[发明专利]基于深度置信网络的含分布式电源的配电网故障选线方法

说明书

本发明公开了一种基于深度置信网络的含分布式电源的配电网故障选线方法。该方法包括以下步骤：获取不同单相接地故障情况下每条馈线首端的零序电流和电压信号；提取零序电流和电压信号中含有的稳态和暂态特征量；对原始特征量进行数据和极性预处理；采用深度置信网络算法进行故障选线定位。本发明将深度学习理论应用于含分布式电源的小电流接地故障定位中，具有更好的容错性，有助于提高小电流接地故障选线的准确率，同时提高了配电网运行的可靠性和安全性。

技术领域

本发明涉及配电网故障定位技术领域，特别是一种基于深度置信网络的含分布式电源的配电网故障选线方法。

背景技术

在配电网的各类故障中，80％为单相接地短路故障。在我国，6～35kV的中低压配电网常采用中性点不接地或经消弧线圈接地这两种小电流接地方式，当发生单相短路故障时，故障电流幅值很小，使得故障特征信息也并不明显，但是配电网中单相故障如果不及时处理，将导致进一步的相间短路，扩大故障影响。并且随着分布式电源的加入，会将情况更加复杂化。因此，研究更加准确快速的故障选线方法，及时应对并阻止新型配电网故障影响进一步扩大具有重要的意义。

含分布式电源的配电网发生单相短路故障时，虽然线路电容电流的分布情况发生变化，但是线路首端零序电流的特征不会改变，仍然可以运用传统的小电流接地故障的判据来选线。目前，工程中常用的是通过零序电流的基波分量来进行选线，但是这个方法在面临中性点经消弧线圈接地时，会失去准确性。小波包分析方法虽然不受中性点接地类型的影响，但是由于其基于暂态，持续时间短，并且受到过渡电阻和初始角的影响较大，所以会出现误判的情况。相比较，多源信息融合的判据能更好地弥补单一选线的不足，能够得到更加精确的结果。

目前用于小电流接地系统故障选线的常用方法有：

(1)专家系统：该方法是利用电网中继电保护、断路器的动作原理和调度员的以往故障查找经历形成故障诊断中专家系统的知识库，根据实时警报信号依照知识库的得到推理结果，但该方法速度慢、容错性差，且不能自主学习。

(2)基于支持向量机的故障定位方法：该方法简化了通常的分类和回归等问题，学习速度快，但是它的缺点是对于大规模的训练样本难以实施。

(3)基于人工神经网络的故障定位方法：该方法利用故障信号来进行自学习，其非线性映射及容错能力很强，善于求解比较复杂的求解输入与输出的潜在关系的问题，但是缺点是神经网络收敛速度慢，计算量大，容易陷入局部最优。

发明内容

本发明的目的在于提供一种容错性好、速度快、准确率高的基于深度置信网络的含分布式电源的配电网故障选线方法。

实现本发明目的的技术解决方案为：一种基于深度置信网络的含分布式电源的配电网故障选线方法，包括如下步骤：

步骤1、获取不同单相接地故障情况下每条馈线首端的零序电流和电压信号；

步骤2、提取零序电流和电压信号中含有的稳态和暂态特征量；

步骤3、对原始特征量进行数据和极性预处理；

步骤4、采用深度置信网络算法进行故障选线定位。

进一步地，步骤1所述获取不同单相接地故障情况下每条馈线首端的零序电流和电压信号，具体如下：

建立一个含分布式电源配电网单相接地故障模型，设置不同的中性点接地方式、故障点位置、故障初始角、过渡电阻、故障相以及故障的馈线，通过该含分布式电源配电网单相接地故障模型获取单相接地故障发生前后的零序电流电压的仿真波形。

进一步地，步骤2所述提取零序电流和电压信号中含有的稳态和暂态特征量，具体如下：

稳态特征量包括：零序电流基波幅值、零序电流五次谐波幅值和相角、零序有功功率幅值、零序无功功率幅值、能量幅值；