。
(5)基于多分类SVM的故障定位。由(2)中确定的最优M维特征为r标记谐波次数,s标记测量点,样本集和标签集共同组成训练样本集φ。以任意两个样本集分别设为正、负样本来训练一个SVM,共需训练个SVM二分类模型,d为有源配电网的区段的个数,每个二分类SVM训练过程都如(3)中所述。依次查看每一个模型的分类结果及其对应的故障区段,统计频数最大的故障区段即为初步判定的故障区段。由于线路出口处故障时,可能导致定位到相邻线路,因此将分类结果确定的故障区段分别向该线路首末两端方向各延伸一段线路,这几段线路共同组成疑似故障区域。
实施例2:
下面结合附图对本发明的具体实例方式进行具体说明。本发明包括以下关键步骤:
步骤11:针对待研究的有源配电网进行PSCAD建模,进行原始数据的采集。采集的数据包括各测量点的相电压。建立的PSCAD模型如图9所示,该IEEE 33节点有源配电网PSCAD模型有32个节点和两个分布式电源,共34个测量点。
步骤12:对判别运行状态的数据处理。
提取各个测量点多组故障后和多组正常运行状态下的一个周期内的相电压,对每种状态下的数据通过傅里叶分析得到各个测量点相电压基波和2-7次谐波分量,组成原始特征矩阵A1,设有源配电网共有n个测量点,则A1可表示为:
步骤13:判别运行状态的最优M1维特征选择
即要从A1中挑选出最优M1维特征,将测量点序号和电压谐波次数都作为待选择量。
13-a.挑选M1维特征组成新的样本集
13-b.基于距离的可分性判据
对式(3)中的样本集计算类样本均值μi和总体样本均值μ:
令
其中,Sw为类内离散度,Sb为类间离散度,k为种类数目。令
J1=tr(Sw -1Sb) (7)
以式(7)为判据,计算离散程度值J1的值,J1越大,则该M1维特征越适用于分类。根据式(7)定义的特征评判准则,建立如下决策:
其中,ξM1为从原始特征中挑选出来的所有可能的M1维特征。
13-c.最优M1维特征选择
对由13-a中按照每一种取法得到的M1维特征组成的样本集λ1和λ2,分别计算一次J1的大小,选取使得J1最大的M1维特征量作为最优M1维特征量。
步骤14:故障类型判别的数据预处理和特征选择。
判别故障类型时也需要先对原始数据进行处理和特征选择,数据处理和特征选择过程与步骤12类似,不同之处为:
14-a.在发生不同类型故障后,提取一个周期内各个测量点的三相电压,通过傅里叶分析得到其A、B、C三相基波电压幅值,利用对称分量法得到零序基波电压幅值,从而计算各个测量点的各相基波电压幅值之差(即Ua-Ub、Ub-Uc、Uc-Ua),并与其零序基波电压幅值共同作为原始特征空间中的特征。即判断故障类型时的原始特征矩阵A2为:
14-c.特征量维数已固定为4维,待选择量为测量点,取出矩阵A2中的任一行得到4维特征,由该4维特征组成新的样本集,通过计算式(4)-(8),选择最优测量点,选取使得J1最大的4维特征量作为最优4维特征。
步骤15:故障定位的数据预处理和最优M2维特征量选择。
故障定位的数据处理和特征选择过程与步骤12和步骤13类似,不同之处为:样本集个数与有源配电网中线路区段数d相同。
15-a.在有源配电网不同位置发生故障时,对每种故障状态下的数据通过傅里叶分析得到各个测量点相电压基波和2-7次谐波分量,组成故障定位所需要的原始特征矩阵A3,则A3可表示为:
15-c.对由15-a中按照每一种取法得到的M2维特征组成的样本集,分别计算一次J1的大小,根据式(4)-(8)选取使得J1最大的M2维特征量作为最优M2维特征。
步骤16:基于二分类SVM的运行状态判别。
设由最优M(M=M1、4或M2)维特征组成的新的样本集为X={X1,X2,...,XN},包含故障类和非故障类样本。每一个样本Xi对应一个样本标签,Yi∈{-1,1},1表示故障类,-1表示非故障类,i=1,2,...,N。所有样本标签组成标签集Y。样本集X和标签集Y共同组成训练样本集φ。
根据各个样本点和其对应的标签,寻找最优超平面使得正负样本分别位于超平面两侧。该问题最终归结为一个二次规划问题:
s.t YTα=0,0≤αi≤C (16)
其中ω0是超平面的法向量,b0是超平面的常数项。寻找最优的分类超平面,即寻找最优的ω0和b0,使得分类间隔最大。
将实时数据输入到经过样本训练获得的SVM分类器中,根据式(22)判断类别。
其中,X(t)为测试样本。
步骤17:多分类SVM是基于二分类SVM,通过将任意两类样本集分别设为正、负样本来训练一个二分类SVM模型,故障类型数为w时,需训练个SVM二分类模型。每个二分类SVM训练过程都如步骤16中所述。需要注意的是,每个二分类SVM模型选择的测量点是不同的,训练各二分类SVM模型时,需要通过计算式(4)-(8),选择最优测量点。
