基于VPMCD的中性点经低阻接地风电场集电线路单相接地智能区段定位

朱永利， 彭 华， 胡智强

(1.华北电力大学 电气与电子工程学院，河北 保定 071003；2.浙江图盛输变电工程有限公司，浙江 温州 325000)

0 引 言

随着“碳达峰-碳中和”国家战略的推进，风电、光伏等高比例可再生能源在电网中的渗透率逐步提高。风电场为有效利用风资源、汇集风电机组的功率，大多建于自然环境条件恶劣的山脊或海岛，而集电线路作为该系统结构的薄弱点，最容易引发短路故障。故障严重的情况下，可造成风电场整体脱网，进而破坏系统的稳定性。此外，风电场内多风机电源接入，构成多分支、非线性网络，故障机理复杂致使物理建模十分困难[1]。因此，单相接地短路下实现风电场的有效定位，可促进风能这种清洁能源的替代，改善生态环境，而且对恢复风电系统的发电可靠外送、保障电网的安全供电具有实际意义。

风电场的随机性、非线性导致常规定位思路难以有效识别故障位置。现有的故障定位方法主要包括：行波法[2-7]、故障分析法[8-11]、组合法[12，13]、智能算法[14-17]等。行波法已成功应用于简单双端网络，而对于混合多端风机网络，则会存在时域波头标定失败的风险。文献[7]通过对故障信号进行插值处理以提高采样率，进而增加波头检测的精度，同时优化修正行波波速，实现了多分支输电线路故障距离的准确计算，但风电场的线路极短，应用该方案无法完成测距。故障分析法稳定性高，但故障机理复杂，易导致求解波动方程困难且耗时较长。文献[11]采用R-L模型构建线性方程组，并引入多项式插值和系数逆矩阵1范数量化估计的直流配电网单端测距方法，然而选择数据窗长较大时，将显著加大运行计算时间，性价比不高。组合法的本质是将两种及以上定位方法相结合进行优势互补、取长补短。文献[13]将矩阵算法和粒子群优化算法相结合，综合两者优点能够快速、高容错性定位不同配电网系统的故障区段。

人工智能技术可从多影响因素耦合作用下、复杂多变的故障波形数据中提炼出用于定位的精确信息，故智能算法在该研究领域中应用较多，前景广阔[15]。文献[16]采用Prony算法对暂态电压信号提取自然频率的主频和2倍频作为特征量，并基于遗传算法优化BP神经网络回归模型准确实现了直流输电系统的故障测距。文献[17]提出一种自适应CNN的33节点配电网故障线选择及双端故障点定位方法，通过改进模型的池化层来提高自动特征提取能力，性能优于深度置信网络，但深度学习算法的训练定位时间较长，并不能够满足实时性要求较高的配电网、风电场等实际应用场景。

本文在5 G智慧风电场建设的背景下，提出一种基于变量预测模型的类型判别(Variable Predictive Model Based Class Discriminate，VPMCD)的集电线路智能区段定位新方法。仿真分析了混合多端风机网络，并提取零序电流的基频分量作为风电故障的特征量，构建定位样本库。此外，针对每一区段类别，自动为各个特征值选择最优的变量预测模型(VPM)，以建立VPMCD故障定位器，其中误差平方和指标最小对应的类别即被识别为故障发生的区段。最后，通过算例仿真及同支持向量机(Support Vector Machine，SVM)对比分析验证了所提方法的快速性与精确性。

1 风电场网络结构

常见风电场属于典型的混合多端辐射网络，一般是由升压站、Z型接地变压器、集电线路和风电机组等主要电力设备组成，其网络拓扑电气结构如图1所示。

图1 风电场网络的拓扑图Fig. 1 Topological graph of wind farm network

由图1的网络拓扑可知，集电系统呈链形结构，采用电缆线同架空线混联的连接形式。多台风电机组均通过箱式变压器经一段较短的电缆线连接至集电线路，汇集风电系统的发电功率再由较短的电缆线接入主变压器的35 kV侧，之后经110 kV高压输电线路实现风功率可靠外送，并将其输入到电网系统侧。为确保风电系统的安全稳定运行，Z型接地变压器通常安装于主变压器低压侧35 kV母线上，由此可构成零序通路。

2 风电场故障特征提取

2.1 故障区段特性分析

信号处理技术是风电场特征提取的关键和前提，其好坏会直接影响故障定位的结果。FFT[18]作为一种高效频谱分析方法，不仅能够快速将时域转化为频域，而且可准确提取幅值分量，适于对风电场单相接地信号进行故障特征分析。

