基于批量匹配算法模型的配電網故障診斷方法

何 冰,謝天祥,胡園園,游傳強

(國網天府新區供電公司,成都 610000)

0 引言

配電網從輸電網中接收電能再分配給到用戶終端，是能夠直接連接到用戶的電網最后一部分，成為電力系統中重要的組成部分，為城市的重要公共基礎設備提供能量[1]。根據電網公司統計數據顯示，電力用戶遭受到的停電故障中，90%以上都是由配電網發生故障導致的。在小電流接地的情況下，系統可以繼續運行1～2小時，長時間運行會引起故障進一步擴大，造成兩相短路與三相短路故障[2]。

當前的配電網故障診斷和定位技術中，文獻[3]系統通過判斷相應節點是否流過短路電流進行診斷線路發生故障；文獻[4]系統在配電網線路上安裝行波檢測裝置，使用單端測距法根據行波速度和裝置測量點位置對故障進行定位；文獻[5]系統基人工神經網絡的方法進行故障診斷，歷史故障信息作為訓練樣本，采用主變的電壓與電流信息計算測量點到故障點的距離；文獻[6]系統利用故障后各線路信號的穩態特征差異確定發生故障的線路，各個線路的阻抗分布位置不同不易受中性點接地方式影響。

基于上述文獻分析，可以看出現有技術存在以下技術問題：

1)通過判斷相應節點是否流過短路電流進行診斷線路發生故障必須獲取短路電流信息，故障診斷能力薄弱。

2)單端測距法雖然提高了定位能力，但是需要安裝行波定位裝置，該裝置一旦出現問題，就難以實現數據信息定位。

3)人工神經網絡的方法雖然能夠進行故障診斷，但是無法實現故障數據信息的即時分析。

4)各個線路的阻抗分布位置不同不易受中性點接地方式影響容易造成診斷精度不高。

因此，本研究進行了以下技術研究。

1 配電網故障診斷系統

在配電網運行過程中，很容易由于各種外界信息發生故障，如何對配電網故障進行診斷是提高配電網正常運行的關鍵，本研究介紹一種新型的故障診斷方法，將運行中配電網區段通過標識，以盡快從多種數據信息中獲取精準信息。系統采用配電變壓器低壓側相電壓信息，將故障定位在相鄰變壓器監測終端和饋線終端單元監測的區域內。中壓側發生故障時，經過至少兩個周波后，繼電保護動作跳閘切除故障，變壓器監測終端采集到的電壓下降，系統故障定位功能啟動，采集到電壓的有效值并傳送至配電自動化主站[7]。配電網故障診斷系統架構如圖1所示。

圖1 配電網故障診斷系統架構

本研究系統的配電網故障診斷系統架構可劃分很多部分，比如配電網設備層，在配電網設備層設置不同的檢測終端，比如斷路器、智能電能表、分布式能源檢測設備等，通過這些設備能夠檢測出配電網中饋線終端單元等各種不同的配電網數據信息。通過通信網絡實現檢測數據信息的交互。進而將檢測到的數據信息傳遞到管理服務器、自動化主站、通信服務器等遠程監控中心。

在進行數據數據采集時，系統每隔一定時間間隔Δt采集一次線路電壓，采集到的N個點的電壓值為{U0,U1,U2,…,UN-1}，電壓值的基波分量可表示為：

(1)

式中，UR表示為實部，UI表示為虛部，Uk表示線路上點k的電壓值。發生相間短路時斷路器跳閘后，斷路器下游配電網線路失壓，電壓迅速減小到接近0，變壓器監測終端采集到的電壓為Uset為一個很小的值，當低壓側電壓有效值Uφ小于Uset時，系統開始進行故障診斷和定位[8]。通過公式(1)，將電路中的基波分量劃分為實部、虛部等多種方式，以將本研究電網數據信息進行微觀表示，提高了數據分析能力。

本研究系統使用饋線終端單元采集故障電流信息，發生接地故障時電網中會出現零序分量，作為故障診斷的依據，非故障線路和故障線路的零序電流波形不同，進行對故障線路的定位。在線路的配電變壓器安裝有變壓器監測終端，能夠在繼電保護動作跳閘切除故障電流之前，采集到故障電壓有效值，對故障定位時縮小故障范圍，實現饋線故障的精細定位[9]。發生線路故障時產生的都是非平穩、非線性信號，系統故障數據進行預處理，提取關鍵特征信息，對原始信號進行分解：