将测试样本分别输入至训练得到的每个二分类SVM模型中,每个二分类SVM模型输入的具体测量点的数据对应训练该二分类SVM模型选择的测量点,或者均输入分类准确率最高的测量点,根据式(20)分类,得到每一个二分类SVM模型的分类结果。然后进行统计:依次查看每一个模型的分类结果及其对应的故障类型,统计频数最大的故障类型即为最终分类结果,判别过程如图7。
步骤18:基于多分类SVM的故障定位。
样本集和标签集共同组成训练样本集φ。以任意两个样本集分别设为正、负样本来训练SVM,共需训练个SVM二分类模型,每个二分类SVM训练过程都如步骤16中所述。需要注意的是,每个二分类SVM模型选择的测量点和谐波次数是不同的,训练各二分类SVM模型时,需要通过计算式(4)-(8),选择最优测量点和谐波次数。
将测试样本分别输入至训练得到的每个二分类SVM模型中,每个二分类SVM模型输入的具体测量点和谐波次数的数据对应训练该二分类SVM模型选择的测量点和谐波次数,或者均输入定位准确率最高的测量点和谐波次数,根据式(20)分类,得到每一个二分类SVM模型的分类结果。然后进行统计:依次查看每一个模型的分类结果及其对应的故障区段,统计频数最大的故障区段即为初步判定的故障区段。
由于线路出口处故障时,可能导致定位到相邻线路,因此将分类结果确定的故障区段分别向该线路首末两端方向各延伸一段线路,这几段线路共同组成疑似故障区域。
步骤19:针对步骤16(或步骤18)中的测试结果,综合考虑经济性和分类准确率两方面因素以此确定M(M=M1或M2)的值,进而确定最优特征和最优SVM分类器模型及分类准确率,最终实现运行状态判别及故障定位。过程如图8所示,包括:
a-①令M=2;
a-②按照步骤12和步骤13(或步骤15)中的方法选择最优M维特征;
a-③按照步骤16(或步骤18)中的方法训练SVM分类器模型,并测试分类结果准确率;
19-a.若分类准确率AM<95%或AM-1<95%,则令M=M+1,返回步骤a-②。其中AM(AM-1)表示由最优M(M-1)维特征组成的样本训练出的SVM模型的分类结果准确率;需要注意的是,当M为初值2时,因为不存在AM-1,因此不进行准确率判断,直接则令M=M+1,返回步骤a-②;
19b.若AM-AM-1≥2%,则令M=M+1,返回步骤a-②;
19c.确定最优特征为M-1维,其SVM模型和分类结果准确率为最终结果。
实施例3
下面给出一个具体的算例。
基于PSCAD/EMTDC软件搭建如图9所示的IEEE 33节点有源配电网模型。每一段线路首端及DG接入点处均设置测量点,测量点序号设置为与线路末端节点序号相同,DG1和DG2接入点处的测量点序号分别为33、34,因此共有34个测量点,测量三相电压,两个DG为并网逆变型直驱风电机组。
步骤21:数据采集和预处理
在有源配电网PSCAD模型的32段线路50%处分别仿真5种故障类型,即AB、AC、AB-G、AC-G、ABC,提取故障后一周波内各个测量点的三相电压,通过傅里叶分析得到160种故障状态下,34个测量点的A相基频和2-7次谐波电压幅值,若不同类的样本数量差别较大,可能导致训练出的模型产生较大的误差,因此正常运行状态下同样仿真160组数据。
21-1:故障类型判别
将得到的160组故障数据利用傅里叶分析和对称分量法,得到每种运行状态下34个测量点的三相基波电压幅值和零序基波电压幅值,计算基频相电压之差Ua-Ub、Ub-Uc、Uc-Ua,并与零序基波电压共同组成各个测量点的4维特征量。
21-2:故障定位
以AB两相短路故障为例,分别在有源配电网PSCAD模型的每一段线路40%-60%区段内每隔1%线路长度仿真AB两相短路故障,提取故障后一周波内的各个测量点的A相电压,通过傅里叶分析,得到每种运行状态下34个测量点的A相基频和2-7次谐波电压幅值,作为训练样本集原始数据,再在每一段线路上每隔10%分别仿真AB两相短路故障,进行同样的数据处理,作为测试样本集原始数据。
步骤22:特征选择及SVM分类
22-1:运行状态判别
由步骤12和步骤13编写MATLAB程序计算得到测点2的A相7次谐波电压幅值和测点3的A相7次谐波电压幅值组成最优2维测量点,将由该2维特征量组成的样本集输入至SVM分类器中训练出运行状态判别的SVM模型,如图10所示。从该图中可以看出,故障类和非故障类数据分别位于超平面两侧,分类准确率为100%,因此不再进行最优3维特征量的选择及测试。
22-2:判别故障类型
由步骤14编写程序计算得到测点6的4维特征量分类效果较好,因此将由该4维特征量组成的样本集输入至SVM分类器中得到故障类型判别SVM模型,将训练样本同时作为测试样本,输入至SVM模型中,测试得到分类结果准确率为100%,4维样本的多分类SVM可视化曲线不再给出。
22-3:故障定位
工况一:DG1、DG2均并网
