技术领域
[0001] 本发明涉及电力系统工程领域，特别是一种基于配电自动化电网故障自愈方法及系统。
相关背景技术
[0002] 近年来，随着电力系统向智能化方向的转变，配电自动化技术已成为提升电网可靠性、效率和灵活性的关键。传统配电网络面临的主要挑战在于其被动响应模式，即在故障发生后才能进行修复，这种模式不仅增加了维护成本，也影响了电力供应的连续性和稳定性。智能电网的引入旨在通过集成先进的信息技术、控制理论和通信技术，实现配电网络的主动管理和优化，其中，基于实时数据采集与分析的故障检测与自愈能力被视为核心竞争力，现有技术在实现全面自动化故障自愈方面仍存在局限性，尤其是在复杂电网结构下准确预测故障、快速定位及智能决策方面。
具体实施方式
[0047] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0048] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0049] 其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0050] 实施例1，参照图1和图2，为本发明第一个实施例，该实施例提供了一种基于配电自动化电网故障自愈方法，包括以下步骤：
[0051] S1、在配电自动化系统中采集实时数据，包括电网的电压、电流、有功功率、无功功率、功率因数和电能量。
[0052] S2、通过有线网络上传实时数据至配电子站并进行预处理，汇总后发至配电主站，具体步骤如下：
[0053] 定义实时数据向量为:X(t)＝[Xv(t),Xi(t),Xp(t),Xq(t),Xf(t),Xe(t)]；
[0054] 其中，X(t)表示在时间t从配电自动化系统中采集的实时数据向量，Xv表示电压，Xi表示电流，Xp表示有功功率，Xq无功功率，Xf功率因数，Xe表示电能量；
[0055] 对采集的原始数据进行预处理，表达式为：
[0056]
[0057] 其中， 表示处理后的数据向量，X(t)表示在时间t点采集的实时数据向量，x表2
示随机变量，μ表示数据集的平均值，σ表示方差；
[0058] 通过有线网络，配电子站将预处理后的数据打包，传输至配电主站。
[0059] S3、构建深度学习模型分析历史故障数据和当前电网状态，生成预测潜在故障，具体步骤如下：
[0060] 通过特征工程提取对故障预测有价值的特征，表达式为：
[0061]
[0062] 其中， 表示提取的特征，Φ表示一个特征转换函数，F表示线性模型，W表示权重矩阵，b表示偏置向量；
[0063] 构建深度学习模型，将历史故障数据输入模型，生成预测潜在故障，表达式为：
[0064]
[0065] 其中，P(Fs|X(t))表示预测潜在故障，S表示一组设备的集合，s′表示集合S里中的一种设备，s′表示集合S里中的设备，Ds(t)表示设备s在时间点t的实时监测数据，μs表示设2
备s监测数据的历史平均值，σs表示设备s监测数据的方差。
[0066] S4、配电主站根据实时数据和预测结果，建立网络拓扑图，具体操作步骤如下：
[0067] 配电主站接收来自配电子站的实时监控数据和预测结果。
[0068] 根据配电设备的物理连接关系，构建网络拓扑图雏形。
[0069] 更进一步的，配电主站收集变压器、断路器、隔离开关、电容器、电抗器的位置和连接方式，分析设备间的物理连接关系，确定需要直接相连的设备，基于收集到的连接关系，初步绘制网络的草图，每个节点代表一个设备，边则代表设备间的直接连接。
[0070] 使用深度优先搜索算法遍历所有设备节点，形成完整的网络拓扑图。
[0071] 更进一步的，深度优先搜索算法会帮助我们从一个起点开始，探索每条路径，直到遇到已访问过的节点为止，然后回溯，继续探索其他未访问的路径，直到所有节点都被访问过，至此深度优先搜索算法有效地遍历了所有设备节点，形成了一个完整的网络拓扑图。
[0072] S5、通过预测潜在故障的发生概率和网络拓扑图结合，进行故障区段的判定，具体操作步骤如下：
[0073] 在拓扑图中，从距离电源最近的开关开始，沿着电流流动的方向，逐级检查各开关的状态，检测并报告通过的电流情况，找出检测到故障电流的故障检测开关；
[0074] 找出故障检测开关后，继续检测与故障检测开关相邻的下一级开关，找出检测不到故障电流的非故障检测开关；
[0075] 更进一步的，系统从距离电源最近的开关开始，沿着电流的正常流动方向，即从电源到负载的方向，逐级检查电网中的开关状态和电流情况，沿着电流的路径搜索可以更有效地定位故障点，系统会逐一检查每个开关的状态，对于每个检查的开关，系统会检测并报告通过的电流情况，电流值显著偏离正常范围，就是故障的信号，检测到异常电流，系统会标记该开关为故障检测开关，这代表该开关下游的出现了故障，系统会在拓扑图上标记故障检测开关的位置，同时记录其状态和电流读数，作为故障定位和分析的依据，在识别出故障检测开关之后，系统会继续沿着电流流动的方向，检测与故障检测开关相邻的下一级开关，在下一级开关检测到正常电流，这代表该开关不是故障的一部分，而是非故障检测开关。
