電力系統故障元件智能診斷方法研究

摘 要：為了進行電力系統故障元件智能診斷，本文基于錄波數據建立了相應的診斷模型，該模型由疑似故障區域自動識別模塊、故障分析與計算模塊和故障診斷求解模塊3個部分組成。首先，從錄波數據中提取故障特征量，建立電氣元件的故障診斷解析模型，對故障特征數據進行預處理，消除量綱的影響。其次，運用遺傳算法求解故障模型。最后，利用39節點的電網模型檢驗本文診斷方法的準確性。結果顯示，本文診斷方法能有效識別故障線路、故障母線，具有良好的故障診斷效果。

關鍵詞：錄波數據；故障解析模型；電力系統；故障元件；智能診斷方法

中圖分類號：TM 732" " 文獻標志碼：A

傳統電力系統利用開關量的告警信息判斷電氣元件是否存在故障，容易受繼電保護誤動和拒動干擾，導致識別錯誤。錄波數據的采集時間在繼電保護動作之前，因此不受誤動和拒動干擾，可準確反映電力系統在故障發生瞬間的各類狀態量，是識別故障元件的可靠依據。本文運用錄波數據建立電氣元件的故障診斷解析模型，具有重要的工程應用價值。

1 電力系統故障元件智能診斷方法設計

電力系統故障元件智能診斷方法如圖1所示，該方法由3個模塊組成，分別為疑似故障區域自動識別模塊、故障分析計算模塊以及故障診斷求解模塊。

1.1 疑似故障區域自動識別模塊設計

1.1.1 基于錄波數據的疑似故障元件識別

疑似故障區域的識別依據為故障元件，確定故障元件的種類和數量后，根據電力線路和故障元件的連接關系進一步確定故障區域，關鍵在于如何識別故障元件。在故障元件智能診斷方法中，根據錄波數據和模糊C均值（Fuzzy C-Means，FCM）聚類算法識別故障元件，具體如下。

1.1.1.1 錄波數據采集

電力系統利用故障錄波器采集錄波數據，目前的故障錄波器主要有2種形式，分別為微機式故障錄波器和數字分布式故障錄波器。當電網出現電壓、電流擾動時，在模擬量、遠程控制信號或其他信號的作用下，故障錄波器被觸發，自動完成錄波數據采集[1]。主要應用電網大擾動前的模擬量、擾動發生后的初期信息以及系統故障后的中期狀態信息進行故障元件識別。

1.1.1.2 故障特征量選取

以錄波數據為基礎，利用小波變換或者傅里葉變換，可將初始的時域信號轉化為頻域信號，再從中提取各類信號的頻域特征。錄波數據中可提取的故障特征包括電壓相量特征、電流相量特征、故障分量特征、電流縱差特征、小波系數比特征、故障方向特征以及電流相位差特征等[2]。各類故障特征的計算方法存在較大差異，以小波系數比特征為例，其計算方法如公式（1）所示。

式中：e為故障元件的小波系數比；Ei為故障前的最大小波逼近系數；Ef為故障后的最大小波逼近系數；max（Ei，Ef）為Ei和Ef中的最大值；min（Ei，Ef）為Ei和Ef中的最小值。

電流、電壓相量特征（包括幅值和相角）的計算方法如公式（2）所示。

式中：X為電壓幅值特征量或者電流幅值特征量；a1為電流基波提取的正弦項或電壓基波提取的正弦項；b1為電流基波提取的余弦項或電壓基波提取的余弦項；θ為電壓相量或電流相量的相角。

1.1.1.3 故障特征數據標準化處理

進行FCM聚類分析前，需要處理故障特征數據，以降低算法模型的計算難度。故障特征數據的預處理方法如公式（3）所示。

式中：xij為標準化處理前的數據；i為第i個故障元件；j為第j維特征；x'ij為標準化處理后的數據；x'j為第j維特征的均值；Sj為第j維特征的統計標準差。

經過公式（3）的處理，所有故障特征數據均轉化為純數字，并消除了量綱對計算的干擾。

1.1.1.4 FCM聚類分析

錄波數據具有較高的復雜性，FCM算法能夠對錄波數據進行分類，從而提取故障特征量。FCM聚類算法利用目標函數控制研究對象和聚類中心矩陣間的關系，使二者的隸屬度達到最優程度，該目標函數的表達式如公式（4）所示。