以两个DG均并网条件下的仿真数据为基础,进行特征量的选择,并建立SVM分类模型,测试分类结果准确率。
以AB两相短路故障为例,由于模型含有32段线路,需要将样本分为32类,每一类样本集中包含21个训练样本。
特征为2维:
由步骤15中的内容,编写MATLAB程序计算得到测点4的A相基波电压幅值、测点15的A相基波电压幅值组成最优2维特征量。各类别2维样本点分别聚集于不同区域。为了得到较好的分类效果,将由该2维特征量组成的训练样本集输入至SVM分类器中得到故障判别SVM模型。
b-①将训练样本作为测试样本输入至SVM中分类得到故障区段,将该故障区段分别向上下游各延伸一段线路得到疑似故障区域,疑似故障区域定位准确率为100%。
b-②将测试样本输入至SVM模型中,得到疑似故障区域定位准确率为95%。
特征为3维:
由步骤15中的内容,编写MATLAB程序计算得到测点3的A相基波电压幅值、测点5的A相基波电压幅值、测点15的A相基波电压幅值组成最优3维特征量。为了得到较好的分类效果,将由该3维特征量组成的训练样本集输入至SVM分类器中得到故障判别SVM模型。
c-①将训练样本作为测试样本输入至SVM中得到疑似故障区域定位准确率为100%。
c-②将测试样本输入至SVM中分类得到疑似故障区域定位准确率为95%。
因此,确定最优特征量为2维特征量。
工况二:DG1并网、DG2离网
d-①在DG1并网、DG2离网条件下,在每一段线路区段内每隔1%线路长度处仿真AB两相短路故障,同样提取测点4的A相基波电压幅值、测点15的A相基波电压幅值组成2维特征量,得到样本集,将该样本输入至DG1、DG2均并网条件下得到的SVM中分类器中,得到疑似故障区域定位准确率为100%。
d-②在每一段线路0%、10%、20%、30%、70%、80%、90%、100%处故障时,提取测点4的A相基波电压幅值、测点15的A相基波电压幅值组成2维特征量,得到样本集,输入至SVM分类器中得到疑似故障区域,疑似故障区域定位准确率为100%。
工况三:DG1离网、DG2并网
e-①在DG1离网、DG2并网条件下,在每一段线路40%-60%区段内每隔1%线路长度处仿真AB两相短路故障,同样提取测点4的A相基波电压幅值、测点15的A相基波电压幅值组成2维特征量,得到样本集,将该样本输入至DG1、DG2均并网条件下得到的SVM中分类器中,得到疑似故障区域定位准确率为100%。
e-②在每一段线路不同位置处故障时,提取测点4的A相基波电压幅值、测点15的A相基波电压幅值组成2维特征量,得到样本集,输入至SVM分类器中得到疑似故障区域,疑似故障区域定位准确率为96%。
综上,由该2维特征量组成的训练样本训练得到的SVM分类模型在不同DG投入或退出时具有通用性,且分类结果较为准确
基于IEEE33节点的有源配电网模型仿真结果表明,该方法基于2个测点电压数据就能够实现有源配电网的准确故障判别及故障定位,分类准确率达到95%以上,因而能够实现有源配电网的准确故障判别及故障定位。
实施例4:
基于同一发明构思,本发明还提供了一种有源配电网故障确定***,由于这些设备解决技术问题的原理与有源配电网故障确定方法相似,重复之处不再赘述。
该***基本结构如图11所示,包括:数据采集模块、状态判断模块、故障分类模块和故障定位模块;
数据采集模块,用于采集有源配电网中各测量点的相电压,并分别将各测量的相电压分解为基波和多个次数的电压谐波;
状态判断模块,用于将多个测量点的多个电压谐波输入预先训练的运行状态分类器,判断有源配电网是否发生故障;
故障分类模块,用于发生故障时,将多个测量点的各相间电压差及零序电压输入预先训练的故障分类器,得到故障类型;
故障定位模块,用于发生故障时,将多个测量点的多个电压谐波输入预先训练的位置分类器,得到故障发生的疑似位置。
有源配电网故障确定***详细结构如图12所示。
该***还包括用于训练运行状态分类器的运行状态分类器训练模块;
运行状态分类器训练模块包括:第一历史数据获取子模块、第一训练样本子模块和运行状态分类器训练子模块;
第一历史数据获取子模块,用于获取历史时刻有源配电网中多个发生故障时各测量点的相电压谐波,以及正常状态时各测量点的相电压谐波;
第一训练样本子模块,用于分别以发生故障时以及正常状态时各测量点的相电压谐波作为状态样本,构建状态样本集,以对应状态样本的是否发生故障为状态标签构建状态标签集;
运行状态分类器训练子模块,用于采用状态样本集和状态标签集对二分类SVM模型进行训练,得到状态分类器。
其中,运行状态分类器训练子模块包括:M1初值单元、最优M1维样本单元、第一SVM训练单元、第一初值判断单元、第一准确率单元和第一准确率差值单元;
M1初值单元,用于获取最优特征维度数M1的初值;
最优M1维样本单元,用于以离散程度值最大为目标并基于当前的最优特征维度数M1,从所有状态样本中选择测量点和谐波次数作为最优M1维状态样本子集;
