基于FEEMD-NTEO的風電場送出線路故障定位

饒鴻江, 何永泰, 彭 潔, 彭文權

(楚雄師范學院 物理與電子科學學院,云南 楚雄 675000)

0 引言

傳統行波檢測方法精度低、抗噪能力弱,導致無法精確標定行波波頭,行波故障定位方法存在的問題已無法滿足電力系統快速切除故障的要求。雙饋風電場由電力電子器件直接或間接接入電網,其短路電流具有頻率偏移、幅值受限以及正負序阻抗不一致等特點[1],使得以工頻相量法為基礎的測距技術受到極大挑戰[2]。此外,風電資源豐富的區域通常距離負荷中心較遠,大規模風電向外輸送已成為一種趨勢[3]。因此,精確定位故障位置,加快電力系統故障恢復運行,提高風電利用率至關重要。

故障定位方法根據原理主要分為兩種[4]：故障解析法和行波法。故障解析法中的單端法采用單端數據進行分析計算,其定位精度受運行方式、過渡電阻等因素的影響[5];雙端法利用線路兩端的數據進行故障定位計算,但其十分依賴于站間通信設備[6],設備所測出數據是否精確和所上傳數據是否能夠實時同步將會影響故障定位的結果。為解決雙端數據不同步的問題,文獻[7]采用計算復雜的精確線搜索比相算法,非同步誤差角計算過程中,動態計算分布系數以補償暫態電流。行波法的故障定位結果是否精準取決于故障行波波頭到達檢測設備兩端的時間是否精準。行波法中被運用較多的方法有小波變換[8-9]和希爾伯特黃變換(Hilbert-Huang Transform,HHT)[10-11]。小波變換法由于計算量大、步驟繁多,因此在實際行波故障定位中不具備很高的運用價值。HHT是通過經驗模態分解(Empirical Mode Decomposition,EMD)算法把故障電流行波信號進行分解得到固有模態函數(Intrinsic Mode Function,IMF)分量,從而將不穩定信號和離散信號分解,但該方法計算速度緩慢、定位結果不夠精準、模態混疊且抗噪能力,不利于現實中的故障定位。文獻[12]提出一種基于EMD與Teager能量算子(Teager Energy Operator,TEO)相組合的故障行波測距算法,相較于HHT,此方法能夠快速準確地計算故障距離,但仍未完全克服EMD方法存在的模態混疊和噪聲抑制能力差的問題。文獻[13]提出一種將集合經驗模態分解(Ensemble Empirical Mode Decomposition,EEMD)與TEO進行結合的故障行波定位方法,在EMD的基礎上,對EEMD方法進行改進,去除模態混疊現象,但存在計算時間較長、抗噪能力差的問題。文獻[14]在EEMD的基礎上提出快速集合經驗模態分解(Fast Ensemble Empirical Mode Decomposition,FEEMD),此方法有效解決了EEMD的抗噪能力弱的問題,并且計算速度更加迅速。文獻[15]針對EMD分解信號出現模態混疊現象導致信號失真的問題,采用FEEMD減小特征量計算來抑制噪聲的影響,使電磁信號的識別率得到較大提升。

綜上,本文在EEMD的基礎上,通過設置判定標準加快分解速度,并設置閾值去除無用內涵模態分量(Intrinsic Mode Functions, IMF)。引入分辨率參數改進的新型Teager能量算子(New Teager Energy Operator,NTEO),使得FEEMD-NTEO可以達到去除噪聲的效果并保留行波信號的完整性,計算耗時也更短。提出一種基于FEEMD-NTEO的風電場送出線路行波故障定位方法,并與FEEMD-TEO、EEMD-NTEO方法進行仿真比較。結果表明,三種方法都具有較高的定位精度,但FEEMD-NTEO方法抗噪能力更強、定位實時性更好并且可快速準確地計算出故障距離。

