1.本发明属于配电网故障定位应用领域，具体涉及一种利用多算法定位结果数据融合的配电线路故障定位方法。
背景技术：2.随着社会与经济的不断发展，电力公司和电力用户对供电可靠性的要求越来越高。配电网具有规模大、与用户联系紧密、故障概率高等特点。故障发生后，应充分利用配网中测量设备采集得到的数据，开展故障定位工作，为后续故障隔离和供电恢复奠定基础。快速准确地完成配电线路故障精确定位，对加快故障恢复、缩短停电时间、提升供电可靠性和用户满意度均至关重要。虽然具有同步功能的测量设备为双端同步算法提供了基础，但是不可避免的测量误差和线路参数误差会导致这些算法的定位误差较大，难以满足供电可靠性要求。
3.随着配电网投资的增加以及智能化与信息化的发展趋势，越来越多具有同步功能的测量设备被部署于配电网。例如同步相量测量装置能够同步采集模拟电压、电流信号，并将其传送到调度中心的数据集中器。基于集中参数或分布参数线路模型，利用这些采集得到的同步电压、电流信号及线路参数，可将多种双端同步故障定位算法用于配电线路故障精确定位。
4.实际进行故障精确定位时，传变误差和量化误差等因素会引起测量误差，环境变化和管理体系不完善等因素会引起线路参数误差。当这些不可避免的测量误差和线路参数误差较大时，双端同步故障定位算法的定位误差也较大，定位精度受到影响。
5.由于现有多种双端同步故障定位算法使用的线路模型、电气参数、线路参数、求解策略等方面存在差异，因此它们的定位结果存在差异性和互补性。若能够充分挖掘这种差异性和互补性中蕴含的信息，并对多种双端同步故障定位算法的结果进行数据融合，则可能有利于减少测量误差和线路参数误差对定位精度的影响，减小定位误差。
6.因此，充分利用多种算法的定位结果，提出基于数据融合的配电线路故障精确定位方法是十分必要的，有利于减少测量误差和线路参数误差对定位精度的影响。
技术实现要素：7.本发明的目的在于提供一种利用多算法定位结果数据融合的配电线路故障定位方法，以解决现有背景下测量误差和线路参数误差影响配电网故障定位精度的问题，本发明可以减小普遍存在的测量误差和线路参数误差对配电线路故障精确定位的影响，提升定位精度，对加快故障恢复、缩短停电时间、提升供电可靠性和用户满意度具有重要意义。
8.为达到上述目的，本发明采用如下技术方案：
9.本发明首先通过电磁暂态仿真软件pscad/emtdc以及数据处理软件 matlab生成大量配电线路故障样本；然后结合配电网发展趋势以及故障特点，选取了基础定位算法，并确定了用于故障精确定位的数据融合模型的输入输出和实现方法；再利用生成的训练数据
集，训练得到数据融合模型的内部结构和参数；最后，当实际配电网发生故障时，利用训练好的数据融合模型完成故障精确定位。
10.具体包括以下步骤：
11.步骤1、利用pscad/emtdc建立配电网电磁暂态仿真模型，设置多个故障场景进行大量仿真，同步记录故障线路两端的三相电压和电流，形成大量故障样本。
12.步骤2、针对每个故障样本，对三相电压和电流的测量误差以及线路参数误差进行模拟，得到含有测量误差的三相电压和电流，以及含有误差的线路参数。
13.步骤3、对含有测量误差的三相电压和电流进行基频相量提取，再对基频相量进行相序变换，得到故障线路两端的正、负序电压电流。
14.步骤4、选取适应配电网发展趋势和故障特点的若干个精确定位算法作为基础算法，并将含有误差的线路参数以及正、负序电压电流代入基础算法，计算得到若干个定位结果。
15.步骤5、将人工神经网络作为数据融合模型的实现方法。将若干个定位结果和线路电阻、感抗、容抗作为数据融合模型的输入，将故障位置作为输出；对输入和输出进行归一化处理，得到训练数据集。至此，数据融合模型的实现方法以及输入输出已确定。
16.步骤6、利用步骤5中得到的训练数据集，对数据融合模型进行训练，得到数据融合模型的内部结构和参数，并将训练完成的数据融合模型进行保存。
