一种适用于森林火灾高阻接地情况下的故障选线方法与流程

1.本发明涉及电力系统故障判别领域，特别涉及一种适用于森林火灾高阻接地情况下的故障选线方法。


背景技术：

2.尽快切除故障线路，实现可靠安全的持续供电一直是配电网的重要议题。过去的接地选线装置几乎无力应对像森林火灾这样的高阻接地故障工况。随着智能电网的建设，线路架设范围和密度进一步增加，森林火灾中进行故障选线的难度进一步提高。
3.现有技术用于故障选线的算法从零序电流中提取特征用于区分故障线路和非故障线路，为使这种区别更加明显，频域特征提取被应用于故障选线。森林火灾下选线的难点在于过渡电阻较高，故障特征不明显，且现场采样噪声干扰严重。这使得森林火灾下故障选线成为配电网中的难点问题。但是由此引发的长时间故障检询以及带来的经济损失和其他伤害是难以接受的，故根据此情境开发新的高效的选线算法具有重要意义。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种适用于森林火灾高阻接地情况下的故障选线方法，针对高阻接地的故障工况实现故障选线，对配电网安全运行具有重要意义。
5.为了实现上述目的，本发明采用的技术方案为：
6.一种适用于森林火灾高阻接地情况下的故障选线方法，包括：
7.步骤一：使用已知故障线路的零序电流历史数据对shapelet模型算法进行训练，训练shapelet模型算法的超参数直至超参数被确定；
8.步骤二：将训练后的shapelet模型算法应用于故障选线，实时输入各支路零序电流信号，shapelet模型算法自动按照超参数选择最优候选子序列，在计算该子序列与支路零序电流的距离排序后，按训练好的分割阈值和分割方式将各支路进行分类，得到故障类对应的支路即为故障线路。
9.所述步骤一包括：
10.步骤1：对采集的已知故障线路的各支路零序电流历史数据采用小波滤波方式对支路零序电流波形进行滤波处理，滤除噪声干扰，得到去噪后的零序电流
11.步骤2：对所有支路去噪后的零序电流进行归一化处理；采用滑动窗口在零序电流时间序列上得到所有可能的子序列集合：候选集candidate；
12.步骤3：对候选集candidate中每一个候选子序列c，计算其与每一条之路零序电流的距离并进行排序；
13.步骤4：设定一阈值d
th
，按照此距离阈值采用分割方式sp，将上述支路分为两类a和b，分别指代故障类和非故障类。
[0014][0015]
k为每一个支路的序号
[0016]
步骤5：设置不同的阈值d
th
，计算每一种分割方式的信息增益information gain，将信息增益最高的分割方式作为故障选线的判别方式，确定信息增益最高的分类作为故障分类的最终判别方式，将信息增益最高的分类中a类定义为故障类，a类中的支路则为故障支路；
[0017]
信息增益计算方式如下：
[0018]
零序电流集合
[0019]
entropy(i)＝
‑
p(a)log(p(a))
‑
p(b)log(p(b))
[0020][0021]
a和b分别为故障类和非故障类，p(a)为其概率分布，m为总支路条数，sp指代阈值d
th
下的分割方式，entropy(i)为sp分割方式下的熵，为未分割时的熵；
[0022]
将已经故障线路的零序电流数据求得的分类阈值、分类方式作为已知数来对shapelet模型算法进行训练从而确定算法模型中的超参数使得算法训练完成。
[0023]
在步骤1中，小波滤波方式处理方法包括：将含噪零序电流i0转换为小波域信号s(k)并进行小波变换得到各层小波系数d
j，k
进行阈值处理，得到处理后的小波系数采用处理后的小波系数重构信号，得到去噪后的零序电流j，k分别代表小波变换中的层数和级数
[0024]
采用欧式距离计算候选片段c与零序电流之间的距离
[0025]
本发明的优点在于：利用小波去噪方法提取了零序电流波形，使其更易于处理，有利于选线；时域上对零序电流进行处理，采用shapelet模型算法预先训练后计算信息增益方式来将故障支路、正常支路进行分类，可以有效地根据信息增益的大小来确定故障分类的正确分类方式，进而有效的根据分类结果获取得到故障线路，有效的、准确的实现了高阻接地的选线。
附图说明
[0026]
下面对本发明说明书各幅附图表达的内容及图中的标记作简要说明：
