CN116227538B - 基于聚类和深度学习的小电流接地故障选线方法及设备 - Google Patents
基于聚类和深度学习的小电流接地故障选线方法及设备 Download PDFInfo
- Publication number
- CN116227538B CN116227538B CN202310460342.0A CN202310460342A CN116227538B CN 116227538 B CN116227538 B CN 116227538B CN 202310460342 A CN202310460342 A CN 202310460342A CN 116227538 B CN116227538 B CN 116227538B
- Authority
- CN
- China
- Prior art keywords
- probability
- fault
- zero sequence
- confidence
- sequence current
- 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.)
- Active
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000011056 performance test Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 12
- 241000764238 Isis Species 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000001052 transient effect Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 102100028952 Drebrin Human genes 0.000 description 6
- 101000838600 Homo sapiens Drebrin Proteins 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Emergency Protection Circuit Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供基于聚类和深度学习的小电流接地故障选线方法及设备，包括：S10，获取小电流接地***的各个出线在发生单相接地故障时故障电气特征量的历史数据；并根据历史数据，构建训练集和测试集；S20，根据故障电气特征量，建立基于深度置信网络的故障预测模型；S30，通过训练集对故障预测模型进行训练，得到训练好的故障预测模型；S40，建立模糊概率区间；S50，采用测试集对训练好的故障预测模型进行性能测试，并通过模糊概率区间对故障预测模型的输出结果进行置信率判断，输出故障线路的辨识结果，能够对小电流接地故障选拉序位进行分析，提高故障线路的选拉准确率，适用于电力***技术领域。
Description
技术领域
本申请涉及电力***技术领域，具体涉及基于聚类和深度学习的小电流接地故障选线方法及设备。
背景技术
小电流接地***单相接地故障选线问题一直是电力***中一个重要的研究课题，从最原始的根据人工经验逐条选线拉闸来判断故障线路的方法，到采用多元信息融合判断故障线路的选拉策略，关于小电流接地***单相接地故障选线方法的研究步伐从未停止。
当前，常用的选线方法主要分为三种：基于故障稳态信息选线、基于故障暂态信息选线和基于多信息融合选线方法；
基于故障稳态或暂态信息的选线方法通常采用小电流接地***发生单相接地故障时的稳态电气量或暂态电气量变化来识别单相接地故障线路，从而有效判断故障线路，为电网事故处理提供辅助决策，但是仅依靠单一的电气量变化来识别和判断故障线路在实际应用过程中存在着诸多弊端；在小电流接地***发生单相接地故障时，故障发生后的电气量变化受小电流接地类型、***元件、故障位置以及过渡电阻等诸多方面的影响，仅依赖单一电气量变化很难实现故障线路的准确判别，因此，采用多元信息融合判断故障线路的方法在实际应用具有更广泛的应用。
基于多信息融合选线方法通常采用多种故障发生后的电气量变化进行故障类型的有效识别，同时利用信息智能融合方法进行多元信息判断，达到故障线路的准确判别；通常采用的信息智能融合方法包括：D-S证据理论、遗传算法、模糊控制理论等，通过上述信息智能融合方法对多元故障判断信息进行综合决策和判断；其中，D-S证据理论应用最为广泛，其主要通过多元信息进行证据合成产生基本信任分配函数进行概率计算，但是该方法鲁棒性较差，在概率计算中对证据合成变动过于敏感，会影响判断结果的准确性，而对于电力***电气量的变化而言，数据恰恰具有突变的不确定性，因此，小电流接地***的故障选线策略对准确性和鲁棒性提出更高的要求。
