一种适用于森林火灾高阻接地情况下的故障选线方法技术

本发明专利技术公开了一种森林火灾下高阻接地故障选线方式，包括：步骤1：对采集的各支路零序电流采用小波滤波方式对支路零序电流波形进行滤波处理，滤除噪声干扰，得到去噪后的零序电流对所有支路去噪后的零序电流基于Shapelet算法采用滑动窗口在零序电流时间序列上得到所有可能的子序列集合；对候选集candidate中每一个候选子序列C，计算其与每一条之路零序电流的距离并进行排序；设置不同的阈值d

【技术实现步骤摘要】
一种适用于森林火灾高阻接地情况下的故障选线方法


[0001]本专利技术涉及电力系统故障判别领域，特别涉及一种适用于森林火灾高阻接地情况下的故障选线方法。

技术介绍

[0002]尽快切除故障线路，实现可靠安全的持续供电一直是配电网的重要议题。过去的接地选线装置几乎无力应对像森林火灾这样的高阻接地故障工况。随着智能电网的建设，线路架设范围和密度进一步增加，森林火灾中进行故障选线的难度进一步提高。
[0003]现有技术用于故障选线的算法从零序电流中提取特征用于区分故障线路和非故障线路，为使这种区别更加明显，频域特征提取被应用于故障选线。森林火灾下选线的难点在于过渡电阻较高，故障特征不明显，且现场采样噪声干扰严重。这使得森林火灾下故障选线成为配电网中的难点问题。但是由此引发的长时间故障检询以及带来的经济损失和其他伤害是难以接受的，故根据此情境开发新的高效的选线算法具有重要意义。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种适用于森林火灾高阻接地情况下的故障选线方法，针对高阻接地的故障工况实现故障选线，对配电网安全运行具有重要意义。
[0005]为了实现上述目的，本专利技术采用的技术方案为：
[0006]一种适用于森林火灾高阻接地情况下的故障选线方法，包括：
[0007]步骤一：使用已知故障线路的零序电流历史数据对shapelet模型算法进行训练，训练shapelet模型算法的超参数直至超参数被确定；
[0008]步骤二：将训练后的shapelet模型算法应用于故障选线，实时输入各支路零序电流信号，shapelet模型算法自动按照超参数选择最优候选子序列，在计算该子序列与支路零序电流的距离排序后，按训练好的分割阈值和分割方式将各支路进行分类，得到故障类对应的支路即为故障线路。
[0009]所述步骤一包括：
[0010]步骤1：对采集的已知故障线路的各支路零序电流历史数据采用小波滤波方式对支路零序电流波形进行滤波处理，滤除噪声干扰，得到去噪后的零序电流
[0011]步骤2：对所有支路去噪后的零序电流进行归一化处理；采用滑动窗口在零序电流时间序列上得到所有可能的子序列集合：候选集candidate；
[0012]步骤3：对候选集candidate中每一个候选子序列C，计算其与每一条之路零序电流的距离并进行排序；
[0013]步骤4：设定一阈值d
th
，按照此距离阈值采用分割方式sp，将上述支路分为两类A和B，分别指代故障类和非故障类。
[0014][0015]K为每一个支路的序号
[0016]步骤5：设置不同的阈值d
th
，计算每一种分割方式的信息增益Information Gain，将信息增益最高的分割方式作为故障选线的判别方式，确定信息增益最高的分类作为故障分类的最终判别方式，将信息增益最高的分类中A类定义为故障类，A类中的支路则为故障支路；
[0017]信息增益计算方式如下：
[0018]零序电流集合
[0019]entropy(I)＝
‑
p(A)log(p(A))
‑
p(B)log(p(B))
[0020][0021]A和B分别为故障类和非故障类，p(A)为其概率分布，m为总支路条数，sp指代阈值d
th
下的分割方式，entropy(I)为sp分割方式下的熵，为未分割时的熵；
[0022]将已经故障线路的零序电流数据求得的分类阈值、分类方式作为已知数来对shapelet模型算法进行训练从而确定算法模型中的超参数使得算法训练完成。
[0023]在步骤1中，小波滤波方式处理方法包括：将含噪零序电流i0转换为小波域信号s(k)并进行小波变换得到各层小波系数d
j，k
进行阈值处理，得到处理后的小波系数采用处理后的小波系数重构信号，得到去噪后的零序电流j，k分别代表小波变换中的层数和级数
[0024]采用欧式距离计算候选片段C与零序电流之间的距离
