混合模糊H網在配電網故障識別中的應用

王思明，童安蓉

（蘭州交通大學自動化與電氣工程學院，蘭州 730070）

混合模糊H網在配電網故障識別中的應用

王思明，童安蓉

（蘭州交通大學自動化與電氣工程學院，蘭州 730070）

識別故障類型是實現配電網故障準確定位的前提。針對配電網故障識別問題，提出一種混合模糊H網的方法。對故障發生后1/4周期內的三相電壓，應用Clarke變換進行實時三相電壓的零序分解，應用S變換提取電壓暫降幅值，然后經過模糊推理系統獲取模糊值作為特征量，最后應用模糊H網進行識別。采用ATP/EMTP進行配電網故障模型的搭建，然后對各種短路故障類型進行識別。仿真結果驗證了方法的可行性，且不受過渡電阻、故障位置等影響，并通過方法對比，表明混合模糊H網方法具有良好的準確性和快速性。

配電網；故障識別；S轉換；模糊邏輯；模糊H網

故障定位是配電網故障自愈控制的基礎，而快速、準確的故障類型識別是準確故障定位和快速恢復供電的前提。近幾年，針對電網線路故障識別，國內外學者大多數集中研究高壓輸電線路，針對配電網的研究較少。研究成果主要集中于特征提取和類型識別。特征提取方面的相關方法都取得了較大的進展，如小波變換［1-2］、希爾伯特黃變換［3］、小波熵［4］、故障分量分解［5-7］、S變換［8-9］等。類型識別方面，主要為推理法和分類器兩類方法。文獻［10］應用模糊推理方法來解決輸電線路故障的識別問題，并提高了故障識別在信息不確定和模糊的情況下的準確性。文獻［11-13］應用人工神經網絡的分類方法，故障識別速度和準確性得到了有效的提高。文獻［14］應用模糊Petri網來實現故障識別的推理分析部分，將推理過程清晰直觀化。

模糊推理和神經網絡的推理過程是黑箱操作，不容易被人理解。雖然模糊Petri網的推理過程比較直觀，但存在“積壓”現象和結構復雜的缺點。模糊H網FHN（fuzzy H net）是對模糊Petri網的進一步改進，比模糊Petri網的結構更為簡潔，數值處理能力更強。

考慮到配電網發生故障時所獲取的電壓、電流信息受隨機因素干擾較大和目前識別方法的局限性，本文應用混合模糊H網HFHN（hybrid fuzzy H net）模型來實現配電網線路故障類型的識別，故障特征提取部分采用Clarke變換和S變換實現，類型識別推理部分采用模糊邏輯和模糊H網相結合的混合模型實現。

1　識別框架及仿真系統

1.1識別框架

圖1所示為基于混合模糊H網的配電網故障識別框架?；旌夏：鼿網模型包括特征提取、模糊邏輯和模糊H網，其中特征提取和模糊邏輯部分的功能是實現對故障信號的預處理，提取出能反映故障特性的特征量；模糊H網則根據提供的特征量進行推理計算，得出故障類型。

圖1　配電網故障識別框架Fig.1　Structure of fault type recognition for distribution network

1.2ATP/EMTP仿真系統及仿真數據

由于我國10 kV配電網為小電流接地，饋線線路主要是電纜線路，配電網結構多為輻射狀結構且分支多，為了使仿真模型接近現實，在ATP/EMTP仿真建模環境下搭建如圖2所示的系統仿真模型。

圖2　電纜系統模型Fig.2　Model of cable system

該仿真模型為10 kV中性點經消弧線圈接地的配電網模型，負荷采用集中負荷，線路采用電纜線路，其中電纜線路cb1全長為4 km，cb2全長為5 km，cb3全長為6 km。表1給出相關電纜線路的參數。用理想電壓源來模擬無限大容量系統，設置初始相角為0°；所選用的變壓器型號為S9-1600/35，連接方式為Yd11；變壓器空載損耗為5.5 kW；負載損耗為37 kW；阻抗電壓百分數為5.5%；空載電流百分數為0.6%。母線后的第一個元件為三相電壓、三相電流測量模塊，用于測量所在線路的暫態信號。在此基礎上，仿真產生識別樣本：取10種故障類型在不同故障位置、不同過渡電阻及不同故障初始角下的三相電壓數據共300組，具體設置見表2。

表1　電纜線路參數Tab.1　Parameters of cable line

表2　仿真參數Tab.2　Simulation parameters

2　理論基礎

2.1特征提取

配電網的故障特征提取主要采用Clarke變換矩陣和S變換來實現。

2.1.1Clarke變換矩陣

由于配電網中三相之間存在復雜的電磁耦合關系，為了便于準確識別出接地故障，本文采用Clarke變換矩陣，進行三相故障電壓的正序、負序和零序分解，從而獲取識別接地故障的零序特征量。對三相電壓進行Clarke變換的形式［15］為

