使用智能電表實現(xiàn)配電網(wǎng)高阻抗故障的檢測與定位

劉型志 ， 田娟， 李松濃， 劉暢， 黃可

(1. 國網(wǎng)重慶市電力公司營銷服務中心, 重慶 400023； 2. 國網(wǎng)重慶市電力公司電力科學研究院, 重慶 401120; 3. 能源互聯(lián)網(wǎng)先進計量與檢測技術重慶市重點實驗室, 重慶 401120)

0 引言

隨著配電網(wǎng)建設的發(fā)展，配電網(wǎng)中的高阻抗設備分布越來越多。然而，在嚴峻的工況條件下，配電網(wǎng)高阻抗設備長期工作容易出現(xiàn)配電網(wǎng)高阻抗故障[1]。因此，需要建立配電網(wǎng)高阻抗設備的檢測模型，結合對配電網(wǎng)高阻抗設備的故障特征提取技術實現(xiàn)故障特征融合和信息檢測，從而提高配電網(wǎng)高阻抗設備的穩(wěn)定性、維護配電網(wǎng)的文件運行[2]。而相關的配電網(wǎng)高阻抗故障檢測和特征提取方法研究受到了相關領域的極大關注。

一般來說，對配電網(wǎng)高阻抗故障檢測和定位是建立在對配電網(wǎng)高阻抗的故障分布式特征提取和大數(shù)據(jù)信息融合基礎上的，通過構建配電網(wǎng)高阻抗設備的故障信息融合模型，結合特征優(yōu)化辨識方法完成配電網(wǎng)高阻抗設備的故障特征信息融合和檢測，可有效提高配電網(wǎng)高阻抗設備的故障信息分析和檢測能力。目前，常用于配電網(wǎng)高阻抗設備的故障檢測和定位的方法主要有光譜特征提取方法、統(tǒng)計特征提取方法、自相關特征分析方法等[3]，此外，基于主頻分量相關性的配電網(wǎng)故障定位方法[4]和基于FP-Growth算法的配電網(wǎng)故障定位方法[5]應用也較為廣泛。但應用傳統(tǒng)方法進行配電網(wǎng)高阻抗設備的故障檢測時抗干擾性不好，導致故障特征定位性能不好。

針對上述問題，本文提出基于智能電表的配電網(wǎng)高阻抗故障的檢測與定位方法，利用智能電表實現(xiàn)對配電網(wǎng)高阻抗故障的特征融合和屬性分類識別。最后進行仿真測試分析，證明了本文方法在提高配電網(wǎng)高阻抗故障的檢測與定位能力方面的優(yōu)越性能。

1 故障檢測總體設計

為了實現(xiàn)基于智能電表的配電網(wǎng)高阻抗故障的檢測與定位，首先需實現(xiàn)對配電網(wǎng)高阻抗故障的診斷。通過提取配電網(wǎng)高阻抗故障信息，結合特征信息預處理方法建立配電網(wǎng)高阻抗故障特征提取和選擇模型，再通過模糊分類決策完成對配電網(wǎng)高阻抗故障特征的分類和優(yōu)化訓練[6]。上述過程的結構框如圖1所示。

圖1 配電網(wǎng)高阻抗故障檢測定位過程結構

在如圖1所示的配電網(wǎng)高阻抗故障檢測定位結構圖中，在分析配電網(wǎng)的阻抗故障參數(shù)的基礎上，建立故障參數(shù)驅動模型，然后采用阻尼能量特征分析方法重建配電網(wǎng)高阻抗故障的數(shù)據(jù)[7]，并分析配電網(wǎng)高阻抗的故障分布特征量，通過模糊化信息匹配和模糊推理技術實現(xiàn)信息組合，從而有效提高配電網(wǎng)高阻抗故障定位能力。故障特征信息處理模型結構如圖2所示。

圖2 配電網(wǎng)高阻抗故障特征信息處理模型

根據(jù)圖1、圖2所示的總體結構模型和故障信息處理模型檢測配電網(wǎng)高阻抗故障并完成信息重構，在此基礎上，采用暫態(tài)能量信息重構的方法分析配電網(wǎng)高阻抗故障的協(xié)同特征，并完成故障挖掘[8]，繼而可構建配電網(wǎng)高阻抗故障性檢測統(tǒng)計特征量如下：