发明内容
为了解决上述技术缺陷之一，本申请实施例中提供了基于聚类和深度学习的小电流接地故障选线方法及设备，能够对小电流接地故障选拉序位进行分析，提高故障线路的选拉准确率。
根据本申请实施例的第一个方面，提供了基于聚类和深度学习的小电流接地故障选线方法，包括：
S10，获取小电流接地***的各个出线在发生单相接地故障时故障电气特征量的历史数据；并根据历史数据，构建训练集和测试集；
其中，所述故障电气特征量包括：零序电流幅值、有功功率、及无功功率和零序电流；
S20，根据故障电气特征量，建立基于深度置信网络的故障预测模型；
S30，通过训练集对故障预测模型进行训练，得到训练好的故障预测模型；
S40，建立模糊概率区间；
S50，采用测试集对训练好的故障预测模型进行性能测试，并通过模糊概率区间对故障预测模型的输出结果进行置信率判断，输出故障线路的辨识结果。
根据本申请实施例的第二个方面，提供了一种电子设备，包括：存储器；处理器；以及计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上所述的方法。
根据本申请实施例的第三个方面，提供了一种计算机可读存储设备，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如上所述的方法。
采用本申请实施例中提供的基于聚类和深度学习的小电流接地故障选线方法及设备的技术效果为：
1、本申请通过深度置信网络分别对零序电流幅值、无功功率和故障相电流进行训练，并建立了故障线路预测模型，根据小电流接地***发生单相接地故障时的零序电流幅值、无功功率、故障相电流以及有功功率共四个电气特征量对故障线路进行有效判别，并结合模糊概率区间对对故障预测模型的输出结果进行置信率判断，计算选拉线路的故障概率，实现小电流接地故障选拉序位的准确分析和可靠判断，实用性极强。
2、本申请中，针对小电流接地***中性点经消弧线圈接地的情况，通过建立有功功率作为故障电气特征量进行预测，提高本申请的适用性，保障配电网***的安全稳定运行。
3、本申请中，基于ADPC聚类算法用于确定模糊概率区间的阈值，通过自适应机制选择最佳聚类中心，实现根据故障特征数据准确判断故障选线预测结果的目的，基于聚类算法确定模糊概率区间，能够有效解决故障线路预测结果的置信度选择难题，为故障选线辅助决策提供可靠、合理的决策依据；通过基于模糊控制的概率区间对故障预测模型的预测结果进行选线识别，有效提升小电流接地故障选线的辅助决策效率，保障电网的安全稳定运行。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例一提供的基于聚类和深度学习的小电流接地故障选线方法的流程示意图；
图2是本申请实施例提供的步骤S30的流程示意图；
图3是本申请实施例提供的步骤S40的流程示意图；
图4本申请实施例提供的步骤S4011的流程示意图；
图5本申请实施例二提供的基于聚类和深度学习的小电流接地故障选线方法的流程示意图。
实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在实现本申请的过程中，发明人发现：在进行小电流接地***单相接地故障选线研究中，所提取的故障电气特征量与线路选择的结果具有复杂的相关性，神经网络在表征和解释这种复杂的非线性关系方面具有良好的性能。深度置信网络（Deep BeliefNetwork，DBN）在融合多元信息进行结果识别方面具有广泛应用和极佳的效果，其主要运用多RBM的方式来实现概率生成，通过构造联合分布函数建立输入数据和输出标签之间关系，该神经网络模型具有相当的拓展性和较强的灵活性。
基于此，本发明提出基于聚类和深度学习的小电流接地故障选线方法及设备。
实施例
如图1所示，本申请实施例中提供了基于聚类和深度学习的小电流接地故障选线方法，包括：
S10，获取小电流接地***的各个出线在发生单相接地故障时故障电气特征量的历史数据；并根据历史数据，构建训练集和测试集；
其中，所述故障电气特征量包括：零序电流幅值、有功功率、及无功功率和零序电流；
S20，根据故障电气特征量，建立基于深度置信网络的故障预测模型；
S30，通过训练集对故障预测模型进行训练，得到训练好的故障预测模型；
S40，建立模糊概率区间；
S50，采用测试集对训练好的故障预测模型进行性能测试，并通过模糊概率区间对故障预测模型的输出结果进行置信率判断，输出故障线路的辨识结果。
本实施例中：
零序电流幅值，是小电流接地***中接地故障主要发生在电压接近峰值时，故障相电容的放电和未故障相电容的充电会导致明显的暂态过程，导致暂态电流的幅值会显着增加；选择故障发生后零序电流的暂态幅值变化来实现故障线路的选择。通常取故障发生后的半个周期至一个周期内的零序电流幅值作为特征电气量，其表达式为：
其中：
