一种有源配电网在线故障处理方法和系统技术方案

本发明专利技术提供了一种有源配电网在线故障处理方法和系统，包括：从有源配电网的运行数据中提取原始特征数据；将原始特征数据输入预先构建的在线故障处理模型，在确定出有源配电网发生故障时，识别出故障类型；其中，在线故障处理模型是采用有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据训练得到的；本发明专利技术采用的在线故障处理模型能够实现配电线路区域故障的准确定位，通过典型历史故障数据的训练模型和在线的特征提取、模型匹配实现故障定位，通过多个算例测试准确率均在85%以上。通过多个算例测试准确率均在85%以上。通过多个算例测试准确率均在85%以上。

【技术实现步骤摘要】
一种有源配电网在线故障处理方法和系统


[0001]本专利技术属于配电网继电保护与故障诊断
，具体涉及一种有源配电网在线故障处理方法和系统。

技术介绍

[0002]配电网故障处理（切除、定位、隔离与恢复供电）主要依赖继电保护与配电网自动化两套系统。这里的继电保护和配电网自动化主要是功能上的概念，继电保护是指能够直接切除故障的操作，可由单独的保护装置与/或配电自动化终端承担，配电网自动化是指故障的定位、隔离与健全区段恢复供电等操作。
[0003]以单相接地故障定位为例，来说明常规故障定位方法的局限性。如图1所示，小电流装置和数据集中器结合，先选线后定位，利用选线装置的可靠选线功能为故障指示器缩小故障指示范围，综合比较选线装置和故障指示器提取的特征故障量，集中数据分析，实现单相接地故障定位。
[0004]传统的故障定位设计思路如下：1）短路故障的监测及定位由故障指示器独立完成，选线装置不介入；2）接地故障判别和定位由选线装置和故障指示器配合完成，选线装置负责选线，并根据故障指示器提供的特征信号来定位；故障指示器负责捕捉特征故障量并上送给选线装置；3）接地故障的监测及定位相关的报文显示由选线装置完成；4）母线接地、瞬时性接地等故障只选线，不定位；5）故障指示器上送尖峰电流值并且附带时标，小电流接地选线装置对收集的数据根据时标进行筛选，剔除非本次接地故障的数据。
[0005]随着新能源、分布式电源和多元化负荷的接入，配电网由“无源”变为“有源”，潮流由“单向”变为“多向”。有源配电网是分布式电源高渗透，功率双向流动的配电网络。随着分布式电源、电力电子设备和电动汽车的大量使用，有源配电网电能质量问题与故障耦合关联特性越来越多，配电网故障呈现的弱特征和高频暂态特性越来越明显，仅靠稳态信息很难对其进行准确分析、诊断和预测。
[0006]传统故障诊断面临以下两个个问题：1）大量电力电子装置接入有源配电网导致故障电流受限，故障特征不明显且谐波复杂，严重影响传统故障诊断方法的正确性。2）配电网故障特征与传统配电网存在较大差异，配电网故障与电能质量问题相互耦合，配电网故障呈现的弱特征和高频暂态特性愈加明显，配电网故障诊断及处理难度增大，使配电网现有的继电保护、故障诊断性能降低，容易发生误动和误判，严重威胁配电网安全运行。

