基于小波特征的配电网线路运行工况识别

李德峰

（广东电网公司 肇庆供电局，广东 肇庆 526060）

配电网是电力系统的重要组成部分。随着用电需求量的增长和电力供求市场化的发展趋势，用户对供电可靠性、电能质量的要求不断提高[1-2]。

配电线路作为用电负荷与变电环节之间的传输介质，在用户侧、线路自身及变电站侧发生的各种情况均导致配电网线路发生不同的工况变化，包括短路、接地、断线、励磁涌流、雷击过电压、过负荷等。但由于配电网线路拓扑结构复杂，T接线与分支线多，负荷类型多样，高阻和间歇性故障多，且一些复杂工况，如小电流接地故障的瞬间变化迅速，特征量变化不明显。至目前为止，配备故障指示器和故障选线技术的配电系统仍无法实现对各种工况的监测和识别[3-5]。

基于故障三相电流和压幅值变化进行故障判别的方法对于低阻故障检测效果较好，但由于高阻故障接地电流很小，且易受周围环境的影响而使该方法失效[6-7]。文献[8-10]采用了小波变换识别线路工况的方法，成效良好，但该方法过于脆弱，硬件阈值的设定需要依靠专家经验，易受不同系统不同设置的影响。赵智等人分别通过人工神经网络的方法实现了线路工况的识别，可是该方法存在算法收敛速度慢，适应性能差，需要大量的具有代表性的训练样本等缺点[11-12]。

综合考虑现有配电线路工况识别算法的实际应用情况，本文设计了配电线路的工况识别系统，通过在线路监测点采集三相电流信号，利用小波分析算法提取信号中的特征量并形成各种工况下的特征基因库。在线路工况变化时，将提取电流信号中特征量与特征基因库的样本进行比较匹配，从而实现配电线路运行工况的识别。

1 配电线路工况识别系统设计

如图1所示，配电网线路工况识别系统主要由以下几个有机部分组成。

图1 配电线路工况识别系统原理图Fig. 1 The schematics of distribution line identification system conditions

1.1 配电网录波系统

配电网录波系统，由现场录波装置、通信系统以及录波库组成。主要完成现场配网运行工况的波形采集，装置具备阀值设置功能，对异常工况可主动触发上传并保存，便于后台系统及时应用处理。

1.2 特征基因库

特征基因库是识别线路运行工况最重要的组成部分。它包含特征提取算法库、规则库以及规则检测算法库。当现场有异常工况时，录波系统可触发事项并上传录波数据，经特征提取算法提取当前线路运行特征，通过规则检测，实现线路运行工况的识别。

基因库的设计主要围绕规则库展开。如图2所示，一个规则库可以由多个规则组成，一个规则与一组特征量有关（0，1，…，n），一个规则L对应一种检测算法G；而特征量的提取可以由多个特征提取算法F完成，一种提取算法F可以提取多个特征量V。通过规则检测库将特征量与规则库的规则进行比较分析，可获得与线路工况变化相关的信息。

图2 特征基因提取流程Fig. 2 The process of gene extraction feature

1.3 智能工况识别系统

智能工况识别系统基于配网运行特征基因库实现。配网系统工况异常时，由识别系统查询并提取相关监测点录波数据到特征基因库进行数据整合分析，识别系统则根据分析结果为运行维护人员提供线路工况变化的相关信息。为保证线路工况识别的可靠性和准确性，识别工况所需的技术数据可根据专家经验和实际运行情况进行管理更新。

2 配电网线路工况识别关键技术

根据配电网线路工况识别系统设计思路，本文提出的特征基因库工作流程如图3所示。现场录波装置采集的数据主要包括三相电流。考虑到故障发生时的保护动作跳闸，假设在故障发生后2个周波时保护动作跳闸，则录波系统将记录故障前4个周波、故障中2个周波以及故障后2个周波的数据，三相电流数据的采样率为4 000 Hz。当约定时限达到或检测到线路有故障或预警时，采集的数据将以GPRS通信方式发送到主站。主站通过信号预处理后进行特征提取，获得特征值，进而判断各监测点实时工况。因此，实现线路工况识别的突破点在于特征提取算法的选择以及规则库的建立2个方面。

图3 基因库工作流程Fig. 3 Genebank workflow

2.1 特征提取算法

配电网线路实际运行中，工况的变化会引起线路电流电压出现幅值突变、谐波、高频暂态分量等特征。考虑线路发生接地、断线、励磁涌流的几率较高，且故障波形含有较多高频分量，而小波分析对故障信号中的突变奇异信号十分敏感。经多尺度小波变换提取故障信号特征可有效分析线路运行工况[13]。

设信号x（k）经离散小波变换后，在第j分解尺度下k时刻的高频分量系数为dj（k），低频分解系数为aj（k），进行单支重构后得到的信号分量Dj（k）、Aj（k）。J为最大分解尺度。Dj（k）表征了信号x（k）在不同尺度下的分量，也称为信号的多尺度表示。

2.1.1 小波奇异熵特征

信号的小波分解结果为Dj（k）可以构成一个m×n的矩阵Dm×n。根据信号奇异值分解理论，对于一个m×n的矩阵Dm×n，必然存在一个m×l维矩阵U，一个l×n维矩阵V和一个l×l维矩阵Λ，使得矩阵Dm×n分解为Dm×n=Um×lΛl×lVl×n，其中对角线矩阵Λ的主对角线元素是非负的，并按降序排列，这些对角线的元素是小波变换矩阵Dm×n的奇异值。参照信号的奇异分解理论，当信号无噪声或具有较高的信噪比时，其主对角元素的奇异值仅有少数不为0，小波分解结果矩阵的奇异值也满足类似的规律，且信号的频率成分越少，小波分解结果的奇异值不为零的个数越少。为了定量描述信号的频率成分及分布特征，定义如下的小波奇异熵WSE为：

小波奇异熵测度表明，它对于频率成分比较敏感，而且频率成分越单一，对应的小波奇异熵值越小；反之，高频成分越丰富，对应的小波奇异熵值越大。本文取各线路各相故障后1/4周波数据的小波奇异熵相对比值：

然后进行归一化处理，即

通过归一化相对比值和各阶次叠加这2个特殊处理，就能减小系统不确定性和不同故障工况的影响，从而获取更为准确和可靠的故障类型识别结果。

2.1.2 小波统计量特征

系统发生故障后，首先计算故障后的三相电流的故障分量

式中，ip（t），p=a，b，c为故障后变压器二次侧的第一个工频周期内的三相电流；i′p（t）为三相电流的故障分量，为故障后第一个周波的三相电流减去故障前一个周波的三相电流。

对这个周波的故障分量进行小波变换，提取重构后的逼近系数和细节系数，对反映故障的故障频段内的信号进行分析，提取7个统计特征量，分别为：ρab、ρbc、ρca、sa、sb、sc、u0f，计算公式如下所示。

式中，n为一个工频周期内的采样点数；E（）为数学期望；p为相别a，b，c。则sp*表征标幺化标准差。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值。

ρbc和ρca同理。

此外，利用母线零序电压u0构造一个特征向量。对u0（t）进行FFT变换，提取50 Hz基频分量的幅值U0作为判断是否发生接地故障的特征。

2.2 规则库建立

规则库是专家系统的重要组成部分，规则的前提是配电线路上各监测点的电场和电流的特征信息，结论是配电线路上发生的故障类型。将检测到的电场和电流经上述的特征提取算法提取相关特征，通过规则进行模式匹配，从而得出诊断结果。

采用电磁暂态仿真软件PSCAD/EMTDC搭建如图4所示的配电网仿真模型，采样频率为4 kHz[14]。

假设A相低阻接地故障（电阻为0.1 Ω），则仿真所得的三相电压和三相电流波形如图5所示。

图4 配电网仿真模型Fig. 4 The simulation model of distribution network

图5 AG故障三相电压和电流波形Fig. 5 Voltage and current waveforms when AG fault

同理，针对中性点不接地系统发生AG、ABG、AB和ABC/ABCG 4种故障。在不同过渡电阻、故障初相角等情况下，得到不同故障的特征量为图中1～6个点对应的故障初相角为0，过渡电阻为0～1 000 Ω的特征向量的变化；7～12对应故障初相角为18°，过渡电阻从0～1 000 Ω的特征向量的变化的统计结果图如图6所示。

由仿真结果可知，基于小波算法的规则有：

规则1。如果A，B，C三相电流的故障分量的标准差均大于预先设定的标准差阈值且互相关系数均大于预设相关系数阈值，则配电线路发生三相短路故障。

规则2。如果A，B，C三相电流中有两相的标准差超过预设标准差阈值且这两相的互相关系数大于预设的相关系数阈值，则配电线路发生两相短路故障。

规则3。如果A，B，C三相电流中有一相的标准差超过预设标准差阈值，则配电线路发生单相低阻接地故障。

规则4。如果A，B，C三相电流中小波奇异熵相对归一化比值均大于预先设定的熵阈值，且至少有2个标准差大于预设标准差阈值且相关系数中至少有一个大于预先设定的阈值，则配电网发生励磁涌流。

3 实例验证

为了验证本文提出的基于小波特征的线路工况识别方法的有效性，本文以肇庆供电局的配电网线路实际运行录波数据为分析对象，提取电流信息中的特征量，并通过规则库调用来判断线路实时工况。

算例1：现场三相电流波形如图7所示。

采用db4小波、分解尺度为3，计算得到的小波特征值见表1所示。

表1 小波特征计算结果Tab. 1 The results of wavelet feature calculation

图6 故障特征量在不同故障类型下仿真结果Fig. 6 Fault characteristic simulation results under different fault types

图7 现场数据的三相电流波形Fig. 7 Phase current waveform data field

与本文2.2节提出的基于小波特征的规则比较，该工况的小波特征符合规则3，因此，该线路发生A相接地故障，与实际运行情况相符。

算例2：现场三相电流数据波形如图8所示。

图8 现场三相电流数据波形Fig. 8 Phase current waveform data field

同理，计算得到的该线路运行工况下小波特征值见表2所示。

表2 小波特征计算结果Tab. 2 The results of wavelet feature calculation

由统计表格可知，该工况的小波特征符合规则4，因此，该线路发生励磁涌流，与实际运行情况相符。

4 结论

本文综合考虑现有配电线路工况识别算法的实际应用情况，设计了包含录波系统、特征基因库和智能识别系统的基于小波特征的配电线路运行工况识别系统，通过在线路监测点采集三相电流信号，并利用了多尺度小波分析方法提取信号中的信号标准差、互相关系数、小波奇异熵2个特征量。配电线路各种工况下的特征基因库通过电磁仿真软件PSCAD/EMTDC建立起来，并将提取的特征量与特征库的规则相匹配来实现线路工况的识别。实例分析表明，本文提出的基于小波特征的识别方法能有效地判断线路的运行工况，且可靠性和准确性较高。

[1] 邱生敏. 配电网可靠性评估方法研究[D]. 广州：华南理工大学，2012.QIU Shengmin. Study on the method of reliability evaluation of distribution network[D]. Guangzhou：Master Degree Thesis of South China University of Technology，2012（in Chinese）.

[2] 汪穗峰，张勇军，任倩，等. 配电网可靠性定量分析研究综述[J]. 继电器，2008，3（1）: 79-83.WANG Suifeng，ZHANG Yongjun，REN Qian，et al.Review of research on quantitative analysis of the reliability of distribution network[J]. Relay，2008，3（1）: 79-83（in Chinese）.

[3] 唐金锐，尹项根，张哲，等. 配电网故障自动定位技术研究综述[J]. 电力自动化设备，2013，5（2）: 7-13.TANG Jinrui，YIN Xianggen，ZHANG Zhe，et al. Review on the research of distribution network fault automatic location technology[J]. Electric Power Automation Equipment，2013，5（2）: 7-13（in Chinese）.

[4] 杨炎龙. 配电网故障定位研究[D]. 广州：华南理工大学，2013.YANG Yanlong. Study on fault location of distribution network[D]. Guangzhou：Master Degree Thesis of South China University of Technology，2013（in Chinese）.

[5] 刘莉，陈学锋，翟登辉. 智能配电网故障恢复的现状与展望[J]. 电力系统保护与控制，2011（13）: 148-154.LIU Li，CHEN Xuefeng，ZHAI Denghui. Present situation and prospect of intelligent distribution network fault restoration[J]. Power System Protection and Control，2011（13）: 148-154（in Chinese）.

[6] 吴振华. 基于GPRS的配电网故障定位系统的研究[D]. 北京：北京交通大学，2014.WU Zhenhua. Study on fault location of distribution network based on GPRS[D]. Beijing：Master Degree Thesis of Beijing Jiaotong University，2014（in Chinese）.

[7] 姚岚. 配电网线路故障实时监测技术研究[J]. 电源技术应用，2013（8）: 32-33.YAO Lan. Research on real time monitoring technology of distribution network fault line[J]. Power Supply Technologies and Applications，2013（8）: 32-33（in Chinese）.

[8] 黄永. 配电网线路高阻故障在线识别方法研究[D]. 重庆：重庆大学，2012.HUANG Yong. Study of on-line fault identification method of high resistance distribution network line[D]. Chongqing：Master Degree Thesis of Chongqing University，2012（in Chinese）.

[9] 吴进伟. 配电网线路故障实时监测技术研究[D]. 杭州：浙江大学，2010.WU Jinwei. Research on real time monitoring technology of distribution network fault line[D]. Hangzhou：Master Degree Thesis of Zhejiang University，2010（in Chinese）.

[10] 周小勇，叶银忠. 小波分析在故障诊断中的应用[J]. 控制工程，2006（1）: 70-73.ZHOU Xiaoyong，YE Yinzhong. Application of wavelet analysis in fault diagnosis[J]. Control Engineering，2006（1）: 70-73（in Chinese）.

[11] 罗晓. 基于粗糙集-人工神经网络的配电网故障诊断研究[D]. 南宁：广西大学，2006.LUO Xiao. Research on distribution network fault diagnosis of based on rough set artificial and neural network[D].Nanning：Master Degree Thesis of Guangxi University，2006（in Chinese）.

[12] 赵智，王艳松，鲍兵，等. 基于小波神经网络的配电网故障类型识别[J]. 电力系统及其自动化学报，2007（6）:93-96.ZHAO Zhi，WANG Yansong，BAO Bing. Distribution network fault type recognition based on wavelet neural network[J]. Proceedings of the EPSA，2007（6）: 93-96（in Chinese）.

[13] 张德丰. MATLAB工程应用书库：MATLAB小波分析[M].2版. 北京：机械工业出版社，2012.ZHANG Defeng. Engineering application of MATLAB library: MATLAB wavelet analysis （Second Edition）[M].Beijing：Machinery Industry Press，2012（in Chinese）.

[14] 翟进乾. 配电线路在线故障识别与诊断方法研究[D]. 重庆：重庆大学，2012.ZHAI Jinqian. Research on online fault identification and diagnosis method of distribution line[D]. Chongqing：Doctor Degree Thesis of Chongqing University，2012（in Chinese）.