基于廣域信息處理的配電網(wǎng)故障隔離技術(shù)研究

思 勤，郭 杉，賈俊青

（內(nèi)蒙古電力科學(xué)研究院，內(nèi)蒙古呼和浩特 010020）

隨著電網(wǎng)規(guī)模的不斷擴(kuò)大，電網(wǎng)系統(tǒng)逐步朝著智能化、分布化以及精確化的方向發(fā)展。而與傳統(tǒng)電網(wǎng)相比，現(xiàn)代電網(wǎng)已經(jīng)具有了故障隔離的功能[1-3]。故障隔離是指通過(guò)設(shè)備檢測(cè)與智能算法來(lái)定位及預(yù)測(cè)故障發(fā)生的位置，且在故障發(fā)生后，系統(tǒng)會(huì)進(jìn)行快速檢測(cè)，并對(duì)故障加以隔離。隨著分布式電源（Distributed Generation，DG）[4-6]的大規(guī)模接入，電網(wǎng)的建設(shè)成本和損耗得到了較大程度的優(yōu)化，使得組網(wǎng)也更為靈活，可以為用戶提供高質(zhì)量的電力供給服務(wù)。

但在接入分布式電源后，電網(wǎng)的整體結(jié)構(gòu)與工作方式較傳統(tǒng)電網(wǎng)均存在一定差異。例如分布式電源的接入方式為并聯(lián)接入，而傳統(tǒng)配電網(wǎng)大多為星形結(jié)構(gòu)。同時(shí)分布式電源的容量不同，安裝位置存在的差異也會(huì)對(duì)配電網(wǎng)的運(yùn)行產(chǎn)生一定影響，例如分布式電源電壓調(diào)節(jié)異常、電流過(guò)載、電源孤島等現(xiàn)象均會(huì)對(duì)故障隔離系統(tǒng)產(chǎn)生較大的影響。因此，文中在包含分布式電源的配電網(wǎng)絡(luò)中提出了一種電網(wǎng)故障隔離方法，以保證電網(wǎng)的正常和平穩(wěn)運(yùn)行。

1 電網(wǎng)故障隔離模型設(shè)計(jì)

1.1 含DG的配電網(wǎng)故障定位模型

在配電網(wǎng)中加入DG 支路后，其網(wǎng)絡(luò)拓?fù)鋵⒆兊脧?fù)雜，并會(huì)對(duì)電路中電流、電壓的方向以及功率產(chǎn)生較大的影響。同時(shí)，DG 并入配電網(wǎng)中閉合與關(guān)閉所產(chǎn)生的振蕩和過(guò)沖均會(huì)對(duì)電網(wǎng)的運(yùn)行造成影響，進(jìn)而導(dǎo)致對(duì)故障的定位更加困難。包含DG 的配電網(wǎng)模型如圖1 所示。

圖1 包含DG的配電網(wǎng)模型

圖1 中，每個(gè)矩形均表示一個(gè)饋線終端單元（Feeder Terminal Unit，F(xiàn)TU），電流按照箭頭的方向依次經(jīng)過(guò)FTU，f為模擬故障點(diǎn)。假設(shè)f點(diǎn)發(fā)生短路故障，而DG1、DG2未接入電網(wǎng)中，則k1、k2點(diǎn)均會(huì)檢測(cè)到該故障，此時(shí)使用信號(hào)分析算法即可判斷故障發(fā)生在k2和k3之間。當(dāng)分布式電源DG1、DG2接入電網(wǎng)后，整個(gè)電網(wǎng)將會(huì)由原來(lái)的G點(diǎn)供電變?yōu)槿c(diǎn)多電源供電，此時(shí)電流流向就會(huì)發(fā)生變化。若f點(diǎn)發(fā)生短路故障，DG1供電會(huì)使k3也檢測(cè)到故障電流。傳統(tǒng)算法是將DG1、DG2以及G點(diǎn)依次斷開(kāi)，記錄故障數(shù)據(jù)后再進(jìn)行綜合分析，以獲得故障發(fā)生的位置。但該算法操作復(fù)雜，準(zhǔn)確度也較低。因此，文中使用改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）算法、粒子群（Particle Swarm Optimization，PSO）算法和支持向量機(jī)（Support Vector Machine，SVM）對(duì)電路相關(guān)信號(hào)進(jìn)行分析，并快速完成故障定位，進(jìn)而實(shí)現(xiàn)故障隔離功能。

1.2 復(fù)雜信號(hào)分析算法

經(jīng)驗(yàn)?zāi)B(tài)分解算法（EMD）[7-9]能在時(shí)域和頻域中實(shí)現(xiàn)對(duì)信號(hào)的自動(dòng)分解，即對(duì)信號(hào)的篩選。經(jīng)過(guò)這一篩選過(guò)程，信號(hào)被分解為多種本征函數(shù)，而每個(gè)本征函數(shù)均可被看作是包含有不同頻率分量的信號(hào)。含有DG 的配電網(wǎng)系統(tǒng)具有多個(gè)電源，產(chǎn)生的信號(hào)為復(fù)雜信號(hào)，使用EMD 算法便可將其分解。而EMD 算法將信號(hào)分解為本征信號(hào)需要滿足以下條件：

