CN116298670A - 适用于多分支配电线路的智能故障定位方法及*** - Google Patents
适用于多分支配电线路的智能故障定位方法及*** Download PDFInfo
- Publication number
- CN116298670A CN116298670A CN202310042798.5A CN202310042798A CN116298670A CN 116298670 A CN116298670 A CN 116298670A CN 202310042798 A CN202310042798 A CN 202310042798A CN 116298670 A CN116298670 A CN 116298670A
- Authority
- CN
- China
- Prior art keywords
- fault
- branch
- line
- intelligent
- module
- 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 107
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000004807 localization Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012795 verification 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
- G01R31/088—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
- G01R31/08—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
-
- 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)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种适用于多分支配电线路的智能故障定位方法及***,属于配电网线路故障定位技术领域,获取一级分支线路首端的相电压和相电流波形信息,以及二级分支线路末端的智能电表采集的电流有效值;基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路;利用预先训练好的配电网故障测距模型,对获取的一级分支线路首端的相电压和相电流波形信息进行处理,完成故障点位置测距;综合故障线路判断结果和故障点位置测距,完成故障多分支配电线路故障定位。本发明实现了在多分支配电线路情况下的故障点精准定位,具有较强的普适性,结合实际配网拓扑图训练,训练好的定位网络精度极高,可靠性强,具有一定的发展前景。
Description
技术领域
本发明涉及配电网线路故障定位技术领域,具体涉及一种适用于多分支配电线路的智能故障定位方法及***。
背景技术
配电网的可靠性受故障持续时间的影响较大。准确、快速的故障定位是实现更快的故障清除和减少停机时间的关键,有助于提高***的可靠性。但由于配电网中包含多个分支,配电网的拓扑结构十分复杂。配电网设备的布置比较分散,在各支路末端安装高精度测量装置不现实。因此,配电网故障定位是一个棘手的问题。
故障定位技术可以分为三类:基于阻抗的、基于行波的和基于机器学习(ML)的算法。基于阻抗的方法使用电压和电流测量来估计故障位置。这些方法易于实现,但易受多分支、计量误差和***规模的影响。随着对定位精度的要求越来越高,基于行波的方法在输电***中的应用越来越广泛。但是,很少有研究将基于行波的方法用于配电网络的故障定位。其主要原因是行波在多支路配网中传输时容易发生反射和折射,反射和折射行为复杂。行波头的检测和精确的故障位置是非常困难的。一些研究人员利用微相量测量装置来提高定位精度,这些方法受到故障类型和电阻的影响较小,但它们需要高质量的采样率,这在配电网中并不普遍。
目前,配电网中已经出现了大量的智能电表和智能电子设备,充分发挥智能测量技术的作用,提高电力行业的安全运行水平是十分必要的。配网在工业信息化的支撑下,积累了大量的样本数据。这些条件为基于机器学习的方法提供了机会,这些方法在人工智能的大潮中兴起。以往的研究利用各种故障场景的模拟数据对基于机器学习的模型进行训练,得到了更好的定位结果。这是由于传统的故障定位方法对配电网做了一些***假设,例如在一定程度上忽略了故障类型、电阻和线路支路对定位结果的影响。在本文中,***假设被称为物理模型的“不可控因素”。而基于机器学习的方法则通过超参数来表达这些“不可控因素”,使拟合结果更接近实际物理模型。
发明内容
本发明的目的在于提供一种充分考虑测量误差和线路参数误差的影响,多分支配电线路故障定位更加准确的适用于多分支配电线路的智能故障定位方法及***,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种适用于多分支配电线路的智能故障定位方法,包括:
