分布式电源配电网络系统故障诊断方法优化设计

刘小英

(咸阳职业技术学院 机电学院，陕西 咸阳 712000)

随着清洁能源发电技术的不断发展，一种新型的配电网络应运而生，该配电网络接入分布式电源，提高了配电网络供电的可靠性[1-3]。但是随着多样化分布式电源的接入，需要利用变换器来转换电能以及相应的控制策略来提高电能转换效率，在变换器转换电能的过程中各个控制器会产生很多的数据信息交互[4-5]。为了提高分布式电源运行的稳定性，在控制策略中加入故障诊断功能策略，当故障发生时，能够迅速地定位故障原因和故障类型，从而准确地修复故障，提高分布式配电网络的稳定运行。

配电网络的安全稳定运行对电力用户非常重要，针对分布式电源配电网络的故障诊断研究，国内外专家学者都取得了很大的研究成果。其中，文献[6]对智能配电网络构建了可靠性分析模型，优化配置了故障探测器和开关器件，利用RBTS测试系统对配电网络的故障进行规划、测试以及标定相关参数；文献[7]以数据驱动型配电网络为研究对象，设计了一个监控与数据采集(SCADA)系统采集故障诊断的数据，自动识别相关性并根据特定事件前后发生的SCADA事件建立预测诊断模型，以此来提取配电网络的故障特征和提高配电网络故障诊断效率；文献[8]中分析了某一特定地区的配电网运行情况，搭建了基于神经网络算法的故障诊断系统模型，对配电网故障检测终端的模拟量采集模块系统、数据传输的开关量输入输出模块系统和人机接口系统进行优化设计，提高整个系统的故障诊断精确度；文献[9]提出了一种改进矩阵算法从而实现对含分布式发电配电网的故障定位，针对矩阵算法定位故障区段，利用该故障定位方法来防止故障信息的畸变，减少故障诊断的误判，从而提高故障诊断的精确度；文献[10]通过希尔伯特—黄变换(HHT)带通滤波算法对故障波形进行等频宽分解，构造时频矩阵，然后将时频矩阵SVD得到的部分有效奇异值作为特征量，输入到多级SVM进行训练和分类识别，最后在PSCAD/EMTDC软件对算法进行测试，结果表明采用的算法对系统设定的故障监测项具有很高的识别率。本文在分布式电源配电网络故障定位拓扑结构的基础上，采用粒子群寻优算法对故障进行诊断，并在Matlab上构建了该优化算法的诊断模型，仿真结果表明采用的优化算法提升了配电网的故障诊断精确率。

1 故障定位拓扑结构

分布式电源配电网络具有非常复杂的系统功能，这些功能需要各个子系统协调运行，而各个子系统间的数据信息交互异常庞大。为了定位故障发生时整个配电网络的信息集群特征，需要对配电网络的信息进行采集，这些信息包括电网设备运行信息、空间信息、用户信息、配电网络辅助系统运行日志、设备实时运行信息以及系统间的拓扑信息。这些信息有的通过传感器采集、专门的测控设备、遥感设备以及系统总线信息记录设备等，在采集信息后需要对数据进行优化处理，传统的配电网络信息处理大都采用相模变换、小波变换以及频谱分析方法[11-12]。

针对在信息采集和信息处理过程中出现的信号数据丢失或失真带来的诊断定位不准确问题，采用分时分区的采集方法以及重构分布式电源配电网络的故障定位拓扑结构。对在连续监测的过程中，对输入连续性频域信号进行傅里叶变换[13]，如式(1)所示。

(1)

分布式电源配电网络的数据传输量非常大，对数据信息需要具有一定的覆盖度，并不是所有的数据信息都是诊断故障定位需要的数据信息，但是对于电网信息的采集和优化处理需要具备一定的覆盖度。配电网络故障定位系统将具有期望覆盖度的信号进行诊断，然后根据故障判据确定分布式电源配电网络发生的故障。在对故障进行确认时，将故障进行分类，确定发生的故障类型，进而可以通过诊断算法来确定故障诊断监测项。故障诊断监测项的确认仍是一个非常复杂的过程，需要设定故障触发的阈值和故障确认的时间、达到故障信号滤波时间，待故障监测结果稳定后，用高精度故障定位方法找到故障发生时所处区段，可进一步缩小故障监测发生的位置，如对故障监测发生的位置加入算法优化，结合精度更高的滤波算法处理，可找到实际的故障发生的位置。信号覆盖度和分布式电源配电网络的故障定位拓扑结构如图1、图2所示。

