330KV变电站过电压仿真分析及分类识别

刘洋，张刚，刘睿洁，王源，谭雅岚，，李石，何小军，陈波

（1.西安理工大学，陕西西安 710048；2.国网渭南供电公司，陕西渭南 714000；3.国网汉中供电公司，陕西汉中 723000）

330KV变电站过电压仿真分析及分类识别

刘洋1，2，张刚1，刘睿洁2，王源3，谭雅岚1，3，李石3，何小军3，陈波3

（1.西安理工大学，陕西西安 710048；2.国网渭南供电公司，陕西渭南 714000；3.国网汉中供电公司，陕西汉中 723000）

随着电网的不断扩展，电力系统过电压对输电线路和电气设备造成的危害日益严重，研究电网过电压信号对有效遏制过电压和完善系统绝缘具有关键意义。以某330 kV变电站为例，基于ATP-EMTP构建过电压仿真模型，取得单相接地、空载变压器合闸、电容器组合闸、空载线路合闸、直击雷以及感应雷6种典型过电压波形；然后采用时域与小波分析法提取电压有效值、陡度、小波能量等14个具有良好差异性的特征量；构造了基于SVM的过电压种类识别结构，用以对过电压特征量在每层SVM中进行选择。仿真计算结果表明，上述6种过电压平均识别率为87.9%，识别速率约1 s。该方法识别精确率高，运行速度快，可满足对电网过电压自动识别的工程要求。

过电压，ATP-EMTP，时域分析，小波分析，SVM，分类识别

电网发生故障或扰动时产生的过电压会导致电气设备绝缘弱点的击穿甚至设备毁坏。国内外现有的过电压在线监测装置对过电压种类还不能有效识别，主要依靠工作人员根据数据信息及工作经验主观判断过电压类别，这不仅会因人的主观性导致过电压类别判断错误，而且会因过电压数据庞大而耗时耗力[1-2]。因而，研究系统过电压发生原理，对过电压进行有效识别具有重要工程实际意义。

当前过电压分析方法有时域分析[3]、频域分析[4]、小波变换[5]、Hilbert-Huang变换[6]等，识别方法有人工神经网络[7]、模糊数学[8]、S变换[9]、SVM[10]等。文献[10]采取最小二乘SVM与多级SVM对雷电及操作过电压辨识；文献[11]联合小波多分辨率概念和信息熵原理，采取小波多分辨率能量分布和分段能量熵提取过电压特性值；文献[12]计算三相电压和零序电压波形的时域特性与小波特性来实现5种过电压辨识；文献[13]利用时域、频域和小波域特征对实测过电压信号进行构建分类识别树。

上述文献从多角度对过电压信号进行分析，为电网过电压分类和工程实际应用提供了重要参考价值。但考虑实测波形难以获取，波形复杂，笔者利用ATP-EMTP电磁暂态程序搭建330 kV变电站仿真模型以得到不同类型的过电压波形，采取时域分析和小波分析的方法提取过电压特征量，并将这些特征量写入由SVM构建的分类识别结构中，实现快速准确识别。

1 基于ATP-EMTP的330 kV变电站过电压波形仿真

1.1 330 kV变电站仿真模型

本文依据某330 kV变电站现场实际搭建仿真模型，该站一次主接线图如图1所示。330kV母线采取双母线接线方式，两条进线；两台变压器并列运行，容量均为200 MV·A；330 kV和110 kV侧为形连接，10 kV侧为形连接；110 kV侧采取单母分段接线方式，Ⅰ、Ⅱ母各带4条出线；10 kV侧采取单母线接线方式，分别连接电容器组和站用变等电气设备。接线图中两条330 kV进线与八条110 kV出线均为架空线路。

为获取该变电站电压数据，于监测位置设测压装置监测电压波形。本文选取3个监测点，各监测点如图1所示。根据变电站现场各电气设备实际参数，结合ATP中各设备模型，搭建该330 kV变电站ATPEMTP模型[14-15]，如图2所示。

图1 330 kV变电站主接线简图Fig.1 Main wiring diagram of 330kV substation

图2 330 kV变电站ATP-EMTP仿真模型Fig.2 Simulation model of ATP-EMTP for 330kV substation

1.2 过电压仿真与波形分析

本文主要对操作过电压（电容器组合闸、空载线路合闸、空载变压器合闸），暂态过电压（单相接地）及雷电过电压（直击雷、感应雷）等6种典型电网过电压进行仿真分析。

1）单相接地过电压。在不对称短路故障中以单相接地最为多见，尤以中性点有效接地系统出现概率最大[16]。本文不考虑保护跳闸，模拟了330 kV 2号进线B相发生金属性接地时3号测量点的电压波形，时长60 ms，如图3所示。其特点为发生接地后，接地相电压值下降，未接地相电压值抬升。

