大氣環(huán)境下高壓電網(wǎng)輸電線路故障識(shí)別方法

高森

（國(guó)網(wǎng)山東省電力公司檢修公司，濟(jì)南 250118）

引言

電力系統(tǒng)是目前國(guó)家的能源以及經(jīng)濟(jì)命脈，隨著我國(guó)社會(huì)水平的不斷提升，為用戶提供安全穩(wěn)定的供電環(huán)境成為當(dāng)前社會(huì)發(fā)展的迫切需求[1,2]。由于當(dāng)前各種高壓輸電線路分布范圍十分廣泛，途徑各種錯(cuò)綜復(fù)雜的地形，經(jīng)常發(fā)生各種類(lèi)型的故障且無(wú)任何明顯的痕跡[3]，為故障識(shí)別帶來(lái)了很大的難度。為此，需要對(duì)高壓電網(wǎng)輸電線路故障進(jìn)行檢測(cè)進(jìn)行深入研究。國(guó)內(nèi)外相關(guān)專(zhuān)家針對(duì)此方面的內(nèi)容進(jìn)行了大量的研究，例如李斌等人[4]在研究的過(guò)程中引入健全相電壓向量作為極化電壓，將極化電壓作為判定電力系統(tǒng)是否發(fā)生的依據(jù)，進(jìn)而實(shí)現(xiàn)故障識(shí)別。程宏波等人[5]通過(guò)時(shí)域的差值方根描述故障后電量的畸變程度，利用熵權(quán)法對(duì)不同的指標(biāo)特征進(jìn)行融合，通過(guò)融合向量完成故障識(shí)別。雖然上述兩種方法能夠最大程度降低故障阻抗對(duì)測(cè)距結(jié)果產(chǎn)生的影響，但是由于未能對(duì)信號(hào)進(jìn)行去噪，導(dǎo)致無(wú)法精準(zhǔn)識(shí)別各個(gè)類(lèi)型的線路故障。為此，提出一種大氣環(huán)境下高壓電網(wǎng)輸電線路故障識(shí)別方法。仿真實(shí)驗(yàn)結(jié)果表明，所提方法能夠以較高的精度完成高壓電網(wǎng)輸電線路故障識(shí)別。

1 方法

1.1 高壓電網(wǎng)輸電線路信號(hào)去噪

采用中值濾波對(duì)高壓電網(wǎng)輸電線路信號(hào)進(jìn)行去噪處理，其中在一維信號(hào)中，主要含有脈沖噪聲，采用中值錄波器進(jìn)行去噪能夠獲取良好的去噪效果[6]，同時(shí)整個(gè)方法操作簡(jiǎn)單且容易實(shí)現(xiàn)。

在任意時(shí)刻，設(shè)定窗口內(nèi)的信號(hào)表示為yn-a,…,yn,… ,yn+a，信號(hào)樣本為yn。將yn按照從大到小的順序排列，則對(duì)應(yīng)的中值nY可以表示為：

提升小波不僅依賴(lài)于Fourier變換，還能夠?qū)崿F(xiàn)對(duì)正交小波的建立，對(duì)于高壓電網(wǎng)輸電信號(hào)具有較好的去噪效果，具體的操作步驟如下所示：

1）采用提升小波對(duì)實(shí)測(cè)高壓電網(wǎng)輸電信號(hào)yn進(jìn)行去噪處理，經(jīng)過(guò)初始分解獲取的小波為(s j-n,dj-n,dj-n+1,… ,dj-1)。其中，sj-n代表信號(hào)的低頻部分，而(d j-n,dj-n+1,… ,dj-1)則為信號(hào)的高頻部分[7,8]。高壓電網(wǎng)輸電信號(hào)分解需要進(jìn)行分裂和預(yù)測(cè)等相關(guān)操作，如圖1所示。

圖1 提升小波變換分解示意圖

①分裂：

將初始信號(hào)劃分為兩個(gè)不存在關(guān)聯(lián)的子集和，即基數(shù)序列和偶數(shù)序列。

②預(yù)測(cè)：

分析兩個(gè)序列之間的相關(guān)性，通過(guò)其中一個(gè)預(yù)測(cè)能夠?qū)崿F(xiàn)另外一個(gè)序列的預(yù)測(cè)。

③分裂：

經(jīng)過(guò)分裂之后所獲取的子集和初始數(shù)據(jù)之間存在十分明顯的差異，需要通過(guò)更新過(guò)程確保初始數(shù)據(jù)的整體特征。

