一种含分布式光伏配电网接地故障辨识方法及系统技术方案

本发明专利技术公开一种含分布式光伏配电网接地故障辨识方法及系统，方法包括：对获取的零序电压信号进行变分模态分解，得到模态分量序列，模态分量序列中包含本征模时间子序列；基于改进的MPE算法对本征模时间子序列进行多尺度粗粒化，得到多尺度排列熵矩阵；将多尺度排列熵矩阵输入卷积神经网络中，经过卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入卷积神经网络的全连接层进行分类，使卷积神经网络输出故障类型的分布概率。在进行池化时，通过计算各个位置与均值的差值的平方，并乘以该位置的指数值作为权值，该权值能够放大输入数据中原本较小的差异，能够对故障特征矩阵信息进行有效辨识，提高了故障辨识的准确率。识的准确率。识的准确率。

【技术实现步骤摘要】
一种含分布式光伏配电网接地故障辨识方法及系统


[0001]本专利技术属于电力自动化
，尤其涉及一种含分布式光伏配电网接地故障辨识方法及系统
。

技术介绍

[0002]随着高渗透率分布式光伏的接入，配电网导致传统配电网的拓扑结构发生变化，伴随着光伏发电的电源容量
、
接入位置
、
出力情况等不确定性进一步造成配电网电压分布，谐波含量等故障特征随之变化，这对配电网接地故障辨识造成了显著影响
。
[0003]传统配电网接地故障辨识方法主要通过对故障波形进行分析，提取其中的故障特征信息进行故障辨识
。
此类方法主要依赖于对波形时域或频域特征的提取，结合人工设置的故障阈值进行故障辨识，但此类方法的主观性较强，时常发生误判的现象
。
目前，许多研究人员从时频域特征融合及机器学习等方面对故障进行诊断
。
但随着高渗透率分布式光伏接入，配电网故障特性与传统配电网存在较大差异，现有故障特征提取算法受光伏并网的影响，难以对故障特征进行有效提取
。
并且，现有故障特征提取算法只针对某一特定类型故障进行提取，难以对全体故障特征进行差异化描述
。
[0004]综上，现有技术中的故障辨识存在以下技术缺陷：
1)
配电网接入分布式光伏后，故障特征受到显著影响，传统配电网故障辨识算法在辨识过程中出现了部分接地故障时频域特征混淆的问题，造成故障辨识难度加大；
2)
传统配电网故障特征提取算法所提取的故障特征只能针对某一类型故障进行故障辨识，无法将所有故障类型进行区分；
3)
传统故障分类算法需要人工设置阈值实现故障分类，容易发生错误判别
。

