分布式电源对配电网故障定位的影响（Python代码实现）

本文目录

⛳️赠与读者

从事科研工作需要建立一个深层的思想体系。

要求科研工作者具备缜密的逻辑思维能力和扎实的工作态度。

往往借助外力比单纯的努力更为关键。

要有远大的创新思维与启发性的思考能力。

按照目录顺序逐步阅读各章内容。

也许雨后天高会更清新透彻......

查看更多相关文章请关注我们的官方账号！

在知识海洋中遨游时要保持专注与好奇！

💥1 概述

随着全球社会的发展趋势日益明显地体现出对能源的需求越来越高，在现代生活中电力已经成为不可或缺的基础能源之一。各类为民众提供电力资源的企业都面临着如何有效管理发电、输电及配电等环节的问题。尽管近年来在电力系统的安全性建设方面已经取得了一定的进步成果但在保障能源供应服务连续性方面仍存在较大的提升空间。以巴西为例通过配电服务的连续性指标能够量化衡量不同地区的电力供应质量水平。根据国家电能署 (Aneel) 的统计数据显示该机构在(PRODIST 2012)报告中列出了两个关键指标即每单位用电电量对应的等效中断持续时间(DEC)与等效中断频率(FEC)两项重要数据指标作为衡量配电服务质量的重要参考依据。
DEC的具体计算方法是在给定计算时间段内观察相关用电单位的电能分配服务中断情况取其平均值所得的时间间隔数值。
而FEC则是指在所考察时间段内单位用电量发生中断事件的频率统计结果。

本研究致力于探讨分布式光伏系统对配电网故障定位能力的潜在影响。光伏组件的尺寸设计基于该配电网络的穿透特性。通过在 OpenDSS 平台上的仿真测试,能够获取变电站节点电压和电流数据。研究团队将这些测试数据存储于数据库中,并用于训练一种基于多层感知机的技术,这种技术能够以90%的成功率准确识别电路中是否存在由分布式光伏发电引发的问题,并确定其可能影响的具体地理区域范围。

MLP

MLP 是一种逐层处理信息的神经网络体系结构。该体系由输入层级、若干个隐藏层级以及输出层级组成，在每一层级中都会对数据进行特定的操作处理。其中输入层级负责接收外部信息作为处理的基础，并将这些信息传递给第一个隐藏层级进行初步的特征提取；接着每一个隐藏层级通过复杂的映射关系对数据进行转换；最后输出层级生成最终结果供系统使用。其基本组成单元类似于生物体内的神经细胞，在每一级中都配备了一个偏置节点来处理零值输入的情况。

此外，参考 [Goodfellow等人, 2016] ，MLP本质上就是一个函数y=f(x;θ)，它通过优化参数θ将输入x映射到输出y。进一步说明，《机器学习实践》一书中指出，感知器的工作原理是对输入进行加权相加，并根据其符号对总和进行量化处理。具体来说，请参见以下公式

此外，在深度学习领域中, Multi-Layer Perceptron (MLP)是一种基本的神经网络模型,它由多个线性层与非线性激活函数层组成. MLP通过逐层学习特征表示,能够有效地处理复杂的非线性问题.

其中hw对应于感知器的输出结果,x为输入数值,w为赋予每个输入单元的权重系数,step对应于将总和进行离散化的处理过程,也可以选择Heaviside函数或信号函数作为其总和离散化的基础

通过反向传播技术来调节MLP的权重是一种有效的方法。其中，在确定神经网络的前向权重及其总的误差之后（即确定好当前各层节点输出与其期望输出之间的差异后），通过反向传播计算每个权重对应的误差贡献，并进而提出了一种能够在每次迭代中使总的误差减小的新权重设定方法。为了确保这一方法的有效性，在选择替代激活函数时需要考虑其光滑性与非饱和特性之间的平衡关系：传统的阶跃激活函数已被更平滑的替代激活函数取代。例如我们可以采用逻辑回归模型中的sigmoid函数双曲正切模型或深度学习框架中提供的整流线性单元ReLU等替代方案如等式所示：

其具体来说，在数学表达中,hw,b(x)被用作ReLU函数,而b则被用作偏差值参数.另外一种方法是,通过计算函数梯度采用反向传播方法,从而实现利用随机梯度下降进行优化.

