配電網絡電壓暫降源自動定位與智能識別

翁國慶，王　強，黃飛騰，宓巧巧，朱雙雙

(浙江工業(yè)大學 信息工程學院，浙江 杭州 310023)

?

配電網絡電壓暫降源自動定位與智能識別

翁國慶，王強，黃飛騰，宓巧巧，朱雙雙

(浙江工業(yè)大學 信息工程學院，浙江 杭州 310023)

摘要：電壓暫降是配電網絡中最重要的電能質量問題之一．針對短路故障、電容器投切、沖擊負荷和變壓器啟動引起的四種常見電壓暫降類型，分別搭建仿真模型分析其擾動信號特征．采用擾動功率和擾動能量法實現其擾動方向判定，并針對傳統(tǒng)的基于矩陣算法的暫降源自動定位方案提出改進措施．分別基于小波能量熵和自組織競爭性神經網絡進行暫降擾動信號的特征提取和分類訓練，可實現多類型電壓暫降源的智能識別，算例分析驗證了所提方法的實用性和有效性．

關鍵詞：電壓暫降；擾動方向判定；自動定位；智能識別；神經網絡

電壓暫降是最重要的電能質量指標項之一，目前與其相關的投訴比重高達80%以上．實現電壓暫降源的準確定位和智能識別對電能質量故障診斷、檢測以及治理策略的制定非常必要，并有助于責任劃定和糾紛協調[1-2]．目前，關于電能質量擾動源定位的研究較少，大多處于理論探索和仿真階段．電壓—電流相量法依據暫降源位置不同電壓—電流的變化趨勢不同確定擾動源方向[3]；基于有功電流的擾動定位則是基于故障發(fā)生時刻監(jiān)測裝置處的有功電流方向不同來判定擾動源方向[4]；由于大部分電壓暫降由故障引起，LIC等從電力系統(tǒng)保護角度，提出基于系統(tǒng)等效阻抗實部的符號暫降源定位的方法[5]；在S變換的基礎上，基于多分類支持向量機可實現電壓暫降源識別[6]；基于卡爾曼濾波暫降源分類算法，可有效分類出各事件引起的暫降源[7]，但實時性比較差．

針對4種分別由短路故障、電容器投切、沖擊負荷和變壓器啟動引起的電壓暫降的擾動特征，以及它們的暫降源定位和類型智能識別方法．在實現4種暫降類型仿真模型構建的基礎上，采用擾動功率與擾動能量算法分別對其擾動方向判定進行分析，指出傳統(tǒng)基于矩陣算法的擾動源定位算法存在的問題并提出相應的合理改進措施；采用一種基于小波能量熵(WEE)和自組織競爭型神經網絡(SCNN)的多類型電壓暫降源智能識別方法．

1電壓暫降擾動特征及起止時間定位

1.1　4種主要類型電壓暫降擾動特征

實際配電網絡中，造成電壓暫降擾動事件的原因有多種，其中最常見的4種為：各種短路故障；電容器組投切；沖擊負荷；變壓器啟動時勵磁涌流．為比較這4種電壓暫降現象并獲得對應的擾動信號，可基于MATLAB/Simulink平臺分別搭建其電路仿真模型．仿真分析表明：不同原因引起的電壓暫降擾動信號具有不同的特征，主要體現在電壓暫降幅值、三相幅值不對稱度、二次諧波含有率、電壓暫降幅值頻度等方面．圖1為4種不同類型電壓暫降擾動信號的仿真波形．

圖1　4種不同類型電壓暫降擾動波形Fig.1　Disturbance waveform of four kinds of voltage sags

經過仿真分析，對4種不同電壓暫降擾動信號特征進行概括提煉，這些差異化特征是各類型電壓暫降源正確識別的基礎．短路故障引起電壓暫降擾動信號特征：暫降程度遠遠大于其他原因引起的暫降程度；不同類型短路故障將產生不同的三相電壓暫降波形，在不對稱短路時三相不平衡度大；電壓波形的變化迅速．電容器組投切引起電壓暫降擾動信號特征：含有較多的噪聲信號，且造成影響在暫降結束后仍將持續(xù)一段時間；暫降結束后，有時伴隨有電壓暫升現象．沖擊負荷引起電壓暫降擾動信號特征：暫降程度較低；當投入非三相沖擊負荷時，也可能具有不對稱性．變壓器啟動引起電壓暫降擾動信號特征：暫降波形含有大量諧波(通常為二次諧波)；暫降持續(xù)時間較其他類型更長．

