一种故障选线结果融合的小电流接地故障选线识别方法与流程

1.本发明涉及电力故障处理技术领域，尤其涉及一种故障选线结果融合的小 电流接地故障选线识别方法。


背景技术：

2.目前，小电流接地系统的故障选线一直是电力系统中非常困难的问题。配 电网中的小电流接地系统采用中性点不接地和中性点经消弧线圈接地两种方式。 消弧线圈的引入减小了接地的短路电流，使得系统容易熄弧，但是相应地也增 加了选线的难度。在站端加装小电流接地系统故障选线装置，保证配电网供电 的可靠性。尽管在一定程度上提高了故障选线的效率，但是在一定程度上也增 加了建造成本和维护成本，更重要的是解决不了故障选线的准确度。


技术实现要素：

3.为了克服现有技术的不足，本发明提供了一种故障选线结果融合的小电流 接地故障选线识别方法，实现了故障选线结果融合，提高故障选线的精确度。
4.为了实现上述发明目的，本发明采用以下技术方案：
5.s101、对运行数据进行预处理；
6.s102、基于预处理结果对稳态信息融合模型进行训练，生成第一故障选线 模型；
7.s103、基于第一故障选线模型丢失的数据对长短期记忆人工神经网络模型 进行训练，生成第二故障选线模型；
8.s104、基于预处理结果对长短期记忆人工神经网络模型进行训练，生成第 三故障选线模型；
9.s105、基于多层感知器神经网络模型对第一、第二和第三故障选线模型的 输出数据进行故障选线结果融合，并生成故障选线识别报告结果。
10.进一步的，预处理包括空缺值填补处理和数据平滑技术处理。
11.进一步的，空缺值填补处理包括以下步骤：
12.使用一个常量来填补空缺值；
13.使用缺失属性均值来填补；
14.预测一个可能值来填补，例如通过回归来预测缺失值；
15.当数据某一时间点出现空缺值时，通过插值的方法来确定空缺值。
16.进一步的，数据平滑技术处理包括分箱法、回归法和聚类法。
17.进一步的，基于预处理结果对稳态信息融合模型进行训练之前，根据稳态 信息融合模型对预处理结果进行第一故障选线处理，根据第一故障选线处理结 果对稳态信息融合模型进行训练，生成第一故障选线模型。
18.进一步的，第一故障选线处理包括以下步骤：
19.采用z-分数对预处理结果数据离散程度进行评估；
20.当线路不存在零序电流时，进行三相相电流计算，并进行标准化处理；
21.在处理馈线出线处的无功功率时，直接对其进行标准化处理；
22.确定线路故障概率。
23.进一步的，基于预处理结果对长短期记忆人工神经网络模型进行训练之前， 将预处理结果进行故障特征分量提取，并进行标准化处理；根据长短期记忆人 工神经网络模型对标准化处理的故障特征分量进行第二故障选线处理；根据第 二故障选线处理结果对长短期记忆人工神经网络模型进行训练，生成第三故障 选线模型。
24.进一步的，将预处理结果进行故障特征分量提取，故障特征分量提取包括 以下步骤：
25.中性点不接地系统进行故障特征分量提取；
26.中性点经消弧线圈接地系统进行故障特征分量提取。
27.进一步的，将故障特征分量数据进行数据标准化处理，数据标准化处理的 计算公式如下所示，
[0028][0029]
其中，a'表示标准化后的特征分量数据，a是标准化前的特征分量数据，μ、 σ表示该数据分量的均值和标准差。
[0030]
进一步的，根据长短期记忆人工神经网络模型对标准化处理的故障特征分 量进行第二故障选线处理，第二故障选线处理包括以下步骤：
[0031]
对标准化处理的故障特征分量进行正向计算；
[0032]
使用梯度下降法对标准化处理的故障特征分量进行计算反向传播。
[0033]
本发明的有益效果：一种故障选线结果融合的小电流接地故障选线识别方 法，对运行数据进行预处理；基于预处理结果对稳态信息融合模型进行训练， 生成第一故障选线模型；基于第一故障选线模型丢失的数据对长短期记忆人工 神经网络模型进行训练，生成第二故障选线模型；基于预处理结果对长短期记 忆人工神经网络模型进行训练，生成第三故障选线模型；基于多层感知器神经 网络模型对第一、第二和第三故障选线模型的输出数据进行故障选线结果融合， 并生成故障选线识别报告结果；实现了故障选线结果融合，提高故障选线的精 确度；不需要在站端加装设备采集配网馈线的录波数据，很大程度上节约了设 备的建造和维护成本；具有故障选线响应时间快。
附图说明
[0034]
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地介绍，显而易见的，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它的附图。