17.步骤7、真实配电线路发生故障后，利用步骤6中训练得到的数据融合模型进行故障定位。
18.进一步地，步骤1中设置多个故障场景时，考虑并设置了不同的线路参数、线路类型、故障位置、过渡电阻、故障起始角，使得故障样本的数量足够丰富，可用于数据融合模型的训练。
19.进一步地，步骤2中模拟测量误差和线路参数误差时，使用了加性高斯白噪声(additive white gaussian noise,awgn)函数。该函数是基本的噪声与干扰模型，其幅度服从高斯分布，功率谱密度均匀分布。根据实际情况合理地设置信噪比，就能够较好地模拟配电网中的测量误差和线路参数误差。
20.进一步地，步骤3中进行基频相量提取时，采用的是故障后第二个工频周期的数据，且采用快速傅里叶变换，相序变换时采用对称分量法。
21.进一步地，步骤4中可以选取若干个故障精确定位算法。以四个为例进行说明，这四个算法分别为基于集中参数线路模型的正序电压电流法和正负序阻抗相等法、基于分布参数线路模型的模值求解法和相位求解法，分别记为基础算法一、基础算法二、基础算法三、基础算法四。
22.四个基础算法均基于故障稳态工频同步信息，这充分考虑了配电网的发展趋势及故障特点：
①
随着智能化和信息化投资的增加，配电网中越来越多的量测设备为线路故障精确定位提供了可用同步信息；
②
不同于输电线路，配电线路中的故障无需在极短时间内切除，因此故障稳态信息可以被用于故障定位；
③
包括傅里叶变换和相序变换在内的处理工频信息的算法，简单可靠且对设备采样率要求不高。
23.对四种基础算法的定位原理进行介绍。
24.基础算法一为基于集中参数线路模型的正序电压电流法。利用故障线路首端正序
电压和正序电流可以计算得到故障点正序电压利用故障线路末端正序电压和正序电流也可以计算得到故障处正序电压，方程组为：
[0025][0026]
其中，l为故障线路长度，x为故障点距线路首端的距离，z1为线路单位长度正序阻抗，r1为线路单位长度正序电阻，x
l1
为线路单位长度正序感抗。
[0027]
由于方程组包含两个方程，且仅含有x和两个未知量，因此可以进行求解。基础算法一的定位结果记为x1：
[0028][0029]
基础算法二为基于集中参数线路模型的正负序阻抗相等法。如果线路单位长度正序阻抗z1未知，可以采取如下办法。与基础算法一类似，故障处的负序电压既可以由线路首端负序电压和负序电流推算得到，也可以由线路末端负序电压和负序电流推算得到，方程组为：
[0030][0031]
其中，z2为线路单位长度负序阻抗。
[0032]
由于配电线路为三相静止元件，正序阻抗等于负序阻抗，即存在关系式：
[0033]
z1＝z2[0034]
联立该关系式以及两个方程组，得到一个包含5个方程的方程组：
[0035][0036]
该方程组包含5个未知量(x，z1和z2)，因此可以进行求解。记基础算法二的定位结果为x2：
[0037][0038]
基础算法三与基础算法四为基于分布参数线路模型的模值求解法和相位求解法。故障点处正序电压既可以由故障线路首端正序电压和正序电流计算得到，也可以由故障线路末端正序电压和正序电流计算得到，列写方程组如下：
[0039][0040]
其中，是正序传播系数，y1是线路对地正序导纳， y1＝j/x
c1
，x
c1
为单位长度正序电纳的倒数，α1是正序衰减常数，β1是正序相位常数，是正序波阻抗。
[0041]
将方程组化简，可以得到：
[0042][0043]
其中a和b分别代表实部和虚部。结合γ1＝α1+jβ1，可以得到：
[0044][0045]
基础算法三利用与模值信息相关的α1，求解得到故障位置，记为x3：
[0046]
x3＝ln(a2+b2)/4α1[0047]
基础算法四利用与相角信息相关的β1，求解得到故障位置，记为x4：
[0048]
x4＝arctan(b/a)/2β1[0049]
