戴中坚,王滨,周涛,王堃

(1.国网常州供电公司，江苏 常州213100；2.南京理工大学电气工程系，江苏南京210096)

配电网故障快速定位有利于故障的及时隔离与修复,对于配电网的安全、稳定、高效运行有着重要的意义[1－3]。

由于分布式电源(distributed generation,DG)对配电网架的渗透率提高,使得配网潮流存在功率双向变化的特点[4－5]。目前,针对含分布式电源配电网的故障定位方法普遍使用稳态特征量[6－8]或暂态特征量[9－11]作为判断依据。

相较于稳态特征量,暂态特征量采集难度高,设备价格昂贵,而在限制分布式电源并网率的配网网架中,采取稳态特征量为判断依据的故障定位方法仍具有普遍性[12],依据其算法类型的不同可分为矩阵法和人工智能法[13－14]。现阶段,随着配电自动化技术的快速发展,以人工智能算法为基础的故障定位技术,由于其灵活度高,适应性强,能够忍受采集数值缺失的特点得到广泛研究[15]。

文献[16]引入最小生长树理论,以较大电流幅值测点为基础构建包含或临近故障点的子图,再进行子图缩减以确定故障区段。文献[17]基于广义回归神经网络,建立响应数据与故障位置的映射关系从而判断故障定位。文献[18]将迁移学习与卷积神经网络混合,采用ResNet50网络对测点间的电压电流数据进行训练,以解决数据样本少的场景下配电网故障定位问题。

本文对长短期记忆(long short－term memory,LSTM)网络的结构及原理进行了研究,提出一种基于长短期记忆网络的有源配电网容错故障定位方法。首先将有源配电网划分为多个双端无分支区段且定义首末端,通过线路两端FTU采集数据形成故障前后的电流时间序列与电压时间序列并分别训练长短期记忆网络。……