1 FEEMD-NTEO原理

1.1 FEEMD原理

文獻[16-18]提出一種以EMD為基礎的新分解方法,即EEMD。EEMD算法存在計算量大、計算時間較長、實時性差[19]以及迭代過程多次在原始信號中混入白噪聲,分解完后存在噪聲殘余[20]的缺點。因此,為提高算法效率,文獻[19]提出了基于EEMD的改進算法FEEMD。FEEMD通過優化停止條件減少篩選次數來提高算法的執行效率,且能較好地對信號進行去噪。實際上大多數信號是復雜的、非平穩的,FEEMD將信號分解為有限個IMF分量和剩余分量R,分解后既可以保留信號完整性又能達到去除噪聲的目的,也能降低計算時間,主要計算步驟如下：

(1) 先分別求出時序數據Xi(t)的極大值和極小值,再以3次樣條插值方法得到上下包絡線Ui(t)和Li(t),并求出Ui(t)和Li(t)的均值mi(t)。

(1)

(2) 求出mi(t)與Xi(t)之間的差值。

hi(t)=Xi(t)-mi(t)

(2)

需判斷hi(t)是否滿足以下條件：①一個序列的零點數目和極值數目須相等,或兩個序列的零點數目和極值數目不超過一個;②在任意時刻點,上包絡線與下包絡線的平均值均為0。

(3) 計算剩余數據。

ri(t)=Xi(t)-hi(t)

(3)

重復以上步驟,獲取N個IMF分量。

分解過程中停止分解的判斷標準如式(4)所示：

(4)

式中：m為篩選次數;n為樣本數。

綜上可得Xi(t)的表達式如式(5)所示：

(5)

式中：N為IMF分量總個數;RN(t)為余項。

設定門限閥值并處理尺度上無用的IMF1分量,軟限幅函數如式(6)所示：

η1(t)=

(6)

式中：η1(t)為經閥值處理后的IMF1分量,已去除某些尺度上的噪聲;l為時序數據閥值,其表達式為

(7)

式中：σ為噪聲的方差;M為加噪信號長度。

1.2 NTEO原理

Kaiser提出計算信號瞬時能量的非線性算子：Teager能量算子(TEO)。其常被用于信號處理,對于連續時間信號,TEO定義如式(8)所示[21]：

ψc[s(t)]2=[s′(t)]2-s(t)s″(t)

(8)

式中：ψc[s(t)]為能量算子;s(t)為時間信號。

在實際應用中,采樣信號為離散信號,可進行差分運算,定義能量算子為

ψ[s(n)]=s2(n)-s(n+1)s(n-1)

(9)

TEO對噪聲的抗干擾能力較弱,所以在噪聲環境下TEO算法得到的定位結果可能不夠精確。本文采用NTEO能量算子作為信號處理方法。該算法可以有效增強信號在頻域中的特性,提高TEO的抗噪聲能力,通過加入分辨率參數i,并利用前后相差i點的3個點進行能量值計算,計算表達式為

ψ[s(n)]=s2(n)-s(n+i)s(n-i)

(10)

由式(9)、(10)可知,TEO和NTEO都采用3個點進行能量值計算,但是后者在算法中引入分辨率參數i,增強了TEO能量算子對信號的敏感度,從而提升了NTEO算法對噪聲的抗干擾能力。

2 FEEMD-NTEO行波故障定位法

FEEMD-NTEO行波故障定位法的具體步驟如下：

(1) 采集系統側和風電場側三相電流行波數據IA、IB、IC;

(2) 通過卡倫鮑爾變換,提取行波電流線模分量;

(11)

式中：Iα、Iβ分別為線模、β模分量;I0為零模分量。

(3) 對電流行波線模分量進行FEEMD分解,獲取IMF1分量;

(4) 計算IMF1分量的NTEO能量值;

(5) 根據NTEO能量譜,NTEO能量值最高點對應時刻即為行波波頭到達時刻;

(6) 標定行波波頭達到時刻,根據式(12)計算故障點到系統側的距離。

(12)

式中：tM1為行波波頭到達系統側即M端的時間;tN1為行波波頭到達風電場側即N端的時間;l為系統側和風電場側之間的距離;v為行波波速;lMF為系統側與故障點F之間的距離。

雙端行波故障定位原理圖如圖1所示。

圖1 雙端行波故障定位原理圖

3 仿真分析

3.1 仿真模型

雙端行波故障定位法精度和可靠性較高,但需要在線路兩端安裝行波檢測裝置,因此造價較高。為保證較高的故障定位精度,應精確標定行波波頭到達線路兩端的時間,所以在實踐中需要利用高精度的北斗系統實現采樣數據精確同步。為驗證本文所提方法的可靠性和精確性,采用如圖2所示的雙饋風電場送出線路進行故障定位仿真驗證。

