基于數據挖掘的含UPFC 輸電線路縱差保護方案

范棟琛，宋亮亮，崔 玉，劉志仁，楊 毅，武 凱，李現軍

(1.國網江蘇省電力科學研究院,江蘇 南京 210096；2.江蘇省電力有限公司電力調度控制中心,江蘇 南京 210096；3.國網江蘇省電力有限公司無錫供電公司,江蘇 無錫 214000；4.山東山大電力技術股份有限公司,山東 濟南 250013)

隨著全球能源互聯網的建設,電網跨區域互聯成為趨勢,交直流混聯系統扮演了重要角色,大型輸電線路的保護成為了保護配置的關鍵[1]。目前為了對輸電線路補償有功和無功,統一潮流控制器(UPFC)也被廣泛使用[2]。因此,含有UPFC 的輸電線路縱聯差動保護十分關鍵。

目前已有研究主要集中在輸電線路縱聯差動保護機制。李小鵬等[3]提出了一種基于反行波幅值比較的高壓直流輸電線路縱聯保護方法。李刈等[4]提出了一種基于S 變換的高壓直流輸電線路縱聯保護方法。索南加樂等[5]利用電流模型對輸電線路縱聯保護進行識別。楊亞寧等[6]提出了一種基于計算電阻的高壓直流輸電線路縱聯保護方案。

還有部分文獻研究了新技術在縱差保護中的應用。郭僑等[7]研究了光纖自愈網在線路縱差保護的應用。樊占峰等[8]針對特高壓電網的縱差保護方案進行了研究。李靜等[9]研究了三端縱聯差動保護原理及在北京地區的應用。××等[10]分析了超導儲能裝置對輸電線路縱聯電流差動保護的影響。

但是目前研究含有UPFC 和風電場接入的輸電線路縱差保護方案較少。尤其是當大容量的DG 接入到含多端電源的配網線路中形成T 接形式后,流入T 型線中縱差保護的電流相角和大小均發生了改變。系統正常運行及保護范圍以外短路時,進到差動繼電器的電流差值可能高于其整定值,引起誤動。

為此,針對含有UPFC 和風電場的輸電線路設計了基于數據挖掘的縱差保護方案。首先分析了數據挖掘的主要過程,針對Kalman 濾波以及決策樹進行簡要分析。然后說明了現階段傳統縱差保護出現的問題。提出了基于數據挖掘的線路縱差保護方案。最后利用仿真模型對所提模型的準確性進行了分析。

1 數據挖掘主要方法

1.1 數據挖掘流程

數據挖掘泛指對數據的綜合處理、得到有效數據的過程,主要包括3 方面內容:

(1)數據預處理。數據預處理主要包括補全缺失數據和清理異常壞數據:對無可靠修改根據的數據,進行刪除處理。經過數據預處理,可以獲得完整的數據庫。

(2)數據泛化處理。可以采用K-均值聚類算法對預處理后的數據進行泛化處理,得到泛化數據集。

(3)獲取關聯規則。一般采用決策樹對泛化數據集進行關聯規則分析。

流程圖如圖1 所示。

圖1 數據挖掘分析流程圖

1.2 Kalman 濾波

Kalman 算法能夠利用前一時刻的估計值與當前時刻的測量值對系統變化的狀態進行估計,并結合噪聲和信號的時空模型,求解當前時刻的估計值,該過程使用最小均方誤差作為估計準則,具有較高的可靠性。

該算法具有數值解的預估-校正能力,主要分為兩個部分:時間更新過程、測量更新過程。一次時間更新和測量更新計算后,再次重復以上過程,上一時刻計算所得到的后驗估計被作為下一次計算的先驗估計,循環往復,逐漸接近回歸對象,從而最終得到最優估計值。

1.3 決策樹

決策樹學習能夠從無序的、無規則的案例中,抽象成決策樹的形式對大數據進行分類,是一種以實力為基礎的歸納手段,能夠掌握數據在變化過程中的關鍵指標。其中應用最廣泛的是ID3[11]算法。

設在訓練集S中,由n個數據樣本組成,且這些數據樣本可分為m類,分別表示為Ci(i=1,2,…,m),對于每類Ci含有ni個樣本,S劃分為m個類的信息熵表示為:

式中:pi表示S中的樣本屬于第i類的概率。設屬性A的取值為v的集合表示為Sv,則屬性A的信息熵表示為:

式中:E(Sv)表示Sv中樣本在實際的各個類別中的信息熵,則屬性A相對S的信息增益表示為:

決策屬性的信息增益進行排序后,選擇最大的屬性作為數據集S的決策屬性節點,從屬性點接出分支,再從剩余屬性中選擇信息增益最大值,重復上述過程,最終建立決策樹。

2 基于數據挖掘的縱差保護機制

2.1 傳統縱差保護存在的問題

傳統縱差保護的依據是流入保護區域的電流之和為0。在含有容性充電電流的輸電網中該規則可能不適用。尤其是統一UPFC 裝設之后,電流縱差保護的整定值選取較為困難,尤其是UPFC 的控制參數易變化、故障下UPFC 運行模式不固定。再考慮到目前分布式電源的滲透率不斷增高,風電僅考慮其有功注入,故障電流方向和大小都極易發生變化,使得傳統縱差保護不適應新的電網發展態勢。

目前針對T 接逆變型分布式電源系統中的縱聯差動保護研究較多,表明線路兩端差動電流大小與過渡電阻大小、系統兩側等值電勢相角差和逆變電源接入容量均有關,這就增加了傳統保護的難度。

