一种基于随机森林的配电网故障精确定位方法和系统与流程

1.本发明涉及配电网故障监测技术领域，尤其涉及一种基于随机森林的配电网故障精确定位方法和系统。


背景技术：

2.随着分布式电源(distributed generation，dg)接入配电网，配电网的规模不断扩大，且网络拓扑结构越来越复杂，发生配电网故障的几率也越来越大。配电网发生故障后的故障定位是配电网故障处理的基本环节，在故障发生后，快速准确地完成配电线路故障精确定位，有助于提升故障隔离和供电恢复速度，有利于增强供电可靠性。
3.现有的配电网故障定位方法有行波法和故障分析法。行波法通过测量故障产生的行波，从而进行故障精确定位。行波法对采样率要求高，数据传输多，对通信系统的要求高，且使用行波法需要安装大量的专用设备，经济成本高，因此，在实际应用场景中，更多地倾向于使用故障分析法进行配电网故障定位。故障分析法利用系统参数和测量数据建立回路方程，直接或迭代计算得到故障距离，可主要分为单端量法和双端量法。单端量法受过渡电阻影响，可靠性稍差。在智能化、信息化的趋势中，配电网中配置了越来越多具有同步测量功能的设备。例如同步相量测量装置能够同步采集电压、电流信号，并将其传送到调度中心。这些采集到的同步数据，被代入基于同步信息的双端故障定位算法后，就可以得到定位结果。虽然同步信息的加入使得基于双端量的定位算法的原理性误差大大降低，但是测量误差和线路参数误差对定位结果的影响仍然不可忽略。
4.本发明为解决现有故障定位方法中基于同步信息的多种双端故障定位算法的测量误差和线路参数误差影响配电网故障定位精度的问题，提供了一种基于随机森林的配电网故障精确定位方法和系统。


技术实现要素：

5.本发明提供了一种基于随机森林的配电网故障精确定位方法和系统，用于解决现有技术中使用基于同步信息的多种双端故障定位算法进行配电网故障定位，未充分考虑测量误差和线路参数误差，影响配电网故障定位精度的技术问题。
6.有鉴于此，本发明第一方面提供了一种基于随机森林的配电网故障精确定位方法，包括以下步骤：
7.s1、构建配电网模型，对配电网模型进行故障仿真，获取故障线路两端的三相电压和电流；
8.s2、使用加性高斯白噪声函数对三相电压和电流进行测量误差模拟，得到含有测量误差的三相电压和电流，并对线路参数进行误差模拟，得到含有误差的线路参数；
9.s3、对含有测量误差的三相电压和电流进行全周傅里叶变换与相序变换，得到线路两端的序电气量；
10.s4、将线路两端的序电气量和含有误差的线路参数分别代入基于集中参数线路模
型的正序电压电流法、基于集中参数线路模型的正负序阻抗相等法、基于分布参数线路模型的模值求解法和基于分布参数线路模型的相位求解法，得到对应的第一定位结果、第二定位结果、第三定位结果和第四定位结果；
11.s5、分别计算第一定位结果、第二定位结果、第三定位结果和第四定位结果的两两差值，得到第一差值、第二差值、第三差值、第四差值、第五差值和第六差值；
12.s6、将第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值作为输入参数，实际故障位置作为标签，构建训练样本；
13.s7、使用训练样本训练随机森林模型，得到训练好的随机森林模型，将训练好的随机森林模型作为配电网故障定位模型；
14.s8、获取配电网发生故障时采集到的故障线路两端的三相电压和电流，执行步骤s3至步骤s5，得到第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值，将第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值输入到配电网故障定位模型中，得到配电网故障定位结果。
15.可选地，步骤s2具体包括：
16.将三相电压和电流分别乘以由加性高斯白噪声函数产生的第一随机数，得到含有测量误差的三相电压和电流；
17.将线路参数乘以由加性高斯白噪声函数产生的第二随机数，得到含有误差的线路参数。
18.可选地，步骤s3具体包括：
19.在得到含有测量误差的三相电压和电流后，取故障发生后第二个周期的三相电压和电流瞬时值进行全周傅里叶变换，得到故障线路两端的三相电压和电流的相量值；
20.采用对称分量法对三相电压和电流的相量值进行相序变换，得到线路两端的序电气量。
21.可选地，随机森林模型的cart树个数为100个，cart树最大深度为20，叶结点最少样本数为5。