圖2 風電場送出系統仿真模型

仿真模型中雙饋風機單機額定容量為1.5 MW,總臺數200臺,風電場總容量為300 MW;機端額定電壓為0.6 kV,額定頻率為50 Hz;定子電阻為0.015 7 p.u.,定子電感為0.325 p.u.,轉子電阻0.016 p.u.,轉子電感0.16 p.u.,撬棒電阻為0.004 5 p.u.;風電場箱變額定容量為2.5 MVA,電壓等級為35 kV/0.69 kV,DYN接線;主變額定容量為350 MVA,電壓等級為220 kV/35 kV,YN接線;送出線路長度為100 km,單位長度正負序阻抗為0.082+j0.342 Ω/km、零序阻抗0.221+j0.787 Ω/km,采樣率為1 MHz。

故障定位仿真計算時間取決于電腦硬件配置,為更好進行仿真驗證,計算機配置為：CPU為i5-12450 H,主頻為2.0 GHz,內存為16 G。

采用電流行波線模分量,在系統側和風電場側進行電流行波檢測,利用卡倫鮑爾變換對電流行波進行解耦,提取系統側和風電場側的電流行波線模分量,如圖3所示。

圖3 系統側和風電場側電流行波線模分量

3.2 電流行波FEEMD分解

設定參數：噪聲與待分解信號標準差之比Nstd=0.01,對信號的平均次數NE=8。采用FEEMD算法對系統側和風電場側的電流行波進行分解后,尺度上無用的IMF1分量可以通過設定閥值來篩除,既保留行波特征信息的完整性又能去除噪聲;再采用NTEO能量算子對IMF1分量去噪,使行波波頭的標定更精確。設置距離系統側60 km處發生A相金屬性接地故障,電流行波FEEMD分解如圖4所示。

圖4 電流行波FEEMD分解

3.3 電流行波能量譜

采用FEEMD分解后,提取行波信號中的IMF1分量,利用NTEO能量算子計算IMF1分量,即可得到IMF1分量的能量譜。能量譜中,能值最大值點對應時刻為行波波頭到達系統側和風電場側的時間。NTEO能量算子中分辨率參數i應滿足i

表1 不同分辨率參數i下的定位精度

由表1可知,根據多次仿真結果,選取分辨率參數i=5較合適。實際上,當采樣頻率fs發生改變時,分辨率參數i應重新選取最優參數值。

假設在距離系統側60 km處發生A相金屬性接地故障,系統側和風電場側采用FEEMD和EEMD分解的IMF1分量NTEO能量譜分別如圖5和圖6所示。

圖5 FEEMD分解電流行波NTEO能量譜

圖6 EEMD分解電流行波NTEO能量譜

由圖5和圖6可知,FEEMD-NTEO算法檢測到故障行波波頭到達兩側的時間分別為tM1=2.201 ms、tN1=2.134 ms。EEMD-NTEO算法檢測到故障行波波頭到達兩側側的時間和FEEMD-NTEO算法相同。由式(12)計算可得故障點距離系統側60.05 km,誤差為50 m,上述兩種方法都有較高的定位精度。

為驗證本文所提故障定位方法具有良好的實用性,而且為更貼近工程實際情況,在系統側和風電場側電流中加入30 dB的高斯白噪聲,將FEEMD-NTEO、FEEMD-TEO以及EEMD-NTEO三種算法進行對比。假設在距離系統側96 km處發生A相金屬性接地故障,加入噪聲后的系統側和風電場側電流行波如圖7所示。

圖7 兩側電流行波(含噪聲)

