混合模糊H網(wǎng)在配電網(wǎng)故障識別中的應(yīng)用

王思明，童安蓉

（蘭州交通大學(xué)自動化與電氣工程學(xué)院，蘭州 730070）

混合模糊H網(wǎng)在配電網(wǎng)故障識別中的應(yīng)用

王思明，童安蓉

（蘭州交通大學(xué)自動化與電氣工程學(xué)院，蘭州 730070）

識別故障類型是實(shí)現(xiàn)配電網(wǎng)故障準(zhǔn)確定位的前提。針對配電網(wǎng)故障識別問題，提出一種混合模糊H網(wǎng)的方法。對故障發(fā)生后1/4周期內(nèi)的三相電壓，應(yīng)用Clarke變換進(jìn)行實(shí)時三相電壓的零序分解，應(yīng)用S變換提取電壓暫降幅值，然后經(jīng)過模糊推理系統(tǒng)獲取模糊值作為特征量，最后應(yīng)用模糊H網(wǎng)進(jìn)行識別。采用ATP/EMTP進(jìn)行配電網(wǎng)故障模型的搭建，然后對各種短路故障類型進(jìn)行識別。仿真結(jié)果驗(yàn)證了方法的可行性，且不受過渡電阻、故障位置等影響，并通過方法對比，表明混合模糊H網(wǎng)方法具有良好的準(zhǔn)確性和快速性。

配電網(wǎng)；故障識別；S轉(zhuǎn)換；模糊邏輯；模糊H網(wǎng)

故障定位是配電網(wǎng)故障自愈控制的基礎(chǔ)，而快速、準(zhǔn)確的故障類型識別是準(zhǔn)確故障定位和快速恢復(fù)供電的前提。近幾年，針對電網(wǎng)線路故障識別，國內(nèi)外學(xué)者大多數(shù)集中研究高壓輸電線路，針對配電網(wǎng)的研究較少。研究成果主要集中于特征提取和類型識別。特征提取方面的相關(guān)方法都取得了較大的進(jìn)展，如小波變換［1-2］、希爾伯特黃變換［3］、小波熵［4］、故障分量分解［5-7］、S變換［8-9］等。類型識別方面，主要為推理法和分類器兩類方法。文獻(xiàn)［10］應(yīng)用模糊推理方法來解決輸電線路故障的識別問題，并提高了故障識別在信息不確定和模糊的情況下的準(zhǔn)確性。文獻(xiàn)［11-13］應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的分類方法，故障識別速度和準(zhǔn)確性得到了有效的提高。文獻(xiàn)［14］應(yīng)用模糊Petri網(wǎng)來實(shí)現(xiàn)故障識別的推理分析部分，將推理過程清晰直觀化。

模糊推理和神經(jīng)網(wǎng)絡(luò)的推理過程是黑箱操作，不容易被人理解。雖然模糊Petri網(wǎng)的推理過程比較直觀，但存在“積壓”現(xiàn)象和結(jié)構(gòu)復(fù)雜的缺點(diǎn)。模糊H網(wǎng)FHN（fuzzy H net）是對模糊Petri網(wǎng)的進(jìn)一步改進(jìn)，比模糊Petri網(wǎng)的結(jié)構(gòu)更為簡潔，數(shù)值處理能力更強(qiáng)。

考慮到配電網(wǎng)發(fā)生故障時所獲取的電壓、電流信息受隨機(jī)因素干擾較大和目前識別方法的局限性，本文應(yīng)用混合模糊H網(wǎng)HFHN（hybrid fuzzy H net）模型來實(shí)現(xiàn)配電網(wǎng)線路故障類型的識別，故障特征提取部分采用Clarke變換和S變換實(shí)現(xiàn)，類型識別推理部分采用模糊邏輯和模糊H網(wǎng)相結(jié)合的混合模型實(shí)現(xiàn)。

1　識別框架及仿真系統(tǒng)

