新型10 kV配電線路綜合故障定位方法

嚴 鳳， 劉文軒， 董 維， 代 明

(華北電力大學電氣與電子工程學院， 保定 071003)

新型10kV配電線路綜合故障定位方法

嚴 鳳， 劉文軒， 董 維， 代 明

(華北電力大學電氣與電子工程學院， 保定 071003)

為提高行波定位的準確性，提出了一種新型配電網故障定位方法。此方法根據C型行波的傳播特性和波形特征，應用小波變換良好的時頻局部化功能進行波形降噪，同時利用RBF神經網絡擅長模式識別的優點，可以實現準確的故障定位。該方法是一種分兩步來確定故障點的定位方法: 首先利用C型行波法得到故障反射波，運用小波變換進行波形降噪處理以確定故障距離，然后利用RBF神經網絡確定故障分支。理論分析和仿真結果表明，該方法能夠準確地確定配電網單相接地故障位置。

10 kV配電線路； 故障定位； C型行波法； 小波分析； 神經網絡

隨著用戶對供電可靠性的要求越來越高，小電流接地系統單相接地故障定位的重要性日益突出。近年來，各供電企業開始重視新型電力線路故障定位技術的開發與應用，并提出了許多方法[1～3]，其中一些已經得到了實際應用。

計算機的日益普及促進了人工智能方法[4～12]的應用，在建設智能電網的大趨勢下，越來越多的研究人員開始重視此領域。專家系統[4，5]、隨機優化技術[6]和人工神經網絡[7～12]等多種技術已用于解決電力系統中的實際問題。

本文提出了基于徑向基RBF(radial basis function)神經網絡的配電網故障定位方法，并配合行波測距法[13～15]進行故障測距，可以實現快速準確的定位。

1 配電網定位的難點與行波定位方法

1.1 配電網定位的難點

配電網故障定位主要有2大難點[1，2]：一是故障接地過渡電阻比較大。這時的故障信號微弱，加上現場的噪聲干擾，很多定位方法會失效，這使得許多方法不能用于配電網故障定位。二是線路分支多。分支點對暫態信號有衰減和畸變作用，返回接收端的暫態信號已經衰減得相當微弱，可能無法檢測到故障信號，定位失效。

1.2 行波定位法測距原理

行波定位方法一般分為A型、B型、C型和E型4種[13～15]。A型定位原理利用故障時產生的行波，根據測量點到故障點往返一次的時間和行波波速確定故障點距離。B型定位原理利用故障時產生的行波到達線路兩端的時間差來實現定位。A、B型2種定位方法都需要檢測線路故障瞬間產生的行波信號，需要在變電站的母線上線路的出線處加設檢測裝置，投資較大，檢測的準確性與故障時間、線路狀況等因素有關。C型定位原理與A型定位原理一樣，不同的是，它利用的是人工注入行波信號。E型行波測距方法是利用線路故障發生后開關重合閘的瞬間，注入電流脈沖雙端測距的方法。

如圖1所示，線路故障后，人工向故障線路發射脈沖信號，然后檢測發射脈沖信號的時刻和來自故障點的反射波到達檢測點的時刻。設故障點到信號檢測點M的距離為XL，則故障點的計算公式為

(1)

圖1 C型行波定位示意圖

1.3 故障信息的小波降噪

行波信號在傳播過程中總會受到各種噪聲的干擾，這些噪聲是以不同頻率、不同強度無規則地組合在一起。根據產生機理可以將噪聲分為加性噪聲和乘性噪聲。加性噪聲是指噪聲直接疊加在有用信號上，產生這類噪聲的系統具有線性的疊加性質；乘性噪聲是指噪聲和有用信號之間按乘積規則或卷積規則組合起來，這樣的噪聲不能利用簡單的線性系統來處理而應該利用滿足廣義疊加原理的一種特殊的非線性系統來處理。本文所涉及的噪聲屬于加性噪聲。

