[发明专利]一种输电线路双端故障测距方法及使用所述方法的装置

说明书

本发明公开了一种输电线路双端故障测距方法，针对传统的深度学习故障测距方法直接将电压、电流量代入模型训练导致模型鲁棒性较差的问题，本发明提出将电压、电流转换为相对偏移量进行深度学习，有效提升了模型的鲁棒性；通过所提出的改进的灰狼算法，有效提升了测距精度。相较于传统阻抗测距法，本发明方法能够显著提高测距精度，相较于行波测距法，则能在保证精度的前提下，简化了数据获取的步骤，无需加装行波测距装置，因此本发明所提方法在故障测距方面具有较大优势。

技术领域

本发明涉及线路故障测距领域，尤其涉及一种基于故障量相对偏移和改进GWO-SVR的输电线路双端故障测距方法。

背景技术

输电线路故障严重影响配电网的安全稳定运行，因此，诸多学者对如何准确进行线路故障测距开展了多方面的研究。阻抗测距法通过测量两端点电压、电流，利用叠加原理计算故障位置，如分析阻抗测距法的适用性，指出其在精度上受过渡电阻与故障相位角影响较大，难以满足工程实际对精度的要求；行波测距法则通过测量故障发生后行波传至线路端点的时间或时间差计算故障距离。再如采用双端行波法进行测距，或通过小波变换提高行波波头识别的准确率，但是，行波测距法存在行波测量困难、设备成本高等问题；对此，可采用行波阻抗组合故障测距方法，但仍未从根本上解决行波法的局限性。

随着智能电网的发展，深度学习方法开始应用于故障测距，利用所建立的循环神经网络模型进行故障测距；或者以电压振幅作为故障特征，并将其代入支持向量回归模型进行测距，所述支持向量回归模型的英文名称为Support Vector Regression。这两种方法均直接将所测电气量作为输入，然而，若线路网络拓扑发生变化，或正常工作电压发生波动，则都会严重影响测距的准确性。

发明内容

本发明针对上述问题，提供一种以故障量相对偏移作为故障特征的基于SVR模型的故障测距方法。

为了达到上述目的，本发明提供了一种基于故障量相对偏移和改进GWO-SVR的输电线路双端故障测距方法，其包括：

S1：建立双端传输线路模型，测量正常工作时线路两端电压电流的第一幅值与不同故障类型时、不同故障位置时、不同过渡电阻时线路两端电压电流的第二幅值；

S2：基于所述第一幅值和第二幅值，计算电压、电流故障量的相对偏移，所述电压故障量的相对偏移计算公式为：

所述电流故障量的相对偏移计算公式为：

式中，下标m为a、b、c三相，ΔU_mf为电压故障量的相对偏移，ΔI_mf为电电流故障量的相对偏移，U_m为正常工作时的线路两端电压，I_m为正常工作时的线路两端电流，U_mf为不同故障类型时、不同故障位置时和不同过渡电阻时的线路两端电压，I_mf为不同故障类型时、不同故障位置时和不同过渡电阻时的线路两端电流；

S3：以不同故障类型时、不同故障位置时和不同过渡电阻时的线路首端电压故障量的相对偏移ΔU_mf1，不同故障类型时、不同故障位置时和不同过渡电阻时的线路首端电流故障量的相对偏移ΔI_mf1，不同故障类型时、不同故障位置时和不同过渡电阻时的线路末端电压故障量的相对偏移ΔU_mf2，不同故障类型时、不同故障位置时和不同过渡电阻时的线路末端电流故障量的相对偏移ΔI_mf2作为故障特征集合并对所述故障特征集合中的故障量相对偏移进行归一化处理，得到归一化故障特征集合；

S4：对于所述归一化故障特征集合的n组样本{(x₁,y₁),(x₂,y₂),L,(x_n,y_n)}，建立非线性软间隔的支持向量回归模型，其数学表达式为：