配電系統的快速故障檢測與識別方法

郭明

(貴州電網責任有限公司安順供電局，貴州 安順 561000)

0 引 言

由于電力負載的逐年增加，承載大量電能配送的配電系統已成為電力系統的主要故障來源，因此需要保證配電系統的運行可靠性[1-3]。保護配電系統需要做到快速恢復故障區段、正確操作保護裝置和準確診斷故障。電力系統的故障診斷技術可以分為兩類:①故障發生后的線路阻抗測量技術；②測量由故障產生的信號的技術[4-5]。兩種技術都需要對配電系統的電壓、電流和阻抗等進行連續監測，才能在故障發生后快速恢復配電系統，提高配電系統的可靠性。

已有很多學者針對電力系統的故障檢測和識別開展大量研究。針對輸電線路故障分類提出了很多基于監督訓練的分類算法，如神經網絡、模糊邏輯和模糊神經網絡等。但是這些算法都需要解決神經網絡訓練復雜性較高的問題[6]。數字保護繼電器(DPR)用于測量線路電壓和電流，快速發送跳閘指令，斷開故障線路[7]。DPR是基于電壓和電流的采樣和分析實現線路保護功能。還有學者將快速傅里葉變換(FFT)和離散小波變換(DWT)技術用于故障診斷[8-9]。由此可見，為了進行故障分類，可利用DPR和數字故障記錄器(DVR)采集信息進行特征提取。數據分析則可采用人工神經網絡(ANN)、模糊邏輯(FL)、決策樹(DT)和支持向量機(SVM)等算法。

本文使用改進的多分類支持向量機方法實現快速檢測和識別配電系統中的開路故障。該方法使用配電系統節點電壓有效值作為原始數據進行故障診斷。對原始數據進行冗余、異常數據刪除以及特征約簡以提取最佳特征集，從而實現數據預處理。獲得的最佳特征集用來訓練所提出的分類支持向量機模型，并基于不同的訓練數據集對訓練后的模型進行測試。本文測試是在由MATLAB所仿真和編程的IEEE 13節點測試系統上進行的。仿真結果證明了多分類支持向量機不僅可以快速、有效檢測和識別配電系統中的開路故障，而且可以提高故障檢測和識別的準確性。

1 故障診斷方法

本文提出用以檢測和識別配電系統中開路故障多分類支持向量機方法，如圖1所示。在該方法中，電網中每個節點的實時電壓有效值作為原始數據。原始數據分為兩個主要數據矩陣：①包含無故障情況的數據集矩陣;②包含與故障情況有關的數據矩陣。在預處理階段，從原始數據中刪除不必要的數據，然后提取特征，形成特征集。在所形成的特征集中，往往沒有包含某些難以用來預測故障類型的冗余數據特征，這將導致故障檢測和識別精度降低。因此為了提高檢測和識別的準確性，必須在數據預處理階段從數據集中刪除這些冗余特征。隨后，對特征集進行歸一化處理，生成訓練和測試數據集。最后，將使用最佳特征集訓練基于徑向基(RBF)核函數的多分類支持向量機模型。

圖1 故障檢測與識別方法流程圖

為了對不可線性分離的數據進行分類，將RBF核函數用于多分類支持向量機模型。RBF核函數可表示為：

K[x(t1),x(t2)]=φ[x(t1)]Tφ[x(t2)]

(1)

或：

(2)

式中:K()為核函數；x(t1)(m×n)和x(t2)(r×s)分別為訓練向量;x(t1)、x(t2)為參考向量的點；m、n、r和s為訓練向量的維度；φ()為特征映射函數；λ為正則化參數。較小的λ值表示核函數的方差較大。

在訓練了多分類支持向量機模型之后，在各種仿真條件(故障場景)下對模型進行測試，以評估其有效性，同時預測對應的故障檢測和識別標簽。最后，分別對故障檢測與識別方法的準確性進行檢驗，具體如下：

(3)

準確性測試是在無噪聲和不同強度白噪聲的條件分別進行的。在配備有Intel Core i7-8550U處理器和12 GB RAM的筆記本電腦上以1.80 GHz時鐘速度在MATLAB 2018a軟件中完成仿真測試。

2 仿真結果和討論

為了評估所提出的故障檢測和識別方法的性能，在MATLAB軟件中對IEEE 13節點測試系統進行了建模，并在系統的不同位置上設置了三種類型的開路故障：變電站節點的開路故障、負載節點的開路故障和輸電線路的開路故障。測試系統如圖2所示。在試驗過程中實時記錄整個系統開路故障前后的所有節點電壓有效值。為了測試所提出的故障檢測和識別方法的魯棒性，仿真試驗設置了不同類型和不同位置的開路故障。故障具體為：節點650的變電站開路故障；節點611、652、645、646、634、680和675的負載開路故障；節點632-633、632-645、632-671、645-646、671-680、671-684、684-611、684-652和692-675之間的輸電線路開路故障。斷開連接到每個節點(線路之間)的相應斷路器模擬開路故障，在t= 0.5 s時施加在不同的節點上。通過重新連接相應的斷路器，在0.05 s內清除故障。仿真過程持續1 s。

圖2 IEEE13節點測試系統

通過對測試系統的實時監測，獲得了三種故障前、后的電壓有效值信號。采樣頻率與電網的實際頻率一致，為50 Hz。經過分析發現，選擇50 Hz作為采樣頻率，響應效果更好，結果也更準確。經過去除冗余特征和提取出最佳特征，得出的完整的特征矩陣有15個特征。

訓練和測試數據矩陣是在考慮各種模擬條件的情況下開發的，包含所有可能的開路故障。為了減少所提出方法對參數變化的依賴性和敏感性，訓練矩陣和測試矩陣彼此不同。整個訓練數據集包含756個數據樣本(包括20類故障)。測試矩陣包括504個數據樣本(具有不同的故障組合)。

針對故障檢測和識別執行了不同的測試。表1和表2分別給出了故障檢測和識別的準確性評估。在這兩個表中，FS、FL和FT分別表示變電站的故障、負載故障和傳輸線路的故障。由表中數據觀察到，通過將白噪聲應用于原始數據集，所提出的方法仍然可以有效地檢測和識別不同的故障。但是，通過增加原始數據集中的白噪聲(SNR)強度，所提出的故障檢測和識別方法的準確性有所降低。

表1 故障檢測分析結果

表2 故障識別分析結果

表3顯示了所提出的檢測和識別不同開路故障的方法的整體精度。如表3所示，所提出的方法可以有效地檢測和識別不同的開路故障。

表3 故障分析結果 %

3 結束語

本文提出并開發了一種改進的多分類支持向量機方法，以同時檢測和識別配電系統中的不同開路故障。對于各種類型的故障場景，所提出的方法可以提供快速和準確的故障檢測和識別。所提出方法進行故障診斷的唯一依據是整個配電網絡的實時電壓信號有效值。所提出方法的另一個重要特征是需要收集大量信號特征，因此需要應用特征提取方法去除不必要和多余的特征，從而提高預測精度。需要針對不同的故障情況開發訓練和測試數據矩陣，以提高故障分類的準確性。在模擬暫態開路故障的IEEE 13節點測試系統上，用MATLAB軟件對該方法進行了仿真測試。結果表明了該方法的準確性、有效性、魯棒性和實時性。