一种有源配电网智能化线路故障检测方法与流程

本发明属于线路故障检测，具体涉及一种有源配电网智能化线路故障检测方法。

背景技术：

1、随着分布式电源在电网中的大规模接入，传统配电网逐渐演变为具有多个分布式供电端点的有源配电网结构。这一变化使得电源和负载之间的传输路径显著增多，系统拓扑结构更加复杂，线路潮流呈现出多向性，极大地增加了线路电流环流和不平衡的风险，线路也更易发生短路故障。当短路故障发生时，线路中其他分布式电源的持续供电可能导致系统产生“孤岛效应”，继续向故障区域输送电能，从而威胁到检修人员的安全及设备的正常运行。因此，如何精准定位故障位置、识别故障类型，已成为当前电气工程领域的研究热点。

2、传统配电网线路断路开关通常每隔几周甚至几个月进行一次重置。然而，由于间歇性分布式电源的大规模接入，开关可能需要频繁地按小时进行重新配置。在这种情况下，定向过流继电器难以实现实时设定，从而不再适用于当前有源配电网的复杂线路结构。因此，含多个分布式电源的有源配电网故障检测研究逐渐成为配电网故障检测领域的研究重点。

3、目前，人工智能技术因其在数据分析和自主学习等方面的优势，正受到国内外研究学者的广泛关注。由于人工智能技术主要依赖于运行数据本身，当配电网结构发生变化时，对模型的分类、预测、识别等功能的影响较小，因此在配电网故障检测领域得到了逐步应用。借助人工智能强大的学习和自适应能力，故障检测模型可以更灵活地应对系统结构的复杂变化，从而提升检测准确性和实时性，需要一种有源配电网智能化线路故障检测方法。

技术实现思路

1、本发明的目的是为提高有源配电网线路故障检测的准确率和故障诊断过程的可视化程度，提出一种将人工智能技术与配电网线路故障检测相结合的智能化故障检测方法。该组合模型以测量点的故障电压和电压基波作为特征指标，提取各频段的电压峰值、相间电压差及6次谐波分量作为故障特征样本。通过这种方式，模型能够精确识别故障特征，进一步提升故障检测的灵敏性和准确性，并为故障诊断过程提供可视化支持。

2、本发明的目的是这样实现的：一种有源配电网智能化线路故障检测方法，其包括以下步骤：

3、s1、以有源配电网线路各测量点故障电压和电压基波作为判断线路运行状态的特征指标；s2、提取线路测量点正常和故障状态的频段电压峰值、相间电压差及6次谐波分量作为故障特征样本；s3、进行数据预处理，包括对s2中的数据进行去噪预操作；s4、进行训练集及测试集拆分，将数据集按照7:3的比例分为训练集和测试集；s5、将分好的所述数据集输入至lightgbm模型中进行分类；s6、将lightgbm内部多个单独决策树分类器结合生成强分类器；s7、将强分类器的输出值输入至dnn进行学习和训练；s8、进行故障检测性能评估；s9、输出故障检测结果。通过将故障特征样本的分类结果作为特征数据输入至神经网络进行训练学习。在模型中引入shapley值分析法，以确定在有源配电网不同支路发生故障时每个故障特征对组合模型预测的贡献大小，从而实现故障诊断决策中影响因素可视化。这一方法不仅有助于减少模型所需的特征数据收集量，还能提升模型的运行效率。因此，本发明基于电压与线路故障之间的特征关系利用人工智能技术以实现对有源配电网线路的故障检测，从而有效推动有源配电网的智能高效运行。

4、进一步地，所述lightgbm模型包括通过二阶泰勒级数扩展损失函数，采用leaf-wise决策树生长策略，深度限制数据扩展过程，缩短训练时间，减少内存消耗，用于降低过拟合风险并提高模型运行效率；lightgbm的强分类器生成部分的实现步骤如下，

5、

6、式中，rti为残差计算值，用于衡量当前模型预测值ft-1(xi)与yi的偏差；xi为第i个有源配电网线路运行测量点数据样本的输入特征值；yi为第i个有源配电网线路运行测量点真实值；

7、基于leaf-wise决策树生长策略进行拟合，利用(xi,rti)拟合1颗cart，得到第t棵回归树，其对应的叶节点区域为rtm(m＝1,2,…,m)，其中m为叶节点数量，并针对每一个叶节点，求解使损失函数最小，即使拟合叶节点最好的输出值ht(x)，