(2)

式中,x(τ)表示故障時域信號，ω(t-τ)表示窗函數，τ表示窗函數的中心[10]。采集被診斷對象的相關數據，通過診斷軟件(如專家系統軟件)和實時/歷史數據綜合分析其運行狀況，對存在的隱患和故障進行判斷、預告或處理的系統。

接地系統故障分析時，通過采用中性點不接地的方法。在常規技術中，中性點往往是對接絕緣的，在配電網線路結構中，系統運行時通常通過三相平衡技術，中性點對地電壓通常為零，此時，零相、火線、等不同相線之間的電壓滯后電流 90°，通過這種方式可以檢測出電壓情況。在監測中性點時，通常引入設計一個電感線圈，線圈容易產生自激勵信號，通過自激勵信號補償線路過大的問題，當接地電流過大時，其周圍的磁場也會逐步增加。進而使線路周圍的感應比較強烈。這對于絕緣能力有一定的考驗。

暫態接地時電感電流只經過故障線路，電容電流流過全系統的線路，暫態過程蘊含的特征信息更豐富，暫態接地電流的幅值更大，提取暫態特征信息為主來表征故障線路特性，完成系統的故障診斷。為使系統后端能夠提供合適的數據源進行故障診斷和定位，先建立mysql數據庫和HIVE數據庫的連接。通過AXIOS創建SMLREQUESTT進行請求的發送和與后端通信，最終開發出的界面負責與用戶進行交互操作，產生故障診斷和定位視圖，將接收到的信息解析并顯示[11]。

2 配電網饋線故障精確定位方法

由于配電網在整個輸電過程中具有較長的線路行程，配電網數據節點多，存在錯綜復雜的網絡結構，在輸電過程中很容易出現故障。如何在不同的配電網網絡節點中迅速、準確地對故障信息進行定位是查閱故障信息的重要原因。傳統方法為依據線路的故障電流進行故障定位，只能將故障點位置縮小到饋線終端單元監測的區域內，確定故障區域后仍需較長時間確定故障位置。配電線路中有多個支路和配電變壓器，配電網線路結構如圖2所示。

圖2 配電網線路結構

由于配電網線路結構錯綜復雜，為了表示不同網配節點，將待研究的各種網配節點標上序號，以便更好地研究。設定在線路節點8、9之間發生短路故障，A1、A2中流過故障電流，A3中沒有故障電流流過，如果采用傳統的故障電流判斷的方法確定故障區域，只能將故障定位在A2和A3之間。本研究利用低壓側相電壓進行故障定位，中壓側發生故障時繼電保護發生跳閘，本研究采集對跳閘前兩個周波的電壓，并進行傅里葉加窗變換，計算基波電壓的有效值，根據各節點電壓大小對故障區域進行精確定位[12]。本研究對發生跳閘前的兩個周期的電壓波形進行分析，故障區域上游節點和下游節點的電壓波形如圖3所示。

圖3 故障節點電壓波形

在圖3中，電壓通常是兩電位之間形成的電位差。波形直觀地對交變電流的波形圖像進行顯示。電位差能夠配電網中不同的數據節點電荷通過靜電場時，基于電勢的差異所形成的能量差。該方式直觀、形象。在0.42 s時配電網線路發生故障，在0.42～0.48 s時間段內經過兩個周波斷路器跳閘，故障節點的下游節點10電壓下降到0，故障上游節點即節點3電壓相比故障前電壓有所下降，但并未下降到0[13]。母線到故障點沿線上各節點電壓依次下降，到故障節點處電壓下降到最低。當配電網線路發生兩相短路故障時，正序電流和負序電流可表示為：

(3)

式中,If(1)為正序電流，If(2)為負序電流，Uf|0|為沒有發生故障時的線路電壓，Z∑(1)為線路的等值正序阻抗，Z∑(2)為線路的等值負序阻抗[14]。

通過正序電流和負序電流表示的公式能夠直觀表示配電網中的電流和電壓數據情況，在配電網技術中，正序電流和負序電流大小相等，方向相反，該公式可以用直觀表示正序電流和發生故障時的線路電壓之間的關系，故障相電壓為故障前電壓一半，非故障點相電壓可表示為：

