一种配电网短路故障区段定位方法及系统与流程

1.本发明涉及配电网故障定位技术领域，具体涉及一种配电网短路故障区段定位方法及系统。


背景技术：

2.近年来，随着我国配电网规模的不断扩大，短路故障发生的次数也在不断增多，若未及时识别并处理故障，可能会造成设备烧毁甚至大面积停电等危害。通过数据的实时监测，能够及时地发现配电网的故障位置，且随着10kv配电网数据实时监测系统的不断完善和进步，诸多区域的大量运行电气量数据、故障数据等各类信息均可以实时上传至各类系统，从配电侧到用户侧的大量历史数据，为配电网进行行为分析、负荷预测、故障区段定位奠定了坚实的基础。
3.但是，由于各种终端的质量参差不齐、施工工艺及安装环境都各不相同，导致大量终端在配电网正常运行时误报故障信号，而配电网故障运行时又漏报故障信号的情况时有发生，且大多故障定位均采用单一数据源，这会导致网络整体故障误判率大大提高。因此，如何在不同信息状况下利用多源数据快速准确地辨识、定位和处理配电网短路故障具有重要意义。


技术实现要素：

4.本发明所要解决的技术问题是：传统的故障定位方法采用单一数据源，导致配电网络整体故障误判率提高，对单一数据源的依赖程度大；本发明目的在于提供一种配电网短路故障区段定位方法及系统，基于配用电信息系统下三遥数据和潮流数据的多源数据，建立以多源数据为基础的配电网短路故障区段定位模型，根据区段定位结果帮助配电网运行人员判断故障实际位置，通过多源数据来准确判断故障位置，具有容错性和实用性。
5.本发明通过下述技术方案实现：本方案提供一种配电网短路故障区段定位方法，包括步骤：步骤一，以配电网的三遥数据和潮流数据作为故障诊断特征量，构建短路故障区段的定位数据特征库；步骤二，基于i-relief算法建立特征筛选模型，对定位数据特征库进行降维，得到特征性最强且特征之间相关性最弱的主要特征；步骤三，基于主要特征训练elman神经网络得到配电网短路故障区段定位模型；步骤四，实时采集配电网中断路器动作信号、保护器动作信号和电气量输入配电网短路故障区段定位模型进行配电网短路故障区段定位。
6.本方案工作原理：传统配电网短路故障区段定位中，往往只采用保护装置中的断路器和保护动作来进行判断，从而导致当配电网中的终端误报或者漏报故障信号时，采用单一数据源的传统方法将无法对停电范围进行分析和识别的问题；本发明提供的配电网短路故障区段定位方法，基于配用电信息系统下三遥数据和潮流数据的多源数据，建立以多
源数据为基础的配电网短路故障区段定位模型，根据区段定位结果帮助配电网运行人员判断故障实际位置；传统故障区段定位方法主要是依据三遥数据，即电网中各类断路器、保护器的开关动作状态，只采用保护装置中的断路器和保护动作来进行判断，当配电网中的某终端误报或者漏报故障信号时，将无法对停电范围进行分析和识别；而本方案将潮流数据也作为短路故障区段定位的依据，增加了特征数据库种类，保证定位精度，同时带来故障诊断特征库数量庞大的情形，为了避免出现故障特征较低或者特征冗余的现象，本方案基于i-relief算法建立特征筛选模型，对定位数据特征库进行降维，得到特征性最强且特征之间相关性最弱的主要特征，更好地挖掘特征库与故障的关联规则；可以充分考虑到配网故障运行时故障信息漏报或者误报的情况，通过多源数据来准确判断不完备信息环境下的故障位置，具有容错性和实用性。
7.进一步优化方案为，所述三遥数据包括：断路器动作信号和保护器动作信号；所述潮流数据包括：配变负荷电压、配变负荷电流、配变负荷有功功率、配变负荷无功功率、馈线电压、馈线电流、用户侧电压、用户侧电流和用户侧功率。
8.进一步优化方案为，步骤二包括以下子步骤：s21，基于定位数据特征库中确定样本集合d和特征集合a；其中为样本，n为样本总数，表示样本类别，c为类别数，为特征，i表示特征数；s22，对样本集合d和特征集合a进行预处理，并初始化i-relief算法的参数：特征权重，样本抽样次数t，核参数和容许误差；s23，在样本集合d中任意选择一个样本，在同类样本集中找到k个同类近邻样本，从异类样本集中找到k个异类近邻样本，且，；并计算概率加权平均间隔向量；s24，基于同类近邻样本和异类近邻样本计算特征集合a中各特征的权重，利用线性规划模型和概率加权平均间隔向量不断更新权重，直至权重误差小于核参数。
