高藝文1，龍 呈1，蘇學(xué)能1，石 鋮，高紅均

(1.國網(wǎng)四川省電力公司電力科學(xué)研究院,四川 成都 610041；2.四川大學(xué)電氣工程學(xué)院,四川 成都 610065)

0 引 言

配電網(wǎng)直接面向終端用戶，和生產(chǎn)生活息息相關(guān)，擔(dān)負(fù)著重要責(zé)任。然而，隨著中國配電網(wǎng)規(guī)模的不斷擴(kuò)大，短路故障發(fā)生的次數(shù)也在不斷增多，若未及時(shí)識別并處理故障，可能會造成設(shè)備燒毀、大面積停電等危害。但是，目前市面上的各類終端質(zhì)量良莠不齊，且施工水平和安裝環(huán)境都有較大的差異。這導(dǎo)致一部分終端可能會在配電網(wǎng)發(fā)生故障后漏報(bào)故障信號或在配電網(wǎng)正常運(yùn)行時(shí)誤報(bào)誤傳故障信號[1]。因此，如何在不完備信息的狀況下快速準(zhǔn)確地辨識、定位和處理配電網(wǎng)短路故障亟需研究。

文獻(xiàn)[2]提出一種基于粗糙集與決策樹的配電網(wǎng)故障診斷算法，實(shí)現(xiàn)了對故障樣本決策表進(jìn)行無教師的規(guī)則提取。文獻(xiàn)[3]基于時(shí)序貝葉斯知識庫建立了故障定位模型，提出了一種故障元件與保護(hù)動(dòng)作之間的時(shí)序信息表達(dá)，充分地利用了報(bào)警和時(shí)序信息。文獻(xiàn)[4]利用最小故障判定區(qū)域這一概念構(gòu)建了故障指示器故障診斷模型，該模型可以一定程度上克服故障定位中信號漏報(bào)誤報(bào)的問題。文獻(xiàn)[5]對故障指示器的特點(diǎn)進(jìn)行了相關(guān)的分析，基于此提出了一種組合信號故障診斷方法；文獻(xiàn)[6]通過對配電網(wǎng)故障后2 ms的零序電流進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，提取其暫態(tài)分量中的高頻信號作為特征量，通過模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)中性點(diǎn)非有效接地的中低壓配電系統(tǒng)的故障分類。文獻(xiàn)[7]提取了故障電流及電流變化率作為特征量，通過BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)電網(wǎng)的故障辨識與定位。但上述文獻(xiàn)仍存在一些問題：單一數(shù)據(jù)源會導(dǎo)致故障定位的準(zhǔn)確率不高；傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法可以達(dá)到比較高的準(zhǔn)確率，但容易陷入局部極小值，而且存在迭代時(shí)間過長、收斂速度慢等問題。

隨著10 kV配電網(wǎng)數(shù)據(jù)實(shí)時(shí)監(jiān)測系統(tǒng)的不斷完善，諸多區(qū)域的大量運(yùn)行電氣量數(shù)據(jù)、故障數(shù)據(jù)等各類信息均可以實(shí)時(shí)上傳至各類系統(tǒng)。從配電側(cè)到用戶側(cè)的大量歷史數(shù)據(jù)，為配電網(wǎng)的行為分析、負(fù)荷預(yù)測、故障區(qū)段定位奠定了堅(jiān)實(shí)的基礎(chǔ)。若能通過深度挖掘同類型數(shù)據(jù)中蘊(yùn)含的特征信息以及不同類型數(shù)據(jù)間隱藏的關(guān)聯(lián)信息得知故障發(fā)生的原因和位置，甚至預(yù)知網(wǎng)絡(luò)中可能發(fā)生的故障，就可以為搶修工作提供一定的理論依據(jù)，達(dá)到更快更準(zhǔn)確排除故障、恢復(fù)供電、減少停電損失的目的。但是，配電網(wǎng)大數(shù)據(jù)研究中數(shù)據(jù)庫值過多會導(dǎo)致數(shù)據(jù)過剩、故障診斷效率過低等問題，這些難題都會給配電網(wǎng)及時(shí)準(zhǔn)確的故障定位帶來巨大的挑戰(zhàn)。

