一种基于故障指示器的配电网故障定位方法与流程

1.本发明涉及中压配电网技术领域，尤其涉及一种基于故障指示器的配电网故障定位方法。


背景技术：

2.配电网的运行状态对电网的稳定运行至关重要，接地故障和短路故障是配电网最常见的两类故障。当发生接地或短路故障时不仅影响用户的正常供电，而且可能产生过电压，对人身和设备安全都产生较大影响。然而中压配电网数量庞大，接地方式多样，数据复杂，现有的利用机理特征进行故障定位的方法难以覆盖所有场景，且错判、漏判现象频发，尤其在某些设备老化问题较严重的台区，模糊的故障特征给故障定位带来巨大的困难。


技术实现要素：

3.本发明针对现有技术的不足，提出一种基于故障指示器的配电网故障定位方法，将故障指示器上传至主站的波形进行预处理后输入至训练好的双向注意力lstm神经网络模型中，模型利用注意力机制强大的特征捕捉能力给输入波形的故障时刻施以更高的权重，迅速找到故障范围内外的波形差异，实现故障的准确分类和定位。
4.本发明的目的可以通过以下技术方案来实现：一种基于故障指示器的配电网故障定位方法，其特征在于，包括以下步骤：步骤1：收集故障指示器上传主站的波形并对波形进行预处理；步骤2：对所有收集的波形数据人工添加分类标签；步骤3：将处理后的波形数据及其对应的标签划分为训练集和测试集并馈入网络模型；步骤4：对网络模型进行调参、训练、测试，得到最优模型；步骤5：对待进行故障定位的波形数据进行预处理后输入最优模型中，得到波形分类结果；步骤6：结合分类结果与现场拓扑实现故障定位。
5.优选地，所述步骤1中故障指示器上传主站的每组波形包含三相电场及零序电场数据、三相电流及零序电流数据共8个通道数据。
6.优选地，所述步骤1中对波形进行预处理的步骤为对8个通道的数据去直流、对去直流后的电流数据去负荷、对去直流后的零序电场数据求导数，最终得到21个通道数据。
7.优选地，所述去直流方法为分段去直流，计算公式如下：；式中，data_newi为去直流后第i个点的数据，datai为去直流前第i个点的数据，cyclepoint为一个周波的总点数；
所述去负荷方法为相邻周波相减，计算公式如下：；式中，为第n个周波去负荷后第i个点的数据，为第n个周波去负荷前第i个点的数据，为第n-1个周波去负荷前第i个点的数据。
8.优选地，所述步骤2中的分类标签共有6类：0表示单相接地短路故障范围内，1表示单相接地短路故障范围外，2表示相间短路故障范围内，3表示相间短路故障范围外，4表示两相接地短路故障范围内，5表示两相接地短路故障范围外。
9.优选地，所述步骤3中划分训练集和测试集的方法为分层抽样。
10.优选地，所述步骤3中的模型选用双向注意力lstm神经网络模型。
11.优选地，所述双向注意力lstm神经网络模型输出如下：e
t
=a（h
t
）；；；out=softmax（ωc+b）；式中，h
t
为双向lstm网络在第t个数据节点的输出，α为一个线性函数，将向量h
t
输入函数a后得到标量e
t
，e
t
用于计算ht的权重α
t
，t为一个数据通道的长度，c为h
t
的加权和，ω和b分别为全连接层的权重参数和偏置参数，out为模型最终输出。
12.优选地，所述步骤4中的训练过程中用到的限制过拟合方法包括early stopping、l1 l2正则化以及dropout。
13.优选地，所述步骤6中的故障定位原则为：故障范围内数据最多的分支的最后一个故障范围内节点与其下一个节点之间为故障区段，若其无下游节点，则其下游为故障区段。
