特高压直流输电线路雷击故障辨识方法分析

冯裕山，王 纯

（国网内蒙古东部电力有限公司检修分公司，内蒙古 通辽028000）

0 引言

近几年的统计数据表明，自然灾害引起的特高压直流输电线路跳闸事故较多，其原因复杂且随机多变，进行准确的故障原因辨识有一定的难度。因此需要一种融合多信息源的原因辨识方法，以对各种故障原理及过程的理解为前提，对特定故障的特征进行挖掘分析，以此形成原因辨识的依据。其中故障特征包括电气量和非电气量两种，不同原因下的电气量特征存在着相似性，且区分度较小，仅依靠一种是无法准确识别的[1-10]。目前还没有一套完整的针对特高压直流输电线路故障原因辨识的方法，在输电线路发生故障后，无法为运行检修人员提供决策上的辅助。基于此，本文提出一种基于电气量和非电气量等多源信息融合的特高压直流输电线路故障原因辨识方法。

1 基于BP神经网络的雷电故障辨识原理

1.1 BP神经网络

BP神经网络包括输入层、隐含层、输出层，每一层有多个神经元，同一层神经元之间没有连接，各层神经元之间的联系用权值表示。根据实际需求，建立BP神经网络的基本结构，如图1所示。BP神经网络可以在输入量与预测值之间的数学关系模型未知的情况下，通过样本对神经网络进行学习和训练，反映输入量与输出值之间的非线性关系。辨识算法采用三层BP神经网络结构，输入层节点数为31，隐含层通过最小误差法选取。输出层节点数为2。隐含层和输出层的激活函数均采用Log⁃Sigmoid型函数，可以将输出控制在0~1之内。

图1 神经网络模型

1.2 故障原因辨识的BP算法模型

BP神经网络的雷电故障辨识原理为：当故障发生时，从气象系统、雷电定位系统、保信系统及录波数据中提取相关的电气与非电气特征量，输入雷击辨识模型中，计算得出故障原因的发生概率，根据故障概率输出关联度最大的故障原因。非电气特征量包括天气、时段、季节及温度、湿度、风速等，电气特征量包括过渡电阻、故障电流和故障电压等。BP神经网络的训练方法是：先从故障数据中提取故障特征，并将其作为BP神经网络的输入，已知的故障原因作为目标值。通过大量故障数据对BP神经网络进行训练，建立故障特征与故障原因之间的非线性映射。然后对训练后的神经网络进行测试，从检验样本的数据中获取故障特征作为BP神经网络的输入，BP神经网络的输出即该样本对应的故障原因[8-11]。

1.3 基于自学习的神经网络框架

故障发生后，使用经历史故障数据训练后的BP神经网络对故障原因进行识别。故障原因辨识结束后，将实际的故障原因与模型识别结果进行对比，通过对比结果来判断是否要修改神经网络训练库。如果实际故障原因与判别结果有差异，则通过反向传播将这次故障的实际原因加入神经网络的训练样本，并重新进行训练，得到修正后的BP神经网络模型，从而实现自学习，使故障原因辨识更准确。如果辨识结果与实际故障原因没有差异，则不需要修改样本，而是记录这一故障，然后每隔一定的时间对样本数据进行更新，以达到更为精确的故障原因辨识[12-14]。神经网络训练自学习过程见图2。

图2 神经网络自学习流程

2 雷击故障仿真特征量分析

2.1 电气特征量

本文雷击故障主要讨论反击和绕击。雷击故障的接地通道是电弧和杆塔，因此过渡电阻包括电弧电阻和杆塔电阻。电弧在稳定燃烧时相当于导线，其电阻很小；特高压直流输电线路的杆塔接地电阻一般为10 Ω左右，因此雷击故障的过渡电阻阻值较低。

2.2 非电气特征量

2.2.1 天气条件

雷击是输电线路发生雷击故障的前提，只有在雷电多发的天气条件下雷击故障才可能发生。

2.2.2 时段性和季节性

由气象数据可知，近几年的雷暴次数明显增加，雷暴多发生在下午或傍晚。春夏季节由于容易形成强烈对流，因此多雷雨天气，雷电活动强于其他季节。

2.2.3 地形特征

山区海拔高，热力状况差异较大，容易产生强对流，从而雷雨天气较多，易发生雷击故障。山区土壤与其他地形的土壤相比电阻较大，当雷击杆塔或线路时产生的电压差较大，更容易造成击穿，导致雷击故障。

2.2.4 雷电活动频率

雷暴日可表征当地雷电活动的频繁程度。评价一个地区雷电活动的多少，通常以该地区多年统计得到的平均出现雷暴的天数或小时数作为指标。

3 雷击故障辨识模型的建立

扎鲁特—青州±800 kV特高压直流工程起于内蒙古自治区通辽市扎鲁特换流站，止于山东省潍坊市青州换流站，途经内蒙古、河北、天津、山东4省，额定电压为±800 kV，额定电流为6.25 kA，输送的额定功率为10 000 MW。

