一种基于物理信息神经网络的配电网故障定位方法及系统与流程
- 国知局
- 2024-07-30 11:18:12
本发明涉及一种配电网故障定位技术,特别涉及一种基于物理信息神经网络的配电网故障定位方法及系统。
背景技术:
1、配电网是电网中面向负荷的最末端部分,在电力系统中发挥着重要的作用,且配电网的正常运行关系着供电可靠性、安全性和经济性;但配电网由于线路结构复杂,分支众多,线路所处环境多样,易受各种因素(如闪电、雷击、人为损坏等)的影响而发生故障,导致意外停电;此外,配电网在运行中会存在线路杆塔倾斜倒塌,线路与周围树木安全距离不足,线路对地距离不足,导致故障的发生的隐患,甚至危害人身安全;然而,根据电网数据显示,由于配电网故障导致的停电事故占据了总停电事件的95%以上;因此,快速实现故障定位、大幅缩小停电范围,以及配电网自动化及其相应通信的发展,成为解决这一问题的关键途径,对于恢复配电网的稳定运行,保障国民正常生活秩序具有重要意义。
2、当前主流的配电网故障定位方法主要包括阻抗法、配电自动化以及行波法。阻抗法定位精度易受到故障点过渡电阻、中性点接地方式等因素的影响,且当分支较多时存在伪故障点问题;基于配电自动化的定位方法对复杂分支线路的适应性强,能够实现故障区段定位,难以实现精确故障定位;行波定位技术因其定位精度较高,且基本不受过渡电阻及中性点接地方式的影响,获得迅速发展;从信号的角度研究,故障行波定位方法主要分为时域分析法和频域分析方法。
3、现有技术多利用馈线终端设备采集终端信息来实现配电网故障定位;其中,涵盖了多种方法,如矩阵算法、人工智能算法等;矩阵算法根据配电网的拓扑结构和线路两侧终端设备的反馈信息,形成故障判断矩阵,通过比较馈线两端反馈信息的差异来判断配电网线路是否发生故障,该方法具有定位速度快、模型简单等优点;人工智能算法通过有序迭代的方法获取最优解,结合逼近思想和故障诊断理论建立模型,因此具有更高的容错性;利用遗传算法对bp神经网络的初始权值和阈值进行优化,并在算例中与传统神经网络进行故障诊断结果对比,最后分析两者仿真误差值;然而神经网络黑盒式的工作原理使得最后结果的可解释性弱、模型的泛化性能差、容易产生不符合物理约束的一致解。
4、cn202311527266.7a公开了一种基于cnn的配电网故障定位方法、装置及相关设备,该方法包括:利用预设于目标线路上各节点处的量测装置获取各节点的电流值;基于各节点的电流值以及训练后的卷积神经网络,确定各节点的故障情况;获取目标线路上的多张照片,并对目标线路上的每一照片进行异常诊断,得到每一照片的类别;基于目标线路上各节点的故障情况以及每一照片的类别,确定目标线路的故障位置;但该方法确定故障位置部分需要借助无人机等设备,增加了工作量以及经济开支
5、因此,亟需一种新的配电网故障定位方法,来克服现有技术中配电网故障定位不准确的问题,从而保证智能电网的高效运行,对于智能电网的安全和可持续发展具有重大意义。
技术实现思路
1、针对现有技术中存在的配电网故障定位不准确的问题,本发明提供一种基于物理信息神经网络的配电网故障定位方法及系统,通过在损失函数中叠加物理信息损失项,利用物理约束来指引模型的训练学习,可以得到物理知识一致解,降低对训练数据数量和质量的要求。
2、本发明采用如下的技术方案。
3、一种基于物理信息神经网络的配电网故障定位方法,包括以下步骤:
4、步骤1:利用预设于目标线路上各节点处的量测装置采集不同条件下配电网中各节点的电流值以及电压值,来构建特征数据;
5、步骤2:将配电网划分为特定数量的双端无分支线路区段,基于所述线路区段两端节点的电流差值,对各个区段故障进行判断,来构建标签数据,所述标签数据为发生故障线路的编号;
6、步骤3:对特征数据和标签数据进行缺失值、离群值的数据清洗预处理以及归一化处理后,根据处理后的数据构建模型训练样本集和验证样本集;
7、步骤4:以最小化故障线路距离与实际故障线路距离之间的误差为目标构建神经网络的损失函数,将配电网故障零序约束方程作为物理约束的正则化加入损失函数中,来构建物理信息神经网络模型;
8、步骤5:将训练样本集和验证样本集输入所述物理信息神经网络模型中进行训练和验证,获得训练后用于配电网故障定位的物理信息神经网络模型及对应的网络权重参数;
9、步骤6:将实时量测的电流数据和电压数据输入至已训练完成的物理信息神经网络模型中,来实现配电网的故障定位。
10、本发明进一步包括以下优选技术方案:
11、在步骤1中,所述不同条件包括:线路的拓扑结构、故障类型、过渡电阻、故障距离以及故障初始角。
12、在步骤3中,在对数据清洗预处理之前还包括数据对齐;
13、将所采集的节点量测数据及对应量测数据的节点故障情况按照同一时间断面进行数据对齐,形成全部数据集。
14、对数据清洗预处理包括:检测在同一时间断面下n个节点的全部特征数据及e个节点的全部标签数据中是否存在缺失值,删除存在缺失值的时间断面下全部节点的全部特征数据和全部标签数据。