14.本发明的有益效果：只需对原始波形进行简单地预处理，无需进一步提取波形特征，且注意力机制的引入较传统的cnn模型和rnn模型而言可更准确地捕捉局部特征，提高识别准确率。方法在保证了电网的运行状态的基础上兼具模型简洁、易于实现、适用性广的优点，具有很强的工程实用性。
附图说明
15.图1为本发明的总体流程图。
16.图2为本发明所述双向注意力lstm神经网络模型的结构图。
17.图3为本发明所述的波形数据在训练或测试过程中的维度变化示意图。
18.图4为本发明实施例提供的某现场拓扑图。
具体实施方式
19.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不限定本发明。
20.结合附图1，一种基于故障指示器的配电网故障定位方法，包括以下步骤：步骤1：收集故障指示器上传主站的波形并对波形进行预处理；每组波形包含三相电场及零序电场数据、三相电流及零序电流数据共8个通道数据；预处理的步骤为对8个通道的数据去直流、对去直流后的电流数据去负荷、对去直流后的零序电场数据求导数，最终得到21个通道数据；去直流方法为分段去直流，计算公式如下：；式中，data_newi为去直流后第i个点的数据，datai为去直流前第i个点的数据，cyclepoint为一个周波的总点数；所述去负荷方法为相邻周波相减，计算公式如下：；式中，为第n个周波去负荷后第i个点的数据，为第n个周波去负荷前第i个点的数据，为第n-1个周波去负荷前第i个点的数据。
21.步骤2：对所有收集的波形数据人工添加分类标签；分类标签共有6类：0表示单相接地短路故障范围内，1表示单相接地短路故障范围外，2表示相间短路故障范围内，3表示相间短路故障范围外，4表示两相接地短路故障范围内，5表示两相接地短路故障范围外。
22.步骤3：将处理后的波形数据及其对应的标签划分为训练集和测试集并馈入双向注意力lstm神经网络模型，如图2所示；其中划分训练集和测试集的方法为分层抽样。
23.双向注意力lstm神经网络模型输出如下：e
t
=a（h
t
）；；；out=softmax（ωc+b）；式中，h
t
为双向lstm网络在第t个数据节点的输出，α为一个线性函数，将向量h
t
输入函数a后得到标量e
t
，e
t
用于计算ht的权重α
t
，t为一个数据通道的长度，c为h
t
的加权和，ω和b分别为全连接层的权重参数和偏置参数，out为模型最终输出。
24.波形数据从输入到输出的维度变化如附图3所示。
25.步骤4：对网络模型进行调参、训练、测试，得到最优模型；其中训练过程中用到的限制过拟合方法包括early stopping、l1 l2正则化以及dropout。
26.步骤5：对待进行故障定位的波形数据进行预处理后输入最优模型中，得到波形分类结果。
27.附图4所示为某现场拓扑图，包括6个故指测量点，将各测量点波形输入模型后得到的分类结果如下：故指测量点1、2位于单相接地故障范围内。
28.故指测量点3~6位于单相接地故障范围外。
29.步骤6：结合分类结果与现场拓扑实现故障定位。故障定位原则为：故障范围内数据最多的分支的最后一个故障范围内节点与其下一个节点之间为故障区段，若其无下游节点，则其下游为故障区段。
30.附图4的分支1中的故指测量点1、2的两组测量数据为故障范围内数据，多于分支2和分支3，故障区段定位为分支1的最后一个故障范围内节点故指测量点2与其下一个节点故指测量点3之间，与实际一致。
31.上述实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可做出各种变换和变化以得到相对应的等同的技术方案，因此所有等同的技术方案均应归入本发明的专利保护范围。