为***发生单相接地故障时各出线零序电流幅值的集合，/>
为第i条出线的零序电流幅值。
无功功率和零序电流（IQ变化），是这小电流接地***发生单相接地故障时，无功功率和零序电流都会发生突变，在故障发生后的稳态过程中，故障相的无功功率和零序电流与非故障相值相比较明显较大；因此，可以根据无功功率和零序电流暂变后的稳态值作为特征电气量。通常取故障后的第三个至第四个周期的稳态值作为特征电气量，其表达式为：
其中：
和/>
分别为***发生单相接地故障时各出线零序电流和无功功率稳态值集合，/>
和/>
分别为第i条出线的零序电流和无功功率值。
本申请采用零序电流幅值、IQ变化作为主要特征电气量判断小电流接地故障线路的依据；然而，当小电流接地***为经消弧线圈接地时，零序电流可由消弧线圈进行补偿造成零序电流变化较小，很有可能导致选线失败，而当***中性点处接入了消弧线圈后使***产生了有功回路，由于特征信号得到了放大，则可以发现在暂态时期故障线路的有功功率幅值远大于非故障线路，因此，针对中性点经消弧线圈接地的情况，本申请还增加了有功功率作为另一重要判断依据，具体为：
其中：
为***发生单相接地故障时各出线有功功率集合，/>
为第i条出线的有功功率值。
本实施例中，所述步骤S20，根据故障电气特征量，建立基于深度置信网络的故障预测模型中，包括：针对故障特征电气量，分别预测建立三种预测模型；
深度置信网络DBN1为：基于零序电流幅值的故障线路预测子模型；
深度置信网络DBN2为：基于IQ变化特征量的故障线路预测子模型；
深度置信网络DBN3为：基于有功功率的故障线路预测子模型。
如图2所示，本实施例中，S30，通过训练集对故障预测模型进行训练，得到训练好的故障预测模型的步骤如下：
S301，设置深度置信网络（DBN）的参数，所述参数包括：输入层神经元个数，RBM层的个数、动量参数和学习率；
本实施例中，深度置信网络DBN1的输入层神经元为N个，深度置信网络DBN2的输入层神经元为2N个，深度置信网络DBN31的输入层神经元为N个（N为线路的个数）；所述动量参数β可为0.05；学习率α可为0.001；
S302，利用训练集中的输入样本数据作为输入向量，输入故障预测模型的首层RBM中，完成无监督训练；
本实施例中，所述训练集中的输入样本数据为D组，具体为：
深度置信网络DBN1的输入数据为：
；
深度置信网络DBN2的输入数据为：
深度置信网络DBN3的输入数据为：
。
S303，将首层 RBM 训练后提取的特征向量，作为输入向量，训练下一层RBM；
S304，循环执行步骤S203~S204，依次完成每层 RBM 的训练，获得顶层RBM的输出特征；
其中，在每层RBM训练过程中，得到每层RBM的局部最优参数，计算公式如下：
上式中，β为动量参数，α为学习率，v为梯度，
为权值梯度，w为DBN网络权值参数；
S305，在深度置信网络的顶层设置Softmax分类器，将RBM提取的特征输入Softmax分类器，并结合故障线路标签进行分类训练。
本实施例中，所述故障预测模型的输出为：
其中，
为第i组故障电气特征量数据对应的故障线路编号；
本实施例中，可利用概率计算函数计算出特征属于每个类别的概率，完成分类任务；所述概率值函数的计算表达式为：
上式中，q表示标签类别，为故障线路名称，q=N；
本实施例中，Softmax分类器训练中的交叉熵损失函数的计算表达式为：
其中，m为训练样本个数，q代表类别个数，
表示输入样本为/>
时的网络输出，/>
表示第i个样本的目标输出类别；
S306，利用有标签的样本，使用误差反向传播算法对故障预测模型的整个网络参数进行有监督微调，使网络性能趋近全局最优，得到训练好的故障预测模型；
所述训练好的故障预测模型的输出为：LD1、LD2及LD3，LD1为深度置信网络DBN1对应的故障输出结果，LD2为深度置信网络DBN2对应的故障输出结果，LD3为深度置信网络DBN3对应的故障输出结果。
本实施例中，所述误差反向传播算法的损失函数为：
其中，
代表第j个神经元的真实值，/>
表示第j个神经元输出的预测值，/>
表示输出神经元的个数；
神经元之间的权值调整的计算表达式为：
式中，
表示第k个网络层中第i个输入神经元与第j个输出神经元之间连接权重的调整值，/>
为调整步长，/>
表示第i个输入神经元的值。
最终连接权值的调整值为：
本实施例中，通过深度置信网络分别对零序电流幅值、无功功率和故障相电流进行训练，并建立了故障线路预测模型，根据小电流接地***发生单相接地故障时的零序电流幅值、无功功率、故障相电流以及有功功率共四个电气特征量对故障线路进行有效判别，并结合模糊概率区间对对故障预测模型的输出结果进行置信率判断，计算选拉线路的故障概率，实现小电流接地故障选拉序位的准确分析和可靠判断，实用性极强。
实施例
如图3所示，在实施例一的基础上，基于聚类和深度学习的小电流接地故障选线方法所述步骤S40，建立模糊概率区间；包括：
