基于负荷端相电压幅值变化量的配电网短路故障判断方法与流程

本发明涉及电力系统故障检测与诊断，尤其涉及基于负荷端相电压幅值变化量的配电网短路故障判断方法。

背景技术：

1、随着电力系统的复杂性不断增加，尤其是在现代配电网中，短路故障的检测与定位成为了电力系统稳定运行的关键问题。传统的故障检测方法多依赖于单一的电压或电流波形分析，通常通过监测电流突变、电压跌落等现象来判断故障的发生。然而，这些方法在应对复杂电网环境时，存在显著的局限性，主要表现为以下几个方面：

2、1.检测精度低：传统的故障检测方法大多基于波形分析，这些方法在处理复杂的电网环境时，容易受到噪声干扰和多种故障类型的影响，导致检测精度不高。例如，电压波形的微小波动可能会被误判为故障，或真正的故障信号被噪声掩盖，导致漏报或误报情况频发。

3、2.响应速度慢：传统方法依赖于人工判断或静态算法进行故障分析，这使得系统在发生故障时无法及时作出响应。特别是在复杂的配电网中，故障信号传播迅速，而传统方法的响应速度较慢，无法在故障发生的第一时间内准确定位并处理故障，进而可能引发连锁反应，导致更大范围的停电事故。

4、3.多点故障处理困难：随着电网规模的扩大，多点故障的发生变得越来越常见。然而，现有的故障检测方法往往只能处理单一故障点，无法有效应对多点故障的复杂场景。这导致在多点故障发生时，传统方法无法准确定位所有故障点，甚至可能出现误判的情况，影响电网的恢复和故障的处理。

5、4.缺乏多维度数据分析能力：现有技术在故障检测中，通常只利用单一的数据维度，忽视了其他可能对故障判断有重要影响的因素。这种单维度的分析方法限制了故障检测的全面性和准确性，尤其在面对复杂电网环境中的多种扰动和异常情况时，难以提供准确的故障定位和类型判别。

6、5.无法处理复杂的非线性现象：电网中故障信号通常具有高度的非线性和时变特性，而传统的线性分析方法在面对这些复杂的非线性现象时，往往力不从心。例如，故障信号中的非线性特征可能会导致传统方法无法准确捕捉到关键的故障信息，进而影响整体的检测效果。

7、6.缺乏动态适应性：电网运行环境复杂多变，传统方法通常依赖预设的阈值或规则进行故障检测，这些阈值或规则在实际应用中往往不能适应动态变化的电网环境。例如，在负荷变化频繁或电网结构发生调整时，传统方法中的固定阈值可能会导致检测结果的不准确，无法有效应对电网的动态变化。

8、7.依赖人工干预：在很多情况下，传统的故障检测方法依赖于人工干预和经验判断，这不仅增加了故障处理的时间成本，还可能导致人为错误的发生。尤其是在紧急情况下，人工判断的滞后性和不确定性可能会导致错失最佳的故障处理时机。

9、因此，如何提供基于负荷端相电压幅值变化量的配电网短路故障判断方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于负荷端相电压幅值变化量的配电网短路故障判断方法，本发明结合高阶统计量谱减法、量子隧穿效应检测算法、广义极大熵原理和零散射理论，详细描述了从故障检测到故障分类与隔离的全流程。该方法具有检测精度高、响应速度快、多点故障处理能力强以及动态适应性好的优点，特别适用于复杂电力系统中的故障诊断与处理。

2、根据本发明实施例的基于负荷端相电压幅值变化量的配电网短路故障判断方法，包括如下步骤：

3、s1、在配电网的多个负荷端安装电压监测装置，实时采集各负荷端的相电压数据，生成电压幅值变化量作为输入数据；

4、s2、对采集到的电压幅值变化量进行预处理，消除外部噪声干扰，生成预处理后的电压变化量数据；

5、s3、基于高阶统计量谱减法对预处理后的电压变化量数据进行分析，重点识别信号中的异常成分，通过从信号中减去背景噪声频谱，突出异常变化，当检测到显著的频谱差异时，初步判断潜在的短路故障；

6、s4、对潜在的短路故障的电压变化量数据进一步分析，采用量子隧穿效应检测算法模拟电压变化的量子行为，当电压变化量超出预设隧穿势垒时，确认异常，并记录异常位置；

7、s5、对异常位置的电压变化数据进行进一步的时间序列分析，采用广义极大熵原理计算瞬时熵值和趋势熵值，通过识别熵值的持续时间和瞬时特性，当熵值达到极大或极小值时，确认短路故障的发生；

8、s6、基于零散射理论对故障点的电压信号在配电网中的传播特性进行分析，通过计算信号的散射系数，进一步精确定位故障点，当散射系数显著偏离正常范围时，确定故障点位置；

