基于大數據與線路畫像的干線斷線故障自適應判別方法

姜忠煒

(國網石嘴山供電公司,寧夏 石嘴山 753000)

完善電網干線的故障判別成為保障電力正常輸送的關鍵。干線斷線故障判別與常規的低壓電路斷線故障判別不同,干線電路電壓為110 kV且下屬分支眾多,在相序故障分析上存在多種可能性,故障特征無序化,因此對判別方法的自適應性要求較高。

就現有的判別方法效果來看,其自適應參量極不穩定,容易受到側低壓參量的擾動,進而影響整體判別準確性,造成故障判別誤差增大[1]。如文獻[2]利用深度卷積神經網絡算法,從大量數據中挖掘故障報修服務請求及歷史工單信息等數據,主動甄別區域性故障并開展研判,進行故障停電預警智能分析。文獻[3]闡述10 kV配電線路斷線故障檢測和定位方面的相應內容,通過有效的故障檢測以及定位技術,采取針對性的故障診斷措施,保證其穩定運行。

從自適應參數與故障特征判別兩方面入手,提出基于大數據與線路畫像的干線斷線故障自適應判別方法,以干線斷線畫像與判別函數間的匹配關系為創新,在現有畫像結構中干線空閑位置上引入一組參量,以獲得最佳的判別效果。

1 干線斷線故障自適應判別方法

1.1 干線斷線故障點特征分析

將干線斷線故障點的特征標記為Vsdr,其特征可分為4類,通過線路畫像對干線斷線故障特征Vsdr 1進行特征畫像分析,如圖1所示。根據干線上端供電站的110 kV端子電能可知,其接通方式為底線直通方式,因此在變電站三相電接通結構上多采用星型結構將地線直接接地[4]。此時干線斷線故障點特征Vsdr 1對稱畫像關系,可以作如下分析:

圖1 干線斷線故障類型Vsdr 1的特征畫像

如圖1所示,斷點A的相位與段點之間的邊界關系為:

(1)

(2)

在故障產生過程中,由地線段的中性變壓器端子排電流無零序性可將關系式(1)與式(2)進行聯立整合,經過整理得到:

(3)

結合正負零序方程,進一步畫像分析得到:

(4)

(5)

將式(5)代入式(4)可得:

(6)

經過解析計算,得到干線斷點位置上的高壓側電壓與電流的關系畫像為:

(7)

(8)

完成上述畫像關系描述后,根據接線方式為Yd12的干線斷線前端變壓器側方位電壓變化可以分析得到,當變壓器轉換比為1∶1(理想變壓器)時[9-10],干線故障點位置的低壓端此時的電壓具有無零序分量的特征,由此可以得到低壓端正負序分量的畫像關系函數為:

(9)

通過利用大數據的矢量合成計算[11-12],得到故障點前端變壓器低壓位置的電壓系數為:

(10)

上述分析均為110 kV線路干線斷線類型為Vsdr 1類型時的故障畫像過程,其中低壓位置的側方位相電壓關系如圖2所示。通過對圖2中110 kV線路干線斷線故障類型為Vsdr 1的狀態分析發現,故障發生的瞬時時間段內,故障位置的低壓點與故障點位置上的超前相序電壓對應的幅值會出現銳減,通常情況下,相序為A-B-C時的幅值減少比例為50%[13],此時存在故障的位置點滯后相電壓幅值不會發生改變。并且低壓端的側向故障電壓系數對應相位與故障位置點超前電壓系數對應相位相同[14]。由此可以判別在變壓器正常運行狀態下,干線斷線故障發生瞬間干線低側壓參數為定值,故障位置與干線總負荷無關。

圖2 低壓位置的側方位相電壓關系

1.2 基于大數據的干線斷線畫像生成

根據上述畫像數據的函數關系,利用大數據算法對其精準度進行進一步優化,首先根據現有畫像數據建立故障識別架構,如圖3所示。

在圖3中,利用大數據構架能力,在現有畫像結構中干線空閑位置上引入一組參量,指向干線負荷開關,當干線出現斷線故障時,數據架構中所有關于零序電壓的參量會發生變化,根據架構結構指向,可以快速點為發生斷線故障的位置主線,并將此時的電壓信號與前端變壓站母線電壓數據進行對比。

若此時兩組電壓數據矢量與變量均相同,說明此時干線故障為單相接地導致,畫像描述的斷線分析與實際不符,大數據分析過程中將其剔除。

圖3 建立故障識別架構

若此時兩組電壓數據矢量與變量不相同,且瞬時零序電壓值不小于18 V[15],同時故障點位置的1～3電壓值差值較大,通過大數據分析可以判別此時出現了斷線故障,畫像數據判別精準,優化精度后保留輸出。

若此時畫像數據中的零序電壓不小于18 V,同時伴有單相電壓值小于額定電壓值的故障描述,可通過變壓器母線電壓是否大于額定電壓進行判別分析,大于額定電壓,即為單相斷線,畫像數據準確,優化后輸出,反之,將其判別結果剔除。

此判別規則可以應用于多相斷線故障的大數據分析判別。

1.3 干線斷線故障自適應判別

完成大數據畫像精準度分析優化后,考慮到方法的適應性,二次利用大數據算法對其進行優化。與上一階段的大數據計算不同,此階段利用大數據的適應性特征,對所得參量的適應系數進行優化,不對故障判別正確性進行分析修正。具體優化過程如下:

