基于SOM和K均值聚類的諧振接地系統(tǒng)故障選線及區(qū)段定位方法

歐逸哲 術(shù) 茜

基于SOM和K均值聚類的諧振接地系統(tǒng)故障選線及區(qū)段定位方法

歐逸哲 術(shù) 茜

（國(guó)網(wǎng)福建省電力有限公司漳州供電公司，福建 漳州 363000）

諧振接地系統(tǒng)發(fā)生單相接地故障時(shí)的故障電流微弱，環(huán)境噪聲會(huì)進(jìn)一步弱化故障電流，導(dǎo)致現(xiàn)場(chǎng)數(shù)據(jù)不易獲取。本文提出一種基于自組織神經(jīng)網(wǎng)絡(luò)（SOM）和K均值聚類的故障選線及區(qū)段定位方法。該方法是非監(jiān)督學(xué)習(xí)算法，與監(jiān)督學(xué)習(xí)算法相比，其能更快地提取故障特征且不需要大量訓(xùn)練樣本。將利用SOM算法提取的故障特征作為K均值聚類的輸入，無(wú)需設(shè)置閾值來(lái)識(shí)別故障線路及定位故障區(qū)段。考慮不同接地電阻、故障角、故障距離，以及環(huán)境噪聲和采樣不同步的影響，進(jìn)行仿真分析和實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證。仿真和實(shí)驗(yàn)結(jié)果表明，該方法能夠有效識(shí)別故障線路并定位故障區(qū)段。

諧振接地系統(tǒng)；單相接地故障；故障選線；故障區(qū)段定位；非監(jiān)督學(xué)習(xí)

0 引言

近年來(lái)，隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展，我國(guó)電力事業(yè)呈上升發(fā)展趨勢(shì)。配電網(wǎng)是電力系統(tǒng)中直接與用戶聯(lián)系的環(huán)節(jié)，其覆蓋面廣，相對(duì)輸電網(wǎng)的故障概率更高。隨著配電網(wǎng)規(guī)模的不斷擴(kuò)大，對(duì)配電網(wǎng)安全、可靠、經(jīng)濟(jì)運(yùn)行的重視程度隨之提升，相應(yīng)要求也越來(lái)越高。在小電流接地系統(tǒng)中，若發(fā)生單相接地故障持續(xù)惡化，則可能引發(fā)短路故障，甚至導(dǎo)致人身觸電等安全事故，因此有必要進(jìn)行故障選線及區(qū)段定位，并及時(shí)消除故障。在諧振接地系統(tǒng)中，消弧線圈的補(bǔ)償作用雖能限制短路電流，但會(huì)導(dǎo)致故障電流微弱。

目前，關(guān)于配電網(wǎng)單相接地故障選線及區(qū)段定位的研究方興未艾，但現(xiàn)有研究尚不能應(yīng)對(duì)現(xiàn)場(chǎng)的復(fù)雜工況。由于消弧線圈的影響，故障穩(wěn)態(tài)電流微弱易受干擾[1-2]。故障后數(shù)個(gè)周波的暫態(tài)信息豐富，基于暫態(tài)量的選線方法逐漸成為主流。近年來(lái)，結(jié)合現(xiàn)代信號(hào)處理技術(shù)如小波變換[3]、S變換[4]、希爾伯特-黃變換[5]等提取電氣量的特征信息作為故障選線的基礎(chǔ)，但暫態(tài)信號(hào)易受諧波、過(guò)渡電阻及故障電弧等多種因素影響，可靠性有待提升。配電網(wǎng)單相接地故障區(qū)段定位方法基于故障信息[6-7]或外加信號(hào)[8]，但在實(shí)際應(yīng)用中往往需要人為設(shè)置閾值來(lái)判斷故障是否發(fā)生，難以適應(yīng)單相接地故障的多樣性，而引入機(jī)器學(xué)習(xí)可以實(shí)現(xiàn)自適應(yīng)提取原始波形的故障特征并實(shí)現(xiàn)智能分類，有效解決微弱故障信號(hào)的提取與判別問(wèn)題。