(4)

非故障點正電壓的位置表示配電網系統在暫時正常運行，表明線路的線電壓沒有因為異常事故表現的突出。這種情況下電壓無論是相位還是矢量值上，變化都不大；反之，在非故障點零電壓處，能夠發現波形圖發生很大程度的變異，這種情況下，如果故障信息過大，絕緣薄弱點會被擊穿，可能會出現短路等異常事故。

在對于線路故障點相關的故障相的線電壓進行判斷時，選擇3個線電壓中幅值最小的線電壓。當配電網線路中壓側發生故障后，低壓側相電壓隨著中壓側線電壓而變化，變壓器D側發生兩相短路時，低壓側三相電壓可表示為：

(5)

配電網中通常包括由三相電源、三相負載和三相傳輸線路等構成的三相電路，通過這種方式能夠構建振幅、頻率、相位差等多種數據因素正弦波形輸出方式。該技術在發電、輸電、配電以及大功率用電設備等電力系統中故障診斷過程中首先要考慮到的關鍵因素。

由公式(5)可知，a相與b相的電壓大小相等，相位差為180°。發生故障后配電變壓器低壓側相電壓的中壓側線電壓的變化相同，低壓側故障相中的滯后相與中壓側故障相的線電壓相等，非故障相與中壓側的其余兩個線電壓相等。

3 基于多級語義交互的批量匹配算法

運維人員對配電網故障進行檢修時，需要對線路故障發生的位置進行勘測，分析因線路故障導致的現象，在分析故障產生的原因。運維人員使用系統客戶端獲取故障信息時，返回的信息中包含大量的冗余信息，需要再消耗時間對信息進行篩選，影響了運維人員對故障檢修的效率。本研究提出一種新的批量匹配算法[13，16-17]，利用編碼器進行文本信息編碼，實現文本間的語義交互。批量匹配模型結構如圖4所示。

圖4 批量匹配模型結構

(6)

在本研究中，為了提高網絡算法模型計算的能力，通過設置多層計算的方式。網絡模型層數越多，模型輸出的數據越精確，在反復的迭代計算過程中，能夠將網絡中出現的不定因素、潛在因素、危險因子都考慮在內。以更大地發揮出批量模型計算的精度[20]。

模型的輸出由嵌入層得到的原始故障特征、殘差特征和網絡層故障信息的編碼特征組成，完成模型的故障信息批量匹配任務[21]。編碼器中神經網絡采用填充的方式進行卷積，能夠保證數據的輸入維度不發生變化，輸出的數據可表示為：

(H|H∈Rl×m)=CNNpadding(X|X∈Rl×k)

(7)

式中,l表示數據長度，k表示詞向量的維度，H表示卷積后的輸出，padding表示填充操作，m表示卷積核數量。

配電網故障隱患的種類很多，在啟動模型計算時，需要考慮到很多因素，這些因素維度比較大，通過上述表示，可以將維度表示出來，具有一定的進步性[19]。

將兩個經過編碼器的故障文本序列作為交互層的輸入，利用注意力機制計算當前文本序列中向量與另一個序列的相關度，長度為la的文本序列可表示為a=(a1,a2,…,ala)，另一個長度為lb的文本序列為b=(b1,b2,…,blb)，相關度可表示為：

eij=f(ai)Tf(bj)

(8)

4 應用測試

為驗證本研究系統的性能，分別使用文獻[3]系統、文獻[4]系統和本研究系統進行實驗，搭建一個配電線路仿真模型進行驗證。本研究實驗在Windows10操作系統上進行，計算機使用的CPU為AMD Ryzen THreadRipper 3960X，內存為LANCER 32 GB(2×16 GB)DDR5 5200，顯卡使用ROG-STRIX-RTX3090-O24 G，使用仿真軟件PSCAD搭建一個配電網模型。實驗配電網模型如圖5所示。

圖5 實驗配電網模型

本研究通過構建實驗配電網模型，將實驗配電網模型中電纜線路長度記作為為CL，架空線路長度為OL，每條饋線的負荷為0.5+j0.25 MVA，變壓器和饋線參數設置如表1所示。