利用预先构建的配电网模型,对配电网模型进行故障仿真,获取一级分支线路首端的相电压和相电流波形信息;获取二级分支线路末端的智能电表采集的电流有效值;
利用预先训练好的配电网故障测距模型,对获取的一级分支线路首端的相电压和相电流波形信息进行处理,完成故障点位置测距;
基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路;
综合故障线路判断结果和故障点位置测距,完成故障多分支配电线路故障定位。
优选的,基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路,包括:收集与馈线相连的二级分支末端智能电表的所有电流Iki(1≤i≤n),形成一个向量Io;向量Ie表示只有小电流的支路集合,其值小于阈值γ;0<p<n;N、O分别表示主支路上的节点和次支路远端节点,如果p=q,则表示只有一个二级分支发生故障,故障线为NkpOkp;当p≠q时,表示主支路Nk(p-1)Nkp发生故障,可能导致多个二级支路断电,即可判断故障所在线路。
优选的,配电网故障测距模型包括自编码器模块和长短期记忆网络模块并联组成;所述自编码器模块用于波形信息降维;所述长短期记忆网络模块用于以提取的时间相关特征序列作为输入,将不同时间段的单元格进行乘法运算。
优选的,将t个AEs并行连接,形成自编码器模块层;t的值由输入波形的长度决定;在自编码器模块层训练过程中,第t个自编码器的标记输出与其输入向量具有相同的维数,第t个自编码器损失函数为:
其中表示数据集St中的输入样本的重构样本;Wti表示第t个自编码器的权值;Ht为隐层中的神经元数;λ,α为调整惩罚项权重的正则化参数;KL(ρ||ρti)为Kullback-Leibler散度,/>ρti表示隐层神经元i的平均激活函数值;ρ是稀疏性参数。
优选的,在训练回归配电网故障测距模型时,定义损失函数来考虑自编码器模块和长短期记忆网络模块的影响:L=LPAE+LLSTM;
采用网格搜索和交叉验证的方法确定超参数,并使用Sigmoid函数作为长短期记忆网络模块中全连接层的激活函数。
第二方面,本发明提供一种适用于多分支配电线路的智能故障定位***,包括:
获取模块,用于利用预先构建的配电网模型,对配电网模型进行故障仿真,获取一级分支线路首端的相电压和相电流波形信息;获取二级分支线路末端的智能电表采集的电流有效值;
判断模块,用于基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路;
测距模块,用于利用预先训练好的配电网故障测距模型,对获取的一级分支线路首端的相电压和相电流波形信息进行处理,完成故障点位置测距;
定位模块,用于综合故障线路判断结果和故障点位置测距,完成故障多分支配电线路故障定位。
第三方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如上所述的适用于多分支配电线路的智能故障定位方法。
第四方面,本发明提供一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行时,用于实现如上所述的适用于多分支配电线路的智能故障定位方法。
第五方面,本发明提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如上所述的适用于多分支配电线路的智能故障定位方法的指令。
本发明有益效果:通过对大数量、高维度样本训练,能够实现在多分支配电***下的故障点精准测距;实现了在多分支配电线路情况下的故障点精准定位,实现了在实际工程中的应用;具有较强的普适性,结合实际配网拓扑图训练,训练好的定位网络精度极高,可靠性强,具有一定的发展前景。
本发明附加方面的优点,将在下述的描述部分中更加明显的给出,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的适用于多分支配电线路的智能故障定位方法的流程示意图。
图2为本发明实施例所述的数据采集示意图。
图3为本发明实施例所述的配电网模型示意图。
图4为本发明实施例所述的搭建的故障测距模型结构图。
图5为本发明实施例所述的AB-G故障的误差随故障位置的分布示意图。
图6为本发明实施例所述的接地电阻和故障相位角的影响关系示意图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1中,首先提供了一种适用于多分支配电线路的智能故障定位***,包括:
获取模块,用于利用预先构建的配电网模型,对配电网模型进行故障仿真,获取一级分支线路首端的相电压和相电流波形信息;获取二级分支线路末端的智能电表采集的电流有效值;
测距模块,用于利用预先训练好的配电网故障测距模型,对获取的一级分支线路首端的相电压和相电流波形信息进行处理,完成故障点位置测距;
判断模块,用于基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路;
定位模块,用于综合故障线路判断结果和故障点位置测距,完成故障多分支配电线路故障定位。