第一SVM训练单元,用于基于最优M1维状态样本子集和对应的状态标签集对二分类SVM模型进行训练;
第一初值判断单元,用于判断M1是否为初值:若是,则将M1取值加1并调用最优M1维样本单元,否则调用第一准确率单元;
第一准确率单元,用于判断采用当前最优M1维状态样本子集训练的二分类SVM模型分类的准确率是否小于预设准确率阈值,并且判断采用上一个最优M1维状态样本子集训练的二分类SVM模型分类的准确率是否小于准确率阈值:若任一项为是,则M1取值加1并调用最优M1维样本单元,否则调用第一准确率差值单元;
第一准确率差值单元,用于判断采用当前最优M1维状态样本子集和上一个最优M1维状态样本子集训练的二分类SVM模型分类的准确率间的差值是否小于预设差值:若是,则以上一个最优M1维状态样本子集训练的二分类SVM模型作为最终得到的状态分类器并结束,否则M1取值加1并调用最优M1维样本单元。
其中,最优M1维样本单元包括:状态特征提取子单元、状态均值子单元、状态类间类内离散度子单元、状态离散程度值子单元和最优M1维样本子单元;
状态特征提取子单元,用于针对每个状态样本中包含的各测量点和谐波次数,根据测量点和谐波次数的不同取M1个不同元素作为该样本的M1维特征,每个元素对应一个测量点的一个谐波次数的电压值,共种取法;其中,为组合数,n为测量点个数,z为谐波次数的个数;
状态均值子单元,用于针对每种取法选择元素后的状态样本,分别计算发生故障时的各状态样本的均值、正常状态时各状态样本的均值和所有状态样本的均值;
状态类间类内离散度子单元,用于根据发生故障时的各样本的均值、正常状态时各样本的均值和所有样本的均值,计算类内离散度和类间离散度;
状态离散程度值子单元,用于根据类内离散度和类间离散度,分别计算各种取法的离散程度值;
最优M1维样本子单元,用于根据离散程度值最大的取法,从所有状态样本中选择测量点和谐波次数作为最优M1维状态样本子集。
有源配电网故障确定***还包括用于训练故障分类器的故障分类器训练模块;故障分类器训练模块包括:第二历史数据获取子模块、第二训练样本子模块和故障分类器训练子模块;
第二历史数据获取子模块,用于针对每种故障,获取历史时刻有源配电网中多个发生对应种类的故障时各测量点的各相间电压差及零序电压;
第二训练样本子模块,用于以发生各类型的故障时各测量点的各相间电压差及零序电压作为故障类型样本,构建故障类型样本集,以对应故障类型类样本的故障类型为故障类型标签构建故障类型标签集;
其中,故障分类器训练子模块包括:最优4维样本单元和故障分类SVM单元;
最优4维样本单元,用于以离散程度值最大为目标,从两类故障类型样本集中的所有故障类型样本中选择一个测量点的各相间电压差及零序电压作为最优4维故障类型样本子集;
故障分类SVM单元,用于将两类故障类型分别设为正、负样本并采用对应的最优4维特征故障类型样本子集对二分类SVM模型进行训练,得到对两类故障类型进行分类的二分类SVM模型。
其中,最优4维样本单元,包括:故障类型特征提取子单元、故障类型均值子单元、故障类间类内离散度子单元、故障类型离散程度值子单元和最优4维样本子单元;
故障类型特征提取子单元,用于针对每个故障类型样本中包含的各测量点和测量点各相间电压差及零序电压,根据测量点不同取同一测量点的各相间电压差及零序电压作为该样本的4维特征;
故障类型均值子单元,用于针对每种取法选择测量点后的故障类型样本,分别计算两种故障类型时各故障类型样本的均值和所有两种故障类型的故障类型样本的均值;
故障类间类内离散度子单元,用于根据两种故障类型时各故障类型样本的均值和所有两种故障类型的故障类型样本的均值,计算计算类内离散度和类间离散度;
故障类型离散程度值子单元,用于根据类内离散度和类间离散度,分别计算各种取法的离散程度值;
最优4维样本子单元,用于根据离散程度值最大的取法,从两种故障类型样本中所有故障类型样本中选择对应测量点的各相间电压差及零序电压作为最优4维故障类型样本子集。
其中,故障分类模块包括:故障分类数据输入子模块、故障分类SVM输入子模块和故障类型确定子模块;
故障分类数据输入子模块,用于将多个测量点的各相间电压差及零序电压输入预先训练的故障分类器;
故障类型确定子模块,用于统计每一个二分类SVM模型识别出的故障类型,计数最大的故障类型即为最终故障类型。
有源配电网故障确定***还包括用于训练位置分类器的位置分类器训练模块;位置分类器训练模块包括:第三历史数据获取子模块、第三训练样本子模块和位置分类器训练子模块;
第三历史数据获取子模块,用于针对有源配电网的各区段,获取历史时刻有源配电网中多个对应区段发生故障时各测量点的相电压谐波;
第三训练样本子模块,用于以各区段发生故障时各测量点的相电压谐波作为位置样本,构建位置样本集,以对应位置样本的区段为位置标签构建位置标签集;