2）空载变压器合闸过电压。模拟了1号空载变压器加运时1号监测点的电压波形，如图4所示。其特点为开关闭合前后，电压幅值差异较大，三相电压由零变为正常工频电压。

3）电容器组合闸过电压。该变电站10 kVⅠ、Ⅱ母均连接了电容器组，模拟了加运1号电容器组时2号电压监测点处的电压波形，如图5所示。当断路器投切时产生高频振荡，并伴有多个周期的低频振荡，其过电压幅值较大，持续时间较短。

图3 单相接地过电压波形Fig.3 Waveform of the single-phase grounding overvoltage

图4 空载变压器合闸过电压波形Fig.4 Waveform of the no-load transformer closing overvoltage

图5 电容器组合闸过电压波形Fig.5 Waveform of capacitor banks closing overvoltage

4）空载线路合闸过电压。对330 kV1号进线末端开路实现线路空载，于10 ms时合上开关，1号测量点采集的电压波形如图6所示。其特点为合上开关后出现高频振荡，过电压幅值较大，持续时间久。

5）直击雷过电压。图7模拟了雷电击中330 kV输电导线C相形成的1号监测点过电压波形。发生直击雷时，A、B相感应到波形一致但极性相反的信号，幅度相比C相小。其特点为振荡频率高，维持时间短。

6）感应雷过电压。图8模拟了330 kV进线周围产生雷击时A、B、C三相感应出的电压波形。当负极性雷击中地面后，三相电压均感应出相反极性的波形，出现更高幅度过电压。与直击雷比较，其A、B、C三相波形十分相近。

图6 空载线路合闸过电压波形Fig.6 Waveform of no-load line closing overvoltage

图7 直击雷过电压波形及局部放大图Fig.7 Waveform of direct lighting overvoltage and partial enlarged view

图8 感应雷过电压波形Fig.8 Waveform of induced lightning overvoltage

2 过电压特征量提取

根据波形持续时间，将100 ms划为3个时间段，xf表示触发前阶段0～10 ms；tn表示触发后至过电压波形趋于稳定的过渡阶段10～20 ms；tb表示触发后过电压波形达到稳定阶段20～100 ms[17]。为便于分析计算，将三相电压归一化到[-1，1]区间。

2.1 基于时域分析法的过电压特征量提取

采用时域分析法进行提取过电压特征量，是从不同种类过电压波形的直观特性出发，选取表征不同波形差异的特征量[3]。

1）单相接地过电压。接地出现后，接地相电压下降，非接地相电压抬升，且其波形陡度较小，维持时间超过数个工频周波，tb时间段三相电压始终不对称，导致零序电压值较大。因此选择tb时间段最小陡度Qmin，tb时间段零序电压U0（本文所提及电压均为有效值，下同）作为单相接地过电压的特征量。

式中：ΔUA（n）、ΔUB（n）、ΔUC（n）分别为一定间隔的三相电压采样序列值；U0（n）为零序电压采样数列值；N、n为采样点数。

2）空载变压器合闸过电压。断路器合闸前变压器三相电压均为0，断路器合闸瞬间约5 ms振荡后三相电压恢复正常，过电压幅值较小。其最明显特征是断路器闭合前后三相电压由0变为正常电压，因而选择tb时间段电压与tf时间段电压的比值K，tf时间段电压最大值Uf作为空载变压器合闸过电压的特征量。

式中：Urmsb、Urmsf分别为tb、tf时间段电压；Urms为电压有效值；U（n）为电压采样序列值；N、n为采样点数；

3）感应雷过电压。雷电过电压通常瞬间幅值大、振荡频率高，但感应雷过电压A、B、C相波形高度相似。将三相电压进行Clark变换后得到零模分量U0与线模分量Uα、Uβ，可见三相电压波形相似度越高，其线模电压愈小，线、零模电压之比λU愈小。因此选择A、B、C相波形暂态分量相似度平均值Smean及线、零模电压比值λU作为感应雷过电压的特征量。

式中：Sxy为X相与Y相波形相似度；x（n）、y（n）分别为三相过电压中任意两相电压采样的序列值。

2.2 基于小波分析法的过电压特征量提取

小波变换能够将信号解析到若干个尺度的子空间中，可将很难观察到的信号特性在子空间中突显出来[5]。对于通过时域法不能有效判断的过电压，可利用小波变换，计算其在各个不同频带上的特征来进行识别。