如果将含有误差的线路参数和电气量代入四种基础算法的计算公式，可得到含有误差的四个定位结果：x
′1、x
′2、x
′3、x
′4。
[0050]
进一步地，步骤5中，确定数据融合模型的实现方法和输入输出，并对数据进行归一化处理。
[0051]
由于测量误差和线路参数误差的随机性，导致了基础算法定位误差的随机性。由于四个基础算法使用了不同的线路模型(集中参数模型/分布参数模型)、电气量以及线路参数，导致了基础算法定位结果之间存在冗余性和互补性。因此，可以通过挖掘冗余性和互补性中蕴含的信息，提升配电线路故障定位精度。
[0052]
记电气量真值为mk(k＝1,2,...,8)，m1～m8分别代表分别代表和记电气量对应的相对误差为εk(k＝1,2,...,8)；记线路参数真值为pm(m＝1,2,3,4)，p1～p4分别代表l,r1,x
l1
和x
c1
；记线路参数对应的相对误差为δm(m＝1,2,3,4)。
[0053]
实际进行故障定位时，基础算法使用的电气量和线路参数均含有误差。含误差的电气量和线路参数分别记为m
′k和p
′m，表达式为：
[0054]m′k＝εkmk(k＝1,2,...,8)
[0055]
p
′m＝δmpm(m＝1,2,3,4)
[0056]
以基础算法一为例，含误差的定位结果x
′1表达式为:
[0057][0058]
定位误差δx1可以用含误差的定位结果x
′1减去不含误差的定位结果x1得到：
[0059][0060]
由此可知，基础算法一的定位误差与以下因素有关：电气量真值由此可知，基础算法一的定位误差与以下因素有关：电气量真值和电气量相对误差ε1,ε2,ε3和ε4；线路参数真值l,r1,x
l1
；线路参数相对误差δ1,δ2,δ3。因此，可以将定位误差δx1的复杂关系式表示为函数：
[0061][0062]
同样地，将其余三种基础算法定位误差的函数关系式分别记为：
[0063][0064][0065][0066]
实际故障定位时，电气量真值及其相对误差、线路参数真值及其相对误差均不可获知。例如，无法获取电气量真值和相对误差ε1的具体值，只能通过测量计算得到且等于因此，应将自变量变为可获取的量。以基础算法一的定位误差δx1为例，对其自变量进行如下变化
①
利用x
′1表示自变量之间的关系；
②
删除自变量中的电气量相关参数，保留含误差的实测线路参数l
′
,x
′1,x
′
l1
。可以得到：
[0067][0068]
其余三种基础算法采取同样操作，可得：
[0069][0070][0071][0072]
结合式可以得到方程组：
[0073][0074]
各电气量及相对误差、线路参数及相对误差与四个基础算法定位结果相互关联、相互耦合，且函数f
δi
(i＝1,2,3,4)的解析表达式无法准确获知。由于人工神经网络能够较好地拟合复杂函数关系，因此将人工神经网络作为数据融合模型的实现方法。作为最基本
的人工神经网络，多层感知机(multi
‑ꢀ
layer perceptron，mlp)训练算法不复杂，且训练时间较短，精度较高。因此，利用python工具包scikit-learn中的“mlpregressor”构建人工神经网络模型。
[0075]
由于四个基础算法的定位结果x
′i(i＝1,2,3,4)及线路参数r
′1,x
′
l1
,x
′
c1
可以通过测量计算或查询得到，因此可以将这7个数据作为输入，将实际故障位置y 作为输出。
[0076]
由于四个基础算法的定位结果和线路参数具有不同的量级和量纲，增加了训练难度，应该对其进行归一化处理。归一化方法为：将若干个基础算法的定位结果除以故障线路长度，将线路电阻、感抗、容抗除以相应基准值。
[0077]
数据融合模型的表达式为：
[0078]
x
fuse*
＝f(x
1*
,x
2*
,x
3*
,x
4*
,r
1*
,x
l1*
,x
c1*
)
[0079]
其中：x
fuse*
＝y/l
′
，x
1*