位置分类器训练子模块,用于通过将任两个区段对应的位置样本集分别设为正、负样本并结合对应的位置标签集分别训练二分类SVM模型,得到由个二分类SVM模型构成的位置分类器,其中,为组合数,d为有源配电网的区段的个数。
其中,位置分类器训练子模块包括:M2初值单元、最优M2维样本单元、第二SVM训练单元、第二初值判断单元、第二准确率单元和第二准确率差值单元;
M2初值单元,用于获取最优特征维度数M2的初值;
最优M2维样本单元,用于以离散程度值最大为目标并基于当前的最优特征维度数M2,从所有两个区段的位置样本中选择测量点和谐波次数作为最优M2维位置样本子集;
第二SVM训练单元,用于基于最优M2维状态位置样本子集和对应的位置标签集对二分类SVM模型进行训练;
第二初值判断单元,用于判断M2是否为初值:若是,则将M1取值加1并转入步骤B2,否则进行下一步;
第二准确率单元,用于判断采用当前最优M2维位置样本子集训练的二分类SVM模型分类的准确率是否小于预设准确率阈值,并且判断采用上一个最优M2维位置样本子集训练的二分类SVM模型分类的准确率是否小于准确率阈值:若任一项为是,则M2取值加1并转入步骤B2调用最优M2维样本单元,否则调用第二准确率差值单元;
第二准确率差值单元,用于判断采用当前最优M2维位置样本子集和上一个最优M2维位置样本子集训练的二分类SVM模型分类的准确率间的差值是否小于预设差值:若是,则以上一个最优M2维状态样本子集训练的二分类SVM模型作为最终得到对应的两个区段的二分类SVM模型并结束,否则M2取值加1并调用最优M2维样本单元。
其中,最优M2维样本单元包括:区段特征提取子单元、区段均值子单元、区段类间类内离散度子单元、区段离散程度值子单元和最优M2维样本子单元;
区段特征提取子单元,用于针对每个位置样本中包含的各测量点和谐波次数,根据测量点和谐波次数的不同取M2个不同元素作为该样本的M2维特征,每个元素对应一个测量点的一个谐波次数的电压值,共种取法;其中,为组合数,n为测量点个数,z为谐波次数的个数;
区段均值子单元,用于针对每种取法选择元素后的位置样本,分别计算两个区段发生故障时的各位置样本的均值和所有两个区段发生故障时的位置样本的均值;
区段类间类内离散度子单元,用于根据两个区段发生故障时各位置样本的均值和两个区段发生故障时的位置样本的均值,计算计算类内离散度和类间离散度;
区段离散程度值子单元,用于根据类内离散度和类间离散度,分别计算各种取法的离散程度值;
最优M2维样本子单元,用于根据离散程度值最大的取法,从两个区段发生故障时的所有位置样本中选择测量点和谐波次数作为最优M2维位置样本子集。
其中,故障定位模块包括:故障定位数据输入子模块、故障定位SVM输入子模块、初步定位子模块和故障定位子模块;
故障定位数据输入子模块,用于将多个测量点的多个电压谐波输入预先训练的位置分类器;
初步定位子模块,用于统计每一个二分类SVM模型识别出的区段,计数最大的区段为初步判定的故障区段;
故障定位子模块,用于将初步判定的故障区段向首末两端方向各延伸一个区段,共同构成故障发生的疑似位置。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM1、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (14)
1.一种有源配电网故障确定方法,其特征在于,包括:
采集有源配电网中各测量点的相电压,并分别将各测量的相电压分解为基波和多个次数的电压谐波;
将多个测量点的多个电压谐波输入预先训练的运行状态分类器,判断所述有源配电网是否发生故障;
若发生故障,将多个测量点的各相间电压差及零序电压输入预先训练的故障分类器,得到故障类型,并将多个测量点的多个电压谐波输入预先训练的位置分类器,得到故障发生的疑似位置;否则结束。
2.如权利要求1所述的方法,其特征在于,所述运行状态分类器的训练包括:
获取历史时刻有源配电网中多个发生故障时各测量点的相电压谐波,以及正常状态时各测量点的相电压谐波;
分别以发生故障时以及正常状态时各测量点的相电压谐波作为状态样本,构建状态样本集,以对应状态样本的是否发生故障为状态标签构建状态标签集;
采用所述状态样本集和状态标签集对二分类SVM模型进行训练,得到状态分类器。
3.如权利要求2所述的方法,其特征在于,所述采用所述状态样本集和状态标签集对二分类SVM模型进行训练,得到状态分类器,包括:
步骤A1:获取最优特征维度数M1的初值;
步骤A2:以离散程度值最大为目标并基于当前的最优特征维度数M1,从所有所述状态样本中选择测量点和谐波次数作为最优M1维状态样本子集;
步骤A3:基于所述最优M1维状态样本子集和对应的状态标签集对二分类SVM模型进行训练;
