融合物理信息网络的配电网故障精确定位方法与流程

本发明涉及配电网故障定位，特别是涉及到一种融合物理信息网络的配电网故障精确定位方法。

背景技术：

1、随着配电网规模不断扩大，复杂度不断提高，快速准确的故障定位对于缩短停电时间、提高供电可靠性至关重要。

2、随着信息技术和人工智能技术的发展，目前前沿的最相近方案是利用深度学习（如一维卷积神经网络cnn或长短期记忆网络lstm）提取量测端测得的暂态电压/电流波形特征，构建从暂态波形输入到故障距离输出的端到端映射模型。该方法通过收集大量的仿真数据或历史实测数据对神经网络进行有监督训练，随后将实时故障波形输入模型，直接输出故障位置。但是，纯数据驱动的神经网络模型由于其“黑盒”特性，缺乏了对电力系统底层物理规律的感知，当配电网发生改变拓扑结构改变、运行方式改变，或出现训练集中未出现过的故障类型时，模型容易失效。同时深度学习模型的精确判断是建立在大量完备的数据之上，但在实际配电网中，收集带有精确故障位置标签的高频暂态数据成本极高且十分困难，导致模型容易过拟合，其次收集到的数据质量也会影响结果。

3、为此，我们发明了一种融合物理信息网络的配电网故障精确定位方法，解决了以上技术问题。

技术实现思路

1、本发明的目的是提供一种高精度、强泛化能力且具备物理可解释性的融合物理信息网络的配电网故障精确定位方法。

2、本发明的目的可通过如下技术措施来实现：融合物理信息网络的配电网故障精确定位方法，该融合物理信息网络的配电网故障精确定位方法包括：

3、步骤1，搭建配电网分布参数线路模型，在所述配电网分布参数线路模型中不同空间位置设置不同类型故障点，进行仿真运行得到原始仿真数据；

4、步骤2，采集所述原始仿真数据，并将所述原始仿真数据进行数据预处理；

5、步骤3，将预处理后的所述原始仿真数据输入到物理信息神经网络中，进行物理信息神经网络的模型预训练；

6、步骤4，在电网发生故障时，利用训练好的物理信息神经网络，捕捉残差尖峰以锁定故障位置。

7、本发明的目的还可通过如下技术措施来实现：

8、在步骤1，根据配电网故障信息记录，使用仿真平台搭建包含主干线和多个分支的所述配电网分布参数线路模型，设定线路的单位长度电阻、电感、电容和电导；在所述配电网分布参数线路模型中不同空间位置设置不同类型故障点，包括雷击电流源模拟雷击引起的暂态行波以及不同过渡电阻的单相接地故障，并运行仿真得到所述原始仿真数据，包括测量端的高频暂态电压和暂态电流。

9、步骤2包括：

10、步骤21，从仿真平台中批量提取所述原始仿真数据，并识别和删除所述原始仿真数据中的空值或超出物理极限的值，再按照故障类型给所述原始仿真数据打上标签，建立结构化的数据字典；

11、步骤22，采用三次样条插值算法，对所述原始仿真数据中的电压、电流序列进行重采样，并构建统一的固定采样频率的等步长时间序列；

12、步骤23，使用基于snr的加噪模型对所述原始仿真数据进行处理，按照20db到50db不等的信噪比，向对齐后的等步长时间序列注入白噪声；

13、步骤24，利用z-score标准化公式对所述原始仿真数据中电压和电流数据进行标准化缩放，将电压和电流数据的特征序列缩放为标准正态分布；

14、步骤25，采用拉丁超立方采样算法，在时空域[0，l]×[t0，t1] 内抽取n个配点来计算物理残差损失，其中，0代表线路的起始位置，l代表此条配电线路的总长度，t0为分析时间窗起始时刻，t1为分析时间窗结束时刻，[0，l]×[t0，t1]表示一个由线路位置和具体时刻构成的二维矩阵。

15、在步骤25，将空间维度和时间维度各自均分为n个等概率区间，形成n×n的网络，并确保每一行和每一列中，都有且只有一个采样点，j代表各个区间的索引号，r代表区间内部的局部随机偏移量，