[0035]
图1是本发明一种故障选线结果融合的小电流接地故障选线识别方法的步 骤示意图；
[0036]
图2是小电流接地系统单相接地故障示意图；
[0037]
图3是长短期记忆人工神经网络模型单元结构图。
具体实施方式
[0038]
下面结合附图对本公开实施例进行详细描述。
[0039]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本 说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实 施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另 外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不 同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是， 在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开 中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有 其他实施例，都属于本公开保护的范围。
[0040]
实施例一：
[0041]
s101、对电网运行数据进行预处理；
[0042]
对电网运行数据进行预处理，预处理包括空缺值填补处理和数据平滑技术 处理。
[0043]
空缺值填补处理包括以下步骤：
[0044]
使用一个常量来填补空缺值；
[0045]
使用缺失属性均值来填补；
[0046]
预测一个可能值来填补，例如通过回归来预测缺失值；
[0047]
当数据某一时间点出现空缺值时，通过插值的方法来确定空缺值。
[0048]
数据平滑技术处理包括分箱法、回归法和聚类法。
[0049]
分箱法：分箱法考察数据周围的值并将其分到不同的箱中，然后根据箱中 数据的特点来平滑箱中数据，起到数据平滑作用。
[0050]
回归法：回归法通过寻找合适的回归函数来将不同的变量互相关联，然后 使用其他变量来预测一个变量，起到数据平滑的效果。
[0051]
聚类法：聚类是一种识别孤立点或离群点的常用方法，那些明显偏离聚类 中心的数据很可能是错误数据，通过对其删除或更正可以提高数据的质量。
[0052]
s102、基于预处理结果对稳态信息融合模型进行训练，生成第一故障选线 模型；
[0053]
基于预处理结果对稳态信息融合模型进行训练，生成第一故障选线模型；
[0054]
优选的，基于预处理结果对稳态信息融合模型进行训练之前，根据稳态信 息融合模型对预处理结果进行第一故障选线处理，根据第一故障选线处理结果 对稳态信息融合模型进行训练，生成第一故障选线模型。
[0055]
第一故障选线处理包括以下步骤：
[0056]
采用z-分数对预处理结果数据离散程度进行评估；
[0057]
当线路不存在零序电流时，进行三相相电流计算，并进行标准化处理；
[0058]
在处理馈线出线处的无功功率时，直接对其进行标准化处理；
[0059]
确定线路故障概率。
[0060]
采用z-分数(z-score)对预处理结果数据离散程度进行评估，即
[0061][0062]
式中，δii是第i条线路零序电流变化值，μ是一组δii的平均值，σ是所有δii的标准偏差。zi是第i条线路的z-分数得分。
[0063]
当线路不存在零序电流时，进行三相相电流计算，即
[0064]
δii＝max{δia,δib,δic}
[0065]
并进行标准化处理，
[0066][0067]
其中，z
i_max
、z
i_min
为一组z-分数数据中的最大值、最小值，λi为电流数据 标准化处理后的值，用于计算线路故障概率。
[0068]
在处理馈线出线处的无功功率时，直接对其进行标准化处理，即
[0069][0070]
式中，δqi为第i条线路无功功率变化值，|δqi|
max
、|δqi|
min
为所有出线处无 功功率变化的最大值和最小值。
[0071]
确定线路故障概率，进行线路故障概率的计算公式如下所示：
[0072]
pi＝m
×
λi+(1-m)
×
μi[0073]