1.1識別框架

圖1所示為基于混合模糊H網(wǎng)的配電網(wǎng)故障識別框架。混合模糊H網(wǎng)模型包括特征提取、模糊邏輯和模糊H網(wǎng)，其中特征提取和模糊邏輯部分的功能是實(shí)現(xiàn)對故障信號的預(yù)處理，提取出能反映故障特性的特征量；模糊H網(wǎng)則根據(jù)提供的特征量進(jìn)行推理計(jì)算，得出故障類型。

圖1　配電網(wǎng)故障識別框架Fig.1　Structure of fault type recognition for distribution network

1.2ATP/EMTP仿真系統(tǒng)及仿真數(shù)據(jù)

由于我國10 kV配電網(wǎng)為小電流接地，饋線線路主要是電纜線路，配電網(wǎng)結(jié)構(gòu)多為輻射狀結(jié)構(gòu)且分支多，為了使仿真模型接近現(xiàn)實(shí)，在ATP/EMTP仿真建模環(huán)境下搭建如圖2所示的系統(tǒng)仿真模型。

圖2　電纜系統(tǒng)模型Fig.2　Model of cable system

該仿真模型為10 kV中性點(diǎn)經(jīng)消弧線圈接地的配電網(wǎng)模型，負(fù)荷采用集中負(fù)荷，線路采用電纜線路，其中電纜線路cb1全長為4 km，cb2全長為5 km，cb3全長為6 km。表1給出相關(guān)電纜線路的參數(shù)。用理想電壓源來模擬無限大容量系統(tǒng)，設(shè)置初始相角為0°；所選用的變壓器型號為S9-1600/35，連接方式為Yd11；變壓器空載損耗為5.5 kW；負(fù)載損耗為37 kW；阻抗電壓百分?jǐn)?shù)為5.5%；空載電流百分?jǐn)?shù)為0.6%。母線后的第一個元件為三相電壓、三相電流測量模塊，用于測量所在線路的暫態(tài)信號。在此基礎(chǔ)上，仿真產(chǎn)生識別樣本：取10種故障類型在不同故障位置、不同過渡電阻及不同故障初始角下的三相電壓數(shù)據(jù)共300組，具體設(shè)置見表2。

表1　電纜線路參數(shù)Tab.1　Parameters of cable line

表2　仿真參數(shù)Tab.2　Simulation parameters

2　理論基礎(chǔ)

2.1特征提取

配電網(wǎng)的故障特征提取主要采用Clarke變換矩陣和S變換來實(shí)現(xiàn)。

2.1.1Clarke變換矩陣

由于配電網(wǎng)中三相之間存在復(fù)雜的電磁耦合關(guān)系，為了便于準(zhǔn)確識別出接地故障，本文采用Clarke變換矩陣，進(jìn)行三相故障電壓的正序、負(fù)序和零序分解，從而獲取識別接地故障的零序特征量。對三相電壓進(jìn)行Clarke變換的形式［15］為

式中：Smode=［UαUβU0］T，Sphase=［UaUbUc］T。

使用Smode和Sphase分別表示模量和相量信號，采用Clarke轉(zhuǎn)換矩陣將三相配電線路的暫態(tài)電壓轉(zhuǎn)換為獨(dú)立的模量系統(tǒng)，利用Clarke變換矩陣獲得相間模量（正序、負(fù)序信號）和接地模量（零序信號）。其中α模量、β模量為相間模量，0模量為接地模量，并且當(dāng)接地故障發(fā)生時，接地模量變化最為顯著。

因此式（1）可簡化為

利用式（2）可提取判斷接地故障的特征量U0。

2.1.2S變換提取電壓暫降幅值

配電系統(tǒng)發(fā)生故障后，除線路電流發(fā)生變化外，母線處也會經(jīng)歷不同程度的電壓暫降，主要特征為電壓幅值下降和相位跳變等［16］。采用S變換方法計(jì)算電壓暫降幅值。