22.可选地，第一定位结果为：
[0023][0024]
其中，x1为第一定位结果，l为故障线路mn的总长度，z1为线路单位正序阻抗，为故障线路n端正序电压，为故障线路n端正序电流，为故障线路m端正序电压，为故障线路m端正序电流。
[0025]
可选地，第二定位结果为：
[0026][0027]
其中，x2为第二定位结果，为故障线路m端负序电压，为故障线路m端负序电
流，为故障线路n端负序电压，为故障线路n端负序电流。
[0028]
可选地，第三定位结果为：
[0029]
x3＝ln(a2 b2)/4α1[0030][0031]
其中，x3为第三定位结果，γ1为故障线路mn正序传播系数，z
c1
为线路正序特性阻抗，y1为故障线路mn单位长度导纳，α1为衰减常数，β1为相位常数，a为实部，b为虚部。
[0032]
可选地，第四定位结果为：
[0033]
x4＝arctan(b/a)/2β1[0034]
其中，x4为第四定位结果。
[0035]
本发明第二方面提供了一种基于随机森林的配电网故障精确定位系统，包括以下模块：
[0036]
建模模块，用于构建配电网模型，对配电网模型进行故障仿真，获取故障线路两端的三相电压和电流；
[0037]
误差模拟模块，用于使用加性高斯白噪声函数对三相电压和电流进行测量误差模拟，得到含有测量误差的三相电压和电流，并对线路参数进行误差模拟，得到含有误差的线路参数；
[0038]
序电气量模块，用于对含有测量误差的三相电压和电流进行全周傅里叶变换与相序变换，得到线路两端的序电气量；
[0039]
初始定位模块，用于将线路两端的序电气量和含有误差的线路参数分别代入基于集中参数线路模型的正序电压电流法、基于集中参数线路模型的正负序阻抗相等法、基于分布参数线路模型的模值求解法和基于分布参数线路模型的相位求解法，得到对应的第一定位结果、第二定位结果、第三定位结果和第四定位结果；
[0040]
差值计算模块，用于分别计算第一定位结果、第二定位结果、第三定位结果和第四定位结果的两两差值，得到第一差值、第二差值、第三差值、第四差值、第五差值和第六差值；
[0041]
训练样本构建模块，用于将第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值作为输入参数，实际故障位置作为标签，构建训练样本；
[0042]
模型训练模块，用于使用训练样本训练随机森林模型，得到训练好的随机森林模型，将训练好的随机森林模型作为配电网故障定位模型；
[0043]
故障定位模块，用于获取配电网发生故障时采集到的故障线路两端的三相电压和电流，经序电气量模块、初始定位模块和差值计算模块处理后，得到第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值，将第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值输入到配电网故障定位模型中，得到配电网故障定位结果。
[0044]
可选地，误差模拟模块具体用于：
[0045]
将三相电压和电流分别乘以由加性高斯白噪声函数产生的第一随机数，得到含有测量误差的三相电压和电流；
[0046]
将线路参数乘以由加性高斯白噪声函数产生的第二随机数，得到含有误差的线路参数。
[0047]
从以上技术方案可以看出，本发明提供的基于随机森林的配电网故障精确定位方法和系统具有以下优点：
[0048]
本发明提供的基于随机森林的配电网故障精确定位方法，充分结合了现场运行实际，考虑了普遍存在的测量误差和线路参数误差对双端同步算法定位误差的影响，使用加性高斯白噪声函数对三相电压和电流进行测量误差模拟，得到含有测量误差的三相电压和电流，并对线路参数进行误差模拟，得到含有误差的线路参数，同时，以考虑了误差的测量结果和线路参数为故障分析因素，选取了四种存在差异性的基础算法进行计算，分别得到四种定位结果，随后，对基础算法的四种定位结果进行处理，形成训练样本数据，并对随机森林模型进行训练。最后，配电网发生故障后，利用训练好的随机森林故障定位模型完成精确定位。本发明中利用集成学习中的随机森林构建故障定位模型，模型定位精度高，有利于减少检修时间，加快故障恢复速度，提升系统运行可靠性，并且充分考虑了普遍存在的测量误差和线路参数误差对双端同步算法定位误差的影响，且定位效果不受过渡电阻、故障起始角、线路长度等因素的影响，适用于含高渗透率分布式电源的新型配电网，解决了现有技术中使用基于同步信息的多种双端故障定位算法进行配电网故障定位，未充分考虑测量误差和线路参数误差，影响配电网故障定位精度的技术问题。