图1 故障定位信号覆盖度Fig.1 Fault location signal coverage

2 多目标优化算法

粒子群算法是1995年由Kennedy 和 Eberhart开发的一种优化算法，其本质是一种粒子在群体中智能寻优的计算方法[14-15]。对于具有自身飞行经验的粒子，能够获取其当前所处的位置信息和历史最优位置信息，而当其形成粒子群具有共享飞行经验时，就可以获取整个群体的历史最优位置，这一历史最优位置是从具有自身飞行经验的单独粒子历史最优位置求解最优值计算出来的。

图2 分布式电源配电网络的故障定位拓扑结构Fig.2 Fault location topology of distributed generation distribution network

当记录了整个粒子群的历史最优位置信息时，可以将其与群体中单个粒子的位置作差，通过调整这一差值来获取当前粒子在群体运动中的最优值；为了在群体中得到最大化的最优解空间，避免粒子在解空间搜索准确率下降以及限制在边界条件区域无法进行全局的寻优，可以设计粒子位置调节器和随机发生器。

定义D维空间中具有N个粒子，粒子位置xi=(xi1，xi2，…，xiD)，i=1，2，3，…，n，粒子速度为vi=(vi1，vi2，…，viD)，粒子当前最优位置表示为pi=(pi1，pi2，…，piD)，将历史最优位置定义为pg=(pg1，pg2，…，pgD)，由此，可以利用数学描述将粒子群寻优算法表达如下[16]：

(2)

非线性支持向量机可以通过非线性变换将输入转化成高维空间变量，在变换空间求解最优值，对变换空间的边界条件会有限制，为了打破这层限制，构建目标函数，利用拉格朗日方程在Hilbert高维空间中求解，构建非线性支持向量机的目标函数[17]如下所示。

(3)

可以通过上述公式定义支持向量机的多项式核函数，构建的m阶多项式核函数见式(4)。

K(x，xi)=[(x，xi)+1]m

(4)

基于上述理论支承，粒子群算法在求解过程中，需要初始化，获取至少一组粒子的速度和位置初始信息，利用设定好的适应度函数评价方法求解适应度，从而更新粒子的历史最优位置以及群体的最优位置，而后可以利用循环迭代，判别是否在全局解空间上达到最优，最后获取最优参数，粒子群算法流程如图3所示。

图3 粒子群算法优化流程Fig.3 Particle swarm optimization process

3 故障检测算法优化设计

分布式电源配电网络的故障诊断模型的建立需要明确输入信息和输出信息，为了保证输入信息在信号采集和处理阶段不失真和不丢失，采用了分区分时的分布式拓扑结构。将电网信息进行分类处理，对于三相电路故障[18]输入信息、单相电路故障输入信息以及节点的功能性故障(比如，风机结构性功能损失、配电网反馈超时、信息调度延时等)，需要对输入信息进行优化处理，频域信号需要傅里叶变换，其他的信号需要做卡尔曼滤波处理，形成信息集群后，提取特征变量值，利用Matlab的粒子群算法工具箱[19]，将相关的参数匹配好，在设定的仿真时间内进行故障诊断的寻优任务。

本文在诊断算法模型中增加诊断使能条件的判别，由于信息集群的数据采集有通过传感器进行采集的，如果传感器存在故障，例如信号短电源、短地或开路、传感器超出量程范围故障，都会导致诊断结果出现偏差，利用诊断使能模块设置相应的使能条件能够避免该问题。在构建诊断算法模型过程中，利用PID控制器对故障监测区域的故障因子进行反馈校正，当无法区分的故障监测信息输入后，可以通过添加故障确认模块，在故障确认模块对不同的单个故障监测设置不同的故障确认时间，具体的模型结构如图4所示。

