含分布式電源配電網的智能故障診斷方法

陳佳慧，靳一瑋

（上海電力大學 電子與信息工程學院，上海 201306）

1 概述

近年來，隨著分布式發電技術的發展，含分布式電源配電網的故障診斷技術也受到了各界的關注，成為分布式電源配電網發展不可或缺的重要核心技術之一，可及時精確處理電網故障、確保其穩定運行。

目前，人工智能方法被廣泛用于電網故障診斷研究中，使得故障診斷的速度和精度得到了不斷地改善[1-2]。劉科研等[1]采用支持向量機法對有源配電網進行故障分類和定位，得到了較高的故障分類精度；孫潔娣等[2]利用卷積神經網絡和長短期記憶網絡（Long Short-Term Memory networks，LSTM）實現了智能和可靠的軸承故障診斷。其他研究還會同時利用小波變換對信號進行特征提取，它可對信號進行時頻分析，能較好地處理暫態和噪聲等信號。

本文采用了最大重疊離散小波變換（Maximum overlap discrete wavelet transform，MODWT）和 LSTM 神經網絡進行故障診斷，其中，LSTM 網絡在預測時間序列和故障診斷等方面有應用，它可以較好地處理時序數據，利用狀態的時間序列來學習故障信息[2]；MODWT 變換是一種高度冗余的非正交變換，它能較快地檢測瞬態，對起始點的選擇沒有要求，還能處理任何長度的信號，適用于分析故障檢測等問題[3-4]。因此，文中考慮了LSTM 網絡能較好分析時序數據和MODWT 變換具備快速檢測暫態等特點，將兩者應用到含分布式電源配電網中，旨在提高故障檢測和分類的準確率。

2 故障診斷方案

文章主要研究將MODWT 變換和LSTM 網絡結合應用到含分布式電源配電網的輸電線路短路故障診斷中。具體的故障診斷方案如下：（1）通過SIMULINK 搭建相應的含分布式電源配電網模型，并獲取數據。（2）進行故障檢測。對電流信號進行MODWT 變換，通過分析小波的第一級細節系數可以判別是否發生故障，若發生故障還需要檢測出故障發生時刻。（3）進行特征提取。選取故障發生前后1 個工頻周期的 A、B、C 三相電流 IA、IB、IC以及零序電流分量 IC作為特征提取的對象，并計算相應的特征向量。（4）進行網絡訓練、測試。將（3）中得到的特征向量輸入到搭建好的神經網絡模型中進行訓練和測試，得到故障分類結果。

2.1 模型的建立和數據的產生

為評估文中所提方法的性能，通過MATLAB 軟件搭建修正的IEEE13 總線標準系統模型進行算例分析[5]，如圖1所示。以下是對該系統的一些說明：

（1）這是一個小型、高負載且三相不平衡的4.16kV饋線系統。（2）原系統的節點650 和節點632 通過穩壓器連接，此系統將4.16kV 的三相電壓源直連節點632。（3）一個4.16kV/480V 的變壓器將光伏發電單元連接到節點680，從而實現并網。（4）不改變系統其他數據，具體參數參考文獻[5]。

文中考慮了隨機的故障發生時刻、故障發生線路、過渡電阻和短路故障類型等不同影響因素下的故障工況，具體設置如下：（1）故障發生時刻：故障發生的時刻具有隨機性，在[0，0.5s]上服從均勻分布，仿真過程中設置了三個故障發生時刻分別為 t1、t2、t3。（2）可能發生故障線路：line632-633、line632-671、line671-680。（3）過渡電阻：0.01、1、10。（4）短 路 故 障 類 型 ：AG、BG、CG、AB、AC， BC、ABC、ABCG、ABG、ACG、BCG。共產生3*3*3*11=297 種故障工況。

圖1 修正的IEEE13 總線標準系統圖

2.2 故障檢測

2.2.1 MODWT 變換理論簡介

MODWT 變換具備以下幾個特點[3-4]：它對所處理的信號長度沒有要求，因此適用范圍廣；它沒有降采樣過程，可以在每個采樣過程之后立即計算小波系數；同時，它對時間序列的起始點沒有要求，可以任意選擇。這些特點使得MODWT 變換相對于DWT 變換分析暫態信號時更具優勢，尤其適合于分析具有任意故障初相角的故障檢測和分類問題。