本实施例1中,利用上述的***,实现了适用于多分支配电线路的智能故障定位方法,包括:
利用预先构建的配电网模型,对配电网模型进行故障仿真,获取一级分支线路首端的相电压和相电流波形信息;获取二级分支线路末端的智能电表采集的电流有效值;
利用预先训练好的配电网故障测距模型,对获取的一级分支线路首端的相电压和相电流波形信息进行处理,完成故障点位置测距;
基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路;
综合故障线路判断结果和故障点位置测距,完成故障多分支配电线路故障定位。
基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路,包括:收集与馈线相连的二级分支末端智能电表的所有电流Iki(1≤i≤n),形成一个向量Io;向量Ie表示只有小电流的支路集合,其值小于阈值γ;0<p<n;N、O分别表示主支路上的节点和次支路远端节点,如果p=q,则表示只有一个二级分支发生故障,故障线为NkpOkp;当p≠q时,表示主支路Nk(p-1)Nkp发生故障,可能导致多个二级支路断电,即可判断故障所在线路。
配电网故障测距模型包括自编码器模块和长短期记忆网络模块并联组成;所述自编码器模块用于波形信息降维;所述长短期记忆网络模块用于以提取的时间相关特征序列作为输入,将不同时间段的单元格进行乘法运算。
将t个AEs并行连接,形成自编码器模块层;t的值由输入波形的长度决定;在自编码器模块层训练过程中,第t个自编码器的标记输出与其输入向量具有相同的维数,第t个自编码器损失函数为:
其中表示数据集St中的输入样本的重构样本;Wti表示第t个自编码器的权值;Ht为隐层中的神经元数;λ,α为调整惩罚项权重的正则化参数;KL(ρ||ρti)为Kullback-Leibler散度,/>ρti表示隐层神经元i的平均激活函数值;ρ是稀疏性参数。
在训练回归配电网故障测距模型时,定义损失函数来考虑自编码器模块和长短期记忆网络模块的影响:L=LPAE+LLSTM;
采用网格搜索和交叉验证的方法确定超参数,并使用Sigmoid函数作为长短期记忆网络模块中全连接层的激活函数。
实施例2
如图1至图4所示,本实施例2中,提供一种适用于多分支配电线路的智能故障定位方法,用于解决现有技术中多分支配电线路故障定位问题中未充分考虑测量误差和线路参数误差的影响。
有鉴于此,本发明提供了一种适用于多分支配电线路的智能故障定位方法。包括以下步骤:
S1、构建配电网模型,对配电网模型进行故障仿真,获取一级分支线路首端的相电压和相电流波形信息;
S2、利用历史和仿真故障样本构建故障测距深度学习模型,将训练好的深度学习模型作为配电网故障测距模型;
S3、收集二级分支线路末端的智能电表采集的电流有效值,经过逻辑推理判断故障线路;
S4、收集一级分支线路首端的相电压和相电流故障波形,输入到配电网故障测距模型,完成故障点位置的精准测距。
S5、综合故障线路判别和故障点精准测距完成故障多分支配电线路故障定位。
步骤S2具体包括:
在得到相电压和相电流的波形信息后,取故障发生前一个周期和后三个周期的数据与故障位置进行模拟训练,训练得到配电网故障测距模型;
可选地,深度学习模型由并联自编码器(PAE)和长短期记忆网络(LSTM)模型组成。
1)PAE模块:为了保持原始数据中与时间相关的特性,将若干个自编码器(例如t个自编码器)并行连接,形成PAE层。t的值由输入波形的长度决定。PAE层主要用于波形信息降维。它最初包含两个对称的部分:编码器和解码器,并将这两个部分一起训练,以实现无监督特征学习。故障定位模型只采用编码器层。
在训练过程中,第t个自编码器的标记输出与其输入向量具有相同的维数,第t个自编码器损失函数为:
KL(ρ||ρti)为Kullback-Leibler散度,用于约束隐层神经元的稀疏性,使其保持在一个较小的值。KL散度是测量两个贡献值之间差异的标准函数,常用于训练自编码器,可表示为:
式中ρti表示隐层神经元i的平均激活函数值。ρ是稀疏性参数。通过设置ρ为小值,ρti可以保持接近零。
2)LSTM模块:提取的时间相关特征序列作为LSTM网络的输入。该体系结构由具有自连接的LSTM细胞组成。它允许保存流入单元格的值(前向传递)或梯度(后向传递),然后在所需的时间步骤中检索。LSTM模块将不同时间段的单元格进行乘法运算,因此上一个时间步的输出或错误与下一个时间步的输出相同。用于训练LSTM网络的损失函数为均方误差(MSE),如式,
在训练回归PAE-LSTM模型时,定义损失函数来考虑PAE和LSTM模块的影响,如式所示,
L=LPAE+LLSTM
该框架采用网格搜索和交叉验证的方法确定超参数,并使用Sigmoid函数作为LSTM中全连接层的激活函数。
步骤S3故障选线通过二级分支末端的电流有效值判断故障线路,具体描述为:
收集与馈线相连的SMs的所有电流Iki(1≤i≤n),形成一个向量Io。向量Ie表示只有小电流的支路集合,其值小于阈值γ。在这里,0<p<n。N、O分别表示主支路上的节点和次支路远端节点。如果p=q,则表示只有一个二级分支发生故障,故障线为NkpOkp。当p≠q时,表示主支路Nk(p-1)Nkp发生故障,可能导致多个二级支路断电。由此即可判断故障所在线路。