目标

本文旨在探讨分布式光伏发电对径向配电网络故障定位的影响。光伏系统尺寸根据该电路穿透能力设计，在OpenDSS软件平台下进行故障仿真研究，在此过程中获取变电站电压与电流数据。这些数据被存储于数据库中，并用于训练一种基于多层感知器的神经网络模型。该模型能够以90%的成功率识别电路中是否存在六个可能地理区域之间的故障位置及其类型与地理位置关系。本研究的主要目标在于验证GDFV技术在配电系统故障定位中的应用价值；为此设定的具体目标包括：在馈线穿透极限下设计不同配置的光伏系统并评估其功率传输性能；以及模拟负荷曲线不同点处馈线所有母线发生的故障情况并分析其特征与分布规律。为了实现上述目标，需要开发能够自动检测并分类 faults 的算法

分布式电源对配电网故障定位的影响研究

一、分布式电源的特点及其对配电网的影响

定义与分类
分布式电源（Distributed Generation, DG）是布置于用户端或负荷中心的小型发电系统。其容量范围通常介于数千瓦至数十兆瓦之间，并涵盖光伏技术、风电技术等多种类型。这些技术的主要特点在于具有就近供电特性显著；环保高效；同时具备灵活接入配电网的能力（其中配电网限定在10kV及以下电压等级且单点容量不超过6MW）。值得注意的是，在实际应用中这些特点的具体表现可能会因具体配置而有所不同。

对配电网结构的改变
DG接入后使配电网从单一来源放射状布局演变成为包含多个来源的复杂网络架构，在这种转变下潮流走向也发生了明显变化——由单一方向流向转向双向或多向流动。例如，在故障发生时主电网与多个DG可能同时提供侧向支撑并在故障点共同注入电流从而导致短路电流分布特性发生显著变化

关键影响机制 * 故障电流特性变化 ：DG提供的短路电流可能导致上游保护装置灵敏度降低（如馈线保护拒动）或非故障线路保护误动。例如，DG接入母线下游时，其分流作用可能使主电源侧保护装置检测到的故障电流减小，导致保护范围缩小。
* 接地方式兼容性 ：DG的接地方式需与配电网保持一致。例如，大电流接地系统中DG可能通过非故障相提供电流，而小电流接地系统中需依赖零序电压保护。
* 动态响应特性 ：逆变型DG（如光伏）的故障电流受控制器影响较大，其幅值通常不超过额定值的2倍，且快速脱网特性可能加剧保护配合的复杂性。

二、传统故障定位方法的局限性

传统方法分类 * 稳态法：基于电压与电流的幅值和相位特性进行分析研究，在实际应用中存在以下缺陷：当双电源系统接入时会导致特征识别出现模糊现象；行波法：基于电磁波传播时间差原理展开工作，在现代配电网系统中由于分支众多线路较短的特点，在实际运行过程中往往难以维持理想的电磁场分布状态从而导致信号衰减较为严重；人工智能算法：采用遗传算法和粒子群优化等智能计算技术进行研究求解，在应用过程中需要投入庞大数量的训练数据并且在面对多源故障时其适应性仍然有待进一步提升

具体挑战 * 时间同步问题 ：由于多DG并网导致测量数据出现时序不一致现象，在基于同步相量测量法的应用中容易造成计算结果偏差。

• 网络结构动态变化 ：当DG发生开断或加入时会引起电网结构频繁变换，在传统矩阵算法中需实时更新网络拓扑信息以构建新的关联矩阵。
• 故障信号难以准确定位 ：由于DG设备工作状态不稳其输出电压波动可能导致微小故障信号被掩盖进而影响故障定位质量。

三、分布式电源接入后的故障定位改进方案

1. 算法优化方向 * 智能优化算法改进 ：

• 飞蛾扑火优化（MFO）算法采用二进制编码处理多种方向的故障电流，在33节点系统中实现了单点与多重故障的准确定位任务，并且容错率达到了90%。
• 量子蚁群算法（QACA）融合分级定位模型，在分布式系统环境下实现了故障区段搜索时间减少30%，并且容错性能提升了25%。
• 矩阵算法增强 ：改进后的矩阵算法通过动态调整T形节点信息差异，在DG投切情境中将定位准确率显著提升至98%。

时空图神经网络：
基于同步波形数据的空间-时间特性与电网物理拓扑结构相结合，在高比例分布式 Generation（DG）场景中定位精度达到95%，并且具有优于传统方法的抗噪声性能。

技术融合策略 * 边缘计算与状态估计 ：
通过部署边缘设备构建动态监测系统，在实时捕捉电压和电流瞬态变化的基础上，结合虚拟节点构建扩展网络结构，并实现对接地故障的快速定位和精确识别。

• 行波技术与DG脱网协同 ：
  在架空线路运行过程中，通过重合闸动作实现DG的断开，在网络恢复为单一电源模式后遵循传统的故障定位方法进行定位工作，在测试过程中准确率达到92%以上。