步骤A4:判断M1是否为初值:若是,则将M1取值加1并转入步骤A2,否则进行下一步;
步骤A5:判断采用当前最优M1维状态样本子集训练的二分类SVM模型分类的准确率是否小于预设准确率阈值,并且判断采用上一个最优M1维状态样本子集训练的二分类SVM模型分类的准确率是否小于所述准确率阈值:若任一项为是,则M1取值加1并转入步骤A2,否则进行下一步;
步骤A6:判断采用当前最优M1维状态样本子集和上一个最优M1维状态样本子集训练的二分类SVM模型分类的准确率间的差值是否小于预设差值:若是,则以上一个最优M1维状态样本子集训练的二分类SVM模型作为最终得到的状态分类器并结束,否则M1取值加1并转入步骤A2。
4.如权利要求3所述的方法,其特征在于,所述以离散程度值最大为目标原则并基于当前的最优特征维度数M1,从所有所述状态样本中选择测量点和谐波次数作为最优M1维状态样本子集,包括:
针对每个状态样本中包含的各测量点和谐波次数,根据测量点和谐波次数的不同取M1个不同元素作为该样本的M1维特征,每个元素对应一个测量点的一个谐波次数的电压值,共种取法;其中,为组合数,n为测量点个数,z为谐波次数的个数;
针对每种取法选择元素后的状态样本,分别计算发生故障时的各状态样本的均值、正常状态时各状态样本的均值和所有状态样本的均值;
根据发生故障时的各样本的均值、正常状态时各样本的均值和所有样本的均值,计算类内离散度和类间离散度;
根据所述类内离散度和类间离散度,分别计算各种取法的离散程度值;
根据离散程度值最大的取法,从所有所述状态样本中选择测量点和谐波次数作为最优M1维状态样本子集。
7.如权利要求6所述的方法,其特征在于,通过将两类故障类型样本集分别设为正、负样本并结合对应的故障类型标签集训练二分类SVM模型,包括:
以离散程度值最大为目标,从两类故障类型样本集中的所有所述故障类型样本中选择一个测量点的各相间电压差及零序电压作为最优4维故障类型样本子集;
将两类故障类型分别设为正、负样本并采用对应的最优4维特征故障类型样本子集对二分类SVM模型进行训练,得到对两类故障类型进行分类的二分类SVM模型。
8.如权利要求7所述的方法,其特征在于,所述以离散程度值最大为目标,从两类故障类型样本集中的所有所述故障类型样本中选择一个测量点的各相间电压差及零序电压作为最优4维故障类型样本子集,包括:
针对每个故障类型样本中包含的各测量点和测量点各相间电压差及零序电压,根据测量点不同取同一测量点的各相间电压差及零序电压作为该样本的4维特征;
针对每种取法选择测量点后的故障类型样本,分别计算两种故障类型时各故障类型样本的均值和所有两种故障类型的故障类型样本的均值;
根据两种故障类型时各故障类型样本的均值和所有两种故障类型的故障类型样本的均值,计算计算类内离散度和类间离散度;
根据所述类内离散度和类间离散度,分别计算各种取法的离散程度值;
根据离散程度值最大的取法,从两种故障类型样本中所有所述故障类型样本中选择对应测量点的各相间电压差及零序电压作为最优4维故障类型样本子集。
11.如权利要求10所述的方法,其特征在于,通过将两个区段对应的位置样本集分别设为正、负样本并结合对应的位置标签集训练二分类SVM模型,包括:
步骤B1:获取最优特征维度数M2的初值;
步骤B2:以离散程度值最大为目标并基于当前的最优特征维度数M2,从所有两个区段的所述位置样本中选择测量点和谐波次数作为最优M2维位置样本子集;
步骤B3:基于所述最优M2维状态位置样本子集和对应的位置标签集对二分类SVM模型进行训练;
步骤B4:判断M2是否为初值:若是,则将M1取值加1并转入步骤B2,否则进行下一步;
步骤B5:判断采用当前最优M2维位置样本子集训练的二分类SVM模型分类的准确率是否小于预设准确率阈值,并且判断采用上一个最优M2维位置样本子集训练的二分类SVM模型分类的准确率是否小于所述准确率阈值:若任一项为是,则M2取值加1并转入步骤B2,否则进行下一步;
步骤B6:判断采用当前最优M2维位置样本子集和上一个最优M2维位置样本子集训练的二分类SVM模型分类的准确率间的差值是否小于预设差值:若是,则以上一个最优M2维状态样本子集训练的二分类SVM模型作为最终得到对应的两个区段的二分类SVM模型并结束,否则M2取值加1并转入步骤B2。
12.如权利要求11所述的方法,其特征在于,所述以离散程度值最大为目标并基于当前的最优特征维度数M2,从所有两个区段的所述位置样本中选择测量点和谐波次数作为最优M2维位置样本子集,包括:
针对每个位置样本中包含的各测量点和谐波次数,根据测量点和谐波次数的不同取M2个不同元素作为该样本的M2维特征,每个元素对应一个测量点的一个谐波次数的电压值,共种取法;其中,为组合数,n为测量点个数,z为谐波次数的个数;
针对每种取法选择元素后的位置样本,分别计算两个区段发生故障时的各位置样本的均值和所有两个区段发生故障时的位置样本的均值;
