一种配电网单相接地故障灵敏度分析方法和系统与流程

1.本发明涉及一种配网故障识别技术领域，更具体地说，它涉及一种配电网单相接地故障灵敏度分析方法和系统。


背景技术：

2.中低压配电网(3-66kv)接地方式，主要以中性点不接地、中性点经消弧线圈接地两种方式为主，也常称作小电流接地系统。配电网故障中，单相接地故障发生概率占据总故障事件近60～80％，且相间故障大多由单相接地故障恶化而来，因此在发生单相接地故障时，准确、迅速地识别该故障对于故障恶化及范围扩大的有效防止，具有非常重要的意义。
3.目前关于单相接地故障识别算法，主要包括：注入法、稳态法和暂态法。注入法是在检测到单相接地故障后通过改变系统运行状态产生扰动或者采用附加装置注入异频信号进行选线的方法，比较典型的为s注入法，即注入如225hz等特定频率的交流电流信号，该信号通过故障线路经接地点流经大地与三相电压互感器中性点才可形成回路。但是其注入信号强度受电压互感器容量影响，尤其在接地电阻较大或者接地点存在间歇性电弧时，检测效果不佳。关于稳态法，其包含工频零序电流比幅法、工频零序电流比相法、谐波分量法、零序电流有功分量法和零序导纳法等，各类方法主要原理在于发生故障时故障线路的零序电流在数值上等于所有非故障元件对地电容电流之和，其零序电流要大于健全线路零序电流。该方法虽可不受消弧线圈影响，但是其有功分量非常小且极易受线路三相参数不平衡(“虚假有功电流分量”)的影响，检测灵敏度较低，因此工程应用的可靠性得不到保障。暂态法选线依据：故障线路零序暂态电流最大值远大于非故障线路零序暂态电流值，且其首半波方向相反。该类方法种类丰富，据此衍生的方法包含首半波极性法、有功/无功功率方向法、参数识别法、衰减直流分量法和暂态特征频段法等。但其适用场景有限，只适用于故障相电压在峰值附近接地，而在电压过零点附近电流暂态分量值很小，且极性相反时间远小于暂态过程，首半波法易引起误判。综合上述现有技术方案中的缺陷，现有的单相接地故障均是采用一些常规的参数做故障识别，如三相电压/电流，零序电压/电流等，其均有各自的缺陷，并不能做有效的识别，并且没有去对故障参数灵敏度进行判断，使得在进行故障识别分析时出现长时间得结果的情况。
4.因此，如何在继承主流接地算法的基础上，进一步的提出反映故障更为灵敏的故障特征参数，以期为单相接地故障在线识别及快速处置提供更宝贵的时间裕量是目前急需解决的问题。


技术实现要素：

5.本发明解决了现有故障识别算法基于常规的配电网故障时的参数进行接地故障的识别，没有去对故障参数灵敏度进行判断，使得在进行故障识别分析时出现长时间得结果的情况，本发明的目的是提供一种配电网单相接地故障灵敏度分析方法和系统。本发明基于配电网发生故障时的零序电压与零序电流构建了零序电压与零序电流之间的零序角
差的特征参数，结合现有的特征参数，如三相电压/电流等，构建更加能够反映单相接地故障局部及全局状态的故障特征集，该故障特征集包含16维特征，其特征维数相对较高，并不利于接地故障的高效处置，采用主成分分析法(principal component analysis,pca)或随机森林算法(random forest,rf)对故障特征集进行特征降维转换、特征重要程度排序建模，甄别选出少量、低维的重要故障特征参数，基于灵敏度高的特征集可为接地故障识别模型提供有效的特征参数，增强在应用于实际工程时可快速处置故障的实用性。
6.本发明的上述技术目的是通过以下技术方案得以实现的：
7.第一方面，提供了一种配电网单相接地故障灵敏度分析方法，包括：
8.获取配电网线路发生单相接地故障时的基础数据集，基础数据集包括零序电压、零序电流分别对应的突变量；
9.分别对零序电压和零序电流对应的突变量进行分解和转换，获得零序电流的角度和零序电压的角度；
10.基于零序电流的角度和零序电压的角度计算零序电压与零序电流的零序角差；
11.基于基础数据集和零序角差构建故障特征集；
12.采用主成分分析法或随机森林法对故障特征集进行处理，获得灵敏度分析结果，灵敏度分析结果包括第一分析结果和第二分析结果，其中，第一分析结果表示采用主成分分析法的分析结果，第二分析结果表示采用随机森林法的分析结果。
13.进一步的，基础数据集还包括三相电压、三相电流、零序有功功率、零序无功功率和三相电流突变量。