因此，下面基于配電網(wǎng)故障的非健全信息環(huán)境，提出將配用電信息系統(tǒng)所采集的多類數(shù)據(jù)與具有模糊匹配能力的Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合，進(jìn)行10 kV配電網(wǎng)短路故障的區(qū)段定位。首先，以配用電信息系統(tǒng)中的多源數(shù)據(jù)為基礎(chǔ)，分析與配電網(wǎng)短路故障相關(guān)的各信號和電氣量，建立故障區(qū)段定位的數(shù)據(jù)特征庫。其次，針對數(shù)據(jù)特征庫過于龐大的問題，利用I-Relief算法來進(jìn)行特征降維和篩選，選擇最佳的故障區(qū)段定位特征；然后，利用Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷與定位訓(xùn)練，得到短路故障區(qū)段定位的模糊匹配模型；最后，通過實(shí)際算例證明了所構(gòu)建模型的可行性。

1 配用電信息系統(tǒng)及配電網(wǎng)故障區(qū)段定位數(shù)據(jù)特征庫

配用電信息系統(tǒng)涵蓋了供電電壓檢測、配電變壓器負(fù)荷檢測、電能質(zhì)量、用戶信息采集、可靠性分析等系統(tǒng)。這些系統(tǒng)實(shí)時(shí)搜集各類數(shù)據(jù)并上傳至數(shù)據(jù)中心，運(yùn)用這些數(shù)據(jù)可以更加有效準(zhǔn)確地對故障進(jìn)行診斷及定位。配用電信息系統(tǒng)中所記錄的數(shù)據(jù)來源較為豐富，不僅包括電壓、電流、有功和無功功率等電氣量數(shù)據(jù)，還包括發(fā)生故障時(shí)的停電時(shí)間、停電區(qū)域、保護(hù)開關(guān)動(dòng)作、告警信息等故障數(shù)據(jù)。

在傳統(tǒng)的故障區(qū)段定位中，往往只依據(jù)斷路器動(dòng)作和保護(hù)動(dòng)作來定位。但當(dāng)故障電流較小時(shí)，很有可能難以捕捉信號從而不發(fā)生跳閘動(dòng)作，若長期未發(fā)現(xiàn)故障，會導(dǎo)致電壓過高，加劇配電網(wǎng)的運(yùn)行風(fēng)險(xiǎn)。并且當(dāng)故障發(fā)生后，由于各種原因可能會導(dǎo)致監(jiān)測數(shù)據(jù)缺失或者不準(zhǔn)確。所以應(yīng)當(dāng)擴(kuò)充故障診斷的數(shù)據(jù)源，通過挖掘多類數(shù)據(jù)找到可以直接或者間接反映故障位置及發(fā)生原因的數(shù)據(jù)類型，從而在不完備信息的前提下進(jìn)行配電網(wǎng)故障區(qū)段定位。這里將故障區(qū)段定位的特征分為斷路器跳閘及保護(hù)信號與電氣量。

1)斷路器跳閘及保護(hù)信號

保護(hù)信號分為母差保護(hù)、電流保護(hù)、距離保護(hù)和差動(dòng)保護(hù)信號等。當(dāng)配電網(wǎng)發(fā)生單相接地故障時(shí)，若中性點(diǎn)有效接地，會產(chǎn)生較大的電容電流，此時(shí)相應(yīng)的斷路器和保護(hù)裝置便會發(fā)生動(dòng)作來切除故障轉(zhuǎn)移供電，此類信號較為明顯，可以有效地反映故障的發(fā)生。但是，當(dāng)接地方式為非有效接地時(shí)，保護(hù)裝置很難察覺其微弱的變化，便需要結(jié)合其他電氣量數(shù)據(jù)來進(jìn)行綜合判斷。

2)電氣量

配電網(wǎng)在發(fā)生各類故障后，即使斷路器和保護(hù)裝置未動(dòng)作，但各系統(tǒng)所采集到的饋線側(cè)、配電變壓器側(cè)和用戶側(cè)的電流、電壓、有功和無功功率等電氣量數(shù)據(jù)都會發(fā)生不同程度的變化。當(dāng)主線發(fā)生故障后，饋線側(cè)與配電變壓器側(cè)由于離故障位置距離更近，數(shù)據(jù)變化程度更加明顯；用戶側(cè)位置雖較遠(yuǎn)，但結(jié)合多類數(shù)據(jù)的特征，也可以反映故障的位置和類型。上述電氣量的數(shù)值可以有效反映故障情況，其隨時(shí)間的變化率也是故障的重要表征之一。由于故障后的暫態(tài)信息量采集困難，只考慮穩(wěn)態(tài)數(shù)據(jù)。

