含分布式電源配電網(wǎng)的智能故障診斷方法

陳佳慧，靳一瑋

（上海電力大學(xué) 電子與信息工程學(xué)院，上海 201306）

1 概述

近年來(lái)，隨著分布式發(fā)電技術(shù)的發(fā)展，含分布式電源配電網(wǎng)的故障診斷技術(shù)也受到了各界的關(guān)注，成為分布式電源配電網(wǎng)發(fā)展不可或缺的重要核心技術(shù)之一，可及時(shí)精確處理電網(wǎng)故障、確保其穩(wěn)定運(yùn)行。

目前，人工智能方法被廣泛用于電網(wǎng)故障診斷研究中，使得故障診斷的速度和精度得到了不斷地改善[1-2]。劉科研等[1]采用支持向量機(jī)法對(duì)有源配電網(wǎng)進(jìn)行故障分類和定位，得到了較高的故障分類精度；孫潔娣等[2]利用卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory networks，LSTM）實(shí)現(xiàn)了智能和可靠的軸承故障診斷。其他研究還會(huì)同時(shí)利用小波變換對(duì)信號(hào)進(jìn)行特征提取，它可對(duì)信號(hào)進(jìn)行時(shí)頻分析，能較好地處理暫態(tài)和噪聲等信號(hào)。

本文采用了最大重疊離散小波變換（Maximum overlap discrete wavelet transform，MODWT）和 LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，其中，LSTM 網(wǎng)絡(luò)在預(yù)測(cè)時(shí)間序列和故障診斷等方面有應(yīng)用，它可以較好地處理時(shí)序數(shù)據(jù)，利用狀態(tài)的時(shí)間序列來(lái)學(xué)習(xí)故障信息[2]；MODWT 變換是一種高度冗余的非正交變換，它能較快地檢測(cè)瞬態(tài)，對(duì)起始點(diǎn)的選擇沒(méi)有要求，還能處理任何長(zhǎng)度的信號(hào)，適用于分析故障檢測(cè)等問(wèn)題[3-4]。因此，文中考慮了LSTM 網(wǎng)絡(luò)能較好分析時(shí)序數(shù)據(jù)和MODWT 變換具備快速檢測(cè)暫態(tài)等特點(diǎn)，將兩者應(yīng)用到含分布式電源配電網(wǎng)中，旨在提高故障檢測(cè)和分類的準(zhǔn)確率。

2 故障診斷方案

文章主要研究將MODWT 變換和LSTM 網(wǎng)絡(luò)結(jié)合應(yīng)用到含分布式電源配電網(wǎng)的輸電線路短路故障診斷中。具體的故障診斷方案如下：（1）通過(guò)SIMULINK 搭建相應(yīng)的含分布式電源配電網(wǎng)模型，并獲取數(shù)據(jù)。（2）進(jìn)行故障檢測(cè)。對(duì)電流信號(hào)進(jìn)行MODWT 變換，通過(guò)分析小波的第一級(jí)細(xì)節(jié)系數(shù)可以判別是否發(fā)生故障，若發(fā)生故障還需要檢測(cè)出故障發(fā)生時(shí)刻。（3）進(jìn)行特征提取。選取故障發(fā)生前后1 個(gè)工頻周期的 A、B、C 三相電流 IA、IB、IC以及零序電流分量 IC作為特征提取的對(duì)象，并計(jì)算相應(yīng)的特征向量。（4）進(jìn)行網(wǎng)絡(luò)訓(xùn)練、測(cè)試。將（3）中得到的特征向量輸入到搭建好的神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練和測(cè)試，得到故障分類結(jié)果。

2.1 模型的建立和數(shù)據(jù)的產(chǎn)生

為評(píng)估文中所提方法的性能，通過(guò)MATLAB 軟件搭建修正的IEEE13 總線標(biāo)準(zhǔn)系統(tǒng)模型進(jìn)行算例分析[5]，如圖1所示。以下是對(duì)該系統(tǒng)的一些說(shuō)明：