14.进一步的，对基础数据集进行分解和转换处理，获得零序电流的角度和零序电压的角度，具体为：
15.对发生故障后的零序电压、零序电流分别对应的突变量进行分解和转换处理提取零序电流和零序电压的角度。
16.进一步的，提取零序电流和零序电压的角度的计算式如下：
17.式中，pre、post分别表示故障的前、后，分别表示经傅里叶分解后的零序电流的实部值、虚部值，分别表示零序电压、零序电流的角度，表示零序电压与零序电流的转换函数，分别表示经傅里叶分解后的零序电压的实部值、虚部值。
18.进一步的，基于零序电流的角度和零序电压的角度计算零序电压与零序电流的零序角差的计算式如下：
19.式中，分别表示零序电压的角度、零序电流的角度，表示零序角差的转换函数。
20.进一步的，根据三相电流故障前、后的突变量计算三相电流突变量，计算式如下：
21.式中，分别表示故障前、后第φ相电流的周波序列向量，表示第φ相电流的突变量，g(
·
)表示傅里叶分解函数。
22.进一步的，对零序角差的转换函数的约束条件为：
23.式中，分别表示零序电压的角度、零序电流的角度。
24.进一步的，采用主成分分析法对故障特征集进行处理，获得第一分析结果，包括：
25.对故障特征集进行中性化处理，获得故障特征集的样本数据；
26.计算样本数据的协方差矩阵；
27.对协方差矩阵进行分解处理，获得样本数据的特征值；
28.利用空间贡献率对特征值进行筛选，获得第一分析结果。
29.进一步的，采用随机森林法对故障特征集进行处理，获得第二分析结果，包括：
30.步骤1：对于故障特征集及对应故障标签，通过n次随机重复采样，构建一个样本集；
31.步骤2：基于样本集，构建一棵决策树；
32.步骤3：重复执行步骤1-2，得到多棵决策树；
33.步骤4：每一棵决策树均对样本集中的特征向量进行投票；
34.步骤5：计算所有的投票数，投票数最高即为特征向量的分类标签；
35.步骤6：对每一个特征向量进行重新排列的特征置换，重复执行步骤4-5；
36.步骤7：基于步骤6和重要度最大值原则，获得第二分析结果。
37.第二方面，提供了一种配电网单相接地故障分析系统，包括：
38.数据获取模块，用于获取配电网线路发生单相接地故障时的基础数据集，基础数据集包括零序电压、零序电流分别对应的突变量；
39.分解转换模块，用于分别对零序电压和零序电流对应的突变量进行分解和转换，获得零序电流的角度和零序电压的角度；
40.角差计算模块，用于基于零序电流的角度和零序电压的角度计算零序电压与零序电流的零序角差；
41.特征构建模块，用于基于基础数据集和零序角差构建故障特征集；
42.故障分析模块，用于采用主成分分析法或随机森林法对故障特征集进行处理，获得灵敏度分析结果，灵敏度分析结果包括第一分析结果和第二分析结果，其中，第一分析结果表示采用主成分分析法的分析结果，第二分析结果表示采用随机森林法的分析结果。
43.与现有技术相比，本发明具有以下有益效果：
44.1、本发明基于配电网发生故障时的零序电压与零序电流构建了零序电压与零序电流之间的零序角差的特征参数，结合现有的特征参数，如三相电压/电流等，构建更加能够反映单相接地故障局部及全局状态的故障特征集，该故障特征集包含16维特征，其特征维数相对较高，并不利于接地故障的高效处置，采用主成分分析法(principal component analysis,pca)或随机森林算法(random forest,rf)对故障特征集进行特征降维转换、特
component analysis,pca)或随机森林算法(random forest,rf)对故障特征集进行特征降维转换、特征重要程度排序建模，甄别选出少量、低维的重要故障特征参数，基于灵敏度高的特征集可为接地故障识别模型提供有效的特征参数，增强在应用于实际工程时可快速处置故障的实用性。
60.又一个实施例中，基础数据集还包括三相电压、三相电流、零序有功功率、零序无功功率和三相电流突变量。
61.具体的，对于三相电压与三相电流的计算式如下：
62.式中：φ对应相的表征，且φ∈{a,b,c}；p代表周期；修饰符post分别代表故障后；分别对应接地故障时一个周波的a相、b相和c相的电压信号；分别对应接地故障时一个周波的a相、b相和c相的电流信号；函数f(
·
)、g(
·
)分别代表取模和傅里叶分解函数。