以斷路器跳閘及保護(hù)信號和電氣量作為故障診斷特征量，構(gòu)建了數(shù)據(jù)特征庫，如表1所示。

表1 配電網(wǎng)短路故障診斷特征庫

2 基于I-Relief算法的故障區(qū)段定位主要特征篩選機(jī)制

配電網(wǎng)短路故障與網(wǎng)絡(luò)中的運(yùn)行參數(shù)及設(shè)備質(zhì)量等多類數(shù)據(jù)有著復(fù)雜的關(guān)聯(lián)。為了挖掘其關(guān)聯(lián)規(guī)則，首先需要選擇最佳特征以表征故障的發(fā)生及其類型。但由于故障診斷特征庫數(shù)量龐大，必然會出現(xiàn)故障特征較低或者特征冗余的現(xiàn)象，因此要選出特征性最強(qiáng)且特征之間相關(guān)性最弱的主要特征。

I-Relief算法是以特征與類別相關(guān)程度為基礎(chǔ)進(jìn)行特征權(quán)重的計(jì)算，若某個(gè)特征在異類的樣本中差異度較大而在同類樣本差異度較小，則該特征有良好的表征能力。對于一個(gè)訓(xùn)練數(shù)據(jù)集D，算法會從其中任意選擇一個(gè)樣本X，從和X同類以及異類的樣本中分別尋找k個(gè)最近鄰樣本集，之后對X和同類最近鄰樣本集、X和異類最近鄰樣本集在不同特征上的間隔進(jìn)行比較。如果間隔越小，則該特征表征能力強(qiáng)，應(yīng)加大其占比；反之，則減小其占比。I-Relief算法克服了傳統(tǒng)Relief算法在配電網(wǎng)短路故障區(qū)段定位應(yīng)用中存在的弊?。?)傳統(tǒng)算法只能解決二分類問題，然而實(shí)際配電網(wǎng)中短路故障是一個(gè)典型的多分類問題，而I-Relief算法可以良好地解決多分類問題；2)由于特征庫中存在大量無用特征，若目標(biāo)函數(shù)中的間隔采用的是平均間隔，當(dāng)存在異常值時(shí)，平均間隔可能出現(xiàn)與預(yù)期不符的負(fù)值，導(dǎo)致算法性能大大削弱；而I-Relief算法通過引入概率加權(quán)平均間隔向量βi代替平均間隔向量αi，將最近鄰樣本視為一種潛在變量，采用期望最大化算法來解決近鄰信息的不確定性，可以良好地解決無關(guān)特征大量存在的問題。

將單相接地故障作為同類樣本，三相短路、兩相短路、兩相短路接地以及未故障作為異類樣本，I-Relief算法流程如下：

1)輸入的樣本集合D和特征集合A

(1)

式中：Xi為樣本；N為樣本總數(shù)；yi為樣本類別；C為類別數(shù)；a(j)為特征，I表示特征數(shù)，j=1，2，3…，I。

2)對特征值進(jìn)行歸一化處理，且將樣本根據(jù)時(shí)間升序分為故障后樣本和故障前樣本。

3)初始化特征權(quán)重ω、樣本抽樣次數(shù)T、核參數(shù)ε、容許誤差γ。

4)任意選擇一個(gè)樣本Xi，在同類樣本集中找到近鄰樣本Hi，從異類樣本集中找到近鄰樣本Mi,且|Hi|=k，|Mi|=k。

5)計(jì)算加權(quán)平均間隔向量βi

(2)

(3)

(4)

式中：Xi,NM為樣本Xi的同類近鄰樣本；Xi,NH為樣本Xi的異類近鄰樣本；P(Xt=Xi,NM|ω)和P(Xt=Xi,NH|ω)分別為樣本Xt是樣本Xi異類最近鄰和同類最近鄰的概率；ω為特征的權(quán)重向量，ωT為向量轉(zhuǎn)置。