式中：Smode=［UαUβU0］T，Sphase=［UaUbUc］T。

使用Smode和Sphase分別表示模量和相量信號，采用Clarke轉換矩陣將三相配電線路的暫態電壓轉換為獨立的模量系統，利用Clarke變換矩陣獲得相間模量（正序、負序信號）和接地模量（零序信號）。其中α模量、β模量為相間模量，0模量為接地模量，并且當接地故障發生時，接地模量變化最為顯著。

因此式（1）可簡化為

利用式（2）可提取判斷接地故障的特征量U0。

2.1.2S變換提取電壓暫降幅值

配電系統發生故障后，除線路電流發生變化外，母線處也會經歷不同程度的電壓暫降，主要特征為電壓幅值下降和相位跳變等［16］。采用S變換方法計算電壓暫降幅值。

信號h（t）的一維連續S變換的定義［17］為

式中：τ為選取的窗口時間；f為頻率；h（t）為需要進行S變換的連續信號。

令f→n/（NT）、τ→kT，則S變換的離散形式為

式中：n，k，m=0，1，…，N-1；T為采樣間隔；N為總采樣點數。

信號S變換幅值矩陣元素為

式中，n，k=0，1，…，N-1。

幅值矩陣A的行、列分別對應采樣點與頻率值的信號幅值大小。

由于所采樣的電壓波形包含故障發生時的狀態，所以在計算電壓暫降幅值Us時，首先對正常狀態下三相電壓信號進行S變換，根據式（5）計算出對應采樣頻率下的行向量Ab，然后對故障電壓信號進行S變換，由式（5）計算出對應采樣頻率下的行向量Af，則電壓暫降幅值為

考慮到從配電網中獲取的電壓信號的頻率為50 Hz，故在進行S變換時將基頻設定為50 Hz，采樣頻率為2 kHz，采樣間隔T取500 μs。

2.2模糊邏輯

模糊邏輯是用語言變量來表示不確定概念，從而模擬人的思維方式，其中模糊功能函數表示為一個映射：μ：x→［0，1］，則模糊集B為

式中：X為一論域；μB（x）為模糊集的功能函數。

當配電網線路發生故障時，S變換提取的電壓暫降幅值將增大，若故障為接地故障，Clarke變換所獲取的U0幅值將增大。在研究過程中，電壓暫降幅值增加幅度和U0變化幅度用“H”和“L”的模糊語言來進行表征。根據故障模型所產生的樣本數據，通過統計和分析確定出閾值，得到如圖3所示的各個特征量的線性功能函數。

圖3　功能函數Fig.3　Performance function

2.3混合模糊H網

2.3.1模糊H網定義

根據模糊H網定義及特點，可將其定義為一6元組［18］，即

式中：P為一個模糊H結點的有限集合；R為模糊H結點間的有向連接邊的連接情況；F（p）為定義在P上的一個映像，將P上中的模糊H結點映像為一個遞增的非負實函數，稱為結點p的狀態轉移控制函數；G（p）為定義在P的標記狀態上的實函數，稱為結點p的標志轉移函數；S0（p）為定義在P上取值為［0，∞］的實函數，S0表示H網開始運行時各H結點的初始標記狀態，在推理過程中，S0為根據對獲取的三相電壓特征值進行模糊化的結果得到的各H節點的初始標記狀態；S（i）為H結點相應輸入連線的輸入強度。

2.3.2模糊H網推理方法

記模糊H結點的點火閾限為（0，∞］；Ii為模糊H結點的輸入結點，C為模糊H結點。

構造模糊產生規則：I1，…，Im→C

則輸入強度為

式中：Ii為輸入量；aj為連接強度；i為結點序號；j為結點間連接序號，i，j=1，…，m。

點火條件為

式中，δ為點火閾值，取值范圍為（0，1）。

標記轉移函數為

計算結果為

式中，Cl表示H結點的當前標記值。

綜上所述，可得推理算法步驟如下：

（1）初始化，輸入各H結點的初始標記狀態S0（p）；

（2）令推理步驟l=0；

（3）根據式（9）計算模糊H結點的輸入強度S（i）；

（4）根據式（10）判斷該結點是否具有點火能力，是則轉向步驟（5），否則，返回步驟（3）；

（5）根據式（11）和式（12），計算出本結點的標記值Cl+1；

（6）若Cl+1≠Cl，令l=l+1，返回步驟（3），重新計算Cl+1；若Cl+1=Cl，則推理結束。

2.3.3混合模糊H網模型

根據第2.1節所述，對故障數據進行特征提取，令提取的特征量Us和U0作為混合模糊H網的輸入，然后根據第2.2節所述的模糊邏輯進行模糊化處理，最后利用模糊H網進行邏輯推理獲取推理結果。如圖4所示為混合模糊H網模型。圖中：結點P1～P6、P14、P15為初始結點；結點P7～P13為方便推理所借助的過渡結點；結點P16～P25為終止結點，分別代表10種故障類型，其所含的標記值代表最終推理結果。