[0049]
本发明中提供的一种基于随机森林的配电网故障精确定位系统，用于执行本发明中提供的一种基于随机森林的配电网故障精确定位方法，其原理和所取得的技术效果与本发明中提供的一种基于随机森林的配电网故障精确定位方法相同，在此不再赘述。
附图说明
[0050]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0051]
图1为本发明中提供的一种基于随机森林的配电网故障精确定位方法的流程示意图；
[0052]
图2为本发明中搭建的配电网模型示意图；
[0053]
图3为本发明中提供的集中参数线路模型序电路；
[0054]
图4为本发明中提供的分布参数线路模型正序电路；
[0055]
图5为本发明中提供的用于故障精确定位的随机森林模型的总体构建流程示意图；
[0056]
图6为本发明中提供的随机森林模型平均绝对误差与cart树个数的关系示意图；
[0057]
图7为本发明中提供的一种基于随机森林的配电网故障精确定位系统的结构示意图。
具体实施方式
[0058]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0059]
为了便于理解，请参阅图1，本发明中提供了一种基于随机森林的配电网故障精确定位方法的实施例，包括以下步骤：
[0060]
步骤101、构建配电网模型，对配电网模型进行故障仿真，获取故障线路两端的三相电压和电流。
[0061]
需要说明的是，本发明实施例中，先搭建配电网模型，在配电网模型中设置故障，获取故障线路两端的三相电压和电流，如图2所示，配电网模型线路采用bergeron模型，理想电压源线电压为35kv，变压器变比为35kv/10.5kv，负荷采用三相线对地固定负荷，在线路b1m6(线路长度6460米)上设置相间故障。通过设置不同的线路参数、线路类型、故障位置、过渡电阻和故障起始角等进行大量故障仿真。线路参数如表1所示。故障位置取距线路首端5％-95％(间隔5％，共19个取值)；过渡电阻取0ω～55ω(间隔5ω，共12个取值)；故障起始角取0
°
～324
°
(间隔36
°
，共12个取值)。故障发生后，在线路首末端装设的测量装置，可同步测量安装处的三相电压电流并上送至控制中心。
[0062]
表1线路参数设置
[0063][0064]
步骤102、使用加性高斯白噪声函数对三相电压和电流进行测量误差模拟，得到含有测量误差的三相电压和电流，并对线路参数进行误差模拟，得到含有误差的线路参数。
[0065]
需要说明的是，对于仿真生成的单个故障场景，将故障线路两端的三相电压和电流的瞬时值，以及线路参数(如线路长度、阻抗等)均乘以随机数，进行测量误差和线路参数的误差模拟。考虑到测量误差和线路参数误差是随机分布的，因此，本发明实施例中用于模拟误差的随机数由加性高斯白噪声函数产生，即将三相电压和电流分别乘以由加性高斯白噪声函数产生的第一随机数，得到含有测量误差的三相电压和电流，将线路参数乘以由加
性高斯白噪声函数产生的第二随机数，得到含有误差的线路参数。加性高斯白噪声函数幅度服从高斯分布，功率谱密度均匀分布。信噪比取35db时，产生的随机数平均绝对误差为1.4％，符合测量误差和线路参数误差的实际情况。为扩充数据量，对于每个故障场景，误差的模拟重复10次。
[0066]
步骤103、对含有测量误差的三相电压和电流进行全周傅里叶变换与相序变换，得到线路两端的序电气量。
[0067]
需要说明的是，在完成测量误差和线路参数误差模拟后，对含有测量误差的三相电压和电流进行全周傅里叶变换与相序变换，得到线路两端的序电气量。具体地，取故障发生后第二个周期的三相电压和电流瞬时值进行全周傅里叶变换，得到故障线路两端的三相电压和电流的相量值，采用对称分量法对三相电压和电流的相量值进行相序变换，得到线路两端的序电气量。至此，便得到了含有误差的电气量(故障线路m端正序电压)，(故障线路n端正序电压)，(故障线路m端正序电流)，(故障线路n端正序电流)，(故障线路m端负序电压)，(故障线路n端负序电压)，(故障线路m端负序电流)和(故障线路n端负序电流)，以及含有误差的线路长度l，单位长度正序电阻r1，单位长度正序感抗x