6)計(jì)算各個(gè)特征的權(quán)重

ωg=ωg-diff(g,Xi,Hi)/kT+diff(g,Xi,Mi)/kT

(5)

(6)

(7)

式中：Xig,NHn為樣本Xi的第n個(gè)同類近鄰的第g個(gè)特征值；Xig,NMn表示樣本Xi的第n個(gè)異類近鄰的第g個(gè)特征值。

7)利用線性規(guī)劃模型不斷更新權(quán)重，直至權(quán)重誤差小于核參數(shù)，輸出結(jié)果，作為下一步Elman神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)來進(jìn)行配電網(wǎng)故障區(qū)段定位。

3 基于Elman神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)短路故障區(qū)段定位模糊匹配方法

3.1 Elman神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是通過對人腦的模擬，通過抽取樣本的重要特征，實(shí)現(xiàn)從輸入數(shù)據(jù)到輸出結(jié)果的連接，具有容錯(cuò)性好以及自學(xué)習(xí)和自動(dòng)匹配等信息處理能力。因此，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于配電網(wǎng)的故障監(jiān)測與診斷中。

與傳統(tǒng)的二分類器不同的是，Elman神經(jīng)網(wǎng)絡(luò)面對非線性曲面仍然具有良好的逼近效果。且不同于一般的神經(jīng)網(wǎng)絡(luò)，Elman神經(jīng)網(wǎng)絡(luò)在第一層設(shè)置有反饋節(jié)點(diǎn)，可以記錄過往時(shí)刻的數(shù)據(jù)，并運(yùn)用于下一時(shí)段的計(jì)算，正因?yàn)檫@個(gè)特點(diǎn)，導(dǎo)致了即使兩個(gè)Elman網(wǎng)絡(luò)擁有相同閾值和權(quán)值，也會因反饋節(jié)點(diǎn)的存在導(dǎo)致反饋具有較大差異，相同輸入的前提下也會有不同的輸出結(jié)果。

配電網(wǎng)短路故障區(qū)段定位具有動(dòng)態(tài)性時(shí)空變化的特點(diǎn)，若使用本質(zhì)為靜態(tài)空間建模的BP神經(jīng)網(wǎng)絡(luò)必然會出現(xiàn)諸多問題。而Elman神經(jīng)網(wǎng)絡(luò)這種反饋型網(wǎng)絡(luò)的特性在于其擁有一個(gè)中間層，它的輸出會到達(dá)狀態(tài)層，在這一層里進(jìn)行信息存儲，再將輸出連接至中間層的輸入形成反饋，使得Elman神經(jīng)網(wǎng)絡(luò)對輸入層數(shù)據(jù)的軌跡具有較高的敏感性。且由于網(wǎng)絡(luò)具有內(nèi)部反饋特性，Elman神經(jīng)網(wǎng)絡(luò)對動(dòng)態(tài)信息的處理能力也變得更強(qiáng)，解決了BP神經(jīng)網(wǎng)絡(luò)在反復(fù)迭代過程中速度較慢的問題。

圖1 Elman神經(jīng)網(wǎng)絡(luò)模型

Elman神經(jīng)網(wǎng)絡(luò)模型見圖1，包括輸入層、隱含層、連接層和輸出層。隱含層為tansig神經(jīng)元，輸出層為purelin神經(jīng)元，在這兩類神經(jīng)元的特殊組合下形成的網(wǎng)絡(luò)傳遞函數(shù)，在隱含層的神經(jīng)元數(shù)目足夠多時(shí)，可以在連續(xù)的有限時(shí)段內(nèi)以足夠高的精度逼近復(fù)雜性較高的函數(shù)，從而滿足訓(xùn)練需求。

Elman神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型為

(8)

式中：w1、w2和w3分別為不同層之間的連接權(quán)矩陣；y(k)、x(k)和xc(k)為神經(jīng)網(wǎng)絡(luò)、隱含層和承接層的輸出；u(k-1)為神經(jīng)網(wǎng)絡(luò)的輸入。