＝x
′1/l
′
,x
2*
＝x
′2/l
′
,x
3*
＝x
′3/l
′
,x
4*
＝x
′4/l
′
,r
1*
＝r
′1/r
1,base
, x
l1*
＝x
′
l1
/x
l1,base
,x
c1*
＝x
′
c1
/x
c1,base
；l
′
为故障线路长度，y为实际位置，x
′1、x
′2、x
′3和x
′4分别为四个基础算法的定位结果，r
′1为线路单位长度电阻,x
′
l1
为线路单位长度感抗,x
′
c1
为线路单位长度容抗，r
1,base
＝0.2ω/km，x
l1,base
＝0.2ω/km， x
c1,base
＝0.1mω
·
km；x
fuse*
、x
1*
、x
2*
、x
3*
、x
4*
、r
1*
、x
l1*
和x
c1*
分别为y、x
′1、x
′2、 x
′3、x
′4、r
′1、x
′
l1
和x
′
c1
归一化后的结果。
[0080]
将大量仿真样本均进行归一化处理后，以x
1*
,x
2*
,x
3*
,x
4*
,r
1*
,x
l1*
,x
c1*
为输入(特征)，以x
fuse*
为输出(标签)的大量样本构成了训练集，可用于训练基于人工神经网络的数据融合模型。
[0081]
进一步地，步骤6中，利用步骤5中得到的训练数据集，对基于人工神经网络的数据融合模型进行训练。首先，从训练数据集中随机取出1％样本作为验证集，利用剩余99％样本对人工神经网络模型进行训练，通过观察模型在验证集上的表现，调整并确定隐藏层数、各隐藏层节点数、激活函数、优化器、损失函数等超参数，即得到了模型的内部结构。然后，利用所有训练样本对模型训练一次，得到模型的内部参数。至此，基于人工神经网络的数据融合模型的内部结构和参数均已得到，即数据融合模型训练完毕。
[0082]
进一步地，步骤7中，实际配电线路发生故障后，采集故障线路两端电压互感器记录的三相电压和电流互感器记录的三相电流，对电压和电流进行基频相量提取和相序变换，得到故障线路两端的正、负序电压电流。将正、负序电压电流和线路电阻、感抗、容抗代入四个基础定位算法，从而得到四个定位结果。将归一化处理后的四个定位结果和线路参数输入至步骤6中训练得到的数据融合模型，得到故障定位结果。
[0083]
与现有技术相比，本发明具有以下有益的技术效果：
[0084]
首先，本发明方法利用pscad/emtdc建立配电网模型，仿真生成了大量相间故障样本，构建了可用于模型训练的数据库；然后，对故障数据进行误差模拟、基频提取、相序变换操作，并代入四种基础算法的定位公式得到四个基础定位结果。其次，本发明确定了数据融合模型的实现方法和输入输出，并利用归一化处理后的数据对模型进行训练。最后，训练好的模型可用于配电线路实际故障定位。发明的数据融合模型考虑了测量误差和线路参数误差对现有定位算法定位精度的影响，具有现实意义和良好的应用前景；模型定位精度高，减少了检修时间，加快了故障恢复速度，提升了系统运行的可靠性；与行波法相比，本发明方法对采样率要求不高，无需昂贵的测量设备，经济性好；本发明充分利用了双端同步工频信
息，不受系统运行方式、过渡电阻的影响，且无需迭代计算。
附图说明
[0085]
说明书附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0086]
图1为本发明中的用于配电线路故障精确定位的数据融合模型的生成步骤和使用方法；
[0087]
图2为本发明中仿真生成故障样本时使用的配电网结构示意图；
[0088]
图3为集中参数线路模型正序电路；
[0089]
图4为集中参数线路模型负序电路；
[0090]
图5为分布参数线路模型正序电路；
[0091]
图6为本发明中基于人工神经网络的数据融合模型结构示意图。
具体实施方式
