基于多源信息融合的電力系統快速故障診斷方法研究

羅卿

(國網浙江省電力有限公司建德市供電公司,浙江,建德 311600)

0 引言

在智能電網中,對早期故障的位置進行診斷是維持供電可靠性、進行故障分析的重要手段[1]。電網一旦發生故障,會在分布式系統中迅速傳播,并可能引起系統的二次故障。由于電力系統故障的分散性和不確定性的影響,傳統的基于斷路器(CBs)和繼電器信息的故障診斷方法往往是無效的。因此,需要將CBs的離散數據與相量測量單元(PMU)的連續電壓相結合[2],以提高智能電網的故障診斷能力。

目前,故障檢測與診斷在智能電網中得到了廣泛的應用。一種方法是利用PMU的信息檢測智能電網的故障位置[3]。PMU從全球定位系統衛星接收同步信號,并確定變電站的電壓和電流相量。由于PMU的測量成本相對較高,因此實際的應用中,通常只使用較少的PMU,然后利用歐姆公式計算其他電網的電壓。另一種則是基于人工神經網絡、模糊邏輯、模糊Petri網、支持向量機、決策樹等方式的智能檢測方法。

近年來,信息融合方法在不同領域得到了廣泛的應用,其基本思想是通過充分利用有效的信息源來改進決策過程[4]。將來自不同信息源的多個信息集成到一個框架中,可以得到比單個信息源更可靠的數據庫,并可以得到精度更高的決策方法。

因此,本文提出了一種新的智能電網故障診斷融合方法。首先,將來自CBs的離散信息和記錄儀的連續電壓用于控制中心單元,并使用有序加權平均(OWA)算子來識別故障位置。然后,結合徑向基函數(RFS)神經網絡和小波的診斷,最后,根據徑向基函數的信息,在特征層進行融合決策。

1 基于OWA算子的信息融合算法

1.1 離散小波變換

小波是在時域和頻域具有局域特性的波狀振蕩。它們的正交特性使它們適合于的監測和故障診斷。MALAT等[5]為離散小波變換(DWT)引入了一個框架,即多分辨率分析,它將一個信號映射到不同的分辨率級別。假設f(t)∈L2(R)為正交小波及其尺度函數的線性組合,則

(1)

φm,k(t)=2-m/2φ(2-mt-k);m,k∈Z

(2)

ψm,k(t)=2-m/2ψ(2-mt-k);m,k∈Z

(3)

其中,φ(t)和ψ(t)分別表示尺度函數及其正交小波。m為膨脹因子,k為平移參數。在尺度函數和小波中加入2-m/2進行歸一化處理,則

a0,k=

(4)

dm,k=

(5)

1.2 RBF神經網絡

RBF網絡是一種前饋神經網絡[6]。該網絡采用徑向基函數作為激活函數,提供全局逼近。這是該網絡與其它存在局部最小問題的多層感知器網絡的主要優勢[7]。

圖1 RBF網絡結構

(6)

其中,Cj(j=1,2,…,n)∈Rn和λj分別為第j個RBF隱藏節點的中心和寬度。

1.3 基于OWA算子的融合方法

利用OWA算子可以將不同方法的決策信息進行融合,以實現高性能的電力系統故障診斷。OWA 算子代表了一類通用的聚合算子[8]。它已被廣泛用于不同的領域,包括函數逼近,決策和控制[9]。OWA 算子可以被認為是從維度為n的空間到維度為 1 的空間的映射,由F:Rn→R表示,關聯的權重向量W=[w1,w2,…,wn]T服從如下關系,

(7)

(8)

(9)

對于式(7)和式(8)中約束條件,可以通過梯度下降法等方法來獲得式(9)的最優解。

2 基于信息融合的故障診斷方法

2.1 基于小波的故障診斷單元

基于基函數的正交性,離散小波變換被證明是分析非穩態信號的有效方法[10]。這些基函數被稱為母小波。Haar小波和Daubechies小波是兩個著名的母小波[11]。為了達到故障檢測的目的,用多分辨率分析方法對故障信號進行分解,以獲得故障信號在不同層次上的近似值和細節系數。