Elman神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)為誤差函數(shù)，通過反饋不斷調(diào)整權(quán)值參數(shù)和閾值參數(shù)從而最終輸出精度最優(yōu)的結(jié)果。假設(shè)該神經(jīng)網(wǎng)絡(luò)的輸出在第k步為yd(k)，計(jì)算公式為

(9)

式中，T為轉(zhuǎn)置矩陣或轉(zhuǎn)置向量的表示符號。

3.2 基于Elman神經(jīng)網(wǎng)絡(luò)的故障區(qū)段定位方法

Elman神經(jīng)網(wǎng)絡(luò)在配電網(wǎng)故障區(qū)段定位的應(yīng)用流程如下：首先，基于配電網(wǎng)短路故障的各類樣本對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；然后，確定其具體結(jié)構(gòu)(傳遞函數(shù)和神經(jīng)元數(shù)量)和參數(shù)(權(quán)值和閾值)；最后，根據(jù)故障特征來對故障進(jìn)行分類，完成故障集到特征集的連接映射。

基于Elman神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)短路故障區(qū)段定位方法如圖2所示。

圖2 配電網(wǎng)短路故障區(qū)段定位方法流程

4 算例分析

為驗(yàn)證所提方法的有效性，采用西南某地區(qū)近兩年所采集的數(shù)據(jù)進(jìn)行10 kV配電網(wǎng)短路故障區(qū)段定位的算例分析。該地區(qū)電網(wǎng)共有358條10 kV母線和1976條10 kV饋線，其中，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、終端數(shù)量和位置以及線路區(qū)段劃分均未發(fā)生變化的10 kV母線有304條，10 kV饋線有1542條。采用這些未變化的線路進(jìn)行算例分析。10 kV 饋線側(cè)的數(shù)據(jù)來源為調(diào)度自動(dòng)化系統(tǒng)和配電自動(dòng)化系統(tǒng)；10 kV 變壓器側(cè)數(shù)據(jù)來源為配電變壓器負(fù)荷監(jiān)測系統(tǒng)；用戶側(cè)數(shù)據(jù)來源為用戶信息采集系統(tǒng)。經(jīng)過數(shù)據(jù)篩選與清洗后，將信息不完整和錯(cuò)誤的數(shù)據(jù)剔除，提取出近兩年發(fā)生的具有完整、準(zhǔn)確的特征數(shù)據(jù)、故障位置和故障類型的1000條配電網(wǎng)短路故障記錄，基于此構(gòu)建挖掘庫和測試庫。這兩個(gè)庫中分別包括500條數(shù)據(jù)記錄。挖掘庫中故障類型包括三相短路、兩相短路接地、兩相短路和單相接地故障。挖掘庫和測試庫中具有完全相同的數(shù)據(jù)樣式，唯一的區(qū)別是挖掘庫含有故障的具體類別和位置信息，用于分析獲取規(guī)則，而測試庫中并未包含任何故障具體信息，用于測試模型的可行性。

4.1 主要特征篩選

首先以前面所建立的斷路器跳閘及保護(hù)信號和電氣量等條件特征作為候選特征量，構(gòu)建了數(shù)據(jù)特征庫，利用I-Relief算法對特征庫中各特征的故障表征能力進(jìn)行刻畫與篩選，得到權(quán)重較高即表征能力最強(qiáng)的6個(gè)關(guān)鍵特征及其權(quán)重如表2所示。其中，配電變壓器故障相電流變化率、配電變壓器故障相電壓、饋線電流、配電變壓器非故障相電壓、用戶非故障相電流變化率和用戶故障相電流變化率的候選特征權(quán)重都在0.12左右，因此選擇這6個(gè)候選特征量作為Elman神經(jīng)網(wǎng)絡(luò)的輸入。

表2 特征權(quán)重

4.2 故障區(qū)段定位及診斷精度

對比所提基于挖掘庫數(shù)據(jù)的訓(xùn)練分別得到的Elman神經(jīng)網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型，利用兩者分別進(jìn)行配電網(wǎng)短路故障區(qū)段定位測試，診斷準(zhǔn)確率對比如表3所示。

表3 Elman和BP診斷準(zhǔn)確率對比

在本算例測試下，基于所提方法的配電網(wǎng)短路故障區(qū)段定位的準(zhǔn)確率較高，全部達(dá)到95%以上，均高于BP神經(jīng)網(wǎng)絡(luò)模型。

