一种配电网短路故障区段定位方法及系统技术方案

本发明专利技术公开了一种配电网短路故障区段定位方法及系统，基于配用电信息系统下三遥数据和潮流数据的多源数据，建立以多源数据为基础的配电网短路故障区段定位模型，根据区段定位结果帮助配电网运行人员判断故障实际位置；在故障诊断特征库数量庞大的情形下，避免出现故障特征较低或者特征冗余的现象，基于I

【技术实现步骤摘要】
一种配电网短路故障区段定位方法及系统


[0001]本专利技术涉及配电网故障定位
，具体涉及一种配电网短路故障区段定位方法及系统。

技术介绍

[0002]近年来，随着我国配电网规模的不断扩大，短路故障发生的次数也在不断增多，若未及时识别并处理故障，可能会造成设备烧毁甚至大面积停电等危害。通过数据的实时监测，能够及时地发现配电网的故障位置，且随着10kV配电网数据实时监测系统的不断完善和进步，诸多区域的大量运行电气量数据、故障数据等各类信息均可以实时上传至各类系统，从配电侧到用户侧的大量历史数据，为配电网进行行为分析、负荷预测、故障区段定位奠定了坚实的基础。
[0003]但是，由于各种终端的质量参差不齐、施工工艺及安装环境都各不相同，导致大量终端在配电网正常运行时误报故障信号，而配电网故障运行时又漏报故障信号的情况时有发生，且大多故障定位均采用单一数据源，这会导致网络整体故障误判率大大提高。因此，如何在不同信息状况下利用多源数据快速准确地辨识、定位和处理配电网短路故障具有重要意义。