步骤S4故障位置精准测距是将故障后收集到的一级分支相电压和电流输入到由历史数据和仿真数据构建的深度学习测距模型,由测距模型利用深度学习的非线性拟合能力直接输出故障点。
步骤S5综合S3和S4的所得的故障线路和故障点完成多分支配电线路精准测距。
通过对典型的树状配电网的建模,验证了该方法的性能。图3所示的网络是在MATLAB/Simulink平台上建模的,该网络仅由一个主分支和三个次分支组成。配电网电压均为10kV。模拟了四种故障:单相接地故障(A-G)、相对相接地故障(AB-g)、相对相短路故障(AB)和三相接地故障(ABC-G)。波形的采样频率为10kHz。设置了不同的故障参数,如故障距离、接地电阻、相位角等,具体如表1所示。
表1故障样本参数
本实施例中,为了评价所提出的定位方法的性能,采用了故障选线的识别率Lright和故障点定位的误差Eerr_L。这两个指标的定义如下:
Lright=Nright/Ntotal
Eerr_L=(Lpre-Lact)/Ltotal
其中,Nright为故障选线正确结果的个数,Ntotal为所有测试样本的个数。Lpre为计算到测量设备的故障距离,Lact为实际故障距离,Ltotal为节点之间的距离,如N11N12。表2为训练后的PAE-LSTM模型在模拟源域的定位结果。对所有测试数据,都能正确识别出故障线。故障点定位误差也很低,多数小于2%,即60米左右。
表2不同类型故障的测试结果
由于AB-G故障的平均误差和最大误差在所有故障类型中都是最大的,因此以AB-G故障的误差随故障位置的分布为例,如图5所示,来讨论所提方法的有效性。由图5可知,定位误差Eerr_L随着距离测量装置的距离增大而增大。距离较近的线段如1、2、3号线的误差比距离较远的6、7号线的误差要小。在同一线段内,相对位置比较大的故障(如80%和90%)产生的误差大于相对位置比较小的故障。显然,随着故障距离的增加,PAE-LSTM模型的性能会下降。但最坏的情况也是可以接受的,因为误差仍然低于3%。
本实施例中,还研究了接地电阻和故障相位角的影响,如图6所示。不同的故障相位角误差变化不大。90°的平均误差较大,30°的平均误差最小。最大误差差仅为0.0285%。还说明了平均定位误差随接地电阻的变化。虽然采用归一化的方法来减小接地电阻的影响,但平均误差会随着接地电阻的增大而略有上升。当接地电阻达到50Ω时,平均误差小于2%,是可以接受的。根据上述分析,所提出的基于PAE-LSTM的故障定位网络能够正确识别故障线段,并以较低的定位误差精确定位故障点。虽然定位性能会随着故障距离和接地电阻的增加而下降,但所有模拟场景的定位误差均小于3%。
经验证表明,该方法实现了在多分支配电线路情况下的故障点精准定位。通过对大数量、高维度样本训练,能够实现在多分支配电***下的故障点精准测距。实现了在实际工程中的应用。该方法具有较强的普适性,可以结合实际配网拓扑图训练,训练好的定位网络精度极高,可靠性强,具有一定的发展前景。
实施例3
本实施例3提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如上所述的适用于多分支配电线路的智能故障定位方法,该方法包括:
利用预先构建的配电网模型,对配电网模型进行故障仿真,获取一级分支线路首端的相电压和相电流波形信息;获取二级分支线路末端的智能电表采集的电流有效值;
利用预先训练好的配电网故障测距模型,对获取的一级分支线路首端的相电压和相电流波形信息进行处理,完成故障点位置测距;
基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路;
综合故障线路判断结果和故障点位置测距,完成故障多分支配电线路故障定位。
实施例4
本实施例4提供一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行时,用于实现如上所述的适用于多分支配电线路的智能故障定位方法,该方法包括:
利用预先构建的配电网模型,对配电网模型进行故障仿真,获取一级分支线路首端的相电压和相电流波形信息;获取二级分支线路末端的智能电表采集的电流有效值;
利用预先训练好的配电网故障测距模型,对获取的一级分支线路首端的相电压和相电流波形信息进行处理,完成故障点位置测距;
基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路;
综合故障线路判断结果和故障点位置测距,完成故障多分支配电线路故障定位。
实施例5
本实施例5提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如上所述的适用于多分支配电线路的智能故障定位方法的指令,该方法包括:
利用预先构建的配电网模型,对配电网模型进行故障仿真,获取一级分支线路首端的相电压和相电流波形信息;获取二级分支线路末端的智能电表采集的电流有效值;
