分布式电源配电网继电保护二次回路故障识别方法

魏振江，孙 乐

（1.国网汉中供电公司，陕西 汉中 723000；2.陕西中烟工业有限责任公司汉中卷烟厂，陕西 汉中 723000）

0 引 言

随着新能源技术的不断进步，分布式电源在配电网中的应用范围日益扩大，给传统的配电网继电保护系统带来了新的挑战。在分布式电源配电网中，继电保护系统是确保配电网安全稳定运行的关键因素。二次回路作为继电保护系统的核心部分，一旦发生故障，会导致保护装置错误操作或拒绝操作。因此，精准识别分布式电源配电网继电保护二次回路故障，对保障配电网的安全稳定运行具有重要意义。文献[1]基于图神经网络构建了一个故障定位模型，能够准确有效地定位二次回路故障。文献[2]针对电流二次回路故障的离线检测方法及时性较差等问题，利用多维豪斯多夫距离算法，设计了一种在线检测方法，可有效提升回路二次接地故障检测效率。文献[3]通过构建二次系统的虚回路到物理回路的映射关系，并借助Apriori 算法进行故障报警信息的诊断，不仅提高了诊断效率，还节约了人力成本。分布式电源技术的不断革新，导致配电网继电保护设备的智能化程度越来越高，传统的二次回路故障检测方法所用的数据库建模工作量巨大，且可移植性极差。为解决上述问题，文章提出一种分布式电源配电网继电保护二次回路故障识别方法。

1 测量继电保护二次回路故障时刻的电信号

分布式电源配电网的继电保护二次回路对于配电网的安全稳定运行至关重要。文章针对二次回路中的故障识别问题，基于电压和电流信号的变化原理进行识别研究。在继电保护二次回路发生故障时，电压和电流信号会超出正常区间，因此文章使用谐波测试仪测试电信号[4]。谐波测试仪能够不间断地采集继电保护二次回路中的电压与电流信号。根据配电网的实际情况选择并安装合适的谐波测试仪，确保其牢固稳定，以准确识别二次回路故障[5-6]。谐波测试仪主要用于测量继电保护二次回路中的三相电压与负荷电流，因此采用傅里叶变换的方法来计算所需数据。以电压和电流的周期信号F(t)为例，利用傅里叶变换进行谐波测量，计算公式为

式中：f0为继电保护二次回路中电压与电流信号的直流分量；ω为振幅；φn为第n次谐波分量的相位；t为频率；fncos(nωt+φn)为第n次谐波分量。第n次谐波电压和电流的含有率的计算公式为

式中：η1、η2分别为第n次谐波电压、电流的含有率；un、in分别为第n次谐波电压、电流的统计均方根；u0、i0分别为基波电压、电流的统计均方根。

利用式（1）测量分布式电源配电网继电保护二次回路中的电压与电流信号，并将其作为故障识别的数据支撑；再利用式（2）求出谐波电压和电流的含有率，作为二次回路谐波信号来源的依据。

2 预处理继电保护二次回路故障时刻的电信号

因为分布式电源配电网的拓扑结构复杂，在利用谐波测试仪采集继电保护二次回路故障时刻的电压与电流信号时，原始采集信号中会存在大量无用的噪声信号，所以需要在故障信号识别前，对电压与电流信号进行去噪处理[7]。假设待处理的二次回路电信号为S(t)，则其一维数学模型为

式中：X(t)表示二次回路电信号中的有效信息；ε(t)表示叠加的噪声信号；λ表示噪声信号的幅值系数。对原始信号S(t)进行多尺度正交小波分解，即可得到不同尺度下的小波系数，公式为