63.结合首半波极性法计算故障前后的零序电压、零序电流及两者突变量，如下式所示：示：式中：函数κ(
·
)表示对应取瞬时值函数；g(
·
)表示傅里叶分解函数；修饰符pre、post分别代表故障前、后；u
z,int
、i
z,int
分别表示故障后分别经傅里叶分解、取瞬时值函数后零序电压、零序电流；分别代表故障前、后一个周期的零序电压向量，分别代表故障前、后一个周期的零序电流向量。
64.根据基于暂态辨识接地故障的零序有功、无功功率方向法，可定义如下的零序有功、无功功率特征，如下式所示：
[0065][0066]
式中：分别为故障后第一个周波序列中第j个零序电压、零序电流；p
post
为零序有功功率特征，定义为故障后一个周波序列下零序电压及零序电流作乘积运算后的累积求和；q
post
为零序无功率特征，定义为故障后一个周波序列下零序电压微分后与零序电流乘积的累积求和。
[0067]
又一个实施例中，对基础数据集进行分解和转换处理，获得零序电流的角度和零序电压的角度，具体为：
[0068]
对发生故障后的零序电压、零序电流分别对应的突变量进行分解和转换处理提取零序电流和零序电压的角度。
[0069]
如图2所示，又一个实施例中，提取零序电流和零序电压的角度的计算式如下：
[0070]
式中，
pre、post分别表示故障的前、后，分别表示经傅里叶分解后的零序电流的实部值、虚部值，分别表示零序电压、零序电流的角度，表示零序电压与零序电流的转换函数，分别表示经傅里叶分解后的零序电压的实部值、虚部值。如图2所示，以对零序电压角度的提取为例，对零序电压的实部值、虚部值进行转换，提取到零序电压的角度。
[0071]
又一个实施例中，基于零序电流的角度和零序电压的角度计算零序电压与零序电流的零序角差的计算式如下：
[0072]
式中，分别表示零序电压的角度、零序电流的角度，表示零序角差的转换函数。
[0073]
又一个实施例中，根据三相电流故障前、后的突变量计算三相电流突变量，计算式如下：
[0074]
式中，分别表示故障前、后第φ相电流的周波序列向量，表示第φ相电流的突变量，g(
·
)表示傅里叶分解函数。
[0075]
具体的，结合现在新兴的相不对称法，此处引入其采取的关键特征，即三相电流故障前、后的突变量，如下式所示：
[0076]
式中：分别代表故障前、后第φ相电流的周波序列向量；代表第φ相电流的突变量；函数g(
·
)表示傅里叶分解函数。
[0077]
又一个实施例中，对零序角差的转换函数的约束条件为：
[0078]
式中，分别表示零序电压的角度、零序电流的角度。
[0079]
如图3所示，又一个实施例中，采用主成分分析法对故障特征集进行处理，获得第一分析结果，包括：
[0080]
对故障特征集进行中性化处理，获得故障特征集的样本数据；
[0081]
计算样本数据的协方差矩阵；
[0082]
对协方差矩阵进行分解处理，获得样本数据的特征值；
[0083]
利用空间贡献率对特征值进行筛选，获得第一分析结果。
[0084]
具体的，对于中性化处理可由计算式进行解释式中，xi、m分别表示特征样本集中的特征元素和特征元素数量，结合主成分分析法，对故障特征集进行降维特征工程构建。考虑“90％”价值空间原则后，图3中刻画16维初始转换的特征值，且排名靠前8位的特征值分别为0.31、0.14、0.11、0.08、0.08、0.07、0.06和0.04，对应的特征累计比率占90.68％，据此可对初始构造16维的故障特征工程进行优化降维到8维，空间压缩率
高达50％。如图3可以得出，若采取空间贡献率“90％”的原则，则可采取特征值排在前8位的特征向量作为空间变换矩阵，实现特征降维后信息近似同等的空间表征。
[0085]
又一个实施例中，采用随机森林法对故障特征集进行处理，获得第二分析结果，包括：
[0086]
步骤1：对于故障特征集及对应故障标签，通过n次随机重复采样，构建一个样本集；
[0087]
步骤2：基于样本集，构建一棵决策树；
[0088]
步骤3：重复执行步骤1-2，得到多棵决策树；
[0089]
步骤4：每一棵决策树均对样本集中的特征向量进行投票；
[0090]
步骤5：计算所有的投票数，投票数最高即为特征向量的分类标签；
[0091]
步骤6：对每一个特征向量进行重新排列的特征置换，重复执行步骤4-5；
