[发明专利]小电流接地系统单相接地故障的选线方法

说明书

本发明公开了一种小电流接地系统单相接地故障的选线方法，包括获取电网调度控制系统的原始数据，给原始数据设定标签；对带有标签的数据集进行数据预处理；将预处理后的数据集通过深度学习模型进行训练，得到训练中的故障线路数据；对训练数据集中的故障线路数据进行故障特征分量提取，建立故障特征库；测试数据集中的数据训练效果，优化模型参数；根据深度学习模型训练结果计算线路故障概率；结合深度学习模型训练结果和线路故障概率完成选线。本发明通过调度控制系统推送配网线路原始数据，结合深度学习模型训练，实现小电流系统单相接地故障的可靠选线，提高目前电网中单相接地故障选线的准确率。

技术领域

本发明涉及小电流接地故障选线技术领域，具体涉及一种小电流接地系统单相接地故障的选线方法。

背景技术

在单相接地故障的时候，小电流接地系统中将会存在正序、负序和零序分量。已经研究出的选线方法大致可分为两类：基于稳态分量的故障选线方法和基于暂态分量的故障选线方法。

在常见的配电网故障中，我们常常习惯于从故障的稳态分量差异去考虑并分析，其中常会根据接地故障的零序分量的相关特性提出一系列的算法。常见的零序电流幅值比较法，应用微机技术采集并比较接地母线上所有出现零序电流。其问题是在母线故障时会出现误判断，且不适用于谐振接地电网，易造成选线失败，影响可靠性。零序电流有功分量法，常常因为故障电流中有功分量非常小并且受三相参数不平衡的影响，可靠性无法得到保证。谐波法进行故障选线时，谐波分量小，灵敏度低。负序电流法在正常选线时也会在线路中存在较大的负序电流。

而小电流接地故障暂态电流幅值是稳态对地电容电流的几倍到十几倍，数值在数十安到数百安之间，并且不受消弧线圈影响。因此，利用暂态信号进行接地选线可以克服稳态选线法存在灵敏度低，受消弧线圈影响的缺点。暂态保护技术的实施关键是接地电容电流的暂态特征分量的提取和暂态保护判据的建立，而暂态量的成分和大小都受到系统的运行方式、故障类型、故障时刻等因素的影响，由于暂态过程短，且受线路结构、参数及故障条件的影响。但是在电力系统中，暂态过程十分短暂，很有可能因为投切负荷产生的冲击量造成误判，可靠性无法得到保证。

可以知道的是，电网的运行方式复杂，出现数量多，线路长，架空线和地下电缆并存，部分落后地区的配电网线路的运行条件恶劣。此外，配网负荷波动较大，电压波动较大，线路的投切频率相对较高，导致零序电流发生变化。且无论是基于稳态信号还是基于暂态信号，都面临着故障特征量微弱的问题，同时小电流单相接地故障造成的间歇性弧光接地使得零序回路发生剧烈变化，故障点不稳定，导致一些基于稳态的单一选线方法失效。因此，传统的单一小电流接地故障选线方法都是利用弱信号做出识别的技术，这些传统的基于单一选线原理的常规方法难以实现小电流接地系统故障线路的可靠识别。

发明内容

本发明的目的在于提供小电流接地系统单相接地故障的选线方法，可以解决现有技术中因弱信号做出识别的技术难以实现小电流接地系统故障线路的可靠识别的问题。

本发明的目的是通过以下技术方案实现的：

本发明提供一种小电流接地系统单相接地故障的选线方法，包括以下步骤：

步骤S1、获取电网调度控制系统的原始数据，给原始数据设定标签；

步骤S2、对带有标签的数据集进行数据预处理；

步骤S3、将预处理后的数据集通过深度学习模型进行训练，得到训练中的故障线路数据；

步骤S4、对训练数据集中的故障线路数据进行故障特征分量提取，建立故障特征库；

步骤S5、测试数据集中的数据训练效果，优化模型参数；

步骤S6、根据深度学习模型训练结果计算线路故障概率；

步骤S7、结合深度学习模型训练结果和线路故障概率完成选线。