根据两个区段发生故障时各位置样本的均值和两个区段发生故障时的位置样本的均值,计算计算类内离散度和类间离散度;
根据所述类内离散度和类间离散度,分别计算各种取法的离散程度值;
根据离散程度值最大的取法,从两个区段发生故障时的所有所述位置样本中选择测量点和谐波次数作为最优M2维位置样本子集。
14.一种有源配电网故障确定***,其特征在于,包括:数据采集模块、状态判断模块、故障分类模块和故障定位模块;
所述数据采集模块,用于采集有源配电网中各测量点的相电压,并分别将各测量的相电压分解为基波和多个次数的电压谐波;
所述状态判断模块,用于将多个测量点的多个电压谐波输入预先训练的运行状态分类器,判断所述有源配电网是否发生故障;
所述故障分类模块,用于发生故障时,将多个测量点的各相间电压差及零序电压输入预先训练的故障分类器,得到故障类型;
所述故障定位模块,用于发生故障时,将多个测量点的多个电压谐波输入预先训练的位置分类器,得到故障发生的疑似位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750545.XA CN112285482A (zh) | 2020-07-30 | 2020-07-30 | 一种有源配电网故障确定方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750545.XA CN112285482A (zh) | 2020-07-30 | 2020-07-30 | 一种有源配电网故障确定方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112285482A true CN112285482A (zh) | 2021-01-29 |
Family
ID=74420655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010750545.XA Pending CN112285482A (zh) | 2020-07-30 | 2020-07-30 | 一种有源配电网故障确定方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112285482A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740667A (zh) * | 2021-08-30 | 2021-12-03 | 华北电力大学 | 一种融合自编码器和卷积神经网络的电网故障诊断方法 |
CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和*** |
-
2020
- 2020-07-30 CN CN202010750545.XA patent/CN112285482A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740667A (zh) * | 2021-08-30 | 2021-12-03 | 华北电力大学 | 一种融合自编码器和卷积神经网络的电网故障诊断方法 |
CN113740667B (zh) * | 2021-08-30 | 2022-06-14 | 华北电力大学 | 一种融合自编码器和卷积神经网络的电网故障诊断方法 |
CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和*** |
CN114021671B (zh) * | 2022-01-05 | 2022-04-05 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Transmission line fault detection and classification | |
Zhu et al. | Networked time series shapelet learning for power system transient stability assessment | |
CN112285482A (zh) | 一种有源配电网故障确定方法和*** | |
Zhang et al. | A weighted random forest approach to improve predictive performance for power system transient stability assessment | |
CN110705831A (zh) | 电力***故障后功角失稳模式预判模型构建方法及其应用 | |
