基于能量比与FLS的UHVDC输电线路故障处理方法*

汪 玉 汤汉松 李远松 汪勋婷 何开元 张 峰

(1. 国网安徽省电力有限公司电力科学研究院 合肥 230061；2. 江苏凌创电气自动化股份有限公司 镇江 212009)

1 引言

相较于传统交流电网，特高压直流(Ultra-high voltage direct current，UHVDC)传输系统具有传输效率高、线路损耗低，有利于大容量功率长距离输送及分布式电源接入的优势[1]。UHVDC 传输系统中的功率流不依赖于电源之间的相位角。因此，当功率快速变化时，UHVDC 依然可以保持网络稳定。但直流系统发生故障时，故障电流上升速度快，电力电子器件承受过电流能力低，因此电网的保护性能有待提高[2]。例如在故障检测、故障定位和故障分类方面都还有较大的提升空间[3-4]。

现有研究也提出了一些故障识别与分类方法，在一定程度上提升了UHVDC 系统的稳定性。文献[5]提出了一种基于小波变换的直流系统故障识别方法，但该方法需要高采样率的数据支撑，对传感器和算力有较高要求，不便于推广应用。文献[6]提出了一种基于支持向量机的高压直流输电线路故障检测、分类和位置估计方法，但是需要大量的数据进行训练，需要更多的内存，使用复杂的算法，并且不识别故障部分。文献[7]提出了一种基于行波的高压直流输电线路保护方案，但是不能检测到超过200 Ω 的高故障电阻，需要两端的信号。文献[8]提出了一种非单位类型的UHVDC 系统保护，其故障清除时间在0.1～2.0 ms 之间，但其仍需要非常高的采样频率，难以大规模推广应用。

针对以上不足，提出了基于能量比优化与模糊逻辑的UHVDC 输电线路故障区段识别与分类方法。该方法对交流和直流两段故障进行检测，其中直流部分覆盖了从整流侧到逆变侧的故障，并且可识别与区分内部故障和外部故障。与现有方法相比，所提方法的主要创新点总结如下。

(1) 仅使用单端信号易造成保护误动，因此在整流器两端各设置一组继电器进行故障检测，可提高故障检测的准确率。

(2) 为避免UHVDC 输电线路对故障暂态高频分量衰减作用造成的误动，利用全电流代替低频分量优化故障信号的能量比，并将故障区段能量比变化特性用于故障特征提取，简化了直流线路故障信息处理过程。

(3) 现有的故障区段识别方法范围广，因此所提方法提出了三个模糊逻辑系统(Fuzzy logic system，FLS)模块以分别实现交直流段的故障检测、故障区段的识别以及故障极点的识别与分类，减少故障检测耗时，提高检测准确率。

2 UHVDC 输电线路故障分析

由于UHVDC 输电线路常年暴露于空气中，可能会出现不同类型的故障。所提方法基于1 200 MW 900 km 长的±800 kV 双极直流输电线路，如图1 所示。每极0.5 H 的两个平滑电抗器用于平滑直流电流中的波纹，并承受1 800 A 的连续电流，在AC截面滤波器中，用于抑制两个截面中的电流谐波[9]。A 和B 处放置的两个继电器分别用于检测极1 和极2 的内部电极故障e1 和e2。而故障e3 和e4 分别出现在整流端和逆变端，是内部故障，整流器交流侧故障e5 和逆变器交流侧故障e6、e7 为外部故障。继电器位于整流器端，用于识别故障部分。在图1 中，串联电桥在换流站的两极具有相同的触发角延迟。逆变器端电压Vdcj根据消光角定义，可表示为[10]

图1 UHVDC 输电线路图

式中，Z是阻抗；Vdcr是整流器平均直流电压。

判断为区外故障后，保护直接复归；而判断为区内故障后，为确保故障极可靠动作，非故障极正常运行，正极和负极故障判据分别如式(4)和式(5)所示

式中，E1n、E2n分别为正、负极相应能量。M1大于1 时，判断为发生本线路正极故障；M2大于1时，判断为发生本线路负极故障；当两者同时大于1 时，本线路正负极均发生故障，各线路保护各自动作，互不影响。

3 基于能量比优化与FLS 的UHVDC输电线路处理方法

所提方法利用能量比优化和FLS 检测故障，识别故障区段，并对故障进行分类，故障识别分类流程如图2 所示。

图2 所提方法流程图

对图1 所示的系统进行了仿真，并从整流侧获取电流信号，将所得信号利用能量比优化进行故障特征提取，获得数据特征后作为FLS 的输入。当UHVDC 输电线路发生故障时，电压幅值会减小，而电流幅值增大，能量比也会发生变化，利用这一特性可识别线路故障[11]。但该特性随着系统运行条件的变化而变化，且有明显的区域性。

