试论电力系统故障类型识别的研究现状

杨朝兵 付学文

摘要：对近几年具有代表的中外文献进行了学习研究，论述了输电线路故障诊断的背景和意义以及故障识别的研究现状，重点介绍了小波分析和熵理论在电力系统暂态处理中的应用。目前的理论研究与应用成果为电力系统暂态信号分析与检测开辟了新的道路，为暂态信号特征提取理论奠定了新的理论基础，建立了适合于电力系统暂态信号分析的小波熵理论。

关键词：故障诊断；故障识别；小波分析；熵理论

作者简介：杨朝兵（1982-），男，河北邢台人，国网河北省电力公司邢台供电分公司，工程师；付学文（1983-），男，河北邢台人，国网河北省电力公司邢台供电分公司。（河北 邢台 054001）

中图分类号：TM7 文献标识码：A 文章编号：1007-0079（2014）06-0238-03

近年来，随着社会对电力需求的日益增加，电网呈现出高电压、远距离、大容量的发展趋势，高压输电线路特别是超高压输电线路在电力网中所占的地位也越来越重要。超高压输电线路既担负着传送大功率的任务，还作为联合电力系统运行的联络线使用，其运行可靠性影响着整个电力系统的供电可靠性。[1-2]由于高压输电线路工作环境恶劣，故障时极难查找，在电力系统中又是发生故障最多的地方，随着现代大电网的结构和运行方式复杂多变，故障类型越来越复杂，对保护的要求也越来越高。因此，准确而迅速地排除故障不仅满足继电保护的速动性，缩短系统恢复供电时间，而且还能提高电力系统的稳定性，降低运行成本。而准确区分故障相是高压输电线路保护的重要前提，所以探索新的故障选相原理和方法、提高继电保护的性能是超高输电线路故障检测中的一个重要课题。

一、背景和意义

当输电线路发生故障的初始瞬间，通常都有一个既包含直流分量又包含高频暂态分量的暂态故障信号，其所包含的信息是继电保护动作的依据，所以需要先对采样的故障信号进行处理以便获得有意义的特征量。但高压输电线路的距离比较长，输电线路之间存在互感耦合，只有在故障发生的初始瞬间故障信号不容易识别等特点；而电力系统本身又是一个容易受环境干扰的动态系统，因此要准确地对故障进行检测与分类，并防止故障进一步发生是非常困难的。所以借助现代各种数字信号处理工具和方法准确地对故障信息的特征进行提取与分类就显得十分必要，特别是近年来基于暂态量原理的保护更需要快速、可靠的故障类型识别元件。[2-4]

随着小波分析技术的引入，电力系统暂态信号特征量提取及分类技术得到了迅速发展。但是，由于小波变换结果中包含了大量的分解信息和數据，通常的检测方法都少不了对特定工况的假设或对特征提取的人工干预。而分类方法中，由于小波分解信息量比较大，使得一些智能判别系统（如模糊理论与神经网络等）变得比较庞大。因此对于小波分析还需研究合适的信息提取方法，给新型继电保护原理、系统故障判断与预测提供有效的依据。这些信息提取方法中最有效的是提供一个或系列描述系统的普适量，用这些普适量来检测、分类电力系统的故障。[4]

信息熵是对系统不确定性程度的一种描述，若把一个信源当做物质系统，可能输出的消息越多，信源的随机性越大，越紊乱，熵值也越大，所以信息熵可以被看做是系统紊乱程度的量度。[5-7]小波分析和熵理论相结合，在生物医学领域和机械故障诊断领域已经得了很好的应用。[8-9]它结合了小波变换多分辨分析的特点和信息熵对信息具有较强的表征能力的优点，成功地分析了各种突变信号。所以，在暂态信号特征提取方面表现出独特优点的小波熵，在电力系统故障检测与分析中具有很好的应用前景。本文给出了小波包能量熵的定义及其应用领域，旨在探讨小波包能量熵在输电线路故障检测中应用的可能性，对于小波包能量熵在电力系统暂态信号分析中的应用研究具有重要意义。

二、故障类型识别的研究现状

传统的故障选相元件主要采用突变量与稳态量相结合，以工频量为基础。在多数情况下这些选相元件对于简单故障能正确地选择故障相，但其选相速度不够快，且易受系统的运行方式及故障接地电阻的影响，结果往往不理想。因此，新型快速的故障选相方法成为众多学者研究的方向。[10]