2）采用小波系數(shù)對(duì)閾值λ進(jìn)行處理。

3）采用提升小波完成初步處理的小波系數(shù)進(jìn)行重構(gòu)，去噪完成去噪的信號(hào)。

提升小波變換去噪過(guò)程中主要的操作環(huán)節(jié)即閾值選擇，如果閾值的選擇不理想，會(huì)造成最終的去噪結(jié)果不理想，同時(shí)信號(hào)也容易失真[9]。為了更好地解決上述問(wèn)題，以下采用雞群優(yōu)化算法尋找最優(yōu)閾值λ。

公雞的位置更新[10]式如下所示：

式中：

Yi,j—第i只公雞在第j維時(shí)的取值；

randn( 0,σ2)—平均取值為0；

σ代表標(biāo)準(zhǔn)差；

fi—第只i公雞的適應(yīng)度值；

fr—隨機(jī)選取除了第i只公雞之外的公雞。

母雞的位置更新式為：

式中：

R1和R2—[0,1]之間的隨機(jī)數(shù)；

C1和C2—影響因子。

小雞的位置更新式為：

雞群優(yōu)化算法的具體操作步驟如下所示：

1）將算法中的各個(gè)參數(shù)進(jìn)行初始化處理，設(shè)定雞群的規(guī)模以及運(yùn)動(dòng)空間等信息，分別計(jì)算雞群的初始適應(yīng)度，同時(shí)更新個(gè)體的最優(yōu)位置。

2）判斷算法是否滿足雞群更新條件，假設(shè)滿足，則更新雞群等級(jí)，同時(shí)更新雞種的位置；反之，直接更新雞種位置，同時(shí)計(jì)算不同的適應(yīng)度值，獲取最優(yōu)位置。

3）當(dāng)完成上述操作步驟后，如果達(dá)到收斂的停止條件，則輸出最優(yōu)值；反之，則返回至步驟2）重新進(jìn)行上述操作。

4）通過(guò)上述操作步驟能夠獲取最優(yōu)小波閾值，設(shè)定適應(yīng)度取值最小的個(gè)體為最優(yōu)個(gè)體。

1.2 大氣環(huán)境下高壓電網(wǎng)輸電線路故障識(shí)別

大氣環(huán)境下高壓電網(wǎng)輸電線路故障識(shí)別是當(dāng)前研究的熱點(diǎn)話題。在識(shí)別到故障后[11,12]，通過(guò)HHT對(duì)故障發(fā)生一個(gè)周期內(nèi)的零序電壓信號(hào)0V和有序電流信號(hào)I0進(jìn)行分析，具體的故障初步分類(lèi)步驟如圖2所示。

圖2 高壓電網(wǎng)輸電線路故障初步分類(lèi)流程圖

根據(jù)故障類(lèi)型的初步分類(lèi)，當(dāng)確定線路故障為低阻故障時(shí)，針對(duì)故障電壓和數(shù)據(jù)進(jìn)行分析處理，判定故障的類(lèi)型以及相別。采用HHT對(duì)故障后一個(gè)周期內(nèi)的三相電壓Vabc={Va,Vb,Vc}和三相電流信號(hào)Iabc={Ia,I b,Ic}進(jìn)行處理，獲取信號(hào)對(duì)應(yīng)的Hilbert譜。由于Hilbert譜中含有各個(gè)類(lèi)型的暫態(tài)信息，進(jìn)行故障信息提取。通過(guò)IMF1和IMF2的瞬時(shí)幅值組建故障特征向量，同時(shí)采用PCA方法針對(duì)不同的特征向量進(jìn)行降維得到對(duì)應(yīng)的主成分[13]。將主成分設(shè)定為L(zhǎng)S-SVM分類(lèi)器的輸入，以完成高精度的故障分類(lèi)，具體如圖3所示。

圖3 高壓電網(wǎng)輸電線路故障分類(lèi)流程圖

由于高壓電網(wǎng)輸電線路發(fā)生故障時(shí)會(huì)產(chǎn)生豐富的暫態(tài)分量，HHT是專(zhuān)家提出一種全新的非線性分析，主要用于模態(tài)向量的劃分和Hilbert變換，進(jìn)而獲取信號(hào)的時(shí)頻譜圖，能夠精準(zhǔn)描述信號(hào)的原始特征，分辨率更高一些。在檢測(cè)突變信號(hào)的過(guò)程中，采用HHT方法組建配電線路故障特征向量。