16、区间划分为：，；

17、随机抽取值：，。

18、在步骤3，物理信息神经网络包括输入层、隐藏层、输出层和物理约束层；从所述输入层输入经过预处理后的所述原始仿真数据，包括空间位置和等步长时间序列；所述隐藏层建立时空坐标到电气量的非线性映射，采用深度前馈神经网络，同时使用双曲正切函数作为激活函数，以保证网络在时空域内是平滑可微的，满足后续物理约束的偏微分计算的数学先决条件；所述输出层输出对应时间点的预测暂态电压和暂态电流；所述物理约束层依次计算输出数据的各个阶次偏导数，并计算数据驱动和物理驱动的误差loss，指导网络权重反向传播更新。

19、在步骤3，数据驱动的损失计算函数和物理驱动的损失计算函数的计算公式如下：

20、

21、

22、

23、

24、式中，为测量数据的样本数量，为在全域时空中通过拉丁超立方抽样生成的配点数量，、分别为测量得到的真实电压和电流数据，为数据损失，为物理残差损失，r、l、c、g为线路的单位长度的电压、电感、电容和电导值，、分别为电压物理偏微分残差和电流物理偏分残差，、为数据损失和物理残差损失对应的损失权重系数。

25、在步骤4，当电网发生故障时，利用已完成离线训练的物理信息神经网络，通过空间高密度扫描计算偏微分方程残差，捕捉残差尖峰以锁定故障位置。

26、步骤4包括：

27、步骤41，进行暂态故障监测与数据切片，在配电网运行期间，当检测到零序电压越限或相电流突变时，触发故障录波，并提取故障发生时刻及故障发生时刻前后极短时间窗口的暂态电压和电流波形，并进行数据预处理，作为物理信息神经网络预训练的边界条件；

28、步骤42，进行模型训练，将空间维度[0,l]和时间维度[]离散化为高密度的时空网格，其中，l为测量点至故障点之间的距离，时间维度[]为故障发生时刻前后极短时间窗口，为故障发生时刻，并将这些坐标批量化输入预训练好的物理信息神经网络，物理信息神经网络计算出线路上，每一个空间点在各个暂态时刻的预测电压和预测电流；

29、步骤43，进行物理偏微分残差计算，针对线路上的每一个空间坐标，计算空间坐标在整个时间窗口内的综合物理残差绝对值积分；

30、步骤44，进行残差空间突变点捕捉以及结果输出；在配电网健康区段，电压和电流的暂态波形严格遵守由r、l、c、g构成的电报方程，因此趋近于0或保持极低值；但是在故障发生点，电报方程的连续性遭到破坏，通过计算的空间一阶导数，找到超出设定阈值的极大值点，即曲线出现剧烈尖峰的点，该点对应的空间坐标就是故障点；将找到的极大值点作为故障点输出。

31、在步骤43，利用深度学习框架的自动微分技术，计算预测电气量即预测电压和预测电流，关于时间和空间的偏导数，将求得的偏导数代入均匀传输线电报方程，计算时空域内任意一点（x,t）的电压物理偏微分残差和电流物理残差；空间坐标在整个时间窗口内的综合物理残差绝对值积分的计算公式为：

32、。

33、本发明的目的也可通过如下技术措施来实现：融合物理信息网络的配电网故障精确定位装置，该融合物理信息网络的配电网故障精确定位装置包括：

34、仿真建模单元，搭建配电网分布参数线路模型，在所述配电网分布参数线路模型中不同空间位置设置不同类型故障点，进行仿真运行得到原始仿真数据；

35、数据采集与预处理单元，采集所述原始仿真数据，并将所述原始仿真数据进行数据预处理；

36、模型训练单元，将预处理后的所述原始仿真数据输入到物理信息神经网络中，进行物理信息神经网络的模型训练；

37、故障定位单元，在电网发生故障时，利用训练好的物理信息神经网络，捕捉残差尖峰以锁定故障位置。

38、本发明中的融合物理信息网络的配电网故障精确定位方法，解决了在配电网拓扑结构复杂、分支众多，且实际发生故障的暂态数据（尤其是带有精确实地标签的数据）极度匮乏的情况下，如何实现高精度、强泛化能力且具备物理可解释性的配电网故障精确定位。本发明提出基于时空融合与物理约束的光伏多源数据预处理方法，旨在融合气象数值与云图图像等多源数据，充分提取时间与空间特征，实现输入数据的智能化预处理，从而提升模型预测精度；通过将输电线路的物理控制方程以及电网运行条件嵌入神经网络的损失函数中，使得模型的可解释性增强，同时在依据数据进行定位的同时，严格遵守物理规律，进而打破纯数据驱动的神经网络的黑盒特性。