與工頻信號相比，行波信號頻率很高而能量很小，這與噪聲信號十分相似，所以需要對行波信號進行消噪[14～17]。

小波分析作為新興的數字信號處理工具，最大的特點就是具有良好的時頻局部化功能。能夠從時域和頻域描述奇異信號的每一個細節，故障產生的行波是一種非平穩變化的高頻信號，因此小波變換成為分析行波最為有效的數學工具。小波變換的結果反映了信號在對應位置的變化率，小波變換的模極大值說明信號在該點具有最大的變化率。不僅如此，小波變換模極大值點與信號的突變點是一一對應的，模極大值的大小與信號突變量大小呈正比，并且模極大值的正負與信號的極性一致。

雖然行波與噪聲都具有奇異性，然而兩者在不同尺度下的表現卻不盡相同。隨著小波函數尺度因子的增大，行波信號的小波變換結果不變或增大，而噪聲信號的小波變換的結果將大大減小并迅速衰減。因此，利用行波與噪聲多尺度奇異性檢測結果的不同，就可以實現行波信號的消噪。

2 RBF神經網絡

徑向基函數[7～12]RBF(radial basis function)是多維空間插值的傳統技術，根據生物神經元具有局部響應這一特點，將RBF引入神經網絡設計中，產生了RBF神經網絡。徑向基網絡的神經元模型結構如圖2所示。

圖2 RBF神經元模型

RBF網絡的基本思想是：用RBF作為隱單元的“基”構成隱藏層空間，隱含層對輸入矢量進行變換，將低維的模式輸入數據變換到高維空間內，使得在低維空間內的線性不可分的問題在高維空間內線性可分[7～10]。

2.1RBF神經網絡的結構

RBF神經網絡屬于前向神經網絡類型，網絡的結構與多層前向網絡類似，是一種三層的前向網絡，如圖3所示。第一層為輸入層，由信號源節點組成；第二層為隱藏層，隱藏層節點數視所要描述問題的需要而定，隱藏層中神經元的變換函數即徑向基函數是對中心點徑向對稱且衰減的非負非線性函數，該函數是局部響應函數，而以前的前向網絡變換函數都是全局響應的函數；第三層為輸出層，它對輸入模式進行響應。

圖3 RBF神經網絡的結構

2.2RBF神經網絡的基本算法

RBF網絡傳遞函數的原型函數為

radbas(n)=e-n2

(2)

當輸入變量為0時，傳遞函數取得最大值為1。隨著權值和輸入向量之間距離的減小，網絡輸出是遞增的。所以徑向基神經元可以作為一個探測器，當輸入向量和加權向量一致時，神經元輸出1。圖2中的b為閾值，用于調整神經元的靈敏度。

RBF神經網絡學習算法需要求解的參數有3個：基函數的中心、方差以及隱含層到輸出層的權值。根據徑向基函數中心選取方法的不同，RBF網絡有多種學習方法，如隨機選取中心法、自組織選取法、有監督選取中心法和正交最小二乘法等。

本文應用自組織選取中心學習法[7，8]，該方法由二個階段組成：一是自組織學習階段，此階段為無導師學習過程，求解隱含層基函數的中心與方差；二是有導師學習階段，此階段求解隱含層到輸出層之間的權值。

徑向基神經網絡中常用的徑向基函數是高斯函數，因此徑向基神經網絡的激活函數可表示為

(3)

式中，‖xp-ci‖為歐式范數；ci為高斯函數的中心；σ為高斯函數的方差。

輸出為

(4)

設d是樣本的期望輸出值，那么基函數方差可表示為

(5)

學習算法[9，10]具體步驟如下。

步驟1基于K-均值聚類方法求取基函數中心c。

①網絡初始化：隨機選取h個訓練樣本作為聚類中心ci(i=1,2,3，…,h)。

②將輸入的訓練樣本集合按最近鄰規則分組：按照xp與中心為ci間的歐氏距離將xp分配到輸入樣本的各個聚類集合θp(p=1,2,3,…,P)中。

③重新調整聚類中心：計算各個聚類集合θp中訓練樣本的平均值，即新的聚類中心ci，如果新的聚類中心不再發生變化，則所得到的ci即為RBF神經網絡最終的基函數中心，否則返回②進行下一輪的中心求解。