新型的故障选相方法主要有：基于行波故障的选相元件和基于故障暂态量的选相元件。基于行波的选相元件[11-14]主要是利用故障时信号的行波波头所包含的信息进行故障选相。虽然基于行波的选相元件能在故障发生的第一时间捕获故障信息，与传统的选相方法相比具有灵敏度高、识别率好等优点，且对波头进行处理的方法也有很多。但基于行波的故障选相方法存在一些缺点，如初始行波受初始角、反射波、故障电弧等因素的影响。基于行波的选相元件由于计算量大，对处理器的运算能力要求也比较高，费用相对也就比较高，在嵌入式系统中难以做到实时性，这使得基于行波的故障选相方法具有很大局限性。

基于故障暂态量的选相[15-16]是利用输电线路发生故障时所产生的故障暂态信号实现故障选相，故障暂态信号与线路参数、故障情况等有关，不受系统运行方式、过渡电阻、电流互感器饱和、系统振荡、长线分布电容等的影响。近年来又随着硬件条件的实现和小波变换等信号处理工具的发展，使得大量、准确、实时地获取故障时产生的暂态电压和电流信号，并使对其作进一步的处理成为现实。这些丰富的故障暂态信号蕴涵了大量的故障特征信息，其频率成分贯穿于整个频谱中，如果能充分利用这些信息就能快速地对故障相作出判断。因此，基于故障暂态量的选相方法具有很大的发展前景，使得越来越多的学者从事电力系统暂态信号的研究。

目前用于电力系统故障类型识别的方法有很多，如小波分析、神经网络和模糊理论等智能算法、数学形态学等。

1.小波分析

文献[15]利用小波对暂态电流的模分量进行分析，并通过比较各相暂态电流的能量和各模分量的大小进行故障相判断。文献[16]利用小波提取故障暂态电流信号的特征，通过计算提取的信号特征沿尺度分布的权重得到暂态电流信号的小波熵权，进而构造故障选相判据。文献[17]对线路两端模量方向行波之差进行小波变换，通过比较其幅值大小来判别故障类型，但对两相接地故障的具体类型区分不明确。文献[12-13，18]通过比较（零、线）模量电流行波的幅值之间的大小关系从不同角度进行故障选相。但是，由于零模量的严重衰减导致保护装置不能正确反映故障点处零模与线模的大小关系，当输电线路远端发生单相接地或两相接地故障时可能出现误判。文献[19]将小波奇异熵应用于识别高压输电线路的故障相，提出了一种基于暂态电压的选相方案。通过取各相的小波奇异熵相对比值反映故障相和非故障相间的相对差异，构成高压输电线路故障选相的依据。

2.神经网络和模糊理论等智能算法

文献[20-21]利用提升小波变换对故障信号进行处理，并作为神经网络的输入构造了一种新型的小波神经网络模型来识别输电线路故障。文献[22-23]通过小波包将故障电压和故障电流分解后分别获得分解后的故障暂态量的能量值和熵值，并将能量值与熵值分别对神经网络进行训练，对输电线路进行故障分类和定位。文献[24]在暂态信号多尺度的基础上定义了小波能量熵，并与模糊逻辑系统相结合形成故障类型识别方法。

3.数学形态学

文献[25]在分析EHV线路发生故障后电流模分量的基础上，利用数学形态学梯度提取暂态信号波头能量，构成故障选相方案。文献[26]提出了一种基于数学形态谱和神经网络相结合的识别接地短路故障类型的新方案。该方法对三相电流进行相模变换后，用数学形态学颗粒对电流各模量分析并提取模电流的形态谱，将各形态谱作为神经网络的输入，进而判断出接地故障的类型。

三、小波分析在电力系统暂态处理中的应用

20世纪80年代初Morlet等人第一次提出了小波变换的概念。它可以根据处理信号频率的高低自行调整窗口的大小，确保捕捉到有用的信息，可以对信号奇异点作多尺度分析。小波变换有以下特点：在高频范围内时间分辨率高；在低频范围内频率分辨率高；既适合于分析平稳信号及非平稳信号；有快速算法——Matlab算法；利用离散小波变换可以将信号分解到各个尺度（频带）上。

由于小波变换有以上优点，所以它在各个应用领域中都得到了广泛应用，比如生物医学工程、机械故障诊断、非线性动力系统、量子物理、模式识别、参数辨识、CT成像、数据压缩等。近几年小波变换技术在分析和处理电力系统暂态信号方面也显示了其优越性和良好的应用前景，主要应用领域包括电力信号去噪[6，27-28]、数据压缩、电力设备故障诊断、电能质量信号分析、故障定位等。文献[28]指出db6小波对电压暂升、暂降、闪变信号均能获得较好的去噪效果。文献[29]提出了一种小波包去噪算法，用以消除暂态扰动检测中噪声的影响，为在噪声环境中检测和定位暂态扰动提供了依据。电能质量信号分析方面：文献[31]将小波包用于对谐波的检测，并与IEC推荐的谐波检测方法进行了对比，仿真结果证明了基于小波包的检测方法对非整次谐波与间小波的检测要优于IEC推荐的方法。电力设备诊断方面：文献[30]通过对基于Shannon熵的最优小波包基的快速搜索算法的探讨，提出了基于最优小波包基小波包方法。

在输电线路故障定位方面：

（1）故障选线。文献[31]提出了基于单相电流行波的故障选线原理。文献[32]利用小波变换与电弧故障产生的突变相结合而进行故障选相。文献[33]提出用小波变换提取电流故障分量的暂态能量，并且以三相间暂态能量的大小及其相对关系来识别故障类型和判断故障相的新方案。文献[34]利用小波变换提取故障后电流行波的线、零模量，根据提取出的电流行波波前1/8周期的能量进行故障选相。文献[35]通过小波变换利用故障电流行波幅值及极性逻辑关系相结合的故障类型识别方法，并设计出了故障类型识别的实用算法。该方法可以提高以往行波故障选相方案中利用零、线模量之间幅值关系判别单相接地或两相接地故障时的可靠性。总的来说，目前基于暂态信号，利用小波变换工具进行选相的方法得到了很好的研究，但在實际应用时仍需进行相应的分析论证。文献[36]对电力系统暂态信号提取小波能量熵及能量熵权，并将其分别对神经网络进行训练，提出了小波能量熵与神经网络相结合的故障分类方法。

（2）故障测距。电力系统要求及时、准确地得知线路故障位置，以便用最短的时间清楚故障，尽快恢复供电，现已有可用于解决实际问题的各种故障测距方法。小波变换可以很好地表征输电线路故障行波信号的突变点，故很多文献提出用小波变换来进行行波故障测距。[37-41]主体思路是：运用小波变换对故障信号进行分解，并用小波变换模极大值表示故障信息，揭示了行波信号奇异、瞬时信号与小波变换模极大值的关系，运用小波对奇异点检测的原理，确定两次行波波头达到检测点的时间间隔及故障发生的时刻，推算出故障位置，以达到故障定位的目的。

四、熵理论的应用现状

1948年Shannon把通信过程中信源讯号的平均信息量定义成为熵，这就是信息熵。小波熵是小波变换和信息熵的结合，它具有小波变换和信息熵的特点，对动态系统参数的微小变化具有独特的敏感性，反映了暂态信号在时-频域空间的能量分布情况，随着小波熵理论的不断发展与完善，它被应用机械、生物、电力系统等众多领域。

生物领域中，文献[42]运用小波熵分析心跳信号，并识别其变化规律；文献[43-44]将小波熵应用于EEG等非平稳信号的分析，体现出小波熵区别非平稳信号复杂度的特点，又有其反映微状态信号快速变化的优点。在机械故障诊断领域里，文献[45]将小波包与特征熵结合提出了一种诊断高压断路器机械故障的新方法，并给出了切实可行的诊断步骤和分析。

这几年小波熵理论在电力系统中的应用才刚刚开始，所以这方面的文献较少。文献[46]提出采用离散小波变换和神经网络相结合的方法，对输电线路故障进行分类和定位，虽然训练好的神经网络可以准确地对故障进行分类和定位，但存在计算量大、运算费用高的缺点。文献[47]提出一种基于小波熵权和支持向量机相结合的故障识别方法。该方法识别速度快，有较好的通用和实用价值。文献[48]虽采用了小波分析理论与信息熵理论，但并没有对小波熵进行一个完整的、系统的定义。文献[49]综合阐述了小波熵在电力系统中各方面应用的可行性，表明了其在电力系统中具有良好的发展空间。文献[5-6，50-51]探讨了小波熵在电力系统故障检测中特征提取的应用机理，通过仿真一些输电线路故障检测对文中给出的几种小波熵进行了验证，仿真分析结果表明小波熵测度在暂态信号检测与分类中有望得到较好的发展。小波熵作为近年来才发展的一种新理论在电力系统故障检测中的应用具有广阔前景。所以，在电力系统暂态信号的检测和分类中运用小波熵理论具有重要的研究意义。

五、结束语

电力系统故障类型识别的研究为暂态信号检测分析开辟了新的道路，为暂态信号特征提取理论奠定了新的基础，进行了不同变换空间内信号特征和复杂程度的定量描述方法，建立了适合于电力系统暂态信号分析的小波熵理论。

参考文献：

[1]王志华.超高压线路故障行波定位及高压变频技术研究[D].武汉：华中科技大学，2004.

[2]魏智娟，李春明，付学文.输电线路故障诊断方法综述[J].电气技术，2012，（2）：1-5.

[3]何正友，王晓茹，钱清泉.利用小波分析实现EHV 输电线路单端量暂态保护的研究[J].中国电机工程学报，2001，21（10）：10-14.

[4]何正友.小波分析在电力系统暂态信号处理中的应用[M].北京：中国电力出版社，2011.

[5]何正友，刘志刚，钱清泉.小波熵理论及其在电力系统中应用的可行性探讨[J].电网技术，2004，28（21）：17-21.

[6]何正友，蔡玉梅，钱清泉.小波熵理论及其在电力系统故障检测中的应用研究[J].中国电机工程学报，2005，25（5）：23-43.

[7]李志民，李卫星，李勃龙.熵原理及其在电力系统可靠性中的应用[J].电力系统及其自动化学报，200l，13（3）：37-39.

[8]任震，张征平，黄雯莹，等.基于最优小波包基的电动机故障信号的消噪与检测[J].中国电机工程学报，2002，22（8）：53-57.

[9]Rosson OA，B1anco S，Ybrdanova Jetal.Wavelet entropy：a new tool for analysis of short duration brain electrical signals[J].J Neumsci Meth，2001，105（1）：65-75.

[10]李东敏.基于多小波包和人工神经网络的电力系统故障类型识别研究[D].成都：西南交通大学，2008.

[11]葛耀中.新型继电保护和故障测距的原理与技术[M].西安：西安交通大学出版社，2007.

[12]Joe- AirJiang，Ching- ShanChen，Chi-WenLiu.A new Proteetion seheme for fault detection， direetion diserimination，elassifieation and location in transmission lines[J].IEEE Trans on Power Delivery，2003，18（l）：34-42.

[13]危韧勇，刘春芳.基于小波理论的超高压线路故障定位与选相方法[J].中国电机工程学报，2000，20（5）：85-88.

[14]段建东，张保会，周艺.利用电流行波进行超高压输电线路故障类型识别的研究[J].中国电机工程学报，2005，25（7）：58-63.

[15]Duan Jiandong，Zhang Baohui，Ha Hengxu.A novel preach to faulted-Phase selection using current traveling waves and wavelet analysis[C].IEEE Power Conference 2002，Kunming，China，2002，（4）：1146-1150.

[16]何正友，陈小勤，罗国敏，等.基于暂态电流小波熵权的输电线路故障选相方法[J].电力系统自动化，2006，30（22）：39-44.

[17]Li Zewen，Yao Jiangang，Zeng Xiangjun，Deng Feng.Power grid fault traveling wave network protection scheme[C].Electrical Power and Energy Systems，2011：875-879.

[18]董新洲，贺家李，葛耀中.基于小波变换的行波故障选相研究第二部分仿真实验研究[J].电力系统自动化，1999，23（1）：20-22.

[19]何正友，符玲，麦瑞坤，等.小波奇异熵及其在高压输电线路故障选相中的应用[J].中国电机工程学报，2007，27（1）：31-35.

[20]P.S.Bhowmik a，P.Purkait b，K.Bhattacharya.A novel wavelet transform aided neural network based transmission line fault analysis method[J].Electrical Power and Energy Systems，2009，（31）：213-219.

[21]王忠民，樂全明，杨光亮，等.基于提升小波和神经网络的超高压电网故障类型识别[J].华东电力，2006，34（2）：30-33.

[22]张举，王兴国，李志雷.小波包能量熵神经网络在电力系统故障诊断中的应用[J].电网技术，2006，30（5）：72-76.

[23]Sami Ekici，Selcuk Yildirim，Mustafa Poyraz.Energy and entropy-based feature extraction for locating fault on transmission lines by using neural network and wavelet packet decomposition[J].Expert Systems with Applications， 2008， （34）：2937-2944.

[24]张斌，何正友，钱清泉.基于小波能量熵和模糊逻辑的故障选相元件[J].电网技术，2006，30（15）：30-35.

[25]卜春霞，张义含，姜自强，等.超高压线路暂态保护选相研究[J].电力系统保护与控制，2010，38（16）：30-34.

[26]谢添卉，刘明光，杨罡.基于数学形态谱和人工神经网络的高压输电线接地故障类型识别方法[J].电气自动化，2009，31（3）：62-65.

[27]杨霁，李剑，王有元，等.变压器局部放电监测中的小波去噪方法[J].重庆大学学报，2004，27（10）：67-70.

[28]薛蕙，杨仁刚.基于小波包除噪的电能质量扰动检测方法[J].中国电机工程学报，2004，24（3）：85-90.

[29]Barros J，Diego R I.Application of the wavelet-packet transform to the estimation of harmonic qroups in current and voltage waveforms[J].IEEE Transactions on information Theory，2006，21（1）：533-535.

[30]任震，张征平，黄雯莹，等.基于最优小波包基的电动机故障信号的消噪与检测[J].中国电机工程学报，2002，22（8）：53-57.

[31]Omar A.S.Youssef.A wavelet-based technique for discrimination between faults and magnetizing inrush currents in transformers [J].IEEE Transactions On power Delivery，2003，18（1）：170-176.

[32]Youssef Q A S.New Algorithm to Phase Selection Based on Wavelet Transforms[J].Power Engineering Review，IEEE，2002，22（6）：60-61.

[33]段建东，张保会，周艺.基于暂态量的超高压输电线路故障选相[J].中国电机工程学报，2006，26（3）：1-6.

[34]麦瑞坤，何正友，符玲，等.基于电流行波能量和小波变换的输电线路故障选相研究[J].电网技术，2007，31（3）：38-43.

[35]G.Sudha，T.Basavaraju.A comparison between different approaches for fault classification in transmission lines[J].International Conference on Information and Communication Technology in Electrical Sciences，2007，20（22）：398-403.

[36]Zhengyou He，Shibin Gao，Xiaoqin Chen.Study of a new method for power system transients classification based on wavelet entropy and neural network.[J].Electrical Power and Energy Systems，2011， 33（3）：402-410.

[37]葛耀中，董新洲，董杏丽.测距式行波距离保护的研究（一）——理論与实现技术[J].电力系统自动化，2002，26（6）：34-40.

[38]李泽文，姚建刚，曾祥君，等.基于整个电网行波时差的故障定位方法[J].中国电机工程学报，2009，（4）：60-64.

[39]谢民.220kV电网行波测距系统组网运行实践探讨[J].电力自动化设备，2010，30（5）：136-138，141.

[40]徐伟宗，唐昆明.基于导数法的故障行波法识别改进算法[J].电网技术，2010，34（1）：198-202.

[41]郑州，吕艳萍，王杰，等.基于小波变换的双端行波测距新方法[J].电网技术，2010，34（1）：203-207.

[42]A.M.PetrocIk，DL S.Reisman，Dr I.Darrd，et al.Wavelet entropy analysis of cyclic exercise protocol on herrate Variability[C].IEEE，2004：91-92.

[43]Quiroga RQ，Rosso OA，Basar E，et al.Wavelet entropy in event—related potential：a new method shows ordering of EEG oscillations[J].Biological Cybernetics，2001，84（4）：291-299.

[44]H.A.Al-Nashash，J.S.Paul，N.VThakor.Wavelet entropy method for EEG analysis：Application to obal brain injury[C].Conference on Neural Engineering，IEEE，2003：348-351.

[45]孙来军，胡晓光，纪廷超.改进的小波包-特征熵在高压断路器故障诊断中的应用[J].中国电机工程学报，2007，27（12）：103-108.

[46]杨健维，罗国敏，何正友.基于小波熵权和支持向量机的高压输电线路故障分类方法[J].电网技术，2007，31（23）：22-26，32.

[47]Ming-Yu Yang，Yu-Kun Yang.A study of transient-based protechion using wavelet energy entropy for power system EHV transmission line [J].Proceedings of the 2010 International Conference on Wavelet Analysis and Pattern Recognition，2010：283-288.

[48]Wen Junli，1Yhan Chunli.Arc fault detection based on wavelet packet[C].PID feedings of the Fourth International Conference on Machine Learning and Cybemetics，IEEE，2005：1783-1788.

[49]Zhimin Li，weixing Li，Ruiye Liu.Applications of entropy principles in power systems：A Survey[C].IEEE/PES 1rransmission and Distribution：Asia and Pacific Dalian China，2005：1-4.

[50]Zhengyou He， xiaoqin Chen，Yhmei Cai.A study of algorithm and application in transient signals wavelet post-analysis methods[C].IEEE/PES Transmission and Distribution Conference Asia and Pacific，Dalian， 2005：2-6.

[51]P.S.Bhowmik，P.Purkait， K.Bhattacharya.A novel wavelet transform aided neural network based transmission line fault analysis method [J].Electrical Power and Energy Systems，2009，（31）：213-219.

（責任编辑：王祝萍）