信號h（t）的一維連續(xù)S變換的定義［17］為

式中：τ為選取的窗口時間；f為頻率；h（t）為需要進(jìn)行S變換的連續(xù)信號。

令f→n/（NT）、τ→kT，則S變換的離散形式為

式中：n，k，m=0，1，…，N-1；T為采樣間隔；N為總采樣點(diǎn)數(shù)。

信號S變換幅值矩陣元素為

式中，n，k=0，1，…，N-1。

幅值矩陣A的行、列分別對應(yīng)采樣點(diǎn)與頻率值的信號幅值大小。

由于所采樣的電壓波形包含故障發(fā)生時的狀態(tài)，所以在計(jì)算電壓暫降幅值Us時，首先對正常狀態(tài)下三相電壓信號進(jìn)行S變換，根據(jù)式（5）計(jì)算出對應(yīng)采樣頻率下的行向量Ab，然后對故障電壓信號進(jìn)行S變換，由式（5）計(jì)算出對應(yīng)采樣頻率下的行向量Af，則電壓暫降幅值為

考慮到從配電網(wǎng)中獲取的電壓信號的頻率為50 Hz，故在進(jìn)行S變換時將基頻設(shè)定為50 Hz，采樣頻率為2 kHz，采樣間隔T取500 μs。

2.2模糊邏輯

模糊邏輯是用語言變量來表示不確定概念，從而模擬人的思維方式，其中模糊功能函數(shù)表示為一個映射：μ：x→［0，1］，則模糊集B為

式中：X為一論域；μB（x）為模糊集的功能函數(shù)。

當(dāng)配電網(wǎng)線路發(fā)生故障時，S變換提取的電壓暫降幅值將增大，若故障為接地故障，Clarke變換所獲取的U0幅值將增大。在研究過程中，電壓暫降幅值增加幅度和U0變化幅度用“H”和“L”的模糊語言來進(jìn)行表征。根據(jù)故障模型所產(chǎn)生的樣本數(shù)據(jù)，通過統(tǒng)計(jì)和分析確定出閾值，得到如圖3所示的各個特征量的線性功能函數(shù)。

圖3　功能函數(shù)Fig.3　Performance function

2.3混合模糊H網(wǎng)

2.3.1模糊H網(wǎng)定義

根據(jù)模糊H網(wǎng)定義及特點(diǎn)，可將其定義為一6元組［18］，即

式中：P為一個模糊H結(jié)點(diǎn)的有限集合；R為模糊H結(jié)點(diǎn)間的有向連接邊的連接情況；F（p）為定義在P上的一個映像，將P上中的模糊H結(jié)點(diǎn)映像為一個遞增的非負(fù)實(shí)函數(shù)，稱為結(jié)點(diǎn)p的狀態(tài)轉(zhuǎn)移控制函數(shù)；G（p）為定義在P的標(biāo)記狀態(tài)上的實(shí)函數(shù)，稱為結(jié)點(diǎn)p的標(biāo)志轉(zhuǎn)移函數(shù)；S0（p）為定義在P上取值為［0，∞］的實(shí)函數(shù)，S0表示H網(wǎng)開始運(yùn)行時各H結(jié)點(diǎn)的初始標(biāo)記狀態(tài)，在推理過程中，S0為根據(jù)對獲取的三相電壓特征值進(jìn)行模糊化的結(jié)果得到的各H節(jié)點(diǎn)的初始標(biāo)記狀態(tài)；S（i）為H結(jié)點(diǎn)相應(yīng)輸入連線的輸入強(qiáng)度。

2.3.2模糊H網(wǎng)推理方法

記模糊H結(jié)點(diǎn)的點(diǎn)火閾限為（0，∞］；Ii為模糊H結(jié)點(diǎn)的輸入結(jié)點(diǎn)，C為模糊H結(jié)點(diǎn)。