本文利用FFT算法提取的零序电流基频分量对故障区段进行特性分析。研究的风电场网络敷设有2条电缆线与架空线混合的集电线路，每条集电线路由相邻风电机组可总共划分为8个区段，1-16为区段编号，测量仪器则安装于区段的首端位置。在风电场集电线路1的不同区段上设置过渡电阻的阻值分别为0 Ω、25 Ω、50 Ω、75 Ω和100 Ω的A相接地短路，进行电磁暂态故障仿真。其中，因限于篇幅，以区段1-230 m经100 Ω过渡电阻发生A相接地故障为例进行相关展示，即测点1的零序电流波形数据及其各频率分量如图2所示。注：区段a-bm(表示区段a-距首端升压站35 kV母线的距离为bm，a为区段编号，b为距离长度，m为长度单位)

图2 测点1的零序电流波形数据及其各频率分量(故障条件：区段1-230 m，100 Ω，A相接地故障)Fig. 2 The zero sequence current waveform data and its frequency components of measuring point 1 (fault conditions: section 1-230 m, 100 Ω, A phase grounding fault)

2.2 零序电流特征构建

分析风电场自身特点，主变压器绕组以及风电机组与集电线路间的箱式变压器绕组均采用Y0/△结构方式，因此，系统侧和风电机组侧的不对称接地故障、三相不平衡均不会影响零序网络，且应用零序电流进行故障特征构建具有较高的可靠性和可行性。

风电场网络中测量仪器采集的故障数据是高维时序的，若考虑直接输入零序电流波形序列，则存在过高冗余，计算量大等问题，进而导致巨额的上传、运行成本。此外，零序电流波形序列的特征维度超高，引起学习器的训练时间过长、定位效率低下，由此不能满足实时性要求较高的风电场实际应用场景。

综合上述经济性和耗时性两方面因素，需要对零序电流波形序列进行特征提取，以实现故障数据的降维处理。单相接地短路时，依据图2分析设计特征量，利用FFT对测量仪器采集的零序电流提取其基频分量幅值，相关特征标号和特征描述如表1所示。

表1 风电场的零序电流特征Tab.1 Zero sequence current features of wind farm

3 基于VPMCD的风电场故障区段自动定位

3.1 VPMCD算法

VPMCD[19，20]简单、无需优化调参，是一种采用VPM的机器学习方法。设风电场的某一故障区段可用特征向量描述，即X=[X1,X2,…Xp]，其中，特征量Xi会与另外的1个甚至多个特征量间存有函数关系。当故障发生于集电线路不同区段时，该函数关系将呈现出一定的差异性。为识别风电场的故障区段，需构建能够表征不同区段下其特征量函数关系的数学模型VPM，可供选择VPM类型的定义和相应细节如表2所示。

在表2中，4种类型均属于多项式响应面模型，随机选取一种数学模型，并利用特征量Xj(j≠i)预测特征量Xi，由此可得Xi所对应VPMi的通用数学表达式为

Xi=f(Xj,b0,bj,bjj,bjk)+e

(1)

式中：e为VPMi的预测误差。

对于风电场的某一故障区段，若确定VPMi的类型、阶数及Xi的预测变量，则可由最小二乘法回归求解式(2)获得其参数的估计值：

表2 不同VPM类型的定义和相应细节

Xi=D·B

(2)

(3)

(4)

3.2 基于VPMCD的风电场故障区段自动定位设计

本文采用的智能技术VPMCD原理简单，无需优化参数，可有效避免人工设定分类阈值难题，并对风电场集电线路自动判别故障发生的区段位置。此外，其定位精度高、速度快，单相接地故障区段分类融合了不同区段的故障特征信息，同时考虑了直接输入高维零序电流波形序列带来的冗余特性。

图3 基于VPMCD的风电场故障区段自动定位框架Fig. 3 Automatic fault section location framework of wind farm based on VPMCD algorithm

4 实验验证

4.1 风电场仿真设计

为验证本文VPMCD故障区段自动定位框架的有效性，采用PSCAD/EMTDC进行风电场单相接地故障仿真设计，110 kV/35 kV的风电场网络如图4所示。由图4可知，在35 kV母线上挂有两条集电线路出线，且每条线路搭建8台2 MW的双馈风机。集电线路类型为电缆线(YJLV23-26/35kV-3×240)-架空线(LGJ240)的混联形式，电缆线长度设定为100 m，架空线长度则考虑地理条件因素和风资源分布不均的制约，相邻风机分支间各区段的尺寸一般不同，故将其标注在集电线路上，集电线相关电气参数的设定依据如表3所示。风电场35 kV网络不同于常规配电网，其中性点的接地方式采用大电流接地。此外，过高的采样频率不切合实际风电场的现场应用要求，因而单相接地故障时，信号的采样频率选取1 600 Hz，以在满足风电场定位准确性的前提下，保证其定位效率。

图4 风电场网络的仿真设计Fig. 4 Simulation design of wind farm network

表3 集电线相关电气参数的设定依据

风电场的训练故障样本集在建立VPMCD模型中可发挥重要作用，因而选择覆盖面广泛的、代表性强的故障场景作为生成标准。鉴于风电场仿真运行时间问题，该数据集构建条件包含：①以第一条集电线路为研究对象；②单相接地短路下设置不同故障状态混合，详细如表4所示。