模糊控制器可用于分析模拟输入值的逻辑变量，采取连续值。在继电保护故障检测、故障区段识别和故障极点识别中，需要三个模糊控制器来完成三种不同的任务，因此设计了三个FLS。其中FLS-1 用于直流和交流段的故障检测，FLS-2 用于区分直流段的故障和交流段的故障，FLS-3 用于故障极点的分类[12]。

3.1 信号特征提取

发生故障时，暂态电流信号高频分量会有明显的衰减。基于此特性，利用小波变换对暂态电流中的高频分量进行多尺度变换，得到在移动时间窗内的高频能量比，从而获得电流信号的特征[13]。

由于传统小波变换能量比算法中，选取低频能量值的不确定性且过程复杂，因此采用全电流代替低频分量。结合直流线路故障分析，均方根电流沿时间轴上的积分iP为

式中，W(k)为由高频滤波器滤得的暂态电流高频段小波变换系数。

从电路整流侧的两极获得直流电流信号，将电流信号的能量比率作为模糊方法的输入。其中比例系数kk值的选取过程简单，最适合本系统的取值为0.2。该故障信息提取过程避免了小波变换方式过程中的尺度选择、基函数选择等过程，并且基于均方根电流提取故障信息方式更逼近于故障真实特征，提高了保护灵敏性[14]。

3.2 故障区段识别与分类

FLS-1 用于故障监测，其以处理后的直流电流信号为输入，模糊控制器采用Mamdani 型，解模糊方法采用质心法[15]。通过试错法将处理后的电流设定在不同的范围内，设计了低、中、高三种电流能量比范围的三角隶属函数，用于故障检测的电流信号的隶属度函数如图3 所示。

图3 故障检测电流信号的隶属度函数

输出隶属度函数分为两种：T(1)和TO(0)，其中T(1)表示跳闸，TO(0)表示不跳闸。则用于故障检测的模糊规则：如果输入M为MMID 和MHIGH，则跳闸为T(1)；如果输入M为MLOW，则跳闸为TO(0)。

FLS-2 用于故障区段识别。将经过有效值处理的直流电流信号作为FLS-2 的输入，使用三角隶属度函数MLOW、MMID 和MHIGH 设置三个电流能量比范围[16]，如图4 所示。

图4 故障区段识别的三角隶属度函数

输出隶属函数分成三种：TE(1)用于外部故障，TR(1)用于内部故障，TO(0)用于无故障和跳闸。则识别故障区段的模糊规则为：如果两个输入M均为MHIGH，则跳闸为TE(1)；如果一个输入M为MMID，其他输入为MLOW，则跳闸为TO(0)；如果一个输入M为MLOW，而其他输入为MMID，则跳闸为TO(0)；如果一个输入M为MHIGH，其他输入为MMID 或MLOW，则跳闸为TR(1)；如果两个输入M均为MMID，则跳闸为TR(1)。

FLS-3 用于故障极点识别。将整流端的两极均方根输入电流作为FLS-3 的输入，采用三角隶属度函数，如图5 所示。

图5 故障极点识别的三角隶属度函数

输出隶属度函数分成两种：故障极点的TR(1)和非故障极点的TO(0)。则故障分类的模糊规则为：如果极点1 的输入M为MHIGH，而极点2 的输入M为MLOW，则极点1 的跳闸为TR(1)，极点2的跳闸为TO(0)；如果极点2 的输入M为MHIGH，而其他极点1 为MLOW，则极点2 的跳闸为TR(1)，极1 的跳闸为TO(0)；如果极点1 的输入M为MLOW，而极点2 的输入M为MLOW，则极点1和极点2 的跳闸均为TO(0)。

4 试验结果与分析

试验基于Intel Core i7-8500 CPU 2.7GHz 8G RAM Windows 系统进行，利用Matlab 平台搭建UHVDC 输电线路模型，对所提方法性能进行评估，包括故障电阻、功率角、故障距离分析、故障识别时间、对地故障分析和故障识别准确率等方面，其中模拟的输电线路全长是1 200 km。

4.1 故障电阻分析

故障电阻是影响直流输电线路保护方案的重要因素之一。由于不同的故障情况，发生的接地故障可能存有不同的故障电阻值。当故障电阻变化时，电流信号的大小会发生变化，故障电流会随着故障电阻的增大而减小。因此故障电阻较小时对系统运行的影响越大，则所提方法仅在0～500 Ω 之间进行试验论证。

为验证所提方法的有效性和可行性，对故障电阻进行了分析，如图6 所示为在1 080 km 的P2G 故障区段，故障电阻500 Ω 的条件下的测试结果。图6a 显示了极点1 和极点2 的电流信号；图6b 显示了故障区段识别的结果，其中直流部分“S1”的输出为高电平表明直流部分存在故障，交流部分“S2”的输出为低电平表明没有交流故障。