構(gòu)造模糊產(chǎn)生規(guī)則：I1，…，Im→C

則輸入強(qiáng)度為

式中：Ii為輸入量；aj為連接強(qiáng)度；i為結(jié)點(diǎn)序號；j為結(jié)點(diǎn)間連接序號，i，j=1，…，m。

點(diǎn)火條件為

式中，δ為點(diǎn)火閾值，取值范圍為（0，1）。

標(biāo)記轉(zhuǎn)移函數(shù)為

計(jì)算結(jié)果為

式中，Cl表示H結(jié)點(diǎn)的當(dāng)前標(biāo)記值。

綜上所述，可得推理算法步驟如下：

（1）初始化，輸入各H結(jié)點(diǎn)的初始標(biāo)記狀態(tài)S0（p）；

（2）令推理步驟l=0；

（3）根據(jù)式（9）計(jì)算模糊H結(jié)點(diǎn)的輸入強(qiáng)度S（i）；

（4）根據(jù)式（10）判斷該結(jié)點(diǎn)是否具有點(diǎn)火能力，是則轉(zhuǎn)向步驟（5），否則，返回步驟（3）；

（5）根據(jù)式（11）和式（12），計(jì)算出本結(jié)點(diǎn)的標(biāo)記值Cl+1；

（6）若Cl+1≠Cl，令l=l+1，返回步驟（3），重新計(jì)算Cl+1；若Cl+1=Cl，則推理結(jié)束。

2.3.3混合模糊H網(wǎng)模型

根據(jù)第2.1節(jié)所述，對故障數(shù)據(jù)進(jìn)行特征提取，令提取的特征量Us和U0作為混合模糊H網(wǎng)的輸入，然后根據(jù)第2.2節(jié)所述的模糊邏輯進(jìn)行模糊化處理，最后利用模糊H網(wǎng)進(jìn)行邏輯推理獲取推理結(jié)果。如圖4所示為混合模糊H網(wǎng)模型。圖中：結(jié)點(diǎn)P1～P6、P14、P15為初始結(jié)點(diǎn)；結(jié)點(diǎn)P7～P13為方便推理所借助的過渡結(jié)點(diǎn)；結(jié)點(diǎn)P16～P25為終止結(jié)點(diǎn)，分別代表10種故障類型，其所含的標(biāo)記值代表最終推理結(jié)果。

圖4　故障識別的混合模糊H網(wǎng)模型Fig.4　HFHN model of recognition of fault types

3　實(shí)例驗(yàn)證

從4類故障（單相接地（SLG）、相間短路（DL）、兩相接地（DLG）、三相短路（ABC））中各選取一個故障來進(jìn)行驗(yàn)證。如表3所示為選取的4個故障的仿真條件，其三相電壓波形如圖5所示。

采用式（2）實(shí)現(xiàn)故障電壓波形的相模變換，提取U0，結(jié)果如圖6所示，分別為4個故障所對應(yīng)的U0幅值。結(jié)果表明，接地故障的幅值明顯高于相間短路故障的幅值，而相間短路故障和三相短路故障的U0幅值基本為0。上述4個暫態(tài)電壓信號經(jīng)Clarke變換和S變換提取的特征量如表4所示。上述特征量再經(jīng)模糊邏輯模塊，得模糊H網(wǎng)的初始標(biāo)記狀態(tài)S0分別如表5所示。根據(jù)模糊H網(wǎng)定義和推理規(guī)則，令圖4所示混合模糊H網(wǎng)模型的相應(yīng)輸入連線的連接強(qiáng)度aj和點(diǎn)火閾值τ分別為：aj=1，τ=0.5。根據(jù)模糊H網(wǎng)推理步驟得到以表5中的初始狀態(tài)作為輸入的混合模糊H網(wǎng)的最終狀態(tài)和識別結(jié)果，如表6所示。

表3　故障信號的仿真條件Tab.3　Simulation conditions of fault signals

圖5　故障電壓信號Fig.5　Voltage signals under faults

圖6　故障對應(yīng)的U0幅值Fig.6　Voltage waveform of U0for faults

表4　故障信號的特征值Tab.4　Characteristic value of fault signal

表5　模糊H網(wǎng)初始狀態(tài)Tab.5　Initial state of fuzzy H net

表6　混合模糊H網(wǎng)推理所得最終狀態(tài)Tab.6　Final state of reasoning by hybrid fuzzy H net

由表6可知，對以上4類故障，本文提出的方法均可準(zhǔn)確識別出正確結(jié)果，并可給出故障發(fā)生概率。

根據(jù)此推理規(guī)則進(jìn)行推理，對第1.2節(jié)所述的300個樣本進(jìn)行故障識別，部分識別結(jié)果如表7所示，總的識別準(zhǔn)確率達(dá)100%，且300組樣本的識別只需0.012 8 s。由表7可知，該方法不受故障位置、故障電阻和故障初相角的影響，能準(zhǔn)確給出故障類型和故障發(fā)生的概率，具有較好的適應(yīng)性。

