【技术实现步骤摘要】
本申请涉及电力，特别是涉及一种基于无监督学习的配电网接地故障定位方法、装置、计算机设备和存储介质。
技术介绍
1、针对复杂拓扑的配电网故障进行准确、可靠的定位，对保证电网的安全稳定运行具有重要意义。目前，可以基于行波的故障定位技术在输电线路上的应用，进行配电网故障定位。
2、相关技术中，传统的行波故障定位方法所采用的行波量测设备同步精度、采样率可以满足广域行波定位的基本要求，但仍然存在微秒级的误差，导致了获取的波头时频信息与实际相比存在偏差；且在实际工程应用中，同步量测设备可能存在设备故障、基准时源切换等问题，造成不同程度的失步，使波头时间信息出现异常，难以实现精确捕获波头，配电网故障定位精度不高。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提升配电网故障定位精度的基于无监督学习的配电网接地故障定位方法、装置、计算机设备、存储介质和计算机程序产品。
2、第一方面，本申请提供了一种基于无监督学习的配电网接地故障定位方法，包括：
3、根据同步监测到的多个线路电流信号，构建故障电流矩阵；所述故障电流矩阵属于高维数据矩阵；
4、基于所述高维数据矩阵的全局数据特征和局部数据特征，对所述故障电流矩阵进行降维，并根据数据密度对降维后故障电流矩阵进行聚类，得到矩阵聚类结果；
5、从所述矩阵聚类结果包含的多个数集中确定目标数集，并将所述目标数集与故障配电线路电流进行匹配，确定行波到达时刻；
6、结合所述行波到
7、在其中一个实施例中，所述根据同步监测到的多个线路电流信号，构建故障电流矩阵，包括：
8、根据配电线路的区段节点顺序获取各区段节点的监测电流，得到所述多个线路电流信号；各所述线路电流信号包括三相电流幅值；
9、以所述三相电流幅值为高维数据矩阵的行向量，构建得到所述故障电流矩阵。
10、在其中一个实施例中，所述基于所述高维数据矩阵的全局数据特征和局部数据特征，对所述故障电流矩阵进行降维，包括：
11、采用预设的非线性降维算法，将所述故障电流矩阵中的高维数据映射到低维空间，得到所述降维后故障电流矩阵；所述非线性降维算法用于基于全局数据特征和局部数据特征对高维数据进行降维处理。
12、在其中一个实施例中，所述故障电流矩阵包括多个样本点，所述采用预设的非线性降维算法，将所述故障电流矩阵中的高维数据映射到低维空间，得到所述降维后故障电流矩阵，包括：
13、采用所述非线性降维算法，将所述故障电流矩阵中各所述样本点间的欧式距离转化为第一相似度条件概率；
14、确定低维矩阵映射中各所述样本点间的第二相似度条件概率；
15、通过最小化所述第一相似度条件概率与所述第二相似度条件概率之间的误差，将所述故障电流矩阵中的高维数据映射到低维空间，得到所述降维后故障电流矩阵。
16、在其中一个实施例中，所述根据数据密度对降维后故障电流矩阵进行聚类，得到矩阵聚类结果，包括：
17、将所述降维后故障电流矩阵作为基于密度的聚类算法的输入，根据预设参数信息进行数据聚类，输出得到有序排列数据，作为所述矩阵聚类结果；
18、其中，所述基于密度的聚类算法用于使用可变的半径构建密度梯度，并根据所述密度梯度分割矩阵空间中的离散点；所述预设参数信息包括样本点邻域半径参数和邻域半径内最小样本点数。
19、在其中一个实施例中，所述从所述矩阵聚类结果包含的多个数集中确定目标数集，并将所述目标数集与故障配电线路电流进行匹配，确定行波到达时刻，包括：
20、在所述矩阵聚类结果包含的多个数集中，将非噪声点中样本数量最少的数集作为所述目标数集；
21、将所述目标数集中的样本点与故障配电线路电流的样本点进行匹配，确定所述行波到达时刻。
22、在其中一个实施例中，所述将所述目标数集中的样本点与故障配电线路电流的样本点进行匹配，确定所述行波到达时刻，包括：
23、将所述目标数集中的样本点与原始三相电流波形中所述故障配电线路电流的样本点进行匹配；
24、将所述原始三相电流波形中斜率最大的所述目标数集中的样本点，作为目标样本点；
25、根据所述目标样本点对应的时间信息，得到所述行波到达时刻。
26、第二方面，本申请还提供了一种基于无监督学习的配电网接地故障定位装置，包括：
27、故障电流矩阵构建模块，用于根据同步监测到的多个线路电流信号，构建故障电流矩阵；所述故障电流矩阵属于高维数据矩阵；