l1
和对地正序容抗x
c1
。
[0068]
步骤104、将线路两端的序电气量和含有误差的线路参数分别代入基于集中参数线路模型的正序电压电流法、基于集中参数线路模型的正负序阻抗相等法、基于分布参数线路模型的模值求解法和基于分布参数线路模型的相位求解法，得到对应的第一定位结果、第二定位结果、第三定位结果和第四定位结果。
[0069]
需要说明的是，结合新型配电网发展趋势和配电线路故障特性，本发明实施例中选取了四个基础算法，分别为：基于集中参数线路模型的正序电压电流法、基于集中参数线路模型的正负序阻抗相等法、基于分布参数线路模型的模值求解法和基于分布参数线路模型的相位求解法。将线路两端的序电气量和含有误差的线路参数分别代入基于集中参数线路模型的正序电压电流法、基于集中参数线路模型的正负序阻抗相等法、基于分布参数线路模型的模值求解法和基于分布参数线路模型的相位求解法，得到对应的第一定位结果、第二定位结果、第三定位结果和第四定位结果。
[0070]
具体地，对于使用基于集中参数线路模型的正序电压电流法得到的第一定位结果的实现原理为：
[0071]
如图3所示，l为故障线路mn总长度，x为故障距m端的距离，为故障处的序电压，和分别为故障线路m端序电压和序电流，和分别为故障线路n端序电压和序电流，zi为故障线路单位长度序阻抗，其中，i＝1表示正序，i＝2表示负序。故障发生后，故障处正序电压既可以利用故障线路mn的m端的正序电压和正序电流推算得到，又可以利用故障线路mn的n端的正序电压和正序电流推算得到。结合故障处正序电压的唯一性，可列写出以下方程：
[0072][0073]
其中，l为故障线路mn的总长度，z1为线路单位正序阻抗，z1＝r1 jx
l1
，r1为线路单
位长度正序电阻，x
l1
为线路单位长度正序感抗，为故障线路n端正序电压，为故障线路n端正序电流，为故障线路m端正序电压，为故障线路m端正序电流。
[0074]
求解式(1)可得到故障距离，为便于区分，将基于集中参数线路模型的正序电压电流法的定位结果记为第一定位结果x1：
[0075][0076]
对于使用基于集中参数线路模型的正负序阻抗相等法得到的第二定位结果的实现原理为：
[0077]
考虑到配电线路是静止的三相对称元件，正序阻抗z1与负序阻抗z2相等，即：
[0078]
z1＝z2ꢀꢀ
(3)
[0079]
与正序电压电流法类似，可分别利用线路两端的负序电压和负序电流表示故障处负序电压，列出以下方程：
[0080][0081]
联立公式(1)、(3)、(4)，求解得到基于集中参数线路模型的正负序阻抗相等法的定位结果，记为第二定位结果x2：
[0082][0083]
其中，为故障线路m端负序电压，为故障线路m端负序电流，为故障线路n端负序电压，为故障线路n端负序电流。
[0084]
对于使用基于分布参数线路模型的模值求解法和基于分布参数线路模型的相位求解法得到的第三定位结果和第四定位结果的实现原理为：
[0085]
采用分布参数线路模型，如图4所示，根据传输线理论，在考虑线路参数分布特性的情况下，可通过方程式的求解得到沿线各点的电压和电流分布，以及线路两端电压、电流向量之间的关系式，利用这一理论，故障处正序电压既可以用m端正序电压和电流表示，也可以用n端正序电压和电流表示，如式(6)所示：
[0086][0087]
其中，ch为双曲余弦函数，sh为双曲正弦函数，γ1为故障线路mn正序传播系数，z
c1
为线路正序特性阻抗，y1为故障线路mn单位长度导纳，α1为衰减常数，β1为相位常数。
[0088]
根据公式(6)可得到关于故障距离的等式(7)：
[0089][0090]
其中，a为实部，b为虚部。结合γ1＝α1 jβ1，可以得到式(8)：
[0091][0092]
可以得到：
[0093]
因而，基于分布参数线路模型的模值求解法得到的第三定位结果x3为：
[0094]
x3＝ln(a2 b2)/4α1ꢀꢀ
(9)
[0095]
基于分布参数线路模型的相位求解法利用了相位常数β1以及式(8)的相角信息，得到tan(2β1x)＝b/a。因而，基于分布参数线路模型的相位求解法得到的第四定位结果x4为：
[0096]
x4＝arctan(b/a)/2β1[0097]
由于α1＜β1，因此相较于模值求解法，相位求解法的稳定性更好。
[0098]
以上四种基础算法采用的线路模型、求解思路、求解参数等方面存在以下差异：