15、对数据清洗预处理还包括:检测在同一时间断面下n个节点的全部特征数据及e条线路的全部标签数据中是否存在离群值,标准差大于3σ的特征数据和标签数据为离群值,删除所述离群值所在时间断面下全部节点的全部特征数据及全部标签数据,其中σ为特征数据或标签数据的标准差。
16、所述步骤4包括:
17、步骤4.1:建立物理信息神经网络模型,所述网络模型包括输入层、输出层及隐藏层,将所述训练样本集中的特征数据输入至所述物理信息神经网络模型中进行前向传播计算,前向传播计算过程如下:
18、
19、其中,表示第i个样本前向传播的预测结果;σ(·)表示非线性激活函数;w1、w2、w3分别表示各隐藏层间训练权重参数;b1、b2、b3分别表示各隐藏层间训练偏置参数;
20、步骤4.2:以最小化故障线路距离与实际故障线路距离之间误差为目标构建神经网络模型的损失函数;
21、步骤4.3:将故障零序约束方程以正则化的方式嵌入至损失函数计算式中,获得物理信息神经网络考虑配电网故障零序方程约束的损失函数,具体如下所示:
22、loss=αlossc+(1-α)lossphy
23、其中,lossphy表示故障零序约束方程正则化损失函数,α表示神经网络传统损失函数权重超参数,α∈[0,1];
24、步骤4.4:根据所建立的考虑配电网故障零序方程约束的物理信息神经网络损失函数,利用随机梯度下降算法对所建立的物理信息网络模型参数进行权重修正;
25、步骤4.5:利用计算得到的权重修正值,更新网络模型各层权重参数及偏置参数,当训练后的误差小于设定值时,继续步骤4.6,否则,返回步骤4.1中继续训练;
26、步骤4.6:将所述验证样本集输入至构建的物理信息神经网络模型中验证模型准确率,并输出已完成训练的用于配电网故障定位的物理信息神经网络模型及对应的网络权重参数。
27、在步骤4.1中,所述非线性激活函数采用以下公式:
28、
29、其中,x表示经过预处理后的数据。
30、在步骤4.3中,所述故障零序约束方程正则化损失函数为:
31、
32、其中,lossphy表示单批次样本物理信息均方根损失加和值,ne表示单批次样本数量,分别为所述配电网中故障线路m侧的零序电压、故障线路n侧的零序电压、故障线路m侧的零序电流,c0、z0分别表示所述配电网中单位长度线路零序电容、零序阻抗,lmn表示所述配电网中区段线路mn的总长度。
33、同时本发明还实现了一种基于物理信息神经网络的配电网故障定位系统,其特征在于,包括:量测数据采集模块、故障选线模块、数据处理模块、物理信息神经网络训练模块和配电网故障定位模块;
34、所述量测数据采集模块,用于采集不同条件下配电网中各节点的电流值以及电压值来构建特征数据集;
35、所述故障选线模块,用于将配电网划分为特定数量的双端无分支线路区段,基于所述线路区段两端节点的电流差值,对各个区段故障进行判断,来确定故障所在的线路,并构建标签数据集;
36、所述数据处理模块,用于对特征数据和标签数据进行缺失值、离群值的数据预处理和归一化处理,并根据处理后的数据构建模型训练样本集与验证样本集;
37、所述物理信息神经网络训练模块,用于构建神经网络损失函数,将配电网故障零序约束方程作为物理约束的正则化加入损失函数中,来构建物理信息神经网络模型,并将训练样本集和验证样本集输入所述物理信息神经网络模型中进行训练和验证,获得训练后用于配电网故障定位的物理信息神经网络模型及对应的网络权重参数;
38、所述配电网故障定位模块,用于将实时量测的电流数据和电压数据输入至已训练完成的物理信息神经网络模型中,来实现配电网的故障定位。
39、一种终端,包括处理器及存储介质;存储介质用于存储指令;处理器用于根据所述指令进行操作以执行根据前述基于物理信息神经网络的配电网故障定位方法的步骤。
40、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述基于物理信息神经网络的配电网故障定位方法的步骤。
41、本发明的有益效果在于,与现有技术相比,本发明基于物理信息神经网络的配电网故障定位方法及系统,将配电网划分为若干个双端无分支区段,根据区段线路两端节点的电流差值,对各个区段区内/外故障进行判断,进行故障选线;选线完成后,以最小化故障线路距离与实际故障线路距离之间误差为目标,并在损失函数的基础上加入了配电网故障零序方程约束,从而得到满足电网运行约束的物理一致解,提高了配电网故障定位模型的可解释性及泛化能力,从而提高配电网故障定位准确率、鲁棒性和实用性。
本文地址:https://www.jishuxx.com/zhuanli/20240730/156147.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表