MODWT 變換將信號 Y（N）分解成 log2N 級，其中，N 為信號的長度。另外，MODWT 變換的細節系數和尺度系數的公式[5]分別為

式中，N 為信號的長度；l=0，1，2，...L-1；L 為濾波器的寬度為第 j 級的尺度濾波器為第 j 級的小波濾波器。

2.2.2 檢測算法

故障檢測算法的作用是判斷是否發生故障，同時，若發生故障則還需檢測出故障的發生時刻。當得到數據后，首先需要進行故障檢測來判斷是否發生故障，若發生故障，電流將發生突變，并產生短暫的瞬態現象。通過提取、分析MODWT 變換第一級系數的高頻分量，可檢測到故障發生時刻，否則檢測結束。相關研究提出了利用閾值法來檢測故障[6]，即對電流進行小波變換，再提取、分析第一級小波細節系數，若系數超過設置的閾值，則可以檢測是否發生故障并確定故障發生時刻。然而，此方法存在難以選擇合適閾值的問題，若閾值設置不當，可能會出現漏檢或誤檢等現象。為了避免及提高檢測率，本文提出基于信號本身幅值大小的閾值選取方法，即基于相鄰系數差的閾值法，而不是常規的經驗法。具體的故障檢測算法如下：（1）使用“Haar”小波對電壓進行 MODWT 變換；（2）提取每相的第一級細節系數，并去除前1000 個和最后1000 個細節系數；（3）計算并確定基于相鄰系數差的閾值。對于（2）中獲得的系數，首先計算出相鄰點之間系數差的絕對值Dk，如公式（3）所示。接著進行比較，并找到最大值Dkmax及其所在相，設定的閾值即為Dkmax，

（4）將Dkmax所在相的細節系數絕對值與閾值進行比較，若首次出現大于閾值的，則對應的為故障發生時刻。

以發生C 相接地短路（CG）為例，圖2 為使用基于相鄰系數差的閾值法檢測CG 故障發生時刻的結果圖。

由圖2 可以看出，采用文中的故障檢測算法可以精準地檢測出故障的發生時刻，并且不存在延時現象，至于故障檢測的識別率，將和故障分類的準確率一起討論，詳見3 中的結果與分析。

2.3 特征提取

特征提取的目的是選擇合適的特征向量來作為神經網絡的輸入。當檢測到故障發生時刻后，選取故障發生前后1個工頻周期的 A、B、C 三相電流 IA、IB、IC以及零序電流分量IC作為特征提取的對象，并得到經過MODWT 變換后的各級小波細節系數，若直接用小波系數作為特征向量輸入到神經網絡中將會導致存儲空間大和分類精度差等問題，通常特征向量的選取會使用相關的統計量。本文選擇“總標準偏差的變化量”和“總均值的變化量”作為特征向量，其詳細信息如下所示：

（1）總標準偏差的變化量為

式中，i=1，2，3，...，J；J 為 MODWT 的分解級數；N 為每一級采樣點的數量；Dij為細節系數；μD，i為每一級細節系數的平均值；σDA為故障后一周期的總標準偏差；σDB為故障前一周期的總標準偏差。

（2）總均值的變化量為

式中，i=1，2，3，...，J；J 為 MODWT 的分解級數；N 為每一級采樣點的數量；Dij為細節系數；μDA為故障后一周期的總平均值；μDB為故障前一周期的總平均值。

圖2 使用基于相鄰系數差的閾值法進行故障發生時刻檢測案例

2.4 神經網絡訓練

LSTM 網絡對于分析時序數據具有一定的優勢，可以記憶長時間的數據，在預測時間序列和故障診斷等方面有應用。

文中LSTM 網絡的神經元個數和其他參數的設置對網絡的訓練非常關鍵，將直接決定最終的分類效果，一般可以通過經驗公式和不斷試驗來設置。文中具體的參數設置如表1 所示。

3 結果與分析

表2 為文中所提故障診斷方案的結果，分別統計了故障檢測的識別率和故障分類的準確率。通過表2 可以看出：文中所提故障檢測算法的總體故障檢測率達到了99.33%，不同輸電線路的檢測準確率也可以達到98.99%以上，表明該檢測算法是基本可行的。至于故障分類的性能則稍差一些，盡管如此，該方法仍可以提供令人滿意的96.67%的整體分類精度，不同輸電線路的故障分類準確率也可以達到95.45%以上。

表3 為不同故障分類算法的結果對比，將文中所提的故障分類算法和其他兩種智能算法進行了對比。注意：其中效果最好的方案以粗體顯示，這些比較方案的數據均由本文的測試系統提供，并且也使用文中提出的檢測算法來檢測故障。通過表3 的對比可以發現，在所有這些比較方案中，文中所提出的分類算法以最高的分類準確率優于其他智能方案，這也表明了該故障分類的算法也是基本可行的。

盡管所提出的故障診斷方案可以獲得一個不錯的故障檢測和故障分類的結果，但對于故障檢測來說，仍存在個別誤檢的情況，對于故障分類來說，仍存在個別錯誤判斷的情況。主要原因是：在故障檢測時，隨著過渡電阻的增加，故障相的波形特性將無明顯變化，因而其MODWT 變換后的一級小波細節系數的突變也會減小，而文中閾值的選取會一定地依賴于該突變，所以會導致個別誤檢。同時，也會導致故障分類區分的難度增加。

表1 LSTM 網絡的參數設置

表2 故障診斷結果

表3 故障分類結果對比

4 結論

文中通過研究含分布式電源配電網的輸電線路短路故障，首先采用了基于相鄰系數差的閾值法實現了故障檢測，接著將MODWT 變換和LSTM 神經網絡結合實現了故障分類，診斷結果以及和其他智能方法的比較表明了該方案的有效性。盡管如此，該診斷算法在高過渡電阻情況下的準確率仍有待提高。