基于梯度提升樹的配電網單相接地故障定位方法

【關鍵詞】梯度提升樹；配電網；單相接地；故障定位；異常識別；定位方法

引言

配電網運行把控較為復雜、多變，且日常的運行涉及很多關聯設備，覆蓋范圍的影響大。配電網單相接地故障是電力系統中最為常見的一種故障類型，其準確定位對于故障的快速恢復和電力系統的穩定運行十分關鍵。為解決該情況，相關人員設計了應對性較強的接地故障定位方法，例如：文獻[1]提出了暫態信號配電網單相接地故障定位方法。該方式主要是在預設區段之內，對出現的接地故障信號進行捕捉，多區段型號對比，實現最終的故障定位；文獻[2]提出的FRFT和RBF神經網絡單相接地故障定位方法則是利用FRFT原則，設計多層級的RBF神經網絡故障識別與定位模式。在對異常數據分析的過程中，不斷縮小鎖定故障位置，強化故障定位結果。上述定位方式均可以達到預期的目標，但是受外部環境與特定因素的影響，致使最終得出的定位結果出現誤差。為此提出對基于梯度提升樹的配電網單相接地故障定位方法的設計與實踐驗證。梯度提升樹（Gradient Boosting Tree，GBT）作為一種強大的集成學習算法，在解決復雜問題方面展現出了優越的性能。將其與融合單相接地故障進行融合，提取出與故障定位相關的特征，然后利用梯度提升樹算法構建故障定位模型，實現對故障位置的準確預測，為電力系統的安全穩定運行提供有力的技術支撐。

一、設計配電網單相接地故障梯度提升樹定位方法

（一）單相接地故障時域特征計算及多區段故障數據采集

配電網正常運行狀態下，電路狀態的幅值應呈現為特定值的多倍，而當多種因素疊加時，電流的方向也會大致呈現出反向的特性。因此，當前要對單相接地故障進行定位處理，便需要利用暫態階躍電壓波下的寬頻帶所對應的暫態分量，對故障的區段進行標定。捕捉暫態信號，結合信號的變動情況，先對異常位置做出標定，依據采集的故障數據，先測定出時域偏度，如公式1：

（二）建立梯度提升樹配電網單相接地故障定位模型

在建立梯度提升樹配電網單相接地故障定位模型時，首先需要收集大量的電壓、電流、阻抗等故障數據樣本，對數據進行預處理，在特定的環境下，實現清洗、去噪和缺失處理等，保證數據的穩定與可靠。接下來，提取數據的特征，結合故障位置的實際情況，進行相位差的計算，如公式3：

圖1實現對梯度提升樹配電網單相接地故障定位模型原理的設計與實踐執行。根據得出的故障特征和相位差，描述當前故障點之間的聯系，經過不斷迭代處理以及定位區域縮小，明確對應的故障映射點，此時，結合采集的數據，構建對應的模型表達式，如下公式4：

（三）追蹤匹配實現故障定位處理

追蹤匹配的實現，依賴梯度提升樹模型對故障特征的精確學習。在模型訓練階段，大量的故障數據被輸入模型中，通過不斷地迭代和優化，模型逐漸學習到故障特征與故障位置之間的復雜映射關系。這種映射關系為后續的追蹤匹配提供了有力的支持。當配電網發生單相接地故障時，系統先采集故障特征數據，對輸入數據進行快速分析，并輸出故障位置的預測結果。接下來，以模型輸出的結果為分析對象，設計追蹤匹配的處理結構，見圖2：

圖2主要是對追蹤匹配故障定位進行處理。接下來，通過比較預測位置與實際拓撲結構中的設備或線路位置，驗證預測定位結果的準確性，實現故障定位結果的對比。需要注意的是，在進行追蹤匹配的過程中，需要對實際定位的誤差以及干擾進行把控處理，采取適當的措施，協同修正，以此來進一步提高故障定位的準確性和可靠性。

二、實驗說明

本次主要是對于梯度提升樹的配電網單相接地故障定位方法的設計與分析，考慮確定H配電網作為目標測試對象，參考文獻設定暫態信號配電網單相接地故障定位方法、FRFT和RBF神經網絡單相接地故障定位方法以及此次設計的梯度提升樹單相接地故障定位方法。利用平臺進行實際應用數據和信息的采集，匯總之后以待后續使用。接下來，對初始測試環境進行細化處理。

（一）實驗準備

結合梯度提升樹原理，對配電網單相接地故障定位方法測試環境進行設定。當前，構建對應的仿真環境，預設5組輔助性的虛擬單相接地故障指令導入測試的程序之中，為后續的定位處理奠定基礎。接下來，可識別區域劃分為3個單元，每一個單元部署一定數量的監測節點，便于數據和信息的采集。接下來，為迎合單相接地故障的特征，進行測試輔助指標參數的設置，見表1：

表1是對測試輔助指標參數的設置，結合當前數值的調整，通過梯度提升樹明確故障定位的邊緣區域，至此，實現對測試環境的細化設定。

（二）實驗過程及結果分析

結合上述搭建的測試環境，結合梯度提升樹，對配電網單相接地故障定位方法進行對比測驗。首先，按照順序將預設輔助故障測試指令執行，配電網會出現單相接地故障情況，此時，配電網的程序會發出預警，針對多個周期的故障狀態，分析時域浪涌故障變化，見圖3：

圖3主要是對單相接地故障時域浪涌故障變化做出的分析，浪涌的動態變化程度，反映了故障的擴展區域，此時，結合測定計算的故障特征，對異常位置進行具體定位，并計算出故障定位誤判次數，如公5：

結合表2，實現對測試結果的分析：針對暫態信號配電網單相接地故障定位方法、FRFT和RBF神經網絡單相接地故障定位方法，此次設計的梯度提升樹單相接地故障定位方法最終得出的誤判次數較小，這說明設計的配電網單相接地故障定位方法的應用效果顯著提升，針對性強，定位更加精準。

結束語

綜上所述，以上便是對基于梯度提升樹的配電網單相接地故障定位方法的深入探討分析，在多變的實際環境下，結合梯度提升樹原理，設計更加靈活、多變的故障定位方式，更為有效地利用算法進行定位計算，進一步提升當前故障定位的準確性和快速性。此外，該方法還可以減少故障定位的時間成本，持續創新和優化，提升配電網的安全穩定運行水平，對電力行業的發展具有積極意義。