S401，根据训练集，建立各个故障电气特征量对应的模糊区间概率阈值；
S402，基于模糊区间概率阈值，建立基于零序电流幅值、有功功率、及无功功率和零序电流的模糊概率区间。
所述S401，根据训练集，建立各个故障电气特征量对应的模糊区间概率阈值；包括：
S4011，采用自适应密度峰值聚类算法对训练集中的样本数据库进行聚类，求取各个故障电气特征量对应的聚类中心；
S4012，根据最佳聚类中心设置故障电气特征量对应的模糊区间概率阈值；
其中，各个故障电气特征量对应的模糊区间概率阈值，包括：基于零序电流幅值的模糊区间概率阈值、基于有功功率的模糊区间概率阈值、基于无功功率和零序电流的模糊区间概率阈值。
如图4所示，本实施例中，所述步骤S4011，采用自适应密度峰值聚类算法对训练集中的样本数据库进行聚类，求取各个故障电气特征量对应的聚类中心；包括：
S4011-1，将训练集划分为：基于零序电流幅值的样本数据集S1、基于无功功率的样本数据集S2和基于有功功率的样本数据集S3；
S4011-2，设置聚类中心数目，采用自适应密度峰值聚类算法对样本数据集S1、样本数据集S2、样本数据集S3进行聚类，得到样本数据集S1、样本数据集S2、样本数据集S3分别对应的聚类中心
、聚类中心/>
和聚类中心/>
；
本实施例中，所述的样本数据集S1为：
；
所述的样本数据集S2为：
；
所述的样本数据集S3为：
。
S4011-3，每个样本数据集对应的聚类中心的计算过程，均包括：
S4011-3-1计算样本数据集训练集对应的局部密度
和相对距离/>
；
具体地，所述局部密度
的计算表达式为：
上式中，i和j为训练集中的两个样本，
为第i个点的密度，/>
表示第i个点和第j个点的欧氏距离；/>
表示截断距离；/>
的计算公式如下：
式中：
和/>
为样本i和j中的第k个元素值；k为单个样本中元素个数。
相对距离计算公式：
式中：S为训练集，
；D为训练集中的样本数；
指标集
，当/>
时，有/>
。
进一步地，通过改变截断距离的值，并计算每个
值对应的基尼系数，取基尼系数最低时的/>
值作为最终截断距离值；其中基尼系数G计算如下：
上式中：D为训练集S中的样本个数，
为第i个样本的/>
占所有样本的比例，其计算公式如下：
更进一步地，利用最终的截断距离值
，计算局部密度/>
和相对距离/>
。
S4011-3-2，根据局部密度
和相对距离/>
，绘制ρ-δ的分布图；
S4011-3-3，根据ρ-δ的分布图，取下降趋势最大的点及前面的几个点作为聚类中心；具体包括：
计算自适应参数
的值，并绘制/>
的降序分布图；
其中，
的计算表达式为：
之后，计算
的下降趋势，计算表达式为：
其中：
是当前的u值；/>
和/>
分别代表前一时刻和后一时刻的u值。
之后，根据下降趋势和
的降序分布图，取下降趋势最大的点及前面的几个点作为聚类中心。
本实施例中，所述步骤S4012，根据最佳聚类中心设置故障电气特征量对应的模糊区间概率阈值；包括：
S4012-1，设置聚类中心数目为3；则，
样本数据集S1对应的聚类中心
为：/>
；
样本数据集S2对应的聚类中心
为：/>
；
样本数据集S3对应的聚类中心
为：/>
；
S4012-2，根据聚类中心确定模糊区间概率阈值；其中，
基于零序电流幅值的模糊区间概率阈值，分别为低阈值
、中间阈值/>
、高阈值/>
和临界阈值/>
；且/>
、/>
、/>
；
基于无功功率的模糊区间概率阈值，分别为低阈值
、中间阈值/>
、高阈值/>
和临界阈值/>
；且/>
、/>
、/>
；
基于有功功率的模糊区间概率阈值，分别为低阈值
、中间阈值/>
、高阈值/>
和临界阈值/>
：且/>
、/>
、/>
.；
所述低阈值
、低阈值/>
、低阈值/>
分别设置为正常运行状态下的零序电流幅值、无功功率值何有功功率值。
综上，所述模糊区间概率阈值如下表所示：
进一步地，所述步骤S402，基于模糊区间概率阈值，建立基于零序电流幅值、有功功率、及无功功率和零序电流的模糊概率区间；包括：
S4021，基于模糊区间概率阈值，判断待判断线路i的零序电流幅值
、有功功率
、无功功率/>
和零序电流/>
对应的置信概率；
本实施例中，所述步骤S4021，基于模糊区间概率阈值，判断待判断线路i的零序电流幅值
、有功功率/>
、无功功率/>
对应的置信概率；包括：
当待判断线路i的零序电流幅值
为：
当待判断线路i的有功功率
为：
当待判断线路i的无功功率
为：
S4022，根据接地故障的类型，设置对应的置信率判断规则；包括：
S4022-1，若为单相接地故障，则置信率判断规则为：
当零序电流幅值
的置信概率为高概率，则，故障线路的预测结果的置信率为高；
当零序电流幅值
的置信概率为中概率，且无功功率/>
的置信概率为低概率，则，故障线路的预测结果的置信率为中；
当零序电流幅值
的置信概率为中概率，且无功功率/>
