[发明专利]一种基于梯度下降算法的主配用一体化故障定位方法及系统

说明书

一种基于梯度下降算法的主配用一体化故障定位方法及系统。在该故障定位方法中，基于梯度下降算法对实现主配用一体化网络模型的故障定位，同时基于上述方法，构建了由数据采集模块，分析模块以及准确率评估模块构成的故障定位系统。本方法以一个IEEE标准33节点拓扑算例进行验证。算例通过模拟电网故障，通过数据采集模块统计各节点测量多维度数据并预处理，运用神经网络梯度下降算法思想，建立多层神经网络，选择合适的激励函数进行非线性激励，基于梯度下降算法对模型定位的准确度进行优化，在故障定位计算模块中给出故障支路定位结果。算例仿真表明，能够以较高的精确度对故障发生支路进行定位。该故障定位方法可以有效地定位电网故障发生支路，对电网的运行抢修提供有效的决策依据，减少经济损失。

技术领域

本发明属于电网自动化技术领域，具体涉及一种主配用一体化故障定位方法及系统。

背景技术

由于我国电力系统的各项措施还不是很完善，断路短路故障的发生很难完全避免。既然故障是不可避免的，而且对电力系统元件的正常使用和人们的生活产生很大的负面影响，那么在故障后就应该快速有效地进行故障情况的分析，找出故障发生的原因、元件或地点，以保证电力系统尽快恢复供电。

当前我国的电力系统还比较薄弱，供电的可靠性不高，电力系统的故障绝大多数都发生在输电线路上，而输电线路尤其是超高压远距离输电线路发生故障时，一般均需及时巡线找到故障地点并进行处理，以保证线路的安全供电。对于长线路，特别是经过山区的长线路，例如一些大型水电站的出线，一般经过较长的山区，而山区往往交通不便，如果进行人工巡线将要耗费大量的人力物力和时间，造成更多的经济损失。即使是交通方便的平原地区，遇到恶劣天气时发生故障，全线巡线也很艰苦。所以要采用有效的故障定位手段，较准确地查找故障相和故障点，缩小巡线范围，使运行人员能够迅速找到故障点消除故障。

长期以来，国内外学者对配电网故障自动定位技术进行了大量的理论和实验研究，许多故障定位方法被提出，按照其采用算法的不同大致分为2类：矩阵法和人工智能法。矩阵法具有建模直接，定位高效等优点，但是灵活度不强，容错率不高，易受逻辑矩阵中数值稳定性所制约。人工智能法在网络结构改变、上传的实时信息出现信息畸变或不完备等情况下依然能够准确地定位故障区段，主要有遗传算法、粗糙集理论、人工神经网络[9-13]等算法，但以人工智能为基础的定位方法存在模型构建相对复杂、定位效率不高等缺点

随着配网自动化系统的发展，应用人工智能算法及相应数学工具的优势对输电线路以及与之相关的设备进行准确的故障定位和诊断是电力系统技术发展的趋势，其中多层神经网络可以与直接潮流法相结合，运用较少的监测点信息如采集的电流电压相角等信息识别故障特征，建立特征联系，减少经济投入。它不仅可以减少和防止故障对电网系统造成的影响，使系统尽快恢复正常运行，减少经济损失，而且更重要的是对提高电力系统供电的安全可靠性也有很大的帮助。

发明内容

为解决现有技术中故障定位技术方案存在的上述技术问题，本申请公开了一种主配用一体化故障定位方法及系统。

为了便于理解本申请公开的技术方案，首先对本申请中出现的技术术语说明或定义如下：

主配用一体化(或者主配用)：主网配网用电系统三者结合为一个系统所控制与调度的模型。

“N-1”故障：N条馈线支路中有1条发生馈线故障的故障模式。

直接潮流法：直接运用牛顿拉夫逊或者PQ分解法的潮流计算方法。

Tensorflow平台：是当今最为流行的深度学习框架，是谷歌基于DistBelief进行研发的第二代人工智能学习系统。该框架中所有数据均以Tensor(张量)形式流动，这也是Tensorflow的名称由来。本文通过此框架构建多层神经网络，实现主配用一体化系统的故障定位。

为实现上述发明目的，本申请具体采用以下技术方案：