使用智能電表實現配電網高阻抗故障的檢測與定位

劉型志 ， 田娟， 李松濃， 劉暢， 黃可

(1. 國網重慶市電力公司營銷服務中心, 重慶 400023； 2. 國網重慶市電力公司電力科學研究院, 重慶 401120; 3. 能源互聯網先進計量與檢測技術重慶市重點實驗室, 重慶 401120)

0 引言

隨著配電網建設的發展，配電網中的高阻抗設備分布越來越多。然而，在嚴峻的工況條件下，配電網高阻抗設備長期工作容易出現配電網高阻抗故障[1]。因此，需要建立配電網高阻抗設備的檢測模型，結合對配電網高阻抗設備的故障特征提取技術實現故障特征融合和信息檢測，從而提高配電網高阻抗設備的穩定性、維護配電網的文件運行[2]。而相關的配電網高阻抗故障檢測和特征提取方法研究受到了相關領域的極大關注。

一般來說，對配電網高阻抗故障檢測和定位是建立在對配電網高阻抗的故障分布式特征提取和大數據信息融合基礎上的，通過構建配電網高阻抗設備的故障信息融合模型，結合特征優化辨識方法完成配電網高阻抗設備的故障特征信息融合和檢測，可有效提高配電網高阻抗設備的故障信息分析和檢測能力。目前，常用于配電網高阻抗設備的故障檢測和定位的方法主要有光譜特征提取方法、統計特征提取方法、自相關特征分析方法等[3]，此外，基于主頻分量相關性的配電網故障定位方法[4]和基于FP-Growth算法的配電網故障定位方法[5]應用也較為廣泛。但應用傳統方法進行配電網高阻抗設備的故障檢測時抗干擾性不好，導致故障特征定位性能不好。

針對上述問題，本文提出基于智能電表的配電網高阻抗故障的檢測與定位方法，利用智能電表實現對配電網高阻抗故障的特征融合和屬性分類識別。最后進行仿真測試分析，證明了本文方法在提高配電網高阻抗故障的檢測與定位能力方面的優越性能。

1 故障檢測總體設計

為了實現基于智能電表的配電網高阻抗故障的檢測與定位，首先需實現對配電網高阻抗故障的診斷。通過提取配電網高阻抗故障信息，結合特征信息預處理方法建立配電網高阻抗故障特征提取和選擇模型，再通過模糊分類決策完成對配電網高阻抗故障特征的分類和優化訓練[6]。上述過程的結構框如圖1所示。

圖1 配電網高阻抗故障檢測定位過程結構

在如圖1所示的配電網高阻抗故障檢測定位結構圖中，在分析配電網的阻抗故障參數的基礎上，建立故障參數驅動模型，然后采用阻尼能量特征分析方法重建配電網高阻抗故障的數據[7]，并分析配電網高阻抗的故障分布特征量，通過模糊化信息匹配和模糊推理技術實現信息組合，從而有效提高配電網高阻抗故障定位能力。故障特征信息處理模型結構如圖2所示。

圖2 配電網高阻抗故障特征信息處理模型

根據圖1、圖2所示的總體結構模型和故障信息處理模型檢測配電網高阻抗故障并完成信息重構，在此基礎上，采用暫態能量信息重構的方法分析配電網高阻抗故障的協同特征，并完成故障挖掘[8]，繼而可構建配電網高阻抗故障性檢測統計特征量如下：

M=p(t)×ci

(1)

式中，ci代表配電網高阻抗故障樣本的特征匹配集，p(t)代表配電網的超低頻振蕩模型。根據高阻抗故障性檢測統計特征量，得到配電網高阻抗故障樣本的直流信息輸出如下：

(2)

式中，p代表數據相關性特征。針對式中得到的故障樣本的直流信息進行重構處理，為后續的故障信息挖掘、檢測和定位提供基礎條件。

2 故障信息挖掘

在完成故障檢測總體設計的基礎上，分析配電網高阻抗的故障分布特征量，采用智能電表調制配電網高阻抗的直流參數，并通過直流額定有功功率補償方法提取配電網高阻抗故障特征[9]，從而得到配電網高阻抗故障關聯暫態能量V，然后分析配電網高阻抗設備的穩定域邊界特征量，得到統計特征值如下：

(3)

式中，t0和tg分別代表配電網高阻抗故障數據的初始采樣時間間隔和終止采樣時間間隔，θ代表配電網高阻抗相角，V代表配電網高阻抗電壓。然后采用多維尺度降維方法計算配電網高阻抗電壓輸出增益，分析系統振蕩衰減，得到配電網高阻抗故障樣本數據的挖掘輸出如下：

(4)

當系統頻率振蕩偏差在死區范圍內時，得到配電網高阻抗的動態特征匹配結果為

Q=sgnan+G(t)ci

(5)

式中，an代表配電網高阻抗設備的能量變化量。在此基礎上，根據直流調制量確定配電網高阻抗故障的關聯規則[10]，從而實現故障樣本挖掘和故障識別分析。故障樣本聚類分析模型如圖3所示。