的置信概率为中概率或高概率，则，故障线路的预测结果的置信率为高；
当零序电流幅值
的置信概率为低概率，且无功功率/>
的置信概率为低概率或中概率，则故障线路的预测结果的置信率为低；
当零序电流幅值
的置信概率为低概率，且无功功率/>
的置信概率为高概率，则，故障线路的预测结果的置信率为高；
综上，本实施例中，在零序电流幅值
、有功功率/>
、无功功率/>
和零序电流
三类判据中，优先考虑零序电流幅值这一判据，即当该故障零序电流幅值判据在高概率区间时，则故障线路的预测可信度为高概率；其次，考虑故障特征IQ判据，则当小电流接地故障选线准确率描述如下表所示：
S4022-2，若为经消弧线圈接地故障，则置信率判断规则为：
当零序电流幅值
的置信概率为高概率，则，故障线路的预测结果的置信率为高；
当零序电流幅值
的置信概率为中概率，且无功功率/>
的置信概率为低概率、有功功率/>
的置信概率为低概率，则，故障线路的预测结果的置信率为中；
当零序电流幅值
的置信概率为中概率，且无功功率/>
的置信概率为中概率或高概率、有功功率/>
的置信概率为中概率或高概率，则，故障线路的预测结果的置信率为高；
当零序电流幅值
的置信概率为低概率，且无功功率/>
的置信概率为低概率、有功功率/>
的置信概率为低概率，则故障线路的预测结果的置信率为低；
当零序电流幅值
的置信概率为低概率，且无功功率/>
的置信概率为中概率或高概率、有功功率/>
的置信概率为为中概率或高概率，则故障线路的预测结果的置信率为中。
综上，当小电流接地类型为经消弧线圈接地方式，则故障选线准确率如表所示：
本实施例中，S50中，通过模糊概率区间对故障预测模型的输出结果进行置信率判断，输出故障线路的辨识结果；包括：
当预测结果的置信率为高时，输出零序电流幅值为判据的预测故障线路；
当预测结果的置信率为中时，输出无功功率和零序电流为判据的预测故障线路；
当预测结果的置信率为低时，不输出故障预测线路。
如图5所示，本实施例中，当预测结果的置信率为高时，输出深度置信网络DBN1对应的故障输出结果LD1；当预测结果的置信率为中时，输出深度置信网络DBN1和DBN2对应的故障输出结果LD1和LD2。
本实施例中，基于ADPC聚类算法用于确定模糊概率区间的阈值，通过自适应机制选择最佳聚类中心，实现根据故障特征数据准确判断故障选线预测结果的目的，基于聚类算法确定模糊概率区间，能够有效解决故障线路预测结果的置信度选择难题，为故障选线辅助决策提供可靠、合理的决策依据；通过基于模糊控制的概率区间对故障预测模型的预测结果进行选线识别，有效提升小电流接地故障选线的辅助决策效率，保障电网的安全稳定运行。
此外，本申请还提供了一种电子设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上所述的方法。
此外，本申请还提供了一种计算机可读存储设备，其上存储有计算机程序；所述计算机程序被处理器执行以实现如上所述的方法。
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-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，C语言、VHDL语言、Verilog语言、面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或可以互相通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.基于聚类和深度学习的小电流接地故障选线方法，其特征在于，包括：
S10，获取小电流接地***的各个出线在发生单相接地故障时故障电气特征量的历史数据；并根据历史数据，构建训练集和测试集；
其中，所述故障电气特征量包括：零序电流幅值、有功功率、及无功功率和零序电流；
S20，根据故障电气特征量，建立基于深度置信网络的故障预测模型；
S30，通过训练集对故障预测模型进行训练，得到训练好的故障预测模型；
S40，基于ADPC聚类算法，建立模糊概率区间；
S50，采用测试集对训练好的故障预测模型进行性能测试，并通过模糊概率区间对故障预测模型的输出结果进行置信率判断，输出故障线路的辨识结果。
2.根据权利要求1所述的基于聚类和深度学习的小电流接地故障选线方法，其特征在于，所述步骤S40，基于ADPC聚类算法，建立模糊概率区间；包括：
S401，根据训练集，建立各个故障电气特征量对应的模糊区间概率阈值；
S402，基于模糊区间概率阈值，建立基于零序电流幅值、有功功率、及无功功率和零序电流的模糊概率区间。
3.根据权利要求2所述的基于聚类和深度学习的小电流接地故障选线方法，其特征在于，所述S401，根据训练集，建立各个故障电气特征量对应的模糊区间概率阈值；包括：
S4011，采用自适应密度峰值聚类算法对训练集中的样本数据库进行聚类，求取各个故障电气特征量对应的聚类中心；
