本发明专利技术提供一种配电网故障定位方法及装置，该方法包括：获取线路各节点三相电流采样数据，对采样数据进行特征提取；将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入，进行训练后得到。该方法通过自适应卷积神经网络模型，可缩短在线诊断时间，同时无需通过频率、故障位置、过渡电阻评估故障线路相别，从而受系统频率、故障位置、过渡电阻等因素影响小。能够避免只采用故障测距法在复杂输电故障检测中定位精度低的问题。精度低的问题。精度低的问题。
【技术实现步骤摘要】
配电网故障定位方法及装置
[0001]本专利技术涉及电力系统
，尤其涉及一种配电网故障定位方法及装置。
技术介绍
[0002]在配电系统中，输电线路故障严重影响着配电网运行的安全性、稳定性以及供电可靠性，进一步也将造成电力生产运行部门以及用户造成相应的经济损失。又由于配电网结构复杂、规模庞大且覆盖范围广，接地故障时有发生，给地区电网的安全稳定运行带来了一定挑战。
[0003]现有的关于配电网故障诊断的方法主要包括：故障测距法。其中，阻抗法的故障测距原理是在假定线路参数保持均匀一致的条件下，由于故障回路阻抗与测量点到故障点的距离成正比，从而通过计算故障时测量点的阻抗除以线路的单位阻抗值得到测量点到故障点的距离。阻抗法投资少，但受实际线路阻抗、负荷以及电源参数影响大，不适合用于线路结构复杂的配电网故障定位使用。
技术实现思路
[0004]针对现有技术存在的问题，本专利技术提供一种配电网故障定位方法及装置。
[0005]本专利技术提供一种配电网故障定位方法，包括：获取线路各节点三相电流采样数据，对所述采样数据进行特征提取；将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，所述自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入数据，进行训练后得到。
[0006]根据本专利技术一个的配电网故障定位方法，所述获取线路各节点三相电流采样数据，具体为获取具有同步时标的各节点三相电流采样数据；相应地，所述对故障节点采用双端故障定位，具体为：根据带有对应同步时标的故障线路两端故障录波数据，对故障线路采用双端故障定位。
[0007]根据本专利技术一个的配电网故障定位方法，所述对所述采样数据进行特征提取，包括：获取线路各节点预设时间段的三相电流采样值，按照矩阵形式排列，得到特征数据。
[0008]根据本专利技术一个的配电网故障定位方法，所述将提取的特征数据，输入预训练的自适应卷积神经网络模型，包括：将矩阵形式的特征数据输入所述自适应卷积神经网络模型的卷积层和自适应池化层进行特征提取，再输入全连接层和softmax分类器，得到输出故障节点间的故障线路相别；所述自适应池化层，设有自适应权重因子，所述自适应权重因子取值，根据网络训练次数以及池化域中的元素值确定。
[0009]根据本专利技术一个的配电网故障定位方法，将提取的特征数据，输入预训练的自适应卷积神经网络模型之前，还包括：获取输电线路各节点已知故障线路相别的电流故障录波数据，进行平滑处理和特征提取后，作为训练样本，输入到构建的自适应卷积神经网络模型中进行训练；通过损失函数计算损失值，当测试结果错误率降低到预设范围之后，保存训
练完成的自适应卷积神经网络模型，得到所述预训练的自适应卷积神经网络模型。
[0010]根据本专利技术一个的配电网故障定位方法，自适应池化层中的自适应池化模型计算如下：
[0011][0012][0013][0014]其中，λ为自适应权重因子；为池化域内除最大值x
max
之外的元素平均值；β为补偿项，其取值范围为(0,1)；α为特征系数；c为池化域大小，n
iter
为CNN训练的次数；F
ij
为池化层输入，S
ij
为池化层输出。
[0015]根据本专利技术一个的配电网故障定位方法，对所述故障线路采用双端故障定位，得到故障节点间故障线路的故障位置，包括：
[0016][0017]其中，I
S2
、I
R2
、U
S2
、U
R2
为发生单相接地故障时发送端S、接收端R端负序电流相量和电压相量；Z2为单位长度线路的负序阻抗；x为故障点F到测量点S的距离；L为线路全长。
[0018]本专利技术还提供一种配电网故障定位装置，包括：特征提取模块，用于获取线路各节点三相电流采样数据，对所述采样数据进行特征提取；故障线路确定模块，用于将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；故障位置确定模块，用于对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，所述自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入数据，进行训练后得到。