表1 參數設置

通過表1的設置，將本研究的方法精細化到具體參數，以提高試驗效率。使用大量故障數據對用于故障診斷和定位的網絡模型進行訓練，挖掘出數據內隱藏的規律，為了保證數據的多樣性和質量，選用不同故障線路和故障位置的數據作為故障數據集，故障數據集如表2所示。

表2 故障數據集

上述試驗時，為了提高試驗效果，在某一段的配電網線路中提取電纜線路數據信息、架空線路數據信息以及變壓器數據信息，在某一段的配電網進行單相接地故障試驗時，可以提取配電網故障區域內的數據信息，在弧光接地故障、兩點單相接地故障以及高阻接地故障試驗時，采用同樣的方法，在配電網具有這些數據特性的數據區域中提取相關數據信息。

為驗證本研究系統模型在故障診斷的優勢，利用采集到的故障數據集中2 000組樣本數據作為訓練集，剩下的樣本數據作為測試集。設定配電網線路發生單相接地故障，使用3種系統進行故障診斷，訓練次數設定為0～1 000次，系統的故障診斷準確率作為評價指標，得到的仿真結果如圖6所示。

圖6 仿真結果

由圖6可以看出，系統的故障診斷模型在相同的訓練次數下，對配電網仿真模型中出現的故障的故障診斷準確率不同。文獻[3]系統的故障診斷準確率最高到達95.4%，文獻[4]系統的故障診斷準確率最高為97.5%，訓練次數為700次時準確率超過95%。訓練次數超過700次后，系統的故障準確率產生波動，文獻[4]系統的準確率最低下降到93.7%。在實際應用中，文獻[3]系統和文獻[4]系統可能受到配電網中噪聲干擾和網絡結構變化的影響，使故障信號失真導致故障準確率降低。

本研究系統在訓練次數為400時準確率達到90%，系統的故障診斷準確率最高達到100%，通過與文獻[3]方法和文獻[4]方法進行對比，模型所需的訓練時間更短，面對配電網線路發生的不同故障，本研究系統的故障診斷準確率明顯高于其他系統。

設計兩種不同任務的數據集進行對比實驗，任務包括語言推送任務和語義識別任務，其中SAN數據集和SNL數據集為語言推送任務，QUO數據集為語言推送任務，使用3種系統進行多級語義交互的匹配實驗，得到3種系統在不同數據集上的準確率如圖7所示。

圖7 不同數據集上的準確率

本研究提出的多級語義交互的批量匹配算法在多個數據集上的準確率最高，在進行對比實驗中沒有使用額外的特征信息，僅利用預訓練的詞向量在詞嵌入層進行初始化，其中語言推送任務中SNL數據集的準確率可達到100%，本研究系統在不同的故障文本匹配任務中能夠取得較好的效果。

文獻[3]系統和文獻[4]系統在語言推送任務的準確率不超過0.9，其中SAN數據集中文獻[4]系統的準確率低至0.82，SANL數據集中文獻[3]系統的準確率低至0.80，語義識別任務中的準確率都為0.73。文獻[3]系統和文獻[4]系統在故障文本匹配中的效果一般，系統匹配出的故障信息中可能存在較多的冗余數據。

5 結束語

本研究設計出配電網故障診斷系統，對配電網線路中發生的故障進行診斷和定位，并及時斷開與故障線路的連接，基于低壓側的電壓信息和饋線終端設備采集到的信息對故障點進行定位，應用批量匹配算法使系統在故障信息交互過程中取得更好的效果。本研究的創新點在于：

1)采用配電變壓器低壓側相電壓信息進行故障診斷，減少了故障定位所需的時間，對斷路器跳閘前兩個周波的電壓進行傅里葉加窗變換，計算基波電壓的有效值。

2)提出基于多語義交互的批量匹配算法，并結合了注意力機制進行語句語義的交互，使模型能夠充分進行故障文本信息交的交互任務，在網絡結構中加入增強殘差連接機制，能夠同時學習局部信息和上下文信息。

為了提高系統的泛化能力，在發生其他短路故障時，需要生成新的數據集，在以后的研究中還需增加系統的故障診斷類型，提高故障定位精度。