一种适用于小电流接地系统的接地故障选线方法与流程

1.本发明涉及电网检测领域，特别涉及一种小电流接地系统的接地故障选线方法。


背景技术：

2.在我国35kv及以下的配电网中一般采用中性点非直接接地系统，分为谐振接地系统和经电阻接地系统，后者多用于10kv以下的城市配电网中。在发生单相接地故障时非直接接地方式下的故障电流很小，具有能够自行熄弧的特性，因而也被称为小电流接地系统。小电流接地故障发生后需要及时的发现故障并对故障的支路进行确认，完成故障选线，从而方便检修人员尽快的进行检修工作。然而现有技术中的故障选线一般都是故障发生后根据故障发生后的电网数据进行故障选线，故障选线的时间相对来说会延迟，无法做到及时实时故障选线。


技术实现要素：

3.本发明的目的在于克服现有技术的不足，提供一种小电流接地系统的接地故障选线方法，用于将故障选线与故障发生时刻相匹配，及时进入故障选线给出报警。
4.为了实现上述目的，本发明采用的技术方案为：一种基于小电流接地系统的接地故障选线方法，包括启动判断步骤和故障选线步骤，所述启动判断步骤用于实时监控小电流接地系统暂态故障信号，在发生故障后及时启动故障选线步骤；所述故障选线步骤用于在接收到启动信号后通过电网各支路零序电流数据来进行故障选线，得到故障的支路；所述启动判断步骤通过比较电网零序电压和电压峰值来判断是否进入故障选线步骤。
5.所述启动判断步骤包括：当电网零序电压u0大于ku
m
时，启动故障选线步骤，通过故障选线步骤对电网故障进行选线；其中k小于1且大于0，u
m
为电网峰值电压。
6.k取值为0.15。
7.所述故障选线步骤包括在当零序电压大于k倍的电压峰值时，立刻进入故障选线步骤，并以该时刻作为故障时刻，以故障时刻附近的零序电流数据作为故障选线的数据。
8.以m为滑动窗口的大小，以滑动窗口的中点为故障时刻在零序电流时间序列上采集得到故障时刻前后对应的子序列，对每条支路的子序列计算其与每一条支路零序电流的距离并进行排序；
9.设置不同的阈值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；
10.分别计算不同阈值d
th
，计算每一种分割方式的信息增益，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。
11.本发明的优点在于：故障选线的启动时间准确可靠，可以及时启动故障选线步骤，对于故障的类别不敏感，主要取决于故障特征。通过零序电压和峰值电压及时判断出故障情况并及时进入故障选线，在故障时刻以故障时刻附近的零序电流数据来分析出故障支
路，快速可靠的给出故障支路。
附图说明
12.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：
13.图1为本发明滑动窗口示意图；
14.图2为本发明故障分类方法流程图；
15.图3为小电阻接地系统单相接地故障；
16.图4为小电阻接地系统支路单相故障等值电路；
17.图5为谐振接地系统单相接地等值电路；
18.图6单相接地故障暂态分析等值电路；
具体实施方式
19.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。
20.系统经小电阻接地示意图如图3所示，其中e
a
,e
b
,e
c
分别为三相电源电动势，l1...l
n
分别为系统的n条出线，c
01
,...c
0n
分别为支路对地分布电容，r
f
为故障点过渡电阻。实际中，线路零序阻抗远高于正序负序阻抗，省略非故障线路的阻抗，并将故障线路的阻抗归入到过渡电阻中，得到图4所示的等值电路。
21.故障时，母线零序电压为：
[0022][0023]
上式中，为系统对地零序电容之和；ω为工频角频率。
[0024]
谐振接地系统是在系统中性点与大地之间加入一个电感，在发生单相接地故障时，流过电感的电流对接地电容电流有效补偿，使流过接地点的电流减小，有助于熄灭残余电流的接地电弧，防止电弧进一步扩散。同时由于消弧线圈的补偿作用，使恢复电压的幅值和初速度降低，抑制了电弧的重燃及弧光接地过电压的产生，防止系统由单相短路故障进一步发展为更加严重的多相或相间短路故障，提高系统的供电可靠性。
[0025]
谐振接地系统单相接地等值电路图如图3所示，其中c0是相对地电容，l为消弧线圈，接地点的故障电流由电感电流和电容电流两部分组成。
[0026][0027]
式中为接地点故障电流，为消弧线圈流过的电感电流，是非故障相对地电容电流的总和。
[0028]
常用二阶电路模拟单相接地故障的暂态过程，如图4所示，c为三相线路的对地电
容，l0为中性点未接地时配电网络的等值电感，r0为故障点接地时的稳定电阻和电弧电阻的等值电阻，r
l
为消弧线圈的阻尼电阻，l为消弧线圈的等值电感，u0为等效零序电源电压。
[0029]
一种小电流接地系统的接地故障选线方法，包括启动判断步骤和故障选线步骤，启动判断步骤用于实时监控小电流接地系统故障信号，在发生故障后及时启动故障选线步骤；故障选线步骤用于在接收到启动信号后通过电网各支路零序电流数据来进行故障选线，得到故障的支路；启动判断步骤通过比较电网零序电压和电压峰值来判断是否进入故障选线步骤。
[0030]
启动判断步骤包括：当电网零序电压u0大于ku
