分布式電源配電網絡系統故障診斷方法優化設計

劉小英

(咸陽職業技術學院 機電學院，陜西 咸陽 712000)

隨著清潔能源發電技術的不斷發展，一種新型的配電網絡應運而生，該配電網絡接入分布式電源，提高了配電網絡供電的可靠性[1-3]。但是隨著多樣化分布式電源的接入，需要利用變換器來轉換電能以及相應的控制策略來提高電能轉換效率，在變換器轉換電能的過程中各個控制器會產生很多的數據信息交互[4-5]。為了提高分布式電源運行的穩定性，在控制策略中加入故障診斷功能策略，當故障發生時，能夠迅速地定位故障原因和故障類型，從而準確地修復故障，提高分布式配電網絡的穩定運行。

配電網絡的安全穩定運行對電力用戶非常重要，針對分布式電源配電網絡的故障診斷研究，國內外專家學者都取得了很大的研究成果。其中，文獻[6]對智能配電網絡構建了可靠性分析模型，優化配置了故障探測器和開關器件，利用RBTS測試系統對配電網絡的故障進行規劃、測試以及標定相關參數；文獻[7]以數據驅動型配電網絡為研究對象，設計了一個監控與數據采集(SCADA)系統采集故障診斷的數據，自動識別相關性并根據特定事件前后發生的SCADA事件建立預測診斷模型，以此來提取配電網絡的故障特征和提高配電網絡故障診斷效率；文獻[8]中分析了某一特定地區的配電網運行情況，搭建了基于神經網絡算法的故障診斷系統模型，對配電網故障檢測終端的模擬量采集模塊系統、數據傳輸的開關量輸入輸出模塊系統和人機接口系統進行優化設計，提高整個系統的故障診斷精確度；文獻[9]提出了一種改進矩陣算法從而實現對含分布式發電配電網的故障定位，針對矩陣算法定位故障區段，利用該故障定位方法來防止故障信息的畸變，減少故障診斷的誤判，從而提高故障診斷的精確度；文獻[10]通過希爾伯特—黃變換(HHT)帶通濾波算法對故障波形進行等頻寬分解，構造時頻矩陣，然后將時頻矩陣SVD得到的部分有效奇異值作為特征量，輸入到多級SVM進行訓練和分類識別，最后在PSCAD/EMTDC軟件對算法進行測試，結果表明采用的算法對系統設定的故障監測項具有很高的識別率。本文在分布式電源配電網絡故障定位拓撲結構的基礎上，采用粒子群尋優算法對故障進行診斷，并在Matlab上構建了該優化算法的診斷模型，仿真結果表明采用的優化算法提升了配電網的故障診斷精確率。

1 故障定位拓撲結構

分布式電源配電網絡具有非常復雜的系統功能，這些功能需要各個子系統協調運行，而各個子系統間的數據信息交互異常龐大。為了定位故障發生時整個配電網絡的信息集群特征，需要對配電網絡的信息進行采集，這些信息包括電網設備運行信息、空間信息、用戶信息、配電網絡輔助系統運行日志、設備實時運行信息以及系統間的拓撲信息。這些信息有的通過傳感器采集、專門的測控設備、遙感設備以及系統總線信息記錄設備等，在采集信息后需要對數據進行優化處理，傳統的配電網絡信息處理大都采用相模變換、小波變換以及頻譜分析方法[11-12]。

針對在信息采集和信息處理過程中出現的信號數據丟失或失真帶來的診斷定位不準確問題，采用分時分區的采集方法以及重構分布式電源配電網絡的故障定位拓撲結構。對在連續監測的過程中，對輸入連續性頻域信號進行傅里葉變換[13]，如式(1)所示。

(1)

分布式電源配電網絡的數據傳輸量非常大，對數據信息需要具有一定的覆蓋度，并不是所有的數據信息都是診斷故障定位需要的數據信息，但是對于電網信息的采集和優化處理需要具備一定的覆蓋度。配電網絡故障定位系統將具有期望覆蓋度的信號進行診斷，然后根據故障判據確定分布式電源配電網絡發生的故障。在對故障進行確認時，將故障進行分類，確定發生的故障類型，進而可以通過診斷算法來確定故障診斷監測項。故障診斷監測項的確認仍是一個非常復雜的過程，需要設定故障觸發的閾值和故障確認的時間、達到故障信號濾波時間，待故障監測結果穩定后，用高精度故障定位方法找到故障發生時所處區段，可進一步縮小故障監測發生的位置，如對故障監測發生的位置加入算法優化，結合精度更高的濾波算法處理，可找到實際的故障發生的位置。信號覆蓋度和分布式電源配電網絡的故障定位拓撲結構如圖1、圖2所示。