圖3 故障樣本聚類分析模型

3 高阻抗故障檢測定位

3.1 故障特征提取

在高阻抗故障檢測定位前，需對故障樣本中的故障信息展開特征提取。采用智能電表調制配電網高阻抗的直流參數，再通過直流額定有功功率補償方法提取配電網高阻抗故障特征。

假設存在p個分布式電氣設備故障目標點，Aj(L)為配電網高阻抗故障聚類中心，其中j=1,2,…,k,…，則配電網高阻抗故障數據的相干特征分布集如下：

ZP=Aj(L)+Q[G(t)+an]

(6)

假設配電網高阻抗故障的演化信息聚類分析模型為s(t)，自相關特征匹配矢量為n(t)，二者之間相互獨立，則可采用模糊推理的方法得到配電網高阻抗故障數據的自相關特征分布矢量z(t)的協方差矩陣如下：

(7)

式中，B代表直流線路中的最大可控功率，在配電網高阻抗故障演化聚類集中，采用功率偏差穩定性調節的方法[11-12]，得到配電網高阻抗故障特征分布模型為

(8)

式中，矩陣Us和Un代表配電網高阻抗故障信號列矢量，分析l條直流的控制敏感點σl，并故障特征點信息強度按下列順序排列：σ1≥σ2≥…≥σq≥…>σl，然后通過子空間模型辨識的方法完成對故障特征的提取和挖掘，提高故障故障檢測能力。

3.2 基于智能電表的故障定位

假設配電網高阻抗故障特征數據中包含有限元數據組(Ei,Ej,d,t)的關聯關系，通過子空間模型辨識得到故障特征分布屬性A={A1,A2,…,Am}，配電網高阻抗故障特征分布的幅值為D, 故障信息融合的特征狀態為

(9)

對輸入輸出的 Hankel 數據進行信息辨識[13-14]，并在智能電表中完成故障檢測。假設配電網高阻抗故障特征定位的統計序列為{x1,x2,…,xN}，對配電網高阻抗故障特征進行概率分布式融合，得到融合特征量如下：

(10)

通過智能電表進行信息重組，得到配電網高阻抗故障信息參數估計值為p(x0)，根據新的狀態變量進行故障挖掘[15]，得到故障定位的優化目標函數表示為

(11)

式中，φ代表配電網高阻抗故障定位的特征參數集，ε代表配電網高阻抗故障檢測定位系統的狀態空間函數。繼而可通過智能電表檢測方法得到故障檢測定位的節點優化部署模型為

(12)

式中，l(t)代表故障輸出波束輸出。在此基礎上，通過優化的學習算法和故障特征聚類分析算法，實現配電網高阻抗故障的優化檢測和智能定位，過程如下：

(13)

綜上分析，實現了對配電網高阻抗故障的檢測與定位。

4 仿真實驗與結果分析

通過仿真實驗驗證本文方法在實現配電網高阻抗故障檢測與定位的應用性能。

仿真實驗環境如下：配電網的故障數據采樣的節點數為1 200個，輸出電壓的波動幅值為16 kV，故障特征分布樣本數目為1 024個，機器學習的迭代步數為240，步長為20，直流調制系數為0.35。

根據上述參數設定，分析配電網在存在高阻抗故障時的有功功率、無功功率、電壓幅值和相角等參數檢測結果，如圖4所示。

(a) 有功功率

(b) 無功功率

(c) 電壓幅值

(d) 相角圖4 配電網高阻抗故障檢測定位參數識別結果

分析圖4結果可知，利用智能電表對配電網高阻抗故障檢測和定位，能夠有效提高對配電網高阻抗性能參數的重建和修正能力，實現對配電網高阻抗故障的優化檢測。

在此基礎上，利用對比實驗的形式，測試本文方法對配電網高阻抗故障的定位檢測精度。應用的對比方法分別為傳統的基于主頻分量相關性的配電網故障定位方法和基于FP-Growth算法的配電網故障定位方法，得到對比結果如表1所示。

表1 不同方法對電網高阻抗故障檢測定位的精度對比結果

分析表1結果可知，隨著迭代次數的增加，不同方法對配電網高阻抗故障檢測與定位的精度也隨之發生變化。但相比之下，利用本文方法進行配電網高阻抗故障檢測的精度明顯更高，其精度始終保持在0.97以上。

5 總結

本文利用智能電表設計了一種新的配電網高阻抗故障的檢測與定位方法。通過模糊分類決策實現配電網高阻抗故障特征分類和優化訓練，再通過直流額定有功功率補償方法提取配電網高阻抗故障特征，在此基礎上，結合模糊推理的方法獲取配電網高阻抗故障數據的自相關特征分布。然后再通過故障特征聚類分析算法實現配電網高阻抗故障的優化檢測和智能定位。經實驗分析可知，該方法對配電網高阻抗故障檢測定位的精度較高，證明該方法對故障診斷的性能較好，具有更好的應用前景。