隨著機(jī)器學(xué)習(xí)的發(fā)展，其已逐步應(yīng)用于諧振接地系統(tǒng)單相接地故障選線與區(qū)段定位中[9]。監(jiān)督學(xué)習(xí)算法可自適應(yīng)提取原始波形的故障特征并實(shí)現(xiàn)智能分類，無(wú)需人為進(jìn)行特征選取和分類器選擇，可更好地適應(yīng)復(fù)雜故障類型。但是，監(jiān)督式學(xué)習(xí)方法往往需要大量樣本數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，而配電網(wǎng)發(fā)生單相接地故障次數(shù)少、隨機(jī)性強(qiáng)，難以獲取大量故障實(shí)測(cè)數(shù)據(jù)，因此監(jiān)督式學(xué)習(xí)方法無(wú)法適用于現(xiàn)場(chǎng)實(shí)際工況。非監(jiān)督式學(xué)習(xí)[10-11]則可有效解決此問(wèn)題。

綜上所述，本文提出一種基于自組織神經(jīng)網(wǎng)絡(luò)（self-organizing map, SOM）和K均值聚類的非監(jiān)督式學(xué)習(xí)故障選線與區(qū)段定位方法。當(dāng)發(fā)生單相接地故障時(shí)，各線路的暫態(tài)零序電流波形具有非線性特性，故障線路的暫態(tài)零序電流波形與健全線路的暫態(tài)零序電流波形存在差異，即二者在故障后的半個(gè)周波相反。故障點(diǎn)上、下游的暫態(tài)零序電流波形在故障后半個(gè)周波相反。利用自學(xué)習(xí)故障特征的SOM提取各饋線及故障線路的各區(qū)段故障后半個(gè)周波暫態(tài)零序電流波形的特征，作為免設(shè)定閾值的K均值聚類算法的輸入，進(jìn)而判別故障線路及故障區(qū)段。

本文首先對(duì)零序電流進(jìn)行分析，介紹SOM算法與K均值聚類算法的基本原理，然后說(shuō)明利用SOM和K均值聚類算法進(jìn)行故障選線與區(qū)段定位的過(guò)程，最后利用Matlab對(duì)本文所提方法在不同過(guò)渡電阻、接地點(diǎn)、故障角及考慮不同信噪比和采樣不同步的情況進(jìn)行仿真研究，并采用實(shí)驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證。

1 零序電流特征分析

配電網(wǎng)典型拓?fù)浣Y(jié)構(gòu)為輻射型網(wǎng)絡(luò)，中性點(diǎn)經(jīng)消弧線圈接地，10kV諧振接地系統(tǒng)如圖1所示，系統(tǒng)發(fā)生單相接地故障時(shí)的零序等效電路如圖1（b）所示[12]。其中，f和f分別為故障電壓和故障過(guò)渡電阻；0n和0n（=1, 2,…,，為饋線數(shù)）分別為第條饋線的零序電流和對(duì)地電容；0nm和0nm（=1, 2,…,，為區(qū)段數(shù)）分別為第條饋線的第個(gè)區(qū)段的零序電流和對(duì)地電容；和r分別為消弧線圈的電感和電阻；i和d分別為流過(guò)消弧線圈和故障點(diǎn)的零序電流。

消弧線圈通常采用過(guò)補(bǔ)償方式，此時(shí)健全線路首端測(cè)得的零序電流為線路本身電容電流，故障線路首端測(cè)得的零序電流為全系統(tǒng)健全線路電容電流與消弧線圈電感電流之和，故障點(diǎn)上游的零序電流為該區(qū)段首端到母線處電容電流、消弧線圈電感電流與全系統(tǒng)健全線路電容電流之和，故障點(diǎn)下游的零序電流為各區(qū)段測(cè)量點(diǎn)至線路末端所有區(qū)段的電容電流。因故障后暫態(tài)過(guò)程的振蕩頻率較高，消弧線圈無(wú)法立即補(bǔ)償故障暫態(tài)零序電流。故障點(diǎn)接地電流在故障后短時(shí)間內(nèi)主要由暫態(tài)電容電流和暫態(tài)電感電流組成。在暫態(tài)初期，故障電流主要取決于暫態(tài)電容電流，此時(shí)故障線路的暫態(tài)零序電流幅值遠(yuǎn)大于健全線路的暫態(tài)零序電流幅值，極性相反，故障點(diǎn)上游的暫態(tài)零序電流幅值遠(yuǎn)大于下游的暫態(tài)零序電流幅值，極性相反。因此，可利用該特性實(shí)現(xiàn)故障選線及區(qū)段定位。

