论文部分内容阅读
随着智能电网建设进程的推进和可再生能源装机规模的持续扩大,可再生能源并网的问题备受关注。这些高度分散在配电网中的能源称为分布式能源(Distributed Energy Resources,DER)。大规模DER的并入,给配电网的可靠性和稳定性带来了艰巨的挑战,尤其在系统保护方面。因此,分布式能源配电系统故障检测与定位成为亟待解决的问题。近年来,电网和物联网技术的发展带来了多样且海量的传感监测数据,这使得采用数据驱动方法检测和定位系统故障成为可能。考虑到电网大部分时间工作在正常状态且可能的故障情况随电网大小呈指数增长,收集到所有故障条件的数据是不现实的,因此,本文采用正常数据训练单分类器来检测和定位高渗透率DER下的配电网故障。全文主要工作内容如下:首先,针对DER并入配电网时的继电器保护拒动和保护误动问题,本文采用支持向量数据描述(Support Vector Data Description,SVDD)算法检测电力系统中的故障。并针对SVDD的寻参问题,提出了一个缩小参数搜索范围的NOF+QMS算法。相比于传统的继电保护方案,基于SVDD的离线检测模型能够有效对抗高渗透率DER带来的保护拒动和保护误动问题。此外,所提出的算法在提升SVDD性能的同时有较低的训练时间开销。其次,针对DER渗透水平在电网中波动带来的概念漂移问题(Concept Drift),本文利用增量支持向量数据描述(Incremental Support Vector Data Description,ISVDD)算法在线识别配电网故障。并针对ISVDD在线模型识别性能提升偏慢问题提出了结合超球数据增广算法的ISVDD检测模型(Hyperspherical Data Augmentation for ISVDD,HISVDD)。相比于ISVDD,HISVDD在线故障检测模型在合适的超球数据分布半径和数据分布数量内有明显的性能和训练速度提升。最后,针对分类判决下的分区故障定位模糊问题,本文根据配电网逐步分区准则,提出了一个基于分区故障概率的故障定位模型。该模型结合核估计算法(Kernel Density Estimation,KDE)将各个分区的故障置信度通过P值表示出来,进而通过比较各分区P值大小准确定位故障源,可以有效地应对分类器判决下的定位不准确问题。