分布式电源对配电网故障定位的影响(Python代码实现)

        💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

人类在日常生活中越来越依赖电力，使用需要电力的设备不再是奢侈品，而是成为必需品。负责向民众提供这种资源的各方必须处理电力的生产、传输和分配问题。尽管过去几十年在电力系统保护方面取得了许多进展，但在提高能源供应服务的连续性方面仍有很大的空间。在配电的背景下，以巴西为例，可以通过配电服务的连续性指标来量化消费者的电力供应质量。国家电能署 (Aneel) 在 [PRODIST 2012] 中提供了其中两个指标，即每用电单位的等效中断持续时间 (DEC) 和每用电单位的等效中断频率 (FEC)。 DEC 是通过在计算期间内，相关用电单位的电能分配服务中断的平均值获得的时间间隔。 FEC 是在所考虑的单位中发生这种不连续性的平均频率。

本文旨在确定分布式光伏发电对径向配电网络故障定位的影响。光伏系统的尺寸针对该电路的穿透限制而定。在 OpenDSS 上执行故障模拟，以获取变电站的电压和电流值。这些结果记录在数据库中并用于训练多层感知器类的神经网络，该网络能够以 90% 的平均成功率确定电路中存在或不存在分布式光伏发电的 6 个可能地理区域之间的故障位置。

MLP

MLP 是一种分层工作的神经网络。输入层接收问题输入，中间隐藏层执行映射操作，输出层提供输出，如图 1.1 所示。模拟神经元的基本层单元称为感知器。除了感知器，输入层和中间层还有一个偏置节点，用于处理等于 0 的输入。

    作为补充，基于 [Goodfellow et al. 2016]，MLP 只是一个函数 y = f(x; θ)，它使用优化的 θ 参数将输入 x 映射到输出 y。可以说，根据 [Géron 2017] 一书，感知器的工作原理是对其输入进行加权求和，并根据其符号离散化该总和的值，如等式所示编辑

作为补充，MLP 只是一个函数 y = f(x; θ)，它使用优化的 θ 参数将输入 x 映射到输出 y。可以说，感知器的工作原理是对其输入进行加权求和，并根据其符号离散化该总和的值，如等式所示：

编辑

其中 hw 是感知器的输出，x 是输入值，w 是分配给每个输入的权重，step 是和值的离散化函数，可以是 Heaviside 函数或信号函数。

调整 MLP 权重的方法之一是通过反向传播技术。该机制包括，在确定神经网络的正向权重及其总误差后，反向计算每个权重的误差贡献，提出在每次迭代中总误差较小的新权重。为了使这种方法可行，激活函数，即传统感知器结构中的阶跃函数，必须用平滑函数代替，例如逻辑函数、双曲正切函数或整流线性单位函数（ReLU )，如等式所示：

编辑

其中 hw,b(x) 是 ReLU 函数，b 是偏差值。此外，通过计算函数梯度的反向传播方法可以使用随机梯度下降进行优化。

编辑

目标

本文旨在确定分布式光伏发电对径向配电网络故障定位的影响。光伏系统的尺寸针对该电路的穿透限制而定。在 OpenDSS 上执行故障模拟，以获取变电站的电压和电流值。这些结果记录在数据库中并用于训练多层感知器类的神经网络，该网络能够以 90% 的平均成功率确定电路中存在或不存在分布式光伏发电的 6 个可能地理区域之间的故障位置。总体目标是验证GDFV在配电系统故障定位中的影响。支持主要目标的次要目标是：为配电馈线在其穿透极限下设计不同的光伏系统，并评估其功率流；模拟负荷曲线不同点处配电馈线所有母线的故障。实施能够检测故障并将其分类为类型、电阻和地理位置的算法。

分布式电源对配电网故障定位的影响研究

一、分布式电源的特点及其对配电网的影响

2. 定义与分类  分布式电源（Distributed Generation, DG）是指分散布置在用户侧或负荷中心的小型发电系统，容量范围通常为数千瓦至数十兆瓦，包括光伏、风电、燃气轮机、燃料电池等技术类型。其核心特点是：就近供电、环保高效、灵活接入配电网（10kV及以下电压等级，单点容量不超过6MW）。

4. 对配电网结构的改变  DG的接入使配电网从传统的单电源辐射状结构转变为多电源复杂网络，导致潮流方向由单向变为多向。例如，当故障发生时，主电网与多个DG可能同时向故障点注入电流，显著改变了短路电流的分布特征。

6. 关键影响机制

• 故障电流特性变化
  ：DG提供的短路电流可能导致上游保护装置灵敏度降低（如馈线保护拒动）或非故障线路保护误动。例如，DG接入母线下游时，其分流作用可能使主电源侧保护装置检测到的故障电流减小，导致保护范围缩小。
• 接地方式兼容性
  ：DG的接地方式需与配电网保持一致。例如，大电流接地系统中DG可能通过非故障相提供电流，而小电流接地系统中需依赖零序电压保护。
• 动态响应特性
  ：逆变型DG（如光伏）的故障电流受控制器影响较大，其幅值通常不超过额定值的2倍，且快速脱网特性可能加剧保护配合的复杂性。

二、传统故障定位方法的局限性

2. 传统方法分类

• 稳态法
  ：依赖电压/电流幅值与相位关系，但DG接入后双向电流导致特征模糊。
• 行波法
  ：基于电磁波传播时间差，但配电网分支多、线路短，信号衰减严重。
• 人工智能算法
  ：如遗传算法、粒子群优化，需大量训练数据且对多源故障场景适应性不足。