技术实现思路

[0007]为克服上述现有技术的不足，本专利技术提出一种有源配电网在线故障处理方法，包括：
从有源配电网的运行数据中提取原始特征数据；将所述原始特征数据输入预先构建的在线故障处理模型，在确定出所述有源配电网发生故障时，识别出故障类型；其中，所述在线故障处理模型是采用有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据训练得到的。
[0008]优选的，所述在线故障处理模型的构建，包括：获取有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据，并根据历史故障时段的运行数据提取历史故障原始特征，根据历史正常运行时段的运行数据提取历史正常运行原始特征；以历史故障原始特征和历史正常运行原始特征为输入，以对应的故障状态数据为输出，对分类器模型进行训练，得到故障状态分类器；以历史故障原始特征为输入，以对应的故障类型数据为输出，对分类器模型进行训练，得到故障类型分类器；以历史故障原始特征为输入，以对应的故障区段数据为输出，对分类器模型进行训练，得到粗粒度故障区域定位分类器；以历史故障原始特征为输入，以发生故障的各元件为输出，对判定各元件的发生故障的概率阈值进行训练，得到故障区段精确定位模型；以所述故障状态分类器、故障类型分类器、粗粒度故障区域定位分类器和故障区段精确定位模型作为在线故障处理模型。
[0009]优选的，所述以历史故障原始特征和历史正常运行原始特征为输入，以对应的故障状态数据为输出，对分类器模型进行训练，得到故障状态分类器，包括：采用基于距离的可分性判据和特征搜索算法，从历史故障原始特征筛选出用于判断故障状态的最优故障特征，并采用历史正常运行原始特征中对应维度的数据构成最优正常运行特征；以用于判断故障状态的最优故障特征和最优正常运行特征为输入，以对应的故障状态数据为输出，对分类器模型进行训练，得到故障状态分类器。
[0010]优选的，所述采用基于距离的可分性判据和特征搜索算法，从历史故障原始特征筛选出用于判断故障状态的最优故障特征，包括：S1：为前向数H和后向数f赋初值；S2：令H=H+1；S3：按照前向序惯搜索和距离可分性判据从历史故障原始特征中筛选最优H
‑
f维特征组成训练样本对分类器进行训练，并测试分类器的准确率；若所述准确率达到预设要求，则返回S2，否则执行下一步；S4：判断H是否达到预设指定值，若是，则以当前的H维特征为最优故障特征；否则执行下一步；S5：令f=f+1，H=H
‑
f；S6：按照距离可分性判据及后向序惯搜索算法计算得到的最优H
‑
f维特征组成训练样本对分类器进行训练，并测试分类器的准确率；若所述准确率达到预设要求，则将执行后向序惯搜索算法前的H
‑
f+1维特征为最优故障特征，否则转入S5。
[0011]优选的，所述以历史故障原始特征为输入，以对应的故障类型数据为输出，对分类器模型进行训练，得到故障类型分类器，包括：采用基于距离的可分性判据和特征搜索算法，从历史故障原始特征中筛选出用于判断故障类型的最优故障特征；以用于判断故障类型的最优故障特征和最优正常运行特征为输入，以对应的故障类型数据为输出，对分类器模型进行训练，得到故障类型分类器。
[0012]优选的，所述以历史故障原始特征为输入，以对应的故障区段数据为输出，对分类器模型进行训练，得到粗粒度故障区域定位分类器，包括：将历史故障原始特征中的电压标准化，并以预设频率的电压作为电压样本；以电压样本为输入，以对应的故障区段数据为输出，对分类器模型进行训练，得到电压粗粒度区域分类器；筛选故障类型为单相金属性接地或经过渡电阻接地之外其他类型的历史故障原始特征；将其他类型的历史故障原始特征中的电流标准化，并以预设频率的电流作为电流样本；以电流样本为输入，以对应的故障区段数据为输出，对分类器模型进行训练，得到电流粗粒度区域分类器；以电压粗粒度区域分类器和电流粗粒度区域分类器构成粗粒度故障区域定位分类器。
[0013]优选的，所述以历史故障原始特征为输入，以发生故障的各元件为输出，对判定各元件的发生故障的概率阈值进行训练，得到故障区段精确定位模型，包括：对各元件，分别根据历史故障原始特征，采用差动电流判据计算元件发生故障的第一概率，并采用负序功率方向判据计算元件发生故障的第二概率；基于所述第一概率和第二概率，采用信息融合算法计算各元件发生故障的概率；以各元件发生故障的概率为输入，以发生故障的各元件为输出，分别对判定各元件的发生故障的概率阈值进行训练，得到各元件的概率阈值的值；基于各元件的概率阈值的值，建立故障区段精确定位模型。
...