9、s7、在确定故障点后，基于最小熵生产率原理，对故障点的电压变化特征进行分类，通过计算熵生产率的变化模式，判定故障类型，并将故障类型分类为单相、两相或三相短路；

10、s8、基于广义预测控制的故障隔离，通过预测故障发生后的配电网状态，提前计算最优的隔离路径和操作步骤，动态调整故障隔离方案，快速切除故障区域并恢复非故障区域的供电。

11、可选的，所述s3包括以下步骤：

12、s31、对预处理后的电压变化量数据进行复数调和分析，将时域信号转换为复数频域信号，获取信号的幅值谱和相位谱，揭示频率成分之间的相对位置及其变化趋势，从而捕捉异常信号的特征；

13、s32、应用多窗口高阶统计量分析技术，对不同频率成分的非线性特征和异常模式进行识别，选择多个适合电力信号分析的窗口函数，对信号在不同窗口内的高阶统计量进行计算，包括偏度和峰度，通过在不同尺度上综合分析频率特征，优化异常信号的检测灵敏度；

14、s33、基于多窗口高阶统计量分析结果，进行高阶统计量谱减法，首先计算复数频域信号的高阶累积量，获取信号的高阶统计特征，然后，从信号的高阶累积量谱中减去背景噪声的高阶累积量谱，从而提取异常信号特征：

15、；

16、其中，表示高阶统计量谱减法后的异常信号特征谱，为信号在时刻的高阶累积量谱，为背景噪声在时刻的高阶累积量谱，为时刻的权重系数，用于调整不同时间点对异常特征谱的贡献，为正则化系数，为衰减系数，表示高阶累积量谱，其中和是累积量的阶数，是频率，为高阶累积量谱的均值；

17、s34、对高阶统计量谱减法的结果进行分析，通过检测高阶累积量谱中显著的异常成分，初步判断信号中潜在的短路故障，将这些异常数据进行标记，并作为后续进一步分析和故障定位的依据。

18、可选的，所述s4包括以下步骤：

19、s41、获取通过高阶统计量谱减法分析后的异常信号特征谱，将其作为多级量子隧穿效应检测算法的输入数据，根据电压变化量的幅度，设置多个预设隧穿势垒，，，分别对应不同的电压变化阈值，用于评估不同程度的异常；

20、s42、采用多级量子隧穿效应检测算法，首先计算电压变化信号的量子态波函数，并依次判断波函数是否能够穿透第一个预设隧穿势垒，如果波函数穿透第一个势垒，则记录此时的电压变化点为“初级异常”点，并标记该异常点的位置和时间；

21、s43、将标记的“初级异常”点作为输入，继续应用量子隧穿效应检测算法，检测波函数是否能够穿透第二个预设隧穿势垒，如果波函数穿透第二个势垒，则将该电压变化点标记为“中级异常”点，并记录其位置和时间；

22、s44、将标记的“中级异常”点作为输入，继续应用量子隧穿效应检测算法，判断波函数是否能够穿透第三个预设隧穿势垒，如果波函数穿透第三个势垒，则将该电压变化点标记为“高级异常”点，并记录其位置和时间；

23、s45、对标记的“初级异常”、“中级异常”和“高级异常”点，计算其综合隧穿概率：

24、；

25、其中，表示多级检测后综合判断的短路故障概率，为在每一级检测中对应的隧穿概率，，，分别对应“初级异常”、“中级异常”和“高级异常”点，为高阶统计量谱减法计算得到的异常信号特征谱，分别对应不同频率下的特征，为不同检测级别的权重系数，为正则化系数，为衰减系数，用于控制综合隧穿概率与平均隧穿概率的指数衰减，为在所有检测级别中的平均隧穿概率；

26、s46、将计算得到的综合隧穿概率与预设的阈值进行比较，根据综合隧穿概率的大小确认每个异常点的故障等级，并根据故障等级标记异常点的位置和时间信息，存储在配电网的故障记录数据库中，以供后续故障隔离和分析使用。

27、可选的，所述s5包括以下步骤：

28、s51、获取通过量子隧穿效应检测算法标记的异常位置数据，将这些数据作为输入，进行时间序列分析，提取电压变化量的瞬时值和相邻时刻的变化速率，构建电压变化量的时间序列模型，并记录电压变化量在不同空间位置上的分布情况；

29、s52、采用广义极大熵原理，对电压变化量的时间序列进行时空联合分析，计算电压信号在时间和空间维度上的联合熵值：

30、；

31、其中，和分别为时间和空间位置上第个状态的概率分布，为高阶统计量谱减法的异常信号特征谱，为综合隧穿概率，和为新的调节参数，为新引入的调节系数，为与时空位置相关的相位角；