技术特征：
1.一种基于故障指示器的配电网故障定位方法，其特征在于，包括以下步骤：步骤1：收集故障指示器上传主站的波形并对波形进行预处理；步骤2：对所有收集的波形数据人工添加分类标签；步骤3：将处理后的波形数据及其对应的标签划分为训练集和测试集并馈入网络模型；步骤4：对网络模型进行调参、训练、测试，得到最优模型；步骤5：对待进行故障定位的波形数据进行预处理后输入最优模型中，得到波形分类结果；步骤6：结合分类结果与现场拓扑实现故障定位。2.根据权利要求1所述的一种基于故障指示器的配电网故障定位方法，其特征在于，所述步骤1中故障指示器上传主站的每组波形包含三相电场及零序电场数据、三相电流及零序电流数据共8个通道数据。3.根据权利要求1所述的一种基于故障指示器的配电网故障定位方法，其特征在于，所述步骤1中对波形进行预处理的步骤为对8个通道的数据去直流、对去直流后的电流数据去负荷、对去直流后的零序电场数据求导数，最终得到21个通道数据。4.根据权利要求3所述的一种基于故障指示器的配电网故障定位方法，其特征在于，所述去直流方法为分段去直流，计算公式如下：；式中，data_new
i
为去直流后第i个点的数据，data
i
为去直流前第个点的数据，cyclepoint为一个周波的总点数；所述去负荷方法为相邻周波相减，计算公式如下：；式中，为第n个周波去负荷后第i个点的数据，为第n个周波去负荷前第i个点的数据，为第n-1个周波去负荷前第i个点的数据。5.根据权利要求1所述的一种基于故障指示器的配电网故障定位方法，其特征在于，所述步骤2中的分类标签共有6类：0表示单相接地短路故障范围内，1表示单相接地短路故障范围外，2表示相间短路故障范围内，3表示相间短路故障范围外，4表示两相接地短路故障范围内，5表示两相接地短路故障范围外。6.根据权利要求1所述的一种基于故障指示器的配电网故障定位方法，其特征在于，所述步骤3中划分训练集和测试集的方法为分层抽样。7.根据权利要求1所述的一种基于故障指示器的配电网故障定位方法，其特征在于，所述步骤3中的模型选用双向注意力lstm神经网络模型。8.根据权利要求7所述的一种基于故障指示器的配电网故障定位方法，其特征在于，所
述双向注意力lstm神经网络模型输出如下：e
t = a（h
t
）；；；out=softmax（ωc+b）；式中，h
t
为双向lstm网络在第t个数据节点的输出，α为一个线性函数，将向量h
t
输入函数a后得到标量e
t
，e
t
用于计算h
t
的权重α
t
，t为一个数据通道的长度，c为h
t
的加权和,ω和b分别为全连接层的权重参数和偏置参数，out为模型最终输出。9.根据权利要求1所述的一种基于故障指示器的配电网故障定位方法，其特征在于，所述步骤4中的训练过程中用到的限制过拟合方法包括early stopping、l1 l2正则化以及dropout。10.根据权利要求1所述的一种基于故障指示器的配电网故障定位方法，其特征在于，所述步骤6中的故障定位原则为：故障范围内数据最多的分支的最后一个故障范围内节点与其下一个节点之间为故障区段，若其无下游节点，则其下游为故障区段。

技术总结
本发明涉及中压配电网技术领域，公开了一种基于故障指示器的配电网故障定位方法，步骤如下：收集故障指示器上传主站的波形并对波形进行预处理；对所有收集的波形数据人工添加分类标签；将处理后的波形数据及其对应的标签划分为训练集和测试集并馈入网络模型；对网络模型进行调参、训练、测试，得到最优模型；对待进行故障定位的波形数据进行预处理后输入最优模型中，得到波形分类结果；结合分类结果与现场拓扑实现故障定位。本方法只需对原始波形进行简单预处理，无需进一步提取波形特征，相较传统CNN、RNN模型，可更准确地捕捉局部特征，提高识别准确率，在保证电网运行状态的基础上兼具易实现、适用性广的优点，具有很强的工程实用性。用性。用性。


技术研发人员：范建华 曹乾磊 李建赛 狄克松
受保护的技术使用者：青岛鼎信通讯科技有限公司 青岛鼎信通讯电力工程有限公司
技术研发日：2023.06.15
技术公布日：2023/7/22