8、

9、式中，ht(x)为拟合的叶节点输出值；h为弱学习器的假设空间，通常为所有可能的cart决策树；rtm为决策树中的第m个叶节点的区域；h为当前轮次拟合的弱学习器；

10、令i(x∈rtm)为输入变量x在rtm的叶子节点区域的简单参数化函数，则决策树的拟合函数ht(x)为，

11、

12、式中，ctm为在决策树的第m个叶节点上的输出值。

13、更新获得本轮的强分类器为，

14、

15、设f0(x)为初始模型，通过t个基模型迭代组合得到ft(x)，即为最终强分类器，式为，

16、

17、利用lightgbm内部分类回归树作为基础分类器，通过累加模型和逐步提升算法，将多个单独决策树分类器结合得到最终强分类器，用于提高分类准确性。

18、所述dnn是多层神经元组成的全连接模型，用于解决机器学习问题，包括图像分类、自然语言处理和语音分类；dnn由多个神经元层与层连接，有着与多层感知机模型结构，输入数据依次经过每一层，通过激活函数进行非线性变换，并传递给下一层进行处理。

19、所述dnn包括有输入层、隐藏层和输出层；其中，输入层包含故障检测特征，输出层负责预测不同类型的故障和故障定位；对于每一层l的第k个神经元输出其数学表达式为，

20、

21、式中，为从第l-1层的第k个神经元到第l层第s个神经元的权重系数；为第l层第s个神经元的偏移系数；σ为激活函数；为第l-1层中第i个神经元的激活值。

22、所述激活函数包括阶跃函数、sigmoid函数和relu函数；通过shapley值分析法作为建模后的解释框架，且计算每个特征对模型预测的贡献解释实例的预测，式为，

23、

24、式中：g(x)为模型的预测值；n为特征数量；φ0为基准样本预测值；φj为特征j的特征归因shapley值；在特征值都存在的情况下，使得特征归因的总和等于要解释模型的输出，即强分类器输出f(x)＝g(x)；

25、每个特征的边缘贡献都采用合作博弈理论价值分配方式，计算出模型预测每个特征的边缘贡献，为了获取特征的shapley值φj，取所有特征贡献的平均值以量化每个特征对模型预测的影响，即在所有特征值组合上进行加权求和；计算式为，

26、

27、式中，s为特征子集；|s|为集合s中的特征数量；fx(s)为特征组合s下的模型输出值；xj为特征j对模型输出的影响值；{x1,x2,…,xn}为所有输入有源配电网线路测量点运行数据样本的特征集合。

28、为进一步通过训练神经网络来识别和预测未来有源配电网故障可能性，对模型进行如下处理，通过计算每个特征对模型预测的贡献值便于组合模型在数据计算和处理过程中提高组合模型学习效率，同时通过shapley值法计算特征量贡献值可使模型分析过程可视化，计算式为，

29、

30、式中，为模型预测的概率输出；

31、为验证组合模型在现有数据集上的识别能力，并确保生成的训练集和测试集中各个类别比例与原始数据集一致，使用如下公式进行性能评估，

32、

33、式中，acc为模型测量准确率；r为模型召回率，即模型正确识别为正类的样本数量与实际为正类的样本总数的比例；tp为模型正确预测为正类的样本数量；fp为模型错误地将正类预测为负类的样本数量；fn为模型将负类错误预测为正类的样本数量；tn为模型正确预测为负类的样本数量。

34、本发明的有益效果：该方法基于lightgbm(light gradient boosting machine)模型内部处理分类特征能力强、分类速度快且内存占用低的梯度提升框架，以测量点的故障电压和电压基波作为特征指标，提取各频段的电压峰值、相间电压差及6次谐波分量作为故障特征样本。接着，基于特征关系对有源配电网的正常和故障运行数据进行分类，其中故障运行数据包括不同线路类型短路故障数据。随后，将故障特征样本分类结果作为特征数据输入至dnn(deep neural network)神经网络进行训练学习。最后，引入shapley值分析法，以确定有源配电网不同支路发生故障时，每个特征对组合模型预测的贡献度，从而实现故障诊断决策过程中影响因素可视化。本发明有助于减少模型后续特征数据的收集量，提高线路故障检测运行效率。