圖1 10kV諧振接地系統(tǒng)

2 故障選線及區(qū)段定位方法

2.1 SOM算法

SOM是一種無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)[13]，其拓?fù)浣Y(jié)構(gòu)如圖2所示。它是由輸入層和輸出層構(gòu)成的兩層網(wǎng)絡(luò)，輸入層神經(jīng)元的數(shù)量由輸入樣本數(shù)量決定，輸出層神經(jīng)元按照一定方式排列，形成一個(gè)平面。兩層神經(jīng)元之間通過(guò)權(quán)值相互連接。在每個(gè)輸入樣本的自我學(xué)習(xí)過(guò)程中，SOM輸出層的一個(gè)神經(jīng)元會(huì)被激活，該神經(jīng)元與輸入樣本距離最短，被定義為輸出層的獲勝節(jié)點(diǎn)，然后獲勝神經(jīng)元和鄰近神經(jīng)元進(jìn)行相應(yīng)調(diào)整和更新。

圖2 SOM拓?fù)浣Y(jié)構(gòu)

輸出層的各個(gè)神經(jīng)元相互影響，訓(xùn)練后的鄰近的神經(jīng)元節(jié)點(diǎn)具有相近的權(quán)值，因此SOM輸出層神經(jīng)元節(jié)點(diǎn)的空間位置與連接權(quán)值體現(xiàn)了輸入樣本的內(nèi)在聯(lián)系，具有相近屬性的輸入樣本會(huì)反映在SOM的網(wǎng)絡(luò)拓?fù)渖?。?duì)樣本進(jìn)行自我學(xué)習(xí)后的SOM會(huì)產(chǎn)生一系列對(duì)應(yīng)的權(quán)值平面圖如圖3所示，反映輸入層神經(jīng)元與輸出層神經(jīng)元之間的權(quán)重關(guān)系。圖3的橫縱坐標(biāo)對(duì)應(yīng)輸出層神經(jīng)元的位置。若第個(gè)輸入層神經(jīng)元與輸出層某神經(jīng)元之間沒(méi)有關(guān)聯(lián)，則在權(quán)值平面圖中用黑色表示；若第個(gè)輸入層神經(jīng)元與輸出層某神經(jīng)元為負(fù)關(guān)聯(lián)，即連接權(quán)值為負(fù)數(shù)，則在權(quán)值平面中用藍(lán)色表示，權(quán)值絕對(duì)值大小反映為圖中對(duì)應(yīng)顏色的深淺程度；若第個(gè)輸入層神經(jīng)元與輸出層某神經(jīng)元為正關(guān)聯(lián)，即連接權(quán)值為正數(shù)，則在權(quán)值平面中用紅色表示，同樣地，權(quán)值絕對(duì)值大小反映為圖中對(duì)應(yīng)顏色的深淺程度。

在SOM中輸入若干條線路的零序電流波形數(shù)據(jù)后，可以得到對(duì)應(yīng)的一系列權(quán)值平面圖。權(quán)值平面圖對(duì)應(yīng)不同線路的零序電流波形，反映輸入層神經(jīng)元對(duì)輸出層神經(jīng)元的權(quán)值連接關(guān)系，再結(jié)合K均值聚類算法，可識(shí)別出故障線路。

圖3 權(quán)值平面圖

2.2 K均值聚類算法

K均值聚類算法是基于樣本間相似度的一種聚類算法，它把個(gè)對(duì)象分為類，具有較高相似度的屬于同一類。

式中：為輸入數(shù)據(jù)；為類別數(shù)；為×1的矩陣，存儲(chǔ)每一組數(shù)據(jù)所屬類別；為×的矩陣，存儲(chǔ)每一類數(shù)據(jù)的聚類中心；k-means(?)為K均值聚類 運(yùn)算。

K均值聚類算法的聚類過(guò)程[14]如下：

1）選擇一個(gè)值，確定簇的總數(shù)。

2）確定初始分類，把數(shù)據(jù)分為類作為初始化的簇中心?？扇我獍才庞?xùn)練樣本，也可把第一個(gè)訓(xùn)練樣本作為單元族類，將剩余的訓(xùn)練樣本通過(guò)計(jì)算歐式距離賦給距離其最近的簇中心。每次安排完成后，重新計(jì)算每個(gè)簇的平均值。

