基于LSTM-CNN机器学习的配电网故障定位方法

摘要

在配电网发生故障后,多样的故障类型、快速重合闸以及复杂的暂态情形使配电网的实时故障定位充满挑战;现有的故障定位方法易受故障类型、过渡电阻和线路分支等因素的影响,具有一定的局限性.为了突破前述局限性,提出一种考虑配电网故障特征的基于长短期记忆的卷积神经网络的故障定位方法.首先,分析配电网的故障特性,论证正序电压与正序电流数据作为神经网络输入的高效性;其次,对微型同步相量测量单元进行优化配置,并获取故障信息;最后,将处理后的故障数据输入到神经网络中实现对故障区段的识别.结合长短期记忆的卷积神经网络有效地避免了训练过程的过拟合,使得该方法的故障定位准确度明显优于其他机器学习分类器.在IEEE 34和IEEE 37节点配电网中对所提方法进行了仿真验证,结果表明,该方法具有99％ 以上的定位准确度,且不易受故障类型、过渡电阻等因素的影响.