配电网在线故障检测技术的研究

马 军，余 英

(深圳供电局有限公司，广东 深圳 518001)

配电网在线故障检测技术的研究

马 军，余 英

(深圳供电局有限公司，广东 深圳 518001)

分析了配电网线路常见的故障类型，总结了线路故障对系统可能造成的影响。降低线路故障影响的一个关键是提前检测出故障并及时处理。着重分析配电网在线检测技术的应用，总结目前配电网常用在线故障检测技术。发生故障时，在电气量变化比较明显的配电系统中，电流检测技术更简单和实用。对于高难度和复杂系统，需融入交叉学科进行分析研究。通过对比提出未来配电网在线检测技术的可能性发展方向。

配电网线路；线路故障；提前检测；在线检测技术的方法

配电网作为电力系统的重要组成部分，是连接发电系统、输电系统与用户的重要环节。配电网直接面向用户，其正常稳定运行对电能质量有着直接的影响。配电网常发生的故障类型和特点，主要包括：(1)单相接地故障比例高，故障电流小；(2)相比于输电线路，配电网故障率高，而且大多数故障为瞬时性故障；(3)故障电弧不稳定，容易带来二次故障；(4)高阻故障占一定比例等。

线路中发生故障时，可能对配网系统造成以下影响：(1)配电线路故障时短路电流大，若未及时切除，会对电力设备造成影响，严重时会损坏和烧毁设备，使瞬时故障发展成永久性故障；(2)线路故障会造成母线电压跌落，严重时会出现大量负荷；(3)扩大停电范围，引起系统波动，影响电能质量。

故障未及时处理可能带来严重后果，除了大面积停电，甚至危及整个电网的安全稳定运行。因此，及时发现线路故障并处理，对于维护系统的安全稳定运行有重大意义。

1 配电网常见故障类型

配电网正常运行时，通过不间断向下级电网或负荷供电，能保证生产和生活的正常用电。但配电网常因为发生短路故障而遭到破坏，电气设备载流部分绝缘损坏、系统误操作、电网遭受雷击或过电压击穿等都是造成短路的主要原因。

配电系统中的短路故障类型主要与电源的中心点是否接地有关。相间短路故障主要发生在中低压单电源中心点不接地系统中，相间故障分为两相短路和三相短路。在多端高电压供电系统中，因变压器等高压设备需要中心点接地，所以常见的故障为接地故障(如单相接地故障、三相接地故障)，如图1所示。

图1 配电系统短路故障类型

当配电网不含分布式电源时，配电网通常遵循开环方式运行。即配电网在运行中是单电源配电网，短路分析也是按单电源配电网的短路电流计算。

在无限大容量电源配电系统中发生三相短路时，短路电流的周期分量是不变的。在Simulink中搭建配电网故障模型得到仿真图形如图2和图3所示。由图2可以看出，发生短路故障时电流会瞬间上升，电压值跌落幅值较大，发生两相故障时，电压和电流出现不平衡分量。

进一步分析可知，电流和电压表现出来的特征量可以作为研究故障检测技术和继电保护的依据。降低了线路故障对系统造成的影响，能及时检测出故障所在。因此，提高在线检故障检测技术和增强继电保护性能成为配电网自动化发展的必然趋势。

图2 两相短路故障时电流电压波形

图3 三相短路故障时电流电压波形

2 配电网在线故障检测技术

2.1 传统配电网故障检测技术

随着配电网自动化系统的提出和配网系统结构的复杂化，使得在线故障检测技术也不断发展，先后出现了电压型故障检测技术和电流型故障检测技术。

电压型故障检测技术主要采用电压模式，该方法基于配电线路短路故障时电压瞬间跌落原理，对电压检测和延时重合方式作为故障检测的判据。这种技术原理比较简单，早期时候的简单配电网中也得到应用。虽然电压型故障检测技术能很好的实现故障隔离，一定程度上减少停电范围。但也存在一些问题，随着配电网系统的复杂化，电压型故障检测技术对故障判断、隔离和恢复非故障供电区域的时间较长，不能适应现代配电网自动化的发展要求。

电流型故障检测技术通过检测线路中的电流变化来判断是否出现故障，该技术主要应用于电流模式。当线路出现短路故障时，短路电流会瞬间增大，可通过FTU等设备检测各开关是否有故障电流流过来判断故障。随着通信技术和计算机技术的发展，电流型故障检测技术也发展为一种集中控制的模式。监控中心可以根据网络传回的采样信号判断故障类型、故障隔离和非故障区域的供电恢复。

2.2 现代配电网在线故障检测技术

目前国内外很多研究人员通过改进继电保护算法和设备，融入数学、信号处理技术和人工智能相关技术对配电线路的故障检测进行研究，对提高配电网系统在线故障检测有重大的意义。文献[1]提出将信息融合技术应用于电力系统故障检测，通过对故障信息的全面分析，提出研究模糊信息融合故障法技术，搭建故障检测信息融合模型，结果显示，该方法可以提高故障选线的灵敏度和可靠性。对配电网的在线故障检测方法进行总结，分为以下几点：