式中：P為給定數據集經過FCM聚類后，所有子集的聚類中心矩陣；U為隸屬度矩陣，由所有子集的隸屬度函數構成；minJ（U，P）為目標函數，代表聚類中心隸屬度最優；c為給定數據集經過FCM聚類處理后所形成的分類數；n為被研究對象的數量；m為加權指數；uij為第i種分類的第j個對象的隸屬度函數；pi為給定數據集第i種分類的聚類中心，1≤i≤c；xj為向量化的數據，1≤j≤n；D2（xj，pi）為數據xj和聚類中心pi間的失真度[3]。

錄波數據FCM聚類分析是指從錄波數據中初步提取各類特征數據，包括電壓相量特征、電流相量特征、故障分量特征、電流縱差特征和小波系數比特征等，進行排列后形成向量化的數據xj=（xj1，xj2，...，xjs），xjm為該向量化數據中的元素，并且有1≤m≤s，s為元素的總數量。根據公式（3）所示的方法對數據xj進行預處理，再完成FCM聚類。

1.1.1.5 故障可信度計算和故障元件判定

由故障可信度判斷電力元件是否發生故障，本文將電力元件的綜合故障期望值作為故障可信度的量化評價指標，綜合故障期望值的計算方法如公式（5）所示。

E=STU （5）

式中：E為電氣元件的綜合故障期望值；S為加權計算后的類別屬性矩陣，S=IW0T，其中W0為電力元件的特征權重矩陣，I為類別指示矩陣，I=[dij]2×s。

關于類別指示矩陣，當dij=1時，表示第i個電氣元件的第j維特征屬于故障類[4]；當dij=0時，表示第i個電氣元件的第j維特征無故障。疑似故障元件判定標準見表1，根據綜合故障期望值的計算結果并結合表1確定故障元件和非故障元件。

1.1.2 疑似故障區域元件拓撲結構識別

確定疑似故障元件后，需要進一步明確故障元件構成的疑似故障區域，形成相應的電網拓撲結構。構建拓撲結構可采用節點-支路關聯矩陣方法。在該方法中，支路為電力系統的輸配電線路，節點為母線。根據節點和支路的連接關系可構建關聯矩陣A，矩陣中的元素為akl，表示第k個母線節點和第l條支路。當akl=1時，表示母線節點k和支路l直接相連，否則表示二者非直接相連，由此可建立故障元件間的拓撲關系。

1.2 故障分析計算模塊設計

1.2.1 錄波電氣量故障特征判據計算方法

1.2.1.1 變壓器差動電流特征判據

當變壓器出現內部故障時，有可能導致差動電流，即入口端和出口端的電流明顯不一致。針對該現象，可設置如公式（6）所示的0-1判據。

式中：Pc為差動電流0-1判據，1為差動電路，0為非差動電流；Iφd為出口端和入口端的電流差值；Iset為判斷閾值。

1.2.1.2 線路兩端電流相位差特征判據

當電氣系統的線路因故障而發生電流突變時，可根據線路兩端電流突變量計算相位差θφd。

當0＜θφd＜145°時，屬于故障線路，當145°＜θφd＜180°時，屬于非故障線路。因此，針對線路兩端電流相位差的0-1判據如公式（7）所示。

式中：Pl為線路兩端電流相位差的0-1判據。

1.2.2 故障診斷解析模型構建

在疑似故障區域內，將各個電氣元件的運行狀態表示為集合S=[s1，s2，...，sn]，si為第i個設備的運行狀態，i=1，2，3，...，n。當si=1時，該元件為故障元件。當si=0時，該元件為非故障元件。以故障錄波數據為基礎，由調度中心計算故障錄波特征判據。假設故障類型的數量為h，對應的故障錄波特征判據向量記為Cr1、Cr2、...、Crh，其中Crh為第h類故障對應的故障錄波特征判據。將電氣元件的運行狀態向量S作為輸入變量，求解出故障錄波特征量判據的綜合故障期望值，則h類故障對應的期望值向量為C* r1（S）、C* r2（S）、...、C* rh（S）。在此基礎上可建立電氣故障元件智能診斷解析模型的數學表達式，如公式（8）所示。