9.由于定位数据特征库中不仅包括了传统的故障区段定位所采用的断路器分闸动作和保护动作，还包括电压、电流、有功和无功等潮流数据，因此故障诊断特征库数量庞大，必然会出现故障特征较低或者特征冗余的现象，通过建立主要特征筛选机制对特征库进行降维处理，更好地挖掘特征库与故障的关联规则。
10.进一步优化方案为，s22包括以下子步骤：
对特征集合a中的特征值进行归一化处理，并将样本集合d中的样本根据时间升序分为故障后样本和故障前样本。
11.进一步优化方案为，概率加权平均间隔向量根据下式计算：根据下式计算：根据下式计算：其中：表示指数函数，表示样本的异类近邻样本；表示样本的同类近邻样本；和分别表示样本是样本异类最近邻和同类最近邻的概率。
12.i-relief算法可以良好的解决多分类问题而非局限于二分类问题，且本方案引入概率加权平均间隔向量代替平均间隔向量以解决无关特征大量存在的问题。
13.进一步优化方案为，特征的权重计算方法包括：根据下式计算第个特征的权重：：
式中：和表示特征上样本到其同类近邻集合和异类近邻集合的距离；表示样本的第c个同类近邻的第个特征值，表示样本的第c个异类近邻的第个特征值，t表示样本抽取次数。
14.进一步优化方案为，特征权重根据下式更新：式中：为变量特征权重的2-范数；当权重误差小于容许误差，时，当前权重更新结束。
15.进一步优化方案为，所述elman神经网络的模型为：式中：为时刻数，、和分别为承接层到隐含层、输入层到隐含层和隐含层到输出层之间的连接权矩阵；为神经网络最终的输出； 为隐含层的输出；为承接层的输出；为神经网络的起始输入。
16.本方案基于普通神经网络进行改进，在隐含层增加一个承接层，使系统具有适应时变特性的能力，增强了网络的全局稳定性。
17.训练elman神经网络的过程包括：以误差函数作为 elman神经网络的目标函数，通过反向传播调整权值和阈值使误差函数取值最小；其中elman神经网络第k步的输出为，误差函数的计算公式为：
表示矩阵的转置。
18.所述配电网短路故障区段定位的场景，包含了终端在配电网正常运行时误报故障信号和配电网故障运行时又漏报故障信号的非健全信息场景。
19.本方案还提供一种配电网短路故障区段定位系统，用于实现上述方案的方法，包括：特征库构建模块、降维模块、训练模块和故障区段定位模块；所述特征库构建模块用于以配电网的三遥数据和潮流数据作为故障诊断特征量，构建短路故障区段的定位数据特征库；所述降维模块用于基于i-relief算法建立特征筛选模型，对定位数据特征库进行降维，得到特征性最强且特征之间相关性最弱的主要特征；所述训练模块用于基于主要特征训练elman神经网络得到配电网短路故障区段定位模型；所述故障区段定位模块用于实时采集配电网中断路器动作信号、保护器动作信号和电气量输入配电网短路故障区段定位模型进行配电网短路故障区段定位。
20.本发明与现有技术相比，具有如下的优点和有益效果：本发明提供的一种配电网短路故障区段定位方法及系统，基于配用电信息系统下三遥数据和潮流数据的多源数据，建立以多源数据为基础的配电网短路故障区段定位模型，根据区段定位结果帮助配电网运行人员判断故障实际位置；在故障诊断特征库数量庞大的情形下，基于i-relief算法建立特征筛选模型，对定位数据特征库进行降维，得到特征性最强且特征之间相关性最弱的主要特征，避免出现故障特征较低或者特征冗余的现象，更好地挖掘特征库与故障的关联规则；此外，本方案还充分考虑了配网故障运行时故障信息漏报或者误报的情况，通过多源数据来准确判断不完备信息环境下的故障位置，具有容错性和实用性。
附图说明
21.为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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。在附图中：图1为配电网短路故障区段定位方法流程示意图；图2为配电网短路故障区段定位系统结构示意图；图3为elman神经网络进行区段定位的求解流程示意图；图4 为elman神经网络训练曲线图。
具体实施方式
22.为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作