為進(jìn)一步驗(yàn)證該方法，在相同樣本條件下，將本文方法與文獻(xiàn)［4］、文獻(xiàn)［14］的方法進(jìn)行對比，對比結(jié)果如表8所示。由表8可知，本文方法比文獻(xiàn)［14］方法的準(zhǔn)確率高，識別速度快；雖然與文獻(xiàn)［4］的準(zhǔn)確率基本一致，但識別速度更快。

表7　測試樣本的故障識別結(jié)果Tab.7　Results of fault type classification under various conditions

表8　不同方法對比結(jié)果Tab.8　Comparison of results among different methods

4　結(jié)論

（1）Clarke變換和S變換提取的零序電壓幅值和電壓暫態(tài)幅值能分別較好地反映接地故障特征和故障相別；

（2）混合模糊H網(wǎng)方法能正確地識別出非接地故障和接地故障，識別準(zhǔn)確率高、速度快，能夠滿足故障診斷的實(shí)時性要求，且具有較好的適應(yīng)性。

［1］Dwivedi U D，Singh S N，Srivastava S C.A wavelet based approach for classification and location of faults in distribution systems［C］//IEEE India Conference and Exhibition on Control，Communications and Automation.Kanpur，India，2008：488-493.

［2］趙智，王艷松，鮑兵，等（Zhao Zhi，Wang Yansong，Bao Bing，et al）.基于小波神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障類型識別（Fault type identification in distribution network based on wavelet neural network）［J］.電力系統(tǒng)及其自動化學(xué)報(bào)（Proceedings of the CSU-EPSA），2007，19（6）：93-96.

［3］杜輝，王清亮，張璐，等（Du Hui，Wang Qingliang，Zhang Lu，et al）.采用希爾伯特黃變換方法實(shí)現(xiàn)配電網(wǎng)故障選線（Fault line selection of distribution network based on Hilbert-Huang transform）［J］.電力系統(tǒng)及其自動化學(xué)報(bào)（Proceedings of the CSU-EPSA），2013，25（5）：60-64.

［4］王艷松，譚志勇，劉學(xué)民（Wang Yansong，Tan Zhiyong，Liu Xuemin）.基于小波奇異熵和支持向量機(jī)的配電網(wǎng)故障類型識別（Fault type recognition for distribution network based on wavelet singular entropy and support vector machine）［J］.電力系統(tǒng)保護(hù)與控制（Power System Protection and Control），2011，39（23）：16-20.

［5］陸健，牟龍華（Lu Jian，Mu Longhua）.實(shí)用化的微網(wǎng)單相接地短路故障識別（A practical identification for single-phase ground fault of microgrid）［J］.電力系統(tǒng)保護(hù)與控制（Power System Protection and Control），2012，40（11）：11-15，23.

［6］Alanzi E A，Younis M A，Ariffin A M.Detection of faulted phase type in distribution systems based on one end voltage measurement［J］.International Journal of Electrical Power&Energy Systems，2014，54：288-292.

［7］Sadeh J，Bakhshizadeh E，Kazemzadeh R.A new fault location algorithm for radial distribution systems using modal analysis［J］.International Journal of Electric Power& Energy Systems，2013，45（1）：271-278.

［8］肖賢，周步祥，林楠，等（Xiao Xian，Zhou Buxiang，Lin Nan，et al）.結(jié)合H-S變換和BSVM的高壓輸電線路故障識別（High-voltage transmission line fault identification based on the hyperbolic S-transform and multiple BSVM）［J］.電力系統(tǒng)及其自動化學(xué)報(bào)（Proceedings of the CSU-EPSA），2015，27（2）：70-76.

［9］徐健，張語勍，李彥斌，等（Xu Jian，Zhang Yuqing，Li Yanbin，et al）.短時傅里葉變換和S變換用于檢測電壓暫降的對比研究（Comparative study of STFT and S transform on detecting voltage sag）［J］.電力系統(tǒng)保護(hù)與控制（Power System Protection and Control），2014，42（24）：44-48.