式中：Cr1j為向量Cr1中的第j個元素，Cr1中的元素總數量為z1個；Cr2j為向量Cr2中的第j個元素，Cr2中的元素總數量為z2個；Crhj為向量Crh中的第j個元素，Crh中的元素總數量為zh個；C* r1j（S）為向量C* r1（S）中的第j個元素，其元素總數量為z1個；C* r2j（S）為向量C* r2（S）中的第j個元素，其元素總數量為z2個；C* rhj（S）為向量C* rh（S）中的第j個元素，其元素總數量為zh個。

目標函數E（S）的計算結果越小，代表診斷結果的可靠性越高。

1.3 故障診斷解析模型求解方法分析

公式（8）所示的目標函數包括5種故障錄波特征判據，分別為電流相位差故障特征判據P、基于序分量的方向判據Q、測量電壓和計算電壓的差值比較判據R、母線的出線電流以及判據T、變壓器和線路的差動電流判據W。

2 故障元件智能診斷方法仿真算例

2.1 算例模型

為了驗證本文診斷方法的有效性，本文利用如圖2所示的39節點電網進行仿真分析。

2.2 算例模型故障元件診斷

2.2.1 故障特征量提取

錄波數據的采集時間為繼電保護動作之前，電氣元件分為母線和線路2種，分別從錄波數據中提取2類電氣元件的故障特征量，結果分別見表2、表3。

2.2.2 基于FCM聚類的故障可信度計算

對各元件的故障特征量進行處理，輸入FCM模型，完成聚類分析，再計算出各個元件的綜合故障期望值，將其作為故障可信度的判斷標準。母線元件和線路元件的故障可信度計算結果見表4。顯然，線路元件4～14、10～11和母線元件14的故障可信度高于閾值0.5，屬于疑似故障元件。

2.2.3 故障元件識別結果

根據上述數據建立故障解析模型，并利用遺傳算法對模型進行求解，適應度最佳的3個結果見表5。狀態集I的適應度最佳，為主要的識別結果。從中可知，線路元件4～14、10～14和母線元件14均識別為1（即故障元件），說明本文診斷方法具有良好的可靠性。

3 結論

本文智能診斷法方法由3個模塊組成，包括疑似故障區域自動識別模塊、故障分析計算模塊和故障診斷求解模塊。疑似故障區域識別的關鍵為確定疑似的故障元件，并建立相關元件的網絡拓撲結構。這一過程包括從錄波數據中提取故障特征量，進行預處理，再借助FCM算法進行聚類分析，計算出各個元件的故障可信度，將故障可信度＞0.5的元件視為疑似故障元件。

本文建立了故障診斷解析模型，包括5個故障特征判據，將目標函數計算結果最小作為控制目標。運用遺傳算法對模型進行求解，將適應性最佳的結果作為識別故障元件的依據。經過仿真，該診斷模型可準確識別故障線路和母線。

參考文獻

[1]劉祥波，王森，高芳，等.基于幅值和斜率變化的配電線路故障錄波數據同步方法研究[J].供用電，2024，41（4）：19-27.

[2]李偉，付小偉，馮波，等.基于故障錄波數據的變電站故障分析系統研究[J].電氣技術與經濟，2024（4）：148-150，153.

[3]趙宇皓，陳天英，曾四鳴，等.基于錄波實測數據的低壓配電網故障檢測與保護研究[J].制造業自動化，2023，45（6）：130-133，140.

[4]姚江，柏東輝.500kV變電站二次綜合自動化設備故障錄波測距系統[J].自動化與儀表，2023，38（9）：97-100，124.

[5]巫耀光.基于錄波數據的配電網斷路器狀態監測的研究[J].自動化應用，2023，64（22）：142-145.