配電網單相接地故障保護方法與提升保護準確性研究

國網陜西省電力有限公司西咸新區供電公司 馬 進

供電企業生產管理中，確保配電網運行安全穩定性是主要的管理目標。傳統故障處理方式中，主要是利用分析穩態或暫態電氣量進行故障分析，能夠較為準確的監測到故障現象，但是無法準確識別故障類型。基于CNN技術構建故障分析模型，能夠更好的提升故障識別準確性，有針對性的制定處理措施，避免接地故障復雜化，產生永久性接地現象。

1 配電網單向接地故障CNN識別方法

1.1 CNN識別方法原理

卷積神經網絡（CNN）識別技術是基于故障信號的經驗模態分解，之后將固有模態函數進行希爾伯特變換，能夠得出故障信號的時頻分布。本課題研究中采用配電網10kV側母線接地故障現象為例，構建CNN模型，并利用模型分析故障信號參數。通過分析故障出現時a相和b相電壓R分量分解結果，對故障現象進行精準判斷。

1.2 CNN識別方法應用步驟

利用構建CNN模型法對配電網單相接地故障現象識別，主要包括是三個步驟：確定訓練樣本。本課題研究中，樣本確定為配電網10kV側母線的三相電壓、三相電流及零序電壓等故障數據；訓練學習。數據采集方式是利用HHT帶通濾波器，采集7個故障信號，在濾波處理后構建時頻功率矩陣。將矩陣轉換成時頻譜圖后，就可以輸入模型完成訓練；識別精度提升。在訓練完成后，對測試樣本進行識別，根據識別結果對參數進行調整，能夠有效提升識別精度，進而提升保護準確性；增加樣本數據庫內容，重復步驟3，直至滿足單相接地故障類型的實時識別要求為止[1]。基于上述步驟，應用流程如圖1。

圖1 單相接地故障分類識別應用流程

1.3 構建時頻功率矩陣

時頻功率矩陣構建，是先采集故障信號數據，采集數量設定為N個，利用HHT將數據劃分為M個子頻帶，將數據以采樣時間軸進行K等分，計算出每等分中數據量為E（E=N/K，且取為整數）。本課題研究中，將M設定為5、N設定為20000、K設定為40，因此E為500。子頻帶的帶寬為300Hz，設計出每個故障信號的時頻功率矩陣，矩陣類型包括三相電壓、三相電流和零序電壓。根據時頻功率圖譜顯示，在a相出現故障時，b、c兩相電壓會出現升高，根據故障發生時信號在時間、頻率高及功率之間的關系分析，即可對故障情況進行初步分析。

1.4 構造CNN模型結構

CNN模型結構是通過多層卷積計算輸入最終結果，本課題研究中，將時頻功率圖譜作為輸入層，在不斷提取局部特征量后進行計算壓縮，模型結構示意如圖2所示。

圖2 CNN網絡結構模型示意圖

卷積計算是時頻圖譜橫向和縱向計算同時進行的，通過設置合理權重并連接至各個卷積層，即可自主完成局部特征量的提取。在提取完成后，能夠在最大池化層操作中降低數量的同時，保留模型關鍵特征，實現算法優化。

1.5 仿真試驗

仿真試驗是利用PACSAD/EMTDC平臺搭建故障發生模型，獲取樣本數據。在進行訓練時，先是在模型中打開開關，切除消弧線圈，選取其中部分故障點作為訓練樣本。結合配電網單相接地故障發生特征，重點關注金屬性接地、低阻接地及高阻接地故障現象，通過判斷是否存在間歇性電壓畸變、電壓諧波含量等特征，確定是否出現電弧接地現象。通過對過渡電阻耐受能力分析，確定故障現象屬于高阻接地或低阻接地[2]。這些分析結果的準確性，與循環參數的迭代周期有直接關系，迭代次數越多、準確率越高，但是邊際準確率也不斷降低，因此要根據誤差范圍是否穩定、準確率能夠保持在100%附近時，確定合理的迭代次數。試驗中，迭代次數設定為150次，能夠達到較好的訓練效果。之后是對樣本進行測試，將樣本輸入模型完成測試，直至識別率達到99.5%以上時，即可應用于配電網單相接地故障識別。

2 CNN識別方法保護準確性提升方式

降低誤判率。是提升故障保護方法準確率的基本要求，在CNN模型運行中主要存在兩個方面的影響因素：首先是消弧線圈在進行補償時，所產生的感性電流會造成容性故障電流減弱，進而造成系統誤判，因此在進行設定模型參數時，需要對消弧線圈參數進行優化，盡量減少這方面的干擾；在低電阻識別時，要盡量避免故障相壓跌幅受過渡電阻影響的問題，在高電阻識別時，要盡量避免電壓電流故障特征不明顯問題[3]。只有通過這些方面的系統優化，才能夠確保CNN模型的識別準確率達到配電網安全穩定運行要求。

優化網絡拓撲結構。是針對配電網運行實際情況變化，對CNN模型進行優化，確保識別準確性達到要求的關鍵措施。在電力用戶逐步增加、配電網增加出線間隔，或線路大修技改、退出運行時，都會造成實際結構與模型結構偏差過大，對故障識別率造成影響，因此在模型運行中，還應當結合實際情況對樣本進行檢查，準確查找故障點出現誤判的原因，并根據實際情況調整好拓撲結構，避免由于模型與實際情況差異過大產生明顯誤判，對配電網運行安全產生影響。

加入噪音污染。在模型中加入噪音污染是提升識別準確率、確保保護準確性提升的有效保障。在配電網運行數據采集時，必然會由于噪音干擾現象導致數據不夠精準，如在模型中沒有添加噪音污染，則會造成實際運行結果與實際運行情況產生偏差[4]。因此在本課題數據故障測試過程中，選擇添加30dB的高斯白噪音，對模型進行數據訓練。通過添加噪音的方式，能夠更好的適應配電網故障發生時數據采集真實情況，在模型中對算法進行優化，盡量規避噪音干擾帶來的影響。

綜上，基于本課題研究顯示，利用CNN模型對配電網單相接地故障現象進行分析，能夠通過數據采集和樣本測試，較為準確的識別故障類型，模型識別準確率達到98.8%以上。同時在采用降低誤判率措施、優化網絡拓撲結構、加入噪音污染等方式，確保模型分析與真實數據采集環境相一致情形下，識別準確率也能夠達到93.5%以上，已能較好滿足配電網單相接地故障監測及處理要求。