1.2　基于小波變換的電壓暫降時間定位

小波變換(Wavelet transform，WT)具有良好的時一頻局部化特性，可以聚焦到信號的任意細節(jié),從而很好地處理微弱或突變信號，特別適合于對非穩(wěn)態(tài)畸變波形問題進行分析．因此，在已經得到了上述四種典型電壓暫降事件的電壓暫降波形的基礎上，采用多分辨小波變換方法來分析暫降信號的突變或暫態(tài)特征，從而實現擾動信號的起止時刻精確定位．

離散小波變換(DWT)類似于濾波器，可將一個信號以小波分樹的形式多級分解為信號的近似值和細節(jié)值[8]．假定信號a0(n)為離散信號序列,被分解為

a1(n)=∑h(k-2n)a0(k)

(1)

式中：h(k-2n),g(k-2n)分別為實現小波分解樹的高通濾波器和低通濾波器；d1(n)為細節(jié)部分；a1(n)為信號部分，對后者繼續(xù)分解,經多重分解結果形成了信號多分辨分析．

可編程實現電壓暫降信號的小波分析過程，然后把已構建仿真模型中產生的各類型電壓暫降擾動信號數據導入小波分析程序，實現各電壓暫降擾動信號的多級分解．通過讀取小波分解之后的多層細節(jié)信號找出暫降擾動信號的奇異點，即可實現電壓暫降波形信號的時間精確定位．圖2為短路故障引起的電壓暫降擾動信號的小波多級分解結果．

圖2　電壓暫降擾動信號的小波多級分解Fig.2　Wavelet multi-level decomposition of disturbance signal of voltage sag

圖2中分別依次顯示了原始信號波形，第3層到第1層細節(jié)信號．從圖2中可以看出：小波分析的結果非常理想，從第d1層細節(jié)信號中已經可以看出信號的奇異點，信號的奇異點非常明顯，表現為豎直線段．直觀上看，信號的奇異點在0.2s和0.3s的時刻，這和所設置的電壓暫降發(fā)生時間吻合．

2暫降源擾動方向判定與自動定位

2.1　基于擾動功率與擾動能量法的方向判定

擾動方向的有效判定是電壓暫降源定位的關鍵前提．對應某個電能質量監(jiān)測裝置(Powerqualitymonitor,PQM)，從監(jiān)測點的位置來看，并以系統(tǒng)基頻有功功率的流向作為參考方向，可將整個網絡區(qū)域劃分為擾動前向區(qū)域與擾動后向區(qū)域，如圖3所示．

圖3　擾動前向、后向區(qū)域劃分Fig.3　Division of disturbance area

采用基于擾動功率與擾動能量法進行各類型暫降擾動的方向判定．該方法的基本原理是，使用暫降過程中的擾動功率和擾動能量來確定電壓暫降源與PQM的相對位置關系．基于暫降擾動造成瞬時功率的變化，擾動功率DP(t)和擾動能量DE(T)可定義[9]為

DP(t)=Ps(t)-Pd(t)

(2)

(3)

式中：Ps(t)為t時刻暫降擾動期間的三相有功功率；Pd(t)為t時刻暫降擾動發(fā)生之前的穩(wěn)態(tài)三相有功功率．

以一個11kV，50Hz的電壓源通過配電線路向一個額定頻率為50Hz，額定電壓為10.5kV，額定功率為10kW，200Var的負荷供電系統(tǒng)為例，構建電壓暫降仿真模型．更改相關模型和參數依次仿真，并運用擾動功率與擾動能量法可獲得其各自的監(jiān)測點前向區(qū)域與后向區(qū)域的DP(t)與DE(T)的波形，如圖4所示．

圖4　各類模型中前、后向區(qū)域暫降擾動時的DP與DEFig.4　DP and DE of various models in the forward and afterward area when occurred voltage sag

采用的暫降源方向判定規(guī)則是：擾動功率波形第一個峰值和擾動能量最終值均為正，則擾動源位于監(jiān)測點后向區(qū)域；相反，兩者均為負，則擾動源位于監(jiān)測點前向區(qū)域．經過觀察判斷，該判定規(guī)則適用于圖3中暫降事件發(fā)生時的擾動前后向區(qū)域判斷．