技术实现思路

[0005]本专利技术提供一种含分布式光伏配电网接地故障辨识方法及系统，用于解决难以对故障特征进行有效提取以及提取故障特征的类型单一的技术问题
。
[0006]第一方面，本专利技术提供一种含分布式光伏配电网接地故障辨识方法，包括：
[0007]对获取的零序电压信号进行变分模态分解，得到模态分量序列，其中，所述模态分量序列中包含本征模时间子序列；
[0008]基于改进的
MPE
算法对所述本征模时间子序列进行多尺度粗粒化，得到多尺度排列熵矩阵；
[0009]将所述多尺度排列熵矩阵输入卷积神经网络中，经过所述卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入所述卷积神经网络的全连接层进行分类，使所述卷积神经网络输出故障类型的分布概率，其中，基于所述池化层对所述多尺度排列熵矩阵进行处理具体包括：
[0010]将输入矩阵
T
γ
转化成序列
γ
＝
[
γ
z
]，
z
＝1，2，
...
，
n
，其中，输入矩阵
T
γ
为多尺度排列熵矩阵经过卷积层卷积处理后输出的矩阵，
γ
z
为序列
γ
第
z
个位置的值；
[0011]计算序列
γ
各个位置的值与所述序列
γ
的平均值的差值的平方值，得到平方序列
m
γ
＝
[m
γ
z
]，
z
＝1，2，
...
，
n
，其中，计算序列
γ
各个位置的值与所述序列
γ
的平均值的差值的平方值的表达式为：
[0012]m
γ
z
＝
(
γ
z
‑
mean(
γ
))2，
[0013]式中，
mean(
γ
)
为序列
γ
的平均值；
[0014]将平方序列
m
γ
中的各个值分别与对应位置的指数值相乘，得到权重序列
weight
＝
[weight
z
]，
z
＝1，2，
...
，
n
，其中，将平方序列
m
γ
中的各个值分别与对应位置的指数值相乘的表达式为：
[0015][0016]式中，为对序列
γ
第
z
个位置的值取指数；
[0017]根据所述权重序列对所述输入矩阵
T
γ
进行加权，得到池化特征矩阵
。
[0018]第二方面，本专利技术提供一种含分布式光伏配电网接地故障辨识系统，包括：
[0019]获取模块，配置为对获取的零序电压信号进行变分模态分解，得到模态分量序列，其中，所述模态分量序列中包含本征模时间子序列；
[0020]粗粒化模块，配置为基于改进的
MPE
算法对所述本征模时间子序列进行多尺度粗粒化，得到多尺度排列熵矩阵；
[0021]处理模块，配置为将所述多尺度排列熵矩阵输入卷积神经网络中，经过所述卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入所述卷积神经网络的全连接层进行分类，使所述卷积神经网络输出故障类型的分布概率，其中，基于所述池化层对所述多尺度排列熵矩阵进行处理具体包括：
[0022]将输入矩阵
T
γ
转化成序列
γ
＝
[
γ
z
]，
z
＝1，2，
...
，
n
，其中，输入矩阵
T
γ
为多尺度排列熵矩阵经过卷积层卷积处理后输出的矩阵，
γ
z
为序列
γ
第
z
个位置的值；
[0023]计算序列
γ
各个位置的值与所述序列
γ
的平均值的差值的平方值，得到平方序列
m
γ
＝
[m
γ
z
]，
z
＝1，2，
...
，
n
，其中，计算序列
γ
各个位置的值与所述序列
γ
的平均值的差值的平方值的表达式为：
[0024]m
γ
z
＝
(
γ
z
‑
mean(
γ
))2，
[0025]式中，
mean(
γ
)
为序列
γ
的平均值；
[0026]将平方序列
m
γ
中的各个值分别与对应位置的指数值相乘，得到权重序列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种含分布式光伏配电网接地故障辨识方法，其特征在于，包括：对获取的零序电压信号进行变分模态分解，得到模态分量序列，其中，所述模态分量序列中包含本征模时间子序列；基于改进的
MPE
算法对所述本征模时间子序列进行多尺度粗粒化，并计算各个本征模时间子序列在不同尺度下的排列熵值，得到多尺度排列熵矩阵；将所述多尺度排列熵矩阵输入卷积神经网络中，经过所述卷积神经网络的卷积层和池化层处理后，将处理得到的池化特征矩阵输入所述卷积神经网络的全连接层进行分类，使所述卷积神经网络输出故障类型的分布概率，其中，基于所述池化层对所述多尺度排列熵矩阵进行处理具体包括：将输入矩阵
T
γ
转化成序列
γ
＝
[
γ
z
]
，
z
＝1，2，
...
，
n
，其中，输入矩阵
T
γ
为多尺度排列熵矩阵经过卷积层卷积处理后输出的矩阵，
γ
z
为序列
γ
第
z
个位置的值；计算序列
γ
各个位置的值与所述序列
γ
的平均值的差值的平方值，得到平方序列
m
γ
＝
[m
γ
z
]
，
z
＝1，2，
...
，
n
，其中，计算序列
γ
各个位置的值与所述序列
γ
的平均值的差值的平方值的表达式为：
m
γ
z
＝
(
γ
z
‑
mean(
γ
))2，式中，
mean(
γ
)
为序列
γ
的平均值；将平方序列
m
γ
中的各个值分别与对应位置的指数值相乘，得到权重序列
weight
＝
[weight
z
]
，
z
＝1，2，
...
，
n
，其中，将平方序列
m
γ
中的各个值分别与对应位置的指数值相乘的表达式为：式中，为对序列
γ
第
z
个位置的值取指数；根据所述权重序列对所述输入矩阵
T
γ
进行加权，得到池化特征矩阵
。2.
根据权利要求1所述的一种含分布式光伏配电网接地故障辨识方法，其特征在于，所述对获取的零序电压信号进行变分模态分解，得到模态分量序列包括：输入零序电压信号
f(t)
；初始化第
k
个模态分量第
k
个中心频率拉格朗日乘法算子
λ1以及迭代次数
n
＝0；分别对第
k
个模态分量第
k
个中心频率和拉格朗日乘法算子
λ1进行迭代更新，直至满足迭代终止条件，其中，对第
k
个模态分量进行迭代更新的表达式为：式中，为第
n+1
次迭代的第
k
个模态分量的傅里叶变换，为输入函数的傅里叶变换，为拉个朗日乘法算子的傅里叶变换，为第
k
个模态分量的傅里叶变换，
α
为惩罚因子，
ω
为频率，
ω
k
为第
k
个模态分量的中心频率；
对第
k
个中心频率进行迭代更新的表达式为：式中，为第
n+1
次迭代后的第
k
个中心频率；对拉格朗日乘法算子
λ1进行迭代更新的表达式为：式中，
τ
为噪声容限，为第
n+1
次迭代的拉格朗日算子的傅里叶变换，为第
n
次迭代的拉格朗日算子的傅里叶变换；输出模态分量序列
X
＝
[IMF1,IMF2,
…
,IMFk]
，其中，
IMF1
为第1个本征模时间子序列，
IMF2
为第2个本征模时间子序列，
IMFk
为第
k
个本征模时间子序列
。3.
根据权利要求2所述的一种含分布式光伏配电网接地故障辨识方法，其特征在于，其中，所述迭代终止条件的表达式为：式中，为第
n+1
次迭代的第
k
个模态分量的傅里叶变换，为第
n
次迭代的第
k
个模态分量的傅里叶变换，
k
为模态分量序数，
ε
为判别精度，为第
n+1
次迭代的第
k
个模态分量的傅里叶变换与第
n
次迭代的第
k
个模态分量的傅里叶变换的差值的平方范数，为第
n
次迭代的第
k
个模态分量的傅里叶变换的平方范数
。4.
根据权利要求1所述的一种含分布式光伏配电网接地故障辨识方法，其特征在于，所述基于改进的
MPE
算法对所述本征模时间子序列进行多尺度粗粒化，并计算各个本征模时间子序列在不同尺度下的排列熵值，得到多尺度排列熵矩阵包括：输入
X
＝
[INF1
，
IMF2
，
...
，
IMFk]
；对于长度为
N
的第
k
个本征模时间子序列
IMF
k
＝
{x
ξ
，
ξ
＝1，2，
...
，
N}
，
k
＝1，2，
...
，
n
进行粗粒化，得到粗粒化序列粗粒化，得到粗粒化序列式中，
X
j
为第
j
个本征模时间子序列，
s
为尺度因子，
...

【专利技术属性】
技术研发人员：吴义辉，李琼，廖旭，刘林君，贾玉鑫，陈亚奇，刘斌，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：