大气环境下高压电网输电线路故障识别方法

高森

（国网山东省电力公司检修公司，济南 250118）

引言

电力系统是目前国家的能源以及经济命脉，随着我国社会水平的不断提升，为用户提供安全稳定的供电环境成为当前社会发展的迫切需求[1,2]。由于当前各种高压输电线路分布范围十分广泛，途径各种错综复杂的地形，经常发生各种类型的故障且无任何明显的痕迹[3]，为故障识别带来了很大的难度。为此，需要对高压电网输电线路故障进行检测进行深入研究。国内外相关专家针对此方面的内容进行了大量的研究，例如李斌等人[4]在研究的过程中引入健全相电压向量作为极化电压，将极化电压作为判定电力系统是否发生的依据，进而实现故障识别。程宏波等人[5]通过时域的差值方根描述故障后电量的畸变程度，利用熵权法对不同的指标特征进行融合，通过融合向量完成故障识别。虽然上述两种方法能够最大程度降低故障阻抗对测距结果产生的影响，但是由于未能对信号进行去噪，导致无法精准识别各个类型的线路故障。为此，提出一种大气环境下高压电网输电线路故障识别方法。仿真实验结果表明，所提方法能够以较高的精度完成高压电网输电线路故障识别。

1 方法

1.1 高压电网输电线路信号去噪

采用中值滤波对高压电网输电线路信号进行去噪处理，其中在一维信号中，主要含有脉冲噪声，采用中值录波器进行去噪能够获取良好的去噪效果[6]，同时整个方法操作简单且容易实现。

在任意时刻，设定窗口内的信号表示为yn-a,…,yn,… ,yn+a，信号样本为yn。将yn按照从大到小的顺序排列，则对应的中值nY可以表示为：

提升小波不仅依赖于Fourier变换，还能够实现对正交小波的建立，对于高压电网输电信号具有较好的去噪效果，具体的操作步骤如下所示：

1）采用提升小波对实测高压电网输电信号yn进行去噪处理，经过初始分解获取的小波为(s j-n,dj-n,dj-n+1,… ,dj-1)。其中，sj-n代表信号的低频部分，而(d j-n,dj-n+1,… ,dj-1)则为信号的高频部分[7,8]。高压电网输电信号分解需要进行分裂和预测等相关操作，如图1所示。

图1 提升小波变换分解示意图

①分裂：

将初始信号划分为两个不存在关联的子集和，即基数序列和偶数序列。

②预测：

分析两个序列之间的相关性，通过其中一个预测能够实现另外一个序列的预测。

③分裂：

经过分裂之后所获取的子集和初始数据之间存在十分明显的差异，需要通过更新过程确保初始数据的整体特征。

2）采用小波系数对阈值λ进行处理。

3）采用提升小波完成初步处理的小波系数进行重构，去噪完成去噪的信号。

提升小波变换去噪过程中主要的操作环节即阈值选择，如果阈值的选择不理想，会造成最终的去噪结果不理想，同时信号也容易失真[9]。为了更好地解决上述问题，以下采用鸡群优化算法寻找最优阈值λ。

公鸡的位置更新[10]式如下所示：

式中：

Yi,j—第i只公鸡在第j维时的取值；

randn( 0,σ2)—平均取值为0；

σ代表标准差；

fi—第只i公鸡的适应度值；

fr—随机选取除了第i只公鸡之外的公鸡。

母鸡的位置更新式为：

式中：

R1和R2—[0,1]之间的随机数；

C1和C2—影响因子。

小鸡的位置更新式为：

鸡群优化算法的具体操作步骤如下所示：

1）将算法中的各个参数进行初始化处理，设定鸡群的规模以及运动空间等信息，分别计算鸡群的初始适应度，同时更新个体的最优位置。

2）判断算法是否满足鸡群更新条件，假设满足，则更新鸡群等级，同时更新鸡种的位置；反之，直接更新鸡种位置，同时计算不同的适应度值，获取最优位置。

3）当完成上述操作步骤后，如果达到收敛的停止条件，则输出最优值；反之，则返回至步骤2）重新进行上述操作。

4）通过上述操作步骤能够获取最优小波阈值，设定适应度取值最小的个体为最优个体。

1.2 大气环境下高压电网输电线路故障识别

大气环境下高压电网输电线路故障识别是当前研究的热点话题。在识别到故障后[11,12]，通过HHT对故障发生一个周期内的零序电压信号0V和有序电流信号I0进行分析，具体的故障初步分类步骤如图2所示。

