[发明专利]基于聚类和LSTM的单相接地故障判定方法及系统

说明书

本发明公开了一种基于聚类和LSTM的单相接地故障判定方法及系统，通过调度平台得到配电网的故障录波数据，采用傅里叶分解后的谐波与基波的比值作为特征量，利用聚类分析区分录波数据中的故障数据与非故障数据，判别出故障时刻；利用多层LSTM网络建立小电流接地故障选线模型进行故障判别，从而完成故障选线和故障时刻的判定。本发明适用于分布式电源的配电网，实现简便，实时高效，能够支持自动化智能化解决线路故障。

技术领域

本发明属于接有分布式电源的中低压配电网单相接地故障选线领域，具体涉及一种基于聚类和LSTM的单相接地故障判定方法及系统。

背景技术

在国家经济快速发展的时代背景下，各行各业对电能的需求量和可靠性的要求不断提高。但配电网结构复杂，单相接地故障是配电线路中发生频率最高，查找难度最大的电力故障。电网现在采用的是故障选线装置和人工拉路结合的方式进行选线，不仅误判率高、耗时长，而且容易造成长时间停电。

近年来以光伏和风电为代表性的新能源大量开发利用，传统配电网正在向主动配电网转变以应对分布式能源大量接入电网。配电网中设备增多导致故障概率增大，分布式能源并入电网导致电容电流、谐波增加，加大了单相接地故障选线的判别难度。

国内外对于配电网故障选线已有不少的研究，主要可根据故障信号的不同分为主动式选线方法和被动式选线方法。主动式选线方法是在发生故障时向系统注入信号从而对系统进行选线，被动式选线方法是直接根据故障时的电气量(稳态量或暂态量)进行的选线。

发明内容

为了解决现有技术的不足，针对小电流接地故障，本发明提出一种基于聚类和LSTM的单相接地故障判定方法及系统。

本发明技术方案提供一种基于聚类和LSTM的单相接地故障判定方法，通过调度平台得到配电网的故障录波数据，采用傅里叶分解后的谐波与基波的比值作为特征量，利用聚类分析区分录波数据中的故障数据与非故障数据，判别出故障时刻；利用多层LSTM网络建立小电流接地故障选线模型进行故障判别，从而完成故障选线和故障时刻的判定。

而且，实现过程包括以下步骤，

步骤S1、数据采集，包括获取配电网的故障录波数据，构成原始样本数据集；

步骤S2、选取特征量，包括对故障录波数据进行傅里叶分解，将原始数据分解成基波和各高次谐波的组合；

步骤S3、聚类分析，包括对每个故障波形的周波提取特征量，形成特征矩阵，将每个样本的特征矩阵进行聚类分析，得到每个样本的故障时刻；

步骤S4、建立深度学习LSTM模型，包括基于LSTM和神经网络建立小电流接地故障选线模型；

所述小电流接地故障选线模型共包含5层，包括输入层、三层隐藏层和输出层，输入层由特征量决定，前两层隐藏层为LSTM模块，第三层隐藏层为Dense模块，输出层为Dense模块，输出表示判定线路是否故障的结果；

步骤S5、训练LSTM网络并测试，包括利用样本数据的特征量训练小电流接地故障选线模型，然后用训练好的小电流接地故障选线模型获取单相接地故障判定结果，若测试样本的每个周波都为判定为非故障，则认为此条线路未发生故障，反之，若测试样本中任一周波被判定为故障周波，则认为此线路为故障线路，且故障时刻为所判定的故障周波。

而且，S1中，通过采集的三相电压合成零序电压数据。

而且，S2中，将每个故障录波数据中的一个周波视为最小处理单元，对每个周波进行傅里叶分解，则每个周波将分解为基波和高次谐波的组合，选取奇次谐波与基波之比作为特征量。

而且，S3中，对每个周波提取特征量，将每个故障样本所有的周波的特征量组合，形成特征矩阵；对每个故障样本进行聚类分析，得到每个故障样本的故障时刻。