[发明专利]一种配电网故障定位方法在审
申请号: | 202110697903.X | 申请日: | 2021-06-23 |
公开(公告)号: | CN113406439A | 公开(公告)日: | 2021-09-17 |
发明(设计)人: | 安东;蔡文超;张一帆;李赫 | 申请(专利权)人: | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 |
主分类号: | G01R31/08 | 分类号: | G01R31/08 |
代理公司: | 北京中政联科专利代理事务所(普通合伙) 11489 | 代理人: | 刘艳 |
地址: | 010020 内蒙古自治区呼和浩特*** | 国省代码: | 内蒙古;15 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 配电网 故障 定位 方法 | ||
1.一种配电网故障定位系统,其特征在于,包括多个监测模块和故障决策中心;多个监测模块分散设置在配电线路上,将其分隔为多个监测段,且相邻的监测模块之间信号连通;每个监测段上设置有数据获取模块和故障定位模块;数据获取模块和故障定位模块之间信号连接,同时与两侧的监测模块信号连接;
监测模块上设置有监测单元和故障预测单元;
数据获取模块包括波形镜像单元、波形模拟单元、波形截取单元、波形特征提取单元和波形特征转换单元;
故障定位模块上设置有故障定位模型;故障定位模型上设置有波形特征捕单元、故障警报单元、载波信号发生单元、校正单元以、定位单元及波形特征对比池。
2.根据权利要求1所述的一种配电网故障定位系统,其特征在于,故障定位模型上设置有故障训练器;通过向故障训练器输入训练数据集,采用神经网络技术,结合梯度下降法、指数加权平均法、动量梯度下降法和RMSProp算法,进行机器学习,优化故障定位模型。
3.根据权利要求1所述的一种配电网故障定位系统,其特征在于,通过滤波器连接卷积神经网络和反卷积神经网络,构建故障定位模型框架,采用无监督两层堆叠反卷积神经网络从原始波形中学习得到特征映射矩阵,将该特征映射矩阵作为深度卷积神经网络的卷积核,对原始波形图像进行逐层卷积和池化操作,得到特征化波形,再逆向操作,得到可视化波形,实现波形在可视化和特征化之间随意转化。
4.根据权利要求1所述的一种配电网故障定位系统,其特征在于,波形特征对比池用于波形特征、模拟波形特征、载波信号的混合、对比。
5.根据权利要求1所述的一种配电网故障定位系统,其特征在于,波形特征捕单元上设置有捕获器;捕获器的感应端伸入波形特征对比池。
6.根据权利要求1所述的一种配电网故障定位系统,其特征在于,数据获取模块生成监测段的实时波形镜像,截取公共时间区段波形,提取其特征,与模拟出的正常波形对比。
7.根据权利要求1所述的一种配电网故障定位系统,其特征在于,校正单元根据异常波形信息,向两侧的监测模块上发送校正参数,对故障点位置进行校正。
8.根据权利要求1所述的一种配电网故障定位系统,其特征在于,故障定位模型将校正单元的校正数据发送至故障决策中心。
9.根据权利要求1所述的一种配电网故障定位系统,其特征在于,还包括存储模块;存储模块对系统数据和配电网数据进行存储、备份。
10.一种包括权利要求1-9任一项所述的配电网故障定位方法,其特征在于,步骤如下:
S1、构建监测段;
S2、配电网故障时,数据获取模块生成监测段的实时波形镜像,截取公共时间区段波形,提取其特征,与模拟出的正常波形对比,同时对波形特征进行唯一编号,格式转化;
S3、采用无监督两层堆叠反卷积神经网络从原始波形中学习得到特征映射矩阵,将该特征映射矩阵作为深度卷积神经网络的卷积核,对原始波形图像进行逐层卷积和池化操作,得到特征化波形,再逆向操作,得到可视化波形;
S4、将可视化波形和特征化波形输入故障定位模型,被载波信号调制,再与模拟波形特征混合,对比;
S5、捕获器捕获异常波形,获取其编号;
S6、定位单元根据波形编号判断故障点位置;
S7、校正单元同时获取异常波形信息,向两侧的监测模块上发送校正参数,对故障点位置进行校正;
S8、监测模块获取故障点位置,并做出故障预测;
S9、故障决策中心对故障点位置进行锁定,并根据故障预测做出故障决策。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司,未经内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110697903.X/1.html,转载请声明来源钻瓜专利网。