[发明专利]一种基于神经网络和特征矩阵的单相接地故障定位方法

说明书

本发明公开了一种基于神经网络和特征矩阵的单相接地故障定位方法，其技术方案包括以下步骤：步骤1，提取现场采集数据集的特征，将提取的特征作为神经网络的输入；步骤2，结合现场拓扑图及实际故障判定结果，对采集数据集进行添加标签处理；步骤3，将所有特征进行归一化处理，并将处理后的数据集划分为训练集和测试集；步骤4，神经网络模型调参、训练、测试，输出故障向量；步骤5，通过现场拓扑图建立节点特征矩阵，结合故障向量得到故障信息特征矩阵；步骤6，划分故障区段，计算故障测度，确定故障区段位置。本发明实现简单，无需增加其它硬件设备，只需对故障指示器测量的电压电流数据进行本地判断即可较准确地获得故障点所在区段位置。

技术领域

本发明涉及中压配电网技术领域，尤其涉及一种基于神经网络和特征矩阵的单相接地故障定位方法。

背景技术

配电网的运行状态对电网的稳定运行至关重要，单相接地故障是配电系统中最常见的故障，单相接地不仅影响了用户的正常供电，而且可能产生过电压，过电压会导致设备损坏，甚至引起相间短路而扩大事故。然而中压配电网终端数量庞大，接地方式多种多样，数据复杂，仅靠单一故障诊断方法难以进行准确定位，尤其在某些台区存在严重的设备老化问题，故障特征较模糊，给故障定位带来巨大的困难。

发明内容

本发明针对现有技术存在的不足和缺陷，提出了一种基于神经网络和特征矩阵的单相接地故障定位方法，根据故障指示器采集到的电压电流数据来提取特征并输入至模型，计算出结果，实现较准确的故障定位，方法实现简单，可以实现多判据融合，并且支持实时计算，具有很好的实用性。

为了实现上述发明目的，本发明采取如下技术方案：

一种基于神经网络和特征矩阵的单相接地故障定位方法，包括以下步骤：

步骤1：对现场采集数据集进行特征提取，将提取的特征作为神经网络的输入；

步骤2：结合现场拓扑图及实际故障判定结果，对采集数据集进行添加标签处理；

步骤3：将所有特征进行归一化处理，并将处理后的数据集划分为训练集和测试集；

步骤4：神经网络模型调参、训练、测试，输出故障向量；

步骤5：通过现场拓扑图建立节点特征矩阵，结合故障向量得到故障信息特征矩阵；

步骤6：划分故障区段，计算故障测度，确定故障区段位置。

进一步地，所述步骤1中提取的特征包括相似度、暂态特征值、基波幅值、基波与电压相位差、3次谐波幅值+5次谐波幅值及5次谐波与电压相位差，其中相似度ρ计算公式如下：

式中，i₀₁和i₀₂分别为工频零序电流数据和工频零序电压导数数据，n为采样序列，采样起始点n＝1为故障发生时刻，N为零序电流信号的数据长度，m为零序电压导数数据平移点数，改变m的值使相似度ρ(m)最大，ρ_max即为最终相似度计算结果；

暂态特征值W计算公式如下：

式中，i_0x为暂态零序电流值，u₀为暂态零序电压值。

进一步地，所述基波幅值、基波与电压相位差、3次谐波幅值+5次谐波幅值和5次谐波与电压相位差的值获取方法均为快速傅里叶变换(FFT)。

进一步地，所述步骤2中结合现场拓扑图及实际故障判定结果，对采集数据集进行添加标签处理，故障范围内标记为1，故障范围外标记为-1。

进一步地，所述步骤3中为解决数据不均衡问题，划分训练集和测试集时用到的方法为分层抽样。