圖1 故障定位信號覆蓋度Fig.1 Fault location signal coverage

2 多目標優化算法

粒子群算法是1995年由Kennedy 和 Eberhart開發的一種優化算法，其本質是一種粒子在群體中智能尋優的計算方法[14-15]。對于具有自身飛行經驗的粒子，能夠獲取其當前所處的位置信息和歷史最優位置信息，而當其形成粒子群具有共享飛行經驗時，就可以獲取整個群體的歷史最優位置，這一歷史最優位置是從具有自身飛行經驗的單獨粒子歷史最優位置求解最優值計算出來的。

圖2 分布式電源配電網絡的故障定位拓撲結構Fig.2 Fault location topology of distributed generation distribution network

當記錄了整個粒子群的歷史最優位置信息時，可以將其與群體中單個粒子的位置作差，通過調整這一差值來獲取當前粒子在群體運動中的最優值；為了在群體中得到最大化的最優解空間，避免粒子在解空間搜索準確率下降以及限制在邊界條件區域無法進行全局的尋優，可以設計粒子位置調節器和隨機發生器。

定義D維空間中具有N個粒子，粒子位置xi=(xi1，xi2，…，xiD)，i=1，2，3，…，n，粒子速度為vi=(vi1，vi2，…，viD)，粒子當前最優位置表示為pi=(pi1，pi2，…，piD)，將歷史最優位置定義為pg=(pg1，pg2，…，pgD)，由此，可以利用數學描述將粒子群尋優算法表達如下[16]：

(2)

非線性支持向量機可以通過非線性變換將輸入轉化成高維空間變量，在變換空間求解最優值，對變換空間的邊界條件會有限制，為了打破這層限制，構建目標函數，利用拉格朗日方程在Hilbert高維空間中求解，構建非線性支持向量機的目標函數[17]如下所示。

(3)

可以通過上述公式定義支持向量機的多項式核函數，構建的m階多項式核函數見式(4)。

K(x，xi)=[(x，xi)+1]m

(4)

基于上述理論支承，粒子群算法在求解過程中，需要初始化，獲取至少一組粒子的速度和位置初始信息，利用設定好的適應度函數評價方法求解適應度，從而更新粒子的歷史最優位置以及群體的最優位置，而后可以利用循環迭代，判別是否在全局解空間上達到最優，最后獲取最優參數，粒子群算法流程如圖3所示。

圖3 粒子群算法優化流程Fig.3 Particle swarm optimization process

3 故障檢測算法優化設計

分布式電源配電網絡的故障診斷模型的建立需要明確輸入信息和輸出信息，為了保證輸入信息在信號采集和處理階段不失真和不丟失，采用了分區分時的分布式拓撲結構。將電網信息進行分類處理，對于三相電路故障[18]輸入信息、單相電路故障輸入信息以及節點的功能性故障(比如，風機結構性功能損失、配電網反饋超時、信息調度延時等)，需要對輸入信息進行優化處理，頻域信號需要傅里葉變換，其他的信號需要做卡爾曼濾波處理，形成信息集群后，提取特征變量值，利用Matlab的粒子群算法工具箱[19]，將相關的參數匹配好，在設定的仿真時間內進行故障診斷的尋優任務。

本文在診斷算法模型中增加診斷使能條件的判別，由于信息集群的數據采集有通過傳感器進行采集的，如果傳感器存在故障，例如信號短電源、短地或開路、傳感器超出量程范圍故障，都會導致診斷結果出現偏差，利用診斷使能模塊設置相應的使能條件能夠避免該問題。在構建診斷算法模型過程中，利用PID控制器對故障監測區域的故障因子進行反饋校正，當無法區分的故障監測信息輸入后，可以通過添加故障確認模塊，在故障確認模塊對不同的單個故障監測設置不同的故障確認時間，具體的模型結構如圖4所示。