圖4　故障識別的混合模糊H網模型Fig.4　HFHN model of recognition of fault types

3　實例驗證

從4類故障（單相接地（SLG）、相間短路（DL）、兩相接地（DLG）、三相短路（ABC））中各選取一個故障來進行驗證。如表3所示為選取的4個故障的仿真條件，其三相電壓波形如圖5所示。

采用式（2）實現故障電壓波形的相模變換，提取U0，結果如圖6所示，分別為4個故障所對應的U0幅值。結果表明，接地故障的幅值明顯高于相間短路故障的幅值，而相間短路故障和三相短路故障的U0幅值基本為0。上述4個暫態電壓信號經Clarke變換和S變換提取的特征量如表4所示。上述特征量再經模糊邏輯模塊，得模糊H網的初始標記狀態S0分別如表5所示。根據模糊H網定義和推理規則，令圖4所示混合模糊H網模型的相應輸入連線的連接強度aj和點火閾值τ分別為：aj=1，τ=0.5。根據模糊H網推理步驟得到以表5中的初始狀態作為輸入的混合模糊H網的最終狀態和識別結果，如表6所示。

表3　故障信號的仿真條件Tab.3　Simulation conditions of fault signals

圖5　故障電壓信號Fig.5　Voltage signals under faults

圖6　故障對應的U0幅值Fig.6　Voltage waveform of U0for faults

表4　故障信號的特征值Tab.4　Characteristic value of fault signal

表5　模糊H網初始狀態Tab.5　Initial state of fuzzy H net

表6　混合模糊H網推理所得最終狀態Tab.6　Final state of reasoning by hybrid fuzzy H net

由表6可知，對以上4類故障，本文提出的方法均可準確識別出正確結果，并可給出故障發生概率。

根據此推理規則進行推理，對第1.2節所述的300個樣本進行故障識別，部分識別結果如表7所示，總的識別準確率達100%，且300組樣本的識別只需0.012 8 s。由表7可知，該方法不受故障位置、故障電阻和故障初相角的影響，能準確給出故障類型和故障發生的概率，具有較好的適應性。

為進一步驗證該方法，在相同樣本條件下，將本文方法與文獻［4］、文獻［14］的方法進行對比，對比結果如表8所示。由表8可知，本文方法比文獻［14］方法的準確率高，識別速度快；雖然與文獻［4］的準確率基本一致，但識別速度更快。

表7　測試樣本的故障識別結果Tab.7　Results of fault type classification under various conditions

表8　不同方法對比結果Tab.8　Comparison of results among different methods

4　結論

（1）Clarke變換和S變換提取的零序電壓幅值和電壓暫態幅值能分別較好地反映接地故障特征和故障相別；

（2）混合模糊H網方法能正確地識別出非接地故障和接地故障，識別準確率高、速度快，能夠滿足故障診斷的實時性要求，且具有較好的適應性。

［1］Dwivedi U D，Singh S N，Srivastava S C.A wavelet based approach for classification and location of faults in distribution systems［C］//IEEE India Conference and Exhibition on Control，Communications and Automation.Kanpur，India，2008：488-493.

［2］趙智，王艷松，鮑兵，等（Zhao Zhi，Wang Yansong，Bao Bing，et al）.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.

［3］杜輝，王清亮，張璐，等（Du Hui，Wang Qingliang，Zhang Lu，et al）.采用希爾伯特黃變換方法實現配電網故障選線（Fault line selection of distribution network based on Hilbert-Huang transform）［J］.電力系統及其自動化學報（Proceedings of the CSU-EPSA），2013，25（5）：60-64.

［4］王艷松，譚志勇，劉學民（Wang Yansong，Tan Zhiyong，Liu Xuemin）.基于小波奇異熵和支持向量機的配電網故障類型識別（Fault type recognition for distribution network based on wavelet singular entropy and support vector machine）［J］.電力系統保護與控制（Power System Protection and Control），2011，39（23）：16-20.

［5］陸健，牟龍華（Lu Jian，Mu Longhua）.實用化的微網單相接地短路故障識別（A practical identification for single-phase ground fault of microgrid）［J］.電力系統保護與控制（Power System Protection and Control），2012，40（11）：11-15，23.

［6］Alanzi E A，Younis M A，Ariffin A M.Detection of faulted phase type in distribution systems based on one end voltage measurement［J］.International Journal of Electrical Power&Energy Systems，2014，54：288-292.