[0019]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述配电网故障定位方法的步骤。
[0020]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述配电网故障定位方法的步骤。
[0021]本专利技术提供的配电网故障定位方法及装置，通过预训练的自适应卷积神经网络模型，可缩短在线诊断时间，同时无需通过频率、故障位置、过渡电阻评估故障线路相别，从而受系统频率、故障位置、过渡电阻等因素影响小，在得到故障线路和相别之后，再利用故障测距法，从而能够避免只采用故障测距法在复杂输电故障检测中定位精度低的问题。
附图说明
[0022]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一
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。
[0023]图1是本专利技术提供的配电网故障定位方法的流程示意图；
[0024]图2是本专利技术提供的卷积过程原理图；
[0025]图3是本专利技术提供的双端故障定位原理图；
[0026]图4是本专利技术提供的配电网拓扑图；
[0027]图5是本专利技术提供的权值调整次数与均方差关系图；
[0028]图6是本专利技术提供的配电网故障定位装置的结构示意图；
[0029]图7是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0030]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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所有其他实施例，都属于本专利技术保护的范围。
[0031]下面结合图1
‑
图7描述本专利技术的配电网故障定位方法及装置。图1是本专利技术提供的配电网故障定位方法的流程示意图，如图1所示，本专利技术提供配电网故障定位方法，包括：
[0032]101、获取线路各节点三相电流采样数据，对所述采样数据进行特征提取。
[0033]利用配电终端获取输电线路各节点已知故障线路相别的电流故障录波数据，得到线路各节点三相电流采样数据。节点可以是线路设有本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种配电网故障定位方法，其特征在于，包括：获取线路各节点三相电流采样数据，对所述采样数据进行特征提取；将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，所述自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入数据，进行训练后得到。2.根据权利要求1所述的配电网故障定位方法，其特征在于，所述获取线路各节点三相电流采样数据，具体为获取具有同步时标的各节点三相电流采样数据；相应地，所述对故障节点采用双端故障定位，具体为：根据带有对应同步时标的故障线路两端故障录波数据，对故障线路采用双端故障定位。3.根据权利要求1所述的配电网故障定位方法，其特征在于，所述对所述采样数据进行特征提取，包括：获取线路各节点预设时间段的三相电流采样值，按照矩阵形式排列，得到特征数据。4.根据权利要求3所述的配电网故障定位方法，其特征在于，所述将提取的特征数据，输入预训练的自适应卷积神经网络模型，包括：将矩阵形式的特征数据输入所述自适应卷积神经网络模型的卷积层和自适应池化层进行特征提取，再输入全连接层和softmax分类器，得到输出故障节点间的故障线路相别；所述自适应池化层，设有自适应权重因子，所述自适应权重因子取值，根据网络训练次数以及池化域中的元素值确定。5.根据权利要求1所述的配电网故障定位方法，其特征在于，将提取的特征数据，输入预训练的自适应卷积神经网络模型之前，还包括：获取输电线路各节点已知故障线路相别的电流故障录波数据，进行平滑处理和特征提取后，作为训练样本，输入到构建的自适应卷积神经网络模型中进行训练；通过损失函数计算损失值，当测试结果错误率降低到预设范围之后，保存训练完成的自适应卷积神经网络模型，得到所述预训练的自适应卷积神经网络模型。6.根据权利要求4所述的配电网故障定位...
【专利技术属性】
技术研发人员：井天军，梁洁锋，陈彦君，杨建华，王江波，牛焕娜，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。