现有配电网故障定位方法严重依赖波头到达时间、固有频率值等单一特征量,在微弱故障条件下难以有效提取故障特征,故障定位精度低。对此,提出基于全景故障特征挖掘的配电网单端行波定位方法。首先,分析不同故障点行波传输过程,结合小波...现有配电网故障定位方法严重依赖波头到达时间、固有频率值等单一特征量,在微弱故障条件下难以有效提取故障特征,故障定位精度低。对此,提出基于全景故障特征挖掘的配电网单端行波定位方法。首先,分析不同故障点行波传输过程,结合小波能量熵量化分析行波全景波形时频分布特性:行波全景波形各次波头频率分布包含了故障支路信息,典型波头到达时序包含了故障距离信息,行波全景波形与故障位置一一对应,即不同故障位置的行波全景波形具有唯一性;在此基础上,以行波全景波形作为输入样本,搭建以卷积神经网络(convolutional neural network,CNN)与长短期记忆(long short term memory,LSTM)神经网络为核心的深度学习混合模型,CNN提取各次波头频率分布特征,挖掘故障支路信息,LSTM提取典型波头时间关联特征,挖掘故障距离信息,在网络中设置双通道并联输出层,其中分类层输出故障支路,回归层输出故障距离,最终实现配电网故障精确定位。仿真结果表明:在含有大量微弱故障样本的测试集上,定位平均绝对误差为67m,在3kΩ故障条件下定位误差仅为111m。展开更多
文摘现有配电网故障定位方法严重依赖波头到达时间、固有频率值等单一特征量,在微弱故障条件下难以有效提取故障特征,故障定位精度低。对此,提出基于全景故障特征挖掘的配电网单端行波定位方法。首先,分析不同故障点行波传输过程,结合小波能量熵量化分析行波全景波形时频分布特性:行波全景波形各次波头频率分布包含了故障支路信息,典型波头到达时序包含了故障距离信息,行波全景波形与故障位置一一对应,即不同故障位置的行波全景波形具有唯一性;在此基础上,以行波全景波形作为输入样本,搭建以卷积神经网络(convolutional neural network,CNN)与长短期记忆(long short term memory,LSTM)神经网络为核心的深度学习混合模型,CNN提取各次波头频率分布特征,挖掘故障支路信息,LSTM提取典型波头时间关联特征,挖掘故障距离信息,在网络中设置双通道并联输出层,其中分类层输出故障支路,回归层输出故障距离,最终实现配电网故障精确定位。仿真结果表明:在含有大量微弱故障样本的测试集上,定位平均绝对误差为67m,在3kΩ故障条件下定位误差仅为111m。