［10］Reddy M J，Mohanta D K.Adaptive-neuro-fuzzy inference system approach for transmission line fault classification and location incorporating effects of power swings［J］.IET Generation，Transmission&Distribution，2008，2（2）：235-244.

［11］Vasilic S，Kezunovic M.Fuzzy ART neural network algorithm for classifying the power system faults［J］.IEEE Trans on Power Delivery，2005，20（2）：1306-1314.

［12］賈勇，何正友，趙靜（Jia Yong，He Zhengyou，Zhao Jing）.基于小波熵和概率神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)電壓暫降源識別方法（A method to identify voltage sag sources in distribution network based on wavelet entropy and probability neural network）［J］.電網(wǎng)技術(shù)（Power System Technology），2009，33（16）：63-69.

［13］李東敏，劉志剛，蘇玉香，等（Li Dongmin，Liu Zhigang，Su Yuxiang，et al）.基于多小波包和人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)故障類型識別（Fault recognition based on multiwavelet packet and artificial neural network）［J］.電力自動化設(shè)備（Electric Power Automation Equipment），2009，29（1）：99-103.

［14］楊健維，何正友（Yang Jianwei，He Zhengyou）.基于混合模糊Petri網(wǎng)的電力系統(tǒng)故障暫態(tài)識別方法（Study on recognition of fault transients using hybrid fuzzy Petri net）［J］.電網(wǎng)技術(shù)（Power System Technology），2012，36（2）：250-256.

［15］Elhaffar A M.Power Transmission Line Fault Location Based on Current Traveling Waves［D］.Doctoral Dissertation：Helsinki University of Technology，2008.

［16］鄭天文，肖先勇，張文海，等（Zheng Tianwen，Xiao Xianyong，Zhang Wenhai，et al）.考慮母線電壓暫降非線性分布特征的配電網(wǎng)故障定位（Fault location considering nonlinear profile of bus voltage sag for distribution system）［J］.電力自動化設(shè)備（Electric Power Automation Equipment），2012，32（11）：115-120.

［17］周林，吳紅春，孟婧，等（Zhou Lin，Wu Hongchun，Meng Jing，et al）.電壓暫降分析方法研究（Study of the voltage sag analysis methods）［J］.高電壓技術(shù)（High Voltage Engineering），2008，34（5）：1010-1016.

［18］何新貴（He Xingui）.模糊H網(wǎng)（Fuzzy H nets）［J］.計(jì)算機(jī)學(xué)報(bào)（Chinese Journal of Computers），1995，18（2）：153-157.

Application of Hybrid Fuzzy H Net to Recognition of Fault Types for Distribution Network

WANG Siming，TONG Anrong
（School of Automation&Electric Engineering，Lanzhou Jiaotong University，Lanzhou 730070，China）

The identification of fault types is the key to the location of faults in the distribution network.To this end，a new hybrid fuzzy H net（HFHN）is proposed.Using Clarke modal transformation and S-transformation，the zero-sequence voltage amplitude and voltage sag amplitude are extracted from the three-phase voltage within the 1/4 period after the occurrence of the fault；then through fuzzy reasoning，a fuzzy value is obtained as the characteristic quantity；finally，the recognition of fault types is performed by fuzzy H net.A simulation model is built by the application of ATP/EMTP，and various short circuit faults are recognized.Simulation results indicate that the proposed method is feasible，and it is not affected by factors such as transition resistance and fault position.Compared with other methods，HFHN has better accuracy and faster speed.

distribution network；fault type recognition；S-transformation；fuzzy logic；fuzzy H net（FHN）

TM726

A

1003-8930（2016）10-0074-06

10.3969/j.issn.1003-8930.2016.10.013

2015-07-20；

2016-01-19

王思明（1964—），男，本科，教授，碩士生導(dǎo)師，研究方向?yàn)榍度胧较到y(tǒng)開發(fā)和智能信息處理方向的研究。Email：wangsm64@qq.com

童安蓉（1991—），女，碩士研究生，研究方向?yàn)榕潆娋W(wǎng)故障診斷。Email：lilytonganrong@163.com