[0092]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0093]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0094]
本发明是一种利用多算法定位结果数据融合的配电线路故障精确定位方法，如图1所示，具体包括以下步骤：
[0095]
一、图2为配电网结构示意图，在线路首末端均装设测量装置。这些测量装置可以对安装位置处的三相电压电流信号进行同步测量与上送。线路采用贝瑞隆模型，电压源线电压为35kv；变压器变比为35kv/10.5kv；负荷采用三相线对地固定负荷(fixed load，3-phase)；故障类型为相间故障。训练集仿真参数设置如表1所示。故障发生在线路b1m6上，测量装置检测到突变量后，对三相电压和三相电流进行同步采样，并上传至处理中心。
[0096]
表1训练集仿真参数设置
[0097][0098]
二、对于每个故障样本的三相电压电流采样值以及线路参数，均乘以随机系数以模拟测量误差和线路参数误差。随机系数由matlab中的awgn 函数产生。随机系数的产生借助于matlab中的加性高斯白噪声 (additive white gaussian noise，awgn)函数。函数awgn是基本的噪声与干扰模型，其幅度分布服从高斯分布，而功率谱密度均匀分布。信噪比取 35db，用awgn函数产生10000个随机数，这10000个随机数中的最大值为1.0635，最小值为0.9335，平均值为1.0001，平均绝对误差为1.40％。基本符合测量误差和线路参数误差的分布情况。
[0099]
三、误差模拟后，选取故障后第二个工频周期内三相电压电流的采样值，对三相电压电流进行快速傅里叶变换，得到三相电压电流相量。然后，采用对称分量法对电压电流相量进行相序变换，得到故障线路两端正、负序电压和电流。将故障线路首端和末端分别记为m和n，至此，得到了含有误差的电气量和以及含有误差的线路长度l
′
，单位长度正序电阻r
′1，单位长度正序感抗x
′
l1
和对地正序容抗x
′
c1
。
[0100]
四、充分考虑配电网的发展趋势和故障特点，选取四个基础算法。这四个基础算法分别为基于集中参数线路模型的正序电压电流法和正负序阻抗相等法、基于分布参数线路模型的模值求解法和相位求解法，分别记为基础算法一、基础算法二、基础算法三和基础算法四。
[0101]
以下计算四个基础算法定位结果时，使用的电气量和线路参数均包含误差，因此公式涉及的参数中带有“＇”。
[0102]
基础算法一为基于集中参数线路模型的正序电压电流法。图3为集中参数线路模型正序电路，故障点正序电压既可以利用故障线路首端正序电压和正序电流计算得到，也可以利用故障线路末端正序电压和正序电流计算得到，方程组为：
[0103][0104]
其中，l
′
为故障线路长度，x为故障点距线路首端的距离，z
′1为线路单位长度正序阻抗，z
′1＝r
′1+jx
′
l1
，r
′1为线路单位长度正序电阻，x
′
l1
为线路单位长度正序感抗。
[0105]
求解该方程组得到基础算法一的定位结果，为便于区分，记为x
′1：
[0106]
[0107]
基础算法二为基于集中参数线路模型的正负序阻抗相等法。图4为集中参数线路模型负序电路，利用故障线路首端负序电压和负序电流可以计算得到故障点负序电压利用故障线路末端负序电压和负序电流也可以计算得到故障处负序电压方程组为：
[0108][0109]
其中，z
′2为线路单位长度负序阻抗。
[0110]
由于配电线路为三相静止元件，正负序阻抗相等：
[0111]z′1＝z
′2[0112]
联立得到一个包含5个方程和5个未知量(x，z
′1和z
′2)的方程组：
[0113][0114]
求解该方程组得到基础算法二的定位结果，记为x
′2：
[0115][0116]