2.2　暫降源自動定位及方案改進

上述基于單測點的暫降擾動方向判定僅能夠判別出配電網絡中發(fā)生擾動時暫降源的前向、后向大致方向，并未實現擾動源的精確定位．未來智能配電網中，基于網絡化電能質量監(jiān)測與分析系統(tǒng)強大的信息匯集與融合能力，電壓暫降源的自動精確定位程成為可能．

基于配電網絡的拓撲結構信息、布置的各PQM位置信息和暫降事件發(fā)生時各PQM的擾動方向判定信息，利用有根樹和特征矩陣法可部分實現輻射狀配電網絡中的暫降源的自動定位[10]，其具體流程如圖5中實線框部分所示．圖5中，覆蓋矩陣用以表征配電網絡的拓撲結構及其中PQM布置信息，方向矩陣表征配電網絡中任意點發(fā)生電能質量事件時布置于網絡的各PQM的擾動方向判定結果，然后基于矩陣乘運算得到的定位結果矩陣，利用其包含的信息可部分實現電能質量事件源的自動定位．

圖5　擾動源精確定位Fig.5　Pinpoint location of disturbance source

在智能配電網背景下，該算法存在諸多不足，多種情況下該方案可能會導致擾動源定位結果存在模糊項甚至出現誤判．例如不同的擾動，擾動特征不盡相同，即使同一類擾動也有強弱之分，并且在各測點的分布也不一樣，加上負荷波動、隨機干擾、DG引入等不確定因素也會導致誤判．圖5中虛線框部分是針對所提問題，為使暫降源定位方案具有更高的可靠性和更好的適應性而相應提出的三項改進措施：

1) 網絡化電能質量監(jiān)測與分析系統(tǒng)中，期望在每個電網節(jié)點都布置PQM是不現實，也是不必要的，但這可能給上述基于矩陣算法的暫降源自動定位結果中引入模糊項．可以基于電力系統(tǒng)狀態(tài)估計原理，使得擾動發(fā)生時部分未布置實際PQM節(jié)點的關鍵狀態(tài)量可通過計算得出，視作在該類節(jié)點也布置了相應的“虛擬PQM”并對傳統(tǒng)的矩陣算法進行擴展，從而消除原定位算法中的可疑模糊項，實現暫降源的精確定位．

2) 現有的擾動定位算法主要針對單電源輻射式配電網，未來智能配電網中越來越多的可再生分布式電源(Distribute generation, DG)接入，將會對原配電網節(jié)點電壓、功率和電能質量等產生較大影響，使得原擾動定位方法無法精確定位或誤判．需要在原矩陣算法中進行相應調整，在特征矩陣元素值定義中充分考慮DG群接入后引起的潮流功率方向變化情況，避免由此引起的誤判．

3) 現有定位算法過于依賴監(jiān)測點的方向判定結果的正確性(采用+1，-1值絕對化描述擾動方向判別結果)，無法表征各PQM判別結果的可靠性程度，無法解決個別PQM判別錯誤即可能導致定位偏差的難題，而實際上擾動事件監(jiān)測數據受到信號強弱、距離位置、高斯噪聲和監(jiān)測誤差等諸多因素影響．可以引入可信度概念，描述上述因素不同情景下的對判別結果“可信度”的影響機理，使方向判定結果帶有“量化可信度”質量標簽，并通過評價函數優(yōu)化求解實現在部分PQM擾動信息不可靠情況下的擾動源自動、精確定位．

3電壓暫降源智能識別

除實現擾動方向判別與自動定位，電壓暫降源的智能識別也具有重要意義．在暫降擾動源候選集合比較明確的較小區(qū)域電網中，綜合利用模式識別與智能分類技術，直接通過提取擾動特征、分類器訓練進行定位決策成為可能．采用WEE和SCNN進行暫降源的智能識別．

3.1　小波能量熵(WEE)

假設信號x(n)經過小波分解之后，在第i分解尺度的高頻分量系數是di，低頻分量系數為Di和Ai．那么原始信號序列x(n)在m尺度上面就可以表示為各個分量疊加，即

(4)

電壓暫降信號的小波熵特征可由小波能譜熵和系數熵構成，其定義分別如下：

WEE=-∑ipilnpi

(5)

2) 小波系數熵．對信號x(n)進行小波多分辨率分解得到各尺度上的小波分解序列，定義其劃分的測度為

(6)