其中，m是由配电网结构所确定的计算算子，一般取0.5，亦可采用优化脉 冲神经膜方法对其算子针对特定的配网结构进行优化，λi为电流数据标准化处理 后的值，ui为电流数据标准化处理后的值，pi为馈线支路故障概率计算值。
[0074]
s103、基于第一故障选线模型失效的数据对长短期记忆人工神经网络模型 进行训练，生成第二故障选线模型；
[0075]
基于第一故障选线模型失效的数据对长短期记忆人工神经网络模型进行训 练，生成第二故障选线模型。
[0076]
s104、基于预处理结果对长短期记忆人工神经网络模型进行训练，生成第 三故障选线模型；
[0077]
基于预处理结果对长短期记忆人工神经网络模型进行训练，生成第三故障 选线模型。
[0078]
优选的，基于预处理结果对长短期记忆人工神经网络模型进行训练之前， 将预处理结果进行故障特征分量提取，并进行标准化处理；根据长短期记忆人 工神经网络模型对标准化处理的故障特征分量进行第二故障选线处理；根据第 二故障选线处理结果对长短期记忆人工神经网络模型进行训练，生成第三故障 选线模型。
[0079]
将预处理结果进行故障特征分量提取，故障特征分量提取包括以下步骤：
[0080]
中性点不接地系统进行故障特征分量提取；
[0081]
中性点经消弧线圈接地系统进行故障特征分量提取。
[0082]
中性点不接地系统进行故障特征分量提取，如图2所示，分别 表示等效的三相电源电动势；线路ⅰ的各相对地分布电容c
01
和负荷导纳g1，线 路ⅱ的各相分布电容c
02
和负荷导纳g2，母线及电源每相对地等效电容为c
os
，变 压器绕组相电势幅值为
[0083]
当线路ⅱ中当a相发生单相接地故障时，
[0084]
[0085]
为故障后的中性点电压，ω为角频率，c
σ
为线路对地等效电容之和。即
[0086]cσ
＝c
01
+c
02
[0087]
则故障线路ⅱ中a相电流为：
[0088][0089]
其中，β为设定系数(0≤β≤1)，ω为角频率，gi为负荷导纳，c
σ
为线路对地 等效电容之和，为变压器绕组相电势幅值，g2为负荷导纳。
[0090]
当单相接地发生时，故障相对地电压为零，非故障相对地电压升高为线电 压，同时全系统中出现零序电压；非故障线路的零序电流大小等于其三相对地 电容电流之和，容性无功功率方向由母线流向线路；故障线路的零序电流为所 有非故障线路对地电容电流之和，容性无功功率方向由线路流向母线。
[0091]
因此在中性点不接地系统中，故障线路和非故障线路的显著区别，可将其 作为数据故障特征选取的一个理论依据。
[0092]
中性点经消弧线圈接地系统进行故障特征分量提取，如图2所示，，在中性 点经消弧线圈接地系统中，开关s1闭合，故障点的故障电流除流过全网的电容 电流之外，还包含消弧线圈的补偿电感电流根据相关规程规定要求，消弧 线圈一般采用过补偿运行方式,在这里补偿度取10％,则其中线路ⅱ的a相电流的 幅值为
[0093][0094]
其中，β为设定系数(0≤β≤1)，ω为角频率，gi为负荷导纳，c
σ
为线路对地 等效电容之和，为变压器绕组相电势幅值，g2为负荷导纳。
[0095]
与同中性点不接地系统相比较，在中性点经小胡线圈接地系统发生单相接 地故障时的主要区别有：接地点的故障电流被消弧线圈产生的电感电流补偿后， 其故障残余电流更小；故障线路的零序电流不再只包含非故障零序电流之和， 而是由非故障线路电容电流之和及中性点电感电流组成；采用过补偿方式后， 容性无功功率的方向与非故障线路方向相同，由母线流向线路。
[0096]
将故障特征分量数据进行标准化处理；
[0097]
将故障特征分量数据进行数据标准化处理，数据标准化处理的计算公式如 下所示，
[0098][0099]
其中，a'表示标准化后的特征分量数据，a是标准化前的特征分量数据，μ、 σ表示该数据分量的均值和标准差。
[0100]
根据长短期记忆人工神经网络模型对标准化处理的故障特征分量进行第二 故障选线处理，第二故障选线处理包括以下步骤：
[0101]
对标准化处理的故障特征分量进行正向计算；
[0102]
使用梯度下降法对标准化处理的故障特征分量进行计算反向传播。
[0103]
需要说明的是，如图3所示，长短期记忆人工神经网络模型由多个连接的 单元组成，以形成整体结构，与一般地处理时间序列的循环神经网络相比，单 元状态c被添加到隐
藏层中，并且隐藏层结构更加复杂。长短期记忆人工神经 网络模型具有长期记忆功能，便于序列建模，可以在一定程度上克服梯度消失 的问题。长短期记忆人工神经网络模型的单元包括输入门(i
t
)，遗忘门(f
