一种微电网的故障诊断方法、装置及设备与流程

本发明涉及电力系统故障诊断，尤其涉及一种微电网的故障诊断方法、装置及设备。

背景技术：

1、随着经济技术的快速发展，对能源需求也在急剧增加，虽然传统的集中式发电以及远距离输送技术已经相对成熟，但同时也伴随着成本较高的问题，面对不可再生的传统能源所带来的问题，在2021年9月《关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》中明确提出了“推进电网体制改革，以消纳可再生能源为主体的增量配电网、微电网和分布式电源的市场主体地位”，微电网是新能源和可再生能源传送的最有效途径，也是分布式发电技术的重要应用之一。

2、微电网技术作为一种新兴技术，其应用和发展被各界学者广为研究，在技术难点上存在着诸多难题。多个微电网之间的互联、运行，其稳定性、可靠性以及经济性，同时减少微电网并网时对大电网的冲击等一些实际问题是亟需解决的难题。当微电网在并网运行时发生短路故障，如单相接地短路、相间短路、两相接地短路、三相短路和三相接地短路故障时对电网有着较大的影响，因此对微电网故障的诊断和识别十分有意义。

3、在现有技术中，通过检测线路中的电流与设定的阈值相比较判断线路中是否发生短路故障，或者通过电压变化率判断线路中是否发生短路故障的诊断方法，在实际应用时容易受到干扰，使得微电网在故障类型判断时出现不可靠、不及时的状况，导致诊断微电网故障的准确度低。

技术实现思路

1、本发明提供了一种微电网的故障诊断方法、装置及设备，解决了现有技术在实际应用时容易受到干扰，使得微电网在故障类型判断时出现不可靠、不及时的状况，导致诊断微电网故障的准确度低的技术问题。

2、本发明第一方面提供的一种微电网的故障诊断方法，包括：

3、获取微电网的电压电流数据集，并采用预置小波基函数对所述电压电流数据集进行五层分解，确定五层高频系数集；

4、基于预设随机矩阵函数和所述五层高频系数集对应的向量长度，确定学习样本集和初始平滑因子种群；

5、采用所述五层高频系数集和所述学习样本集，通过预设神经网络模型和对应的误差函数对所述初始平滑因子种群进行误差迭代，确定最优平滑因子，并实时统计迭代次数；

6、当所述迭代次数达到预设次数时，通过所述预设神经网络模型基于待检测五层高频系数、所述学习样本集中的一组学习样本组和所述最优平滑因子进行故障诊断，输出所述微电网对应的目标故障结果。

7、可选地，所述采用所述五层高频系数集和所述学习样本集，通过预设神经网络模型和对应的误差函数对所述初始平滑因子种群进行误差迭代，确定最优平滑因子，并实时统计迭代次数的步骤，包括：

8、通过预设神经网络模型基于所述五层高频系数集、所述学习样本集和所述初始平滑因子种群进行故障诊断，确定多个初始故障结果；

9、采用所述误差函数对各所述初始故障结果分别进行误差评估，输出多个初始误差值，并在全部所述初始误差值中选取最小初始误差值；

10、采用莱维飞行对所述初始平滑因子种群进行更新，确定第二平滑因子种群；

11、采用所述五层高频系数集和所述学习样本集，通过预设神经网络模型和所述误差函数对所述第二平滑因子种群进行误差评估，输出最小中间误差值；

12、以所述最小初始误差值和所述最小中间误差值之间最小的误差值作为目标误差值；

13、将所述目标误差值对应的平滑因子作为最优平滑因子，并实时统计迭代次数。

14、可选地，还包括：

15、当所述迭代次数未达到预设次数时，将所述第二平滑因子种群作为新的初始平滑因子种群，并跳转执行所述采用莱维飞行对所述初始平滑因子种群进行更新，确定第二平滑因子种群的步骤，直至所述迭代次数达到预设次数。

16、可选地，所述预设神经网络模型对应的目标函数，具体为：

17、

18、式中，yj为学习样本集中第j组学习样本组对应的故障结果；n为学习样本的个数；x为五层高频系数集中的高频系数；xji为预设神经网络模型中输入层神经元的学习样本集中第j组第i个第一学习样本；t为转置；m为平滑因子；yj为学习样本集中第j组学习样本组的第二学习样本；p为学习样本集中学习样本组的组数；