在直流输电线路上距整流侧300 km处设置雷击故障，此故障情况下，过渡电阻一般为150 Ω左右。根据故障类型最为相关的内外因特征进行辨别，建立故障判别模型的输入参数特征，主要包括天气、季节、时段、地形、温度、湿度、风力、历史故障次数、雷暴日、过渡电阻均值、过渡电阻、故障电压幅值、故障电流幅值、电压波及电流波幅频特性，将其分为两类，即电气特征量和非电气特征量。

3.1 电气特征量的输入模型

根据电气故障特征构造电气特征量的输入，如表1所示。

表1 电气特征量输入1）

从故障相关信息中提取故障特征与故障原因类型，作为神经网络的输入向量和目标向量，即可形成一个样本。

3.2 非电气量特征输入模型

3.2.1 天气条件

将天气条件设定为五种情况，分别为：晴天、阴天、雨雾（小雨）、雷雨、大雨。用一个5位二进制数来表示这5个特征量。

晴天：[1 0 0 0 0]，

阴天：[0 1 0 0 0]，

小雨：[0 0 1 0 0]，

雷雨：[0 0 0 1 0]，

大雨：[0 0 0 0 1]。

3.2.2 时段

用一个4位二进制数构成的向量来表示清晨（04：00—08：00）、白天（09：00—17：00）、傍晚（18：00—21：00）、午夜（22：00—03：00）4个特征量。

清晨：[1 0 0 0]，

白天：[0 1 0 0]，

傍晚：[0 0 1 0]，

午夜：[0 0 0 1]。

3.2.3 季节

用一个4位二进制数构成的向量来表示春、夏、秋、冬4个特征量。

春天：[1 0 0 0]，

夏天：[0 1 0 0]，

秋天：[0 0 1 0]，

冬天：[0 0 0 1]。

3.2.4 地形特征

将地形特征划分为平原、丘陵、山区三种类型，用一个3位二进制数构成的向量表示这三个特征量。

平原：[1 0 0]，

丘陵：[0 1 0]，

山区：[0 0 1]。

3.2.5 雷电活动频率

经查阅相关资料可知，雷暴日在15以下的地区为少雷区，超过40为多雷区，超过90为特殊强雷区。用一个3位二进制数构成的向量表示这3个特征量。

少雷区：[1 0 0]，

多雷区：[0 1 0]，

强雷区：[0 0 1]。

4 仿真及结果分析

本文以雷击故障为例展示故障原因辨识算法。故障电气特征量通过仿真获取，非电气特征量结合雷电等气象灾害的环境条件和扎鲁特—青州直流线路所经区域的历史气象数据生成，结果如表2所示。

表2 故障非电气特征量样本示例

进行故障原因辨识时，首先要对神经网络进行训练，样本分为训练样本和检验样本两部分，利用训练样本训练神经网络，然后由检验样本检验。神经网络训练时要输入故障特征及期望输出，通过不断迭代建立故障特征与故障原因的联系。期望输出矩阵的每一列为每一个训练样本的故障原因。期望输出矩阵中1表示雷击，0表示非雷击。由此建立了神经网络训练样本的输入样本数据与目标数据间的对应关系。

4.1 故障信息

在雷击故障情况下，极Ⅰ、极Ⅱ直流电压、直流电流等电气特征量见图3—图5。

图4 极Ⅰ的直流电流波形图

图5 极Ⅱ的直流电流波形图

进一步提取的电气特征量如表3所示，天气、季节等非电气特征量统计如表4所示。

表3 进一步提取的故障电气特征量统计

表4 故障非电气特征量信息统计

4.2 故障原因辨识

结合故障电气特征量和非电气特征量，采用BP神经网络方法对故障原因进行辨识，将辨识结果与所设置故障作比较，以此来确定此算法的准确性。首先，提取故障雷击的相关数据，建立雷击故障样本。将故障样本作为BP神经网络的输入矩阵得到期望输出矩阵，这样就建立了神经网络训练的输入样本数据与目标数据间的相互对应关系。训练后便可以得到满足误差的神经网络。

为了检验神经网络的训练效果，取检验样本进行检验。取10个检验样本，样本1—5为雷击故障样本，样本6—10为非雷击故障样本（随机干扰项），以检验是否能够区分雷击故障。检测结果显示，对于训练好的神经网络，对检验样本中的雷击故障能很好地辨识出来，对于干扰项也能区分出来，说明此方法用于识别雷击故障是准确的。

5 结束语

特高压直流输电线路输送容量较大，一旦出现永久故障或短时间内无法查出故障原因，将会降低直流输电系统的能量可用率。本文针对特高压直流线路故障特征的辨识研究有助于提升直流输电系统的能量利用率，促进特高压直流输电更好地服务于社会经济发展。