基础算法三与基础算法四采用分布参数线路模型。图5为分布参数线路模型的正序电路，故障点处正序电压既可以由故障线路首端正序电压和正序电流计算得到，也可以由故障线路末端正序电压和正序电流计算得到，列写方程组如下：
[0117][0118]
其中，是正序传播系数，y
′1是线路对地正序导纳， y
′1＝j/x
′
c1
，x
′
c1
为单位长度正序电纳的倒数，α
′1是正序衰减常数，β1′
是正序相位常数，是正序波阻抗。
[0119]
将方程组化简，可以得到：
[0120][0121]
其中a
′
和b
′
分别代表实部和虚部。结合γ
′1＝α
′1+jβ
′1，可以得到：
[0122][0123]
基础算法三利用与模值信息相关的α
′1，求解得到故障位置，记为x
′3：
[0124]
x
′3＝ln(a
′2+b
′2)/4α
′1[0125]
基础算法四利用与相角信息相关的β
′1，求解得到故障位置，记为x
′4：
[0126]
x
′4＝arctan(b
′
/a
′
)/2β
′1[0127]
由此，得到四种算法的定位结果x
′1，x
′2，x
′3和x
′4。
[0128]
五、确定数据融合模型实现方法与输入输出，并对数据进行归一化处理。
[0129]
各电气量及相对误差、线路参数及相对误差与四个基础算法定位结果相互关联、相互耦合，它们之间的函数关系复杂，不易获取。由于人工神经网络能够较好地拟合复杂的函数关系，因此将人工神经网络作为数据融合模型的实现方法。作为最基本的人工神经网络模型，多层感知机训练算法不复杂，且训练时间较短，精度较高。因此，利用python工具包scikit-learn中的“mlpregressor”构建人工神经网络。
[0130]
由于四个基础算法的定位结果x
′i(i＝1,2,3,4),以及线路参数r
′1,x
′
l1
,x
′
c1
可以通过测量计算或查询得到，因此可以将这7个数据作为输入。作为用于配电线路故障精确定位的模型，自然地将实际故障位置y作为输出。基于人工神经网络的数据融合模型结构如图6所示。
[0131]
由于四个基础算法的定位结果和线路参数具有不同的量级和量纲，增加了训练难度，应该对其进行归一化处理。具体地，将四种算法的定位结果除以线路长度l
′
，x
1*
＝x
′1/l
′
,x
2*
＝x
′2/l
′
,x
3*
＝x
′3/l
′
,x
4*
＝x
′4/l
′
；将线路参数除以相应基准值，r
1*
＝r
′1/r
1,base
，x
l1*
＝x
′
l1
/x
l1,base
,x
c1*
＝x
′
c1
/x
c1,base
，且r
1,base
＝0.2ω/km， x
l1,base
＝0.2ω/km，x
c1,base
＝0.1mω
·
km；将实际故障位置除以线路长度，x
fuse*
＝y/l
′
。归一化处理后，形成了以x
1*
,x
2*
,x
3*
,x
4*
,r
1*
,x
l1*
,x
c1*
作为输入(特征)、以x
fuse*
作为输出(标签)的大量样本。大量样本构成的训练集，可用于基于人工神经网络的数据融合模型的训练。
[0132]
六、利用归一化处理后的大量样本，对基于人工神经网络(ann)的数据融合模型进行训练。首先，从训练集中随机取出1％的样本作为验证集。通过观察模型在验证集上的测试效果，对人工神经网络的隐藏层层数、每层神经元数进行调节。最终确定隐藏层数为3，各隐藏层节点数分别为15、12、 7，激活函数取tanh、优化器取adam，损失函数为平方误差。然后，利用所有测试集样本对人工神经网络进行训练。最后，得到了基于人工神经网络的数据融合模型的内部参数，该模型可用于配电线路故障精确定位。电脑配置：处理器intel(r)core(tm)i5-7500cpu@3.4ghz,3480mhz物理内存 (ram)8.00gb。
[0133]