[0099]
①
线路模型方面。正序电压电流法和正负序阻抗相等法采用了集中参数模型，计算量小。模值求解法和相位求解法采用了分布参数线路模型，理论上的定位精度更高。
[0100]
②
求解思路方面。正负序阻抗相等法通过联立正、负序网络方程以及“线路正负序阻抗相等”这一信息，求解得到故障距离，适合线路参数缺失的极端场景。分布参数模值求解法使用了衰减常数及模值信息进行求解，分布参数相位求解法使用了相位常数及相位信息进行求解。
[0101]
③
求解参数方面。相较于正序电压电流法，正负序阻抗相等法使用了负序电压和电流信息但未使用线路阻抗参数。分布参数模值求解法和相位求解法更精细地考虑了正序电容这一参数，虽然需要获取更多参数信息，但理论上的定位精度更高。
[0102]
步骤105、分别计算第一定位结果、第二定位结果、第三定位结果和第四定位结果的两两差值，得到第一差值、第二差值、第三差值、第四差值、第五差值和第六差值。
[0103]
需要说明的是，经过步骤104之后，得到了四种基础算法对应的定位结果：第一定位结果x1、第二定位结果x2、第三定位结果x3和第四定位结果x4。相较于仅将四种基础算法的定位结果作为输入特征，如果将其两两差值也作为输入特征，则训练所得模型能够在测试样本上取得更好的效果。因此，本发明实施例中，分别计算第一定位结果、第二定位结果、第三定位结果和第四定位结果的两两差值(差值个数为：个)。
[0104]
步骤106、将第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值作为输入参数，实际故障位置作为标签，构建训练样本。
[0105]
需要说明的是，对于第i个故障的样本，记以上四种基础算法的定位结果分别为x
i,1
，x
i,2
，x
i,3
和x
i,4
，实际故障位置为yi。经过步骤105之后，可得到第i个训练样本记为其中，其中，为输入，yi为输出。为简化模型计算过程，可以将第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值这10个输入量进行归一化，将归一化后的数据作为训练样本。其中，归一化方式可以是除以线路长度，即将第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值均除以线路长度进行归一化。
[0106]
步骤107、使用训练样本训练随机森林模型，得到训练好的随机森林模型，将训练
好的随机森林模型作为配电网故障定位模型。
[0107]
需要说明的是，当训练样本构建完成后，由训练样本可组成训练样本集。使用训练样本对随机森林模型进行训练。从训练样本集中随机取出一部分样本作为验证集，通过观察模型在验证集上的表现确定超参数。然后利用所有训练样本集数据，对随机森林模型进行一次训练。最后将训练好的模型进行保存。
[0108]
随机森林是一种基于分类与回归树(classification and regression tree,cart)的集成学习算法，具有对异常值不敏感、运算速度快、不容易过拟合等优点，可以完成分类与回归任务。对于回归问题，训练样本集组成输入空间，cart递归地将每个区域划分为两个子区域，并确定每个子区域上的输出值。具体步骤如下：
[0109]
一、构建随机森立模型
[0110]
(1)遍历特征j以及划分变量s，选择式(11)达到最小的变量对(j,s)。
[0111][0112]
其中，r1和r2为两个子区域，c1和c2为两个子区域的输出值。
[0113]
(2)利用选定的变量对(j,s)，将数据划分为两个子区域，并计算各子区域输出值。
[0114][0115][0116]
其中，为回归树的预测结果，nm为区域rm中样本个数。
[0117]
(3)对于两个子区域，重复步骤(1)和(2)，直到满足停止条件。
[0118]
(4)将输入空间划分为m各区域，r1，r2，
…
,rm后，得到构建的cart回归树：
[0119][0120]
其中，i为当满足条件时为1，不满足条件时为0的函数。
[0121]
能够集成多棵cart树的随机森林算法，往往具有更好的性能。利用随机森林完成基础算法定位结果的融合时，其总体流程为：首先，采取随机有放回抽样从训练数据集中产生若干子数据集。然后，独立且并行地利用子数据集生成多棵cart回归树。值得注意的是，在划分左右子树时，随机森林会在节点上所有的特征中随机选择一部分特征，然后在选定的这一部分特征中寻找最优特征与划分变量。最后，将测试样本输入多棵回归树，对多棵回归树取算术平均后得到随机森林的定位结果。基于随机森林的故障定位模型的总体构建流程如图5所示。