其中：dj(i)為尺度j小波分解細節(jié)系數；N為信號長度．根據信息熵的基本理論，定義WCE為

(7)

4種電壓暫降源具有不同的小波能量熵，綜合反映了不同暫降波形的特征指標．小波系數熵反映了原始信號在各分解尺度上能量分布的不確定度．

3.2　自組織競爭神經網絡(SCNN)

SCNN結構屬于層次性網絡，具有輸入層、競爭層和輸出層．通過檢測其輸入樣本與訓練樣本相互之間的關系，根據輸入樣本的信息自適應調節(jié)網絡，使得輸出響應與輸入樣本相適應．輸入層負責接收外界的信息并且把輸入模式向競爭層傳遞．競爭層主要負責對該模式進行分析和比較，找出可以正確歸類的規(guī)律．輸出層神經元個數等于訓練樣本數據的種類個數，每個神經元遵循勝者為王的競爭學習算法規(guī)定(獲勝神經元輸出為1，反之為0)．

學習矢量化法(Learning vector quantization, LVQ)是SCNN眾多模式分類算法中的一種，具有網絡用戶指定目標分類結果，通過監(jiān)督學習，完成對輸入向量模式的準確分類的特點[11]．在電壓暫降源樣本數據類別已知的情況下，應用LVQ算法可根據電壓暫降源樣本數據的特性，進行獎勵和懲罰的迭代學習，實現多類型電壓暫降源的智能識別．

3.3　電壓暫降訓練樣本提取

為使構建SCNN的訓練更具效果，選取的訓練樣本一定要具有代表性和廣泛性．在上述四種電壓暫降Simulink仿真模型中，分別修改一些關鍵的模型仿真參數，每種暫降模型都可獲得多組

仿真結果波形在原有的對仿真暫降信號的小波分析程序中，加入用以計算小波能量熵的程序對每次修改參數后的模型重新計算并記錄其逼近信號和各層細節(jié)信號的小波能量熵．將每組仿真參數對應的結果作為一組樣本數據．每個樣本都有8個數據，它們分別是逼近信號的小波能量熵Ea、第一層至第七層細節(jié)信號的小波能量熵Ed1~Ed7．

觀察所獲得的數據，發(fā)現不同參數下對應的各組數據中，Ea和Ed7之間相差比較大，而Ed1~Ed6雖有一些差別但其差別程度和方式基本一樣．因此，只需在除Ea和Ed7之外的6個小波能量熵數據中取一個代表性數據即可．

4算例仿真

以短路故障引起的電壓暫降事件為例進行分析．對小波分析結果信號的WEE可能存在影響的因素有：電壓等級、上下游線路阻抗之比、暫降起止時刻對應的電壓相位、短路故障類型．

選擇兩種電壓等級(11 kV，22 kV)進行仿真，其他參數如下：

1) 上下游線路阻抗比值分別為1∶1和1∶2．

2) 上述4種影響因素故障起止時刻分別為0.2~0.31 s，0.21~0.3 s，0.2~0.3 s以及0.21~0.31 s．

將以上不同情景下的仿真參數進行排列組合，針對各種情況均進行仿真，并求出每次仿真后的WEE數據得到27組數據，如表1所示．

表1　各種情況下短路故障引起暫降的訓練樣本

獲得訓練樣本后，需進一步基于LVQ算法對所構建的SCNN進行訓練．為驗證訓練的神經網絡對電壓暫降源識別的效果，需要獲得測試樣本對其進行測試．測試樣本和訓練樣本的選取原理基本一致，但需注意：測試樣本仍然需要廣泛性和代表性；測試樣本不能是訓練樣本中的數據，否則不能驗證識別的正確性．

選取不同情景下10組仿真數據作為測試樣本，其對應的仿真參數情況和數據結果如表2所示．

表2　各種情況下短路故障引起暫降的測試樣本

從表3中可以看出：對于第2，3，4三種暫降類型，暫降源的正確識別率達到100%，所構建的智能識別模型非常有效(事實上，真正實際中識別器不可能達到100%，這里可能是因訓練樣本和測試樣本數據過少造成)．但是，對于第1種暫降類型，70%的正確識別率不是很理想．其原因很可能是因短路故障本身就有很多類型，而各種短路故障引起的暫降效果和擾動信號特征差異性較大．一方面，算例中采用的訓練樣本數據和測試樣本數據可能未能很好地覆蓋各種不同情景；另一方面，多類型、差異化大的復雜情況本身必然大大提高智能分類器的識別難度．