  • 动态正方向定义 ：
    基于潮流方向而非固定电源位置定义开关正方向，适应DG投切导致的拓扑变化，减少算法迭代次数。

工程应用案例 * 深圳10kV配电网 ：基于不超过30% DG容量比例限制并校核相关保护参数设置，在验证阻抗法与方向过电流保护协同工作特性方面取得了成功。

• IEEE 33节点系统 ：改进型多元智能优化算法在单一故障与多重故障工况下实现定位误差均低于2%，相较于传统PSO算法计算效率提升约40%。

四、未来研究方向

1. 不确定性建模：需深入探究DG功率波动对短路电流区间的影响，并构建概率化的故障定位模型。
2. 多源数据融合：利用广域测量系统（WAMS）和物联网（IoT）数据来提升复杂场景下的状态感知能力。
3. 标准体系完善：促进DG接入保护与定位技术的规范化，并遵循统一的技术规范要求。

五、结论

分布式电源接入给配电网故障定位带来了多维度挑战，并促进了定位技术的进步。借助多种算法优化措施如智能优化、矩阵修正等；结合技术融合手段如边缘计算、行波协同；采用工程策略如容量限制和动态方向定义等方法；均能显著提高定位精度与适应性。未来研究应着重于不确定性建模及标准化建设；这些工作将有助于实现高比例可再生能源配电网的安全稳定运行。

📚****2 运行结果

部分代码：

 def plot_5_pv():

    
  
    
     ckt24_plot()
    
     substation, = pylab.plot([11735514.42],[3709460.816],'k^',
    
     markersize=10, label='Substation')
    
     pvsyst, = pylab.plot(
    
     [11740361.09,11745683.27,11740622.95,11740594.66,11735219.81],
    
     [3709237.782,3712746.259,3714771.12,3718243.191,3718067.52],
    
     color='orange', marker='s', markersize=10, linestyle='None',
    
     label='PV System')
    
     blue_patch = mpatches.Patch(color='blue', label='Three-phase lines')
    
     green_patch = mpatches.Patch(color='green', label='Two-phase lines')
    
     red_patch = mpatches.Patch(color='red', label='One-phase lines')
    
     pylab.legend(handles=[substation, pvsyst, blue_patch, green_patch,
    
     red_patch])
    
     pylab.title("5 PV systems")
    
     pylab.show()

def plot_5_pv():

ckt24_plot()
substation unit = pylab.plot([11735514.42],[3709460.816],'k^',
markersize=10, label='Substation unit')
pv system = pylab.plot(
[11740361.09,11745683.27,11740622.95,11740594.66,11735219.81],
[3709237.782,3712746.259,3714771.12,3718243.191,3718067.52],
color='orange', marker='s', markersize=10, linestyle='None',
label='Photovoltaic Power System with Multiple Panels')
blue power line with three phases = mpatches.Patch(color='blue', label='Three-phase lines')
green power line with two phases = mpatches.Patch(color='green', label='Two-phase lines')
red single-phase power line = mpatches.Patch(color='red', label='One-phase lines')
pylab.legend(handles=[substation unit, pv system with multiple panels,
blue power line with three phases,
green power line with two phases,
red single-phase power line])
pylab.title("Power Systems Connected to Substation")
pylab.show()

def plot_5_pv():

def plot_ckt24():
substation, = plt.plot([11735514.42], [3709460.816], 'k^',
markersize=10, label='变电站')
pvsyst, = plt.plot([11740361.09, 11745683.27, 11740622.95, 11740594.66, 11735219.81],
[3709237.782, 3712746.259, 3714771.12, 3718243.19,
3718067.52], color='orange', marker='s', markersize=8,
linestyle=None, label='光伏系统')
blue_patch = mpatches.Patch(color='blue', label='三相线路')
green_patch = mpatches.Patch(color='green', label='二相线路')
red_patch = mpatches.Patch(color='red', label='单相线路')
plt.legend(handles=[substation, pvsyst, blue_patch,
green_patch, red_patch])
plt.title('5台光伏系统')
plt.show()

🎉3********参考文献

部分文章内容源自网络，在文中标注来源或作为参考文献引用的情况下不可避免地存在不足之处。如发现不当之处，请随时联系作者删除。(文章内容仅供参考, 具体效果视运行结果而定)

研究分布式电源接入对其配电网故障定位能力的影响

刘健、张志华与黄炜等的研究探讨了分布式电源接入对配电网故障定位及电压质量的影响及其分析[J]. 《电力建设》期刊, 2015年第一期:第7页.

[3]刘国伟.分布式电源接入对配电网故障定位问题及电压质量影响程度的研究分析[J].信息周刊, 2019(20):1.

🌈4 Python代码实现

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取