圖2顯示了長度為4的Daubechies母小波的故障信號和它的分解級別(db4),其中,縱軸為標幺值,單位為pu,橫軸為采樣時間,單位為s?？梢钥闯?細節系數1(CD1)包含高頻信號,說明了故障信號的快速變化,可用于檢測故障時間。此外,在總線上CD1的值很大的位置,意味著可能存在故障或故障的影響。

圖2 故障信號及其db4小波分解

2.2 基于RBF網絡結構設計

IEEE 14總線系統被廣泛用于進行各種電力系統研究。因此,為了利用RBF網絡來診斷IEEE 14總線系統中的故障位置和時間。

考慮如圖1所示的RBF網絡,并對其診斷單元進行設計。該網絡的輸入層有14個神經元,隱藏層有28個神經元,輸出層有4個神經元。輸出函數是以二進制格式設計的。例如,輸出0000表示系統中沒有故障。輸出0001意味著在總線1的位置有故障。輸出0010顯示總線2的位置有故障,以此類推。選擇這種格式的原因是,如果選擇十進制格式,輸出會對像13和14這樣的較大的數字產生飽和,系統無法正確檢測這些故障。

2.3 基于OWA算子融合檢測方法設計

融合實現的基本思想是利用融合方法的互補性,提高故障檢測與診斷系統的性能。本小節將結合基于OWA算子的融合算法的特點,設計所需的故障診斷系統。其基本框架如圖3所示。

圖3 融合方法框架

其中,CBs可以在早期階段檢測系統中的故障,但由于故障會影響其附近的總線,因此該方法往往不能確定故障的確切位置。DWT診斷單元可以診斷出故障及其位置,但它對系統中的噪聲仍然很敏感,并可能產生不止一個故障位置,甚至可能出現漏檢。而基于RBF方法可以診斷出故障的位置,但它對故障識別有一定的延遲?；谏鲜龇治?在融合單元,利用基于OWA的融合方法可以有效的結合不同診斷單元的決策,并提前診斷出故障位置。在此過程中,通過優化(9)來調整OWA的權重系數。

3 仿真實驗分析

IEEE 14總線系統由于其合理的復雜性和與微電網結構的相似性而被廣泛用作研究平臺。因此,本文設計如圖4所示的IEEE 14總線系統的故障場景。并通過設計的故障方法測試結果,從而驗證系統的有效性。

圖4 IEEE標準14總線系統

為此,在不同的總線位置向系統加入了幾個故障。其中,斷路器的離散數據和記錄器的連續電壓被同時用于故障分析。此外,在所設計的融合診斷系統中,RBF、DWT和CBs診斷單元的權重系數分別為0.4、0.36和0.24。

圖5為總線6上190個采樣時間的A相接地故障。可以看出,該故障對與總線6連接的總線11有較大影響,從而導致6和11的CB同時斷開。因此,CBs信息不能準確標識故障的位置。

圖5 總線 6 中的 A 相接地故障及其對總線 11 的影響。

圖6顯示了總線6和11的故障電壓及其CD1。CD1顯示了電壓的變化。在總線6的191個采樣時間,它從幾乎為零跳到0.15pu。在191個采樣時間,總線11的值上升到接近0.1pu。因此,DWT診斷單元在時間191診斷出6號總線的故障位置。需要注意的是,如果系統中的噪聲較大,單獨使用DWT進行故障診斷時,可能由于CD1攜帶了系統中噪聲等高頻信號而導致漏報。

圖6 故障電壓和6號和11號總線上的CD1

圖7為CBs、DWT、RBF和OWA四個故障診斷系統的輸出。可以看出,RBF診斷單元在195個采樣時間檢測到6號總線的故障。

圖7 總線6的CBs,DWT,RBF和OWA 故障診斷系統的輸出

而當通過本文提出的基于OWA算子的融合方法進行診斷時,在191采樣時間能夠準確檢測到總線6的故障。與RBF診斷單元相比,它的檢測延遲更低。此外,由圖7可以看出融合檢測方法將CBs、DWT、RBF的故障結果組合在一起作為系統的輸出,從而有效的提高了故障識別能力,以及故障定位的可靠性。

4 總結

本文提出了一種用于電力智能電網的新融合方法。該方法利用OWA運算器將CBs、DWT和RBF 3個診斷單元的信息結合起來,從而得到一個融合的框架來識別故障。通過實驗證明,基于OWA的融合方法不僅可以識別故障的確切位置,而且與RBF診斷單元相比,它的檢測延遲更低。