技术实现思路

[0004]本专利技术所要解决的技术问题是：传统的故障定位方法采用单一数据源，导致配电网络整体故障误判率提高，对单一数据源的依赖程度大；本专利技术目的在于提供一种配电网短路故障区段定位方法及系统，基于配用电信息系统下三遥数据和潮流数据的多源数据，建立以多源数据为基础的配电网短路故障区段定位模型，根据区段定位结果帮助配电网运行人员判断故障实际位置，通过多源数据来准确判断故障位置，具有容错性和实用性。<br/>[0005]本专利技术通过下述技术方案实现：本方案提供一种配电网短路故障区段定位方法，包括步骤：步骤一，以配电网的三遥数据和潮流数据作为故障诊断特征量，构建短路故障区段的定位数据特征库；步骤二，基于I
‑
Relief算法建立特征筛选模型，对定位数据特征库进行降维，得到特征性最强且特征之间相关性最弱的主要特征；步骤三，基于主要特征训练Elman神经网络得到配电网短路故障区段定位模型；步骤四，实时采集配电网中断路器动作信号、保护器动作信号和电气量输入配电网短路故障区段定位模型进行配电网短路故障区段定位。
[0006]本方案工作原理：传统配电网短路故障区段定位中，往往只采用保护装置中的断路器和保护动作来进行判断，从而导致当配电网中的终端误报或者漏报故障信号时，采用单一数据源的传统方法将无法对停电范围进行分析和识别的问题；本专利技术提供的配电网短路故障区段定位方法，基于配用电信息系统下三遥数据和潮流数据的多源数据，建立以多
源数据为基础的配电网短路故障区段定位模型，根据区段定位结果帮助配电网运行人员判断故障实际位置；传统故障区段定位方法主要是依据三遥数据，即电网中各类断路器、保护器的开关动作状态，只采用保护装置中的断路器和保护动作来进行判断，当配电网中的某终端误报或者漏报故障信号时，将无法对停电范围进行分析和识别；而本方案将潮流数据也作为短路故障区段定位的依据，增加了特征数据库种类，保证定位精度，同时带来故障诊断特征库数量庞大的情形，为了避免出现故障特征较低或者特征冗余的现象，本方案基于I
‑
Relief算法建立特征筛选模型，对定位数据特征库进行降维，得到特征性最强且特征之间相关性最弱的主要特征，更好地挖掘特征库与故障的关联规则；可以充分考虑到配网故障运行时故障信息漏报或者误报的情况，通过多源数据来准确判断不完备信息环境下的故障位置，具有容错性和实用性。
[0007]进一步优化方案为，所述三遥数据包括：断路器动作信号和保护器动作信号；所述潮流数据包括：配变负荷电压、配变负荷电流、配变负荷有功功率、配变负荷无功功率、馈线电压、馈线电流、用户侧电压、用户侧电流和用户侧功率。
[0008]进一步优化方案为，步骤二包括以下子步骤：S21，基于定位数据特征库中确定样本集合D和特征集合A；其中为样本，N为样本总数，表示样本类别，C为类别数，为特征，I表示特征数；S22，对样本集合D和特征集合A进行预处理，并初始化I
‑
Relief算法的参数：特征权重，样本抽样次数T，核参数和容许误差；S23，在样本集合D中任意选择一个样本，在同类样本集中找到k个同类近邻样本，从异类样本集中找到k个异类近邻样本，且，；并计算概率加权平均间隔向量；S24，基于同类近邻样本和异类近邻样本计算特征集合A中各特征的权重，利用线性规划模型和概率加权平均间隔向量不断更新权重，直至权重误差小于核参数。
[0009]由于定位数据特征库中不仅包括了传统的故障区段定位所采用的断路器分闸动作和保护动作，还包括电压、电流、有功和无功等潮流数据，因此故障诊断特征库数量庞大，必然会出现故障特征较低或者特征冗余的现象，通过建立主要特征筛选机制对特征库进行降维处理，更好地挖掘特征库与故障的关联规则。
[0010]进一步优化方案为，S22包括以下子步骤：
对特征集合A中的特征值进行归一化处理，并将样本集合D中的样本根据时间升序分为故障后样本和故障前样本。
[0011]进一步优化方案为，概率加权平均间隔向量根据下式计算：根据下式计算：根据下式计算：其中：表示指数函数，表示样本的异类近邻样本；表示样本的同类近邻样本；和分别表示样本是样本异类最近邻和同类最近邻的概率。
[0012]I
‑
Relief算法可以良好的解决多分类问题而非局限于二分类问题，且本方案引入概率加权平均间隔向量代替平均间隔向量以解决无关特征大量存在的问题。
[0013]进一步优化方案为，特征的权重计算方法包括：根据下式计算第个特征的权重：：
式中：和表示特征上样本到其同类近邻集合和异类近邻集合的距离；表示样本的第c个同类近邻的第个特征值，表示样本的第c个异类近邻的第个特征值，T表示样本抽取次数。
[0014]进一步优化方案为，特征权重根据下式更新：式中：为变量特征权重的2
‑
范数；当权重误差小于容许误差，时，当前权重更新结束。
[0015]进一步优化方案为，所述Elman神经网络的模型为：式中：为时刻数，、和分别为承接层到隐含层、输入层到隐含层和隐含层到输出层之间的连接权矩阵；为神经网络最终的输出； 为隐含层的输出；为承接层的输出；为神经网络的起始输入。
[0016]本方案基于普通神经网络进行改进，在隐含层增加一个承接层，使系统具有适应时变特性的能力，增强了网络的全局稳定性。
[0017]训练Elman神经网络的过程包括：以误差函数作为 Elman神经网络的目标函数，通过反向传播调整权值和阈值使误差函数取值最小；其中Elman神经网络第k步的输出为，误差函数的计算公式为：
表示矩阵的转置。
[0018]所述配电网短路故障区段定位的场景，包含了终端在配电网正常运行时误报故障信号和配电网故障运行时又漏报故障信号的非健全信息场景。
[0019]本方案还提供一种配电网短路故障区段定位系统，用于实现上述方案的方法，包括：特征库构建模块、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网短路故障区段定位方法，其特征在于，包括步骤：步骤一，以配电网的三遥数据和潮流数据作为故障诊断特征量，构建短路故障区段的定位数据特征库；步骤二，基于I
‑
Relief算法建立特征筛选模型，对定位数据特征库进行降维，得到特征性最强且特征之间相关性最弱的主要特征；步骤三，基于主要特征训练Elman神经网络得到配电网短路故障区段定位模型；步骤四，实时采集配电网中断路器动作信号、保护器动作信号和电气量输入配电网短路故障区段定位模型进行配电网短路故障区段定位。2.根据权利要求1所述的一种配电网短路故障区段定位方法，其特征在于，所述三遥数据包括：断路器动作信号和保护器动作信号；所述潮流数据包括：配变负荷电压、配变负荷电流、配变负荷有功功率、配变负荷无功功率、馈线电压、馈线电流、用户侧电压、用户侧电流和用户侧功率。3.根据权利要求2所述的一种配电网短路故障区段定位方法，其特征在于，步骤二包括以下子步骤：S21，基于定位数据特征库中确定样本集合D和特征集合A；其中为样本，N为样本总数，表示样本类别，C为类别数，为特征，I表示特征数；S22，对样本集合D和特征集合A进行预处理，并初始化I
‑
Relief算法的参数：特征权重，样本抽样次数T，核参数和容许误差；S23，在样本集合D中任意选择一个样本，在同类样本集中找到k个同类近邻样本，从异类样本集中找到k个异类近邻样本，且，；并计算概率加权平均间隔向量；S24，基于同类近邻样本和异类近邻样本计算特征集合A中各特征的权重，利用线性规划模型和概率加权平均间隔向量不断更新权重，直至权重误差小于核参数。4.根据权利要求3所述的一种配电网短路故障区段定位方法，其特征在于，S22包括以下子步骤：对特征集合A中的特征值进行归一化处理，并将样本集合D中的样本根据时间升序分为故障后样本和故障前样本。5.根据权利要求3所述的一种配电网短路故障区段定位方法，其特征在于，概率加权平
均间隔向量根据下式计算：根据下式计算：根据下式计算：其中：表示指数函数，表示样本的异类近邻样本；表示样本的同类近邻样本；和分别表示样...

【专利技术属性】
技术研发人员：高艺文，张华，龙呈，苏学能，李世龙，杨勇波，方玉，吴驰，徐琳，雷潇，宁鑫，李巍巍，罗洋，张睿，刘畅，熊嘉宇，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：