1.一种基于故障诊断的配电网线路参数辨识方法,其特征在于,包括:采集配电网各条线路首末端点实时的电压信号和功率信号;
对实时的电压信号和功率信号进行去噪与缺失值增补处理,得到实时量测数据特征向量;
获取配电网首末端点历史的电压信号和功率信号;
构建历史量测数据特征向量;
对历史量测数据特征向量和实时量测数据特征向量同时进行归一化处理;
将经过归一化处理的历史量测数据向量分成多组,采用遗传算法计算每组的最优权值,以多组最优权值的平均值为GA-Elman神经网络的初始权值;
将归一化处理后的配电网首末端点的历史量测数据向量划分为训练集和测试集;历史量测数据向量作为GA-Elman神经网络的输入,对应故障复合判定结果的数字作为GA-Elman神经网络的输出,选择训练集结合GA-Elman神经网络的初始权值,对GA-Elman神经网络进行训练;
将测试集输入训练完成的GA-Elman神经网络,以实现故障诊断;
将故障诊断后的配电网结构进行绘制,得到配电网结构图,配电网结构图包括有故障节点、故障判定结果及故障所在区域;
采用最小二乘法对整个正常运行的配电网进行线路参数的辨识;
计算配电网辨识线路参数精度。
2.根据权利要求1所述的配电网线路参数辨识方法,其特征在于,所述对实时的电压信号和功率信号进行去噪与缺失值增补处理,得到实时量测数据特征向量,包括:将采集的电压信号、功率信号等量测数据进行分类,分为不同节点对应的有功功率、无功功率与电压幅值三类;
将有功功率、无功功率与电压幅值等量测数据在各自类别中按从小到大的顺序排列;
计算全部数据的平均值avg;
计算算数平均值和标准差的估计量y;
计算统计量gd:
将gd与Grubbs检验法的临界值表查得的g(a,n)进行比较,如果gd
采用同类均值插补法,根据去噪过程中已完成分类的数据来判定数据类别,利用每类样本中样本的均值来插补缺失值。
3.根据权利要求1所述的配电网线路参数辨识方法,其特征在于,所述对历史量测数据特征向量和实时量测数据特征向量同时进行归一化处理,包括:根据以下公式对历史量测数据特征向量和实时量测数据特征向量同时进行归一化处理:其中,Tqh、Tq*分别为经过归一化处理的历史量测数据向量与实时量测数据向量;Uqh、Pqh、Qqh分别为历史量测的电压向量、有功功率向量、无功功率向量;Uqc、Pqc、Qqc分别为经过归一化处理的实时量测电压向量、有功功率向量、无功功率向量;Uq*=100kV,Pq*=1000MVA,Qq*=1000MVA。
4.根据权利要求1所述的配电网线路参数辨识方法,其特征在于,所述故障复合判定结果包括正常状态、一般故障、中级故障以及严重故障。
5.根据权利要求1所述的配电网线路参数辨识方法,其特征在于,所述采用最小二乘法对整个正常运行的配电网进行线路参数的辨识,包括:构建配电网线路参数辨识方程,配电网节点s为起始节点;节点m为中间节点;末端节点tk,k=1,2,…,n;配电网功率流向为节点s流入,由末端节点tk流出;线路待辨识参数为电阻与电抗;对中间节点m到末端节点tk中任一线路,在i时刻满足如下公式:其中,为i时刻节点m的电压;为i时刻节点tk的电压;为i时刻中间节点m到末端节点tk这条线路上的电流;为中间节点m到末端节点tk这条线路上的阻抗;为中间节点m到末端节点tk这条线路上的电阻;为中间节点m到末端节点tk这条线路上的电抗;j为电抗的虚部单位;
将拆解为与方向相垂直的横分量以及与水平的纵分量横分量与纵分量表示为:末端节点tk在i时刻有功功率与无功功率为:
与四者间的关系如下:
可得:
其中,i=1,2,…,T;T为测量系统时间断面,为i时刻电压与电流之间的夹角;为所建立的关于节点tk的电压方程;
将正常或恢复正常运行后的完整配电网实时量测数据输入参数辨识与验证模块,采用最小二乘法对配电网线路参数进行辨识,得到线路参数辨识结果。
6.根据权利要求1所述的配电网线路参数辨识方法,其特征在于,所述配电网辨识线路参数精度,包括:根据以下公式计算配电网辨识线路参数精度:
其中,w为配电网辨识线路参数精度;θ′是参数辨识结果,θ是参数真实值。