28、降维和聚类处理模块，用于基于所述高维数据矩阵的全局数据特征和局部数据特征，对所述故障电流矩阵进行降维，并根据数据密度对降维后故障电流矩阵进行聚类，得到矩阵聚类结果；
29、行波到达时刻确定模块，用于从所述矩阵聚类结果包含的多个数集中确定目标数集，并将所述目标数集与故障配电线路电流进行匹配，确定行波到达时刻；
30、故障点定位结果得到模块，用于结合所述行波到达时刻和预设的单端行波定位信息，得到故障点定位结果；所述故障点定位结果用于表征故障点至线路终端传感器的距离。
31、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
32、根据同步监测到的多个线路电流信号，构建故障电流矩阵；所述故障电流矩阵属于高维数据矩阵；
33、基于所述高维数据矩阵的全局数据特征和局部数据特征，对所述故障电流矩阵进行降维，并根据数据密度对降维后故障电流矩阵进行聚类，得到矩阵聚类结果；
34、从所述矩阵聚类结果包含的多个数集中确定目标数集，并将所述目标数集与故障配电线路电流进行匹配，确定行波到达时刻；
35、结合所述行波到达时刻和预设的单端行波定位信息，得到故障点定位结果；所述故障点定位结果用于表征故障点至线路终端传感器的距离。
36、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
37、根据同步监测到的多个线路电流信号，构建故障电流矩阵；所述故障电流矩阵属于高维数据矩阵；
38、基于所述高维数据矩阵的全局数据特征和局部数据特征，对所述故障电流矩阵进行降维，并根据数据密度对降维后故障电流矩阵进行聚类，得到矩阵聚类结果；
39、从所述矩阵聚类结果包含的多个数集中确定目标数集，并将所述目标数集与故障配电线路电流进行匹配，确定行波到达时刻；
40、结合所述行波到达时刻和预设的单端行波定位信息，得到故障点定位结果；所述故障点定位结果用于表征故障点至线路终端传感器的距离。
41、第五方本文档来自技高网...
【技术保护点】
1.一种基于无监督学习的配电网接地故障定位方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据同步监测到的多个线路电流信号，构建故障电流矩阵，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述高维数据矩阵的全局数据特征和局部数据特征，对所述故障电流矩阵进行降维，包括：
4.根据权利要求3所述的方法，其特征在于，所述故障电流矩阵包括多个样本点，所述采用预设的非线性降维算法，将所述故障电流矩阵中的高维数据映射到低维空间，得到所述降维后故障电流矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据数据密度对降维后故障电流矩阵进行聚类，得到矩阵聚类结果，包括：
6.根据权利要求1所述的方法，其特征在于，所述从所述矩阵聚类结果包含的多个数集中确定目标数集，并将所述目标数集与故障配电线路电流进行匹配，确定行波到达时刻，包括：
7.根据权利要求6所述的方法，其特征在于，所述将所述目标数集中的样本点与故障配电线路电流的样本点进行匹配，确定所述行波到达时刻，包括：
<...【技术特征摘要】
1.一种基于无监督学习的配电网接地故障定位方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据同步监测到的多个线路电流信号，构建故障电流矩阵，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述高维数据矩阵的全局数据特征和局部数据特征，对所述故障电流矩阵进行降维，包括：
4.根据权利要求3所述的方法，其特征在于，所述故障电流矩阵包括多个样本点，所述采用预设的非线性降维算法，将所述故障电流矩阵中的高维数据映射到低维空间，得到所述降维后故障电流矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据数据密度对降维后故障电流矩阵进行聚类，得到矩阵聚类结果，包括：
6.根据权利要求1所述...
【专利技术属性】
技术研发人员：李肖博，吴雨沼，邵杰，邝野，陈军健，蔡田田，谢心昊，张巧惠，
申请(专利权)人：南方电网数字电网研究院股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。