步驟2求解方差σi。

該RBF神經網絡的基函數為高斯函數，方差σi可由下式求解：

(6)

式中，cmax是所選取中心之間的最大距離。

步驟3計算隱含層和輸出層之間的權值。

隱含層至輸出層之間神經元的連接權值可以用最小二乘法直接計算得到，計算公式如下：

(7)

i=1，2，3，…，h；p=1，2，3，…，P

2.3 行波-RBF神經網絡綜合定位方法

針對配電網定位的難題，通過對現行的定位方法進行分析，提出了利用多種信息來進行綜合定位的方法，其目的是利用不同方法的互補性來提高故障定位的準確性。

將特征波C型行波定位法和人工神經網絡結合起來的行波-RBF神經網絡綜合定位方法，分2步進行故障定位：第一步是在故障線路首端注入高壓脈沖信號，利用C型行波法確定故障距離；第二步是利用RBF神經網絡確定出故障分支。故障距離結合故障分支就可以對帶分支的配電線路進行精確的故障定位。

3 仿真實驗及結果

對于行波-RBF神經網絡綜合故障定位方法，應用ATP-EMTP和MATLAB仿真軟件對帶分支的線路進行了仿真實驗，驗證了其可行性。

3.1 行波法確定故障距離

圖4(a)是某變電站對部分工廠的配電線路圖，圖4(b)為簡化線路示意圖，分支的末端是配電變壓器。假設在F發生了單相電阻接地故障，由于配電變壓器在高頻情況下只有入口電容起作用，可用電容C來替代變壓器。

(a) 某變電站配電線路圖

(b) 簡化線路示意圖

(c) 線路仿真模型

以接地過渡電阻為1000 Ω的單相短路接地故障為例，假設故障發生在線路的BC段，距離線路首端M點2.1 km，用ATP-EMTP軟件仿真圖4(b)線路故障，仿真模型如圖4(c)所示。仿真線路使用分布參數的單相線路，每兩個點之間的一段線路使用π型等值線路模擬。其中，設波阻抗為460 Ω。信號源采用幅值為10 kV寬度為2 μs的高壓脈沖信號。變壓器對行波的影響主要是其入口電容反射影響。變壓器的入口電容的大小與其額定電壓及容量有關，對于容量為100 kVA的10 kV變壓器，用Al-6000自動精密電橋測量，三相繞組總的入口電容1.268 nF，每相繞組入口電容為423 pF。

故障后，在首端注入脈沖信號，在母線首端進行采樣，檢測反射行波信號。下面是該線路仿真波形加入白噪聲并應用小波變換進行降噪后的波形信號(信噪比設為10 dB)：其中，圖5是線路正常時的仿真波形，圖6是F點發生短路接地故障時的仿真波形，圖7為線路正常時與短路接地故障時的仿真波形差。從圖7可以看出，特征波信號與噪聲還是有很大不同的，通過小波降噪處理可以準確判別出故障圖形第一個明顯的信號突變時刻，即為故障特征時刻T=14.1 μs，根據公式(1)，取波速v=300 m/μs，則可得：

與實際距離相差15 m，測距精度滿足實際要求。

圖5 線路正常時的仿真波形

圖6 接地電阻1000 Ω接地時的仿真波形

當線路BC段發生了故障，并利用特征波C型行波定位方法確定了故障距離之后，會發現在這個距離區段，有5個分支BC、DE 、DG、HI和HJ，特征波C型行波方法不能確定故障發生在哪個分支。為了確定故障所在的分支，需要利用RBF神經網絡。