從時(shí)間上來看，由仿真的迭代訓(xùn)練曲線(圖3)知，Elman網(wǎng)絡(luò)訓(xùn)練次數(shù)只要130次就到達(dá)設(shè)置的誤差精度，而從輸入數(shù)據(jù)進(jìn)行訓(xùn)練到輸出測試結(jié)果，BP神經(jīng)網(wǎng)絡(luò)模型花費(fèi)24 s，而Elman神經(jīng)網(wǎng)絡(luò)模型僅花費(fèi)6.9 s，定位速度大大提升。綜上所述，不論是在短路故障區(qū)段定位的準(zhǔn)確率上，還是收斂速度上，Elman神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)所用時(shí)間更少，速度更快、更高效。

圖3 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線

為了進(jìn)一步測試所提方法在出現(xiàn)各類特征數(shù)據(jù)信息錯(cuò)誤、不完整以及故障定位漏報(bào)、誤報(bào)情況下的準(zhǔn)確率，從近兩年的歷史數(shù)據(jù)中挑選出160條不完備信息，分別添加80條至原來的挖掘庫和測試庫中，每條不完備信息的不完備率保持在10%到25%。在此情況下再次進(jìn)行測試分析，準(zhǔn)確率對比如表4所示。

表4 不完備信息下Elman和BP診斷準(zhǔn)確率對比

在本算例中，由于存在數(shù)據(jù)錯(cuò)誤或缺失的情況，BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率下降到了85%以下。同樣，Elman神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率也下降至90%左右，雖然兩者準(zhǔn)確率均有一定幅度的下降，但Elman神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障研判的準(zhǔn)確率仍在可接受范圍之內(nèi)。

而從時(shí)間上來看，從輸入數(shù)據(jù)進(jìn)行訓(xùn)練到輸出測試結(jié)果，BP神經(jīng)網(wǎng)絡(luò)模型花費(fèi)40 s，而Elman神經(jīng)網(wǎng)絡(luò)模型花費(fèi)10.4 s，都花費(fèi)了更久的時(shí)間。

綜上所述，當(dāng)原始數(shù)據(jù)信息正確時(shí)，用所建模型進(jìn)行故障診斷不僅準(zhǔn)確率高且速度較快；而當(dāng)原始數(shù)據(jù)存在不完備的情況時(shí)，雖然與數(shù)據(jù)完備時(shí)相比準(zhǔn)確率有所下降且速度變低，但依然在可接受范圍內(nèi)，說明所做模型具有良好的容錯(cuò)性和實(shí)用性。

5 結(jié) 論

快速、精確的配電網(wǎng)短路故障區(qū)段定位對提高供電可靠性具有重要意義。上面基于配電網(wǎng)的多類數(shù)據(jù)，提出了配電網(wǎng)短路故障區(qū)段定位方法：

1)以配用電信息系統(tǒng)中的數(shù)據(jù)為基礎(chǔ)，構(gòu)建了兼具電氣量、保護(hù)量與開關(guān)量特征的10 kV配電網(wǎng)短路故障診斷特征庫。

2)所提主法不像傳統(tǒng)故障研判方法一樣只采用單一指標(biāo)來進(jìn)行判斷，而是在故障診斷特征庫的基礎(chǔ)上，采用I-Relief算法從特征庫中篩選出6個(gè)權(quán)重最高的故障診斷關(guān)鍵特征量，作為神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)。采用具有模糊匹配特性的Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，利用多源數(shù)據(jù)不斷挖掘其內(nèi)部信息得到配電網(wǎng)短路故障區(qū)段定位模型。

最后，以西南某地區(qū)電網(wǎng)為例進(jìn)行數(shù)據(jù)計(jì)算驗(yàn)證，從仿真結(jié)果分析可知，所建的模型能高效地對10 kV配電網(wǎng)短路故障進(jìn)行區(qū)段定位，相比于BP神經(jīng)網(wǎng)絡(luò)，其具有較高的速率和準(zhǔn)確度。在數(shù)據(jù)不完備的環(huán)境下具有良好的容錯(cuò)性，能夠?yàn)楣收系募皶r(shí)發(fā)現(xiàn)提供一定的理論依據(jù)。