为对本发明的限定。
23.实施例1本实施例提供一种配电网短路故障区段定位方法，如图1所示，包括步骤：步骤一，以配电网的三遥数据和潮流数据作为故障诊断特征量，构建短路故障区段的定位数据特征库；所述三遥数据包括：断路器动作信号和保护器动作信号；所述潮流数据包括：配变负荷电压、配变负荷电流、配变负荷有功功率、配变负荷无功功率、馈线电压、馈线电流、用户侧电压、用户侧电流和用户侧功率。
24.其中，遥信、遥控、遥测数据来自配电自动化系统；10kv配变负荷电压、负荷电流、负荷有功功率、负荷无功功率数据来自配电网的配变负荷监测系统；10kv馈线有功功率、馈线无功功率、馈线电流和馈线电压等潮流信息来自配电网的调度自动化系统；用户侧电压、用户侧电流和用户侧功率数据来自配电网的用户信息采集系统；步骤二，基于i-relief算法建立特征筛选模型，对定位数据特征库进行降维，得到特征性最强且特征之间相关性最弱的主要特征；步骤二包括以下子步骤：s21，基于定位数据特征库中确定样本集合d和特征集合a；其中为样本，n为样本总数，表示样本类别，c为类别数，为特征，i表示特征数；s22，对样本集合d和特征集合a进行预处理，并初始化i-relief算法的参数：特征权重，样本抽样次数t，核参数和容许误差；s23，在样本集合d中任意选择一个样本，在同类样本集中找到k个同类近邻样本，从异类样本集中找到k个异类近邻样本，且，；并计算概率加权平均间隔向量；s24，基于同类近邻样本和异类近邻样本计算特征集合a中各特征的权重，利用线性规划模型和概率加权平均间隔向量不断更新权重，直至权重误差小于核参数。
25.概率加权平均间隔向量根据下式计算：
其中：表示指数函数，表示样本的异类近邻样本；表示样本的同类近邻样本；和分别表示样本是样本异类最近邻和同类最近邻的概率。
26.特征的权重计算方法包括：根据下式计算第个特征的权重：：：式中：和表示特征上样本到其同类近邻集合和异类近邻集合的距离；表示样本的第c个同类近邻的第个特征值，表示样本的第c个异类近邻的第个特征值。
27.特征权重根据下式更新：
式中：为变量特征权重的2-范数；当权重误差小于容许误差，时，当前权重更新结束。
28.i-relief算法可以良好的解决多分类问题而非局限于二分类问题，且本实施例引入概率加权平均间隔向量代替平均间隔向量以解决无关特征大量存在的问题。
29.由于定位数据特征库中不仅包括了传统的故障区段定位所采用的断路器分闸动作和保护动作，还包括电压、电流、有功和无功等潮流数据，由于故障诊断特征库数量庞大，必然会出现故障特征较低或者特征冗余的现象，通过建立主要特征筛选机制对特征库进行降维处理，更好地挖掘特征库与故障的关联规则。
30.步骤三，基于主要特征训练elman神经网络得到配电网短路故障区段定位模型；所述elman神经网络的模型为：式中：为时刻数，、和分别为承接层到隐含层、输入层到隐含层和隐含层到输出层之间的连接权矩阵；为神经网络最终的输出； 为隐含层的输出；为承接层的输出；为神经网络的起始输入。
31.训练elman神经网络的过程包括：以误差函数作为 elman神经网络的目标函数，通过反向传播调整权值和阈值使误差函数取值最小；其中elman神经网络第k步的输出为，误差函数的计算公式为：，误差函数的计算公式为：表示矩阵的转置。
32.步骤四，实时采集配电网中断路器动作信号、保护器动作信号和电气量输入配电网短路故障区段定位模型进行配电网短路故障区段定位。
33.配电网短路故障区段定位的场景，包含了终端在配电网正常运行时误报故障信号和配电网故障运行时又漏报故障信号的非健全信息场景。
34.实施例2本实施例提供一种配电网短路故障区段定位系统，用于实现上一实施例所述的方法，如图2所示，包括：特征库构建模块、降维模块、训练模块和故障区段定位模块；所述特征库构建模块用于以配电网的三遥数据和潮流数据作为故障诊断特征量，构建短路故障区段的定位数据特征库；所述降维模块用于基于i-relief算法建立特征筛选模型，对定位数据特征库进行降维，得到特征性最强且特征之间相关性最弱的主要特征；所述训练模块用于基于主要特征训练elman神经网络得到配电网短路故障区段定位模型；所述故障区段定位模块用于实时采集配电网中断路器动作信号、保护器动作信号和电气量输入配电网短路故障区段定位模型进行配电网短路故障区段定位。
