CN115963350A - 一种直流配电网故障定位方法及装置 - Google Patents
一种直流配电网故障定位方法及装置 Download PDFInfo
- Publication number
- CN115963350A CN115963350A CN202211389396.4A CN202211389396A CN115963350A CN 115963350 A CN115963350 A CN 115963350A CN 202211389396 A CN202211389396 A CN 202211389396A CN 115963350 A CN115963350 A CN 115963350A
- Authority
- CN
- China
- Prior art keywords
- current data
- mode current
- fault
- features
- random forest
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开的实施例提供了一种直流配电网故障定位方法及装置,其中,所述方法包括:获取线模电流数据;基于改进ReliefF算法对所述线模电流数据进行最优特征子集选择,得到最优特征子集,并生成特征对应的权重;根据所述最优特征子集和所述权重进行处理,得到加权随机森林算法的故障定位模型;采集当前的线模电流数据,将所述当前的线模电流数据输入到所述加权随机森林算法的故障定位模型中,输出当前故障位置,改进后的ReliefF模型对线模电流数据进行最优特征子集选择,降低输入故障定位模型中的特征维度并剔除冗余特征,从而减少算法的计算时间,提升模型精度。
Description
技术领域
本公开涉及故障定位领域,尤其涉及电路故障定位技术领域,具体涉及提供一种直流配电网故障定位方法及装置。
背景技术
直流配电***的拓扑结构包括辐射形、手拉手形和环形,环形直流***具有多个端口,拓扑结构及故障保护策略相对较为复杂,且光伏和风电新能源的接入增加了多样性。
单极接地故障过程最终进入电压恢复阶段,直流侧电压逐渐恢复正常,非故障极线路承担直流***短时单极运行,由于故障特性不明显,故障的精准定位难度增加。
在电路故障定位中,通用的做法是利用万用表、示波器设备对电路进行检测分析才能确定故障,存在故障定位不精准的问题。
发明内容
本公开提供了一种直流配电网故障定位方法及装置。
根据本公开的第一方面,提供了一种直流配电网故障定位方法及装置。该方法包括:
获取线模电流数据;
基于改进ReliefF算法对所述线模电流数据进行处理,得到最优特征子集,并生成特征对应的权重;
根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型;
采集当前的线模电流数据,将所述当前的线模电流数据输入到所述加权随机森林算法的故障定位模型中,输出当前故障位置。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,对所述线模电流数据进行标注,生成训练数据集。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述获取线模电流数据还包括对所述线模电流数据进行预处理;其中,
对所述线模电流数据进行第一预设数量的时域特征提取和第二预设数量的频域特征提取,生成多重特征参数表;
利用皮尔逊相关系数消除所述多重特征参数表中的冗余特征。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述利用皮尔逊相关系数消除所述多重特征参数表中的冗余特征,包括:
计算所述多重特征参数表中各特征两两之间的皮尔逊相关系数,并生成对应的p-value;
若所述p-value大于等于预设阈值,则所述p-value对应的两个特征之间无显著相关性;
若所述p-value小于所述预设阈值,则所述p-value对应的两个特征之间有显著相关性;
消除所述多重特征参数表中有显著相关性的冗余特征。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述基于改进ReliefF算法对所述线模电流数据进行处理,得到最优特征子集,并生成特征对应的权重,包括:
根据消除冗余特征后的多重特征参数表中的特征元素数量确定限定系数,将所述限定系数与所述特征元素数量的乘积作为抽样次数;
基于改进ReliefF算法,根据所述消除冗余特征后的多重特征参数表中的特征元素和所述抽样次数进行权重迭代;
将迭代后生成的特征对应的权重取平均值作为最终权重;
将所述最终权重排名靠前的特征向量构成最优特征子集。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型,包括:
将所述最优特征子集中的特征值与特征对应的所述权重相乘,得到相乘结果,所述相乘结果为所述加权随机森林算法的权重系数;