表4 训练故障样本集构建条件Tab.4 Construction conditions of training fault sample set

4.2 典型位置的故障区段自动定位

在风电场的不同典型位置随机设置故障发生的位点，以较全面验证基于VPMCD的故障区段定位的准确性。选取区段1～60 m为研究对象，即靠近母线节点在电缆线上设定A相接地故障，过渡电阻100 Ω，其误差平方和指标和区段定位结果如图5所示。同样地，将故障点设置在不同区段的架空集电线上，其误差平方和指标及输出的故障区段编号如表5所示。

图5 VPMCD故障区段辨识结果Fig. 5 Fault section identification results of VPMCD

由图5和表5可知，该方法对于电缆集电线和架空集电线各类型故障条件均适用，能够通过误差平方和指标精确将故障点锁定在实际故障发生的区段。此外，VPMCD故障区段定位器能够解决节点附近故障误判问题，例如区段1～60 m，仅区段1对应的误差平方和目标函数值最小，为0.835 6，定位区段1，满足多端混联的风电场网络的实际应用。

表5 典型位置的误差平方和指标及输出的故障区段编号Tab.5 The index of the sum of squares for error and the number of the output fault section under typical locations

4.3 智能VPMCD区段定位抗过渡电阻影响分析

前节探究了风电场在特定过渡电阻下的故障区段定位效果，但因故障的不确定性，使过渡电阻呈现出多样化的阻值。通过PSCAD/EMTDC设置多种过渡电阻情形，特别需含有中间阻值(即与训练故障样本集的阻值不同)，采用VPMCD故障区段定位器对故障区段进行辨识，其误差平方和指标及输出的故障区段编号如表6所示。

由表6可知，对于不同区段和过渡电阻，在所有误差平方和指标中，只有相对应区段的目标函数计算值最小，其余区段则相对较大。此外，面对中间阻值的故障，无需增加原始训练故障样本依然可精确辨识故障区段。因此，该方法具有较强的抗过渡电阻能力和模型通用性，可推广至风电场多种故障场景。

表6 不同过渡电阻的误差平方和指标及输出的故障区段编号Tab.6 The index of the sum of squares for error and the number of the output fault section under different fault resistances

4.4 智能VPMCD区段定位抗量测误差影响分析

考虑到实际工程中采用零序电流互感器测量零序电流(35kV母线处)以及采用电流互感器测量获取三相电流，然后合成零序电流(集电线路除母线处)时会存在一定误差，量测误差一般为±0.5%、±1%等。因此，需分析不同实测幅值误差对智能VPMCD区段定位结果的影响。同样选取区段1-60 m为研究对象，设定A相接地故障，过渡电阻100，区别是在该测试样本上人为整体改动±0.5%、±1%，其误差平方和指标和区段定位结果如表7所示。

表7 不同量测误差的误差平方和指标及输出的故障区段编号

由表7可知，随着量测误差的改变，误差平方和指标变化不大，且只有区段1对应的目标函数计算值最小，其余区段则远大于区段1。表明，该方法不受实际量测误差的影响，具备一定的实用性。

4.5 智能算法性能比较

表8从精度和效率两方面比较了VPMCD与SVM的故障区段定位效果，以进一步说明本文方法在风电场中使用的优越性。SVM：采用RBF进行训练。因选择的惩罚因子C和RBF参数g会对识别精度与泛化能力产生直接影响，故利用网格搜索法10折交叉验证对参数进行优化，最终确定最优C、g的取值均为0.1。

表8 不同智能算法的性能比较Tab.8 Performance comparison of different intelligent algorithms

由表8可知，定位精度方面：风电场集电线路中，VPMCD和SVM算法均能准确对单相接地故障区段进行识别定位，证明本文故障特征提取的有效性；定位效率方面：VPMCD比SVM算法具有更高的分类效率，定位运算时间可节省12.3 s，复杂度更低。综上比较分析，VPMCD更能快速准确的自动识别故障区段，故更适用于对实时性要求较高的风电场集电线路的定位。

5 结 论

本文在5 G智慧风电场建设的背景下，针对风电场内多风机电源接入导致单相接地短路后定位精度差、效率低的难题，提出一种基于VPMCD的集电线路智能故障区段定位方法。其中，主要获取如下结论：

(1)设置单相接地故障，电网系统和风机均不会影响零序电流，具备一定的可靠性，且采用FFT对冗长的零序电流序列提取其基频分量幅值，建立区段定位样本库，定位成本低、耗时短。

(2)建立了VPMCD故障区段定位器，无需主观选择、优化参数，并利用训练好的VPM结合误差平方和指标，通过目标函数最小原则自动输出故障区段的编号，PSCAD/EMTDC仿真证明，VPMCD方法的定位效果优于SVM方法，具有较强的通用性和较高的实时性，能够满足如今风电场网络现场运维的要求。