（1）這是一個(gè)小型、高負(fù)載且三相不平衡的4.16kV饋線系統(tǒng)。（2）原系統(tǒng)的節(jié)點(diǎn)650 和節(jié)點(diǎn)632 通過(guò)穩(wěn)壓器連接，此系統(tǒng)將4.16kV 的三相電壓源直連節(jié)點(diǎn)632。（3）一個(gè)4.16kV/480V 的變壓器將光伏發(fā)電單元連接到節(jié)點(diǎn)680，從而實(shí)現(xiàn)并網(wǎng)。（4）不改變系統(tǒng)其他數(shù)據(jù)，具體參數(shù)參考文獻(xiàn)[5]。

文中考慮了隨機(jī)的故障發(fā)生時(shí)刻、故障發(fā)生線路、過(guò)渡電阻和短路故障類型等不同影響因素下的故障工況，具體設(shè)置如下：（1）故障發(fā)生時(shí)刻：故障發(fā)生的時(shí)刻具有隨機(jī)性，在[0，0.5s]上服從均勻分布，仿真過(guò)程中設(shè)置了三個(gè)故障發(fā)生時(shí)刻分別為 t1、t2、t3。（2）可能發(fā)生故障線路：line632-633、line632-671、line671-680。（3）過(guò)渡電阻：0.01、1、10。（4）短 路 故 障 類 型 ：AG、BG、CG、AB、AC， BC、ABC、ABCG、ABG、ACG、BCG。共產(chǎn)生3*3*3*11=297 種故障工況。

圖1 修正的IEEE13 總線標(biāo)準(zhǔn)系統(tǒng)圖

2.2 故障檢測(cè)

2.2.1 MODWT 變換理論簡(jiǎn)介

MODWT 變換具備以下幾個(gè)特點(diǎn)[3-4]：它對(duì)所處理的信號(hào)長(zhǎng)度沒(méi)有要求，因此適用范圍廣；它沒(méi)有降采樣過(guò)程，可以在每個(gè)采樣過(guò)程之后立即計(jì)算小波系數(shù)；同時(shí)，它對(duì)時(shí)間序列的起始點(diǎn)沒(méi)有要求，可以任意選擇。這些特點(diǎn)使得MODWT 變換相對(duì)于DWT 變換分析暫態(tài)信號(hào)時(shí)更具優(yōu)勢(shì)，尤其適合于分析具有任意故障初相角的故障檢測(cè)和分類問(wèn)題。

MODWT 變換將信號(hào) Y（N）分解成 log2N 級(jí)，其中，N 為信號(hào)的長(zhǎng)度。另外，MODWT 變換的細(xì)節(jié)系數(shù)和尺度系數(shù)的公式[5]分別為

式中，N 為信號(hào)的長(zhǎng)度；l=0，1，2，...L-1；L 為濾波器的寬度為第 j 級(jí)的尺度濾波器為第 j 級(jí)的小波濾波器。