(1)基于故障时电流和电压幅值的变化

该方法结合了电压型和电流型故障检测技术，针对线路发生的故障，通过电流和电压的幅值出现较大变化进行故障判断。这类方法对于低阻故障检测的效果较好，但应用在高阻抗系统中则达不到效果。文献[2]提出将此方案进行改进，线路故障时产生三相不平衡电流，基于此判据来检测系统是否发生高阻抗故障。文献[3]提出基于中性点电压和零序电流的变化，提出检测高阻故障的算法。通过分析和测量电流的零序分量来进行故障定位。文献[4]提出基于分布式探测器的在线监测故障的定位方式，来实现辐射状配电网中性点不接地故障定位问题。

(2)基于谐波和频率检测

在配电网系统中，电流信号用傅立叶公式来进行展开：

(1)

式中h——直流分量；fi——代表谐波分量。

线路出现故障时，电流信号会产生大量谐波，因此，谐波和频率检测也可以作为故障的判据。文献[5]给出通过电流来判断线路是否发生高阻故障的方法，此方法以检测故障期间电压、电流三相不平衡当作故障判据。在中低压配电系统中发生高阻接地故障时，存在系统阻抗高，短路电流变化不明显的问题，因而在线故障不容易被识别，在短时间内很难被检测出来。文献[6]提出一种配电网高阻接地故障在线监测和辨识的方法。基于故障暂态电容电流，故障线路零序电压出现高次谐波，使得高阻接地故障出现在线辨识的特征谐波。

(3)基于小波变换和人工神经网络

小波变换是对傅里叶变换的重大突破，其提供了一个可以变动的时间—频率窗。小波变换能表征信号的奇异性，在不同的尺度上能很好的反映谐波信号的畸变情况。当满足条件时，则称ψ是一个基小波，或者是母小波，因此，信号x(t)的连续小波变换(CWT)可表示为

(2)

式中a——和频率变量对应的尺度因子，a>0；b——和时间变量对应的位移因子；R——基小波平移与伸缩后形成的小波函数族。

文献[7]结合小波变换技术，对变压器出线端进行故障电流和电压信号检测，该方法的特点是根据不同的系统预先设定阀值，然后提取故障电流/电压的每一相频带能量，选取某一相的最大值，当作基准值并与之前设定的阈值相比较，以此作为故障相的判据。文献[8]对电流信号进行小波分解，通过这种方式得到电流信号的高频暂态能量，实现对故障信号的检测和归类。但是，这种方式对信号采集设备要求较高，实现过程比较复杂，因此一般不用于现场应用。

文献[9]提出结合小波变换和神经网络的原理，对故障线路进行检测，首先使用小波变换技术滤除故障信号中不相关谐波分量和非周期信号，然后提取组成神经网络训练样本集的工频信号，最后搭建小波-神经网络系统，完成配电系统在线故障检测。文献[10]提出一种行波故障定位方式，当线路发生故障时，通过母线向系统注入脉冲信号，运用小波变换极大值，获取线路上的反射行波信息，再把信息发送给具有故障检测功能的神经网络诊断系统。该定位方式能准确定位故障分支和检测点之间的距离，还可以改变注入信号的参数，进行多次实验，提高定位的准确性。

(4)基于模糊推理

模糊推理是不确定推理的一种，以一般集合论为基础，描述工具的数理逻辑并进行扩展，建立了模糊推理理论。文献[11]指出使用模糊推理方式鉴别配电网故障类型，但也很容易受到限制。一方面，使用模糊推理需要收集大量的故障信息才可以做出精确的故障判断；另一方面，该方式可以检测出系统发生的单相或者多相故障，但仍无法准确判断故障出自哪一相。文献[12]给出了这个问题的解决方案，以变电站线路上的三相电流数据为例，通过电流序分量的相角关系，构造隶属度函数来确立模糊规则，最后基于模糊推理完成故障类型的划分。该方式最大的特点就是减少了数据量的处理，不必获取断路器和隔离开关的信息，也不需要获取总线上的电压与电流信号，而且在线路出现故障时也能准确判断故障类型。

(5)支持向量机和深度学习

这两种方式主要应用在模式识别领域，对研究对象进行分类，是统计学习理论的模式识别方法。文献[13]提出了一种可以快速检测线路故障的方法，这种方式不受过渡电阻、故障位置和故障初相角影响。通过对故障电压的零序分量进行小波分解，获取低频能量，来判断不同的故障类型。通过计算三相电压信号的小波奇异熵，求得熵值作为SVM分类网络的输入向量，以此判断故障所属类型。

深度学习模型能实现对原有神经网络模型的突破。是通过模仿人脑分析、理解问题的机制，来解决统计机器人学习过程中的数据特征、规律提炼、判断过程。电力变压器发生故障时，由于油色谱在线监测数据无标签,导致工程现场收集大量无标签故障样本,而传统的故障诊断方式无法利用这些数据做出准确判据。文献[14]结合深度学习神经网络原理，构建相应的分类模型,分析并采用典型数据集，对其分类性能进行测试。结果表明这种方法可行，相比BP神经网络和支持向量机效果更明显。

[1] 曾祥君,LI K K,CHAN W L,等.信息融合技术在电力系统故障检测中的应用探讨[J].中国电力,2003,36(4):8-12.