35.如图3，采用本发明的配电网短路故障区段定位模型通过elman神经网络进行区段定位的求解流程示意图，基于配用电信息系统进行故障特征数据选择、传输和预处理，确定好样本后，将样本数据输入elman神经网络划分好训练集和测试集，elman神经网络依次进行计算输入层输出、根据承接层输出计算隐含层输出、计算输出层输出，最后计算误差函数，以误差函数作为 elman神经网络的目标函数，通过反向传播调整权值和阈值使误差函数取值最小；在误差函数取值最小的情况更新最优权重得到elman神经网络模型，最后将实时采集配电网中断路器动作信号、保护器动作信号和电气量输入elman神经网络模型得到配电网短路故障区段定位结果。
36.实施例3基于以上两个实施例，本实施例根据西南某地区近两年的配用电信息系统数据进行10kv配电网短路故障区段定位的实施例分析。10kv馈线数据来自调度自动化系统和配电自动化系统，10kv变压器数据来自配变负荷监测系统，用户数据来自用户信息采集系统。经过数据处理和清洗后得到近两年该地区的500条历史记录，以此建立含500条记录的挖掘库和含500条记录的测试库。挖掘库中故障类型包含故障类型包括三相短路、单相接地、两相短路接地和两相短路故障。挖掘库和测试库两者结构完全一致，区别在于挖掘库包含故障类型信息，用于通过挖掘来获取规则，而测试库不包含故障类型信息，用于检验规则的有效性。
37.主要特征筛选：以建立的断路器跳闸信号（断路器动作信号）、保护器动作信号和电气量等条件特征作为候选特征量，构建数据特征库，利用i
‑ꢀ
relief算法得到特征权重如表1所示。
38.根据表1所示，选取重要性相似即权重相似的条件特征量作为关键特征量，其中配变故障相电流变化率、配变故障相电压、馈线电流、配变非故障相电压、用户非故障相电流变化率和用户故障相电流变化率的候选特征权重都在0.12左右，因此选择这6个候选特征量作为elman神经网络的输入。
39.完备信息环境下的故障区段定位：通过挖掘库数据的训练分别得到了elman神经网络模型和bp神经网络模型，利用模型对测试库中的数据进行短路故障区段定位，两者准确率对比如表2所示。
40.在本实施例测试下，基于本技术方法的配电网短路故障区段定位的准确率均达到95％以上，准确率较高且均高于bp神经网络模型。
41.而从时间上来看，由仿真的步数训练曲线图4知，elman网络训练步数只要130步数就到达设置的误差精度，而从输入数据训练至测试结果输出，bp神经网络模型花费24s，而elman神经网络模型仅仅花费6.9s，定位速度大大提升。综上所述，不论是在短路故障区段定位的准确率上，还是收敛速度上，elman神经网络比bp网络更加的所用时间少，速度更快和高效。
42.不完备信息环境下的故障区段定位：为了进一步测试模型在出现错误和缺失数据情况下的准确程度，在原先的挖掘库和训练库中各自增加80条错误数据或部分缺失的数据，在不完备信息的情况下再次进行测试。准确率对比如表3所示。
43.在本实施例中，由于存在错误数据或部分缺失的情况，bp神经网络模型准确率下降到了85％以下，同样，elman神经网络模型准确率也下降至90％左右，虽然两者准确率均有一定幅度的下降，但elman神经网络模型进行故障研判的准确率仍在可接受范围之内。
44.而从时间上来看，从输入数据训练至测试结果输出，bp神经网络模型花费40s，而elman神经网络模型花费10.4s，都花费了更久的时间，原因可能在于大量异常情况的出现导致模型在训练过程中产生了不好的影响。
45.由此可以验证，当原始数据中信息正确时，用本文模型进行故障诊断不仅准确率高且速度较快；而当原始数据中带有缺失、错误数据时，虽然相比数据准确时准确率有下降且速度变慢，但依然在可以接受的范围之内。这说明本技术模型具有较好的容错性和实用性，可以有效解决传统的配网故障区段定位中，往往只采用保护装置中的断路器和保护动作来进行判断，从而导致当配电网中的终端误报或者漏报故障信号时，采用单一数据源的传统方法将无法对停电范围进行分析和识别的问题。
46.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。