利用预先训练好的配电网故障测距模型,对获取的一级分支线路首端的相电压和相电流波形信息进行处理,完成故障点位置测距;
基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路;
综合故障线路判断结果和故障点位置测距,完成故障多分支配电线路故障定位。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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,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。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种适用于多分支配电线路的智能故障定位方法,其特征在于,包括:
利用预先构建的配电网模型,对配电网模型进行故障仿真,获取一级分支线路首端的相电压和相电流波形信息;获取二级分支线路末端的智能电表采集的电流有效值;
基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路;
利用预先训练好的配电网故障测距模型,对获取的一级分支线路首端的相电压和相电流波形信息进行处理,完成故障点位置测距;
综合故障线路判断结果和故障点位置测距,完成故障多分支配电线路故障定位。
2.根据权利要求1所述的适用于多分支配电线路的智能故障定位方法,其特征在于,基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路,包括:收集与馈线相连的二级分支末端智能电表的所有电流Iki(1≤i≤n),形成一个向量Io;向量Ie表示只有小电流的支路集合,其值小于阈值γ;0<p<n;N、O分别表示主支路上的节点和次支路远端节点,如果p=q,则表示只有一个二级分支发生故障,故障线为NkpOkp;当p≠q时,表示主支路Nk(p-1)Nkp发生故障,可能导致多个二级支路断电,即可判断故障所在线路。
3.根据权利要求1所述的适用于多分支配电线路的智能故障定位方法,其特征在于,配电网故障测距模型包括自编码器模块和长短期记忆网络模块并联组成;所述自编码器模块用于波形信息降维;所述长短期记忆网络模块用于以提取的时间相关特征序列作为输入,将不同时间段的单元格进行乘法运算。
6.根据权利要求5所述的适用于多分支配电线路的智能故障定位方法,其特征在于,在训练回归配电网故障测距模型时,定义损失函数来考虑自编码器模块和长短期记忆网络模块的影响:L=LPAE+LLSTM;
采用网格搜索和交叉验证的方法确定超参数,并使用Sigmoid函数作为长短期记忆网络模块中全连接层的激活函数。
7.一种适用于多分支配电线路的智能故障定位***,其特征在于,包括:
获取模块,用于利用预先构建的配电网模型,对配电网模型进行故障仿真,获取一级分支线路首端的相电压和相电流波形信息;获取二级分支线路末端的智能电表采集的电流有效值;
判断模块,用于基于二级分支线路末端的智能电表采集的电流有效值,判断故障线路;
测距模块,用于利用预先训练好的配电网故障测距模型,对获取的一级分支线路首端的相电压和相电流波形信息进行处理,完成故障点位置测距;
定位模块,用于综合故障线路判断结果和故障点位置测距,完成故障多分支配电线路故障定位。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求1-6任一项所述的适用于多分支配电线路的智能故障定位方法。
9.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序当在一个或多个处理器上运行时,用于实现如权利要求1-6任一项所述的适用于多分支配电线路的智能故障定位方法。
10.一种电子设备,其特征在于,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如权利要求1-6任一项所述的适用于多分支配电线路的智能故障定位方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310042798.5A CN116298670A (zh) | 2023-01-28 | 2023-01-28 | 适用于多分支配电线路的智能故障定位方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310042798.5A CN116298670A (zh) | 2023-01-28 | 2023-01-28 | 适用于多分支配电线路的智能故障定位方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116298670A true CN116298670A (zh) | 2023-06-23 |
Family