根据所述最优特征子集和所述加权随机森林算法的权重系数进行训练,得到加权随机森林算法的故障定位模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型,还包括:
利用循环语句查找所述加权随机森林算法的故障定位模型拟合优度最高的属性个数和决策树总棵数的值。
根据本公开的第二方面,提供了一种直流配电网故障定位装置。该装置包括:
获取模块,用于获取线模电流数据;
处理模块,用于基于改进ReliefF算法对所述线模电流数据进行处理,得到最优特征子集,并生成特征对应的权重;
训练模块,用于根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型;
输出模块,用于采集当前的线模电流数据,将所述当前的线模电流数据输入到所述加权随机森林算法的故障定位模型中,输出当前故障位置。
根据本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面和/或第二发面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案,不构成对本公开的限定在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本公开的实施例的一种直流配电网故障定位方法的流程图;
图2示出了根据本公开的实施例的一种直流配电网故障定位装置的框图;
图3示出了根据本公开的实施例的另一种直流配电网故障定位方法的流程图;
图4示出了根据本公开的实施例的六端直流配电***拓扑图;
图5示出了根据本公开的实施例的VSC直流侧线路发生单极接地故障时的等效电路图;
图6示出了根据本公开的实施例的改进ReliefF算法选择最优特征子集方法的流程图;
图7示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本公开中,针对ReliefF算法应用中的不足,引入限定系数,并结合Pearson相关系数法,达到自动筛选最优特征子集的目的。
图1示出了根据本公开的实施例的一种直流配电网故障定位方法100的流程图。
如图1所示,所述直流配电网故障定位方法包括:
S101:获取线模电流数据;
S102:基于改进ReliefF算法对所述线模电流数据进行处理,得到最优特征子集,并生成特征对应的权重;
S103:根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型;
S104:采集当前的线模电流数据,将所述当前的线模电流数据输入到所述加权随机森林算法的故障定位模型中,输出当前故障位置。
在一些实施例中,对所述线模电流数据进行标注,生成训练数据集。
在一些实施例中,所述获取线模电流数据还包括对所述线模电流数据进行预处理;其中,
对所述线模电流数据进行第一预设数量的时域特征提取和第二预设数量的频域特征提取,生成多重特征参数表;
利用皮尔逊相关系数消除所述多重特征参数表中的冗余特征。
在一些实施例中,所述利用皮尔逊相关系数消除所述多重特征参数表中的冗余特征,包括:
计算所述多重特征参数表中各特征两两之间的皮尔逊相关系数,并生成对应的p-value;
若所述p-value大于等于预设阈值,则所述p-value对应的两个特征之间无显著相关性;
若所述p-value小于所述预设阈值,则所述p-value对应的两个特征之间有显著相关性;
消除所述多重特征参数表中有显著相关性的冗余特征。
在一些实施例中,所述基于改进ReliefF算法对所述线模电流数据进行处理,得到最优特征子集,并生成特征对应的权重,包括:
根据消除冗余特征后的多重特征参数表中的特征元素数量确定限定系数,将所述限定系数与所述特征元素数量的乘积作为抽样次数;
基于改进ReliefF算法,根据所述消除冗余特征后的多重特征参数表中的特征元素和所述抽样次数进行权重迭代;
将迭代后生成的特征对应的权重取平均值作为最终权重;
将所述最终权重排名靠前的特征向量构成最优特征子集。
在一些实施例中,所述根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型,包括:
将所述最优特征子集中的特征值与特征对应的所述权重相乘,得到相乘结果,所述相乘结果为所述加权随机森林算法的权重系数;
根据所述最优特征子集和所述加权随机森林算法的权重系数进行训练,得到加权随机森林算法的故障定位模型。
在一些实施例中,所述根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型,还包括:
利用循环语句查找所述加权随机森林算法的故障定位模型拟合优度最高的属性个数和决策树总棵数的值。
根据本公开的实施例,实现了以下技术效果:
当直流配电线路发生单极接地短路时,利用线路单端的线模电流分量构造多重时频复合故障特征;针对ReliefF算法应用中的不足,引入限定系数q,并结合Pearson相关系数法,达到自动筛选最优特征子集的目的;取计算得到的特征权重平均值作为最终权重赋值,可以得到包含权重系数的最优特征子集,权重系数可以继续用于提升后续随机森林算法的性能与故障定位准确度;对于随机森林的改进包括两个方面:一是改进后的ReliefF算法可以得到特征权重的具体数值,与随机森林算法相结合即可构成加权随机森林算法,有针对性地提升模型的预测精度;二是使用循环语句找出模型拟合优度最高的mtry和ntree的值,提升故障定位的速度与精度;原理简单,只需本地测量,不需要发送和同步两端信息,大大降低采样设备的管理与投资成本,有一定的工程实用性。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图2示出了根据本公开的实施例的一种直流配电网故障定位装置200的方框图。
如图2所示,所述装置200包括:
获取模块201,用于获取线模电流数据;
处理模块202,用于基于改进ReliefF算法对所述线模电流数据进行处理,得到最优特征子集,并生成特征对应的权重;
训练模块203,用于根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型;
输出模块204,用于采集当前的线模电流数据,将所述当前的线模电流数据输入到所述加权随机森林算法的故障定位模型中,输出当前故障位置。
图3示出了根据本公开的实施例的另一种直流配电网故障定位方法300的流程图。
如图3所示,所述直流配电网故障定位方法包括:
S301:保护装置检测到直流配电线路发生的单相接地短路后,开始记录观测点的电流、电压数据并持续100ms,将记录数据作相模变换,得到线模电流数据;
S302:利用线模电流数据对应计算出11个时域特征和13个频域特征,形成多重特征参数表;
S303:利用皮尔逊相关系数消除多重特征参数表中的冗余特征;
S304:基于改进ReliefF算法,根据消除冗余特征后的多重特征参数表中的特征元素和抽样次数进行权重迭代计算,将迭代后生成的特征对应的权重取平均值作为最终权重,自动选择最终权重排名靠前的特征量构成最优特征子集;
S305:将所述最优特征子集中的特征值与特征对应的所述权重相乘,得到相乘结果,所述相乘结果为所述加权随机森林算法的权重系数;根据所述最优特征子集和所述加权随机森林算法的权重系数进行训练,得到加权随机森林算法的故障定位模型,其中,所述加权随机森林算法的故障定位模型拟合优度最高的属性个数和决策树总棵数的值通过循环语句确定;
S306:采集当前的线模电流数据,将所述当前的线模电流数据输入到所述加权随机森林算法的故障定位模型中,输出当前故障位置。
在一些实施例中,直流配电***的拓扑结构包括:辐射形、手拉手形和环形,其中环形直流***具有多个端口,环形直流***具有恢复供电时间短、供电可靠性高的优势;
图4示出了根据本公开的实施例的六端直流配电***拓扑图,本公开的实施例以如图4所示的六端环状直流配电***作为研究对象,进行直流配电网故障定位方法的研究;
VSC直流侧线路发生单极接地故障时的等效电路如图5所示;
正极和负极发生单极接地故障时的故障特性对称,本公开的实施例以正极接地故障为例,对直流配电网单极接地故障定位方法进行研究;
与直流配电网发生极间短路时必须在电容电压过零之前将故障切除不同,单极接地故障过程最终会进入电压恢复阶段,直流侧电压逐渐恢复正常,非故障极线路承担直流***短时单极运行,为故障的清除争取了一定的时间,但由于故障特性不明显,故障的精准定位难度增加;
在双极直流配电***中,由于正负极线路参数的耦合特性,首先根据Karenbauer极模变换将正负极电流转换为线模和零模电流分量:
式中:ip为直流线路的正极电流值,in为直流线路的负极电流值;i1为对应线模分量,i0为对应零模分量;线模分量正方向与正、负极电流的规定正方向相同,零模分量正方向规定为从母线流向线路,S为Karenbauer变换矩阵,即:
线模电流不受对极线路耦合影响,电流衰减幅度小,便于故障分析,本公开的实施例采用单极接地故障电流的线模分量来实现直流配电网故障定位方法。
针对图4所示的六端环状直流配电***的Line1,距离左端换流器出口的不同位置在0.1s发生正极接地故障时,在母线A处测得线模电流;
由于直流电缆线路在发生故障时,***需经历一个暂态过程,并逐渐恢复至稳态,***暂态时由故障点产生向电缆两端传播的故障暂态信号,和***正常运行时几乎只含有直流分量相比较,故障暂态过程含有各种频率的信号能量,并且暂态时的暂态信号中含有丰富的故障信息,可以从中得到有效的故障特征;
线模电流的振荡行为或频率含量随着故障位置的变化而变化,它们之间存在着对应关系,为避免复杂的阈值整定计算,同时降低相关采样设备投资,本公开的实施例从短路线模电流信号时域提取11个特征量(T1~T11),频域提取13个特征量(T12~T24),共计24个特征参数,构成线模电流的多重特征参数,具体参数序号及对应公式如表1所示,表1中x(n)是时域信号序列,n=1,2,…,N;N是样本点数;s(k)是时域信号x(n)经DFT后获得的频谱,k=1,2,…,K;K是谱线数;fk是第k条谱线的频率值;