圖4 診斷算法模型結構Fig.4 Structure of diagnosis algorithm model

4 仿真結果分析

在Matlab仿真平臺[20]構建了分布式電源配電網絡的故障診斷模型，在粒子群算法工具箱中改進相關的參數設置，以使其匹配配電網絡的信息，其中，算法迭代次數為200，粒子群2個參數序列的參數設置為C1=C2=1.567 34，C3=C4=1.273 31，將故障測試的故障類型標記為故障A、故障AB、故障B以及故障C，由支持向量機中選取的核函數，隨機選取15個粒子進行故障模型算法的仿真測試，仿真結果如圖5—圖8所示。

圖5 配電網信息因子分布Fig.5 Distribution network information factor distribution

圖6 粒子最優適應度Fig.6 Particle optimal fitness

圖7 粒子尋優增速率Fig.7 Growth rate of particle optimization

圖8 故障區間Fig.8 Fault interval

電網信息因子分布如圖5所示。由圖5中分布可知，當電網信息能夠得到優化處理時，電網信息故障因子分布區域變大，電網信息采集優化階段的覆蓋度誤差才能變小。

2個不同算法參數序列設置值的粒子最優適應度如圖6所示。從圖6中明顯看到，隨著迭代次數的不斷增加，粒子最優適應度也越來越大，最優的粒子適應度為0.98，表明Pso算法優化得到的最優值接近了函數的實際最優值，尋優能力非常強。

粒子尋優增速率結果如圖7所示。隨機選取了15個粒子進行訓練，優化后的粒子尋優速率提高了不少。

故障區間監測的結果如圖8所示。利用故障定位算法確定了故障A、故障AB、故障B以及故障C，在故障確認時間段內配電網絡的動作值能夠真實地反映出故障診斷的精確性。

5 總結

分布式電源配電網絡的電網信息交互日益復雜。針對故障診斷信息在采集和優化處理階段存在失真和丟失問題，本文采取分時分區的分布式電源故障定位拓撲結構，結合支持向量機的粒子群優化算法，對分布式電源配電網絡故障在診斷進行尋優，最后在Matlab/Simulink平臺構建了分布式電源配電網絡的故障診斷模型。通過仿真分析，驗證了所采用的支持向量機的粒子群優化算法能夠提高配電網絡的故障診斷準確率，整個故障診斷系統未出現超調現象。

參考文獻(References)：

[1] 楊磊，陳鍇，熊奇，等.基于信息畸變修正和粒子群算法融合的配電網故障定位[J].電力學報，2019，34(3)：229-234.

Yang Lei，Chen Kai，Xiong Qi，et al.Distribution network fault location based on information distortion correction and PSO[J].Journal of Electric Power，2019，34(3)：229-234.

[2] 陳磊，詹躍東，田慶生.基于人工魚群算法的配電網故障定位[J].電子測量技術，2018，41(23)：1-5.

Chen Lei，Zhan Yuedong，Tian Qingsheng.Fault location of distribution network based on artificial fish swarm algorithm[J].Electronic Measurement Technology，2018，41(23)：1-5.

[3] 張玉鳳，陳松立，吉高卿.含有逆變器的微網保護方法的研究[J].高壓電器，2016，52(3)：161-164.

Zhang Yufeng，Chen Songli，Ji Gaoqing.Study on protection method of micro-grid with inverter[J].High Voltage Apparatus，2016，52(3)：161-164.

[4] R.Rajaram，K.Sathish Kumar，N.Rajasekar.Power system reconfiguration in a radial distribution network for reducing losses and to improve voltage profile using modified plant growth simulation algorithm with distributed generation(DG)[J].Energy Reports，2015，10(1)：116-122.

[5] Partha Kayal，C.K.Chanda.Optimal mix of solar and wind distributed generations considering performance improvement of electrical distribution network[J].Renewable Energy，2015，3(75)：173-186.

[6] Heidari M，Sepehry M，Aravinthan V.Fault detector and switch placement in cyber-enabled power distribution network[J].IEEE Transactions on Smart Grid，2018：1-1.

[7] Renga D，Apiletti D，Giordano D，et al.Data-driven exploratory models of an electric distribution network for fault prediction and diagnosis[J].Computing，2020，102(5)：1199-1211.

[8] 郭帥.基于廣義神經網絡的配電網故障診斷系統研究與應用[D].天津：天津大學，2018.

