配电网故障定位方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114578182A(43)申请公布日2022.06.03(21)申请号202011402311.2(22)申请日2020.12.02(71)申请人中国农业大学地址100193北京市海淀区圆明园西路2号(72)发明人井天军梁洁锋陈彦君杨建华王江波牛焕娜(74)专利代理机构北京路浩知识产权代理有限公司11002专利代理师郭亮(51)Int.Cl.G01R31/08(2006.01)权利要求书2页说明书10页附图3页(54)发明名称配电网故障定位方法及装置(57)摘要本发明提供一种配电网故障定位方法及装置，该方法包括：获取线路各节点三相电流采样数据，对采样数据进行特征提取；将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入，进行训练后得到。该方法通过自适应卷积神经网络模型，可缩短在线诊断时间，同时无需通过频率、故障位置、过渡电阻评估故障线路相别，从而受系统频率、故障位置、过渡电阻等因素影响小。能够避免只采用故障测距法在复杂输电故障检测中定位精度低的问题。CN114578182ACN114578182A权利要求书1/2页1.一种配电网故障定位方法，其特征在于，包括：获取线路各节点三相电流采样数据，对所述采样数据进行特征提取；将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，所述自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入数据，进行训练后得到。2.根据权利要求1所述的配电网故障定位方法，其特征在于，所述获取线路各节点三相电流采样数据，具体为获取具有同步时标的各节点三相电流采样数据；相应地，所述对故障节点采用双端故障定位，具体为：根据带有对应同步时标的故障线路两端故障录波数据，对故障线路采用双端故障定位。3.根据权利要求1所述的配电网故障定位方法，其特征在于，所述对所述采样数据进行特征提取，包括：获取线路各节点预设时间段的三相电流采样值，按照矩阵形式排列，得到特征数据。4.根据权利要求3所述的配电网故障定位方法，其特征在于，所述将提取的特征数据，输入预训练的自适应卷积神经网络模型，包括：将矩阵形式的特征数据输入所述自适应卷积神经网络模型的卷积层和自适应池化层进行特征提取，再输入全连接层和softmax分类器，得到输出故障节点间的故障线路相别；所述自适应池化层，设有自适应权重因子，所述自适应权重因子取值，根据网络训练次数以及池化域中的元素值确定。5.根据权利要求1所述的配电网故障定位方法，其特征在于，将提取的特征数据，输入预训练的自适应卷积神经网络模型之前，还包括：获取输电线路各节点已知故障线路相别的电流故障录波数据，进行平滑处理和特征提取后，作为训练样本，输入到构建的自适应卷积神经网络模型中进行训练；通过损失函数计算损失值，当测试结果错误率降低到预设范围之后，保存训练完成的自适应卷积神经网络模型，得到所述预训练的自适应卷积神经网络模型。6.根据权利要求4所述的配电网故障定位方法，其特征在于，自适应池化层中的自适应池化模型计算如下：其中，λ为自适应权重因子；为池化域内除最大值xmax之外的元素平均值；β为补偿项，其取值范围为(0,1)；α为特征系数；c为池化域大小，niter为CNN训练的次数；Fij为池化层输2CN114578182A权利要求书2/2页入，Sij为池化层输出。7.根据权利要求2所述的配电网故障定位方法，其特征在于，对所述故障线路采用双端故障定位，得到故障节点间故障线路的故障位置，包括：其中，IS2、IR2、US2、UR2为发生单相接地故障时发送端S、接收端R的负序电流相量和电压相量；Z2为单位长度线路的负序阻抗；x为故障点F到测量点S的距离；L为线路全长。8.一种配电网故障定位装置，其特征在于，包括：特征提取模块，用于获取线路各节点三相电流采样数据，对所述采样数据进行特征提取；故障线路确定模块，用于将提取的特征数据，输入预训练的自适应卷积神经网络模型，输出故障节点间的故障线路相别；故障位置确定模块，用于对故障线路采用双端故障定位，得到故障节点间故障线路的故障位置；其中，所述自适应卷积神经网络模型，根据已知故障线路相别作为样本标签，各节点三相电流采样数据的特征数据作为样本输入数据，进行训练后得到。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述