图6 P2G 故障区段中故障电阻为500 Ω 的测试结果

所提方法中可变电阻的部分测试结果如表1 所示。由表1 可看出，所提方法可以正确识别出可变电阻的故障部分，并且不受故障电阻变化的影响。

表1 故障电阻测试结果

4.2 功率角测试结果

在整流器侧不同功率角(5°～15°)下对所提方法进行测试，部分测试结果如图7 所示。结果表明，负载角或电源角保持在5°～15°，可确保电源系统的稳定性，整流器侧不同功率角下的识别时间均在7～8.5 ms。从图7 中可以看出输出为“-1”，则表示故障在交流部分，由此可推断出所提方法能够正确地识别出故障区域，而不受功率角的影响。

图7 功率角的测试结果

4.3 故障距离测试结果

传统的故障检测方法不能准确地检测远端和近端故障。而所提方法在1 087～1 091 km 间进行了远端故障的测试，在近端2～4 km 间进行故障测试，测试结果如表2 所示。

表2 远端和近端故障

从表2 可看出，所提方法能够正确识别远端故障区段和近端故障区段，并且在5 km 以内的近端故障条件下，故障剖面识别均在3.7 ms 以内，即使在远距离故障(1 000 km 以上)的条件下，故障断面识别时间依然较短。

4.4 对地故障分析

对地故障包括整流器侧和逆变器侧的对地故障。由于线路接地或短路，直流侧整流器端附近出现故障电路，此故障被认为是内部故障。并且传统的行波保护或边界保护方案无法识别逆变侧故障，而所提方法能够正确识别逆变器侧的对地故障。对地故障的测试结果如图8 所示。

图8a 为极点1 和极点2 的电流。由于逆变器的线路接地故障，极点1 的电流信号上升，能量比也会上升。由于故障发生在直流部分，S1 部分的区段识别输出较高，S2 部分较低，如图8b 所示，由此可准确识别出对地故障类型。

图8 对地故障的测试结果

此外，在故障最坏的情况下，变压器中性点电流几乎为零。考虑到UHVDC 输电线路的铁心不饱和，因此不出现直流偏置引起的异常情况。当变压器在20 km 处发生故障时，其中性点电流为零，整流端和逆变端的电阻为零。因此，所提方法不受变压器直流磁偏的影响。

4.5 与其他方法性能比较

为验证在相同环境下相关方法的性能，将所提方法与现有的文献[11]、文献[6]、文献[12]和文献[8]所提方法进行比较，在2～1 091 km 间进行故障测试并取平均值，对比结果如图9 所示。

图9 所提方法与其他方法性能对比

从图9 中可以看出，对于相同故障，文献[11]所需识别时间为33 ms，文献[12]与文献[8]分别为24 ms 和15 ms，文献[6]所需故障识别时间为14 ms，而本文方法为9 ms。因此可以看出，所提方法对于故障识别具有较强的时效性，能够在第一时间对故障进行判断和识别，保证故障恢复的顺利进行。

从图9 中可看出，所提方法在故障识别准确率上与文献[11]和文献[12]所提方法相同，均达到100%，能够在保证故障识别速度的同时兼顾故障识别准确率，具有较好的故障识别综合性能。因此，提出的基于能量比优化与FLS 的UHVDC 输电线路故障区段识别和分类方法具有一定的有效性和实用性。

5 结论

为实现UHVDC 输电线路故障区段的准确识别与分类，确保继电保护无误动作，提出了基于能量比优化与FLS 的UHVDC 输电线路故障区段识别与分类方法。

(1) 所提方法采用全电流代替低频分量优化电流信号的能量比，可避免故障暂态高频分量衰减作用造成的误动，并且设计了三个FLS 控制模块实现了在一个周期内识别出故障区段并分类，提高了故障检测的准确率，缩短了故障检测时间。

(2) 故障电阻的增加可能会抑制继电器对该故障的响应，但所提方法不受高故障电阻的影响。

(3) 现有大部分故障检测技术仍需要传输线两端的信号作为判定的基础，而所提方法着眼于减少内部故障继电器的数量，避免了跳闸延时。

由于高压直流接地电极在深层土壤中占据着巨大的空间，接地或土壤参数的影响是非常重要的，并且在暂态故障或故障条件下，接地电流的大小会增加，因此在接下来的工作中将针对直流输电接地方式作进一步的研究。此外，雷电干扰给电力系统带来了大量高频分量，这将直接影响继电保护故障判断过程，进行抗雷电干扰方面的研究也是必要的。