[9] 劉煜，王俊江，焦青，等.含分布式電源的配電網故障定位改進矩陣算法[J].科學技術與工程，2019，19(34)：186-190.

Liu Yu，Wang Junjiang，Jiao Qing，et al.An improved matrix algorithm for fault location of distribution networks with distributed generation[J].Science Technology and Engineering，2019，19(34)：186-190.

[10] 高偉，陳偉凡，楊耿杰，等.基于奇異值分解和多級支持向量機的配電網故障類型識別[J].電子測量與儀器學報，2018，32(2)：62-71.

Gao Wei，Chen Weifan，Yang Gengjie，et al.Fault type identification for distribution network based on singular value decomposition and multi-level support vector machine[J].Journal of Electronic Measurement and Instrumentation，2018，32(2)：62-71.

[11] 張濤，史蘇怡，徐雪琴.基于二進制量子粒子群算法的含分布式電源配電網重構[J].電力系統保護與控制，2016，44(4)：22-28.

Zhang Tao，Shi Suyi，Xu Xueqin.Distribution network reconfiguration with distributed generation based on improved quantum binary particle swarm optimization[J].Power System Protection and Control，2016，44(4)：22-28.

[12] 黃弘揚，黃曉明，樓伯良，等.一種多源異構配電網實時調度優化模型的研究[J].能源與環保，2018，40(1)：153-157.

Huang Hongyang，Huang Xiaoming，Lou Boliang，et al.Study on a real time scheduling optimization model for multi-source heterogeneous distribution network[J].China Energy and Environmental Protection，2018，40(1)：153-157.

[13] 劉暢，張丕狀，姚金杰，等.基于FFT+FT的FMCW雷達高精度測距算法研究[J].國外電子測量技術，2019，38(10)：65-69.

Liu Chang，Zhang Pizhuang，Yao Jinjie，et al.High precision ranging algorithm of FMCW radar based on FFT+FT[J].Foreign Electronic Measurement Technology，2019，38(10)：65-69.

[14] 劉榮，童亮，許永紅.基于pso_FSVM的車用動力電池溫度預測模型研究[J].現代電子技術，2018，41(12)：24-27.

Liu Rong，Tong Liang，Xu Yonghong.Research on temperature prediction model of vehicle power battery based on pso_FSVM[J].Modern Electronics Technique，2018，41(12)：24-27.

[15] 薛興祖.基于粒子群—拉格朗日支持向量機方法的地下廠房變形預測分析[J].能源與環保，2018，40(3)：10-18.

Xue Xingzu.Analysis on deformation prediction of underground power house based on PSO-Lagrangian support vector regression[J].China Energy and Environmental Protection，2018，40(3)：10-18.

[16] 趙新超，劉國蒞，劉虎球，等.基于非均勻變異和多階段擾動的粒子群優化算法[J].計算機學報，2014，37(9)：2058-2070.

Zhao Xinchao，Liu Guoli，Liu Huqiu，et al.Particle swarm optimization algorithm based on non-uniform mutation and multi-stage disturbance[J].Chinese Journal of Computers，2014，37(9)：2058-2070.

[17] M.Dastmalchi，G.A.Sheikhzadeh，A.Arefmanesh.Optimization of micro-finned tubes in double pipe heat exchangers using particle swarm algorithm[J].Applied Thermal Engineering，2017，5(119)：1-9.

[18] 關龍，劉志剛，何士玉，等.離散二進制粒子群算法在基于模型配電網故障診斷中的應用[J].電力自動化設備，2013，33(9)：89-93.

Guan Long，Liu Zhigang，He Shiyu，et al.Application of BPSO algorithm in model-based fault diagnosis of distribution network[J].Electric Power Automation Equipment，2013，33(9)：89-93.

[19] 徐鵬飛，邢仁周.粒子群優化算法含分布式電源配電網故障定位[J].電源技術，2018(4)：124-133.

Xu Pengfei，Xing Renzhou.Fault location of distribution network with distributed power supply by particle swarm optimization algorithm[J].Chinese Journal of Power Sources，2018(4)：124-133.

[20] Yalin Huang，Lennart Sder.Evaluation of economic regulation in distribution systems with distributed generation[J].Energy，2017，5(126)：192-201.