S4012，根据最佳聚类中心设置故障电气特征量对应的模糊区间概率阈值；
其中，各个故障电气特征量对应的模糊区间概率阈值，包括：基于零序电流幅值的模糊区间概率阈值、基于有功功率的模糊区间概率阈值、基于无功功率和零序电流的模糊区间概率阈值。
4.根据权利要求3所述的基于聚类和深度学习的小电流接地故障选线方法，其特征在于，所述步骤S4011，采用自适应密度峰值聚类算法对训练集中的样本数据库进行聚类，求取各个故障电气特征量对应的聚类中心；包括：
S4011-1，将训练集划分为：基于零序电流幅值的样本数据集S1、基于无功功率的样本数据集S2和基于有功功率的样本数据集S3；
S4011-2，设置聚类中心数目，采用自适应密度峰值聚类算法对样本数据集S1、样本数据集S2、样本数据集S3进行聚类，得到样本数据集S1、样本数据集S2、样本数据集S3分别对应的聚类中心C1、聚类中心C2和聚类中心C3；
S4011-3，每个样本数据集对应的聚类中心的计算过程，均包括：
S4011-3-1计算样本数据集训练集对应的局部密度ρi和相对距离δi；
S4011-3-2，根据局部密度ρi和相对距离δi，绘制ρ-δ的分布图；
S4011-3-3，根据ρ-δ的分布图，取下降趋势最大的点及前面的几个点作为聚类中心。
5.根据权利要求4所述的基于聚类和深度学习的小电流接地故障选线方法，其特征在于，所述步骤S4012，根据最佳聚类中心设置故障电气特征量对应的模糊区间概率阈值；包括：
S4012-1，设置聚类中心数目为3；则，
样本数据集S1对应的聚类中心C1为：C1＝{cM.1，cM.2，cM.3}；
样本数据集S2对应的聚类中心C2为：C2＝{cA.1，cA.2，cA.3}；
样本数据集S3对应的聚类中心C3为：C3＝{cP.1，cP.2，cP.3}；
S4012-2，根据聚类中心确定模糊区间概率阈值；其中，
基于零序电流幅值的模糊区间概率阈值，分别为低阈值IM.l、中间阈值IM.m、高阈值IM.h和临界阈值IM.n；且IM.m＝CM.3、IM.h＝CM.2、IM.n＝CM.1；
基于无功功率的模糊区间概率阈值，分别为低阈值IA.l、中间阈值IA.m、高阈值IA.h和临界阈值IA.n；且IA.m＝CA.3、IA.h＝CA.2、IA.n＝CA.1；
基于有功功率的模糊区间概率阈值，分别为低阈值IP.l、中间阈值IP.m、高阈值IP.h和临界阈值IP.n：且IP.m＝CP.3、IP.h＝CP.2、IP.n＝CP.1.；
所述低阈值IM.l、低阈值IA.l、低阈值IA.l分别设置为正常运行状态下的零序电流幅值、无功功率值何有功功率值。
6.根据权利要求5所述的基于聚类和深度学习的小电流接地故障选线方法，其特征在于，所述步骤S402，基于模糊区间概率阈值，建立基于零序电流幅值、有功功率、及无功功率和零序电流的模糊概率区间；包括：
S4021，基于模糊区间概率阈值，判断待判断线路i的零序电流幅值IM.i、有功功率IP.i、无功功率IA.i和零序电流IQ.i对应的置信概率；
S4022，根据接地故障的类型，设置对应的置信率判断规则；包括：
S4022-1，若为单相接地故障，则置信率判断规则为：
当零序电流幅值IM.i的置信概率为高概率，则，故障线路的预测结果的置信率为高；
当零序电流幅值IM.i的置信概率为中概率，且无功功率IA.i的置信概率为低概率，则，故障线路的预测结果的置信率为中；
当零序电流幅值IM.i的置信概率为中概率，且无功功率IA.i的置信概率为中概率或高概率，则，故障线路的预测结果的置信率为高；
当零序电流幅值IM.i的置信概率为低概率，且无功功率IA.i的置信概率为低概率或中概率，则故障线路的预测结果的置信率为低；
当零序电流幅值IM.i的置信概率为低概率，且无功功率IA.i的置信概率为高概率，则，故障线路的预测结果的置信率为高；
S4022-2，若为经消弧线圈接地故障，则置信率判断规则为：
当零序电流幅值IM.i的置信概率为高概率，则，故障线路的预测结果的置信率为高；
当零序电流幅值IM.i的置信概率为中概率，且无功功率IA.i的置信概率为低概率、有功功率IP.i的置信概率为低概率，则，故障线路的预测结果的置信率为中；
当零序电流幅值IM.i的置信概率为中概率，且无功功率IA.i的置信概率为中概率或高概率、有功功率IP.i的置信概率为中概率或高概率，则，故障线路的预测结果的置信率为高；
当零序电流幅值IM.i的置信概率为低概率，且无功功率IA.i的置信概率为低概率、有功功率IP.i的置信概率为低概率，则故障线路的预测结果的置信率为低；
当零序电流幅值IM.i的置信概率为低概率，且无功功率IA.i的置信概率为中概率或高概率、有功功率IP.i的置信概率为为中概率或高概率，则故障线路的预测结果的置信率为中。
7.根据权利要求6所述的基于聚类和深度学习的小电流接地故障选线方法，其特征在于，所述步骤S4021，基于模糊区间概率阈值，判断待判断线路i的零序电流幅值IM.i、有功功率IP.i、无功功率IA.i对应的置信概率；包括：