采用FEEMD分解的兩側電流行波含噪IMF1分量NTEO能量譜如圖8所示。

圖8 FEEMD分解電流行波含噪NTEO能量譜

采用FEEMD分解兩側電流行波含噪IMF1分量TEO能量譜如圖9所示。

采用EEMD分解兩側電流行波含噪IMF1分量NTEO能量譜如圖10所示。

圖10 EEMD分解電流行波含噪NTEO能量譜

由圖8～10可知,故障信號含有強噪聲,FEEMD-TEO算法采用的是TEO能量算子,FEEMD分解雖不徹底,但保留了信號的完整性,存在少部分噪聲干擾的情況下波頭難以精準標定,定位結果為48.4 km,結果失效。EEMD-NTEO算法雖然在一定程度上能夠抑制模態混疊,但并沒有完全消除,殘余噪聲的存在使定位失敗,定位結果為126.65 km。FEEMD-NTEO算法中的NTEO相比于TEO去噪能力強,FEEMD分解在保留信號完整性的前提下,行波突變點明顯,所以該算法能夠精確標定波頭,故障定位結果為95.3 km,誤差為700 m。FEEMD-NTEO算法計算耗時0.589 4 s,EEMD-NTEO法計算總耗時1.190 3 s,可見相較于EEMD-NTEO算法,FEEMD-NTEO算法行波檢測實時性更好。

以距離系統側60 km處發生A相金屬性接地故障為例,線路兩側采樣電流行波中含有40 dB高斯白噪聲的故障定位結果如圖11和12所示。圖11采用FEEMD-NTEO算法,定位結果60.35 km,圖12采用FEEMD-TEO算法,定位結果81.35 km。NTEO、TEO能量算子雖然都采用三個點計算,但NTEO算法引入的參數i增強了行波信號的依頻特性,抑制噪聲的能力比TEO算法強。因此FEEMD-NTEO行波檢測結果更為準確。

綜上所述,噪聲能量不可忽略時,NTEO算法的去噪效果比TEO算法好。信號不含噪聲時FEEMD-NTEO算法與EEMD-NTEO算法定位結果都比較精確,但在抗噪能力上FEEMD-NTEO算法比EEMD-NTEO算法強。考慮到實際現場會有大量噪聲干擾,所以本文所提的基于FEEMD-NTEO算法的故障定位方法更適用于實際現場。

圖11 FEEMD分解電流行波含噪NTEO能量譜

圖12 FEEMD分解電流行波含噪TEO能量譜

3.4 不同故障情況下的仿真驗證

3.4.1 不同故障距離的影響

考慮到不同的故障距離可能會對結果產生影響,所以選擇分別在距系統側3、10、20、30、40、50、60、80、90 km處設置A相接地故障,過渡電阻為50 Ω,進行驗證,其結果如表2所示。由表2可知,采用FEEMD-NTEO算法和EEMD-NTEO算法都有較高的定位精度,受故障距離的影響較小,但FEEMD-NTEO算法耗時短,實時性更好。

表2 不同故障距離下的定位結果

3.4.2 不同過渡電阻的影響

過渡電阻越大,行波幅值衰減速度越快,行波到達系統側和風電場側的波頭幅值會有所降低,可能會對測距結果造成影響。因此將分別在5和96 km處設置單相接地故障,對過渡電阻分別為10、40、80、100、200、300 Ω的情況進行仿真驗證,故障定位結果如表3所示。由表3可知,兩種方法的定位結果基本一致,不受過渡電阻的影響,過渡電阻發生變化時,故障定位相對誤差基本不變,但在故障定位計算時長上本文所提算法比EEMD-NTEO算法耗時更短,故障定位速度更快。

表3 不同過渡電阻下的定位結果

3.4.3 不同故障類型的影響

為驗證不同故障類型的影響,本文在距離系統側15、65 km處,分別設置ABC三相短路、A相接地短路、BC相間短路、BC兩相接地短路。不同故障類型下測距結果如表4所示。由表4可知,兩種方法的定位結果基本不受不同故障類型的影響,但EEMD-NTEO算法在65 km處的BC兩相接地短路的故障情況下定位失效。其它故障類型下上述兩種方法仍然可以保證很高的測距精度,且本文所提算法比EEMD-NTEO算法耗時更短。

表4 不同故障類型下的定位結果

3.4.4 不同故障相角的影響

考慮到不同的故障相角可能會對測距結果造成影響,所以選擇在距離系統側6、96 km處分別設置30°、60°、90°的故障相角,測距結果如表5所示。由表5可知,兩種方法都不受故障相角的影響,都具有較高的定位精度,但FEEMD-NTEO算法比EEMD-NTEO算法定位耗時更短。因此FEEMD-NTEO算法更適用于送出線路的故障定位,能夠加快恢復故障運行。