2.2.2 檢測(cè)算法

故障檢測(cè)算法的作用是判斷是否發(fā)生故障，同時(shí)，若發(fā)生故障則還需檢測(cè)出故障的發(fā)生時(shí)刻。當(dāng)?shù)玫綌?shù)據(jù)后，首先需要進(jìn)行故障檢測(cè)來(lái)判斷是否發(fā)生故障，若發(fā)生故障，電流將發(fā)生突變，并產(chǎn)生短暫的瞬態(tài)現(xiàn)象。通過(guò)提取、分析MODWT 變換第一級(jí)系數(shù)的高頻分量，可檢測(cè)到故障發(fā)生時(shí)刻，否則檢測(cè)結(jié)束。相關(guān)研究提出了利用閾值法來(lái)檢測(cè)故障[6]，即對(duì)電流進(jìn)行小波變換，再提取、分析第一級(jí)小波細(xì)節(jié)系數(shù)，若系數(shù)超過(guò)設(shè)置的閾值，則可以檢測(cè)是否發(fā)生故障并確定故障發(fā)生時(shí)刻。然而，此方法存在難以選擇合適閾值的問(wèn)題，若閾值設(shè)置不當(dāng)，可能會(huì)出現(xiàn)漏檢或誤檢等現(xiàn)象。為了避免及提高檢測(cè)率，本文提出基于信號(hào)本身幅值大小的閾值選取方法，即基于相鄰系數(shù)差的閾值法，而不是常規(guī)的經(jīng)驗(yàn)法。具體的故障檢測(cè)算法如下：（1）使用“Haar”小波對(duì)電壓進(jìn)行 MODWT 變換；（2）提取每相的第一級(jí)細(xì)節(jié)系數(shù)，并去除前1000 個(gè)和最后1000 個(gè)細(xì)節(jié)系數(shù)；（3）計(jì)算并確定基于相鄰系數(shù)差的閾值。對(duì)于（2）中獲得的系數(shù)，首先計(jì)算出相鄰點(diǎn)之間系數(shù)差的絕對(duì)值Dk，如公式（3）所示。接著進(jìn)行比較，并找到最大值Dkmax及其所在相，設(shè)定的閾值即為Dkmax，

（4）將Dkmax所在相的細(xì)節(jié)系數(shù)絕對(duì)值與閾值進(jìn)行比較，若首次出現(xiàn)大于閾值的，則對(duì)應(yīng)的為故障發(fā)生時(shí)刻。

以發(fā)生C 相接地短路（CG）為例，圖2 為使用基于相鄰系數(shù)差的閾值法檢測(cè)CG 故障發(fā)生時(shí)刻的結(jié)果圖。

由圖2 可以看出，采用文中的故障檢測(cè)算法可以精準(zhǔn)地檢測(cè)出故障的發(fā)生時(shí)刻，并且不存在延時(shí)現(xiàn)象，至于故障檢測(cè)的識(shí)別率，將和故障分類的準(zhǔn)確率一起討論，詳見(jiàn)3 中的結(jié)果與分析。

2.3 特征提取

特征提取的目的是選擇合適的特征向量來(lái)作為神經(jīng)網(wǎng)絡(luò)的輸入。當(dāng)檢測(cè)到故障發(fā)生時(shí)刻后，選取故障發(fā)生前后1個(gè)工頻周期的 A、B、C 三相電流 IA、IB、IC以及零序電流分量IC作為特征提取的對(duì)象，并得到經(jīng)過(guò)MODWT 變換后的各級(jí)小波細(xì)節(jié)系數(shù)，若直接用小波系數(shù)作為特征向量輸入到神經(jīng)網(wǎng)絡(luò)中將會(huì)導(dǎo)致存儲(chǔ)空間大和分類精度差等問(wèn)題，通常特征向量的選取會(huì)使用相關(guān)的統(tǒng)計(jì)量。本文選擇“總標(biāo)準(zhǔn)偏差的變化量”和“總均值的變化量”作為特征向量，其詳細(xì)信息如下所示：

（1）總標(biāo)準(zhǔn)偏差的變化量為

式中，i=1，2，3，...，J；J 為 MODWT 的分解級(jí)數(shù)；N 為每一級(jí)采樣點(diǎn)的數(shù)量；Dij為細(xì)節(jié)系數(shù)；μD，i為每一級(jí)細(xì)節(jié)系數(shù)的平均值；σDA為故障后一周期的總標(biāo)準(zhǔn)偏差；σDB為故障前一周期的總標(biāo)準(zhǔn)偏差。

（2）總均值的變化量為

式中，i=1，2，3，...，J；J 為 MODWT 的分解級(jí)數(shù)；N 為每一級(jí)采樣點(diǎn)的數(shù)量；Dij為細(xì)節(jié)系數(shù)；μDA為故障后一周期的總平均值；μDB為故障前一周期的總平均值。