圖7 線路正常時與接地電阻1000 Ω時的仿真波形差

3.2RBF神經網絡分析

具體步驟如圖8所示。

圖8 神經網絡建模步驟

1)數據采集

數據集共包括30組故障波形數據，分別用ATP-EMTP軟件仿真BC、DE 、DG、HI和HJ支路的故障得到。其中，1～5組數據來自BC支路，6～10組數據來自DE支路，11～15組數據來自DG支路，16～20組數據來自HI支路，21～25組數據來自HJ支路，將這25組數據作為訓練樣本用來訓練網絡；第26組為BC支路距M點2.115 km發生短路故障的波形數據，第27組為DE支路距M點2.115 km發生短路故障的波形數據，第28組為DG支路距M點2.115 km發生短路故障的波形數據，第29組為HI支路距M點2.115 km發生短路故障的波形數據，第30組為HJ支路距M點2.115 km發生短路故障的波形數據，將這5組數據作為測試樣本用來測試網絡訓練的成果。將訓練樣本25組數據存入P文件中，P文件是25×20001的數組；將測試樣本5組數據存入P_test文件中，P_test文件是5×20001的數組；將訓練樣本數據故障類型存入T文件中，BC故障類型設為1，DE故障類型設為2，DG故障類型設為3，HI故障類型設為4，HJ故障類型設為5，T文件是25×1的數組；將測試樣本數據故障類型存入Tc_test文件中，Tc_test文件是5×1的數組。

2)RBF神經網絡的創建

首先，利用MATLAB自帶的神經網絡工具箱函數newrb()構建一個RBF神經網絡。然后設置網絡參數，分布常數SPREAD設定為300，訓練目標為0.01。之后，利用MATLAB自帶的網絡訓練函數train()對網絡進行訓練學習。最后，利用sim()函數將測試樣本數據輸入訓練好的神經網絡便可以得到對應的測試樣本輸出仿真數據。

3)結果顯示

為了直觀地對仿真結果進行分析，用disp()函數將結果顯示在命令窗口中，如圖9(a)所示，圖9(b)為RBF網絡訓練函數收斂情況。

(a) RBF神經網絡支路判斷結果

(b) RBF訓練函數收斂情況

本次RBF神經網絡訓練步數為12步，共用時7 s。從上述結果可以看出，RBF神經網絡可以快速準確地判斷故障所在分支，表明利用行波測距法和RBF神經網絡相結合進行故障定位是可行的。

4 結語

針對10 kV配電線路的特點和故障定位的難點，提出了行波-RBF神經網絡綜合故障定位方法。該方法結合了特征波行波定位法、小波分析方法和RBF神經網絡的優點，利用多種方法的互補性提高了故障定位的準確性。計算機仿真結果表明：RBF神經網絡結構簡單，訓練速度快，正確率高。即使是在多分支的復雜配電線路中，RBF神經網絡也可以快速準確地識別故障分支，在配合行波測距法之后可以實現準確的故障定位。

[1] 郭俊宏,譚偉璞,楊以涵(Guo Junhong,Tan Weipu,Yang Yihan).小電流接地系統故障測距的方法研究(Study on fault location method in small current neutral grounded system)[J].電氣應用(Electrotechnical Application),2006,25(6):91-94.

[2] Aurangzeb M,Crossley P A,Gale P. Fault location using the high frequency traveling waves measured at a single location on a transmission line [C]∥ Seventh International Conference on Developments in Power System Protection , Amsterdam, Netherlands: 2001.

[3] Bo Z Q. Accurate fault location technique for distribution system using fault-generated high-frequency transient voltage signals [J]. IEE Proceedings: Generation, Transmission and Distribution,1999,146(1):73-79.

[4] 崔奇明(Cui Qiming). 基于ESTA的電力設備狀態評估專家系統(Electrical power equipment condition assessment expert system based on ESTA) [J]. 電力系統及其自動化學報(Proceedings of the CSU-EPSA), 2008,20(5):124-128.

[5] Vazquez M E, Chacon M O L, Altuve F H J. An on line expert system for fault section diagnosis in power systems [J].IEEE Trans on Power Systems, 1997, 12(1):357-362.

