配电网络电压暂降源自动定位与智能识别

翁国庆，王　强，黄飞腾，宓巧巧，朱双双

(浙江工业大学 信息工程学院，浙江 杭州 310023)



配电网络电压暂降源自动定位与智能识别

翁国庆，王强，黄飞腾，宓巧巧，朱双双

(浙江工业大学 信息工程学院，浙江 杭州 310023)

摘要：电压暂降是配电网络中最重要的电能质量问题之一．针对短路故障、电容器投切、冲击负荷和变压器启动引起的四种常见电压暂降类型，分别搭建仿真模型分析其扰动信号特征．采用扰动功率和扰动能量法实现其扰动方向判定，并针对传统的基于矩阵算法的暂降源自动定位方案提出改进措施．分别基于小波能量熵和自组织竞争性神经网络进行暂降扰动信号的特征提取和分类训练，可实现多类型电压暂降源的智能识别，算例分析验证了所提方法的实用性和有效性．

关键词：电压暂降；扰动方向判定；自动定位；智能识别；神经网络

电压暂降是最重要的电能质量指标项之一，目前与其相关的投诉比重高达80%以上．实现电压暂降源的准确定位和智能识别对电能质量故障诊断、检测以及治理策略的制定非常必要，并有助于责任划定和纠纷协调[1-2]．目前，关于电能质量扰动源定位的研究较少，大多处于理论探索和仿真阶段．电压—电流相量法依据暂降源位置不同电压—电流的变化趋势不同确定扰动源方向[3]；基于有功电流的扰动定位则是基于故障发生时刻监测装置处的有功电流方向不同来判定扰动源方向[4]；由于大部分电压暂降由故障引起，LIC等从电力系统保护角度，提出基于系统等效阻抗实部的符号暂降源定位的方法[5]；在S变换的基础上，基于多分类支持向量机可实现电压暂降源识别[6]；基于卡尔曼滤波暂降源分类算法，可有效分类出各事件引起的暂降源[7]，但实时性比较差．

针对4种分别由短路故障、电容器投切、冲击负荷和变压器启动引起的电压暂降的扰动特征，以及它们的暂降源定位和类型智能识别方法．在实现4种暂降类型仿真模型构建的基础上，采用扰动功率与扰动能量算法分别对其扰动方向判定进行分析，指出传统基于矩阵算法的扰动源定位算法存在的问题并提出相应的合理改进措施；采用一种基于小波能量熵(WEE)和自组织竞争型神经网络(SCNN)的多类型电压暂降源智能识别方法．

1电压暂降扰动特征及起止时间定位

1.1　4种主要类型电压暂降扰动特征

实际配电网络中，造成电压暂降扰动事件的原因有多种，其中最常见的4种为：各种短路故障；电容器组投切；冲击负荷；变压器启动时励磁涌流．为比较这4种电压暂降现象并获得对应的扰动信号，可基于MATLAB/Simulink平台分别搭建其电路仿真模型．仿真分析表明：不同原因引起的电压暂降扰动信号具有不同的特征，主要体现在电压暂降幅值、三相幅值不对称度、二次谐波含有率、电压暂降幅值频度等方面．图1为4种不同类型电压暂降扰动信号的仿真波形．

图1　4种不同类型电压暂降扰动波形Fig.1　Disturbance waveform of four kinds of voltage sags

经过仿真分析，对4种不同电压暂降扰动信号特征进行概括提炼，这些差异化特征是各类型电压暂降源正确识别的基础．短路故障引起电压暂降扰动信号特征：暂降程度远远大于其他原因引起的暂降程度；不同类型短路故障将产生不同的三相电压暂降波形，在不对称短路时三相不平衡度大；电压波形的变化迅速．电容器组投切引起电压暂降扰动信号特征：含有较多的噪声信号，且造成影响在暂降结束后仍将持续一段时间；暂降结束后，有时伴随有电压暂升现象．冲击负荷引起电压暂降扰动信号特征：暂降程度较低；当投入非三相冲击负荷时，也可能具有不对称性．变压器启动引起电压暂降扰动信号特征：暂降波形含有大量谐波(通常为二次谐波)；暂降持续时间较其他类型更长．

1.2　基于小波变换的电压暂降时间定位

小波变换(Wavelet transform，WT)具有良好的时一频局部化特性，可以聚焦到信号的任意细节,从而很好地处理微弱或突变信号，特别适合于对非稳态畸变波形问题进行分析．因此，在已经得到了上述四种典型电压暂降事件的电压暂降波形的基础上，采用多分辨小波变换方法来分析暂降信号的突变或暂态特征，从而实现扰动信号的起止时刻精确定位．

离散小波变换(DWT)类似于滤波器，可将一个信号以小波分树的形式多级分解为信号的近似值和细节值[8]．假定信号a0(n)为离散信号序列,被分解为

a1(n)=∑h(k-2n)a0(k)

(1)

式中：h(k-2n),g(k-2n)分别为实现小波分解树的高通滤波器和低通滤波器；d1(n)为细节部分；a1(n)为信号部分，对后者继续分解,经多重分解结果形成了信号多分辨分析．

可编程实现电压暂降信号的小波分析过程，然后把已构建仿真模型中产生的各类型电压暂降扰动信号数据导入小波分析程序，实现各电压暂降扰动信号的多级分解．通过读取小波分解之后的多层细节信号找出暂降扰动信号的奇异点，即可实现电压暂降波形信号的时间精确定位．图2为短路故障引起的电压暂降扰动信号的小波多级分解结果．

图2　电压暂降扰动信号的小波多级分解Fig.2　Wavelet multi-level decomposition of disturbance signal of voltage sag

图2中分别依次显示了原始信号波形，第3层到第1层细节信号．从图2中可以看出：小波分析的结果非常理想，从第d1层细节信号中已经可以看出信号的奇异点，信号的奇异点非常明显，表现为竖直线段．直观上看，信号的奇异点在0.2s和0.3s的时刻，这和所设置的电压暂降发生时间吻合．

2暂降源扰动方向判定与自动定位

2.1　基于扰动功率与扰动能量法的方向判定

扰动方向的有效判定是电压暂降源定位的关键前提．对应某个电能质量监测装置(Powerqualitymonitor,PQM)，从监测点的位置来看，并以系统基频有功功率的流向作为参考方向，可将整个网络区域划分为扰动前向区域与扰动后向区域，如图3所示．

图3　扰动前向、后向区域划分Fig.3　Division of disturbance area

采用基于扰动功率与扰动能量法进行各类型暂降扰动的方向判定．该方法的基本原理是，使用暂降过程中的扰动功率和扰动能量来确定电压暂降源与PQM的相对位置关系．基于暂降扰动造成瞬时功率的变化，扰动功率DP(t)和扰动能量DE(T)可定义[9]为

DP(t)=Ps(t)-Pd(t)

(2)

(3)

式中：Ps(t)为t时刻暂降扰动期间的三相有功功率；Pd(t)为t时刻暂降扰动发生之前的稳态三相有功功率．

以一个11kV，50Hz的电压源通过配电线路向一个额定频率为50Hz，额定电压为10.5kV，额定功率为10kW，200Var的负荷供电系统为例，构建电压暂降仿真模型．更改相关模型和参数依次仿真，并运用扰动功率与扰动能量法可获得其各自的监测点前向区域与后向区域的DP(t)与DE(T)的波形，如图4所示．

图4　各类模型中前、后向区域暂降扰动时的DP与DEFig.4　DP and DE of various models in the forward and afterward area when occurred voltage sag

采用的暂降源方向判定规则是：扰动功率波形第一个峰值和扰动能量最终值均为正，则扰动源位于监测点后向区域；相反，两者均为负，则扰动源位于监测点前向区域．经过观察判断，该判定规则适用于图3中暂降事件发生时的扰动前后向区域判断．

2.2　暂降源自动定位及方案改进

上述基于单测点的暂降扰动方向判定仅能够判别出配电网络中发生扰动时暂降源的前向、后向大致方向，并未实现扰动源的精确定位．未来智能配电网中，基于网络化电能质量监测与分析系统强大的信息汇集与融合能力，电压暂降源的自动精确定位程成为可能．

基于配电网络的拓扑结构信息、布置的各PQM位置信息和暂降事件发生时各PQM的扰动方向判定信息，利用有根树和特征矩阵法可部分实现辐射状配电网络中的暂降源的自动定位[10]，其具体流程如图5中实线框部分所示．图5中，覆盖矩阵用以表征配电网络的拓扑结构及其中PQM布置信息，方向矩阵表征配电网络中任意点发生电能质量事件时布置于网络的各PQM的扰动方向判定结果，然后基于矩阵乘运算得到的定位结果矩阵，利用其包含的信息可部分实现电能质量事件源的自动定位．

图5　扰动源精确定位Fig.5　Pinpoint location of disturbance source

在智能配电网背景下，该算法存在诸多不足，多种情况下该方案可能会导致扰动源定位结果存在模糊项甚至出现误判．例如不同的扰动，扰动特征不尽相同，即使同一类扰动也有强弱之分，并且在各测点的分布也不一样，加上负荷波动、随机干扰、DG引入等不确定因素也会导致误判．图5中虚线框部分是针对所提问题，为使暂降源定位方案具有更高的可靠性和更好的适应性而相应提出的三项改进措施：

1) 网络化电能质量监测与分析系统中，期望在每个电网节点都布置PQM是不现实，也是不必要的，但这可能给上述基于矩阵算法的暂降源自动定位结果中引入模糊项．可以基于电力系统状态估计原理，使得扰动发生时部分未布置实际PQM节点的关键状态量可通过计算得出，视作在该类节点也布置了相应的“虚拟PQM”并对传统的矩阵算法进行扩展，从而消除原定位算法中的可疑模糊项，实现暂降源的精确定位．

2) 现有的扰动定位算法主要针对单电源辐射式配电网，未来智能配电网中越来越多的可再生分布式电源(Distribute generation, DG)接入，将会对原配电网节点电压、功率和电能质量等产生较大影响，使得原扰动定位方法无法精确定位或误判．需要在原矩阵算法中进行相应调整，在特征矩阵元素值定义中充分考虑DG群接入后引起的潮流功率方向变化情况，避免由此引起的误判．

3) 现有定位算法过于依赖监测点的方向判定结果的正确性(采用+1，-1值绝对化描述扰动方向判别结果)，无法表征各PQM判别结果的可靠性程度，无法解决个别PQM判别错误即可能导致定位偏差的难题，而实际上扰动事件监测数据受到信号强弱、距离位置、高斯噪声和监测误差等诸多因素影响．可以引入可信度概念，描述上述因素不同情景下的对判别结果“可信度”的影响机理，使方向判定结果带有“量化可信度”质量标签，并通过评价函数优化求解实现在部分PQM扰动信息不可靠情况下的扰动源自动、精确定位．

3电压暂降源智能识别

除实现扰动方向判别与自动定位，电压暂降源的智能识别也具有重要意义．在暂降扰动源候选集合比较明确的较小区域电网中，综合利用模式识别与智能分类技术，直接通过提取扰动特征、分类器训练进行定位决策成为可能．采用WEE和SCNN进行暂降源的智能识别．

3.1　小波能量熵(WEE)

假设信号x(n)经过小波分解之后，在第i分解尺度的高频分量系数是di，低频分量系数为Di和Ai．那么原始信号序列x(n)在m尺度上面就可以表示为各个分量叠加，即

(4)

电压暂降信号的小波熵特征可由小波能谱熵和系数熵构成，其定义分别如下：

WEE=-∑ipilnpi

(5)

2) 小波系数熵．对信号x(n)进行小波多分辨率分解得到各尺度上的小波分解序列，定义其划分的测度为

(6)

其中：dj(i)为尺度j小波分解细节系数；N为信号长度．根据信息熵的基本理论，定义WCE为

(7)

4种电压暂降源具有不同的小波能量熵，综合反映了不同暂降波形的特征指标．小波系数熵反映了原始信号在各分解尺度上能量分布的不确定度．

3.2　自组织竞争神经网络(SCNN)

SCNN结构属于层次性网络，具有输入层、竞争层和输出层．通过检测其输入样本与训练样本相互之间的关系，根据输入样本的信息自适应调节网络，使得输出响应与输入样本相适应．输入层负责接收外界的信息并且把输入模式向竞争层传递．竞争层主要负责对该模式进行分析和比较，找出可以正确归类的规律．输出层神经元个数等于训练样本数据的种类个数，每个神经元遵循胜者为王的竞争学习算法规定(获胜神经元输出为1，反之为0)．

学习矢量化法(Learning vector quantization, LVQ)是SCNN众多模式分类算法中的一种，具有网络用户指定目标分类结果，通过监督学习，完成对输入向量模式的准确分类的特点[11]．在电压暂降源样本数据类别已知的情况下，应用LVQ算法可根据电压暂降源样本数据的特性，进行奖励和惩罚的迭代学习，实现多类型电压暂降源的智能识别．

3.3　电压暂降训练样本提取

为使构建SCNN的训练更具效果，选取的训练样本一定要具有代表性和广泛性．在上述四种电压暂降Simulink仿真模型中，分别修改一些关键的模型仿真参数，每种暂降模型都可获得多组

仿真结果波形在原有的对仿真暂降信号的小波分析程序中，加入用以计算小波能量熵的程序对每次修改参数后的模型重新计算并记录其逼近信号和各层细节信号的小波能量熵．将每组仿真参数对应的结果作为一组样本数据．每个样本都有8个数据，它们分别是逼近信号的小波能量熵Ea、第一层至第七层细节信号的小波能量熵Ed1~Ed7．

观察所获得的数据，发现不同参数下对应的各组数据中，Ea和Ed7之间相差比较大，而Ed1~Ed6虽有一些差别但其差别程度和方式基本一样．因此，只需在除Ea和Ed7之外的6个小波能量熵数据中取一个代表性数据即可．

4算例仿真

以短路故障引起的电压暂降事件为例进行分析．对小波分析结果信号的WEE可能存在影响的因素有：电压等级、上下游线路阻抗之比、暂降起止时刻对应的电压相位、短路故障类型．

选择两种电压等级(11 kV，22 kV)进行仿真，其他参数如下：

1) 上下游线路阻抗比值分别为1∶1和1∶2．

2) 上述4种影响因素故障起止时刻分别为0.2~0.31 s，0.21~0.3 s，0.2~0.3 s以及0.21~0.31 s．

将以上不同情景下的仿真参数进行排列组合，针对各种情况均进行仿真，并求出每次仿真后的WEE数据得到27组数据，如表1所示．

表1　各种情况下短路故障引起暂降的训练样本

获得训练样本后，需进一步基于LVQ算法对所构建的SCNN进行训练．为验证训练的神经网络对电压暂降源识别的效果，需要获得测试样本对其进行测试．测试样本和训练样本的选取原理基本一致，但需注意：测试样本仍然需要广泛性和代表性；测试样本不能是训练样本中的数据，否则不能验证识别的正确性．

选取不同情景下10组仿真数据作为测试样本，其对应的仿真参数情况和数据结果如表2所示．

表2　各种情况下短路故障引起暂降的测试样本

从表3中可以看出：对于第2，3，4三种暂降类型，暂降源的正确识别率达到100%，所构建的智能识别模型非常有效(事实上，真正实际中识别器不可能达到100%，这里可能是因训练样本和测试样本数据过少造成)．但是，对于第1种暂降类型，70%的正确识别率不是很理想．其原因很可能是因短路故障本身就有很多类型，而各种短路故障引起的暂降效果和扰动信号特征差异性较大．一方面，算例中采用的训练样本数据和测试样本数据可能未能很好地覆盖各种不同情景；另一方面，多类型、差异化大的复杂情况本身必然大大提高智能分类器的识别难度．

表3　4种类型电压暂降源智能识别效果

5结论

从电压暂降源准确定位和多类型智能识别角度进行研究，建立常见的由短路故障、电容器投切、冲击负荷和变压器启动引起的4种电压暂降仿真模型，并提取分析了各种情景下的暂降扰动数据及波形特征．采用扰动功率和扰动能量法进行扰动方向的判定，并对基于矩阵算法的暂降扰动源定位算法进行改进，使其具有更高的可靠性和更好的适应性．实现了基于小波能量熵和自适应竞争神经网络的多类型电压暂降源的智能识别，并基于算例分析验证了所提方法具有较好的智能识别特性．

参考文献：

[1]王克星，宋政湘，陈德桂，等．基于小波变换的配电网电压暂降的干扰源辨识[J]．中国电机工程学报，2003，23(6)：29-34．

[2]翁国庆，张有兵，曹一家．基于配电线载波通信的电能质量扰动源自动定位方法的研究[J]．浙江工业大学学报，2010，38(2)：162-167．

[3]RODNEY H G, TAN V K. RAMACHANDARAMURTHY. Power quality event source directivity detection based on V-I scatter graph[C]//IEEE 15th International Conference. China: IEEE，2012：758-762．

[4]WANG Chengshan, WANG Jidong. Locating the source of capacitor switching disturbances based on wavelet transform[C]//Conference on Convergent Technlogise for the Asia-Pacific Region. Pennsylvania: IEEE，2003：998-1001．

[5]LI C, TAYJASANANT T, XU W, et al. Method for voltage-sag-source detection by investigating slope of the system trajectory[J]. IEEE proceedings on center,tansform and distrib，2003，150(3)：367-372．

[6]吕干云，方奇品，蔡秀珊． 基于多分类支持向量机的电压暂降源识别[J]. 电力系统保护与控制，2010，38(22):151-155．

[7]翁国庆．网络化电能质量监测系统若干关键技术研究[D]．杭州：浙江工业大学，2010．

[8]张凯，关根志，张海龙．用小波变换和瞬时功率定位电能质量扰动源[J]．高压电技术，2008，34(3)：573-578．

[9]张文涛，王成山．基于改进扰动功率和能量法的暂态扰动定位[J]．电力系统自动化，2007，31(8)：32-35．

[10]翁国庆，张有兵，王晶．基于链表和矩阵算法的电能质量扰动源自动定位[J]．电力自动化设备，2011，31(10)：12-17．

[11]贾勇，何正友，赵静．基于小波熵和概率神经网络的配电网电压暂降源识别方法[J]．电网技术，2009，33(16)：63-70．

(责任编辑：刘岩)

Automatic location and intelligent recognition of voltage sag source in distribution network

WENG Guoqing, WANG Qiang, HUANG Feiteng, MI Qiaoqiao, ZHU Shuangshuang

(College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China)

Abstract:Voltage sag is one of the most important power quality problems. The simulation models of four kinds of voltage sags are built respectively,which are caused by short-circuit fault, capacitor switching, impact load and starting transformer, and the characteristics of those disturbance signals are analyzed. The disturbance direction judgment algorithm based on disturbed power and disturbed energy is adopted to judge the disturbance direction. The existing automatic location scheme based on the matrix algorithm is improved. The features of sag disturbance signals are extracted and classified training based on the wavelet energy entropy and the self-organizing competitive neural network. By this way, multi-type voltage sag sources can be identified intelligently. The case verifies the practicability and validity of the proposed method.

Keywords:voltage sag; disturbance direction judgment; automatic location; intelligent identification

中图分类号：TM993.4

文献标志码：A

文章编号：1006-4303(2016)01-0045-07

作者简介：翁国庆(1977—)，男，浙江龙游人，副教授，硕士生导师，主要从事电能质量监控、分布式发电、智能电网等方面的研究，E-mail:wgq@zjut.edu.cn.

基金项目：国家自然科学基金资助项目(51207139)；国家留学基金资助项目(201408330220)；浙江省教育厅科研项目(Y201431752)

收稿日期：2015-07-07