一种一级式配电网故障识别与定位方法及相关设备技术

本发明专利技术提供了一种一级式配电网故障识别与定位方法及相关设备，包括：对目标配电网在故障工况下的拓扑结构进行建模，获取拓扑结构的故障暂态信号；故障暂态信号包括暂态电压信号和暂态电流信号；建立故障暂态信号的最优时频联合分布表达式提取故障暂态信号的浅层特征量；构建故障定位模型，将拓扑结构、故障暂态信号和浅层特征量输入至故障定位模型进行特征提取和特征融合，得到目标配电网的故障识别结果和故障定位结果；能提取到融合配电网拓扑结构和故障暂态信号的时空故障特征，通过集成多层感知器完成故障类型识别、故障区段定位以及故障点精确定位，实现一级式的故障识别与定位，大大降低故障定位耗时，提高故障定位速度。提高故障定位速度。提高故障定位速度。

【技术实现步骤摘要】
一种一级式配电网故障识别与定位方法及相关设备


[0001]本专利技术涉及配电网故障识别与定位
，特别涉及一种一级式配电网故障识别与定位方法相关设备。

技术介绍

[0002]高渗透率的新能源及高比例的电力电子设备入网成为新一代电网的主要特征。相比于输电网络来说，配电网具有拓扑变化频率、扰动复杂、负载多样等特点，分布式新能源的大规模并网，进一步增加了配电网拓扑结构的复杂多变性和不确定性，以及电力电子设备引入的谐波、噪声等，导致配电网传统保护易发生误动和拒动，定位的快速性和精确性一直是制约配电系统故障定位技术的瓶颈问题。
[0003]现有的故障定位方法在面对结构多变、运行多变、故障场景多样的配电网故障时，仅能实现故障区段定位，定位范围大，无法精确定位到故障点，导致故障清除时间增长，严重危及电力系统的安全稳定运行。
[0004]快速准确的故障类型识别是恢复配电网供电的前提，配电网一旦发生故障，准确的故障类型识别对故障选线、故障点定位，快速修复故障线路，提高供电可靠性及较小停电损失具有非常重要的意义。
[0005]现有技术有利用人工神经网络提取故障信号特征量，并结合支持向量机(Support Vector Machine，SVM)实现对配电网故障类型的识别；还有利用三相电流正负序分量的相角关系构造隶属函数，继而建立模糊规则，通过模糊推理实现不平衡辐射状配电网的故障分类；还有提出一种基于自适应神经模糊推理系统的配电网故障分类方法，并分析了该方法在四种不同工况下的适应性；还有提出一种基于二进制蚁群算法和模糊神经网络的配电网故障分类方法，该方法克服了搜索速度慢、易陷入局部极小值的缺点；还有提出基于灰色关联度的配电网故障类型识别方法。上述有关配电网故障类型识别方法受故障节点电阻、系统运行方式的影响较大，且在含分布式新能源的配电网中，未能有效融合配电网拓扑结构和电气量信息提高分类模型的特征识别能力，无法适应拓扑结构的动态变化。
[0006]为了实现对配电网故障的精确定位，就必须对各种不同故障场景下的故障数据充分训练，学习各种故障影响因素的组合模式，如故障类型、故障位置、过渡电阻、故障相角、负载运行变化、分布式新能源投切及出力随机变化等，遍历各种故障场景形成故障定位的样本集数目是非常庞大的。如何从如此庞大的数据集中提取到深层次高区分性故障特征，成为配电网故障定位的关键。
[0007]从机器学习和多层神经网络演化而来的深度学习是当前大数据处理与分析的研究前沿，在处理特征不明显、关联性强的高维大规模非线性数据时有着独到的优势，具有从原始数据捕获代表性特征的强大能力，可以得到数据更有力的非线性表达。深度学习自2006年被提出到现在，在语音识别、计算机视觉、自然语言处理等方面取得了较好的应用效果。但有关深度学习在电力系统故障定位中的研究起步较晚，尚处于发展阶段。
[0008]现有技术对比分析了输配电网各种故障定位方法，展望了基于深度学习的机器学
习算法在故障定位中特有的优势；利用卷积神经网络实现配电网故障线路检测；针对配电网故障定位精度不高的问题，提出利用两种不同卷积神经网络分别实现故障区段和故障点定位；上述研究结果表明，将深度学习引入到大规模复杂电网的故障识别与定位中，能有效解决复杂电网高维数据挖掘及特征提取难题，能有效消除传统智能算法人工特征提取与选择带来的不确定性。但上述基于深度学习的故障定位方法仅仅利用电气量信号，未考虑配电网拓扑结构对故障定位效果的影响，无法适应配电网拓扑结构的动态变化。
[0009]近来，Gori等人提出了图神经网络，能够直接对节点、边以及图整体进行特征聚合和提取，最大程度的保留图的拓扑结构信息和节点属性信息，可应用于图数据领域。它在很多结构化场景(如社交网络、物理系统、化合物分子、知识图谱等)已取得良好的应用效果。在图神经网络中，节点之间的信息传递受拓扑连接关系的约束，这与电力系统物理模型中能量的流动具有相似性，因此，可以直接将电力系统的拓扑连接关系建模到图神经网络中。但有关图神经网络在故障定位中的研究很少，尚处于起步发展阶段；现有技术中提出了基于图注意力网络的配电网故障区段定位方法。上述关于图神经网络的故障定位方法只能提取图数据的空间特征实现区段定位，无法提取图数据的时间特性以及时空相关特性，而且，它们都无法摆脱深度网络的不可解释性。
[0010]综上所述，随着大规模分布式新能源的并网和大量电力电子设备的引入，配电网的精确定位面临新的问题和挑战，主要包括：1)分布式新能源并网引起配电网拓扑结构复杂多变、故障暂态随机复杂，难以准确提取故障特征；2)电力电子设备引入的随机噪声干扰故障特征可靠提取；3)传统的基于暂态量测信息的故障定位方法仅仅利用暂态信号进行特征提取，无法适应配电网拓扑结构的动态变化。

