【技术实现步骤摘要】
本专利技术涉及重合闸，更具体地，涉及一种配电网自适应重合闸优化方法及系统。
技术介绍
1、在配电网中，重合闸装置是保障供电连续性和系统稳定的关键设备，其核心功能是在故障发生后快速切断电流并尝试恢复供电。传统重合闸技术主要依赖机械继电器和固定时序逻辑，通过预设的重合次数和延迟时间（如0.5秒、15秒等）处理瞬时性故障（如雷击、树枝短路）。
2、然而，随着配电网规模的扩大、新能源接入比例的增加以及负荷类型的多样化，传统技术存在故障类型误判的显著缺陷，即无法区分永久性故障（如设备击穿）与非永久性故障（如瞬时电弧），导致在永久性故障下重复重合闸，加剧设备损坏风险，现有技术中虽能对故障进行区分，但缺少针对故障类型对重合闸动作进行时间和时序优化的过程。
技术实现思路
1、本专利技术的目的在于克服现有技术重合闸故障类型误判的不足，提出一种配电网自适应重合闸优化方法及系统，该方法能通过对故障类型进行精准判断，并对重合闸的时间和时序进行优化。
2、为达到上述目的，本专利技术的一种配电网自适应重合闸优化方法，包括以下步骤：
3、s1：采集配电网历史故障数据，并对所述历史故障数据进行预处理，生成三维时序数据，所述历史故障数据包括从配电网的多个传感器采集历史故障时的电压、电流、功率因数的波形数据；
4、s2：根据所述三维时序数据，利用多尺度卷积神经网络提取关键特征，并对所述关键特征进行处理得到输入特征，所述关键特征包括波动频率、幅值变化；
5、s
6、s4：对于非永久性故障：采用所述优化模型动态调整重合闸延迟时间，优化重合闸动作时间；划分时序窗口，并基于负载强度和所述优化模型自适应调整重合闸动作时序，优化重合闸动作时序。
7、本技术方案中，从配电网的多个传感器（电流互感器、电压互感器等）采集历史故障数据，对数据进行清洗，处理异常数据以提高后续判断的准确性，手动判断不同类型的故障并标注标签（永久性和非永久性），为深度学习做准备，数据处理后进行展平并拼接成三维时序数据，该三维时序数据为：具有三个维度（样本数量、时间步、特征数量）的数据按照时间顺序排列，其反映了配电网历史故障随时间变化的情况，三维时序数据能够被深度学习模型处理，对三维时序数据进行卷积操作以提取特征，得到出入特征，建立transformer网络模型，对所述输入特征进行分类得出样本，分析样本之间的关系信息以得到优化模型，利用优化模型对故障类型进行分类，若为非永久性故障，则触发重合闸操作并设定最优延迟时间并优化重合闸动作时序，以提高重合闸成功率，若为永久性故障时，避免重合闸重新启动，减少不必要的系统扰动。
8、作为一种优选方案，步骤s1包括：
9、s11：对每次重合闸操作的历史记录数据进行采集；所述波形数据包括电流波形、电压波形、持续时间；
10、s12：对所述波形数据和每次重合闸操作的历史记录数据进行数据清洗，处理异常数据；
11、s13：对故障断电时刻不同类型的故障标注标签；
12、s14：处理后的数据进行展平拼接成所述三维时序数据。
13、作为一种优选方案，步骤s2包括：
14、s21：使用多尺度卷积神经网络对所述波形数据进行卷积操作并提取关键特征；关键特征为重合闸波形图中的波动频率和幅值变化；
15、s22：在多尺度卷积神经网络中加入时序卷积层得到时间序列模型，在时间序列模型中输入关键特征得到多时间步的序列特征，以描述重合闸故障发生时的动态变化特征；
16、s23：在所述多时间步的序列特征上应用不同尺度的卷积核，以获取不同时间窗口内的特征，形成多尺度特征；
17、s24：在所述多尺度特征中加入位置编码以提供位置信息，获得输入特征。
18、作为一种优选方案，步骤s23中，所述多尺度特征的计算公式为：
19、
20、式中：为多尺度特征，为特征拼接操作，、和分别为对输入进行不同尺度的卷积。
21、作为一种优选方案，步骤s3包括：
22、s31：建立transformer网络模型，基于多头自注意力机制对所述输入特征进行分类得到不同样本，计算不同样本之间的关系分数，确定样本之间的相似性，相同类别的样本之间的关系分数较高，而不同类别的样本之间的关系分数较低，通过自注意力机制捕捉样本之间的关系信息，能有效捕捉不同时间步之间的相关性，transformer网络模型通过编码不同时间点之间的相关性学习故障特征，提高故障分类的准确性和模型的鲁棒性；