式中：Gi,t、Di,t分别为高尺度下、低尺度下的小波分解系数；t为频率；Si-1,t为重构后无噪声的二次回路故障时刻电信号；i为小波分解的层数；i-1 表示低一层的小波分解；B1、B2为滤波器，2 个滤波器属于正交镜像的关系；T为二次回路中电信号的离散采样点数量；N为二次回路中电信号的所有采样点数量。高尺度下的小波分解系数为有用信息，低尺度下的小波分解系数为无用的噪声信息。因此，可以设置一个合适的阈值，对各尺度下的系数进行量化处理，保留原始分解系数中的高频部分，去除低频部分，并对保留的小波分解系数进行重构得到滤波信号，公式为

完成对分布式电源配电网继电保护二次回路故障时刻的电压与电流信号的预处理后，将处理数据组成一个集合，作为故障信号分类识别的样本数据集[8]。

3 分类识别继电保护二次回路故障信号

通过引入深度学习构建循环神经网络（Recurrent Neural Network，RNN），将传统前馈网络扩展成一个包含反馈的网络结构。在RNN 模型中，所有时间步都存在输出值，且每一个隐藏层的输出和下一个隐藏层之间存在直接关联。假设模型从待定的初始状态h(0)开始进行前向传播，则在时间步τ由1 到结束过程中，模型学习过程为

式中：x(τ)为CNN 模型隐藏层神经元的输入序列；p为隐藏层的偏置参数；ω为隐藏层的权值参数；y(τ)为CNN 模型隐藏层神经元的输出序列；softmax(·)为激活函数。

由式（6）可知，当二次回路故障信号输入CNN模型时，模型将输入的序列映射成长度一致的输出序列，并匹配故障信号和故障类别。

4 仿真实验

4.1 实验准备

建立分布式电源配电网的仿真平台，开展仿真对比实验。基于数据工具软件MATLAB 仿真实验所需的分布式电源配电网继电保护二次回路模型，具体如图1 所示。

图1 分布式电源配电网继电保护二次回路

由图1 可知，继电保护二次回路包含2 个继电保护装置与10 条馈线。本次仿真实验模拟了模型运行过程中不同类型的故障，收集二次回路的故障信号，并将其作为实验数据，故障样本数据分布情况如表1所示。

表1 继电保护二次回路故障样本分布 单位：处

以表1 数据为基础，将文献[1]方法和文献[2]方法作为对照组，文章所提方法作为实验组，进行继电保护二次回路的故障识别，并对比各方法的故障识别结果。

4.2 实验结果

在本次分布式电源配电网继电保护二次回路故障识别的仿真对比实验中，采用继电保护二次回路故障识别结果的召回率来评估各方法对二次回路故障的分类识别性能，公式为

式中：Re为继电保护二次回路故障识别结果的召回率；Tp为识别样本和实际样本均为正的样本数量；Fn为识别样本为负但实际样本为正的样本数量。其中，Re用于反映故障识别精度，值越大表明故障识别结果越接近真实数据。根据式（7）统计实验组与对照组方法对二次回路故障类型和故障馈线的双分类识别结果，具体如表2、表3 所示。

表2 继电保护二次回路故障类型识别结果对比 单位：%

表3 继电保护二次回路故障馈线识别结果对比 单位：%

由表2、表3 可知，分布式电源配电网继电保护二次回路故障识别是一个多标签多类别的分类任务。与文献[1]方法和文献[2]方法相比，文章设计方法的分类效果更佳，召回率均在98%以上，平均召回率高达98.74%，分别比对照组高6.03%、11.00%。由此说明，文章所提方法具有更高的分类精度，在分布式电源配电网故障识别任务中具有优越的分类性能。

5 结 论

配电网作为我国电能传输的最后一个环节，其运行状态的健康稳定直接决定着用户供电质量，因此文章提出了一种分布式电源配电网继电保护二次回路故障识别方法。在获取继电保护二次回路故障时刻的电流与电压信号后，引入深度学习对信号进行分类，进而完成故障识别。本研究对于推动分布式电源配电网继电保护技术的发展，提高配电网的安全稳定运行水平具有重要意义。