[0122]
二、调参确定随机森林模型的超参数
[0123]
随机取训练样本集95％的数据用于模型训练，取剩余5％作为验证集用于模型验证，通过观察模型在验证集上的表现，调整并确定超参数。由于样本特征数较少，因此内部结点再划分所需最小样本数、最大特征数、最大叶结点数等超参数采取默认取值。如此一来，需要调整的超参数仅有3个：cart树个数、cart树最大深度、叶结点最少样本数。
[0124]
以确定cart树个数为例，用95％的训练集数据训练得到随机森林模型，记录其在
验证集上的平均绝对误差随cart树个数的变化情况，如图6所示。从图6中可以得到三点信息：
①
相较于4个输入特征，10个输入特征训练所得模型的平均绝对误差更小，定位精度更高；
②
随着cart树个数的增多，平均绝对误差逐渐降低；
③
当树的个数到达一定数量后，定位精度不会再有明显提升。为兼顾模型效果和训练开支，取cart树个数为100个。利用同样的方法，兼顾定位精度和模型复杂度，最终确定cart树最大深度为20、叶结点最少样本数为5。
[0125]
三、超参数确定后，用全体训练样本集的数据再训练一次
[0126]
使用全体训练样本再训练一次随机森林模型，最终得到配电网故障定位模型，将配电网故障定位模型进行保存。
[0127]
步骤108、获取配电网发生故障时采集到的故障线路两端的三相电压和电流，执行步骤103至步骤105，得到第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值，将第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值输入到配电网故障定位模型中，得到配电网故障定位结果。
[0128]
需要说明的是，将步骤107中得到的配电网故障定位模型应用于实际应用的故障定位场景，在真实配电线路发生故障后，采集故障线路两端的三相电压和电流，然后按照步骤103至步骤105的处理流程，得到对应的第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值，然后将第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值(按照实际需要决定是否需要进行归一化处理，得到归一化数据)输入到配电网故障定位模型中，得到配电网故障定位结果。
[0129]
针对于本发明实施例中得到的配电网故障定位模型，以下提供测试配电网故障定位模型在故障位置、线路参数、故障起始角、过渡电阻、负荷、线路长度等方面的泛化能力，及其在含高渗透率分布式电源配电网故障定位中的适用性的应用效果展示：
[0130]
在故障位置上的泛化能力：
[0131]
如表2所示，测试集的故障位置与训练集存在差异，分别为807.5m,1453.5m,2099.5m,2745.5m,3391.5m,4037.5m,4683.5m,5329.5m,5975.5m。计算四种基础算法与随机森林模型在相应测试集上的平均绝对误差。
[0132]
由于测量误差和线路参数误差的存在，基础算法的定位误差均较大，不满足配电网要求。对比表2中各算法的定位误差，发现相较于基础算法，训练所得随机森林模型的定位误差显著降低，且小于200米，满足现场运行要求。说明所构建模型在故障位置上具有较好泛化能力。
[0133]
表2随机森林模型在故障位置上的泛化性能
[0134][0135]
表2中，数字为不同算法在相应测试集上的平均绝对误差，单位：米。
[0136]
在线路参数上的泛化能力：
[0137]
不同的配电网、不同的线路，在线路参数上往往存在差异。验证了随机森林模型在线路参数上的泛化能力。在合理范围内随机生成了四组线路参数，与训练集中的线路参数存在差异，如表3所示。
[0138]
同样地，在四组线路参数下，计算随机森林模型与基础算法在测试集上的平均绝对误差，如表4所示。发现训练所得模型的定位误差仍然是最小的，且小于200m，同样满足现场运行要求。
[0139]
表3训练集线路参数设置
[0140][0141]
表4随机森林模型在线路参数上的泛化性能
[0142][0143]
[0144]
