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。
1.1 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
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：
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：
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。
2 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。
3 python代码实现
3.1 结果展示
3.2 python代码
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()
