专利名称：一种基于潮流分布特征的配电网故障分析方法及装置的制作方法
技术领域：
本发明属于配电网故障分析领域，特别涉及一种基于潮流分布特征的配电网故障分析方法及装置。
背景技术：
随着智能电网的迅速发展，分布式电源的大量不确定接入，配电网的故障信息越来越复杂，故障的快速准确分析诊断越来越困难。近些年来，国内外学者从不同的角度出发，提出了一系列故障诊断的方法和思路，这些方法可以分为数据驱动和模型驱动两类，主要有专家系统法、人工神经网络法、模糊集方法、粗糙集方法等。专家系统法是人工智能领域发展最早、也最成熟的分支，它利用计算机技术将相关专业领域的理论知识与专家的经验知识融合在一起，主要的缺陷有:建立知识库及验证其完备性比较困难；容错能力差；在复杂故障诊断中会出现组合爆炸的问题。这类方法难以满足大规模系统在线诊断的需要，只能用于离线分析场合。人工神经网络法是一种典型的数据驱动方法，其实质就是通过样本训练，在高维空间中寻找一个超曲面来模拟故障信息与故障元件之间的函数关系，主要不足有:其性能取决于训练样本，但在大系统中，获取样本非常困难；其输入和输出之间是一个“黑匣子”，缺乏解释能力和输出结果能力；不擅长处理启发性的知识，因为神经网络在样本学习完成后，一般具有比较好的内插结果，但外推时则可能产生较大的误差，特别是系统非线性较强的时候。模糊集理论是在模糊集合理论基础上发展起来的，它采用模糊隶属度的概念来描述不精确、不确定的对象，采用近似推理的规则，具有很强的容错能力。该方法也有一些需要克服的问题:描述不确定性问题的隶属度函数的选择没有量化的指标；另外，大规模复杂系统的模糊模型建立本来就存在困难，而当其结构发生变化时，模糊知识库或规则模糊度需要相应修改。因此，这方面的研究工作虽取得了进展和成果，但仍存在不足:有些方法要求采集的电网数据完备而且正确可信，信息需求量大，容错性不佳，实用化难度大；有些方法所依据的故障信息单一而局部，诊断结果难以体现全网运行状况，准确度不高；有些诊断工具过多地依赖人工智能方法，而对电网的物理特性考虑不够。

发明内容
针对现有技术的不足，本发明提供的目是提出一种基于潮流分布特征的配电网故障分析方法，立足故障前后电网潮流分布特征的变化，借助节点关联矩阵，智能选择量测支路和量测数据，在线预生成故障模式库，供不断提取的潮流分布特征模式进行匹配，以达到快速、准确、白适应智能诊断的目的。 本发明的技术方案是这样实现的:一种基于潮流分布特征的配电网故障分析方法，包括以下步骤:
步骤1:截取电网历史故障断面数据，包括故障时刻、网络节点电压幅值、网络节点电压相角、线路有功功率、无功功率及网络节点间导纳参数，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，利用自动态白适应聚类法将故障进行分类，并建立故障模式库；步骤2:动态解析当前故障网络拓扑，根据节点之间的物理距离、电气距离、节点相对度、电磁耦合系数生成节点关联矩阵，利用节点关联矩阵计算关联度及关联元，进而确定当前故障配电网中待测量支路:步骤3:根据该故障网络的故障时刻、网络节点电压幅值、网络节点电压相角、线路有功功率、无功功率及网络节点间导纳参数，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，建立与步骤I所述的故障模式库中形式相同的故障信息；步骤4:在线诊断故障，按步骤I所述的故障模式库中的故障模式优先级进行故障模式匹配，若匹配成功，将匹配故障模式白反馈到故障模式库进行强化记忆，动态更新模式库优先级，否则转到步骤2，拓宽关联度阈值，动态增加量测数据，完备化潮流信息，直到匹配成功，即确定此时配电网的故障情况。步骤I所述的广义灵敏度分析法生成灵敏度矩阵和利用动态白适应聚类方法将故障进行分类，包括以下步骤:步骤:选择灵敏度指标.、#，构造灵敏度矩阵#，并计
叫 du,Kb Kdu)
算灵敏度矩阵二范数I I.I I2，其中，i，j = 1，2，...，η为网络节点，Pij, Qij分别为节点i，j间线路上流过的有功功率和无功功率, i，j间电压降落矢量，其 中，α为节点连接因子，由网络拓扑决定，节点i，j通过单支路线路相连时a ij = 1，否则，α υ = O, Uij为节点i，j间电压降落幅值，δ υ为节点i，j间电压降相角，依据牛顿拉夫逊
dr,.d();.潮流计算方程得方=—sm4/ +Bij cosδ1}) = -^U1UyUyiGlj CosS1J，
其中，为节点i的电压矢量，Gu、Bu分别为节点之间的线路电导和电纳；步骤1-2:定义第t类故障的中心Ct为第t类故障中所有故障对应灵敏度矩阵范数I Ix1I I2的算术平均值，即:Ct= — YlXi\2
mi I=I1式中:故障库中共有N种故障，编号为1，2，3，...，N-1，N，将N种故障分为ω类，
&
第t类有mt种故障，即Σ叫二 #，t = 1，2，...，ω，I为第t类故障所包含各故障的标号，
二I
表示故障模式库中第种故障，^为第^种故障；定义第i种故障所对应灵敏度矩阵范数I Ixi 112与第t类故障中心Ct的差值的绝对值为第i种故障相对于第t类故障的偏离度Sit:Sit = I I Xi I2-Ct其中，i= 1，2，...，N ;
根据要求的诊断精度设置参考阈值σ ;步骤1-3:将第I种故障设为第一类，则第一类中有I种故障，第一类故障的中心为该故障所对应灵敏度矩阵的范数:即初始化故障模式库中故障种类数ω = 1，第一类故障的个数Hi1 = I,第一类故障的中心C1 = I Ix1112;步骤1-4:考虑第2种故障，首先，计算第2种故障相对于第一类故障的偏离度，S21=11 X2 I2-C11,如果该偏离度在规定的参考阈值内，即满足S21彡σ，σ为设定阈值,则第2种故障属于第一类，第一类故障的故障个数HI1增加1，即HI1 = 2，第一类故障的中心为第
I种故障和第2种故障所对应灵敏度矩阵范数的算术平均值，即 4 X:)，否则，故障
类数增加1，即ω =2，第2种故障属于第二类，第二类含有I种故障，第二类的中心为第2种故障的灵敏度矩阵范数，即m2 = 1，C2 = I |Χ2| |2 ;步骤1-5:考虑第3种故障 ，如果步骤2中，第2种故障属于第一类，则按照步骤2处理第3种故障，如果第2种故障属于第二类，分别计算第3种故障相对于第一类、第二类故障的偏离度S31和S32，取其中最小的记作Sm，假定Sm = S31，将Sm与设定阂值σ进行比较，若Sm在规定的参考阈值内，即满足Sm < σ，则第3种故障属于第一类，从而第一类故障的个数和中心按照步骤3相应变化，否则，第3种故障属于第三类，从而故障类数增加1，第三类故障的故障个数和中心也按照步骤3确定；步骤1-5:依次考虑第3、第4.......第N种故障，当对所有的故障模式都聚类完
毕后，即可确定聚类数ω和每一类所含故障模式数mt和每一类故障的中心Ct。步骤2所述的利用节点关联矩阵计算关联度及关联元，确定当前故障配电网中待测量支路，方法如下:定义节点关联矩阵R= (Aj)nxn，通过确定节点之间的物理距离Iij,电气距离Clij和电磁耦合系数P 的加权关联值得到节点综合关联值从而生成节点关联矩阵，关联元rij计算式为:
权利要求
1.一种基于潮流分布特征的配电网故障分析方法，其特征在于:包括以下步骤: 步骤1:截取电网历史故障断面数据，包括故障时刻、网络节点电压幅值、网络节点电压相角、线路有功功率、无功功率及网络节点间导纳参数，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，利用自动态白适应聚类法将故障进行分类，并建立故障模式库； 步骤2:动态解析当前故障网络拓扑，根据节点之间的物理距离、电气距离、节点相对度、电磁耦合系数生成节点关联矩阵，利用节点关联矩阵计算关联度及关联元，进而确定当前故障配电网中待测量支路: 步骤3:根据该故障网络的故障时刻、网络节点电压幅值、网络节点电压相角、线路有功功率、无功功率及网络节点间导纳参数，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，建立与步骤I所述的故障模式库中形式相同的故障信息； 步骤4:在线诊断故障，按步骤I所述的故障模式库中的故障模式优先级进行故障模式匹配，若匹配成功，将匹配故障模式自反馈到故障模式库进行强化记忆，动态更新模式库优先级，否则转到步骤2，拓宽关联度阈值，动态增加量测数据，完备化潮流信息，直到匹配成功，即确定此时配电网的故障情况。
2.根据权利要求1所述的基于潮流分布特征的配电网故障分析方法，其特征在于:步骤I所述的广义灵敏度分析法生成灵敏度矩阵和利用动态白适应聚类方法将故障进行分类，包括以下步骤: 步骤1-1:选择灵敏度指标#参，构造灵敏度矩阵，并计算灵敏度矩阵二范数I I. I I2，其中，i，j = 1，2，...，η为网络节点，Pij, Qij分别为节点i，j间线路上流过的有功功率和无功功率，为节点i，j间电压降落矢量，其中，α为节点连接因子，由网络拓扑决定，节点i，j通过单支路线路相连时a ij = 1，否则，a ij =O,Uij为节点i，j间电压降落幅值，δ u为节点i，j间电压降相角，依据牛顿拉夫逊潮流计 cm:.d0..算方程得士 = -UiOCyUii(Glj sillSil + Bij cosSij)L = -LIfiCyU^iGij cos4 —巧 sm&) ’其中， dAj'' αυαIil为节点i的电压矢量，Gij^Bij分别为节点之间的线路电导和电纳； 步骤1-2:定义第t类故障的中心Ct为第t类故障中所有故障对应灵敏度矩阵范数IX1I I2的算术平均值，即: 式中:故障库中共有N种故障，编号为1，2，3，...，N-1, N，将N种故障分为ω类，第tω类有mt种故障，即Σ叫=#，t = 1，2，...，ω，I为第t类故障所包含各故障的标号，&表^=I示故障模式库中第种故障，为第4,种故障； 定义第i种故障所对应灵敏度矩阵范数I Ixi112与第t类故障中心Ct的差值的绝对值为第i种故障相对于第t类故障的偏离度Sit:Sit=I I IxiI I2-Ct其中，i = 1,2,...,N； 根据要求的诊断精度设置参考阂值σ ; 步骤1-3:将第I种故障设为第一类，则第一类中有I种故障，第一类故障的中心为该故障所对应灵敏度矩阵的范数:即初始化故障模式库中故障种类数ω = 1，第一类故障的个数Hi1 = I,第一类故障的中心C1 = I Ix1112; 步骤1-4:考虑第2种故障，首先，计算第2种故障相对于第一类故障的偏离度，S21 =.11 |x2| I2-C11,如果该偏离度在规定的参考阈值内，即满足S21≤σ，σ为设定阈值,则第2种故障属于第一类，第一类故障的故障个数Hi1增加IjPm1 = 2，第一类故障的中心为第I种故障和第2种故障所对应灵敏度矩阵范数的算术平均值，即C1 =^(Χι+Χ2)，否则，故障类数增加1，即ω =2，第2种故障属于第二类，第二类含有I种故障，第二类的中心为第2种故障的灵敏度矩阵范数，即m2 = 1，C2 = I |Χ2| |2 ; 步骤1-5:考虑第3种故障，如果步骤2中，第2种故障属于第一类，则按照步骤2处理第3种故障，如果第2种故障属于第二类，分别计算第3种故障相对于第一类、第二类故障的偏离度S31和S32，取其中最小的记作Sm，假定Sm = S31，将Sm与设定阈值σ进行比较，若Sm在规定的参考阈值内，即满足Sm< σ，则第3种故障属于第一类，从而第一类故障的个数和中心按照步骤3相应变化，否则，第3种故障属于第三类，从而故障类数增加1，第三类故障的故障个数和中心也按照步骤3确定； 步骤1-5:依次考虑第3、第4.......第N种故障，当对所有的故障模式都聚类完毕后，即可确定聚类数ω和每一类所含故障模式数mt和每一类故障的中心Ct。
3.根据权利要求1所述的基于潮流分布特征的配电网故障分析方法，其特征在于:步骤2所述的利用节点关联矩阵计算关联度及关联元，确定当前故障配电网中待测量支路，方法如下: 定义节点关联矩阵R = (Aj)nxn，通过确定节点之间的物理距离Iij,电气距离Clij和电磁耦合系数P 的加权关联值得到节点综合关联值从而生成节点关联矩阵， 关联元计算式为:
4.根据权利要求1所述的基于潮流分布特征的配电网故障分析方法，其特征在于:步骤4所述的在线诊断故障，具体过程如下: 步骤4-1:匹配范数故障区间:定义第t类故障的范数区间为: ( %,XM ,+i)，i = 1，2，...， 其中包括范数邻域分别为^七从 而^…^^^+^的叫种故障 人^分别为范数区间的上限和下限，且有xt,z，z = 1，2，...，mt，由步骤I中灵敏度矩阵范数I |Xt| I2和预设参数δ确定； 用步骤3产生的故障信息Xt与故障库中所有的范数故障区间逐一进行比对，若无匹配区间，则更新关联度，令ε加1，自动更新量测支路和量测数据，重新匹配，执行步骤4-1 ;若成功匹配，则执行步骤4-2 ； 步骤4-2:匹配故障类型:定义第t类故障中的第i种故障的范数邻域为:(xt,z，xt,z+i) = (I IxtI I2-δ，I IxtI 2+δ) δ为根据诊断精度预先设定的参数； 故障信息Xt与步骤4-1所确定的范数故`障区间内所有故障类型逐一进行比对，直到确定故障类型，将此故障记为“G” ； 步骤4-3:更新故障模式库局部优先级，故障“G”所对应故障次数加1，并在每个范数区间内按照“故障次数”由大到小的次序重新排列故障模式库。
5.实现权利要求1所述的基于潮流分布特征的配电网故障分析方法的装置，其特征在于:包括数据采集与监控模块、通讯模块、数据处理模块、数据库模块和人机交互模块； 数据采集与监控模块:用于采集来自SCADA系统、WAMS系统、故障录波器的模拟信息量，并将该模拟信息量转换为便于计算机处理的数字量信息； 通讯模块:用于多机通信或联网，实现信息接收、传输和输出； 数据处理模块:用于建立系统故障模式库等待匹配，当电网发生故障后，启动动态解析故障网拓扑，智能选取量测节点支路，生成故障模式，并与故障模式库中的以后故障进行匹配，诊断过程中根据需要更新量测数据，诊断结束后更新故障模式库； 数据库模块:用于存储电网历史故障数据库、节点关联矩阵、生成的预想故障模式库和诊断故障记录，实现数据备份与管理； 人机交互模块:用于为微机诊断系统提供与操作人员的交互接口，实现运行人员对系统的监视与控制。
全文摘要
一种基于潮流分布特征的配电网故障分析方法及装置，属于配电网故障分析领域。截取电网历史故障断面数据，采用广义灵敏度分析法通过计算灵敏度矩阵范数来描述电网故障时的潮流分布，利用自动态自适应聚类法将故障进行分类，并建立故障模式库；动态解析当前故障网络拓扑，确定当前故障配电网中待测量支路；在线诊断故障。本发明方法本质在于提取故障时刻的网络拓扑和物理特征，并从中抽取相应的数字特征从而对故障做出准确的诊断。故障库的直接建立避免了中间规则的修改和删除，也无需模拟故障信息与故障元件之间的函数关系，解决了非线性系统时带来的问题，适合任何线性、非线性系统的在线、离线故障诊断。
文档编号G01R31/08GK103245881SQ201310139679
公开日2013年8月14日 申请日期2013年4月22日 优先权日2013年4月22日
发明者郭昆亚, 刘鑫蕊, 王英男, 张化光, 葛维春, 孙秋野, 陈雪, 杨珺, 于长广 申请人:国家电网公司, 辽宁省电力有限公司沈阳供电公司, 东北大学