表4中，数字为不同算法在相应测试集上的平均绝对误差，单位：米。
[0145]
在故障起始角、过渡电阻、负荷、线路长度等方面的泛化能力：
[0146]
改变故障起始角与过渡电阻、线路负荷、线路长度等因素，测试随机森林故障定位模型的泛化性能，分别如表5、表6和表7所示。
[0147]
结果表明，融合了四种基础算法定位结果的随机森林模型，定位误差明显降低，均小于200m。随机森林定位模型定位精度更高，在故障起始角、过渡电阻等方面具备较好的泛化能力。
[0148]
表5随机森林模型在故障起始角和过渡电阻上的泛化性能
[0149][0150]
表6随机森林模型在线路负荷上的泛化性能
[0151][0152][0153]
表7随机森林模型在线路长度上的泛化性能
[0154][0155]
表5-7中，数字为不同算法在相应测试集上的平均绝对误差，单位：米。
[0156]
分布式电源接入时的适应性：
[0157]
在“双碳”战略以及新型电力系统建设的背景下，配电网将接入越来越多的分布式电源。分布式电源接入后，配电网中的故障精确定位算法应仍然具备较高定位精度及良好的适应性。为验证所构建随机森林模型在分布式电源大量接入时的适应性，进行了相应测试。
[0158]
分别将旋转式和逆变式两类分布式电源接入配电线路末端，然后在该线路上设置相间故障，对线路两端电气量进行采集、处理，最终形成测试集样本。计算四种基础算法和随机森林算法在相应测试集上定位结果的平均绝对误差，如表8所示。其中旋转式分布电源通过理想电压源与内阻的串联模拟。逆变式分布式电源为光伏。低渗透指故障馈线分布式电源功率/该线路负荷≈30％，高渗透指故障馈线分布式电源功率/该线路负荷≈60％。
[0159]
表8随机森林模型对于含分布式电源配网的适应性
[0160][0161][0162]
表8中，数字为不同算法在相应测试集上的平均绝对误差，单位：米。
[0163]
可以发现在不同类型分布式电源接入时，相较于基础算法，所构建随机森林故障定位模型仍能取得最小定位误差，且仍小于200m。这是因为，构建随机森林定位模型时采用的基础算法使用了故障稳态工频电气量，避开了分布式电源在故障发生后的复杂暂态过程。因此，所构建随机森林故障定位模型在高渗透分布式电源接入的新型配电网中仍然适用。
[0164]
本发明实施例中提供的基于随机森林的配电网故障精确定位方法，充分结合了现场运行实际，考虑了普遍存在的测量误差和线路参数误差对双端同步算法定位误差的影响，使用加性高斯白噪声函数对三相电压和电流进行测量误差模拟，得到含有测量误差的三相电压和电流，并对线路参数进行误差模拟，得到含有误差的线路参数，同时，以考虑了误差的测量结果和线路参数为故障分析因素，选取了四种存在差异性的基础算法进行计算，分别得到四种定位结果，随后，对基础算法的四种定位结果进行处理，形成训练样本数据，并对随机森林模型进行训练。最后，配电网发生故障后，利用训练好的随机森林故障定位模型完成精确定位。本发明中利用集成学习中的随机森林构建故障定位模型，模型定位精度高，有利于减少检修时间，加快故障恢复速度，提升系统运行可靠性，并且充分考虑了普遍存在的测量误差和线路参数误差对双端同步算法定位误差的影响，且定位效果不受过渡电阻、故障起始角、线路长度等因素的影响，适用于含高渗透率分布式电源的新型配电网，解决了现有技术中使用基于同步信息的多种双端故障定位算法进行配电网故障定位，未充分考虑测量误差和线路参数误差，影响配电网故障定位精度的技术问题。
[0165]
为了便于理解，请参阅图7，本发明中提供了一种基于随机森林的配电网故障精确定位系统的实施例，包括以下模块：
[0166]
建模模块，用于构建配电网模型，对配电网模型进行故障仿真，获取故障线路两端的三相电压和电流；
[0167]
误差模拟模块，用于使用加性高斯白噪声函数对三相电压和电流进行测量误差模拟，得到含有测量误差的三相电压和电流，并对线路参数进行误差模拟，得到含有误差的线路参数；
[0168]
序电气量模块，用于对含有测量误差的三相电压和电流进行全周傅里叶变换与相序变换，得到线路两端的序电气量；
[0169]
初始定位模块，用于将线路两端的序电气量和含有误差的线路参数分别代入基于集中参数线路模型的正序电压电流法、基于集中参数线路模型的正负序阻抗相等法、基于分布参数线路模型的模值求解法和基于分布参数线路模型的相位求解法，得到对应的第一定位结果、第二定位结果、第三定位结果和第四定位结果；