ID=86796781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310042798.5A Pending CN116298670A (zh) | 2023-01-28 | 2023-01-28 | 适用于多分支配电线路的智能故障定位方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116298670A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074869A (zh) * | 2023-10-16 | 2023-11-17 | 盛隆电气集团有限公司 | 一种配电线故障定位方法及*** |
-
2023
- 2023-01-28 CN CN202310042798.5A patent/CN116298670A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074869A (zh) * | 2023-10-16 | 2023-11-17 | 盛隆电气集团有限公司 | 一种配电线故障定位方法及*** |
CN117074869B (zh) * | 2023-10-16 | 2023-12-19 | 盛隆电气集团有限公司 | 一种配电线故障定位方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
Mestav et al. | State estimation for unobservable distribution systems via deep neural networks | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
CN104897784A (zh) | 基于耦合隐马尔可夫模型的变压器故障诊断方法 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN116298670A (zh) | 适用于多分支配电线路的智能故障定位方法及*** | |
CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
CN116401532A (zh) | 一种电力***受扰后频率失稳识别方法及*** | |
Roy et al. | Demand forecasting in smart grid using long short-term memory | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
Nguyen et al. | Electricity demand forecasting for smart grid based on deep learning approach | |
CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及*** | |
Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
Xu et al. | Short-term wind speed prediction based on GRU | |
Wang et al. | Joint prediction of Li-ion battery state of charge and state of health based on the DRSN-CW-LSTM model | |
CN117477544A (zh) | 融合时间模式特征的lstm超短期光伏功率预测方法及*** | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN117421571A (zh) | 一种基于配电网的拓扑实时辨识方法及*** | |
CN109459609B (zh) | 一种基于人工神经网络的分布式电源频率检测方法 | |
CN116565856A (zh) | 一种考虑未知拓扑变化的配电网状态估计方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN115130662A (zh) | 一种基于迁移学习的配电网时变拓扑状态估计方法 | |
Riquelme-Dominguez et al. | A machine learning-based methodology for short-term kinetic energy forecasting with real-time application: Nordic Power System case | |
Rosli et al. | Improving state estimation accuracy through incremental meter placement using new evolutionary strategy |
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 |