当待判断线路i的零序电流幅值IM.i为：
IM.h≤IM.i＜IM.n，则零序电流幅值IM.i的置信概率为高概率；
IM.m≤IM.i＜IM.h，则零序电流幅值IM.i的置信概率为中概率；
IM.l≤IM.i＜IM.m，则零序电流幅值IM.i的置信概率为低概率；
当待判断线路i的有功功率IP.i为：
IP.h≤IP.i＜IP.n，则零序电流幅值IM.i的置信概率为高概率；
IP.m≤IP.i＜IP.h，则零序电流幅值IM.i的置信概率为中概率；
IP.l≤IP.i＜IP.m，则零序电流幅值IM.i的置信概率为低概率；
当待判断线路i的无功功率IA.i为：
IA.h≤IA.i＜IA.n，则零序电流幅值IM.i的置信概率为高概率；
IA.m≤IA.i＜IA.h，则零序电流幅值IM.i的置信概率为中概率；
IA.l≤IA.i＜IA.m，则零序电流幅值IM.i的置信概率为低概率。
8.根据权利要求6所述的基于聚类和深度学习的小电流接地故障选线方法，其特征在于，S50中，通过模糊概率区间对故障预测模型的输出结果进行置信率判断，输出故障线路的辨识结果；包括：
当预测结果的置信率为高时，输出零序电流幅值为判据的预测故障线路；
当预测结果的置信率为中时，输出无功功率和零序电流为判据的预测故障线路；
当预测结果的置信率为低时，不输出故障预测线路。
9.一种电子设备，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1至8任一项所述的方法。
10.一种计算机可读存储设备，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310460342.0A CN116227538B (zh) | 2023-04-26 | 2023-04-26 | 基于聚类和深度学习的小电流接地故障选线方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310460342.0A CN116227538B (zh) | 2023-04-26 | 2023-04-26 | 基于聚类和深度学习的小电流接地故障选线方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116227538A CN116227538A (zh) | 2023-06-06 |
| CN116227538B true CN116227538B (zh) | 2023-07-11 |
Family
ID=86585776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310460342.0A Active CN116227538B (zh) | 2023-04-26 | 2023-04-26 | 基于聚类和深度学习的小电流接地故障选线方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116227538B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117347788B (zh) * | 2023-10-17 | 2024-06-11 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障类别概率预测方法 |
| CN117092445A (zh) * | 2023-10-19 | 2023-11-21 | 盛隆电气集团有限公司 | 基于大数据的配电***的故障检测方法及*** |
| CN117992896B (zh) * | 2024-04-03 | 2024-06-21 | 北京天阳睿博科技有限公司 | 煤矿区高压供电故障定位选线*** |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AT10073U9 (de) * | 2008-01-14 | 2009-02-15 | Avl List Gmbh | Verfahren und vorrichtung zur analyse und bewertung von messdaten eines messsystems |
| CN101227086B (zh) * | 2008-01-22 | 2010-06-02 | 昆明理工大学 | 一种利用可拓理论的配电网缆-线混合线路故障选线融合方法 |
| CN202676854U (zh) * | 2012-06-13 | 2013-01-16 | 山东电力集团公司德州供电公司 | 模糊综合决策配电网单相接地故障选线*** |