t
) 和输出门(o
t
)。三个门的输出值都是从0到1的实数，并且用于描述当前输 入单元状态。
[0104]
长短期记忆人工神经网络(lstm)不同于传统的人工神经网络，隐藏层不 仅与输入层有关，而且与前一时刻的隐藏层的输出有关。
[0105]
长短期记忆人工神经网络模型的函数表达式如公式所示，因此其可以处理 序列变化的时间序列数据。
[0106]
h(t)＝f(α1*x(t)+α2*h(t-1)+b1)
[0107]
其中,h(t)为t时刻隐藏层信息,h(t-1)为t-1时刻隐藏层信息，x(t)为输入 信息，α1,α2为输入量的权重系数，b1为偏差量。
[0108]
如图3所示，对标准化处理的故障特征分量进行正向计算包括下步骤：
[0109]
遗忘门确定前一时刻状态的数量，并确定输出当前时刻的单位状态 决定丢弃或保留一些信息，来自前一个隐藏状态的信息和当前输入的信 息同时传递到激活函数σ中，值域为[0,1],越接近0意味着应该丢弃，越接近1 意味着越应该保留。
[0110]
f(t)＝σ(ωf·
[h
t-1
,x
t
]+bf)
[0111]
其中，ωf为遗忘门的权重系数，bf为遗忘门的偏差量，x
t
为t时刻的输入 量，激活函数σ为sigmoid函数，其值域为[0,1]，如下式所示：
[0112][0113]
在模型中，实际输出值如下式所示：
[0114][0115]
输入门用于更新细胞状态。首先将前一层隐藏状态的信息和当前输入的信 息传递到激活函数σ中，将值调整至[0,1]中来决定更新信息类型，0表示不重 要，1表示重要。
[0116]it
＝σ(ωi·
[h
t-1
,x
t
]+bi)
[0117][0118][0119]
其中，i
t
为输入门对应值,f
t
遗忘门对应值，为当前t时刻输入单元状态 值，c
t
为当前t时刻状态，ω为相应的权重系数,b为相应的权重系数偏置量。
[0120]
细胞状态的计算首先将前一层的细胞状态与遗忘向量相乘。若其与接近0 的值相乘，意味着在新的细胞状态中这些信息应丢弃。之后再将该值与输入门 的输出值逐点相加，将神经网络发现的新信息更新至细胞状态中。
[0121]
输出门用来确定下一个隐藏状态的值，隐藏状态包含了之前输入的信息。 首先，将前一个隐藏状态和当前输入传递到激活函数σ中，然后将新得到的细胞 状态传递给tanh函数。最后将tanh的输出与激活函数σ的输出相乘，以确定隐 藏状态应携带的信息。再将隐
藏状态作为当前细胞的输出，把新的细胞状态和 新的隐藏状态传递到下一个时间步长中去。
[0122]ot
＝σ(ωo·
[h
t-1
,x
t
]+bo)
[0123]ht
＝o
t
*tanh(c
t
)
[0124]
其中，c
t
为当前t时刻状态，σ为激活函数，o
t
为输出门对应值，ω0为相应 的权重系数,b0为相应的权重系数偏置量。
[0125]
使用梯度下降法对标准化处理的故障特征分量进行计算反向传播，包括以 下步骤：
[0126]
在执行正向计算后，需要根据误差计算长短期记忆人工神经网络模型的反 向传播，并使用梯度下降法进行反向传播计算，反向传播的计算公式如下所示：
[0127][0128][0129]
其中，为lstm预测值，error为lstm损失值，h
t
为t时刻隐藏层信息， ω为相应的权重系数,b为相应的权重系数偏置量。
[0130]
因此，可以根据长短期记忆人工神经网络模型的结果显示该线路是否为故 障线路。
[0131]
根据第二故障选线处理结果对长短期记忆人工神经网络模型进行训练，生 成第三故障选线模型。
[0132]
s105、基于多层感知器神经网络模型对第一、第二和第三故障选线模型的 输出数据进行故障选线结果融合，并生成故障选线识别报告结果；
[0133]
基于多层感知器神经网络模型对第一、第二和第三故障选线模型的输出数 据进行故障选线结果融合，并生成故障选线识别报告结果；将故障选线识别报 告存储至故障特征数据库中，用于更新多层感知器神经网络模型。
[0134]
在本发明的描述中，需要说明的是，术语“第一”、“第二”和“第三”仅 用于区分描述，而不能理解为指示或暗示相对重要性。
[0135]
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技 术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修 改、等同替换、改进等，均应包含在本发明的保护范围之内。