首先對故障類型為Vsdr 1的斷線故障行為進行大數據識別判別,判別函數為:

(11)

式中,Ufa代表110 kV干線故障點位置上的側方位電壓相位對應的超前電壓系數,Uf代表110 kV干線故障點位置上的側方位電壓相位對應的電壓系數,Ufl代表110 kV干線故障點位置上的側方位電壓相位對應的滯后電壓系數。E代表故障低壓位置上的額定電壓相位值,E/2代表Vsdr 1故障類型中的干線側位電壓低壓相位電壓值,ΔE代表整定誤差。

區別于Vsdr1類型,Vsdr2(雙相斷線)類型導致的干線斷線故障的動作判據為:

(12)

考慮到Vsdr 3類型故障不屬于斷線故障,因此不對其進行動作判別。

Vsdr4類型(三相斷線)的大數據動作判據為:

(13)

式中,UVsdr4代表Vsdr 4中故障位置點相位電壓的側方位低壓電壓值。對其進行求值計算,解得:

(14)

式中,t代表干線斷線故障狀態下,電路中的零序阻抗與正序阻抗之間百分比。

對上述多種判別行為進行大數據綜合適應系數分析,得到對應判別量適應系數的優化函數為:

(15)

引入干線狀態的經驗函數g(t),可進一步提升干線斷線類型Vsdr 4低壓相位電壓值UVsdr4與Vsdr 1和Vsdr 2適應系數優化精度,最終得到輸出的干線斷線故障自適應判別關系式為:

(16)

(17)

2 應用測試

對提出的干線斷線判別方法的有效性進行測試。測試仿真模型的搭建的方式完成。通過仿真工具在搭建的模型中完成對提出方法相關性能參量指標的測試,并根據測試結果綜合分析,得出測試結論。

2.1 設置測試條件

利用仿真測試工具MATLAB/Simulink搭建測試場景,搭建場景中測試干線電路電壓為110 kV,接線類型為Yd12,前端變電站總轉換比值為110/8.6。仿真場景中測試輸電距離為100 km,存在干線斷線故障的位置為1/3位置,測試模擬時長單位為ms,測試過程總時長為100 ms。故障發生歷時時間為30 ms,其中為準確獲得判別方法的有效識別精度,在仿真場景下,將斷路器的阻抗設定為無窮大,以此模擬理想情況下獲得判別方法的多種客觀指標數據。仿真測試場景搭建具體參數如表1所示。

表1 仿真測試場景搭建具體參數

2.2 仿真工具測試過程記錄

按照上述設定條件及參量,開始提出判別方法的仿真測試,斷路器啟動到完成干線斷線故障發生瞬間,負序電壓、電壓波形以及電壓幅值分別如圖4所示。

圖4 測試電壓狀態參量

在同一測試參量的環境下,利用提出的判別方法對斷電器斷電過程電壓變化進行判別,同時由仿真測試工具記錄電壓狀態參量,如圖5所示。

2.3 數據分析

通過對圖4與圖5電壓參量變化數據的對比分析可得到如下結論:

(1)由圖4(a)可知,常規負序電壓曲線波動特征由0.67 ms開始,逐步上升,直至第0.69 ms開始數值趨于平穩,說明此時干線電路已經斷開,斷路故障形成。曲線發展過程即為負序電壓指向干線斷線故障的判別依據,以此為判別標準分析圖5(a)可以看到,判別方法下的負序電壓曲線發展特征與圖4(a)負序電壓發展特征基本保持一致,在不考慮側位電壓擾動的情況下,提出判別方法成功完成斷線故障判別;

(2)基于上述分析思路,分別對圖4(b)與圖5(b)及圖4(c)與圖5(c)進行對比分析發現,判別方法所得數據與仿真測試工具獲得數據基本相同,除圖5(c)中的A、B、C三相曲線走勢偏低之外,其整體形態特征相似度極高,說明提出的判別方法能夠根據電壓波形與電壓幅值對斷線故障做出準確判別。

圖5 判別方法下測試電壓狀態參量

2.4 自適應性測試

按照上述測試條件,連續重復測試100組數據,按照每10組數據求一均值的記錄方式,記錄提出方法的適應度數據,具體結果如表2所示。

表2 故障時段電流值監測結果(A)

由表2所示的數據可以看出,經過大數據與線路畫像優化后的干線斷線故障判別方法的自適應量的波動范圍滿足測試指標,其數值與指標值一致,說明提出方法在自適應性能提升方面起到了作用。

綜合2.2節測試結果綜合分析,可以判別提出方法在斷線故障判別應用上具有可行且有效的客觀效果,所得結果滿足測試預期,符合相關測試指標,能夠解決斷線故障判別自適應性差導致的判別誤差偏大問題。

3 結 論

利用大數據算法的分析能力與自適應性優化能力,配合線路畫像完成了對干線斷線故障自適應參量及其判別精度的優化,在改善方法自適應性的同時,提升了方法對干線斷線故障判別的精準度,為電網故障監測研究提供了可行有效的數據。

但從測試數據不難看出,提出方法在斷線故障的低壓側電壓數據判別上存在約束,現階段無法通過海量故障特征數據擺脫約束,需要日后不斷積累高精度故障特征數據解決此問題,使方法更加完善。