[0027]
图1是本发明配电网系统结构图；
[0028]
图2是未去噪时的零序电流暂态震荡波形；
[0029]
图3是小波去噪后零序电流暂态震荡波形；
[0030]
图4是仿真实例中添加高斯白噪声后的零序电流波形；
[0031]
图5是仿真实例中对零序电流去噪得到的波形。
具体实施方式
[0032]
下面对照附图，通过对最优实施例的描述，对本发明的具体实施方式作进一步详细的说明。
[0033]
本发明涉及一种森林火灾等自然灾害情况下配电网接地故障选线的方法，属于电力系统故障判别领域。现有配电网接地故障选线装置应对高阻接地都没有较好的解决方案，这主要是由于过渡电阻较高时故障特征不明显，且噪声干扰严重，信息掩盖在噪声中造成的。本发明采用小波滤除噪声后，将shapelet算法应用到故障选线中，在时域上自动提取了零序电流中的局部特征。计算信息增益得到最佳的分割方式，将支路分为故障类和非故障类进行选线。本发明提出了一种针对高阻接地故障选线的有效方法，提高了配电网供电可靠性。
[0034]
本发明涉及一种森林火灾情况下接地故障选线的方法，针对高阻接地的故障工况实现故障选线，对配电网安全运行具有重要意义。
[0035]
本发明的技术方案是：
[0036]
步骤一：使用已知故障线路的零序电流历史数据对shapelet模型算法进行训练，训练shapelet模型算法的超参数直至超参数被确定；
[0037]
步骤二：将训练后的shapelet模型算法应用于故障选线，实时输入各支路零序电流信号，shapelet模型算法自动按照超参数选择最优候选子序列，在计算该子序列与支路零序电流的距离排序后，按训练好的分割阈值和分割方式将各支路进行分类，得到故障类对应的支路即为故障线路。
[0038]
所述步骤一主要是对于shapelet模型算法的训练，训练后的shapelet模型算法的超参数等均被确认，当出现故障时，可以自动的输出故障分类，而故障分类中的支路即为故障支路，具体的训练步骤包括：
[0039]
step1：对采集的已知故障线路的各支路零序电流历史数据采用小波滤波方式对支路零序电流波形进行滤波处理，滤除噪声干扰，得到去噪后的零序电流
[0040]
采用小波滤波方式对支路零序电流波形进行滤波处理，滤除噪声干扰。将含噪零序电流i0转换为小波域信号s(k)并进行小波变换得到各层小波系数d
j，k
进行阈值处理，得到处理后的小波系数采用处理后的小波系数重构信号，得到去噪后的零序电流
[0041]
setp2：对所有支路去噪后的零序电流进行归一化处理。shapelet算法的核心在于找到时间序列上的局部特征对集合进行分类，此局部特征表现为时间序列上的一个子序列。故我们将采用滑动窗口在零序电流时间序列上得到所有可能的子序列集合称为候选集candidate。我们得到的零序电流是一个有固定采样频率和固定采样实践的时间序列，在这里记为其中表示第k条支路上采样得到的零序电流时间序列，而则表示k支路零度电流时刻1时的采样数据，这里每条支路零序电流均分别采样n个时刻的值。
[0042]
shapelet旨在于找到序列中差异较大的某一节片段，以区别不同序列。为找到可以有效区分不同序列的这一节片段，我们需要在序列上选取一些候选片段。采用大小为w的窗口在序列上得到一个候选片段c1＝[i
0，1
，i
0，2
，i
0，3
，...，i
0，w
]，移动该窗口得到下一个候选片段c2＝[i
0，2
，i
0，3
，i
0，4
，...，i
0，w 1
]，这里的窗口是连续移动的，实际情况中为了提高效率，可以设定每次移动步长。对所有的支路均滑动取n
‑
w 1个候选片段，得到候选集。
[0043]
step3：对candidate中每一个候选子序列c，计算它与每一条支路零序电流的距
离并进行排序。一般采用欧式距离计算候选片段c与零序电流之间的距离，具体方式是逐点计算差值，将差值平方后相加再开方。在计算时，在每个支路的零序电流上取长度为w的子序列，计算与候选片段c之间的距离，最终取最小距离值。
[0044]
step4：在步骤3排序的基础上，设定一阈值d
th
，按照此距离阈值采用分割方式sp，将上述支路分为两类a和b，分别指代故障类和非故障类。
[0045][0046]