Wadi | Fault detection in power grids based on improved supervised machine learning binary classification | |
CN110824297B (zh) | 一种基于svm支持向量机的单相接地故障判别方法和装置 | |
Grando et al. | Fault classification in power distribution systems using PMU data and machine learning | |
Maruf et al. | Locating faults in distribution systems in the presence of distributed generation using machine learning techniques | |
CN114021671B (zh) | 一种有源配电网在线故障处理方法和*** | |
Shahriyari et al. | A Deep Learning-Based Approach for Comprehensive Rotor Angle Stability Assessment | |
Bouchiba et al. | Application of Machine Learning algorithms for power systems fault detection | |
Shiddieqy et al. | Effect of sampling variation in accuracy for fault transmission line classification application based on convolutional neural network | |
CN106646106B (zh) | 基于变点探测技术的电网故障检测方法 | |
CN111965442A (zh) | 一种数字孪生环境下的能源互联网故障诊断方法及装置 | |
CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及*** | |
Hogan et al. | Towards effective clustering techniques for the analysis of electric power grids | |
Bouchiba et al. | Performance Comparison of Fuzzy Logic and Deep Learning algorithms for fault detection in electrical power transmission system | |
Li et al. | Artificial intelligence for real-time topology identification in power distribution systems | |
Dabou et al. | Supervised learning of overcomplete dictionaries for rapid response-based dynamic stability prediction | |
Li et al. | Faulty Feeders Identification for Single-phase-to-ground Fault Based on Multi-features and Machine Learning | |
Wei et al. | Fault location method for active distribution network based on SVM and feature search algorithm | |
Bais et al. | Faulty line localization in ieee 30 bus system using cnn-lstm | |
Jawad et al. | Fault detection and classification for voltage source converter-high voltage systems by using different swarm optimization algorithms-based neural network | |
Bashkari et al. | Distribution power system outage diagnosis based on root cause analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |