面向智能变电站的输电线路综合故障定位方法

摘要

本发明公开了一种面向智能变电站的输电线路综合故障定位方法，当输电线路发生故障时，该方法在已有的单端工频测距方法中选择出测距精度最高的方法，给出准确的故障位置信息；目前已有的工频测距方法存在不同的系统误差来源，测距精度会受到电源、对端系统阻抗以及过渡电阻等参数的综合影响，在不同的故障情况下，各方法的测距精度会有不同的表现，给出不同的测距结果；本发明首先获取输电线路发生故障时的大量训练样本，应用粗糙集理论对训练样本进行属性约简，找出测距精度与故障条件之间的内在关系，删除影响因素较小的参数，加快求解过程；在系统发生故障时，应用KNN算法在多种工频测距方法中找到测距结果最准确的方法，有效提高测距精度。

主权项

面向智能变电站的输电线路综合故障定位方法，其特征在于：首先获取大量的训练样本得到输电线路综合故障定位数据集；然后对数据集进行属性约简，找出测距精度与故障条件之间的内在关系；最后当输电线路发生故障时，应用KNN算法在多种工频测距方法中预测出测距结果最准确的方法，计算故障距离；具体如下：步骤一：确定输电线路综合故障定位数据集首先，搭建双端电源系统三相输电线路经过渡电阻单相接地故障模型，在模型中分别设置七个参数：本端电源幅值、本端电源相位；对端电源幅值、对端电源相位；对端系统正序阻抗角、零序阻抗角和过渡电阻；然后，通过改变上述七个参数得到不同情况下的故障波形数据，分别用阻抗法、解微分方程法、解复数方程法、解二次方程法和回路电流法这五种工频测距方法进行计算得到五个相应的故障距离；最后，将每种参数设置情况下得到的五个故障距离与故障模型中实际的故障距离相比较，相对误差最小的方法就定义为该参数设置情况下的最优方法；在获取了这些输电线路发生故障时的大量训练样本信息之后，就构造出一个数据集供后面使用，数据集的前七列分别为各个故障情况下七个系统参数的设置值，第八列为各个故障情况下其最优测距方法的编号；步骤二：数据集的属性约简对步骤一得到的数据集应用粗糙集理论中的属性约简方法进行简化，目的是找出对测距精度影响最大的关键因素，删除关联度小的参数以及实际工程上难于获取的参数，最终利用约简后的数据集确定最优测距方法；根据属性约简的主要原理，想要对输电线路故障定位数据集进行属性约简，首先需要构造决策表；数据集中构造的大量的不同故障情况为决策表的论域，前七列的系统参数为条件属性，最后一列的最优测距方法编号为决策属性；整个决策表的含义就是，根据前七列条件属性即系统参数的值可以决定最后一列决策属性即最优测距方法对应的编号的值；因此，数据集与决策表是一一对应的，在对其进行属性约简时，能够直接拿来使用；对决策表进行属性约简的关键步骤就是计算依赖度，从七种条件属性中选取几个组合成新的条件属性组合，决策属性对该条件属性组合的依赖度大小就决定着这个条件属性组合对于决策的重要性大小，当依赖度大于95％时认为只需保留该条件属性组合中包含的这几个属性，删除其他属性就能做出正确决策；首先分别计算决策属性对单个条件属性的依赖度，若得到的七个依赖度数值中有超过95％的，则约简只需保留该条件属性即可；若得到的七个依赖度数值较小，则取出前两个依赖度较大的条件属性组成一个集合，对该集合计算一次依赖度，若数值达到95％，则完成计算，属性约简保留该两个条件属性即可，若仍未达到，则继续添加条件属性组成新的集合，计算依赖度直至达到标准；最终的约简结果就是在原本的决策表中保留决策属性和使依赖度达标的条件属性组合，删除掉剩下的冗余条件属性；约简后的数据集简单清晰，只需根据保留的几个系统参数的值就能够给出决策，判断出该故障条件下哪种工频测距方法为最优测距方法；步骤三：基于KNN算法的综合定位约简后的决策表是一个离散的表格，输电线路发生某次故障时的系统参数未必就正好对应表格中的某个决策，在输电线路发生故障时，采用KNN算法判断实际故障数据与决策表决策的对应关系，选择最优测距方法，实现综合定位；KNN算法需首先给定一个训练样本集，所有训练样本所属的类别事先给定；其基本思想为：计算待分类样本x和每个训练样本的欧式距离，取出与待分类点最近的k个训练样本点，统计出这k个训练样本点中大多数属于哪一类，则认为待分类点x也属于该类；约简后的数据集就是这个给定的训练样本集，所有样本的决策属性值域构成了所有的类别数，各个样本的条件属性值依次排列构成它们的特征坐标，其决策属性的值决定了所属的类别；当线路发生故障并已知故障时的系统参数后，确定了待分类点的特征坐标，此时根据KNN算法计算待分类点与所有训练样本的欧式距离，选出距离它最近的k个点，若这k个点中大多数点属于类别1，则认为该待分类点也应属类别1，也就是线路此次发生的故障使用方法1测距的精度最高，其他情况同理；KNN算法的效果很大程度上依赖于k值的选则，如果k值选择过小，意味着有效的近邻数过少，放大了噪声数据的干扰，分类精度相应降低；如果k值选择过大，一方面加大了运算量，另一方面，假设待分类样本属于训练集中总数据量小的那一类，在实际中选择k个近邻时，会由于k值过大，使得总数据量较大的类别的数据也会被包含进来，导致分类结果错误；k值的求取方法如下：再次在双端电源系统三相输电线路经过渡电阻单相接地故障模型中任意改变七个系统参数的设置值，得到十种故障波形数据，分别用五种测距算法进行测距得到它们最优方法的编号；同时根据这十种故障的系统参数，设定一个k值，应用KNN算法也能够对每种故障情况预测出一个最优方法的编号；通过改变k值使得在十种故障情况下两个编号获得最大的重合，也就是KNN算法能够最大程度上准确预测出输电线路发生故障时采用哪种测距算法能够得到最准确的结果，该k值即可选定。