4. 具体挑战

• 信息同步问题
  ：多DG接入导致测量数据时间不同步，影响基于同步相量测量的算法精度。
• 拓扑动态变化
  ：DG的投切使网络结构频繁变化，传统矩阵算法需动态重构描述矩阵。
• 高阻故障检测困难
  ：DG输出的波动性可能掩盖微弱故障信号，导致漏判。

三、分布式电源接入后的故障定位改进方案

2. 算法优化方向
• 智能优化算法改进
  ：

• 飞蛾扑火优化（MFO）算法通过二进制编码处理多向故障电流，在33节点系统中实现单点与多重故障的准确定位，容错率达90%。
• 量子蚁群算法（QACA）结合分级定位模型，将故障区段搜索时间缩短30%，容错性能提升25%。
• 矩阵算法增强
  ：  改进的矩阵算法通过动态修正T形节点信息差异，在DG投切场景下定位准确率提升至98%。
• 时空图神经网络
  ：  利用同步波形数据的时空特征，结合电网物理拓扑，在高比例DG场景下定位精度达95%，抗噪能力优于传统方法。

2. 技术融合策略

• 边缘计算与状态估计
  ：  通过部署边缘设备实时计算暂态电容电压/电流，结合虚拟节点扩展网络，实现接地故障的快速定位。
• 行波技术与DG脱网协同
  ：  在架空线路中，利用重合闸动作触发DG脱网，将网络恢复为单电源结构后应用传统定位规则，成功率提升至92%。
• 动态正方向定义
  ：  基于潮流方向而非固定电源位置定义开关正方向，适应DG投切导致的拓扑变化，减少算法迭代次数。

4. 工程应用案例

• 深圳10kV配电网
  ：通过限制DG容量比例（≤30%）并校验保护定值，验证了阻抗法与方向过电流保护的兼容性。
• IEEE 33节点系统
  ：改进的多元宇宙算法在单点与多点故障场景下定位误差小于2%，计算效率比传统PSO提高40%。

四、未来研究方向

2. 不确定性建模
   ：需进一步研究DG功率波动对短路电流区间的影响，建立概率化故障定位模型。
4. 多源数据融合
   ：结合广域测量系统（WAMS）与物联网（IoT）数据，提升复杂场景下的状态感知能力。
6. 标准体系完善
   ：推动DG接入保护与定位技术的标准化，例如统一故障信息编码规则与通信协议。

五、结论

分布式电源的接入对配电网故障定位提出了多维挑战，但也推动了定位技术的革新。通过算法优化（如智能优化、矩阵修正）、技术融合（边缘计算、行波协同）以及工程策略（容量限制、动态方向定义），可有效提升定位精度与适应性。未来需重点关注不确定性建模与标准化建设，以支撑高比例可再生能源配电网的可靠运行。

📚2 运行结果

编辑

编辑

编辑

编辑

部分代码：

def plot_5_pv():    ckt24_plot()    substation, = pylab.plot([11735514.42],[3709460.816],'k^',    markersize=10, label='Substation')    pvsyst, = pylab.plot(    [11740361.09,11745683.27,11740622.95,11740594.66,11735219.81],    [3709237.782,3712746.259,3714771.12,3718243.191,3718067.52],    color='orange', marker='s', markersize=10, linestyle='None',    label='PV System')    blue_patch = mpatches.Patch(color='blue', label='Three-phase lines')    green_patch = mpatches.Patch(color='green', label='Two-phase lines')    red_patch = mpatches.Patch(color='red', label='One-phase lines')    pylab.legend(handles=[substation, pvsyst, blue_patch, green_patch,    red_patch])    pylab.title("5 PV systems")    pylab.show()

def plot_5_pv():

    ckt24_plot()    substation, = pylab.plot([11735514.42],[3709460.816],'k^',    markersize=10, label='Substation')    pvsyst, = pylab.plot(    [11740361.09,11745683.27,11740622.95,11740594.66,11735219.81],    [3709237.782,3712746.259,3714771.12,3718243.191,3718067.52],    color='orange', marker='s', markersize=10, linestyle='None',    label='PV System')    blue_patch = mpatches.Patch(color='blue', label='Three-phase lines')    green_patch = mpatches.Patch(color='green', label='Two-phase lines')    red_patch = mpatches.Patch(color='red', label='One-phase lines')    pylab.legend(handles=[substation, pvsyst, blue_patch, green_patch,    red_patch])    pylab.title("5 PV systems")    pylab.show()

def plot_5_pv():

    ckt24_plot()    substation, = pylab.plot([11735514.42],[3709460.816],'k^',    markersize=10, label='Substation')    pvsyst, = pylab.plot(    [11740361.09,11745683.27,11740622.95,11740594.66,11735219.81],    [3709237.782,3712746.259,3714771.12,3718243.191,3718067.52],    color='orange', marker='s', markersize=10, linestyle='None',    label='PV System')    blue_patch = mpatches.Patch(color='blue', label='Three-phase lines')    green_patch = mpatches.Patch(color='green', label='Two-phase lines')    red_patch = mpatches.Patch(color='red', label='One-phase lines')    pylab.legend(handles=[substation, pvsyst, blue_patch, green_patch,    red_patch])    pylab.title("5 PV systems")    pylab.show()

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

[1]翁海霞,周超,冯尚庆.分布式电源接入对配电网故障定位的影响分析[J].商品与质量, 2016, 000(003):319-319.

[2]刘健,张志华,黄炜,等.分布式电源接入对配电网故障定位及电压质量的影响分析[J].电力建设, 2015(1):7.

[3]刘高峰.分布式电源接入对配电网故障定位及电压质量的影响探析[J].信息周刊, 2019(20):1.