高壓電網(wǎng)輸電線路故障信號(hào)即非平穩(wěn)信號(hào)，在非平穩(wěn)信號(hào)中提取特征信息是進(jìn)行故障檢測(cè)的關(guān)鍵。由于高頻分量能夠清晰描述信號(hào)的變化規(guī)律。所以，采用EMD進(jìn)行IMF分量分解，其中在后面的信號(hào)發(fā)生突變的概率明顯較低一些。通常情況下，選取1~2個(gè)IMF分量即能夠提取原始故障信息。

PCA是一個(gè)十分典型的統(tǒng)計(jì)學(xué)分析方法，主要操作步驟如下：

1）組建原始信息矩陣：

原始數(shù)據(jù)信息矩陣為：

2）對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，同時(shí)在前期還需要對(duì)全部數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將指標(biāo)統(tǒng)一轉(zhuǎn)換到區(qū)間(0,1)內(nèi)，結(jié)合標(biāo)準(zhǔn)化完成計(jì)算：

對(duì)公式（6）進(jìn)行標(biāo)準(zhǔn)化處理，則能夠獲取以下的矩陣：

3）組建相關(guān)矩陣：

4）計(jì)算R對(duì)應(yīng)的特征值和向量。

5）確定主成分?jǐn)?shù)量，計(jì)算累積方差貢獻(xiàn)率。

6）通過(guò)累積方差貢獻(xiàn)率確定主成分?jǐn)?shù)量，其中N個(gè)主成分組建的矩陣能夠表示為：

在上述分析的基礎(chǔ)上，以下采用PCA方法對(duì)提取到的不同特征向量分別進(jìn)行降維操作，則有：

經(jīng)過(guò)公式（10）進(jìn)行降維處理之后，能夠獲取故障特征向量的主成分。進(jìn)而采用最小二乘支持向量機(jī)針對(duì)不同類(lèi)型的故障進(jìn)行識(shí)別，具體操作流程如圖4所示：

圖4 基于最小二乘支持向量機(jī)的

1）訓(xùn)練階段：

通過(guò)采集到的數(shù)據(jù)進(jìn)行特征抽取以及降維等操作，獲取訓(xùn)練樣本集，同時(shí)選取合適的核函數(shù)進(jìn)行模型訓(xùn)練。

2）故障識(shí)別階段：

通過(guò)訓(xùn)練階段的有關(guān)數(shù)據(jù)，計(jì)算獲取測(cè)試樣本的決策輸出值，通過(guò)函數(shù)的輸出值進(jìn)行分類(lèi)決策。

2 仿真實(shí)驗(yàn)

為了驗(yàn)證所提大氣環(huán)境下高壓電網(wǎng)輸電線路故障識(shí)別方法的有效性，在Intel i3CPU，GTX1080Ti顯卡，16GB內(nèi)存下進(jìn)行實(shí)驗(yàn)測(cè)試。

在不同的串補(bǔ)度下，分別采用三種不同的識(shí)別方法進(jìn)行故障識(shí)別，其中f1、f2以及f3分別代表三條不同的譜線，具體的實(shí)驗(yàn)結(jié)果如表1~表3所示。

表1 不同串補(bǔ)度下所提方法的仿真結(jié)果

表3 不同串補(bǔ)度下文獻(xiàn)[5]方法的仿真結(jié)果

表2 不同串補(bǔ)度下文獻(xiàn)[4]方法的仿真結(jié)果

分析表1~表3中的實(shí)驗(yàn)數(shù)據(jù)可知，所提方法能夠精準(zhǔn)識(shí)別各個(gè)類(lèi)型的故障，由于另外兩種方法并沒(méi)有對(duì)信號(hào)進(jìn)行去噪處理，導(dǎo)致最終獲取的識(shí)別結(jié)果并不理想。

3 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)故障識(shí)別方法存在的弊端，提出一種大氣環(huán)境下高壓電網(wǎng)輸電線路故障識(shí)別方法。測(cè)試結(jié)果表明，所提方法能夠精準(zhǔn)識(shí)別不同類(lèi)型的故障。雖然當(dāng)前所提方法取得了一定的成果，但是仍有地方需要進(jìn)行一步完善，后續(xù)將加強(qiáng)各個(gè)方面的研究，促使整個(gè)方法的綜合得到加強(qiáng)。