2.2 基于數據挖掘的縱差保護方案

所提輸電線路縱差保護方案示意如圖2。變電站1 和2 通過500 kV 輸電線路連接。線路兩端均連接風電場和UPFC。根據故障時的電壓電流序分量以及暫態時的不同相之間無功進行差動量的選擇。

圖2 基于數據挖掘的縱差保護示意圖

選擇基于Kalman 濾波的相量測量單元(PMU)進行相量估計并提取相應特征。Kalman 濾波算法詳見文獻[12]。一旦線路兩端特征量根據Kalman濾波PMU 估計出,就開始計算線路差動量。

所提保護方法還需遠距離通信通道實現電壓電流測量量的交換并完成線路兩端電壓電流測量的同步。目前超高壓、特高壓主要利用光纖通信通道,三相電壓和電流量可以高效地進行傳輸。因此,提出基于保護機制的通信平臺。該平臺能夠利用衛星導航系統的精準對時,實現測量同步傳輸,確保保護信號的收發時間的準確度。

決策樹是一種啟發式學習方式。在一個周期內得到故障后差動量,構建決策樹。所提方案包括21個可能的差動特征,具體包括:

其中,下標1,2,0 分別表示正序分量、負序分量和零序分量；s和r分別表示送端(站1)和受端(站2)。

基本的相量測量過程包括根據電壓電流的基頻進行序分量估計。首先,電壓電流模擬量轉換為數字量。然后,根據Kalman 濾波算法對基頻分量進行估計。其中正序、負序、零序分量計算如下:

式中:F可以表示電壓相量V,也可以表示電流相量I。α=1∠120°。

首先,線路兩端電壓電流同步采樣量通過Kalman 濾波進行處理,得到電壓、電流相量的估計值。然后利用該估計值,根據式(1)得到電壓電流的序分量。最后,利用得到的相量、序分量計算X1-X21的差分量。

3 算例分析

3.1 仿真說明

選取兩站系統進行仿真,搭建Simulink 模型,采樣頻率為1.2 kHz。決策樹輸入為含有21 個數據的單一故障向量。目標輸出分類為0(無故障、區外故障)、1(a-地)、2(b-地)、3(c-地)、4(a-b)、5(bc)、6(c-a)、7(ab-地)、8(bc-地)、9(ca-地)和10(a-b-c)。

本文做出的假設如下:

(1)故障阻抗范圍為0～100 Ω；

(2)故障距離考慮20%、50%、80%、95%；

(3)故障初始角為0°、30°、60°、90°；

(4)故障類型為單相接地、兩相接地、三相短路；

(5)UPFC 電壓相角θse為0°～360°之間；

(6)UPFC 串聯電壓注入量為正常電壓的0%～15%；

(7)UPFC 的運行模式為自動潮流控制模式和旁路模式；

(8)風速為5 m/s、10 m/s、15 m/s。

仿真參數如表1 所示。

表1 IEEE 標準過電流保護特性常數

UPFC 安裝于線路中部,UPFC 包括2 個48 脈沖的電壓源逆變器,分別叫做靜態同步補償器和靜態同步串聯補償器,通過2 個2 500 μF 的公共直流電容連接。

由40 個單臺1.5 MW 組成的60 MW 風電場連接于站1 的位置。

利用構成的故障狀態,訓練決策樹并對不同的數據集合進行測試。混淆矩陣如表2 所示,其中0表示無故障,表2 給出了給定數據集的實際故障和預測故障的對比信息,可以看出受訓的決策樹可以提供準確率為100%的故障分類。例如(70%～30%)數據集意味著混淆矩陣能夠給出總數據30%的分類結果。考慮5(Rf)×4(故障初始角)×10(故障類型)×3(故障位置)×3(UPFC 電壓值)×3(風速)＋100(區外故障)=5 500 種故障情況。

表2 混淆矩陣

3.2 算例分析

根據提出的決策樹分析方法,得到故障分類結果如圖3 所示。從圖3 也可看出,UPFC 實際或最優的故障特征為X8,X10,X11,X12,X15,X19,X20,比最初輸入的21 個特征要少。這也說明了決策樹的選擇能力。另外,決策樹將故障分類為接地故障和不接地故障,分界點為X15,即零序電壓。

圖3 決策樹結果

表3 給出了數據量增長后決策樹分類的準確度。說明決策樹的準確程度很高。可以看出,決策樹求解的效率很高,耗時較少。通信延遲可能會影響響應時間,因此需要線路兩側時鐘完全同步。

表3 決策樹準確程度

為了說明所提方法的效果,將預測正確故障數與預測故障總數之比λ作為評判指標。

得到指標計算結果如表4。

表4 λ 指標值

3.3 結果分析

通過上述分析可以看出,當故障發生的參數發生變化時,決策樹的準確率也會發生變化,但是準確率都大于99%,說明在不同情境下,利用所提方法進行故障判斷是十分有效的。

由于含UPFC 的線路縱聯差動保護依靠線路兩端的的保護元件,在分析不同故障的情況下,得到故障樹,能夠更加高效和準確地確定故障,實現故障的準確判斷。

4 結論

提出了一種針對含有UPFC 和風電接入的輸電線路縱差保護方案。首先利用Kalman 濾波對電壓和電流量進行預處理,利用得到的差分特征構建最優決策樹,從而實現故障狀態的選擇性。該方法在仿真模型中進行驗證,在響應時間和響應準確度上有很高的可靠性,可以推廣應用至大規模互聯系統。