基于CIM和Bi-LSTM的小电流单相接地故障选线方法技术

本发明专利技术根据调度中心调度数据特点，提供了基于CIM和Bi

【技术实现步骤摘要】
基于CIM和Bi
‑
LSTM的小电流单相接地故障选线方法


本专利技术涉及电力调度自动化和机器学习
，特别是一种基于CIM和Bi
‑
LSTM的小电流单相接地故障选线方法。

技术介绍

目前，小电流单相接地故障按照其利用信号的不同可分为两类：利用外加信号的间接识别方法和利用故障信号的直接识别方法。外加信号识别方法即注入法，其中最具代表性的是S注入法，但是经消弧线圈接地的谐振电路会补偿甚至抵消掉注入信号，导致检测效果差；而且，注入法需要在电网中添加新的信号发生和采集设备。利用故障信号的直接识别方法，如零序电流的电流比幅法和电流相位法、有功分量法、谐波法、零序导纳法、首半波法、零序能量法、波形相似度法、行波法和时频分析法，以及基于模糊理论将这些方法相互结合起来的多盘踞选线方法和深度学习方法。虽然，上述方法都能达到故障选线准确率，但是都是基于配电站的录波数据，对数据的要求十分严格，需要毫秒级，而且需要在每个配电站安装小选装置。上述方法可参考下列文献：
[0001]姜健,鲍光海.小电流接地系统单相接地故障选线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CIM和Bi
‑
LSTM的小电流单相接地故障选线方法，其特征在于，包括：步骤1，解析CIM模型文件，得到不包含备用母线的电网拓扑，即{变电站1：母线1[负载1，负载2，负载3
…
]；母线2[负载1，负载2，负载3
…
]
…
；变电站2：母线1[负载1，负载2，负载3
…
]；母线2[负载1，负载2，负载3
…
]
…
；
…
}；步骤2，构建并训练双层Bi
‑
LSTM神经网络模型；所述双层Bi
‑
LSTM神经网络模型包括依次连接的输入层、第一隐藏层、第二隐藏层和输出层；其中，第一隐藏层和第二隐藏层均为Bi
‑
LSTM；步骤3，检测电网拓扑中，变电站1母线1负载1在m个时间点的5个特征，得到m行5列的特征数据；其中，m大于等于3，5个特征为有功功率、无功功率、A相相电流有效值、B相相电流有效值和C相相电流有效值；将m行5列的特征数据输入双层Bi
‑
LSTM神经网络模型，得到变电站1母线1负载1的线路故障概率P1；按照相同的方法，得到变电站1母线1其它负载在相同时间点的线路故障概率P2
…
Pn；如变电站1母线1的所有线路的故障概率P1、P2
…
Pn的最大值P_max大于等于故障概率阈值，则判定P_max对应的线路发生小电流单相接地故障；步骤4，按照步骤3相同的方法，判定电网拓扑中变电站1其它母线的负载线路是否发生小电流单相接地故障，以及电网拓扑中其它变电站的所有母线的负载线路是否发生小电流单相接地故障。2.如权利要求1所述的基于CIM和Bi
‑
LSTM的小电流单相接地故障选线方法，其特征在于，所述解析CIM模型文件，得到不包含备用母线的电网拓扑，具体为：所述CIM模型文件包括变电站，其属性包括名称和标识；所述CIM模型文件还包括设备；设备包括变压器、变压器绕组、断路器、接地手车、母线、负载、输电线和补偿器；设备通过端子连接节点；设备的属性包括名称、标识和端子；其中，变压器的属性，还包括其所属的变电站；端子的属性包括名称、标识和节点；节点的属性包括名称和标识；1.1读取CIM，将每一个变电站的名称存入列表station_all；令i＝1；1.2读取station_all中第i个变电站的变压器所包含的变压器绕组的标识，存入列表TW_all；令j＝1；1.3读取TW_all中第j个变压器绕组的标识x1和通过端子连接的节点的标识y1，将x1和y1输入到获取下一级设备算法，得到next_eqID1和next_cnID1；1.4情况1：若next_eqID1为空或者next_cnID1为空，则当前变压器绕组下的所有设备遍历结束，令j＝j+1，返回1.3；情况2：若next_eqID1不止一个设备标识，则当前设备后续发生了分叉，即连接了不止一个...

【专利技术属性】
技术研发人员：荣海娜，冉茂军，张葛祥，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：