[6] Wen Fushuan, Han Zhenxiang. Fault section estimation in power systems using a genetic algorithm [J]. Electric Power Systems Research, 1995, 34(3): 165-172.

[7] 周開利,康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京:清華大學出版社,2005.

[8] 史峰,王小川,郁磊,等.MATLAB神經網絡30個案例分析[M].北京:北京航空航天大學出版社,2010.

[9] 葛哲學, 孫志強. 神經網絡理論與MATLAB R2007實現[M].北京:電子工業出版社, 2008.

[10]趙智,王艷松,鮑兵,等(Zhao Zhi,Wang Yansong,Bao Bing，etal).基于小波神經網絡的配電網故障類型識別(Fault type identification in distribution network based on wavelet neural network)[J].電力系統及其自動化學報(Proceedings of the CSU-EPSA), 2007,19(6):93-96.

[11]畢天姝,倪以信,吳復立,等 (Bi Tianshu,Ni Yixin, Wu Fuli,etal).基于新型神經網絡的電網故障診斷方法(A novel neural network approach for fault section estimation)[J].中國電機工程學報(Proceedings of the CSEE), 2002, 22(2): 73-78.

[12]Thukaram D, Khincha H P, Vijaynarasimha H P. Artificial neural network and support vector machine approach for locating faults in radial distribution systems [J]. IEEE Trans on Power Delivery, 2005,20(2):710-721.

[13]嚴鳳,楊奇遜,齊鄭，等(Yan Feng,Yang Qixun,Qi Zheng,etal).基于行波理論的配電網故障定位方法的研究(Study on fault location scheme for distribution network based on traveling wave theory)[J].中國電機工程學報(Proceedings of the CSEE), 2004,24 (9):37-43．

[14]覃劍(Qin Jian).輸電線路單端行波故障測距的研究(Study on single terminal traveling wave fault location of transmission line)[J].電網技術(Power System Technology),2005，29(15):65-70．

[15]劉巍, 湛大千(Liu Wei,Zhan Daqian).基于反向行波的故障測距(Fault location method based on backward travelling wave)[J].電力系統及其自動化學報(Proceedings of the CSU-EPSA), 2006,18(5): 62-65.

[16]葛哲學,沙威.小波分析理論與MATLAB R2007實現[M]. 北京:電子工業出版社,2007.

[17]葛耀中. 新型繼電保護和故障測距的原理與技術[M]. 西安:西安交通大學出版社,2007.

嚴 鳳(1965-)，女，博士，講師，碩士生導師，研究方向為電力系統分析、運行與控制。Email:yanfyyy@163.com

劉文軒(1986-)，男，碩士研究生，研究方向為智能化檢測與控制技術。Email:liuwenx_ncepu@163.com

董 維(1985-)，女，碩士研究生，研究方向為鐵磁諧振及消諧措施。Email:dongweidongtao@163.com

NewCompositeMethodofFaultLocationfor10kVDistributionLines

YAN Feng， LIU Wen-xuan， DONG Wei， DAI Ming

(School of Electrical and Electronic Engineering, North China Electric Power University, Baoding 071003, China)

In order to improve the accuracy of traveling wave fault location,a new method for accurate fault location on a distribution line with branches using wavelet analysis and RBF (radial basis function) neural network is presented. According to the propagation characteristics of traveling wave and the characteristics of waveform, time-frequency localization function of wavelet analysis is adopted to denoise the waveform. At the same time, the ability of pattern recognition of RBF neural network is used to determine the fault branch.This composite method has two steps. The first step is determining the fault distance by C-type of traveling wave location method and wavelet analysis; the second one is locating the fault branch by RBF neural network. Both theoretical analyses and simulation show that this composite location method can be used to determine the single-phase-to-earth fault location accurately in the distribution network.

10 kV distribution line； fault location； C-type of traveling wave； wavelet analysis； neural network

TM711

A

1003-8930(2012)06-0117-06

2011-08-11；

2011-10-12