32、s53、在时空联合熵值计算的基础上，进一步计算趋势熵值，捕捉电压变化量在时间和空间维度上的长期行为模式：

33、；

34、其中，为时间和空间位置上第种趋势的概率分布，为高阶统计量谱减法的异常信号特征谱，为综合隧穿概率，和为广义极大熵的调节参数；

35、s54、识别时空联合熵值和趋势熵值的极大值和极小值位置，确定这些极值点作为潜在的短路故障点，将这些故障点的时空位置标记并记录在故障数据库中；

36、s55、对标记的故障点进行分类，将故障点根据其时空联合熵值和趋势熵值的特征分为不同类型的故障，根据熵值在时空维度中的持续时间和空间分布，分别将故障分类为“局部短时异常”或“广域长时异常”，并根据分类结果生成对应的故障报告，存储于配电网的故障数据库中，以供后续故障分析和处理使用。

37、可选的，所述s6包括以下步骤：

38、s61、获取标记的故障点数据，将其作为输入，基于零散射理论对故障点的电压信号在配电网中的传播特性进行分析，构建电压信号在配电网中的传播模型，确定电压信号在不同空间位置上的传播路径；

39、s62、计算电压信号在传播过程中的散射系数：

40、；

41、其中，为故障点处的散射系数，为故障点处的电压变化量，表示信号在空间上的变化率，为电压信号在位置处的传播路径，为高阶统计量谱减法的异常信号特征谱，表示信号传播路径的空间曲率，为综合隧穿概率，为时空联合熵值，和为传播路径的起点和终点，为调节二阶导数项的权重系数；

42、s63、采用多点散射协同分析技术，针对多个故障点同时进行散射系数的协同计算，通过构建协同矩阵，结合每个故障点的散射系数，协同矩阵的计算公式为：

43、；

44、其中，和分别为故障点和处的散射系数，为故障点与之间的相位差，为参与协同分析的故障点数量；

45、s64、对协同矩阵进行分析，识别故障点之间的相互作用特征，当某些故障点的协同散射系数显著偏离正常范围时，确认这些位置为高风险故障区域，并标记其位置和时间信息；

46、s65、基于协同分析的结果，进一步精确定位故障点，通过多点散射协同分析，确定多个故障点的相对位置和传播路径，根据协同散射系数的偏离程度，生成故障点的精确定位报告，并将故障点位置存储在配电网的故障记录数据库中，以供后续的故障隔离和处理使用。

47、可选的，所述s7包括以下步骤：

48、s71、获取确定的故障点及相关电压变化特征数据，将其作为输入，基于最小熵生产率原理对故障点的电压变化特征进行分析，提取故障点的电压变化率和加速度，构建电压变化特征矩阵；

49、s72、计算故障点的最小熵生产率：

50、；

51、其中，为故障点在时间上的最小熵生产率，为故障点电压变化特征的概率分布，为故障点的参照电压变化特征的概率分布，为电压变化特征的数量；

52、s73、针对多个故障点同时进行最小熵生产率的多点协同分析，通过构建熵生产率协同矩阵，并结合每个故障点的最小熵生产率得到最小熵生产率协同矩阵：

53、；

54、其中，为第个故障点的最小熵生产率，为第个故障点的最小熵生产率为故障点与之间的相位差，和为故障点和的散射系数，为参与协同分析的故障点数量；

55、s74、根据最小熵生产率和协同矩阵的分析结果，判定故障类型，并将故障类型分类为单相短路、两相短路或三相短路，若和的结果表明一个故障点独立突出，判定为单相短路，若显示两个故障点的最小熵生产率相互作用显著，判定为两相短路，若显示多个故障点的最小熵生产率相互作用强烈，且最小熵生产率变化剧烈，判定为三相短路；

56、s75、将分类结果与故障点的时空位置关联，生成故障分类报告，并将分类结果存储在配电网的故障记录数据库中，以供后续分析和处理使用。

57、本发明的有益效果是：

58、（1）本发明通过结合高阶统计量谱减法、量子隧穿效应检测算法、广义极大熵原理以及零散射理论，显著提升了配电网短路故障检测与定位的精度和速度。特别是在应对复杂电网环境中的多点故障时，本发明克服了传统方法在检测精度和响应速度方面的不足，能够精准识别和定位故障点，并提供实时的故障分类和处理方案。

59、（2）本发明通过引入最小熵生产率原理，优化了对故障点电压变化特征的分类判定，有效提升了故障类型识别的准确性。同时，基于广义预测控制的故障隔离方法，本发明能够动态调整隔离方案，快速恢复非故障区域的供电，极大减少了停电时间和范围。

60、（3）本发明综合运用了多种先进的信号处理和分析技术，为复杂电力系统中的短路故障提供了一个高效、精准、智能的判断和处理方案，具备动态适应复杂电网环境的能力，显著提升了故障检测的全面性和实时性，从而保证了电网的安全稳定运行。