[发明专利]一种配电网单相接地故障选线方法及系统

说明书

本发明公开了一种配电网单相接地故障选线方法及系统，属于电力系统保护领域。该方法先利用S变换获取零序电流时频信息，基于各线路零序电流的全频段信息计算线路故障信息相关度，随后为提高故障特征的可辨识度和抗干扰性，构建S变换相关度图像SCF，在此基础上建立含SCF层的卷积神经网络深度学习模型S‑CNN，并利用Simulink仿真模型生成的故障数据对其结构参数和超参数进行分步训练，最后通过S‑CNN提取配电网故障零序电流深层特征，实现故障选线。该选线效果不受系统运行状况和故障条件影响，且在强噪声干扰和采样不同步条件下具有较强的鲁棒性。

技术领域

本发明属于电力系统保护领域，更具体地，涉及一种配电网单相接地故障选线方法及系统。

背景技术

我国配电网一般采用小电流接地方式，即中性点不接地或经消弧线圈接地，且单相接地故障占故障总数的80％以上。当配电网发生单相接地故障时，线电压仍保持对称，且故障电流较小，因此规程规定系统可继续运行1～2h，但故障长时间未切除可能导致故障范围扩大和故障性质劣化，带来较大的安全隐患。因此，必须及时判定故障线路并予以切除。

在现有研究中，配电网故障选线原理主要分为两类：基于稳态信号的故障选线和基于暂态信号的故障选线。现有故障选线方法多以零序电流或其特定频带信息作为故障特征，抗噪声能力较差，难以应对运行环境和故障条件的复杂场景，限制了其在实际工程中的应用。因此，为实现具有强抗噪声能力和强泛化能力的故障选线方法，需进一步改进故障特征提取方法和选线判据。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种配电网单相接地故障选线方法及系统，旨在解决现有故障选线方法抗噪声能力较差，难以应对运行环境和故障条件的复杂场景的技术问题。

为实现上述目的，本发明一方面提供了一种配电网单相接地故障选线新方法，依次包括以下步骤：

步骤1：建立配电网单相接地故障仿真工况，考虑配电网实际运行情况，设置电网电压、节点负荷、线路故障位置、过渡电阻及故障相角取值范围，生成覆盖上述参数范围的故障场景集合，采集所有故障场景下的各线路故障零序电流，形成深度学习训练数据集；

步骤2：利用S变换获取各线路零序电流的全频段时频信息，计算各线路全频段时频信息之间的欧式距离，作为各线路故障零序电流的相关度，将所有线路故障零序电流的相关度填入二维矩阵中，构成故障零序电流相关度图形SCF；

步骤3：构建含SCF的卷积神经网络模型S-CNN，利用步骤1中生成的深度学习训练数据集进行训练，根据训练结果调整S-CNN结构参数和超参数，获取具有故障选线能力的训练后S-CNN模型。

进一步地，在步骤1中，故障场景集合为根据配电网实际运行情况对电网电压、节点负荷、线路故障位置、过渡电阻和故障相角在一定范围内取值，形成参数遍历表。通过对参数遍历表中的参数取值进行排列组合形成大量仿真场景，即故障场景集合。

深度学习训练数据集为在上述故障场景集合包含的所有故障场景下运行配电网单相故障仿真工况，采集各线路零序电流，并记录相应的故障线路；将零序电流作为数据主体，相应故障线路作为数据标签，共同组成深度学习训练数据集。

进一步地，在步骤2中，S变换为一种时序信号处理方法，其离散形式为：

式中，x[i]为离散时序信号，i＝0,1,···,N-1；f_s为离散信号采样频率，N为采样点数，表示时间点，k为整数且取值范围为1,2,···,N；表示频率点，n为整数，且考虑到采样定理，其取值范围为0,1,···,N/2。根据上式，利用S变换可以获取配电网故障期间各线路暂态零序电流的全频段时频信息。