基于排列熵及PSOBP的混合配電網故障診斷*

齊沛鋒 韓 笑 丁煜飛 夏寅宇 汪繆凡

（南京工程學院 南京 211167）

1 引言

隨著配電網網絡結構變得越來越復雜，準確的識別故障類型并及時切除故障對于電力系統穩定性和可靠性有重要影響。城市的發展使得配電網絡的結構也越來越復雜，為了減少占地面積，電纜線路被更多應用在城鎮的配電系統中，由此形成了架空線-電纜線路混合的配電網絡，這種線路由于連接點波阻抗不一致，行波會在連接點、線路末端進行多次的折反射，給繼電保護系統帶來了挑戰。

目前常用的故障類型識別的方法多是基于工頻量和暫態量，然后適用信號處理的方法提取特征向量。文獻［1］用小波變換分解電壓信號，計算電壓信號的小波奇異熵，并結合改進的免疫網絡進行故障分類。暫態量故障處理方法是先對采集的信號進行處理，進而對故障類型進行判別，可以免受工頻因素的影響。文獻［2］使用經驗模態分解算法從暫態分量電流中提取直流電流，沒有充分提取信號的特征。文獻［3］使用小波工具箱對三相電流信號進行處理，分析暫態信號的變化特性來判定不同故障類型的故障相。但小波變換只是對固定頻率的信號的進行處理，不能完整地反映信號的特性，而且小波基的選擇不具有一定的標準，因此結果準確率不能夠完全保證。排列熵是一種信號處理的常用方式，可以有效反映時間信號的復雜程度，已經廣泛應用在機械故障診斷等領域［4～7］，十分適合應用于故障發生后故障相的信號復雜度分析。

隨著科學技術的不斷發展，越來越多深度算法出現在了故障判別領域，其主要是先建立故障位置和某種故障參數的非線性關系，將多次測量的故障參數組成數據樣本，在人工智能模型中進行訓練和尋優，直到確定故障的位置。文獻［8］使用故障錄波器數據中的各類數據，構建故障判別體系，并在數據挖掘過程種使用粗神經網絡進行大數據的分析，確定出線路的故障類型。文獻［9］使用向量積對高壓直流系統故障類型分類，能夠準確識別6種故障類型，但是識別故障類型不夠完整。文獻［10］將故障電壓信號經過EMD（經驗模態分解）得到的矩陣輸入到LS-SVM分類器中，但經驗模態分解具有一定的端點效應和模態重疊，會對結果有一定的影響。文獻［11］應用在三端直流輸電網絡中，將采集到的電壓故障行波信號進行小波包分解得到不同頻段的小波包能量作為樣本參數，通過BP神經網絡進行非線性擬合，經過多次迭代訓練輸出故障位置。文獻［12］通過推到電壓行波的衰減特性，得到線模電壓和0模電壓的模極大值和故障位置的關系，把不同小波尺度下的模量比值組成特征向量，解決了現有故障測距方法對行波波頭難以檢測的問題。

針對原來故障定位方案不適應架空線-電纜混合線路的問題，提出了一種數字信號處理和深度學習算法相結合的新型混合線路故障定位方法。先求取故障發生后一個周期內三相電壓信號的排列熵的值，將訓練集樣本輸入到模擬退火算法優化后的BP神經網絡中，實現對故障相的精確識別。

2 新型配電系統故障分析及特征量提取

2.1 新型配電網系統結構

研究的電纜-架空線混合配電網系統模型如圖1所示。額定頻率50Hz，左側為架空線路L1長度為50km，右側為電纜線路L2長度為10km。在0.2s時，分別在距離左側電源10km、20km、30km和40km處設置10種故障，持續時間為0.05s，采樣頻率為10kHz，每種故障設置不同的過渡電阻，過渡電阻為10Ω～100Ω。

圖1 混合配電網短路故障示意圖

2.2 故障特征的分析

單相接地故障時，故障相的電壓明顯降低，正常相電壓有較小幅度的下降；相間故障時，故障的兩相電壓下降十分明顯且下降一致，非故障相電壓略微下降；三相故障時，電壓均有很大程度的下降；兩相接地故障時，故障相電壓下降十分明顯，非故障相電壓基本不變。在左側電源信號接收處采集故障發生后一段時間內的三相電壓信號，并對其進行分析。

3 算法原理

3.1 排列熵

排列熵算法適用于一維信號的分析，可以為一維信號劃分成信號矩陣，對分析突變信號和提取微弱信號有很好的效果，在機械震動故障識別領域已經有廣泛的應用。對于暫態故障信號的突變特征，可用排列熵算法進行識別。