1）操作过电压和雷电过电压。操作过电压和雷电过电压幅值均较大，但操作过电压相比雷电过电压维持时间久。在采样频率1 MHz的情况下，选择过电压发生后一个完整工频周期10～30 ms，将该周期分为5个时间段，采取db4小波对这5个时间段进行小波分解，用公式（8）计算得到电容器组合闸、空载线路合闸及直击雷、感应雷过电压高频能量总和，如图9所示。

图9 过电压时间段相对能量分布Fig.9 Relative energy distribution of overvoltage in the time period

式中：Ei为每层高频能量；di为第i层小波分解后的细节分量；N为采样节点；Esum为高频能量总和；M为小波分解层数。

由图9可以看出，操作过电压相对能量值较小，分布均匀，每个时间段均存在能量，相差较小，过电压持续至30 ms仍未恢复至正常电压，衰减过程缓慢；雷电过电压相对能量值较大，分布差异较大，大部分能量集中在时间段1，时间段2上也存在少许能量，时间段3～5几乎不存在能量，过电压经约8 ms基本恢复正常，衰减过程迅速。因此选择过电压在5个时间段的高频能量总和E、表征数据分散程度的标准差S、以及时间段1和2在5个时间段中能量所占比值R作为识别操作与雷电过电压的特征量，用式（9）～式（11）进行计算。

式中：Esum1～Esum5分别为过电压在时间段1～5的相对能量值；Eave表示每个时间段能量的平均值。

2）电容器组合闸过电压和空载线路合闸过电压。对该两类过电压进行多层小波分解，从不同频带上的能量分布找出两者之间的差异。采用db4小波对介于10～30 ms之间的波形进行一维小波8层分解，用公式（12）计算得到2种过电压波形每层小波的能量值分布，如图10所示。

图10 过电压相对小波能量分布Fig.10 Relative wavelet energy distribution of overvoltage

式中：Ek表示每层小波能量值；d（n）表示每个采样点幅值大小；n表示采样点数。

由图10可以看出，电容器组合闸过电压小波能量在每层次均有分布，第1、8层分布较少，第3～5层分布较多，过电压发生后，振荡激烈，频率较高；而空载线路合闸过电压的小波能量重点散布在高层次，第1～3层几乎不存在能量，大部分在第6～8层次，过电压发生后，振荡相对较弱，频率较低。

小波熵理论为小波分析法和信息熵理论的联合，可定量表示在时域、频域中的信号能量散布特性[11]。其说明了信号在各自尺度空间中能量散布的离散水平，若信号的能量在各自子频带中分配越平均，那么小波熵数值越大。

选择能量最大值Emax、第1～3层与8层小波能量之和的比值P1～3、第3～5层与第1～8层小波能量之和的比值P3～5、小波能量熵H、脉冲因子T作为识别电容器组合闸过电压和空载线路合闸过电压的特征量，用式（13）—式（17）进行计算。

式中：E1～E8分别表示第1～8层小波能量值；Eave表示第1～8层小波能量值的平均值。

3 基于支持向量机的变电站过电压种类识别

3.1 过电压识别分层结构及特征量选择

支持向量机（SVM）解决结构风险最小化问题[10]的基本思路是在某个样本空间或特征空间中，构建出一个最优超平面使其与其他样本集之间的间隔最远，从而达到最大的辨识能力，其算法的详细阐述可参考文献[4]。SVM的提出用来处理二分类问题，针对多种过电压分类的情况时，须要构造SVM分类器使其拓展到多分类问题，本文采用“一对多”的方法构造多级SVM分类器，将多分类问题转化为二分类问题。

本文根据仿真波形之间的差异，建立5个SVM分类器实现4层从上到下的过电压逐层识别结构，对6种典型过电压识别，如图11所示。

SVMⅠ对暂时过电压和操作及雷电过电压进行识别，用单相接地过电压的时域特性作为SVMⅠ的特征量Xi=[Q，U0]；SVMⅡ～SVMⅤ对操作和雷电过电压进行识别，选择其余时域和小波特性作为其特征量，即Xi=[K，Uf，E，S，R，Smean，λU，Emax，P1～3，P3～5，H，T]。各分类器与其对应特征量及SVM单次训练效果如表1所示。通过特征量的逐层分级选择，能够有针对性地选择多种类型过电压特征量，从而提高识别效率，减少运算过程。

图11 SVM-X过电压分层识别结构Fig.11 Structure of SVM-X overvoltage classification recognition