19、所述误差函数，具体为：

20、

21、式中，wu为误差值；p为学习样本集中学习样本组的组数；为预设样本期盼故障结果；yj为学习样本集中第j组学习样本组对应的故障结果。

22、可选地，在所述获取微电网的电压电流数据集，并采用预置小波基函数对所述电压电流数据集进行五层分解，确定五层高频系数集的步骤之前，包括：

23、获取微电网的初始电压电流数据集；

24、对所述初始电压电流数据集执行卡尔曼滤波操作，生成所述电压电流数据集。

25、本发明第二方面提供的一种微电网的故障诊断装置，包括：

26、获取模块，用于获取微电网的电压电流数据集，并采用预置小波基函数对所述电压电流数据集进行五层分解，确定五层高频系数集；

27、随机模块，用于基于预设随机矩阵函数和所述五层高频系数集对应的向量长度，确定学习样本集和初始平滑因子种群；

28、迭代模块，用于采用所述五层高频系数集和所述学习样本集，通过预设神经网络模型和对应的误差函数对所述初始平滑因子种群进行误差迭代，确定最优平滑因子，并实时统计迭代次数；

29、诊断模块，用于当所述迭代次数达到预设次数时，通过所述预设神经网络模型基于待检测五层高频系数、所述学习样本集中的一组学习样本组和所述最优平滑因子进行故障诊断，输出所述微电网对应的目标故障结果。

30、可选地，所述迭代模块包括：

31、初始子模块，用于通过预设神经网络模型基于所述五层高频系数集、所述学习样本集和所述初始平滑因子种群进行故障诊断，确定多个初始故障结果；

32、采用子模块，用于采用所述误差函数对各所述初始故障结果分别进行误差评估，输出多个初始误差值，并在全部所述初始误差值中选取最小初始误差值；

33、更新子模块，用于采用莱维飞行对所述初始平滑因子种群进行更新，确定第二平滑因子种群；

34、评估子模块，用于采用所述五层高频系数集和所述学习样本集，通过预设神经网络模型和所述误差函数对所述第二平滑因子种群进行误差评估，输出最小中间误差值；

35、比较子模块，用于以所述最小初始误差值和所述最小中间误差值之间最小的误差值作为目标误差值；

36、统计子模块，用于将所述目标误差值对应的平滑因子作为最优平滑因子，并实时统计迭代次数。

37、可选地，还包括：

38、第一模块，用于当所述迭代次数未达到预设次数时，将所述第二平滑因子种群作为新的初始平滑因子种群，并跳转执行所述采用莱维飞行对所述初始平滑因子种群进行更新，确定第二平滑因子种群的步骤，直至所述迭代次数达到预设次数。

39、可选地，所述预设神经网络模型对应的目标函数，具体为：

40、

41、式中，yj为学习样本集中第j组学习样本组对应的故障结果；n为学习样本的个数；x为五层高频系数集中的高频系数；xji为预设神经网络模型中输入层神经元的学习样本集中第j组第i个第一学习样本；t为转置；m为平滑因子；yj为学习样本集中第j组学习样本组的第二学习样本；p为学习样本集中学习样本组的组数；

42、所述误差函数，具体为：

43、

44、式中，wu为误差值；p为学习样本集中学习样本组的组数；为预设样本期盼故障结果；yj为学习样本集中第j组学习样本组对应的故障结果。

45、本发明第三方面提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的微电网的故障诊断方法的步骤。

46、从以上技术方案可以看出，本发明具有以下优点：

47、本发明的上述技术方案提供了一种微电网的故障诊断方法，首先获取微电网的电压电流数据集，并采用预置小波基函数对电压电流数据集进行五层分解，确定五层高频系数集，接着，基于预设随机矩阵函数和五层高频系数集对应的向量长度，确定学习样本集和初始平滑因子种群，采用五层高频系数集和学习样本集，通过预设神经网络模型和对应的误差函数对初始平滑因子种群进行误差迭代，确定最优平滑因子，并实时统计迭代次数，最后，当迭代次数达到预设次数时，通过预设神经网络模型基于待检测五层高频系数、学习样本集中的一组学习样本组和最优平滑因子进行故障诊断，输出微电网对应的目标故障结果；上述方案，基于预设神经网络模型和对应的误差函数，对通过预设随机矩阵函数生成的初始平滑因子种群进行误差迭代得到最优平滑因子，再根据预设神经网络模型和最优平滑因子对微电网线路的电压电流数据进行故障诊断的过程，相较于现有的通过电压变化率判断线路中是否发生短路故障的诊断方法的过程，不易受到干扰，能够提高对微电网线路故障诊断的准确性，从而保障电网的安全运行。