式中，Nz為函數(shù)最值點(diǎn)的個(gè)數(shù)，Ne為函數(shù)零點(diǎn)的個(gè)數(shù)，fmax(ti)為函數(shù)的上限包絡(luò)，fmin(ti)為函數(shù)的下限包絡(luò)。EMD 分解的主要步驟如下。

步驟1：設(shè)原信號(hào)為x(t)，使用三次樣條插值法對(duì)函數(shù)的最大和最小值點(diǎn)進(jìn)行擬合操作，以獲得對(duì)應(yīng)的上下包絡(luò)線。同時(shí)，求出上下包絡(luò)線的平均值m(t)，并計(jì)算x(t)與m(t)的差值，再根據(jù)式（1）判斷是否滿足本征函數(shù)的篩選條件。若滿足，則將該差值記為IMF1；否則，將差值作為新的信號(hào)h(t)，且按照上述步驟繼續(xù)篩選新的本征函數(shù)。直至本征函數(shù)出現(xiàn)，該步驟結(jié)束。

步驟2：從復(fù)雜信號(hào)x(t)中去除IMF1信號(hào)并生成新信號(hào)，再對(duì)新信號(hào)按照步驟1 進(jìn)行計(jì)算，從而得到IMF2；繼續(xù)不斷循環(huán)，直至獲得設(shè)定本征函數(shù)值IMFn。篩選終止條件為：

其中，ε是判決閾值。由步驟1、2 可以得到n個(gè)IMF 本征信號(hào)及一個(gè)剩余信號(hào)項(xiàng)s，即：

EMD 分解的具體流程如圖2 所示。

圖2 EMD分解流程

1.3 基于樹(shù)形SVM的故障診斷算法

支持向量機(jī)（SVM）[10-12]針對(duì)的是線性多分類問(wèn)題，其基本思想是對(duì)多個(gè)樣本劃分最優(yōu)超平面，具體如圖3 所示。

圖3 支持向量機(jī)基本思想

圖3 中，劃分最優(yōu)超平面的直線可表征為：

式中，ω和b為需要求解的參數(shù)。因此，可將問(wèn)題轉(zhuǎn)化為線性規(guī)劃的求解問(wèn)題，則有：

該線性規(guī)劃問(wèn)題可以通過(guò)拉格朗日法[13]進(jìn)行求解，計(jì)算過(guò)程如下：

文中配電網(wǎng)故障信號(hào)經(jīng)EMD 算法分解后情況較為復(fù)雜，故使用單個(gè)SVM 算法通常無(wú)法滿足要求。因此，使用二叉樹(shù)SVM 算法進(jìn)行故障診斷。

分解后的信號(hào)分析可以抽象為一個(gè)k類的分類問(wèn)題，算法可表示為四元算法組，即：

式中，q為二叉樹(shù)的根節(jié)點(diǎn)集合，集合個(gè)數(shù)為問(wèn)題的分類數(shù)量；p為分類數(shù)量的權(quán)重排序；SVM 為二叉樹(shù)集合；DC 為樣本數(shù)量集合。

采用二叉樹(shù)SVM 算法訓(xùn)練樣本的效率較高，故訓(xùn)練時(shí)間會(huì)縮短。文中根據(jù)故障類別使用4 個(gè)SVM對(duì)故障分析模型進(jìn)行分析。二叉樹(shù)模型如圖4所示。

圖4 二叉樹(shù)模型

1.4 基于PSO的SVM參數(shù)優(yōu)化算法

SVM 參數(shù)可由式（6）計(jì)算得到，但算法的效率及計(jì)算準(zhǔn)確率均較低，因此該文使用粒子群算法[14-16]對(duì)參數(shù)進(jìn)行優(yōu)化，以實(shí)現(xiàn)SVM 的自動(dòng)優(yōu)化。

粒子群算法（PSO）是一種模擬鳥類捕食的仿生學(xué)啟發(fā)算法。若種群個(gè)數(shù)為m，維度為n，種群可用x=(x1,x2,…,xm)T表示。設(shè)種群中個(gè)體最接近食物的位置為pbest，整個(gè)種群最接近食物的位置為gbest，且個(gè)體接近食物的過(guò)程由自適應(yīng)度f(wàn)it 控制。每個(gè)個(gè)體均會(huì)不斷迭代自身的飛行速度以及實(shí)時(shí)位置，二者的迭代公式如下：

式中，vid、xid分別為個(gè)體某時(shí)刻的速度及位置；β為權(quán)重值；c1和c2為學(xué)習(xí)因子；r1、r2為0～1 之間的隨機(jī)數(shù)；pid及pgd分別為粒子個(gè)體與種群極值的位置。粒子群算法的執(zhí)行流程如圖5 所示。