图4 诊断算法模型结构Fig.4 Structure of diagnosis algorithm model

4 仿真结果分析

在Matlab仿真平台[20]构建了分布式电源配电网络的故障诊断模型，在粒子群算法工具箱中改进相关的参数设置，以使其匹配配电网络的信息，其中，算法迭代次数为200，粒子群2个参数序列的参数设置为C1=C2=1.567 34，C3=C4=1.273 31，将故障测试的故障类型标记为故障A、故障AB、故障B以及故障C，由支持向量机中选取的核函数，随机选取15个粒子进行故障模型算法的仿真测试，仿真结果如图5—图8所示。

图5 配电网信息因子分布Fig.5 Distribution network information factor distribution

图6 粒子最优适应度Fig.6 Particle optimal fitness

图7 粒子寻优增速率Fig.7 Growth rate of particle optimization

图8 故障区间Fig.8 Fault interval

电网信息因子分布如图5所示。由图5中分布可知，当电网信息能够得到优化处理时，电网信息故障因子分布区域变大，电网信息采集优化阶段的覆盖度误差才能变小。

2个不同算法参数序列设置值的粒子最优适应度如图6所示。从图6中明显看到，随着迭代次数的不断增加，粒子最优适应度也越来越大，最优的粒子适应度为0.98，表明Pso算法优化得到的最优值接近了函数的实际最优值，寻优能力非常强。

粒子寻优增速率结果如图7所示。随机选取了15个粒子进行训练，优化后的粒子寻优速率提高了不少。

故障区间监测的结果如图8所示。利用故障定位算法确定了故障A、故障AB、故障B以及故障C，在故障确认时间段内配电网络的动作值能够真实地反映出故障诊断的精确性。

5 总结

分布式电源配电网络的电网信息交互日益复杂。针对故障诊断信息在采集和优化处理阶段存在失真和丢失问题，本文采取分时分区的分布式电源故障定位拓扑结构，结合支持向量机的粒子群优化算法，对分布式电源配电网络故障在诊断进行寻优，最后在Matlab/Simulink平台构建了分布式电源配电网络的故障诊断模型。通过仿真分析，验证了所采用的支持向量机的粒子群优化算法能够提高配电网络的故障诊断准确率，整个故障诊断系统未出现超调现象。

参考文献(References)：

[1] 杨磊，陈锴，熊奇，等.基于信息畸变修正和粒子群算法融合的配电网故障定位[J].电力学报，2019，34(3)：229-234.

Yang Lei，Chen Kai，Xiong Qi，et al.Distribution network fault location based on information distortion correction and PSO[J].Journal of Electric Power，2019，34(3)：229-234.

[2] 陈磊，詹跃东，田庆生.基于人工鱼群算法的配电网故障定位[J].电子测量技术，2018，41(23)：1-5.

Chen Lei，Zhan Yuedong，Tian Qingsheng.Fault location of distribution network based on artificial fish swarm algorithm[J].Electronic Measurement Technology，2018，41(23)：1-5.

[3] 张玉凤，陈松立，吉高卿.含有逆变器的微网保护方法的研究[J].高压电器，2016，52(3)：161-164.

Zhang Yufeng，Chen Songli，Ji Gaoqing.Study on protection method of micro-grid with inverter[J].High Voltage Apparatus，2016，52(3)：161-164.

[4] R.Rajaram，K.Sathish Kumar，N.Rajasekar.Power system reconfiguration in a radial distribution network for reducing losses and to improve voltage profile using modified plant growth simulation algorithm with distributed generation(DG)[J].Energy Reports，2015，10(1)：116-122.

[5] Partha Kayal，C.K.Chanda.Optimal mix of solar and wind distributed generations considering performance improvement of electrical distribution network[J].Renewable Energy，2015，3(75)：173-186.

[6] Heidari M，Sepehry M，Aravinthan V.Fault detector and switch placement in cyber-enabled power distribution network[J].IEEE Transactions on Smart Grid，2018：1-1.

[7] Renga D，Apiletti D，Giordano D，et al.Data-driven exploratory models of an electric distribution network for fault prediction and diagnosis[J].Computing，2020，102(5)：1199-1211.

[8] 郭帅.基于广义神经网络的配电网故障诊断系统研究与应用[D].天津：天津大学，2018.

