基于LSTM-CNN机器学习的配电网故障定位方法

秦飞翔，朱革兰

(华南理工大学 电力学院，广东 广州 510641)

快速准确的配电网故障定位技术是迅速隔离故障和恢复供电的前提，同时定位准确度与配电网中的测量仪器的精度密切相关。随着高精度测量仪器如微型同步相量测量单元(micro phasor measurement units，μ-PMU)、馈线终端单元(feeder terminal unit，FTU)、智能馈线仪表(smart feeder meters)等装置的广泛应用，国内外学者提出了多种基于配电网故障特征的故障定位方法。

常用的故障定位方法有阻抗法、行波法和广域通信法。阻抗法通过测点的故障数据计算线路故障阻抗，从而求取故障距离。文献[1]考虑到故障后网络拓扑结构及参数会发生改变，在故障后对节点阻抗矩阵进行修改，从而形成测距表达式，文献[2]提出基于相量分析法的改进阻抗型故障测距算法，利用故障点过渡电阻无功功率为0的功率特性建立关于故障距离的一元二次测距方程；但上述方法易受过渡电阻、线路分支等因素的影响，易出现伪故障点。行波法是根据行波理论实现故障测距的方法，文献[3]通过测量电压、电流行波到故障点间的传播时间确定故障距离，但是受线路分支、测点同步精度等因素影响较大，定位精度不高。广域通信法通过故障时的多个测点故障数据进行故障区段定位，文献[4]指出故障发生前后不同节点的电压相量变化值与故障位置有关，通过模拟全网的故障点，并将模拟结果与测量值进行匹配来实现故障定位，文献[5-8]提出稀疏测点条件下的故障定位方法；……