23、s32：基于交叉注意力机制对不同时间步之间依赖关系按下述公式对所述transformer网络模型优化得到优化模型：
24、
25、式中：表示不同时间步的输入数据，表示查询矩阵，表示可学习的权重矩阵，表示键矩阵，表示可学习的权重矩阵，表示值矩阵，表示可学习的权重矩阵；
26、s33：利用优化模型的多层感知器区分永久性与非永久性故障，生成分类标签并预测故障持续时间。
27、作为一种优选方案，在步骤s4中，所述优化重合闸动作时间的过程为：根据所述故障分类结果，使用所述优化模型的特征和预测结果动态调整重合闸延迟时间，若为判断为非永久性故障，则调整重合闸延迟时间，确保电弧完全解离后进行重合闸操作，提高成功率，其中，自适应重合闸延迟时间的计算公式为：
28、
29、式中：为自适应重合闸延迟时间，为基础延迟时间，为基于故障类型的控制函数，为调整系数。
30、作为一种优选方案，在步骤s4中，所述优化重合闸动作时序的过程为：定义多个时间窗口，确保每个窗口内的重合闸动作有最佳的激活和延迟时序，根据负载强度，通过所述优化模型的预测参数，设定重合闸多次尝试的时长和延迟时间，其中，所述重合闸动作时序优化的计算公式为：
31、
32、式中：为第i个重合闸的动作时间，为第i个时间窗口的基础延时，为根据不同窗口计算的延时时序，为调整系数。
33、作为一种优选方案，还包括步骤s5：通过实时数据流更新所述优化模型的参数自适应优化重合闸策略，该步骤可以在线更新深度学习的数据实现自适应调优。
34、作为一种优选方案，所述步骤s5包括：根据新故障数据增量更新所述优化模型的参数，自适应优化重合闸延迟时间与动作时序策略，优化模型采用自适应控制策略，能对数据实时更新，使其适应配电网中的电力负荷波动及环境变化。
35、为达到上述目的，本专利技术的一种配电网自适应重合闸优化系统，用于实现上述的配电网自适应重合闸优化方法，包括：
36、数据采集模块：用于采集配电网历史故障数据，并对所述历史故障数据进行预处理，生本文档来自技高网...
【技术保护点】
1.一种配电网自适应重合闸优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种配电网自适应重合闸优化方法，其特征在于，步骤S1包括：
3.根据权利要求2所述的一种配电网自适应重合闸优化方法，其特征在于，步骤S2包括：
4.根据权利要求3所述的一种配电网自适应重合闸优化方法，其特征在于，步骤S23中，所述多尺度特征的计算公式为：
5.根据权利要求1所述的一种配电网自适应重合闸优化方法，其特征在于，步骤S3包括：
6.根据权利要求1所述的一种配电网自适应重合闸优化方法，其特征在于，在步骤S4中，所述优化重合闸动作时间的过程为：根据所述故障分类结果，使用所述优化模型的特征和预测结果动态调整重合闸延迟时间，其中，自适应重合闸延迟时间的计算公式为：
7.根据权利要求1所述的一种配电网自适应重合闸优化方法，其特征在于，在步骤S4中，所述优化重合闸动作时序的过程为：定义多个时间窗口，根据负载强度，通过所述优化模型的预测参数，设定重合闸多次尝试的时长和延迟时间，其中，所述重合闸动作时序优化的计算公式为：
...【技术特征摘要】
1.一种配电网自适应重合闸优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种配电网自适应重合闸优化方法，其特征在于，步骤s1包括：
3.根据权利要求2所述的一种配电网自适应重合闸优化方法，其特征在于，步骤s2包括：
4.根据权利要求3所述的一种配电网自适应重合闸优化方法，其特征在于，步骤s23中，所述多尺度特征的计算公式为：
5.根据权利要求1所述的一种配电网自适应重合闸优化方法，其特征在于，步骤s3包括：
6.根据权利要求1所述的一种配电网自适应重合闸优化方法，其特征在于，在步骤s4中，所述优化重合闸动作时间的过程为：根据所述故障分类结果，使用所述优化模型的特征和预测结果动态调整重合闸延迟时间，其中，自适应重合闸延迟时间的计算公式为：
...
【专利技术属性】
技术研发人员：孟安波，谭钲霖，胡家浩，刘宇琛，
申请(专利权)人：广东工业大学，
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。