K K Li, W L Chan. Discussion on application of information fusion techniques in electric power system fault detection[J]. Electric Power,2003,36(4):8-12.

[2]CARR J.Detection of high impedance faults on multi-grounded primary distribution systems[J].IEEE Transactions on Power Apparatus&Systems,1981,PER-1(4):2008-2016.

[3]HANNINEN S, LEHTONEN M.Method for detection and location of very high resistive earth faults[J].European Transactions on Electrical Power,1999,9(5):285-291.

[4]周 封,朱 瑞,王晨光,等.一种配电网高阻接地故障在线监测与辨识方法[J].仪器仪表学报,2015,36(3):685-693.

ZHOU Feng, ZHU Rui, WANG Chen-guang, et al. Online criterion and identification of single-phase ground fault with high resistence in distribution network[J]．Chinese Journal of Scientific Instrument，2015，36(3)：685-693.

[5]ZENG X,LI K K,CHAN W L, et al. Novel techniques for earth fault feeder detection based on negative sequence current in industry power systems.In Thirty-sixth IAS Annual Meeting,pp.1831-1837.2001.

[6]鄢素云,常 广,王 毅.配电网在线监测的故障定位方法[J].电力自动化设备,2008,28(12):98-100.

YAN Su-yun, CHANG Guang, WANG Yi. Power distribution network fault locating by on-line detectors[J]. Electric Power Automation Equipment,2008,28(12)：98-100.

[7]SALIM R H,DE OLIVEIRA K,FILOMENA A D,et al.Hybrid fault diagnosis scheme implementation for power distribution systems automation[J].Power Delivery IEEE Transactions on,2008,23(4):1846-1856.

[8]PROBERT S A,SONG Y H.Detection and classification of high frequency transients using wavelet analysis[C]//Power Engineering Society Summer Meeting,2002 IEEE.2002，2:801-806.

[9]赵 智,王艳松,鲍 兵,等.基于小波神经网络的配电网故障类型识别[J].电力系统及其自动化学报,2007,19(6):93-96.

ZHAO Zhi, WANG Yan-song, BAO Bing, et al. Fault type identification in distribution network based on wavelet neural network[J].Proceedings of the CSU-EPSA,2007,19(6):93-96.

[10]蔡 维,张雪松,刘承志,等.基于PT在线注入信号及神经网络跟踪小波变换模极大值变化的配电网故障定位方法[J].电力系统保护与控制,2006,34(23):44-48.

CAI Wei, ZHANG Xue-song, LIU Cheng-zhi, et al. Distribution network fault location method based on PT injecting signal and neural network fault diagnosis system tracking the character of wavelet transform modulus maxima[J]. Power System Protection and Control,2006,34(23)：44-48.

[11]CHEN W H,LIU C W,TSAI M S.On-line fault diagnosis of distribution substations using hybrid cause-effect network and fuzzy rule-based method[J].Power Delivery IEEE Transactions on,2000,15(2):710-717.

[12]DAS B.Fuzzy logic-based fault-type identification in unbalanced radial power distribution system[J].Power Delivery IEEE Transactions on,2006,21(1):278-285.

[13]刘学民.基于Hilbert-Huang变换的配电网电缆接地故障定位研究[D].北京：中国石油大学,2010.

[14]石 鑫,朱永利.深度学习神经网络在电力变压器故障诊断中的应用[J].电力建设,2015,36(12):116-122.

SHI Xin, ZHU Yong-li. Application of deep learning neural network in fault diagnosis of power transformer[J]．Electric Power Construction，2015，36 (12)：116-122.

(本文编辑：严 加)

Research on Distribution Network On-Line Fault Detection Technology

MA Jun，YU Ying

(Shenzhen Power Supply Bureau Co., Ltd., Shenzhen 518001, China)

This paper analyzes the common types of distribution network faults, summarizes the possible impact of line fault on the system. The key to reducing the influence of line fault is early detection and timely processing. This paper analyzes the application of the on-line inspection technology to distribution network, summarizes the on-line fault detection technology commonly used in distribution network. In case of a failure, the current detection technology is more simple and practical for the distribution system with obvious change of electric parameters. For the difficult and complicated system, it is necessary to have interdisciplinary research. Finally, through comparison, the possible development direction of on-line inspection technology is put forward for the future distribution network.

power distribution lines; line fault; early detection; the method of on-line inspection technology

10.11973/dlyny201606007

马 军，男，硕士，工程师，主要从事配电网设备运营管理工作。

TM346

A

2095-1256(2016)06-0695-04

2016-10-21