表3　4種類型電壓暫降源智能識別效果

5結論

從電壓暫降源準確定位和多類型智能識別角度進行研究，建立常見的由短路故障、電容器投切、沖擊負荷和變壓器啟動引起的4種電壓暫降仿真模型，并提取分析了各種情景下的暫降擾動數據及波形特征．采用擾動功率和擾動能量法進行擾動方向的判定，并對基于矩陣算法的暫降擾動源定位算法進行改進，使其具有更高的可靠性和更好的適應性．實現了基于小波能量熵和自適應競爭神經網絡的多類型電壓暫降源的智能識別，并基于算例分析驗證了所提方法具有較好的智能識別特性．

參考文獻：

[1]王克星，宋政湘，陳德桂，等．基于小波變換的配電網電壓暫降的干擾源辨識[J]．中國電機工程學報，2003，23(6)：29-34．

[2]翁國慶，張有兵，曹一家．基于配電線載波通信的電能質量擾動源自動定位方法的研究[J]．浙江工業(yè)大學學報，2010，38(2)：162-167．

[3]RODNEY H G, TAN V K. RAMACHANDARAMURTHY. Power quality event source directivity detection based on V-I scatter graph[C]//IEEE 15th International Conference. China: IEEE，2012：758-762．

[4]WANG Chengshan, WANG Jidong. Locating the source of capacitor switching disturbances based on wavelet transform[C]//Conference on Convergent Technlogise for the Asia-Pacific Region. Pennsylvania: IEEE，2003：998-1001．

[5]LI C, TAYJASANANT T, XU W, et al. Method for voltage-sag-source detection by investigating slope of the system trajectory[J]. IEEE proceedings on center,tansform and distrib，2003，150(3)：367-372．

[6]呂干云，方奇品，蔡秀珊． 基于多分類支持向量機的電壓暫降源識別[J]. 電力系統(tǒng)保護與控制，2010，38(22):151-155．

[7]翁國慶．網絡化電能質量監(jiān)測系統(tǒng)若干關鍵技術研究[D]．杭州：浙江工業(yè)大學，2010．

[8]張凱，關根志，張海龍．用小波變換和瞬時功率定位電能質量擾動源[J]．高壓電技術，2008，34(3)：573-578．

[9]張文濤，王成山．基于改進擾動功率和能量法的暫態(tài)擾動定位[J]．電力系統(tǒng)自動化，2007，31(8)：32-35．

[10]翁國慶，張有兵，王晶．基于鏈表和矩陣算法的電能質量擾動源自動定位[J]．電力自動化設備，2011，31(10)：12-17．

[11]賈勇，何正友，趙靜．基于小波熵和概率神經網絡的配電網電壓暫降源識別方法[J]．電網技術，2009，33(16)：63-70．

(責任編輯：劉巖)

Automatic location and intelligent recognition of voltage sag source in distribution network

WENG Guoqing, WANG Qiang, HUANG Feiteng, MI Qiaoqiao, ZHU Shuangshuang

(College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China)

Abstract:Voltage sag is one of the most important power quality problems. The simulation models of four kinds of voltage sags are built respectively,which are caused by short-circuit fault, capacitor switching, impact load and starting transformer, and the characteristics of those disturbance signals are analyzed. The disturbance direction judgment algorithm based on disturbed power and disturbed energy is adopted to judge the disturbance direction. The existing automatic location scheme based on the matrix algorithm is improved. The features of sag disturbance signals are extracted and classified training based on the wavelet energy entropy and the self-organizing competitive neural network. By this way, multi-type voltage sag sources can be identified intelligently. The case verifies the practicability and validity of the proposed method.

Keywords:voltage sag; disturbance direction judgment; automatic location; intelligent identification

中圖分類號：TM993.4

文獻標志碼：A

文章編號：1006-4303(2016)01-0045-07

作者簡介：翁國慶(1977—)，男，浙江龍游人，副教授，碩士生導師，主要從事電能質量監(jiān)控、分布式發(fā)電、智能電網等方面的研究，E-mail:wgq@zjut.edu.cn.

基金項目：國家自然科學基金資助項目(51207139)；國家留學基金資助項目(201408330220)；浙江省教育廳科研項目(Y201431752)

收稿日期：2015-07-07