图2 高压电网输电线路故障初步分类流程图

根据故障类型的初步分类，当确定线路故障为低阻故障时，针对故障电压和数据进行分析处理，判定故障的类型以及相别。采用HHT对故障后一个周期内的三相电压Vabc={Va,Vb,Vc}和三相电流信号Iabc={Ia,I b,Ic}进行处理，获取信号对应的Hilbert谱。由于Hilbert谱中含有各个类型的暂态信息，进行故障信息提取。通过IMF1和IMF2的瞬时幅值组建故障特征向量，同时采用PCA方法针对不同的特征向量进行降维得到对应的主成分[13]。将主成分设定为LS-SVM分类器的输入，以完成高精度的故障分类，具体如图3所示。

图3 高压电网输电线路故障分类流程图

由于高压电网输电线路发生故障时会产生丰富的暂态分量，HHT是专家提出一种全新的非线性分析，主要用于模态向量的划分和Hilbert变换，进而获取信号的时频谱图，能够精准描述信号的原始特征，分辨率更高一些。在检测突变信号的过程中，采用HHT方法组建配电线路故障特征向量。

高压电网输电线路故障信号即非平稳信号，在非平稳信号中提取特征信息是进行故障检测的关键。由于高频分量能够清晰描述信号的变化规律。所以，采用EMD进行IMF分量分解，其中在后面的信号发生突变的概率明显较低一些。通常情况下，选取1~2个IMF分量即能够提取原始故障信息。

PCA是一个十分典型的统计学分析方法，主要操作步骤如下：

1）组建原始信息矩阵：

原始数据信息矩阵为：

2）对原始数据进行标准化处理，同时在前期还需要对全部数据进行标准化处理，将指标统一转换到区间(0,1)内，结合标准化完成计算：

对公式（6）进行标准化处理，则能够获取以下的矩阵：

3）组建相关矩阵：

4）计算R对应的特征值和向量。

5）确定主成分数量，计算累积方差贡献率。

6）通过累积方差贡献率确定主成分数量，其中N个主成分组建的矩阵能够表示为：

在上述分析的基础上，以下采用PCA方法对提取到的不同特征向量分别进行降维操作，则有：

经过公式（10）进行降维处理之后，能够获取故障特征向量的主成分。进而采用最小二乘支持向量机针对不同类型的故障进行识别，具体操作流程如图4所示：

图4 基于最小二乘支持向量机的

1）训练阶段：

通过采集到的数据进行特征抽取以及降维等操作，获取训练样本集，同时选取合适的核函数进行模型训练。

2）故障识别阶段：

通过训练阶段的有关数据，计算获取测试样本的决策输出值，通过函数的输出值进行分类决策。

2 仿真实验

为了验证所提大气环境下高压电网输电线路故障识别方法的有效性，在Intel i3CPU，GTX1080Ti显卡，16GB内存下进行实验测试。

在不同的串补度下，分别采用三种不同的识别方法进行故障识别，其中f1、f2以及f3分别代表三条不同的谱线，具体的实验结果如表1~表3所示。

表1 不同串补度下所提方法的仿真结果

表3 不同串补度下文献[5]方法的仿真结果

表2 不同串补度下文献[4]方法的仿真结果

分析表1~表3中的实验数据可知，所提方法能够精准识别各个类型的故障，由于另外两种方法并没有对信号进行去噪处理，导致最终获取的识别结果并不理想。

3 结束语

针对传统故障识别方法存在的弊端，提出一种大气环境下高压电网输电线路故障识别方法。测试结果表明，所提方法能够精准识别不同类型的故障。虽然当前所提方法取得了一定的成果，但是仍有地方需要进行一步完善，后续将加强各个方面的研究，促使整个方法的综合得到加强。