[发明专利]一种基于潮流分布特征的配电网故障分析方法及装置

说明书

技术领域

本发明属于配电网故障分析领域，特别涉及一种基于潮流分布特征的配电网故障分析方法及装置。

背景技术

随着智能电网的迅速发展，分布式电源的大量不确定接入，配电网的故障信息越来越复杂，故障的快速准确分析诊断越来越困难。近些年来，国内外学者从不同的角度出发，提出了一系列故障诊断的方法和思路，这些方法可以分为数据驱动和模型驱动两类，主要有专家系统法、人工神经网络法、模糊集方法、粗糙集方法等。

专家系统法是人工智能领域发展最早、也最成熟的分支，它利用计算机技术将相关专业领域的理论知识与专家的经验知识融合在一起，主要的缺陷有：建立知识库及验证其完备性比较困难；容错能力差；在复杂故障诊断中会出现组合爆炸的问题。这类方法难以满足大规模系统在线诊断的需要，只能用于离线分析场合。

人工神经网络法是一种典型的数据驱动方法，其实质就是通过样本训练，在高维空间中寻找一个超曲面来模拟故障信息与故障元件之间的函数关系，主要不足有：其性能取决于训练样本，但在大系统中，获取样本非常困难；其输入和输出之间是一个“黑匣子”，缺乏解释能力和输出结果能力；不擅长处理启发性的知识，因为神经网络在样本学习完成后，一般具有比较好的内插结果，但外推时则可能产生较大的误差，特别是系统非线性较强的时候。

模糊集理论是在模糊集合理论基础上发展起来的，它采用模糊隶属度的概念来描述不精确、不确定的对象，采用近似推理的规则，具有很强的容错能力。该方法也有一些需要克服的问题：描述不确定性问题的隶属度函数的选择没有量化的指标；另外，大规模复杂系统的模糊模型建立本来就存在困难，而当其结构发生变化时，模糊知识库或规则模糊度需要相应修改。

因此，这方面的研究工作虽取得了进展和成果，但仍存在不足：有些方法要求采集的电网数据完备而且正确可信，信息需求量大，容错性不佳，实用化难度大；有些方法所依据的故障信息单一而局部，诊断结果难以体现全网运行状况，准确度不高；有些诊断工具过多地依赖人工智能方法，而对电网的物理特性考虑不够。

发明内容

针对现有技术的不足，本发明提供的目是提出一种基于潮流分布特征的配电网故障分析方法，立足故障前后电网潮流分布特征的变化，借助节点关联矩阵，智能选择量测支路和量测数据，在线预生成故障模式库，供不断提取的潮流分布特征模式进行匹配，以达到快速、准确、白适应智能诊断的目的。

本发明的技术方案是这样实现的：一种基于潮流分布特征的配电网故障分析方法，包括以下步骤：

步骤1：截取电网历史故障断面数据，包括故障时刻、网络节点电压幅值、网络节点电压相角、线路有功功率、无功功率及网络节点间导纳参数，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，利用自动态白适应聚类法将故障进行分类，并建立故障模式库；

步骤2：动态解析当前故障网络拓扑，根据节点之间的物理距离、电气距离、节点相对度、电磁耦合系数生成节点关联矩阵，利用节点关联矩阵计算关联度及关联元，进而确定当前故障配电网中待测量支路：

步骤3：根据该故障网络的故障时刻、网络节点电压幅值、网络节点电压相角、线路有功功率、无功功率及网络节点间导纳参数，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，建立与步骤1所述的故障模式库中形式相同的故障信息；

步骤4：在线诊断故障，按步骤1所述的故障模式库中的故障模式优先级进行故障模式匹配，若匹配成功，将匹配故障模式白反馈到故障模式库进行强化记忆，动态更新模式库优先级，否则转到步骤2，拓宽关联度阈值，动态增加量测数据，完备化潮流信息，直到匹配成功，即确定此时配电网的故障情况。

步骤1所述的广义灵敏度分析法生成灵敏度矩阵和利用动态白适应聚类方法将故障进行分类，包括以下步骤：