表1 过电压特征量及对应SVM-X单次训练结果Tab.1 Overvoltage features and corresponding SVM-X single training results

3.2 识别结果分析

按照本文特征量提取方法，通过仿真取得6种过电压各80条数据里的40条作为训练样本，其余40条作为测试数据用来进行分类识别。对训练样本单次训练后，将测试样本写入训练完毕的SVM-X中进行逐层分类识别，识别结果如表2所示。

表2 过电压分类识别结果Tab.2 Results of overvoltage classification recognition

从表2可以看出，本文提出的基于SVM的过电压种类识别方法是有成效的，可完成6种过电压的确切分类。采纳“一对多”方式构造的多层分类器，所需训练样本数较少，仅须单次训练即可完成不同过电压种类的逐层识别，平均识别率达到87.9%。因此，该方法可实现对暂态、操作及雷电过电压的正确迅速识别。

4 结语

本文结合某330 kV变电站实际结构搭建了ATP-EMTP仿真模型，模拟并分析了单相接地、空载变压器合闸、电容器组合闸、空载线路合闸、直击雷以及感应雷6种典型过电压波形特性。通过对不同电压等级过电压波形归一化处理，根据各自过电压特点采用时域分析法与小波分析法提取了14个具有良好差异性的特征量。仿真计算结果表明，所构造的基于SVM的过电压种类识别结构，能够对不同过电压的特征量在每层SVM中选择。该方法识别精确率高，运行速度快，可满足电网过电压自动识别的工程需要。

[1]张纬钹，何金良，高玉明.过电压防护及绝缘配合[M].北京：清华大学出版社，2002.

[2]孙才新，司马文霞，赵杰，等.特高压输电系统的过电压问题[J].电力自动化设备，2005，25（9）：5-9.SUN Caixin，SIMA Wenxia，ZHAO Jie，et al.Over-voltage in UHV transmission system[J].Electric Power Automation Equipment，2005，25（9）：5-9（in Chinese）.

[3]陈寰.基于极性鉴别与暂态特征分布特性的电网过电压识别研究[D].重庆：重庆大学，2014.

[4]杜林，李欣，吴高林，等.采用3类特征参量比值法的铁磁谐振过电压识别[J].高电压技术，2011，37（9）：2241-2249.DU Lin，LI Xin，WU Gaolin，et al.Ferro-resonance overvoltage identification using three feature parameters of ratio method[J].High Voltage Engineering，2011，37（9）：2241-2249（in Chinese）.

[5]ZHU T X，TSO S K，LO K L.Wavelet-based fuzzy reasoning approach to power-quality disturbance recognition [J].IEEE Transactions on Power Delivery，2004，19（4）：1928-1935.

[6]司马文霞，王荆，杨庆，等.Hilbert-Huang变换在电力系统过电压识别中的应用[J].高电压技术，2010，36（6）：1480-1486.SIMA Wenxia，WANG Jing，YANG Qing，et al.Application of hilbert-huang transform to power system over-voltage recognition[J].High Voltage Engineering，2010，36（6）：1480-1486（in Chinese）.

[7]MOKRYANI G，HAGHIFAM MR，ESMAEILPOOR J.I－dentification of ferroresonance based on wavelet transform and artificial neural networks[J].Euro.Electric.Power，2009，18（3）：474-486（in Chinese）.

[8]张钧，李小鹏，何正友.采用自适应神经模糊推理系统的配电网故障分类方法[J].中国电机工程学报，2010，30（25）：87-93.ZHANG Jun，LI Xiaopeng，HE Zhengyou.Fault classification technique for power distribution network using adaptive network based fuzzy inference system[J].Proceedings of the CSEE，2010，30（25）：87-93（in Chinese）.

[9]MISHRA S，BHENDE C N，PANIGRAHI B.K..Detection and classification of power quality disturbances using s-transform and probabilistic neural network[J].IEEE Transactions on Power Delivery，2008，23（1）：280-287.

[10]杨勇，李立浧，杜林，等.采用时频矩阵奇异值分解和多级支持向量机的雷电及操作过电压识别[J].电网技术，2012，36（8）：31-37.YANG Yong，LI Licheng，DU Lin，et al.Lightning and switching overvoltage identification based on singular value decomposition of time-frequency matrix and multi-level support vector machine[J].Power System Technology，2012，36（8）：31-37（in Chinese）.

[11]杜林，郭良峰，司马文霞，等.采用小波多分辨率能量分布分析电网过电压特征[J].高电压技术，2009，35（8）：1927-1932.DU Lin，GUO Liangfeng，SIMA Wenxia，et al.Analysis of characteristics of over-voltage in power system using multi-resolution energy distribution of wavelet[J].High VoltageEngineering，2009，35（8）：1927-1932（inChinese）.