【技术保护点】

【技术特征摘要】
1.一种有源配电网在线故障处理方法，其特征在于，包括：从有源配电网的运行数据中提取原始特征数据；将所述原始特征数据输入预先构建的在线故障处理模型，在确定出所述有源配电网发生故障时，识别出故障类型；其中，所述在线故障处理模型是采用有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据训练得到的。2.如权利要求1所述的方法，其特征在于，所述在线故障处理模型的构建，包括：获取有源配电网历史正常运行时段和故障时段的运行数据和对应故障状态数据、故障类型数据、故障区段数据，并根据历史故障时段的运行数据提取历史故障原始特征，根据历史正常运行时段的运行数据提取历史正常运行原始特征；以历史故障原始特征和历史正常运行原始特征为输入，以对应的故障状态数据为输出，对分类器模型进行训练，得到故障状态分类器；以历史故障原始特征为输入，以对应的故障类型数据为输出，对分类器模型进行训练，得到故障类型分类器；以历史故障原始特征为输入，以对应的故障区段数据为输出，对分类器模型进行训练，得到粗粒度故障区域定位分类器；以历史故障原始特征为输入，以发生故障的各元件为输出，对判定各元件的发生故障的概率阈值进行训练，得到故障区段精确定位模型；以所述故障状态分类器、故障类型分类器、粗粒度故障区域定位分类器和故障区段精确定位模型作为在线故障处理模型。3.如权利要求2所述的方法，其特征在于，所述以历史故障原始特征和历史正常运行原始特征为输入，以对应的故障状态数据为输出，对分类器模型进行训练，得到故障状态分类器，包括：采用基于距离的可分性判据和特征搜索算法，从历史故障原始特征筛选出用于判断故障状态的最优故障特征，并采用历史正常运行原始特征中对应维度的数据构成最优正常运行特征；以用于判断故障状态的最优故障特征和最优正常运行特征为输入，以对应的故障状态数据为输出，对分类器模型进行训练，得到故障状态分类器。4.如权利要求3所述的方法，其特征在于，所述采用基于距离的可分性判据和特征搜索算法，从历史故障原始特征筛选出用于判断故障状态的最优故障特征，包括：S1：为前向数H和后向数f赋初值；S2：令H=H+1；S3：按照前向序惯搜索和距离可分性判据从历史故障原始特征中筛选最优H
‑
f维特征组成训练样本对分类器进行训练，并测试分类器的准确率；若所述准确率达到预设要求，则返回S2，否则执行下一步；S4：判断H是否达到预设指定值，若是，则以当前的H维特征为最优故障特征；否则执行下一步；S5：令f=f+1，H=H
‑
f；S6：按照距离可分性判据及后向序惯搜索算法计算得到的最优H
‑
f维特征组成训练样
本对分类器进行训练，并测试分类器的准确率；若所述准确率达到预设要求，则将执行后向序惯搜索算法前的H
‑
f+1维特征为最优故障特征，否则转入S5。5.如权利要求2所述的方法，其特征在于，所述以历史故障原始特征为输入，以对应的故障类型数据为输出，对分类器模型进行训练，得到故障类型分类器，包括：采用基于距离的可分性判据和特征搜索算法，从历史故障原始特征中筛选出用于判断故障类型的最优故障特征；以用于判断故障类型的最优故障特征和最优正常运行特征为输入，以对应的故障类型数据为输出，对分类器模型进行训练，得到故障类型分类器。6.如权利要求2所述的方法，其特征在于，所述以历史故障原始特征为输入，以对应的故障区段数据为输出，对分类器模型进行训练，得到粗粒度故障区域定位分类器，包括：将历史故障原始特征中的电压标准化，并以预设频率的电压作为电压样本；以电压样本为输入，以对应的故障区段数据为输出，对分类器模型进行训练，得到电压粗粒度区域分类器；筛选故障类型为单相金属性接地或经过渡电阻接地之外其他类型的历史故障原始特征；将其他类型的历史故障原始特征中的电流标准化，并以预设频率的电流作为电流样本；以电流样本为输入，以对应的故障区段数据为输出，对分类器模型进行训练，得到电流粗粒度区域分类器；以电压粗粒度区域分类器和电流粗粒度区域分类器构成粗粒度故障区域定位分类器。7.如权利要求2所述的方法，其特征在于，所述以历史故障原始特征为输入，以发生故障的各元件为输出，对判定各元件的发生故障的概率阈值进行训练，得到故障区段精确定位模型，包括：对各元件，分别根据历史故障原始特征，采用差动电流判据计算元件发生故障的第一概率，并采用负序功率方向判据计算元件发生故障的第二概率；基于所述第一概率和第二概率，采用信息融合算法计算各元件发生故障的概率；以各元件发生故障的概率为输入，以发生故障的各元件为输出，分别对判定各元件的发生故障的概率阈值进行训练，得到各元件的概率阈值的值；基于各元件的概率阈值的值，建立故障区段精确定位模型。8.如权利要求2所述的方法，其特征在于，所述将所述原始特征数据输入预先构建的在线故障处理模型，在确定出所述有源配电网发生故障时，识别出故障类型，包括：将所述原始特征数据输入故障状态分类器，得到有源配电网是否发生故障的故障状态；若未发生故障，则结束；若发生故障，则将所述原始特征数据输入故障类型分类器，得到故障类型；将所述原始特征数据输入粗粒度故障区域定位分类器，得到疑似故障区域定位结果；将所述原始特征数据输入故障区段精确定位模型，得到从疑似故障区域定位结果找出故障区段准确定位结果。9.一种有源配电网在线故障处理系统，其特征在于，包括：数据采集模块和识别定位模
块；所述数据采集模块，用于从有源配电网的运行数据中提取原始特征数据；所述识别定位模块，用...

【专利技术属性】
技术研发人员：詹惠瑜，盛万兴，刘科研，董伟杰，孟晓丽，肖仕武，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：