七、当配电线路发生新的故障后，与一、三、四、五这几步类似地，记录故障线路两端的三相电压和电流，提取基频相量并进行相序变换，计算得到四个基础算法的定位结果，对线路参数及四个基础算法的定位结果进行归一化处理。然后，将经归一化处理的数据输入数据融合模型，从而得到融合后的定位结果。
[0134]
采用控制变量法，利用pscad/emtdc生成了故障位置、线路参数、过渡电阻、故障起始角、线路负荷、线路长度、噪声强度、配网接地方式和故障类型等因素与训练集样本存在差异的测试样本，并对比了基础算法和所得数据融合模型的定位效果。
[0135]
测试时可以选择表2中的线路参数，这些线路参数与训练集存在差异。测试样本其它因素的默认值列在表3中。若测试时某因素与默认设置存在差异，该因素会被单独列出。
[0136]
表2可以选择的测试集线路参数
[0137][0138][0139]
表3测试样本默认设置
[0140][0141]
定位效果用平均绝对误差(mean absolute error，mae)和平均相对误差(mean relative error，mre)衡量，计算方法如下：
[0142][0143][0144]
其中n代表测试样本总数，x
′j代表算法在第j个测试样本上的定位结果， yj代表第j个测试样本上的实际故障位置，l代表线路实际总长度。
[0145]
分析表4～表10中的测试结果可以发现，相较于基础算法，发明的数据融合模型输出的定位误差均显著降低。说明数据融合模型充分利用了多种基础算法定位结果的互补性，能够输出更为精确的定位结果。并且，发明的数据融合模型不受故障位置、线路参数、过渡电阻、故障起始角等因素变化的影响，适应能力强。
[0146]
表4不同故障位置的测试结果
[0147][0148]
表5不同线路参数和过渡电阻的测试结果
[0149]
[0150][0151]
表6不同故障起始角的测试结果
[0152][0153]
表7不同线路负荷的测试结果
[0154][0155]
表8不同线路长度的测试结果
[0156][0157]
表9不同噪声强度的测试结果
[0158][0159]
表10不同接地方式和故障类型的测试结果
[0160][0161][0162]
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。
技术特征：1.利用多算法定位结果数据融合的配电线路故障定位方法，其特征在于，包括：步骤1、建立配电网电磁暂态仿真模型，设置多个故障场景并进行仿真，同步记录故障线路两端的三相电压和电流，形成若干故障样本；步骤2、针对每个故障样本，对三相电压和电流的测量误差及线路参数误差进行模拟，得到含有测量误差的三相电压和电流，以及含有误差的线路参数；步骤3、对含有测量误差的三相电压和电流进行基频相量提取，再对基频相量进行相序变换，得到故障线路两端的正、负序电压电流；步骤4、结合配电网发展趋势和故障特点，选取若干个精确定位算法作为基础算法，然后将含有误差的线路参数及正、负序电压电流代入基础算法，计算得到若干个定位结果；步骤5、将若干个定位结果和线路电阻、感抗、容抗作为数据融合模型的输入，将故障位置作为数据融合模型的输出；对输入和输出进行归一化处理；归一化后的大量数据组成了训练数据集；步骤6、利用步骤5中得到的训练数据集，对数据融合模型进行训练，确定数据融合模型的内部结构与参数；步骤7、真实配电线路发生故障后，采集故障线路两端的三相电压和电流互感器记录的三相电流，对电压和电流进行基频相量提取和相序变换，得到故障线路两端的正、负序电压电流，将正、负序电压电流和线路参数代入若干个基础定位算法，从而得到若干个定位结果，将归一化处理后的若干个定位结果和线路电阻、感抗、容抗输入至步骤6中训练得到的数据融合模型，得到故障定位结果。2.根据权利要求1所述的利用多算法定位结果数据融合的配电线路故障定位方法，其特征在于，步骤1中设置多个故障场景时，考虑并设置了不同的线路参数、线路类型、故障位置、过渡电阻、故障起始角。3.根据权利要求1所述的利用多算法定位结果数据融合的配电线路故障定位方法，其特征在于，步骤2中模拟测量误差和线路参数误差时，采用加性高斯白噪声函数。4.根据权利要求1所述的利用多算法定位结果数据融合的配电线路故障定位方法，其特征在于，步骤4中选取的基础算法为四个，分别为基于集中参数线路模型的正序电压电流法和正负序阻抗相等法、基于分布参数线路模型的模值求解法和相位求解法，将含有误差的线路参数以及正、负序电压电流代入四个基础算法，相应得到含有误差的四个定位结果x