[12]杜林，李欣，王丽蓉，等.电力系统暂时过电压多级支持向量机分层识别 [J].电力系统保护与控制，2012，40（4）：26-31.DU Lin，LI Xin，WANG Lirong，et al.Temporary overvoltage layered pattern identification based on multistage support vector machine in power system[J].Power System Protection and Control，2012，40（4）：26-31（in Chinese）.

[13]黄艳玲，司马文霞，杨庆，等.基于实测数据的电力系统过电压分类识别 [J].电力系统自动化，2012，36（4）：85-90.HUANG Yanling，SIMA Wenxia，YANG Qing，et al.Classification and identification of power system overvoltages based on measured data[J].Automation of Electric Power Systems，2012，36（4）：85-90（in Chinese）.

[14]周凯，熊庆，何珉，等.10 kV电网过电压监测装置设计及实测与仿真对比分析[J].高电压技术，2015，41（1）：35-41.ZHOU Kai，XIONG Qing，HE Min，et al.Design of overvoltage monitoring device for 10 kV power grid and contrastive analysis of its measured and simulation waveforms[J].High Voltage Engineering，2015，41（1）：35-41（in Chinese）.

[15]李璿，叶国雄，王晓琪，等.用ATP-EMTP研究1 000 kV CVT的暂态特性[J].高电压技术，2008，34（9）：1850-1855.LI Xuan，YE Guoxiong，WANG Xiaoqi，et al.Transient characteristics of 1 000 kv capacitor voltage transformer based on ATP-EMTP[J].High Voltage Engineering，2012，38（3）：535-543（in Chinese）.

[16]杜林，李欣，司马文霞，等.110 kV变电站过电压在线监测系统及其波形分析[J].高电压技术，2012，38（3）：535-543.DU Lin，LI Xin，SIMA Wenxia，et al.Overvoltage online monitoring system for 110 kV substation and its waveforms analysis[J].High Voltage Engineering，2012，38（3）：535-543（in Chinese）.

[17]杨庆，赵洪彬，司马文霞，等.基于阈值判断和支持向量机的电网实测过电压识别[J].高电压技术，2016，42（10）：3188-3199.YANG Qing，ZHAO Hongbin，SIMA Wenxia，et al.Identification method of grid measured over-voltage based on threshold judgment and support vector machine[J].High VoltageEngineering，2016，42（10）：3188-3199（inChinese）.

Simulation Analysis and Classification Recognition of 330 kV Substation Overvoltage

LIU Yang1，2，ZHANG Gang1，LIU Ruijie2，WANG Yuan3，TAN Yalan1，3，LI Shi3，HE Xiaojun3，CHEN Bo3
（1.Xi’an University of Technology，Xi’an 710048，Shaanxi，China；2.State Grid Weinan Electric Power Supply Company，Weinan 714000，Shaanxi，China；3.State Grid Hanzhong Electric Power Supply Company，Hanzhong 723000，Shaanxi，China）

With continuous expansion of power grid scale，overvoltage of power system is causing serious and increasing damages to transmission lines and electrical equipment.Therefore，research on the power system overvoltage signals is of great significance for effectively restraining the overvoltage and improving the insulation coordination.Based on ATP-EMTP and taking a certain 330kV transformer substation as an example，this paper establishes an overvoltage simulation model from which 6 kinds of typical overvoltage wave forms like the single-phase grounding，no-load transformer closing，capacitor banks closing，no-load line closing，direct lightning and induced lightning are gained.Furthermore，14 features of striking differences such as voltage effective value，steepness，wavelet energy and other features have been analyzed by the time domain and the wavelet analysis method.At last，the paper constructs a system that can recognize different overvoltage layers and make it possible to select from each overvoltage based on SVM.The results show that the average recognition system accuracy for the 6 kinds of overvoltage can be up to over 87.9% and the recognition speed is about 1s.The recognition system is not only accurate enough but also very fast，and it can be used to meet the demands of the auto-recognition of the overvoltage in the grid engineering practice.

overvoltage；ATP-EMTP；time domain analysis；wavelet analysis；SVM；classification recognition

2016-10-19。

刘 洋（1991—），男，硕士研究生，主要研究领域为电力系统分析、安全评估与优化运行。

（编辑 李沈）

国家自然科学基金青年科学基金项目（51507141）。

Project Supported by the Youth Fund of the National Natural Science Foundation of China（51507141）.

1674-3814（2017）04-0064-07

TM866

A