[0170]
差值计算模块，用于分别计算第一定位结果、第二定位结果、第三定位结果和第四定位结果的两两差值，得到第一差值、第二差值、第三差值、第四差值、第五差值和第六差值；
[0171]
训练样本构建模块，用于将第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值作为输入参数，实际故障位置作为标签，构建训练样本；
[0172]
模型训练模块，用于使用训练样本训练随机森林模型，得到训练好的随机森林模型，将训练好的随机森林模型作为配电网故障定位模型；
[0173]
故障定位模块，用于获取配电网发生故障时采集到的故障线路两端的三相电压和电流，经序电气量模块、初始定位模块和差值计算模块处理后，得到第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值，将第一定位结果、第二定位结果、第三定位结果、第四定位结果、第一差值、第二差值、第三差值、第四差值、第五差值和第六差值输入到配电网故障定位模型中，得到配电网故障定位结果。
[0174]
误差模拟模块具体用于：
[0175]
将三相电压和电流分别乘以由加性高斯白噪声函数产生的第一随机数，得到含有测量误差的三相电压和电流；
[0176]
将线路参数乘以由加性高斯白噪声函数产生的第二随机数，得到含有误差的线路参数。
[0177]
序电气量模块具体用于：
[0178]
在得到含有测量误差的三相电压和电流后，取故障发生后第二个周期的三相电压和电流瞬时值进行全周傅里叶变换，得到故障线路两端的三相电压和电流的相量值；
[0179]
采用对称分量法对三相电压和电流的相量值进行相序变换，得到线路两端的序电气量。
[0180]
随机森林模型的cart树个数为100个，cart树最大深度为20，叶结点最少样本数为5。
[0181]
第一定位结果为：
[0182][0183]
其中，x1为第一定位结果，l为故障线路mn的总长度，z1为线路单位正序阻抗，为故障线路n端正序电压，为故障线路n端正序电流，为故障线路m端正序电压，为故障线路m端正序电流。
[0184]
第二定位结果为：
[0185][0186]
其中，x2为第二定位结果，为故障线路m端负序电压，为故障线路m端负序电流，为故障线路n端负序电压，为故障线路n端负序电流。
[0187]
第三定位结果为：
[0188]
x3＝ln(a2 b2)/4α1[0189][0190]
其中，x3为第三定位结果，γ1为故障线路mn正序传播系数，z
c1
为线路正序特性阻抗，y1为故障线路mn单位长度导纳，α1为衰减常数，β1为相位常数，a为实部，b为虚部。
[0191]
第四定位结果为：
[0192]
x4＝arctan(b/a)/2β1[0193]
其中，x4为第四定位结果。
[0194]
本发明实施例中提供的基于随机森林的配电网故障精确定位系统，充分结合了现场运行实际，考虑了普遍存在的测量误差和线路参数误差对双端同步算法定位误差的影响，使用加性高斯白噪声函数对三相电压和电流进行测量误差模拟，得到含有测量误差的三相电压和电流，并对线路参数进行误差模拟，得到含有误差的线路参数，同时，以考虑了误差的测量结果和线路参数为故障分析因素，选取了四种存在差异性的基础算法进行计算，分别得到四种定位结果，随后，对基础算法的四种定位结果进行处理，形成训练样本数据，并对随机森林模型进行训练。最后，配电网发生故障后，利用训练好的随机森林故障定位模型完成精确定位。本发明中利用集成学习中的随机森林构建故障定位模型，模型定位精度高，有利于减少检修时间，加快故障恢复速度，提升系统运行可靠性，并且充分考虑了普遍存在的测量误差和线路参数误差对双端同步算法定位误差的影响，且定位效果不受过渡电阻、故障起始角、线路长度等因素的影响，适用于含高渗透率分布式电源的新型配电网，解决了现有技术中使用基于同步信息的多种双端故障定位算法进行配电网故障定位，未充分考虑测量误差和线路参数误差，影响配电网故障定位精度的技术问题。
[0195]
本发明中提供的一种基于随机森林的配电网故障精确定位系统，用于执行本发明中提供的一种基于随机森林的配电网故障精确定位方法，其原理和所取得的技术效果与本发明中提供的一种基于随机森林的配电网故障精确定位方法相同，在此不再赘述。
[0196]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。