3）若新的平均值等于上一步計(jì)算的平均值，則終止該過(guò)程。

4）若新的平均值不等于步驟2）的值，則重復(fù)步驟2）和步驟3）。

2.3 基于SOM-K均值聚類算法的故障選線及區(qū)段定位過(guò)程

基于SOM和K均值聚類的SOM-K算法是一種新的無(wú)監(jiān)督的波形聚類方法。基于SOM-K算法的故障選線過(guò)程可分為四個(gè)階段：第一階段，以零序電壓是否越線作為啟動(dòng)判據(jù)，判斷是否發(fā)生單相接地故障；第二階段，將故障后半周波的線路零序電流作為SOM的輸入，通過(guò)SOM訓(xùn)練獲得反映線路零序電流波形特征的權(quán)值平面圖；第三階段，采用余弦距離對(duì)權(quán)值平面圖進(jìn)行相關(guān)性評(píng)價(jià)，從而獲得相關(guān)矩陣，相關(guān)矩陣的每一列表示線路與其他線路之間的相關(guān)程度，接著將相關(guān)矩陣各列輸入K均值聚類算法中，得到故障選線結(jié)果；第四階段，將故障后半周波的故障線路各區(qū)段零序電流作為SOM的輸入，重復(fù)第二階段和第三階段，得到區(qū)段定位結(jié)果?；赟OM-K算法的故障選線及區(qū)段定位流程如圖4所示。

3 仿真研究

3.1 仿真模型

用Matlab/Simulink搭建10kV諧振接地系統(tǒng)仿真模型[15]如圖5所示，主變壓器參數(shù)見(jiàn)表1，線路參數(shù)見(jiàn)表2[15]。消弧線圈的過(guò)補(bǔ)償度取5%，其電感=1/1.05×1/(32Σ)=0.737 4H，其中為角頻率，Σ為系統(tǒng)等效對(duì)地電容，消弧線圈有功損耗約為感性損耗的2.5%～3%，本文取3%，計(jì)算得到電阻r為6.949 8W。負(fù)荷用等效阻抗(100+j40)W代替。圖5所示的仿真模型有3條線路L1、L2、L3，線路L1有4個(gè)區(qū)段S1、S2、S3、S4，線路測(cè)量點(diǎn)為CT11、CT21、CT31，區(qū)段測(cè)量點(diǎn)為CT11、CT12、CT13、CT14、CT15。

3.2 仿真驗(yàn)證

小電流接地系統(tǒng)單相接地故障的暫態(tài)過(guò)程除受故障時(shí)刻（即故障角）影響外，還與過(guò)渡電阻、故障距離等因素有關(guān)。在單相接地故障發(fā)生后，取半周波的零序電流數(shù)據(jù)進(jìn)行歸一化處理，得到無(wú)量綱的標(biāo)準(zhǔn)數(shù)據(jù)，歸一化公式為

圖4 基于SOM-K算法的故障選線及區(qū)段定位流程

圖5 10kV諧振接地系統(tǒng)仿真模型

表1 主變壓器參數(shù)

表2 線路參數(shù)

設(shè)置故障角為45°，過(guò)渡電阻為50W，故障點(diǎn)在圖5中線路L1的F3處，故障后各線路零序電流波形如圖6所示，將歸一化后的數(shù)據(jù)輸入SOM進(jìn)行運(yùn)算。基于Matlab平臺(tái)，定義SOM輸入層神經(jīng)元個(gè)數(shù)為3，輸出層神經(jīng)元個(gè)數(shù)為20×20，選取輸出層拓?fù)浣Y(jié)構(gòu)為片狀六邊形網(wǎng)絡(luò)，訓(xùn)練次數(shù)200次。輸入樣本經(jīng)過(guò)SOM計(jì)算后，可以得到線路權(quán)值平面圖如圖7所示，圖7中橫縱坐標(biāo)對(duì)應(yīng)輸出層神經(jīng)元的位置。