′1、x
′2、x
′3、x
′4。5.根据权利要求4所述的利用多算法定位结果数据融合的配电线路故障定位方法，其特征在于，步骤5对输入和输出进行归一化处理的方法为：将若干个基础算法的定位结果除以故障线路长度，将线路电阻、感抗、容抗除以相应基准值；在确定输入输出，并将输入输出归一化后，即得到数据融合模型的表达式为：x
fuse*
＝f(x
1*
,x
2*
,x
3*
,x
4*
,r
1*
,x
l1*
,x
c1*
)其中：x
fuse*
＝y/l
′
，x
1*
＝x
′1/l
′
,x
2*
＝x
′2/l
′
,x
3*
＝x
′3/l
′
,x
4*
＝x
′4/l
′
,r
1*
＝r
′1/r
1,base
,x
l1*
＝x
′
l1
/x
l1,base
,x
c1*
＝x
′
c1
/x
c1,base
；l
′
为故障线路长度，y为实际故障位置，x
′1、x
′2、x
′3和x
′4分别为四个基础算法的定位结果，r1′
为线路单位长度电阻,x
′
l1
为线路单位长度感抗，x
′
c1
为线路单位长度容抗，x
fuse*
、x
1*
、x
2*
、x
3*
、x
4*
、r
1*
、x
l1*
和x
c1*
分别为y、x
′1、x
′2、x
′3、x
′4、r1′
、x
′
l1
和x
′
c1
归一化后的值。
6.根据权利要求5所述的利用多算法定位结果数据融合的配电线路故障定位方法，其特征在于，r
1,base
＝0.2ω/km，x
l1,base
＝0.2ω/km，x
c1,base
＝0.1mω
·
km。7.根据权利要求5所述的利用多算法定位结果数据融合的配电线路故障定位方法，其特征在于，步骤5中所述数据融合模型采用人工神经网络，且训练数据集是由以x
1*
,x
2*
,x
3*
,x
4*
,r
1*
,x
l1*
,x
c1*
为输入、以x
fuse*
为输出的大量样本构成。8.根据权利要求7所述的利用多算法定位结果数据融合的配电线路故障定位方法，其特征在于，步骤6中训练数据融合模型时，首先从训练数据集中随机取出1％的样本作为验证集，利用剩余99％的样本对人工神经网络进行训练，通过观察比较人工神经网络在验证集上的表现，从而对人工神经网络的隐藏层层数、每层神经元数等超参数进行调节，以得到人工神经网络的结构；然后，利用训练集全部数据对结构已确定的人工神经网络进行一次训练，得到人工神经网络内部参数；至此，人工神经网络的内部结构和参数均已得到，即数据融合模型训练完毕。
技术总结本发明公开了利用多算法定位结果数据融合的配电线路故障定位方法。建立配电网电磁暂态仿真模型并在多个故障场景下进行仿真，同步记录三相电压和电流；对测量误差和线路参数误差进行模拟；对电压和电流进行基频相量提取与相序变换；选取适应配电网发展趋势和故障特点的若干精确定位算法作为基础算法，代入数据计算得到若干个定位结果；确定数据融合模型的实现方法及输入输出，利用归一化后的训练数据集对数据融合模型进行训练。配电线路中发生故障后，对相关数据进行采集和处理并输入至所提数据融合模型，即可得到故障定位结果。本发明可以减小测量误差和线路参数误差对配电线路故障精确定位的影响，提升定位精度。提升定位精度。提升定位精度。
技术研发人员：梁永回 焦在滨 齐杉 李妮 孙沛霄
受保护的技术使用者：西安交通大学
技术研发日：2022.07.21
技术公布日：2022/11/1