圖2 使用基于相鄰系數(shù)差的閾值法進(jìn)行故障發(fā)生時(shí)刻檢測(cè)案例

2.4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

LSTM 網(wǎng)絡(luò)對(duì)于分析時(shí)序數(shù)據(jù)具有一定的優(yōu)勢(shì)，可以記憶長(zhǎng)時(shí)間的數(shù)據(jù)，在預(yù)測(cè)時(shí)間序列和故障診斷等方面有應(yīng)用。

文中LSTM 網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)和其他參數(shù)的設(shè)置對(duì)網(wǎng)絡(luò)的訓(xùn)練非常關(guān)鍵，將直接決定最終的分類效果，一般可以通過(guò)經(jīng)驗(yàn)公式和不斷試驗(yàn)來(lái)設(shè)置。文中具體的參數(shù)設(shè)置如表1 所示。

3 結(jié)果與分析

表2 為文中所提故障診斷方案的結(jié)果，分別統(tǒng)計(jì)了故障檢測(cè)的識(shí)別率和故障分類的準(zhǔn)確率。通過(guò)表2 可以看出：文中所提故障檢測(cè)算法的總體故障檢測(cè)率達(dá)到了99.33%，不同輸電線路的檢測(cè)準(zhǔn)確率也可以達(dá)到98.99%以上，表明該檢測(cè)算法是基本可行的。至于故障分類的性能則稍差一些，盡管如此，該方法仍可以提供令人滿意的96.67%的整體分類精度，不同輸電線路的故障分類準(zhǔn)確率也可以達(dá)到95.45%以上。

表3 為不同故障分類算法的結(jié)果對(duì)比，將文中所提的故障分類算法和其他兩種智能算法進(jìn)行了對(duì)比。注意：其中效果最好的方案以粗體顯示，這些比較方案的數(shù)據(jù)均由本文的測(cè)試系統(tǒng)提供，并且也使用文中提出的檢測(cè)算法來(lái)檢測(cè)故障。通過(guò)表3 的對(duì)比可以發(fā)現(xiàn)，在所有這些比較方案中，文中所提出的分類算法以最高的分類準(zhǔn)確率優(yōu)于其他智能方案，這也表明了該故障分類的算法也是基本可行的。

盡管所提出的故障診斷方案可以獲得一個(gè)不錯(cuò)的故障檢測(cè)和故障分類的結(jié)果，但對(duì)于故障檢測(cè)來(lái)說(shuō)，仍存在個(gè)別誤檢的情況，對(duì)于故障分類來(lái)說(shuō)，仍存在個(gè)別錯(cuò)誤判斷的情況。主要原因是：在故障檢測(cè)時(shí)，隨著過(guò)渡電阻的增加，故障相的波形特性將無(wú)明顯變化，因而其MODWT 變換后的一級(jí)小波細(xì)節(jié)系數(shù)的突變也會(huì)減小，而文中閾值的選取會(huì)一定地依賴于該突變，所以會(huì)導(dǎo)致個(gè)別誤檢。同時(shí)，也會(huì)導(dǎo)致故障分類區(qū)分的難度增加。

表1 LSTM 網(wǎng)絡(luò)的參數(shù)設(shè)置

表2 故障診斷結(jié)果

表3 故障分類結(jié)果對(duì)比

4 結(jié)論

文中通過(guò)研究含分布式電源配電網(wǎng)的輸電線路短路故障，首先采用了基于相鄰系數(shù)差的閾值法實(shí)現(xiàn)了故障檢測(cè)，接著將MODWT 變換和LSTM 神經(jīng)網(wǎng)絡(luò)結(jié)合實(shí)現(xiàn)了故障分類，診斷結(jié)果以及和其他智能方法的比較表明了該方案的有效性。盡管如此，該診斷算法在高過(guò)渡電阻情況下的準(zhǔn)確率仍有待提高。