圖6 各線路零序電流波形

圖7 線路權(quán)值平面圖

圖7所示權(quán)值平面圖反映輸入層單個(gè)神經(jīng)元對(duì)輸出層所有神經(jīng)元的權(quán)值，本文對(duì)3條線路進(jìn)行處理，即輸入層神經(jīng)元數(shù)量為3，因此采用維度為3×400的矩陣表示所有權(quán)值平面圖的權(quán)值。通過(guò)計(jì)算維度為3×400的權(quán)值矩陣中不同行之間的余弦距離來(lái)衡量各線路零序電流波形的相關(guān)性。余弦距離的計(jì)算公式為

式中：x、y分別為權(quán)值矩陣中行、行的第個(gè)元素；為權(quán)值矩陣的列數(shù)，這里=400

經(jīng)式（3）計(jì)算后，可得相關(guān)矩陣為

相關(guān)矩陣的每一列反映了某一線路與其他線路之間的相關(guān)程度，將每列向量輸入K均值聚類算法中，可得聚類結(jié)果為=[2 1 1]。故障線路聚類結(jié)果與健全線路聚類結(jié)果不同，由此可判斷故障線路為線路L1。

在選線的基礎(chǔ)上進(jìn)行區(qū)段定位工作，選取故障線路L1上的各個(gè)區(qū)段零序電流波形如圖8所示。將歸一化后的數(shù)據(jù)輸入SOM進(jìn)行運(yùn)算，輸入層神經(jīng)元數(shù)量為5，經(jīng)過(guò)SOM計(jì)算后得到區(qū)段定位權(quán)值平面圖如圖9所示。經(jīng)過(guò)式（3）的計(jì)算后，得到相關(guān)矩陣如式（5）所示。將相關(guān)矩陣的每一列輸入K均值聚類算法中，得到聚類結(jié)果=[1 1 1 2 2]。根據(jù)得到的聚類結(jié)果，CT11、CT12和CT13測(cè)量點(diǎn)在故障點(diǎn)上游，CT14和CT15測(cè)量點(diǎn)在故障點(diǎn)下游，因此判斷故障區(qū)段為區(qū)段S3。

圖9 區(qū)段定位權(quán)值平面圖

1）不同故障距離的故障選線

設(shè)置故障距離分別為5km、13km、19km，故障發(fā)生在線路L1，接地電阻g=50W，故障角=45°，仿真得到不同故障距離的線路權(quán)值平面圖如圖10所示，選線結(jié)果見(jiàn)表3。圖10中點(diǎn)劃線框表示在同一線路下不同故障距離的權(quán)值平面圖。

圖10 不同故障距離的線路權(quán)值平面圖

2）不同故障角的故障選線

設(shè)置故障角分別為5°、45°、90°，接地電阻g=50W，故障發(fā)生在線路L2，故障距離設(shè)置為距離母線10km處，仿真并計(jì)算發(fā)生接地故障后L1～L3之間的權(quán)值平面圖，選線結(jié)果見(jiàn)表3。

3）不同接地電阻的故障選線

選取故障時(shí)刻的接地電阻g分別為50W、200W、500W，故障角=45°，故障發(fā)生在線路L3，故障距離設(shè)置為距離母線10km處，仿真并計(jì)算發(fā)生接地故障后L1～L3之間的權(quán)值平面圖，選線結(jié)果見(jiàn)表3。

表3 不同故障情況下的選線結(jié)果

4）不同過(guò)渡電阻的故障區(qū)段定位

選取故障時(shí)刻的接地電阻g分別為50W、200W、500W，故障角=45°，故障發(fā)生在線路L1的區(qū)段S1，仿真并計(jì)算發(fā)生接地故障后S1～S4之間的權(quán)值平面圖，區(qū)段定位結(jié)果見(jiàn)表4。

5）不同故障角的故障區(qū)段定位

設(shè)置故障角分別為5°、45°、90°，接地電阻g=50W，故障發(fā)生在線路L1的區(qū)段S2，仿真并計(jì)算接地故障后S1～S4之間的權(quán)值平面圖，區(qū)段定位結(jié)果見(jiàn)表4。

表4 不同故障情況下的區(qū)段定位結(jié)果

表3與表4表明，在所列的故障工況下，本文所提方法能對(duì)不同接地電阻、不同故障角和不同故障距離下的接地故障實(shí)現(xiàn)準(zhǔn)確選線及區(qū)段定位。