[0092]
步骤7：基于步骤6和重要度最大值原则，获得第二分析结果。
[0093]
具体的，对于随机森林法，随机森林(random forest,rf)模型是由决策回归树发展而成，随机森林常常会生成几百棵树，每棵树的数据都是由自助抽样法(bootstrap sampling)从定义为集合b的袋中抽出，余下的不出现在训练样本中的袋外数据(out-of-bag，oob)样本定义为集合定义c为b的集合，而为的集合。通过在oob测试集中比较使用原始特征及置换后的随机重排特征的分类误差率来衡量特征的重要度。当重要的特征被随机重排特征置换时，其区分度会下降，即oob分类误差率上升。当建立t棵树时就有t个oob集作为测试集。因此可定义特征重要度指标ja，公式如下:
[0094]
式中：yi表示在第i个oob集
[0095]
中的分类标签；i表示示性函数，hk(i)表示通过数据集bk预测的样本i的分类标签；表示置换特征xj后的分类标签，t表示决策树的棵树，xj表示特征集合中的第j个元素，k表示集合索引。对于上述步骤1-7可通过特征重要度指标ja来进行表示。对于步骤6的对每一个特征向量进行重新排列的特征置换，重复执行步骤4-5，这样会获得一个排序的特征向量集合，利用随机森林法的重要度最大值原则去筛选步骤6中的最大值，即可获得第二分析结果，标准故障特征集内参数的重要程度，属于现有技术，因此只做简单的叙述。
[0096]
可以获取三相电压三相电流零序电压u
z,int
、零序电压突变量零序电流i
z,int
、零序电流突变量零序角差零序有功功率p
post
、零序无功功率q
post
和三相电流突变量共16个特征的重要程度值。按照特征重要程度降序，排序后其结果可汇总于表1中：
[0097]
表1基于随机森林算法的特征重要度排序结果
[0098][0099]
结合表1可以得知，与零序电压、零序电流关联的故障特征排名在前9，接近整体的50％，且q
post
、p
post
、和特征重要程度最高，分别为0.1666、0.1287、0.1282、0.0688和0.0579。有意思的是，虽然16维特征来源于四种故障识别方法，但仅五个特征就涵盖了三种应用中比较实用的选线方法，显然其充分验证了所提基于随机森林的重要特征筛选的有效性。此外，关于相别特征及突变量，其不连续的排序方式也表明该方法高度依赖于相别特征之间的差异性，若要将其应用于机器学习的智能自动学习器中，其结果可能在长期的一个阶段显然不如应用零序电压/电流特征构建学习器，因为后者特征与相别无关，且与之关联的样本相对更加丰富。
[0100]
不同于主成分分析法，采取随机森林法进行重要特征排序，但是选取排名靠前的特征数量仍有待研究。采取穷举方式进行寻优，最终寻优结果汇总于下表2中。由表2可得知，表示故障特征集为1维特征，表2后续的2、3等等表示相应的维数，选择零序角差零序有功功率p
post
和零序无功功率q
post
，为当前故障波形库反映的最佳优选特征。
[0101]
表2穷举模式下不同特征组合方式的故障识别模型效果
[0102]
[0103][0104]
实施例二：
[0105]
如图4所示，本实施例二在实施例一的基础上提供了一种配电网单相接地故障分析系统，包括：
[0106]
数据获取模块，用于获取配电网线路发生单相接地故障时的基础数据集，基础数据集包括零序电压、零序电流分别对应的突变量；
[0107]
分解转换模块，用于分别对零序电压和零序电流对应的突变量进行分解和转换，获得零序电流的角度和零序电压的角度；
[0108]
角差计算模块，用于基于零序电流的角度和零序电压的角度计算零序电压与零序电流的零序角差；
[0109]
特征构建模块，用于基于基础数据集和零序角差构建故障特征集；
[0110]
故障分析模块，用于采用主成分分析法或随机森林法对故障特征集进行处理，获得灵敏度分析结果，灵敏度分析结果包括第一分析结果和第二分析结果，其中，第一分析结果表示采用主成分分析法的分析结果，第二分析结果表示采用随机森林法的分析结果。
[0111]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0112]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。