[0025]本专利技术的优点在于：利用小波去噪方法提取了零序电流波形，使其更易于处理，有利于选线；时域上对零序电流进行处理，采用shapelet模型算法预先训练后计算信息增益方式来将故障支路、正常支路进行分类，可以有效地根据信息增益的大小来确定故障分类的正确分类方式，进而有效的根据分类结果获取得到故障线路，有效的、准确的实现了高阻接地的选线。
附图说明
[0026]下面对本专利技术说明书各幅附图表达的内容及图中的标记作简要说明：
[0027]图1是本专利技术配电网系统结构图；
[0028]图2是未去噪时的零序电流暂态震荡波形；
[0029]图3是小波去噪后零序电流暂态震荡波形；
[0030]图4是仿真实例中添加高斯白噪声后的零序电流波形；
[0031]图5是仿真实例中对零序电流去噪得到的波形。
具体实施方式
[0032]下面对照附图，通过对最优实施例的描述，对本专利技术的具体实施方式作进一步详细的说明。
[0033]本专利技术涉及一种森林火灾等自然灾害情况下配电网接地故障选线的方法，属于电力系统故障判别领域。现有配电网接地故障选线装置应对高阻接地都没有较好的解决方案，这主要是由于过渡电阻较高时故障特征不明显，且噪声干扰严重，信息掩盖在噪声中造成的。本专利技术采用小波滤除噪声后，将shapelet算法应用到故障选线中，在时域上自动提取了零序电流中的局部特征。计算信息增益得到最佳的分割方式，将支路分为故障类和非故障类进行选线。本专利技术提出了一种针对高阻接地故障选线的有效方法，提高了配电网供电可靠性。
[0034]本专利技术涉及一种森林火灾情况下接地故障选线的方法，针对高阻接地的故障工况实现故障选线，对配电网安全运行具有重要意义。
[0035]本专利技术的技术方案是：
[0036]步骤一：使用已知故障线路的零序电流历史数据对shapelet模型算法进行训练，训练shapelet模型算法的超参数直至超参数被确定；
[0037]步骤二：将训练后的shapelet模型算法应用于故障选线，实时输入各支路零序电流信号，shapelet模型算法自动按照超参数选择最优候选子序列，在计算该子序列与支路零序电流的距离排序后，按训练好的分割阈值和分割方式将各支路进行分类，得到故障类对应的支路即为故障线路。
[0038]所述步骤一主要是对于shapelet模型算法的训练，训练后的shapelet模型算法的超参数等均被确认，当出现故障时，可以自动的输出故障分类，而故障分类中的支路即为故障支路，具体的训练步骤包括：
[0039]Step1：对采集的已知故障线路的各支路零序电流历史数据采用小波滤波方式对支路零序电流波形进行滤波处理，滤除噪声干扰，得到去噪后的零序电流
[0040]采用小波滤波方式对支路零序电流波形进行滤波处理，滤除噪声干扰。将含噪零序电流i0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于森林火灾高阻接地情况下的故障选线方法，其特征在于：包括：步骤一：使用已知故障线路的零序电流历史数据对shapelet模型算法进行训练，训练shapelet模型算法的超参数直至超参数被确定；步骤二：将训练后的shapelet模型算法应用于故障选线，实时输入各支路零序电流信号，shapelet模型算法自动按照超参数选择最优候选子序列，在计算该子序列与支路零序电流的距离排序后，按训练好的分割阈值和分割方式将各支路进行分类，得到故障类对应的支路即为故障线路。2.如权利要求1所述的一种适用于森林火灾高阻接地情况下的故障选线方法，其特征在于：所述步骤一包括：步骤1：对采集的已知故障线路的各支路零序电流历史数据采用小波滤波方式对支路零序电流波形进行滤波处理，滤除噪声干扰，得到去噪后的零序电流步骤2：对所有支路去噪后的零序电流进行归一化处理；采用滑动窗口在零序电流时间序列上得到所有可能的子序列集合：候选集candidate；步骤3：对候选集candidate中每一个候选子序列C，计算其与每一条之路零序电流的距离并进行排序；步骤4：设定一阈值d
th
，按照此距离阈值采用分割方式sp，将上述支路分为两类A和B，分别指代故障类和非故障类。别指代故障类和非故障类。K为每一个支路的序号步骤5：设置不同的阈值d
th
，计算每一种分割方式的信息增...

【专利技术属性】
技术研发人员：张国武，黄智华，刘洪兵，黄祥，唐强，甘龙，陈炯，邹学翔，李辉，
申请(专利权)人：云南电网有限责任公司昆明供电局，
类型：发明
国别省市：