[发明专利]一种配电网二端故障定位方法

说明书

本发明涉及一种配电网二端故障定位方法，属于电力系统领域。该方法通过增强卷积神经网络(En‑CNN)与两端故障定位相结合的方法，进行配电网故障定位。首先，改进卷积神经网络的池化层模型，在最大池化模型的基础上加入自适应权重来优化池化结果，提高了网络的特征提取能力。其次，利用双端故障测距原理进行二次故障测距，进一步确定故障的位置，利用故障线路两端的负序电压和负序电流分量进行故障定位。本发明能够实现全线无盲区故障定位，且能够快速、准确的进行单相接地故障诊断，以缩短维修人员寻找故障所需的时间，提高供电可靠性，减少经济损失。

技术领域

本发明属于电力系统领域，涉及一种配电网二端故障定位方法。

背景技术

配电网具有结构复杂、规模大、覆盖面广、接地故障频繁等特点。配电网中最常见故障为单相接地故障。该故障发生时，一般允许带故障运行一到两个小时，这可能导致故障进一步发展，例如正常工作时不接地的相电压会上升到p3倍电压，单相接地故障的过电压容易形成相间短路，接地故障点可能造成人员伤亡，威胁电力系统的安全运行。因此，当小电流系统发生接地故障时，必须快速诊断，以缩短故障运行时间。

目前，基于先进遗传算法的配电网故障定位方法容错性高，可用于多源、多故障的复杂情况。但是这种方法不能及时利用网络的反馈信息，搜索速度慢，需要更多的训练时间来获得精确的解决方案，且计算量大。基于远程终端单元(RTU)的配电自动化系统故障断面判断与隔离统一矩阵方法计算量大，且仅限于单电源系统故障定位。基于相量测量单元(PMU)的多端输电线路故障定位方法需要将多端线路转化为等效的三端线路，并将三端线路的故障定位问题进一步转化为两端故障定位。该方法受线结构影响较大，线变换过程中误差较大。

为了减少计算时间，提高故障定位搜索速度，减少配电网络结构对算法的影响，实现全线无盲区故障定位，本发明提出了一种将En-CNN与两端故障定位方法相结合的配电网故障定位方法。

发明内容

有鉴于此，本发明的目的在于提供一种配电网二端故障定位方法，通过增强卷积神经网络(En-CNN)与两端故障定位相结合的方法，进行配电网故障定位。减少计算时间，提高故障定位搜索速度，减少配电网络结构对算法的影响，实现全线无盲区故障定位

为达到上述目的，本发明提供如下技术方案：

一种配电网二端故障定位方法，该方法具体包括以下步骤：

S1：数据收集：利用电源管理单元PMU获取输电线路各节点当前故障记录数据，对原始数据进行预处理；将预处理后的所述历史异常数据作为训练集；

S2：故障特征提取：训练En-CNN模型，并提取故障特征；

S3：故障选线：当配电网发生单相接地故障时，将PMU实时上传的各节点故障电流数据输入训练好的ACNN模型进行故障选线；

S4：故障定位：确定故障线路时，从后台调用带有同步标记的故障线路两端的故障记录数据，并应用故障定位算法准确定位故障。

可选的，所述S1中，对配电网数据进行预处理，具体包括以下步骤：

S11：首先对收集数据添加同步时间标记；

S12：对数据进行平滑处理。

可选的，所述S2中，改进卷积神经网络CNN，将预处理后的数据输入到En-CNN模型中进行训练，提取故障特征，具体包括如下步骤：

S21：在最大池化模型的基础上加入自适应权重来优化池化结果，解决传统CNN模型的特征提取不足的问题；

在经典池化模型的基础上，建立En-CNN模型；在网络的训练过程中，模型通过卷积层和自适应池化层自动提取输入数据的特征。