表1多重特征参数表
Relief是一种经典的Filter式特征选择算法,但仅局限于二元问题,且无法对数据中的噪声和缺失值进行处理;
Kononeill基于Relief思想提出了适用于多分类问题的ReliefF算法,并通过设定一个“相关统计量”来表达特征的重要性,相关统计量的本质是表征该特征使“类内聚合,类间发散”的能力,是特征重要性程度的重要衡量标准,通过各个特征和类别的相关性赋予特征大小不一的权重,将特征按照权重的大小排序,特征权重越大,表明该特征相关性越高,在特征选择时可根据设定的阈值将权重较小的特征移除,从而形成特征子集。
基于ReliefF算法进行线模电流时频域多重短路故障特征选择的具体方法如下:
(1)从特征整体训练集中随机选择一个样本Ri。
(2)分别从与样本Ri同类和不同类的样本集中都找出K个最近邻样本Hj和Mj(j=1,2,…,K)。
(3)利用KNN(K-Nearest Neighbors,KNN)思想在每个特征维上重复迭代,根据式(3)更新每个特征Tp(p=1,2,…,24)的权重W(Tp):
式中,m为算法迭代次数;P(c)为第c类样本在训练集中的概率;d(Tp,X,Hj)表示样本X在多重特征Tp上与样本Hj的距离;d(Tp,X,Mj)表示样本X在多重特征Tp上与样本Mj的距离,计算公式为:
式中,V(Tp,A)表示样本A的特征Tp的值,A表示X、Hj或Mj。
(4)重复迭代上述过程m次,并计算平均权重作为特征的最终赋值结果W(Tp)。
(5)迭代完成后,对各特征的权重W(Tp)从大到小进行排序,依据设定权重阈值α提取排序靠前的特征,构成特征子集。
ReliefF算法具有运行效率高、对数据类型无限制、抗噪声能力强和适用于多特征分类等优点,但在实际应用中仍存在以下不足:
(1)随机选择样本的方式有可能导致选取到类别边缘样本,或者选取到带有“野值”的干扰样本,这些样本会在更新特征权重时带来误差。同时,随机选择也无法保证每个小类样本都被选取,样本选取次数不均,从而影响特征选择的稳定性和精度。
(2)算法对迭代次数m和最近邻样本数K较敏感,不同的参数组合可能会导致最终赋值结果不同,需考虑实际分类情况赋以m和K确定的数值。
(3)只能计算不同特征对于分类的贡献度,形成的特征子集未排除可能存在的冗余特征。
针对前两条不足,本公开的实施例增加一限定系数q,提出改进的ReliefF最优特征子集选择方法,在总抽样次数不变的前提下,通过限定系数q来限制单个样本的重复抽样次数,限定系数q值代表单个样本被选中的最大次数,需要根据输入特征的数量决定。q取值过大可能导致重复抽取单个样本,小类样本被选中的概率较低;取值过小可能导致迭代不足,未取得最优解,结果不可信。针对本公开的实施例构造的24个时频域多重特征,取q=3,可实现在有限的抽样次数下,保证每个样本抽样的均等性,提升结果的可靠性,总抽样次数m则由限定系数q与特征数量的乘积确定。
针对特征子集中存在的冗余特征,目前的处理方法是通过计算特征之间的余弦相似度预先剔除一部分相似度较高的特征,再选取最优子集计算权重。向量X=(X1,X2,…,Xn)与Y=(Y1,Y2,…,Yn)的余弦相似度计算公式为:
由式(6)可知,余弦相似度计算的是空间向量的夹角,仅评价特征在空间维度上的相关性,而忽略了在数值维度上的相关性,为了提升相关性评价的可靠性,本公开的实施例使用皮尔逊相关系数(Pearson Correlation Coefficient,PCC)计算特征之间的相关性,PCC将特征中心化后降低数值差异性,再判断二者在空间上是否共线,从而解决余弦相似度对数值差异不敏感的缺陷,PCC越接近0,说明二者相似度越低。向量X=(X1,X2,…,Xn)与Y=(Y1,Y2,…,Yn)间PCC的计算公式为:
p-value是衡量式(7)是否显著的数值标准。若两特征间的p-value大于预设阈值,说明二者之间的PCC结果是不显著的,即使PCC接近0,也不能说明这两个特征不互为冗余特征;反之,若p-value小于预设阈值,则说明计算出的相关系数结果是显著的,用PCC来表征二者之间的相关程度。
图6示出了根据本公开的实施例的改进ReliefF算法选择最优特征子集方法600的流程图。
如图6所示,所述改进ReliefF算法选择最优特征子集方法包括:
S601:计算多重特征参数表中各特征两两之间的皮尔逊相关系数,并生成对应的p-value;若所述p-value大于等于预设阈值,则所述p-value对应的两个特征之间无显著相关性;若所述p-value小于所述预设阈值,则所述p-value对应的两个特征之间有显著相关性;消除所述多重特征参数表中有显著相关性的冗余特征;
S602:根据消除冗余特征后的多重特征参数表中的特征元素数量确定限定系数,将所述限定系数与所述特征元素数量的乘积作为抽样次数;基于改进ReliefF算法,根据所述消除冗余特征后的多重特征参数表中的特征元素和所述抽样次数进行权重迭代;