| CN106370981B (zh) * | 2016-09-30 | 2019-03-26 | 中国石油化工股份有限公司 | 一种基于模糊聚类分析的配电网故障线路选线方法 |
| CN108562821B (zh) * | 2018-05-08 | 2021-09-28 | 中国电力科学研究院有限公司 | 一种基于Softmax确定配电网单相接地故障选线的方法及*** |
| CN110163255B (zh) * | 2019-04-22 | 2021-11-16 | 济南大学 | 一种基于密度峰值的数据流聚类方法及装置 |
| CN110941918B (zh) * | 2019-12-30 | 2024-03-19 | 国网安徽省电力有限公司 | 智能化变电站故障分析*** |
| CN114611596A (zh) * | 2022-03-07 | 2022-06-10 | 哈尔滨理工大学 | 一种基于自适应的密度峰值聚类方法 |
| CN115112992A (zh) * | 2022-06-07 | 2022-09-27 | 国网山西省电力公司大同供电公司 | 基于模糊熵权的Vague集的小电流接地故障综合选线方法 |
-
2023
- 2023-04-26 CN CN202310460342.0A patent/CN116227538B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116227538A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116227538B (zh) | 基于聚类和深度学习的小电流接地故障选线方法及设备 | |
| CN108053128B (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
| CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
| CN110994604B (zh) | 基于lstm-dnn模型的电力***暂态稳定评估方法 | |
| Cremer et al. | A machine-learning based probabilistic perspective on dynamic security assessment | |
| CN112508442B (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及*** | |
| CN103177188A (zh) | 一种基于特征映射的电力***负荷动特性分类方法 | |
| CN112101684A (zh) | 一种插电式混合动力车辆实时能量管理方法和*** | |
| CN104899135A (zh) | 软件缺陷预测方法和*** | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
| CN110007235A (zh) | 一种电动汽车蓄电池soc在线预测方法 | |
| CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
| CN114154700A (zh) | 一种基于transformer模型的用户用电量预测方法 | |
| CN113459867A (zh) | 基于自适应深度置信网络的电动汽车充电过程故障预警方法 | |
| CN112632840A (zh) | 基于自适应差分进化算法与elm的电网暂态稳定评估方法 | |
| CN113988215A (zh) | 一种配电网计量柜状态检测方法及*** | |
| CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及*** | |
| CN112821424A (zh) | 一种基于数据-模型融合驱动的电力***频率响应分析方法 | |
| CN115469260A (zh) | 一种基于Hausdorff的电流互感器异常识别方法、*** | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力***暂稳评估方法 | |
| CN115618195A (zh) | 传感器电路故障诊断方法、***、介质及装置 | |
| CN113988558B (zh) | 基于盲区识别和电气坐标系扩展的电网动态安全评估方法 | |
| CN113591960A (zh) | 一种基于改进生成对抗网络的电压暂降事件类型辨识方法 | |
| CN110163332B (zh) | 一种变压器故障诊断方法 | |
| CN105608460A (zh) | 多分类器融合方法和*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |