配电系统的快速故障检测与识别方法

郭明

(贵州电网责任有限公司安顺供电局，贵州 安顺 561000)

0 引 言

由于电力负载的逐年增加，承载大量电能配送的配电系统已成为电力系统的主要故障来源，因此需要保证配电系统的运行可靠性[1-3]。保护配电系统需要做到快速恢复故障区段、正确操作保护装置和准确诊断故障。电力系统的故障诊断技术可以分为两类:①故障发生后的线路阻抗测量技术；②测量由故障产生的信号的技术[4-5]。两种技术都需要对配电系统的电压、电流和阻抗等进行连续监测，才能在故障发生后快速恢复配电系统，提高配电系统的可靠性。

已有很多学者针对电力系统的故障检测和识别开展大量研究。针对输电线路故障分类提出了很多基于监督训练的分类算法，如神经网络、模糊逻辑和模糊神经网络等。但是这些算法都需要解决神经网络训练复杂性较高的问题[6]。数字保护继电器(DPR)用于测量线路电压和电流，快速发送跳闸指令，断开故障线路[7]。DPR是基于电压和电流的采样和分析实现线路保护功能。还有学者将快速傅里叶变换(FFT)和离散小波变换(DWT)技术用于故障诊断[8-9]。由此可见，为了进行故障分类，可利用DPR和数字故障记录器(DVR)采集信息进行特征提取。数据分析则可采用人工神经网络(ANN)、模糊逻辑(FL)、决策树(DT)和支持向量机(SVM)等算法。

本文使用改进的多分类支持向量机方法实现快速检测和识别配电系统中的开路故障。该方法使用配电系统节点电压有效值作为原始数据进行故障诊断。对原始数据进行冗余、异常数据删除以及特征约简以提取最佳特征集，从而实现数据预处理。获得的最佳特征集用来训练所提出的分类支持向量机模型，并基于不同的训练数据集对训练后的模型进行测试。本文测试是在由MATLAB所仿真和编程的IEEE 13节点测试系统上进行的。仿真结果证明了多分类支持向量机不仅可以快速、有效检测和识别配电系统中的开路故障，而且可以提高故障检测和识别的准确性。

1 故障诊断方法

本文提出用以检测和识别配电系统中开路故障多分类支持向量机方法，如图1所示。在该方法中，电网中每个节点的实时电压有效值作为原始数据。原始数据分为两个主要数据矩阵：①包含无故障情况的数据集矩阵;②包含与故障情况有关的数据矩阵。在预处理阶段，从原始数据中删除不必要的数据，然后提取特征，形成特征集。在所形成的特征集中，往往没有包含某些难以用来预测故障类型的冗余数据特征，这将导致故障检测和识别精度降低。因此为了提高检测和识别的准确性，必须在数据预处理阶段从数据集中删除这些冗余特征。随后，对特征集进行归一化处理，生成训练和测试数据集。最后，将使用最佳特征集训练基于径向基(RBF)核函数的多分类支持向量机模型。

图1 故障检测与识别方法流程图

为了对不可线性分离的数据进行分类，将RBF核函数用于多分类支持向量机模型。RBF核函数可表示为：

K[x(t1),x(t2)]=φ[x(t1)]Tφ[x(t2)]

(1)

或：

(2)

式中:K()为核函数；x(t1)(m×n)和x(t2)(r×s)分别为训练向量;x(t1)、x(t2)为参考向量的点；m、n、r和s为训练向量的维度；φ()为特征映射函数；λ为正则化参数。较小的λ值表示核函数的方差较大。

在训练了多分类支持向量机模型之后，在各种仿真条件(故障场景)下对模型进行测试，以评估其有效性，同时预测对应的故障检测和识别标签。最后，分别对故障检测与识别方法的准确性进行检验，具体如下：

(3)

准确性测试是在无噪声和不同强度白噪声的条件分别进行的。在配备有Intel Core i7-8550U处理器和12 GB RAM的笔记本电脑上以1.80 GHz时钟速度在MATLAB 2018a软件中完成仿真测试。

2 仿真结果和讨论

为了评估所提出的故障检测和识别方法的性能，在MATLAB软件中对IEEE 13节点测试系统进行了建模，并在系统的不同位置上设置了三种类型的开路故障：变电站节点的开路故障、负载节点的开路故障和输电线路的开路故障。测试系统如图2所示。在试验过程中实时记录整个系统开路故障前后的所有节点电压有效值。为了测试所提出的故障检测和识别方法的鲁棒性，仿真试验设置了不同类型和不同位置的开路故障。故障具体为：节点650的变电站开路故障；节点611、652、645、646、634、680和675的负载开路故障；节点632-633、632-645、632-671、645-646、671-680、671-684、684-611、684-652和692-675之间的输电线路开路故障。断开连接到每个节点(线路之间)的相应断路器模拟开路故障，在t= 0.5 s时施加在不同的节点上。通过重新连接相应的断路器，在0.05 s内清除故障。仿真过程持续1 s。

图2 IEEE13节点测试系统

通过对测试系统的实时监测，获得了三种故障前、后的电压有效值信号。采样频率与电网的实际频率一致，为50 Hz。经过分析发现，选择50 Hz作为采样频率，响应效果更好，结果也更准确。经过去除冗余特征和提取出最佳特征，得出的完整的特征矩阵有15个特征。

训练和测试数据矩阵是在考虑各种模拟条件的情况下开发的，包含所有可能的开路故障。为了减少所提出方法对参数变化的依赖性和敏感性，训练矩阵和测试矩阵彼此不同。整个训练数据集包含756个数据样本(包括20类故障)。测试矩阵包括504个数据样本(具有不同的故障组合)。

针对故障检测和识别执行了不同的测试。表1和表2分别给出了故障检测和识别的准确性评估。在这两个表中，FS、FL和FT分别表示变电站的故障、负载故障和传输线路的故障。由表中数据观察到，通过将白噪声应用于原始数据集，所提出的方法仍然可以有效地检测和识别不同的故障。但是，通过增加原始数据集中的白噪声(SNR)强度，所提出的故障检测和识别方法的准确性有所降低。

表1 故障检测分析结果

表2 故障识别分析结果

表3显示了所提出的检测和识别不同开路故障的方法的整体精度。如表3所示，所提出的方法可以有效地检测和识别不同的开路故障。

表3 故障分析结果 %

3 结束语

本文提出并开发了一种改进的多分类支持向量机方法，以同时检测和识别配电系统中的不同开路故障。对于各种类型的故障场景，所提出的方法可以提供快速和准确的故障检测和识别。所提出方法进行故障诊断的唯一依据是整个配电网络的实时电压信号有效值。所提出方法的另一个重要特征是需要收集大量信号特征，因此需要应用特征提取方法去除不必要和多余的特征，从而提高预测精度。需要针对不同的故障情况开发训练和测试数据矩阵，以提高故障分类的准确性。在模拟暂态开路故障的IEEE 13节点测试系统上，用MATLAB软件对该方法进行了仿真测试。结果表明了该方法的准确性、有效性、鲁棒性和实时性。