3.3 適應(yīng)性分析

在實(shí)際現(xiàn)場(chǎng)中，測(cè)量裝置采樣不同步及環(huán)境噪聲會(huì)干擾故障選線及區(qū)段定位結(jié)果，因此需要對(duì)本文所提方法進(jìn)行采樣不同步及環(huán)境噪聲的適應(yīng)性 分析。

1）考慮采樣不同步和環(huán)境噪聲的故障選線

考慮采樣不同步時(shí)，分別設(shè)置采樣不同步的電流互感器為CT11、CT21，采樣不同步的電流互感器滯后1個(gè)周期；考慮環(huán)境噪聲時(shí)，分別設(shè)置信噪比為30dB、45dB。故障發(fā)生在線路L1，接地電阻g=50W，故障角為5°、45°、90°，故障距離為13km，仿真并計(jì)算接地故障后L1～L3之間的權(quán)值平面圖，采樣不同步的選線結(jié)果見(jiàn)表5，不同信噪比的選線結(jié)果見(jiàn)表6。

表5 采樣不同步的選線結(jié)果

表6 不同信噪比的選線結(jié)果

2）考慮采樣不同步和環(huán)境噪聲的故障區(qū)段定位

考慮采樣不同步時(shí)，分別設(shè)置采樣不同步的電流互感器為CT11、CT12，采樣不同步的電流互感器滯后1個(gè)周期；考慮環(huán)境噪聲時(shí)，分別設(shè)置信噪比為30dB、45dB。故障發(fā)生在區(qū)段S3，接地電阻g=50W，故障角為5°、45°、90°，仿真并計(jì)算接地故障后S1～S4之間的權(quán)值平面圖，采樣不同步的區(qū)段定位結(jié)果見(jiàn)表7，不同信噪比的區(qū)段定位結(jié)果見(jiàn)表8。

表5～表8表明，本文所提方法考慮采樣不同步及環(huán)境噪聲的影響，能夠準(zhǔn)確實(shí)現(xiàn)故障選線及區(qū)段定位。

3.4 實(shí)物驗(yàn)證

為了進(jìn)一步驗(yàn)證本文方法的有效性，由0.4kV的物理模擬系統(tǒng)獲取20組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證。0.4kV物理模擬系統(tǒng)如圖11所示，0.4kV物理模擬系統(tǒng)線路拓?fù)淙鐖D12所示，測(cè)試結(jié)果見(jiàn)表9。

表7 采樣不同步的區(qū)段定位結(jié)果

表8 不同信噪比的區(qū)段定位結(jié)果

圖11 0.4kV物理模擬系統(tǒng)

圖12 0.4kV物理模擬系統(tǒng)線路拓?fù)?/p>

表9 實(shí)驗(yàn)數(shù)據(jù)測(cè)試結(jié)果

與仿真數(shù)據(jù)相比，實(shí)驗(yàn)獲取的數(shù)據(jù)隨機(jī)性較大，導(dǎo)致20組實(shí)驗(yàn)數(shù)據(jù)中的一組實(shí)驗(yàn)數(shù)據(jù)選段結(jié)果不正確，選段準(zhǔn)確率為95%。

4 結(jié)論

本文采用SOM算法對(duì)故障后半個(gè)周波的各線路及各區(qū)段的暫態(tài)零序電流波形進(jìn)行特征提取，比較各線路間及各區(qū)段間的相關(guān)性，并結(jié)合K均值聚類進(jìn)行故障選線及區(qū)段定位。針對(duì)不同故障情況分別進(jìn)行仿真分析并計(jì)算，得到的結(jié)果滿足故障選線及區(qū)段定位正確性的要求，證明本文所提SOM-K算法在不同接地電阻、故障角、故障距離下均具有良好的適用性?？紤]采樣不同步、環(huán)境噪聲的影響，對(duì)本文所提方法進(jìn)行適應(yīng)性分析，結(jié)果表明本文所提方法具有良好的抗干擾性。采用實(shí)驗(yàn)數(shù)據(jù)對(duì)本文方法進(jìn)行驗(yàn)證，所得結(jié)果進(jìn)一步證明了本文方法的有效性。

[1] 束洪春. 配電網(wǎng)絡(luò)故障選線[M]. 北京: 機(jī)械工業(yè)出版社, 2008.