[9] 刘煜，王俊江，焦青，等.含分布式电源的配电网故障定位改进矩阵算法[J].科学技术与工程，2019，19(34)：186-190.

Liu Yu，Wang Junjiang，Jiao Qing，et al.An improved matrix algorithm for fault location of distribution networks with distributed generation[J].Science Technology and Engineering，2019，19(34)：186-190.

[10] 高伟，陈伟凡，杨耿杰，等.基于奇异值分解和多级支持向量机的配电网故障类型识别[J].电子测量与仪器学报，2018，32(2)：62-71.

Gao Wei，Chen Weifan，Yang Gengjie，et al.Fault type identification for distribution network based on singular value decomposition and multi-level support vector machine[J].Journal of Electronic Measurement and Instrumentation，2018，32(2)：62-71.

[11] 张涛，史苏怡，徐雪琴.基于二进制量子粒子群算法的含分布式电源配电网重构[J].电力系统保护与控制，2016，44(4)：22-28.

Zhang Tao，Shi Suyi，Xu Xueqin.Distribution network reconfiguration with distributed generation based on improved quantum binary particle swarm optimization[J].Power System Protection and Control，2016，44(4)：22-28.

[12] 黄弘扬，黄晓明，楼伯良，等.一种多源异构配电网实时调度优化模型的研究[J].能源与环保，2018，40(1)：153-157.

Huang Hongyang，Huang Xiaoming，Lou Boliang，et al.Study on a real time scheduling optimization model for multi-source heterogeneous distribution network[J].China Energy and Environmental Protection，2018，40(1)：153-157.

[13] 刘畅，张丕状，姚金杰，等.基于FFT+FT的FMCW雷达高精度测距算法研究[J].国外电子测量技术，2019，38(10)：65-69.

Liu Chang，Zhang Pizhuang，Yao Jinjie，et al.High precision ranging algorithm of FMCW radar based on FFT+FT[J].Foreign Electronic Measurement Technology，2019，38(10)：65-69.

[14] 刘荣，童亮，许永红.基于pso_FSVM的车用动力电池温度预测模型研究[J].现代电子技术，2018，41(12)：24-27.

Liu Rong，Tong Liang，Xu Yonghong.Research on temperature prediction model of vehicle power battery based on pso_FSVM[J].Modern Electronics Technique，2018，41(12)：24-27.

[15] 薛兴祖.基于粒子群—拉格朗日支持向量机方法的地下厂房变形预测分析[J].能源与环保，2018，40(3)：10-18.

Xue Xingzu.Analysis on deformation prediction of underground power house based on PSO-Lagrangian support vector regression[J].China Energy and Environmental Protection，2018，40(3)：10-18.

[16] 赵新超，刘国莅，刘虎球，等.基于非均匀变异和多阶段扰动的粒子群优化算法[J].计算机学报，2014，37(9)：2058-2070.

Zhao Xinchao，Liu Guoli，Liu Huqiu，et al.Particle swarm optimization algorithm based on non-uniform mutation and multi-stage disturbance[J].Chinese Journal of Computers，2014，37(9)：2058-2070.

[17] M.Dastmalchi，G.A.Sheikhzadeh，A.Arefmanesh.Optimization of micro-finned tubes in double pipe heat exchangers using particle swarm algorithm[J].Applied Thermal Engineering，2017，5(119)：1-9.

[18] 关龙，刘志刚，何士玉，等.离散二进制粒子群算法在基于模型配电网故障诊断中的应用[J].电力自动化设备，2013，33(9)：89-93.

Guan Long，Liu Zhigang，He Shiyu，et al.Application of BPSO algorithm in model-based fault diagnosis of distribution network[J].Electric Power Automation Equipment，2013，33(9)：89-93.

[19] 徐鹏飞，邢仁周.粒子群优化算法含分布式电源配电网故障定位[J].电源技术，2018(4)：124-133.

Xu Pengfei，Xing Renzhou.Fault location of distribution network with distributed power supply by particle swarm optimization algorithm[J].Chinese Journal of Power Sources，2018(4)：124-133.

[20] Yalin Huang，Lennart Sder.Evaluation of economic regulation in distribution systems with distributed generation[J].Energy，2017，5(126)：192-201.