3.2 BP神經網絡

BP神經網絡主要分為三層網絡和兩條傳播路徑。BP神經網絡的關鍵在于它會根據輸出的結果和真實值的偏差，經過隱含層到輸入層，不斷更新各層的偏差的閾值，經過不斷迭代后，使得誤差限定在一定范圍內，該網絡的故障識別準確率較高，已經被大量應用在各個故障識別的領域中［13～15］。

3.3 模擬退火算法

模擬退火算法作為一種效果很好的隨機搜索的算法，已經廣泛被應用在圖像識別和神經網絡中［16～21］。它可以在參數尋優過程中，在一定的概率上找到準確率更高的解，可以提高模型的準確率。

4 線纜混合線路故障判別方法

線纜混合線路故障判別流程如圖2所示，首先在混合線路的一端采集三相電壓信號，然后共設置10種故障狀態，每種故障狀態有40組故障樣本，每組故障樣本分別求取其A，B，C三相電壓在發生故障后一個周期內的排列熵，研究在不同的故障位置和過渡電阻的情況下，故障相和非故障相排列熵值的差別，說明該特征向量的可靠性。再從得到特征向量中隨機抽取380組數據作為訓練樣本，其余的20組作為測試樣本集。將訓練樣本輸入到參數優化后的BP網絡中進行訓練，并驗證該模型的可行性。

圖2 線纜混合線路故障判別流程圖

5 算法驗證

5.1 建立故障類型識別系統

前面所述，通過仿真得到以下數據集，共400組，其中隨機抽取380組數據作為數據樣本，剩余20組數據作為測試樣本。其中故障點位置分別設置在距離左側電源10km～40km范圍內，為探究過渡電阻對故障類型判別的影響，過渡電阻范圍設置為10Ω～100Ω，以10Ω的層級遞增。故障類型設置為兩相短路、兩相接地短路、單相接地和三相短路共10種故障類型，見表1。

表1 訓練樣本參數取值

5.2 數據分析

5.2.1 不同故障位置對故障選相的影響

將相同過渡電阻，不同故障位置的數據樣本輸入到PSOBP模型中，取故障電阻為50Ω，故障位置為距離左側電源從10km～40km，數據樣本是故障發生后三相電壓數據。下面對四種故障類型的數據進行分析，樣本數據見表2。

表2 不同故障位置對故障相識別的結果

通過上表可以明顯看出，發生故障相的數據的排列熵值更大，故障發生在不同的位置時，故障相的排列熵一般在0.8～0.9，非故障相的排列熵一般在0.3～0.6的范圍內，而排列熵是用來衡量時間序列的復雜度，也說明故障相的電壓數據更加復雜。

5.2.2 不同過渡電阻對故障選相的影響

將相同故障位置，不同過渡電阻的樣本輸入到PSOBP模型中，取故障位置為距左側電源10km，過渡電阻取值范圍為10Ω～100Ω之間，數據樣本是故障發生后一個周期內的三相電壓數據。下面對四種故障類型的數據進行分析，樣本數據見表3。

表3 不同過渡電阻對故障相識別的結果

從上面可以看出，發生在不同的過渡電阻時，尤其是在高阻抗發生三相接地的情況最為嚴重，此時三相的排列熵值都很大，可以反映信號的復雜程度。從表中還可以看出，故障相的排列熵的值都比較大，在0.9以上，非故障相的排列熵的值在0.4～0.7之間。

從以上兩種情況，非故障相排列熵值一般在0.3～0.7之間，故障相排列熵一般在0.8～1之間，正常情況下排列熵值為0.441，介于非故障相排列熵值之間，可以看出在不同故障位置和不同過渡電阻的情況下，故障相和非故障相的差別。

5.2.3 PSO優化后的BP網絡及算法比較

優化后的BP神經網絡適應度函數如圖3所示，將測試樣本輸入到優化后的神經為網絡結果如圖4所示。為驗證該方法的準確性，將排列熵的值分別輸入到BP神經網絡，決策樹和隨機森林網絡中，比較其識別故障的準確性；另外將故障分量能量系數輸入到PSOBP神經網絡中，通過表4中的準確率比較可知，在輸入特征向量均為排列熵的情況下，PSOBP神經網絡的準確率比決策樹，BP神經網絡和隨機森林都要高；當輸入特征向量分別為排列熵和能量分量系數時，但都經過PSOBP神經網絡中，排列熵和PSOBP神經網絡的組合要比能量分量系數的組合準確率高出4%，其準確率識別結果見表4。

圖3 適應度曲線圖

圖4 PSO-BP分類結果

表4 不同算法的識別準確率比較

6 結語

提出了一種排列熵和BSOBP神經網絡相結合的混合線路故障診斷新方法，以三相電壓信號的排列熵作為輸入樣本，在不同過渡電阻和故障位置下的情況下，可以精準實現對故障的診斷。經過模擬退火優化后的BP神經網絡，與常見的故障診斷方法相比，故障識別準確率大大提升。