技术实现思路

[0011]本专利技术提供了一种一级式配电网故障识别与定位方法及相关设备，其目的是为了提高配电网的故障识别和定位的精度。
[0012]为了达到上述目的，本专利技术提供了一种一级式配电网故障识别与定位方法，包括：
[0013]步骤1，对目标配电网在故障工况下的拓扑结构进行建模，获取拓扑结构的故障暂态信号；故障暂态信号包括暂态电压信号和暂态电流信号；
[0014]步骤2，建立故障暂态信号的最优时频联合分布表达式，通过最优时频联合分布表达式提取故障暂态信号的浅层特征量；
[0015]步骤3，构建故障定位模型，将拓扑结构、故障暂态信号和浅层特征量输入至故障定位模型进行特征提取和特征融合，得到目标配电网的故障识别结果和故障定位结果；
[0016]故障定位模型包括：输入层、共享层、全连接层和多层感知器，输入层的输出端与共享层的输入端连接，共享层的输出端与全连接层的输入端连接，全连接层的输出端与多层感知器的输入端连接。
[0017]进一步来说，共享层包括：用于提取空间特征的图注意力网络和用于提取时间特征的长短时记忆网络；
[0018]图注意力网络包括依次连接的第一图注意力层、第二图注意力层、第三图注意力层和第一全连接层；
[0019]第一图注意力层的输入端作为共享层的输入端与输入层的第一输出端连接；
[0020]长短时记忆网络包括多个长短时记忆模块和第二全连接层连接，多个长短时记忆模块依次连接，多个长短期记忆模块的输入端均与第一全连接层的输出端连接，多个长短期记忆模块的输出端均与第二全连接层的输入端连接，第二全连接层的输入端与输入层的第二输出端连接，第二全连接层的输出端作为共享层的输出端与全连接层的输入端连接。
[0021]进一步来说，将拓扑结构、故障暂态信号和浅层特征量均输入输入层，其中拓扑结构和故障暂态信号输入至图注意力网络，利用第一图注意力层、第二图注意力层和第三图注意力层进行特征提取，并通过第一全连接层进行聚合得到故障暂态信号的空间特征；
[0022]将空间特征分别输入至长短时记忆模块，挖掘故障暂态信号在时间维度上的变化规律，得到故障暂态信号的时间特征；
[0023]将时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种一级式配电网故障识别与定位方法，其特征在于，包括：步骤1，对目标配电网在故障工况下的拓扑结构进行建模，获取所述拓扑结构的故障暂态信号；所述故障暂态信号包括暂态电压信号和暂态电流信号；步骤2，建立所述故障暂态信号的最优时频联合分布表达式，通过所述最优时频联合分布表达式提取所述故障暂态信号的浅层特征量；步骤3，构建故障定位模型，将所述拓扑结构、所述故障暂态信号和所述浅层特征量输入至所述故障定位模型进行特征提取和特征融合，得到所述目标配电网的故障识别结果和故障定位结果；所述故障定位模型包括：输入层、共享层、全连接层和多层感知器，所述输入层的输出端与所述共享层的输入端连接，所述共享层的输出端与所述全连接层的输入端连接，所述全连接层的输出端与所述多层感知器的输入端连接。2.根据权利要求1所述的一级式配电网故障识别与定位方法，其特征在于，所述共享层包括：用于提取空间特征的图注意力网络和用于提取时间特征的长短时记忆网络；所述图注意力网络包括依次连接的第一图注意力层、第二图注意力层、第三图注意力层和第一全连接层；所述第一图注意力层的输入端作为所述共享层的输入端与所述输入层的第一输出端连接；所述长短时记忆网络包括多个长短时记忆模块和第二全连接层连接，多个所述长短时记忆模块依次连接，多个所述长短期记忆模块的输入端均与所述第一全连接层的输出端连接，多个所述长短期记忆模块的输出端均与所述第二全连接层的输入端连接，所述第二全连接层的输入端与所述输入层的第二输出端连接，所述第二全连接层的输出端作为所述共享层的输出端与所述全连接层的输入端连接。3.根据权利要求2所述的一级式配电网故障识别与定位方法，其特征在于，所述步骤3包括：将所述拓扑结构、所述故障暂态信号和所述浅层特征量均输入所述输入层，其中所述拓扑结构和所述故障暂态信号输入至所述图注意力网络，利用所述第一图注意力层、所述第二图注意力层和所述第三图注意力层进行特征提取，并通过所述第一全连接层进行聚合得到所述故障暂态信号的空间特征；将所述空间特征分别输入至所述长短时记忆模块，挖掘所述故障暂态信号在时间维度上的变化规律，得到所述故障暂态信号的时间特征；将所述时间特征与所述浅层特征量输入至所述第二全连接层进行聚合，得到聚合结果；所述聚合结果通过所述全连接层输入至所述多层感知器进行故障识别和定位，得到所述目标配电网的故障识别结果和故障定位结果。4.根据权利要求3所述的一级式配电网故障识别与定位方法，其特征在于，所述全连接层包括第三全连接层、第四全连接层和第五全连接层；所述多层感知器包括用于对故障类型进行识别的第一多层感知器、用于对故障区段进行定位...

【专利技术属性】
技术研发人员：席燕辉，李旭乐，李美婷，谭永周，徐志康，李赛，姚春艳，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：