[發(fā)明專利]一種配電網(wǎng)單相接地故障智能化識別方法及裝置

在審

• 申請?zhí)枺?/td>: 202110646446.1
• 申請日: 2021-06-10
• 公開（公告）號: CN113391164A
• 公開（公告）日: 2021-09-14
• 發(fā)明（設(shè)計）人: 李雅潔;宋曉輝;高菲;李建芳;張瑜;趙珊珊;徐冬杰
• 申請（專利權(quán)）人: 中國電力科學研究院有限公司;國家電網(wǎng)有限公司;國網(wǎng)河南省電力公司電力科學研究院;國網(wǎng)河南省電力公司
• 主分類號: G01R31/08
• 分類號: G01R31/08
• 代理公司: 北京安博達知識產(chǎn)權(quán)代理有限公司 11271
• 代理人: 徐國文

本發(fā)明涉及一種配電網(wǎng)單相接地故障智能化識別方法及裝置，包括：當配電網(wǎng)中變電站實時零序電壓大于正常相電壓有效值的數(shù)值超過閾值時；將采集到的變電站零序電壓幅值與變電站實時零序電壓突變時刻后一個周波內(nèi)各饋線始端零序電流的有效值輸入到預(yù)先訓練的故障識別模型中，判斷配電網(wǎng)是否發(fā)生單相接地故障；其中，所述故障識別模型以變電站各歷史時刻的零序電壓幅值、零序電壓突變時刻后一個周波內(nèi)各饋線始端零序電流的有效值作為輸入數(shù)據(jù)，以對應(yīng)是否發(fā)生單相接地故障的運行情況作為輸出數(shù)據(jù)訓練得到，綜合多故障表征，有效區(qū)分電網(wǎng)不平衡運行等異常狀態(tài)，提升單相接地故障的準確識別率。

技術(shù)領(lǐng)域

本發(fā)明涉及電力系統(tǒng)及其自動化領(lǐng)域，具體涉及一種配電網(wǎng)單相接地故障智能化識別方法及裝置。

背景技術(shù)

配電網(wǎng)多采用小電流接地方式，而單相接地故障是其中發(fā)生頻率最高的故障之一。由于中性點不直接接地，單相接地故障形成的故障通路阻抗值較大，引發(fā)的故障表征不明顯，同時由于噪聲的干擾以及配電網(wǎng)運行狀況(如不對稱性)的影響等問題，現(xiàn)有小電流接地系統(tǒng)單相接地故障識別方法雖然經(jīng)過了長期廣泛的研究，但在可靠性與普適性方面仍存在不足。

現(xiàn)有技術(shù)進行單相接地故障識別，主要依據(jù)零序電壓進行。若零序電壓超過某一特定閾值，即判斷配電網(wǎng)中發(fā)生單相接地故障，在高阻接地故障中，零序電壓雖會變化，但并不明顯；此外，配電網(wǎng)緊鄰用戶，負荷不平衡現(xiàn)象時有發(fā)生，同樣會引發(fā)零序電壓。綜上，零序電壓閾值的設(shè)定非常重要，其需要既可準確識別出各類單相接地故障，又不能與三相不平衡運行狀況相混淆。實際應(yīng)用中，該閾值設(shè)定困難，且根據(jù)區(qū)域電網(wǎng)配置的不同，差異明顯，很難找到一個統(tǒng)一的計算方法，因此現(xiàn)有單相接地故障識別技術(shù)的準確率低。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種單相接地故障智能化識別方法，包括：

當配電網(wǎng)中變電站實時零序電壓大于正常相電壓有效值的數(shù)值超過閾值時；

將采集到的變電站零序電壓幅值與變電站實時零序電壓突變時刻后一個周波內(nèi)各饋線始端零序電流的有效值輸入到預(yù)先訓練的故障識別模型中，判斷配電網(wǎng)是否發(fā)生單相接地故障；

其中，所述故障識別模型以變電站各歷史時刻的零序電壓幅值、零序電壓突變時刻后一個周波內(nèi)各饋線始端零序電流的有效值作為輸入數(shù)據(jù)，以對應(yīng)是否發(fā)生單相接地故障的運行情況作為輸出數(shù)據(jù)訓練得到。

優(yōu)選的，所述故障識別模型的訓練包括：

基于配電網(wǎng)單相接地故障識別地區(qū)的變電站的饋線條數(shù)確定故障識別模型結(jié)構(gòu)；

以配電網(wǎng)單相接地故障識別地區(qū)的變電站在各歷史時刻的零序電壓幅值、零序電壓突變時刻后一個周波內(nèi)各饋線始端零序電流的有效值以及同一時刻是否發(fā)生單相接地故障的運行情況構(gòu)建樣本集，其中，所述歷史時刻包括：歷史故障時刻、歷史正常運行時刻和歷史不平衡運行時刻；

按照預(yù)設(shè)比例將所述樣本集劃分為訓練集和測試集；

基于訓練集采用機器學習方法對所述故障識別模型結(jié)構(gòu)進行訓練；

基于測試集利用訓練后的所述故障識別模型結(jié)構(gòu)進行驗證，確定故障識別模型。

進一步的，所述預(yù)設(shè)比例為：

訓練數(shù)據(jù)占比70％至98％，測試數(shù)據(jù)對應(yīng)占比30％至2％。

進一步的，所述訓練數(shù)據(jù)占比為90％，所述測試數(shù)據(jù)占比為10％。

進一步的，所述機器學習方法包括：BP神經(jīng)網(wǎng)絡(luò)學習算法。

進一步的，所述故障識別模型結(jié)構(gòu)包括按下述方式確定輸入層節(jié)點數(shù)和隱層節(jié)點數(shù)：

以饋線條數(shù)加上零序電壓幅值對應(yīng)的一個維度作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)的維度數(shù)，并根據(jù)所述輸入數(shù)據(jù)的維度數(shù)設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)；