k为每一个支路的序号
[0047]
step5：在步骤4的基础上计算每一种分割方式的信息增益information gain(每一种分割方式对应一个阈值，不同的阈值实现不同的分割方式)，将信息增益最高的分割方式作为故障选线的判别方式。a和b分别为故障类和非故障类，p(a)为其概率分布，m为总支路条数，sp指代分割方式，entropy(i)为sp分割方式下的熵，为未分割时的熵。信息增益计算方式如下：
[0048]
零序电流集合
[0049]
entropy(i)＝
‑
p(a)log(p(a))
‑
p(b)log(p(b))
[0050][0051][0052]
a和b分别为故障类和非故障类，p(a)为其概率分布，m为总支路条数，sp指代阈值d
th
下的分割方式，entropy(i)为sp分割方式下的熵，为未分割时的熵。
[0053]
shapelet的目的在于找到一个片段，该片段在故障线路和非故障线的零序电流上有很大差异，从而帮助我们区分故障线路和非故障线路。在步骤2中，我们选取了一系列的候选片段，希望在其中找到分类效果最好的片段。分类效果采用信息增益衡量。则对于每个候选片段，对应有m个与零序电流的距离值。在对距离值进行排序之后，理论上故障类与非故障类应当在某一个分割点附近完全隔开，但实际上它们可能见错排布。在步骤4中，我们采用阈值d
th
将这m个距离值划分为故障类和非故障类。我们采用p(a)和p(b)分别表示在sp分割方式下故障类和非故障类被划分正确的概率，于是我们计算每一个候选片段可以得到最大信息增益的分割方式，最后选择能得到最大信息增益，即分类效果最好的候选片段。自此，shapelet已经训练完成，我们找到了可以用于区分故障类别和非故障类别的候选片段以及最佳分割点。
[0054]
将已经故障线路的零序电流数据求得的分类阈值、分类方式作为已知数来对shapelet模型算法进行训练从而确定算法模型中的超参数使得算法训练完成。训练好的shapelet模型算法通过确定的超参数来确定信息分割方式满足超参数的方式并计算信息增益最终输出一个故障分类和非故障分类的两种分类及其分类对应的支路，我们得到了将未知故障线路的零序电流集合划分为故障类和非故障类的方法。
[0055]
本发明的有益效果是：利用小波去噪方法提取了零序电流波形，使其更易于处理，有利于选线；本发明在时域上对零序电流进行处理，是一种高阻接地选线的有效方式
[0056]
为了验证本技术的选线方式有效性，本技术采用如下方式进行仿真验证，首先利
用simulink建立如图1所示的配电网仿真模型，有一个35kv/10kv的变电所，其上有6回出线，馈线l1、l5为纯电缆，l3、l4为架空线路，l2、l6为混合线路。其中，架空馈线的正序阻抗为：r1＝0.27ω/km，l1＝0.352ω/km，c1＝178us/km，零序阻抗为：r0＝0.42ω/km，l0＝0.304ω/km，c0＝110us/km；电缆的正序阻抗为：r1＝0.157ω/km，l1＝0.076ω/km，c1＝132us/km，零序阻抗为：r0＝0.307ω/km，l0＝0.304ω/km，c0＝110us/km；该配电系统的中性点从母线的接地变压器引出，经消弧线圈接地，消弧线圈的补偿方式为过补偿，系统采样频率为1mhz。
[0057]
(1)通过电磁暂态仿真在图1所示谐振接地配电网馈线l1上设置单相接地故障作为故障馈线，故障初相角为90
°
，仿真时间设定为0.2s，故障发生在0.05s，过渡电阻为10kω，给每条支路添加高斯白噪声，提取各馈线零序电流如图4所示；
[0058]
(2)利用小波去噪方式进行降噪，提取零序电流如图5所示。
[0059]
(3)利用已经训练好的shapelet算法进行故障选线，得到故障线路为l1。训练好的shapelet算法是指根据已有故障数据已经选择好最优片段和分割点的shapelet算法。
[0060]
利用本技术的上述算法进行故障选择，编辑软件逻辑对数据进行处理然后仿真得到故障分类中a类中的线路为l1，与本技术设置的故障线路l1相匹配，选线成功。
[0061]
显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，均在本发明的保护范围之内。