圖5 粒子群算法執(zhí)行流程

1.5 EDM-PSO-SVM算法流程

算法流程如圖6 所示。數(shù)據(jù)樣本分為訓(xùn)練和測(cè)試樣本集，二者均可通過(guò)EMD 算法進(jìn)行分解；分解后的數(shù)據(jù)再輸入至SVM 模型中進(jìn)行訓(xùn)練，同時(shí)SVM的模型參數(shù)則由PSO 算法加以優(yōu)化。最終輸出故障檢測(cè)結(jié)果，并實(shí)現(xiàn)故障隔離。

圖6 算法執(zhí)行流程

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)環(huán)境搭建

實(shí)驗(yàn)使用IEEE 標(biāo)準(zhǔn)33 節(jié)點(diǎn)配電網(wǎng)模型進(jìn)行算法仿真，該配電網(wǎng)如圖7 所示。其中，DG1-DG3為3 個(gè)分布式電源，編號(hào)1～33 的黑色小節(jié)點(diǎn)為開(kāi)關(guān)節(jié)點(diǎn)。

圖7 配電網(wǎng)模型

實(shí)驗(yàn)所采用的仿真工具為Matlab R2018a，同時(shí)根據(jù)所提算法來(lái)編寫對(duì)應(yīng)程序。此外，PSO 種群個(gè)數(shù)為100 個(gè)，算法迭代次數(shù)為45 次，數(shù)據(jù)維度選擇30維。實(shí)驗(yàn)相關(guān)配置如表1 所示。

表1 配置參數(shù)

2.2 算法測(cè)試

為驗(yàn)證所提算法的可行性，根據(jù)編寫的程序進(jìn)行故障隔離實(shí)驗(yàn)測(cè)試。首先假定電路中有一處故障，且其發(fā)生的位置隨機(jī)，DG1、DG2以及DG3表示分布式電源，0 和1 則表示電源的開(kāi)啟狀態(tài)。實(shí)驗(yàn)測(cè)試結(jié)果如表2 所示。

表2 單故障測(cè)試結(jié)果

由表2 可知，當(dāng)配電網(wǎng)不包含分布式電源時(shí)（序號(hào)1），算法可準(zhǔn)確地對(duì)故障進(jìn)行定位，這表明該算法能對(duì)不含DG 的配電網(wǎng)進(jìn)行故障定位。而當(dāng)配電網(wǎng)中包含DG 時(shí)，可以看到雖然在部分位置出現(xiàn)了畸變，但該算法也同樣能夠?qū)收线M(jìn)行定位。由此證明，該算法對(duì)于單故障段定位的可行性。

對(duì)配電網(wǎng)而言，多故障是最常發(fā)生的現(xiàn)象，因此文中在配電網(wǎng)中隨機(jī)放置了多處故障來(lái)對(duì)算法進(jìn)行檢測(cè)。實(shí)驗(yàn)結(jié)果如表3 所示。

表3 多故障測(cè)試結(jié)果

從表3 中可以看出，所提算法在多故障檢測(cè)實(shí)驗(yàn)中全部檢測(cè)正確，且檢測(cè)項(xiàng)次中并無(wú)漏報(bào)、錯(cuò)報(bào)等現(xiàn)象。盡管畸變現(xiàn)象進(jìn)一步加重，但該算法能夠?qū)ε潆娋W(wǎng)中的多故障進(jìn)行有效檢測(cè)。

為了對(duì)所提算法的性能進(jìn)行更為客觀的評(píng)估，在實(shí)驗(yàn)中加入GWO-SVM、IWO-SVM 以及SVM 作為對(duì)比算法，評(píng)估指標(biāo)為故障成功定位次數(shù)以及運(yùn)行時(shí)間，仿真測(cè)試共進(jìn)行30 次，結(jié)果如表4 所示。

表4 對(duì)比算法測(cè)試結(jié)果

表4 中，基礎(chǔ)SVM 算法的定位成功率最低，而使用GWO、IWO 以及文中PSO 算法對(duì)SVM 參數(shù)進(jìn)行優(yōu)化后，成功率均有一定程度的提升，但該文算法的成功定位次數(shù)最多，表明其性能良好。此外，由于采用了EMD 信號(hào)分解算法，平均運(yùn)行時(shí)間也最短，說(shuō)明其效率也較優(yōu)。

3 結(jié)束語(yǔ)

含有DG 的廣域信息配電網(wǎng)傳輸信號(hào)通常較為復(fù)雜[17-18]，且難以對(duì)其進(jìn)行分析。文中針對(duì)傳統(tǒng)分析方法所存在的不足，提出了一種基于廣域信息處理的電網(wǎng)故障隔離技術(shù)。該技術(shù)使用EMD 算法對(duì)信號(hào)進(jìn)行采集分解，并利用SVM 提取信號(hào)的特征，再采用PSO 算法優(yōu)化SVM 參數(shù)，進(jìn)而使模型的訓(xùn)練速度得以提升。實(shí)驗(yàn)測(cè)試表明，該文算法在所有對(duì)比算法中的平均運(yùn)行時(shí)間最低且定位準(zhǔn)確率最高，綜合性能及效率俱佳，可以應(yīng)用于實(shí)際的電網(wǎng)故障隔離系統(tǒng)中。