S603:将迭代后生成的特征对应的权重取平均值作为最终权重;将所述最终权重排名靠前的特征向量构成最优特征子集。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如方法100。例如,在一些实施例中,方法100可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的方法700的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法700。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种直流配电网故障定位方法,包括:
获取线模电流数据;
基于改进ReliefF算法对所述线模电流数据进行处理,得到最优特征子集,并生成特征对应的权重;
根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型;
采集当前的线模电流数据,将所述当前的线模电流数据输入到所述加权随机森林算法的故障定位模型中,输出当前故障位置。
2.根据权利要求1所述的方法,其特征在于,对所述线模电流数据进行标注,生成训练数据集。
3.根据权利要求1所述的方法,其特征在于,所述获取线模电流数据还包括对所述线模电流数据进行预处理;其中,
对所述线模电流数据进行第一预设数量的时域特征提取和第二预设数量的频域特征提取,生成多重特征参数表;
利用皮尔逊相关系数消除所述多重特征参数表中的冗余特征。
4.根据权利要求3所述的方法,其特征在于,所述利用皮尔逊相关系数消除所述多重特征参数表中的冗余特征,包括:
计算所述多重特征参数表中各特征两两之间的皮尔逊相关系数,并生成对应的p-value;
若所述p-value大于等于预设阈值,则所述p-value对应的两个特征之间无显著相关性;
若所述p-value小于所述预设阈值,则所述p-value对应的两个特征之间有显著相关性;
消除所述多重特征参数表中有显著相关性的冗余特征。
5.根据权利要求1所述的方法,其特征在于,所述基于改进ReliefF算法对所述线模电流数据进行处理,得到最优特征子集,并生成特征对应的权重,包括:
根据消除冗余特征后的多重特征参数表中的特征元素数量确定限定系数,将所述限定系数与所述特征元素数量的乘积作为抽样次数;
基于改进ReliefF算法,根据所述消除冗余特征后的多重特征参数表中的特征元素和所述抽样次数进行权重迭代;
将迭代后生成的特征对应的权重取平均值作为最终权重;
将所述最终权重排名靠前的特征向量构成最优特征子集。
6.根据权利要求1所述的方法,其特征在于,所述根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型,包括:
将所述最优特征子集中的特征值与特征对应的所述权重相乘,得到相乘结果,所述相乘结果为所述加权随机森林算法的权重系数;
根据所述最优特征子集和所述加权随机森林算法的权重系数进行训练,得到加权随机森林算法的故障定位模型。
7.根据权利要求1所述的方法,其特征在于,所述根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型,还包括:
利用循环语句查找所述加权随机森林算法的故障定位模型拟合优度最高的属性个数和决策树总棵数的值。
8.一种直流配电网故障定位装置,包括:
获取模块,用于获取线模电流数据;
处理模块,用于基于改进ReliefF算法对所述线模电流数据进行处理,得到最优特征子集,并生成特征对应的权重;
训练模块,用于根据所述最优特征子集和所述权重进行训练,得到加权随机森林算法的故障定位模型;
输出模块,用于采集当前的线模电流数据,将所述当前的线模电流数据输入到所述加权随机森林算法的故障定位模型中,输出当前故障位置。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211389396.4A CN115963350A (zh) | 2022-11-08 | 2022-11-08 | 一种直流配电网故障定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211389396.4A CN115963350A (zh) | 2022-11-08 | 2022-11-08 | 一种直流配电网故障定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115963350A true CN115963350A (zh) | 2023-04-14 |
Family