m
时，启动故障选线步骤，通过故障选线步骤对电网故障进行选线；其中k小于1且大于0，u
m
为电网峰值电压,其中优选的k取值为0.15。当判断出现故障时，立刻启动故障选线步骤，从而实现了及时对故障发生进行选线。
[0031]
在当零序电压大于k倍的电压峰值时，立刻进入故障选线步骤，并以该时刻作为故障时刻，以故障时刻附近的零序电流数据作为故障选线的数据。
[0032]
采用零序电流流数据进行故障选线，将这一高维流数据定义为：
[0033]
x＝[x
(1)
，x
(2)
，
…
，x
(i)
，
…
，x
(l)
]
t
上式中l为总支路条数，x为所有支路零序电流集合。公式中第i条支路的流数据为：
[0034][0035]
上式中为t
k
时刻在第i条支路零序电流上的采样点的值。
[0036]
在流数据集合上以一个采样点的步长移动滑动窗口，得到的窗口数据集合用于后续计算距离并进距离排序后计算增益来判断故障分类。如图1所示，为滑动窗口示意图，第i条支路在k
t
时刻的窗口数据为：
[0037][0038]
公式(3)中m为滑动窗口大小，滑动窗口大小将直接影响选线结果，窗口过小时可能影响正确选线，通过预先标定的窗口大小t来进行数据获取。
[0039]
中k
t
时刻的窗口数据集合为：
[0040][0041]
以m为滑动窗口的大小，以滑动窗口的中点为故障时刻在零序电流时间序列上采集得到故障时刻前后对应的子序列，对每条支路的子序列计算其与每一条支路零序电流的距离并进行排序；
[0042]
设置不同的阈值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；
[0043]
分别计算不同阈值d
th
，计算每一种分割方式的信息增益，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。
[0044]
首先对通过窗口获取的数据中的每一个时间顺序的子序列，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。后续子序列c即为每一条支路上采样得到的零序电流子序列。
[0045]
在排序的基础上，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。
[0046][0047][0048]
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。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：
[0049]
零序电流集合k＝1，...，m
[0050]
entropy(i)＝＝
‑
p(a)log(p(a))
‑
p(b)log(p(b))
[0051][0052]
通过比较不同分割方式下得到的信息增益，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。分布概率pa可以预先标定，
[0053]
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。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。熵表示信息的不确定程度，计算分割后熵与分割前熵的差是为了判别这一步骤的分割效果。分割前信息认为是混沌的，理论上是
‑
∞，为了能进行比较，算法中实际取0。
[0054]
在故障选线过程中，本技术采用shapelet算法进行故障选线，通过对 shapelet算法进行训练，因为这个过程是通过历史数据中已知故障线路时的零序电流对该算法进行训练，即寻找最优候选片段和最佳分割方式。在训练完成，即找到候选片段和分割方式后，在判断故障类别只需提取对应候选片段，并分别计算其两两之间的欧式距离，并通过选择好的分割方式，确定故障线路及分类即可完成。
[0055]
在训练时，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；
[0056]
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；采用欧式距离计算候选片段c与零序电流之间的距离
[0057]
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。
[0058][0059]
k为每一个支路的序号
[0060]
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；
[0061]
信息增益计算方式如下：
[0062]
零序电流集合k＝1，...，m
[0063]
entropy(i)＝
‑
p(a)log(p(a))
‑
p(b)log(p(b))
[0064][0065]
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；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。
[0066]
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。