[0076] 将故障检测开关与非故障检测开关之间的线路定义为故障区段。
[0077] S6、配电主站启动故障处理程序，隔离故障点，同时对非故障区段进行联络开关的合闸操作，恢复供电，具体操作步骤如下：
[0078] 配电主站自动启动故障隔离程序，通过遥控断开故障点附近的开关设备，监控开关状态，确认所有指定开关成功断开，形成故障隔离区域，通过网络拓扑图更新开关状态；
[0079] 隔离故障后，配电主站会自动寻找最优路径，重新配置电网结构，使非故障区段恢复供电，监控开关状态，确认联络开关成功闭合，非故障区段恢复正常供电，通过网络拓扑图更新开关状态。
[0080] 本实施例还提供一种基于配电自动化电网故障自愈系统，包括：
[0081] 数据传输与预处理模块：在配电自动化系统中采集实时数据，通过有线网络上传实时数据至配电子站并进行预处理，汇总后发至配电主站；
[0082] 深度学习分析模块：构建深度学习模型分析历史故障数据和当前电网状态，生成预测潜在故障和发生概率；
[0083] 网络拓扑构建模块：配电主站根据实时数据和预测结果，建立网络拓扑图；
[0084] 故障判定与隔离模块：预测潜在故障和发生概率和网络拓扑图进行故障区段的判定，配电主站启动故障处理程序，隔离故障点；
[0085] 供电恢复控制模块：对非故障区段进行联络开关的合闸操作，恢复供电。
[0086] 本实施例还提供一种计算机设备，适用于基于配电自动化电网故障自愈方法的情况，包括：存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的基于配电自动化电网故障自愈方法。
[0087] 该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0088] 本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现基于配电自动化电网故障自愈方法；存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read－Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red－Only Memory,简称PROM)，只读存储器(Read－Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
[0089] 综上，本发明通过强化电网状态的即时反馈，提升了数据质量与准确性，为故障预测奠定坚实基础。利用深度学习技术提取关键特征，构建预测模型，实现电网异常的前瞻性识别，降低突发故障风险，减少非计划停机，增强电网稳定性和安全性，缩减维护成本。动态网络拓扑图辅助精确定位故障，结合预测与实测数据，加速故障判定，提升故障管理效率与智能化。自动化隔离与快速恢复策略，有效遏制故障扩散，保障非故障区持续供电，大幅缩小停电范围，实现电网自愈，显著增强供电可靠性，优化用户体验，降低运营风险。
[0090] 实施例2，参照表1，为本发明第二个实施例，为进一步验证本发明的先进性，给出了基于配电自动化电网故障自愈方法的实验仿真数据。
[0091] 首先，模拟了一个小型城市电网的故障自愈过程，该电网包含三个变电站、十个馈线、二十个开关和一百个用户节点。实验中，为了验证基于配电自动化电网故障自愈方法的有效性。
[0092] 我们设计了一种故障场景：馈线3在某时刻突发短路故障，导致部分用户断电。实验中使用的实时数据包括电压、电流、有功功率、无功功率、功率因数和电能量，这些数据由实时数据采集模块每秒收集一次，具体如下表所示：
[0093] 表1实验对象数据分类与故障前后标记表
[0094]
[0095] 通过对比正常馈线和故障馈线的数据，可以看出在故障发生前后，馈线3的参数发生了显著变化。故障前，馈线3的平均电压为220.0V，平均电流为2.5A，这些数值与正常馈线相近。然而，在故障发生后，馈线3的平均电压骤降至100.2V，平均电流激增至15.0A，有功功率和无功功率也大幅上升，而功率因数则显著下降至0.60。这些数据表明，馈线3确实遭遇了严重的短路故障，导致了电压降低、电流急剧增加的现象。
[0096] 与之相比，正常馈线如馈线1和馈线2，其参数变化微小，保持稳定，显示了良好的供电质量。通过本次实验，验证了基于配电自动化电网故障自愈方法的有效性，尤其是在故障检测和隔离方面。该方法能及时准确地识别故障点，通过遥控操作快速隔离故障，避免了故障的蔓延，同时保证了非故障区段用户的正常供电，充分体现了其在提高电网运行稳定性、减少停电时间和范围方面的显著优势。
[0097] 应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