M=p(t)×ci

(1)

式中，ci代表配電網(wǎng)高阻抗故障樣本的特征匹配集，p(t)代表配電網(wǎng)的超低頻振蕩模型。根據(jù)高阻抗故障性檢測統(tǒng)計特征量，得到配電網(wǎng)高阻抗故障樣本的直流信息輸出如下：

(2)

式中，p代表數(shù)據(jù)相關性特征。針對式中得到的故障樣本的直流信息進行重構處理，為后續(xù)的故障信息挖掘、檢測和定位提供基礎條件。

2 故障信息挖掘

在完成故障檢測總體設計的基礎上，分析配電網(wǎng)高阻抗的故障分布特征量，采用智能電表調制配電網(wǎng)高阻抗的直流參數(shù)，并通過直流額定有功功率補償方法提取配電網(wǎng)高阻抗故障特征[9]，從而得到配電網(wǎng)高阻抗故障關聯(lián)暫態(tài)能量V，然后分析配電網(wǎng)高阻抗設備的穩(wěn)定域邊界特征量，得到統(tǒng)計特征值如下：

(3)

式中，t0和tg分別代表配電網(wǎng)高阻抗故障數(shù)據(jù)的初始采樣時間間隔和終止采樣時間間隔，θ代表配電網(wǎng)高阻抗相角，V代表配電網(wǎng)高阻抗電壓。然后采用多維尺度降維方法計算配電網(wǎng)高阻抗電壓輸出增益，分析系統(tǒng)振蕩衰減，得到配電網(wǎng)高阻抗故障樣本數(shù)據(jù)的挖掘輸出如下：

(4)

當系統(tǒng)頻率振蕩偏差在死區(qū)范圍內時，得到配電網(wǎng)高阻抗的動態(tài)特征匹配結果為

Q=sgnan+G(t)ci

(5)

式中，an代表配電網(wǎng)高阻抗設備的能量變化量。在此基礎上，根據(jù)直流調制量確定配電網(wǎng)高阻抗故障的關聯(lián)規(guī)則[10]，從而實現(xiàn)故障樣本挖掘和故障識別分析。故障樣本聚類分析模型如圖3所示。

圖3 故障樣本聚類分析模型

3 高阻抗故障檢測定位

3.1 故障特征提取

在高阻抗故障檢測定位前，需對故障樣本中的故障信息展開特征提取。采用智能電表調制配電網(wǎng)高阻抗的直流參數(shù)，再通過直流額定有功功率補償方法提取配電網(wǎng)高阻抗故障特征。

假設存在p個分布式電氣設備故障目標點，Aj(L)為配電網(wǎng)高阻抗故障聚類中心，其中j=1,2,…,k,…，則配電網(wǎng)高阻抗故障數(shù)據(jù)的相干特征分布集如下：

ZP=Aj(L)+Q[G(t)+an]

(6)

假設配電網(wǎng)高阻抗故障的演化信息聚類分析模型為s(t)，自相關特征匹配矢量為n(t)，二者之間相互獨立，則可采用模糊推理的方法得到配電網(wǎng)高阻抗故障數(shù)據(jù)的自相關特征分布矢量z(t)的協(xié)方差矩陣如下：

(7)

式中，B代表直流線路中的最大可控功率，在配電網(wǎng)高阻抗故障演化聚類集中，采用功率偏差穩(wěn)定性調節(jié)的方法[11-12]，得到配電網(wǎng)高阻抗故障特征分布模型為

(8)

式中，矩陣Us和Un代表配電網(wǎng)高阻抗故障信號列矢量，分析l條直流的控制敏感點σl，并故障特征點信息強度按下列順序排列：σ1≥σ2≥…≥σq≥…>σl，然后通過子空間模型辨識的方法完成對故障特征的提取和挖掘，提高故障故障檢測能力。

3.2 基于智能電表的故障定位

假設配電網(wǎng)高阻抗故障特征數(shù)據(jù)中包含有限元數(shù)據(jù)組(Ei,Ej,d,t)的關聯(lián)關系，通過子空間模型辨識得到故障特征分布屬性A={A1,A2,…,Am}，配電網(wǎng)高阻抗故障特征分布的幅值為D, 故障信息融合的特征狀態(tài)為