ID=87360603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211389396.4A Pending CN115963350A (zh) | 2022-11-08 | 2022-11-08 | 一种直流配电网故障定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115963350A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110989A (zh) * | 2023-10-16 | 2023-11-24 | 国网浙江省电力有限公司宁波供电公司 | 用于电力设备的噪声故障定位检测方法及*** |
-
2022
- 2022-11-08 CN CN202211389396.4A patent/CN115963350A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110989A (zh) * | 2023-10-16 | 2023-11-24 | 国网浙江省电力有限公司宁波供电公司 | 用于电力设备的噪声故障定位检测方法及*** |
CN117110989B (zh) * | 2023-10-16 | 2024-02-06 | 国网浙江省电力有限公司宁波供电公司 | 用于电力设备的噪声故障定位检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Time series shapelet classification based online short-term voltage stability assessment | |
Roy et al. | Detection, classification, and estimation of fault location on an overhead transmission line using S-transform and neural network | |
CN109033702A (zh) | 一种基于卷积神经网络cnn的电力***暂态电压稳定评估方法 | |
CN109375060B (zh) | 一种配电网故障波形相似度计算方法 | |
CN112285489B (zh) | 一种基于特征融合和模型融合的故障指示器故障定位方法 | |
CN112098889B (zh) | 一种基于神经网络和特征矩阵的单相接地故障定位方法 | |
CN107478963A (zh) | 基于电网大数据的小电流接地***单相接地故障选线方法 | |
CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及*** | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN116679161A (zh) | 一种电网线路故障诊断方法、设备和介质 | |
CN115963350A (zh) | 一种直流配电网故障定位方法及装置 | |
CN108089100B (zh) | 小电流接地***弧光电阻接地故障的检测方法 | |
CN110579684A (zh) | 一种基于融合算法的小电流接地***选线方法 | |
CN113674106A (zh) | 一种中低压配电网接地故障组合定位方法 | |
CN110824299B (zh) | 基于零序电流曲线簇的二维平面判断的故障选线方法 | |
CN107462810B (zh) | 一种适用于有源配电网的故障区段定位方法 | |
CN117723893B (zh) | 基于rlmd的故障行波识别方法、装置和计算机设备 | |
Paul et al. | Series AC arc fault detection using decision tree-based machine learning algorithm and raw current | |
CN116679167A (zh) | 一种电缆的局部放电定位方法、设备及存储介质 | |
CN115144696B (zh) | 一种小电流接地***故障选线方法、装置、设备及介质 | |
CN116482571A (zh) | 一种基于cnn的小电流单相接地故障多判据融合选线方法 | |
CN112051479A (zh) | 一种配电网运行状态识别方法及*** | |
CN114878973A (zh) | 一种多分支配电线路雷击故障定位方法、装置及存储介质 | |
CN110873832A (zh) | 一种基于小波能量熵的配电网选线方法及*** | |
Lopes et al. | Harmonic selection-based analysis for high impedance fault location using Stockwell transform and random forest |
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 |