表5 不同故障相角下的定位結果

4 結語

針對EEMD用于雙饋風電場送出線路行波故障定位中行波檢測精度不高,出現模態混疊、抗噪能力弱以及故障定位實時性差等問題,本文提出一種基于FEEMD-NTEO的雙饋風電場送出線路行波故障定位方法。通過仿真驗證,得出如下結論：

(1) 所提FEEMD-NTEO算法與EEMD-NTEO算法都有較高的定位精度,但在故障信號含大量噪聲的情況下,采用FEEMD-NTEO算法可以消除部分噪聲,保留行波突變特征,定位精度能滿足實際工程需求。

(2) 針對不同故障距離、故障相角、過渡電阻以及故障類型等故障情況進行仿真對比。結果表明,所提算法受故障距離、過渡電阻、故障類型及故障相角的影響較小,定位結果具有可靠性高、精度高且實時性好等優點,可應用于風電場送出線路故障定位中。強噪聲環境下相較于FEEMD-TEO、EEMD-NTEO算法,本文所提的FEEMD-NTEO算法定位結果更可靠,實用性更強。

Fault Location of Wind Farm Transmission Line Based on FEEMD-NTEO

RAO Hongjiang, HE Yongtai*, PENG Jie, PENG Wenquan

(Department of Physics and Electron Information Science, Chuxiong Normal University, Chuxiong 675000, China)

Keywords： wind farm; transmission line; fault location; fast ensemble empirical mode decomposition and novel Teager energy operator (FEEMD-NTEO)

The traditional traveling wave detection method has low accuracy and weak anti-noise ability, which makes it impossible to accurately calibrate the traveling wave head. The problems existing in the traveling wave fault location method have been unable to meet the requirements of fast fault removal in power system. The doubly-fed wind farm is directly or indirectly connected to the power grid by power electronic devices. Its short-circuit current has the characteristics of frequency offset, limited amplitude, and inconsistent positive and negative sequence impedance, which makes the ranging technology based on the power frequency phasor method greatly challenged. Therefore, it is crucial to accurately locate the fault location, speed up the fault recovery operation of the power system and improve the utilization rate of wind power.

In this paper, the ensemble empirical mode decomposition is applied to the traveling wave fault location of the doubly-fed wind farm transmission line. And a traveling wave fault location method based on fast ensemble empirical mode decomposition and improved novel Teager energy operator is proposed. This method uses FEEMD to decompose the fault current traveling wave signal into stationary intrinsic mode components and residual components, eliminates noise components, and preserves the integrity of the signal. Then, the NTEO algorithm is used to denoise the decomposed high-frequency signal again, enhance the fault traveling wave mutation characteristics, and accurately calibrate the traveling wave head.

In order to ensure high fault location accuracy, the time when the traveling wave head reaches both ends of the line should be accurately calibrated. Therefore, it is necessary to use high-precision Beidou system to achieve accurate synchronization of sampling data in engineering. In order to verify the reliability and accuracy of the proposed method, the simulation model of the doubly-fed wind farm transmission system shown in Fig.1 is used to verify the fault location.

Fig.1 Simulation model of wind farm outgoing system

The simulation analysis is carried out for different fault conditions such as different fault distance, fault phase angle and transition resistance. The simulation results show that both the proposed method and the EEMD-NTEO algorithm have high positioning accuracy. However, in the case of a large amount of noise in the fault signal, the FEEMD-NTEO algorithm can eliminate some noise and retain the mutation characteristics of the traveling wave, so the positioning accuracy can meet the actual engineering requirements. The proposed algorithm is less affected by fault distance, transition resistance, fault type and fault phase angle. The positioning results have the advantages of high reliability, high precision and good real-time performance, which can be applied to the fault location of wind farm transmission line. In the strong noise environment, compared with the FEEMD-TEO and EEMD-NTEO algorithms, the FEEMD-NTEO algorithm proposed in this paper is more reliable and practical in localization results.