(9)

對輸入輸出的 Hankel 數(shù)據(jù)進行信息辨識[13-14]，并在智能電表中完成故障檢測。假設配電網(wǎng)高阻抗故障特征定位的統(tǒng)計序列為{x1,x2,…,xN}，對配電網(wǎng)高阻抗故障特征進行概率分布式融合，得到融合特征量如下：

(10)

通過智能電表進行信息重組，得到配電網(wǎng)高阻抗故障信息參數(shù)估計值為p(x0)，根據(jù)新的狀態(tài)變量進行故障挖掘[15]，得到故障定位的優(yōu)化目標函數(shù)表示為

(11)

式中，φ代表配電網(wǎng)高阻抗故障定位的特征參數(shù)集，ε代表配電網(wǎng)高阻抗故障檢測定位系統(tǒng)的狀態(tài)空間函數(shù)。繼而可通過智能電表檢測方法得到故障檢測定位的節(jié)點優(yōu)化部署模型為

(12)

式中，l(t)代表故障輸出波束輸出。在此基礎上，通過優(yōu)化的學習算法和故障特征聚類分析算法，實現(xiàn)配電網(wǎng)高阻抗故障的優(yōu)化檢測和智能定位，過程如下：

(13)

綜上分析，實現(xiàn)了對配電網(wǎng)高阻抗故障的檢測與定位。

4 仿真實驗與結果分析

通過仿真實驗驗證本文方法在實現(xiàn)配電網(wǎng)高阻抗故障檢測與定位的應用性能。

仿真實驗環(huán)境如下：配電網(wǎng)的故障數(shù)據(jù)采樣的節(jié)點數(shù)為1 200個，輸出電壓的波動幅值為16 kV，故障特征分布樣本數(shù)目為1 024個，機器學習的迭代步數(shù)為240，步長為20，直流調制系數(shù)為0.35。

根據(jù)上述參數(shù)設定，分析配電網(wǎng)在存在高阻抗故障時的有功功率、無功功率、電壓幅值和相角等參數(shù)檢測結果，如圖4所示。

(a) 有功功率

(b) 無功功率

(c) 電壓幅值

(d) 相角圖4 配電網(wǎng)高阻抗故障檢測定位參數(shù)識別結果

分析圖4結果可知，利用智能電表對配電網(wǎng)高阻抗故障檢測和定位，能夠有效提高對配電網(wǎng)高阻抗性能參數(shù)的重建和修正能力，實現(xiàn)對配電網(wǎng)高阻抗故障的優(yōu)化檢測。

在此基礎上，利用對比實驗的形式，測試本文方法對配電網(wǎng)高阻抗故障的定位檢測精度。應用的對比方法分別為傳統(tǒng)的基于主頻分量相關性的配電網(wǎng)故障定位方法和基于FP-Growth算法的配電網(wǎng)故障定位方法，得到對比結果如表1所示。

表1 不同方法對電網(wǎng)高阻抗故障檢測定位的精度對比結果

分析表1結果可知，隨著迭代次數(shù)的增加，不同方法對配電網(wǎng)高阻抗故障檢測與定位的精度也隨之發(fā)生變化。但相比之下，利用本文方法進行配電網(wǎng)高阻抗故障檢測的精度明顯更高，其精度始終保持在0.97以上。

5 總結

本文利用智能電表設計了一種新的配電網(wǎng)高阻抗故障的檢測與定位方法。通過模糊分類決策實現(xiàn)配電網(wǎng)高阻抗故障特征分類和優(yōu)化訓練，再通過直流額定有功功率補償方法提取配電網(wǎng)高阻抗故障特征，在此基礎上，結合模糊推理的方法獲取配電網(wǎng)高阻抗故障數(shù)據(jù)的自相關特征分布。然后再通過故障特征聚類分析算法實現(xiàn)配電網(wǎng)高阻抗故障的優(yōu)化檢測和智能定位。經(jīng)實驗分析可知，該方法對配電網(wǎng)高阻抗故障檢測定位的精度較高，證明該方法對故障診斷的性能較好，具有更好的應用前景。