［7］Sadeh J，Bakhshizadeh E，Kazemzadeh R.A new fault location algorithm for radial distribution systems using modal analysis［J］.International Journal of Electric Power& Energy Systems，2013，45（1）：271-278.

［8］肖賢，周步祥，林楠，等（Xiao Xian，Zhou Buxiang，Lin Nan，et al）.結合H-S變換和BSVM的高壓輸電線路故障識別（High-voltage transmission line fault identification based on the hyperbolic S-transform and multiple BSVM）［J］.電力系統及其自動化學報（Proceedings of the CSU-EPSA），2015，27（2）：70-76.

［9］徐健，張語勍，李彥斌，等（Xu Jian，Zhang Yuqing，Li Yanbin，et al）.短時傅里葉變換和S變換用于檢測電壓暫降的對比研究（Comparative study of STFT and S transform on detecting voltage sag）［J］.電力系統保護與控制（Power System Protection and Control），2014，42（24）：44-48.

［10］Reddy M J，Mohanta D K.Adaptive-neuro-fuzzy inference system approach for transmission line fault classification and location incorporating effects of power swings［J］.IET Generation，Transmission&Distribution，2008，2（2）：235-244.

［11］Vasilic S，Kezunovic M.Fuzzy ART neural network algorithm for classifying the power system faults［J］.IEEE Trans on Power Delivery，2005，20（2）：1306-1314.

［12］賈勇，何正友，趙靜（Jia Yong，He Zhengyou，Zhao Jing）.基于小波熵和概率神經網絡的配電網電壓暫降源識別方法（A method to identify voltage sag sources in distribution network based on wavelet entropy and probability neural network）［J］.電網技術（Power System Technology），2009，33（16）：63-69.

［13］李東敏，劉志剛，蘇玉香，等（Li Dongmin，Liu Zhigang，Su Yuxiang，et al）.基于多小波包和人工神經網絡的電力系統故障類型識別（Fault recognition based on multiwavelet packet and artificial neural network）［J］.電力自動化設備（Electric Power Automation Equipment），2009，29（1）：99-103.

［14］楊健維，何正友（Yang Jianwei，He Zhengyou）.基于混合模糊Petri網的電力系統故障暫態識別方法（Study on recognition of fault transients using hybrid fuzzy Petri net）［J］.電網技術（Power System Technology），2012，36（2）：250-256.

［15］Elhaffar A M.Power Transmission Line Fault Location Based on Current Traveling Waves［D］.Doctoral Dissertation：Helsinki University of Technology，2008.

［16］鄭天文，肖先勇，張文海，等（Zheng Tianwen，Xiao Xianyong，Zhang Wenhai，et al）.考慮母線電壓暫降非線性分布特征的配電網故障定位（Fault location considering nonlinear profile of bus voltage sag for distribution system）［J］.電力自動化設備（Electric Power Automation Equipment），2012，32（11）：115-120.

［17］周林，吳紅春，孟婧，等（Zhou Lin，Wu Hongchun，Meng Jing，et al）.電壓暫降分析方法研究（Study of the voltage sag analysis methods）［J］.高電壓技術（High Voltage Engineering），2008，34（5）：1010-1016.

［18］何新貴（He Xingui）.模糊H網（Fuzzy H nets）［J］.計算機學報（Chinese Journal of Computers），1995，18（2）：153-157.

Application of Hybrid Fuzzy H Net to Recognition of Fault Types for Distribution Network

WANG Siming，TONG Anrong
（School of Automation&Electric Engineering，Lanzhou Jiaotong University，Lanzhou 730070，China）

The identification of fault types is the key to the location of faults in the distribution network.To this end，a new hybrid fuzzy H net（HFHN）is proposed.Using Clarke modal transformation and S-transformation，the zero-sequence voltage amplitude and voltage sag amplitude are extracted from the three-phase voltage within the 1/4 period after the occurrence of the fault；then through fuzzy reasoning，a fuzzy value is obtained as the characteristic quantity；finally，the recognition of fault types is performed by fuzzy H net.A simulation model is built by the application of ATP/EMTP，and various short circuit faults are recognized.Simulation results indicate that the proposed method is feasible，and it is not affected by factors such as transition resistance and fault position.Compared with other methods，HFHN has better accuracy and faster speed.

distribution network；fault type recognition；S-transformation；fuzzy logic；fuzzy H net（FHN）

TM726

A

1003-8930（2016）10-0074-06

10.3969/j.issn.1003-8930.2016.10.013

2015-07-20；

2016-01-19

王思明（1964—），男，本科，教授，碩士生導師，研究方向為嵌入式系統開發和智能信息處理方向的研究。Email：wangsm64@qq.com

童安蓉（1991—），女，碩士研究生，研究方向為配電網故障診斷。Email：lilytonganrong@163.com