[2] 潘嵩, 鞠振河. 基于小波包分析的故障選線方法研究[J]. 沈陽(yáng)工程學(xué)院學(xué)報(bào)（自然科學(xué)版）, 2020, 16(4): 7-11.

[3] 王康, 高偉, 楊耿杰. 基于高頻分量的配電網(wǎng)高阻接地故障識(shí)別[J]. 電氣技術(shù), 2022, 23(2): 61-66, 87.

[4] 殷浩然, 苗世洪, 郭舒毓, 等. 基于S變換相關(guān)度和深度學(xué)習(xí)的配電網(wǎng)單相接地故障選線新方法[J]. 電力自動(dòng)化設(shè)備, 2021, 41(7): 88-96.

[5] 謝李為, 曾祥君, 柳祎璇. 基于VMD-Hilbert變換的故障行波定位研究[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(16): 75-81.

[6] 鄧豐, 徐帆, 曾哲, 等. 基于多源暫態(tài)信息融合的單端故障定位方法[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(13): 3201-3212.

[7] LIN Cheng, GAO Wei, GUO Moufa. Discrete wavelet transform-based triggering method for single-phase earth fault in power distribution systems[J]. IEEE Transactions on Power Delivery, 2019, 34(5): 2058- 2068.

[8] 王靜, 李澤滔. 配電網(wǎng)故障定位算法研究綜述[J]. 智能計(jì)算機(jī)與應(yīng)用, 2020, 10(3): 228-231, 235.

[9] GUO Moufa, ZENG Xiaodan, CHEN Duanyu, et al. Deep-learning-based earth fault detection using continuous wavelet transform and convolutional neural network in resonant grounding distribution systems[J]. IEEE Sensors Journal, 2018, 18(3): 1291-1300.

[10] 喻錕, 胥鵬博, 曾祥君, 等. 基于模糊測(cè)度融合診斷的配電網(wǎng)接地故障選線[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(3): 623-633.

[11] 林駿捷, 林佳壕, 郭謀發(fā). 基于多暫態(tài)特征量聚類的配電網(wǎng)接地故障區(qū)段定位方法[J]. 電氣技術(shù), 2023, 24(5): 16-22.

[12] 楊耿杰, 許曄, 高偉, 等. 基于能量譜相似度自適應(yīng)聚類的配電網(wǎng)接地故障區(qū)段定位方法[J]. 電力自動(dòng)化設(shè)備, 2021, 41(3): 25-32.

[13] SANGOLE A P, LEONTITSIS A. Spherical self- organizing feature map: an introductory review[J]. International Journal of Bifurcation and Chaos, 2006, 16(11): 3195-3206．

[14] 魏科文, 張靖, 何宇, 等. 基于VMD和相關(guān)性聚類的諧振接地系統(tǒng)單相接地故障選線[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(22): 105-113.

[15] 郭謀發(fā). 配電網(wǎng)單相接地故障人工智能選線[M]. 北京: 中國(guó)水利水電出版社, 2020.

Fault line detection and fault section location method in resonant grounding systems based on SOM and K-means clustering

OU Yizhe ZHU Xi

(Zhangzhou Power Supply Company, State Grid Fujian Electric Power Co., Ltd, Zhangzhou, Fujian 363000)

When a single line to ground fault occurs in a resonant grounding system, the fault current is weak, and the ambient noise further weakens the fault current, making it difficult to obtain field data. This paper presents an algorithm for line selection and section location based on self-organizing map (SOM) and K-means clustering. Compared with the supervised learning algorithm, this method can extract fault features faster and does not require a large number of samples for training. The fault features extracted by the SOM algorithm are used as the input of K-means clustering, and no threshold is needed to identify fault lines and locate fault segments. Considering different ground resistance, fault angle, and fault distance, as well as the influence of environmental noise and sampling asynchrony, simulation analysis and experimental data validation are conducted. Simulation and experimental results show that this method can effectively identify fault lines and locate fault segments.

resonant grounding system; single line to ground fault; fault line detection; fault section location; unsupervised learning

2023-07-14

2023-08-23

歐逸哲（1991—），男，福建漳州人，工程師，主要從事電網(wǎng)調(diào)控運(yùn)行工作。

國(guó)網(wǎng)福建省電力有限公司漳州供電公司項(xiàng)目“基于相電流變化的配電網(wǎng)接地故障選段方法研究”（5213502100XG）